基于直方图的自适应阈值R峰检测、心律分类方法及装置

摘要

本发明公开了基于直方图的自适应阈值R峰检测、心律分类方法及装置，通过计算心电信号的最大、最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；提取心电信号的极大值作为候选R峰；统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法确定直方图分割阈值，从而得到R峰阈值；取高于阈值的R峰；根据人体极限心率范围，确定R峰间隔阈值，过滤小于间隔阈值的R峰，得到最终的R峰。根据R峰值，计算时域特征，再将时域特征转换为频域特征，将时域特征和频域特征作为心电信号特征指标；将心电信号特征指标输入心电识别模型获得心律分类结果。

权利要求

1.一种基于直方图的自适应阈值R峰检测方法，其特征在于包括如下步骤：

步骤S401：计算预处理后的心电信号的最大值与最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；

步骤S402：提取所有预处理后的心电信号的极大值，作为候选的R峰；

步骤S403：统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法确定直方图分割阈值，从而得到R峰阈值；最大类间方差法，设直方图的最佳阈值为Ｔ，Ｔ将直方图分为前景和背景，其中前景区间数量占比为 ，平均分布值为 ；背景区间占比为 ，平均分布值为 ；则直方图的平均分布值为 ，类间方差为 ，穷举T计算所有的类间方差，使方差最大的T就是分割阈值，即R峰阈值；

步骤S404：取高于阈值的R峰；

步骤S405：根据人体极限心率范围，确定R峰间隔阈值，过滤间隔小于间隔阈值的R峰，得到最终的R峰。

2.一种基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于包括如下步骤：

步骤S101：获取待检测人员的心电信号；

步骤S102：对心电信号进行数据预处理，得到预处理后的心电信号；

步骤S103：提取预处理后的心电信号特征指标，包括如下步骤：

步骤S301：通过预处理后的心电信号，采用权利要求1所述的基于直方图的自适应阈值R峰检测方法，检测R峰；

步骤S302：根据R峰值，计算时域特征，再将时域特征转换为频域特征，并将时域特征和频域特征作为心电信号特征指标；

步骤S104：将心电信号特征指标输入心电识别模型获得心律分类结果。

3.根据权利要求2所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：所述步骤S302中，时域特征包括心率和心率变异性指标，两者的计算均需要提取R峰的位置，其中，心率变异性指标包括窦性心搏R‑R间期标准差和相邻NN之差>50ms的个数占总窦性心搏个数的百分比。

4.根据权利要求3所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：使用庞加莱图评价R‑R间期，提取时域特征，庞加莱图的X轴表示当前心脏节拍的持续时间，Y轴表示下一个节拍的持续时间，XY轴上的散点近似椭圆分布，根据散点拟合椭圆，椭圆长轴标准差代表短期变异性，短轴标准差代表长期变异性，计算椭圆长轴标准差、短轴标准差和面积，作为庞加莱图的特征。

5.根据权利要求2所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：所述步骤S302中，使用差值散点图提取时域特征，差值散点图的X轴表示当前心脏节拍的持续时间与上一个心脏节拍的持续时间的差，Y轴表示下一个心脏节拍的持续时间与当前心脏节拍的持续时间的差，A++代表处于差值散点图第一象限的点的数量，表示两个连续的心动间隔增加，心率减小，代表副交感神经活性，B‑‑代表处于第三象限的点的数量，表示两个连续的心动间隔减小，心率增加，代表交感神经活性，计算A++和B—两个特征，作为差值散点图的特征。

6.根据权利要求2所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：所述步骤S302中，通过快速傅里叶变换将时域特征转为频域特征，在频域特征下，计算低频能量、高频能量及两者的比值作为心电信号的频域特征。

7.根据权利要求2所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：所述步骤S102包括如下步骤：步骤S201：通过低通滤波器，滤除心电信号中的高频信号；

步骤S202：通过带阻滤波器，滤除心电信号中的工频干扰；

步骤S203：通过高通滤波器，滤除心电信号中的基线漂移；

步骤S204：对心电信号进行小波阈值去噪；首先使用小波变换将心电信号分解成不同的尺度，在每一个尺度下去除属于噪声的小波系数，保留并增强属于心电信号的小波系数，最后使用小波逆变换恢复心电信号；

