一种检测单导联10秒心电图噪音干扰程度的方法转让专利
申请号 : CN201910208965.2
文献号 : CN109846473B
文献日 : 2021-11-05
发明人 : 夏鹤年 , 张雷刚 , 时海西 , 何红 , 刘伍 , 朱健 , 周星 , 毕光涛 , 陈元凤 , 纪迎兵 , 高勇
申请人 : 苏州哈特智能医疗科技有限公司
摘要 :
权利要求 :
1.一种检测单导联10秒心电图噪音干扰程度的方法,其特征在于,包括以下步骤:(1)预处理心电图信号,进行除噪,将除噪后的心电信号重采样至某一固定采样率;
(2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点,具体方法为:综合多种波形特征,利用机器学习算法自动从海量数据中学习获得各特征权值,判别疑似QRS波是否真实;同时,对每一个疑似QRS波给出一个是真实QRS波的概率,当信号质量较差时,该概率值普遍较低,因此这些值可以用于衡量心电信号的质量;
(3)采用基于瞬时心率的动态确定的搜索窗查找T波,同时,对QRS波附近的区域进行直线化处理,以突出T波部分;
(4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波,该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间,可以涵盖所有可能的P波,包括在房室传导阻滞发生时;
(5)对每个QRS,选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号,也即该心电图在当前QRS与下一个QRS之间的基线;计算基线的电压平均变化速率作为第1个特征,计算方式为:平均值{绝对值{s[n]‑s[n‑1]}},其中n为从1到N的所有整数,N是这段基线的长度;
(6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值,作为第2个特征;
(7)计算各QRS幅值的平均值,即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值;如果平均值小于某选定阈值,第3个特征值为1,表示该QRS电压较小,反之第3个特征值为0;如果平均值小于某更小的阈值,第4个特征值为1,表示该QRS电压非常小,反之第4个特征值为0;
(8)将MIT‑BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段,每个心电图片段10秒;
(9)对各个10秒心电图片段按步骤(1)‑步骤(7)进行处理,获得一个判别噪音程度的特征参数矩阵,该矩阵的行数等于所有10秒心电图片段的数目,列数等于4,列数为步骤(1)‑步骤(7)中获得的特征参数的数目;
(10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中,以梯度下降法为优化方法,设置学习率为0.02,迭代直至收敛;训练中,采用留1交叉验证的方法,即将训练数据随机分成K份,取其中K‑1份做训练,剩下1份做验证,如此重复N次;全部训练完成后对所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认为心电图的噪音污染程度可接受,阈值以上,认为心电图的噪音污染程度不可接受;
(11)对任一新的待分析的10秒心电片段,采用步骤(1)至步骤(7)的方法进行处理,获得该心电图的噪音判别特征参数组合;采用步骤(10)中训练获得的模型进行分类,获得其为完全噪音的概率;这个概率值可用来判断信号的噪音污染程度,概率越大表明噪音污染程度越大;最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否可接受。
说明书 :
一种检测单导联10秒心电图噪音干扰程度的方法
技术领域
背景技术
提高,短时单导联心电图分析系统应用日益广泛。然而,当前对单导联心电图信号质量测量
的研究较少。公开技术主要针对的是十二导联心电图信号。比如,在心电自动分析领域内有
很大影响力的Physionet网站于2011年举办了一场以自动分析十二导联心电图质量为目标
的算法竞赛,赢得比赛的算法应用了多种时域和频域特征,同时利用了不同导联间的相关
性。另一个十分受关注的研究使用两种QRS检测算法来提取心电图QRS,而后比较两种算法
结果的差异,该算法同时计算了心电图的偏态(skewness)和峰度(kurtosis)等特征,以及