步骤S205：经验模态分解滤除肌电噪声；通过经验模态分解，将心电信号分解为多个本征模函数，各个本征模函数包含心电信号在不同时间尺度的局部特征信息，删除局部特征信息中的一组高频信号，得到预处理后的心电信号。

8.根据权利要求2所述的基于直方图的自适应阈值R峰检测的心律分类方法，其特征在于：所述步骤S 104中，采用随机森林的方法构建心律分类模型，随机森林包括多个决策树，在构建决策树时，从心电信号特征指标训练数据中，有放回的随机选取一部分特征指标作为样本和一部分样本特征进行训练，由于每棵树使用的样本和样本特征都不相同，训练出的结果也不相同，对于一个输入样本，N棵树会有N个分类结果，随机森林集成了所有的心律分类投票结果，将投票次数最多的心律类别指定为最终的输出。

9.一种基于直方图的自适应阈值R峰检测的心律分类装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求2‑8中任一项所述的基于直方图的自适应阈值R峰检测的心律分类方法。

说明书

基于直方图的自适应阈值R峰检测、心律分类方法及装置

技术领域

[0001] 本发明涉及数字信号处理领域，尤其是涉及基于直方图的自适应阈值R峰检测、心律分类方法及装置。

背景技术

[0002] 目前国内外对于心律分类主要采用两种方案，一种是基于心电信号的波形结构的分类，具体方法有模板匹配、结构描述等；另一种是基于心电信号特征的分类，细分为人工特征和机器学习自动特征，比如卷积神经网络（CNN）。前者依据人为经验和知识提取心电信号中的显著特征，鲁棒性较好；而后者以数据驱动自动地学习特征，通常准确率更高，但若数据量不够大，很容易出现过拟合，因此在数据量不足的情况下采用人工特征是更为稳妥的方案。心率变异性（HRV）是最常用的人工特征，HRV指的是连续心动周期（R‑R间期）的微小变化或连续瞬时心率的微小涨落。HRV的准确性取决于R峰检测的准确性，常用方法有差分阈值法（吴建, 李康, 庞宇, 等. 基于差分阈值与模板匹配的心电R波提取算法[J]. 重庆邮电大学学报自然科学版, 2016, 27(3): 372‑376.）、Pan‑Tompkins法（Pan J, Tompkins W J. A real‑time QRS detection algorithm[J]. IEEE transactions on biomedical engineering, 1985 (3): 230‑236.），但在非正常的心电信号上经常会出现漏检和错检，普适性较差，从而导致心律分类的准确率不高。

发明内容

[0003] 为解决现有技术的不足，实现提高心律分类的准确率及效率的目的，本发明采用如下的技术方案：

[0004] 一种基于直方图的自适应阈值R峰检测方法，包括如下步骤：

[0005] 步骤S401：计算预处理后的心电信号的最大值与最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；

[0006] 步骤S402：提取所有预处理后的心电信号的极大值，作为候选的R峰；

[0007] 步骤S403：统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法（OTSU）确定直方图分割阈值，从而得到R峰阈值；

[0008] 步骤S404：取高于阈值的R峰；

[0009] 步骤S405：根据人体极限心率范围，确定R峰间隔阈值，过滤间隔小于间隔阈值的R峰，得到最终的R峰。

[0010] 进一步地，所述步骤S403中的最大类间方差法，设直方图的最佳阈值为Ｔ，Ｔ将直方图分为前景和背景，其中前景区间数量占比为 ，平均分布值为 ；背景区间占比为 ，平均分布值为 ；则直方图的平均分布值为 ，类间方差为，穷举T计算所有的类间方差，使方差最大的T就是分割阈
值，即R峰阈值。