心电图信号在不同频率范围内的能量分布。上述研究使用了2011年Physionet竞赛的数据
来训练和测试算法模型。虽然其结果十分优异,但是由于2011年Physionet竞赛中全为正常
心电,它无法反映算法在数据包含心律失常时的性能。从上述研究所选取的特征看,它十分
可能将部分严重的心律失常错误识别为噪音。比如,心室过速的心电图与正常心电图差异
十分大,导致二者的偏态和峰度特征以及在频域的能量分布都有较大差异。
发明内容
似QRS波是否真实;同时,对每一个疑似QRS波给出一个是真实QRS波的概率,当信号质量较
差时,该概率值普遍较低,因此这些值可以用于衡量心电信号的质量;
以突出T波部分;
波是否可见;该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间,相
对同类技术范围大为拓展,可以涵盖所有可能的P波,包括在房室传导阻滞发生时;通过基
于聚类算法的模糊搜索的方法,该方法不通过人为定义的规则确定P波位置,因此算法性能
更优鲁棒性更佳;
个特征,计算方式为:平均值{绝对值{s[n]‑s[n‑1]}},其中n为从1到N的所有整数,N是这段
基线的长度;
第3个特征值为0;如果平均值小于某更小的阈值,第4个特征值为1,表示该QRS电压非常小,
反之第4个特征值为0;
(1)‑步骤(7)中获得的特征参数的数目;
数据随机分成K份,取其中K‑1份做训练,剩下1份做验证,如此重复N次;全部训练完成后对
所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认
为心电图的噪音污染程度可接受,阈值以上,认为心电图的噪音污染程度不可接受;
得其为完全噪音的概率;这个概率值可用来判断信号的噪音污染程度,概率越大表明噪音
污染程度越大;最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否
可接受。
阻滞、心室过速、心室颤动等多种心律失常)以及MIT‑BIH Noise Stress Test Database,
经过反复试验,选取了一组可有效衡量心电图噪音干扰程度的特征参数。本发明选取了四
种特征。第1种特征是对心电图基线平整度的测量,以衡量心电图基线是否出现高频的扰
动。第2种特征取自本发明所使用的QRS检测过程。本发明使用基于机器学习技术的QRS检测
算法,每一个检测到的QRS都会有一个为真实QRS的概率。由于各QRS为真实QRS的概率只有
在心电图质量较高时才会接近100%,因此这些概率的平均值可以很好衡量心电图的质量。
最后,本发明比较检测到的各个QRS的电压幅值,计算各QRS幅值的平均值,与两个选定阈值
做比较,以判断心电图电压是否比较小(第3个特征)、以及是否过小(第4个特征)。
图,避免误警报。
从而能更安全有效的滤除被严重干扰的心电图,避免误警报。本发明利用前述特征训练逻
辑回归算法模型,使检测技术具有更好的准确性与鲁棒性。
附图说明
具体实施方式
似QRS波是否真实;同时,对每一个疑似QRS波给出一个是真实QRS波的概率,当信号质量较
差时,该概率值普遍较低,因此这些值可以用于衡量心电信号的质量;
以突出T波部分;
波是否可见;该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间,相
对同类技术范围大为拓展,可以涵盖所有可能的P波,包括在房室传导阻滞发生时;通过基
于聚类算法的模糊搜索的方法,该方法不通过人为定义的规则确定P波位置,因此算法性能
更优鲁棒性更佳;
个特征,计算方式为:平均值{绝对值{s[n]‑s[n‑1]}},其中n为从1到N的所有整数,N是这段
基线的长度;
第3个特征值为0;如果平均值小于某更小的阈值,第4个特征值为1,表示该QRS电压非常小,
反之第4个特征值为0;
(1)‑步骤(7)中获得的特征参数的数目;
数据随机分成K份,取其中K‑1份做训练,剩下1份做验证,如此重复N次;全部训练完成后对
所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认
为心电图的噪音污染程度可接受,阈值以上,认为心电图的噪音污染程度不可接受;
得其为完全噪音的概率;这个概率值可用来判断信号的噪音污染程度,概率越大表明噪音
污染程度越大;最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否
可接受。
发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。