[0011] 一种基于直方图的自适应阈值R峰检测的心律分类方法，包括如下步骤：

[0012] 步骤S101：获取待检测人员的心电信号；

[0013] 步骤S102：对心电信号进行数据预处理，得到预处理后的心电信号；

[0014] 步骤S103：提取预处理后的心电信号特征指标，包括如下步骤：

[0015] 步骤S301：通过预处理后的心电信号，采用所述的基于直方图的自适应阈值R峰检测方法，检测R峰；

[0016] 步骤S302：根据R峰值，计算时域特征，再将时域特征转换为频域特征，并将时域特征和频域特征作为心电信号特征指标；

[0017] 步骤S104：将心电信号特征指标输入心电识别模型获得心律分类结果。

[0018] 进一步地，所述步骤S302中，时域特征包括心率（R峰数量/时长）和心率变异性HRV指标，两者的计算均需要提取R峰的位置，其中，心率变异性HRV指标包括窦性心搏R‑R间期标准差和相邻NN之差>50ms的个数占总窦性心搏个数的百分比。

[0019] 进一步地，使用庞加莱图（poincare）评价R‑R间期，提取时域特征，庞加莱图的X轴表示当前心脏节拍的持续时间，Y轴表示下一个节拍的持续时间，XY轴上的散点近似椭圆分布，根据散点拟合椭圆，椭圆长轴标准差代表短期变异性，一般反映副交感神经活性，短轴标准差代表长期变异性，与交感神经活性关联程度比副交感神经活性更强，计算椭圆长轴标准差、短轴标准差和面积，作为庞加莱图的特征。

[0020] 进一步地，所述步骤S302中，使用差值散点图提取时域特征，差值散点图的X轴表示当前心脏节拍的持续时间与上一个心脏节拍的持续时间的差，Y轴表示下一个心脏节拍的持续时间与当前心脏节拍的持续时间的差，A++代表处于差值散点图第一象限的点的数量，表示两个连续的心动间隔增加，心率减小，代表副交感神经活性，B‑‑代表处于第三象限的点的数量，表示两个连续的心动间隔减小，心率增加，代表交感神经活性，计算A++和B—两个特征，作为差值散点图的特征。

[0021] 进一步地，所述步骤S302中，通过快速傅里叶变换将时域特征转为频域特征，在频域特征下，计算低频能量、高频能量及两者的比值作为心电信号的频域特征。

[0022] 进一步地，所述步骤S102包括如下步骤：

[0023] 步骤S201：通过低通滤波器，滤除心电信号中的高频信号；

[0024] 步骤S202：通过带阻滤波器，滤除心电信号中的工频干扰；

[0025] 步骤S203：通过高通滤波器，滤除心电信号中的基线漂移；至此大部分心电频率范围外的噪声已滤除，剩下频率范围重叠的噪声；

[0026] 步骤S204：对心电信号进行小波阈值去噪；首先使用小波变换将心电信号分解成不同的尺度，在每一个尺度下去除属于噪声的小波系数，保留并增强属于心电信号的小波系数，最后使用小波逆变换恢复心电信号；使用Daubechies‑4（db4）作为小波生成函数，阈值为 ；

[0027] 步骤S205：经验模态分解滤除肌电噪声；通过经验模态分解，将心电信号分解为多个本征模函数，各个本征模函数包含心电信号在不同时间尺度的局部特征信息，删除局部特征信息中的一组高频信号，得到预处理后的心电信号。

[0028] 进一步地，所述步骤104中，采用随机森林的方法构建心律分类模型，随机森林包括多个决策树，在构建决策树时，从心电信号特征指标训练数据中，有放回的随机选取一部分特征指标作为样本和一部分样本特征进行训练，由于每棵树使用的样本和样本特征都不相同，训练出的结果也不相同，对于一个输入样本，N棵树会有N个分类结果，随机森林集成了所有的心律分类投票结果，将投票次数最多的心律类别指定为最终的输出。由于综合了多棵树的结果，相比于神经网络的方法更不容易过拟合，且具有更好的解释性，计算成本也更低。

[0029] 一种基于直方图的自适应阈值R峰检测的心律分类装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现所述的基于直方图的自适应阈值R峰检测的心律分类方法。

[0030] 本发明的优势和有益效果在于：

[0031] 本发明的基于直方图的自适应阈值R峰检测、心律分类方法及装置，基于直方图统计的自适应阈值R峰检测方法，提高了检测效率、检测准确率，具有更好的适应性，同时采用随机森林对心电信号进行心律分类，避免了过拟合，提高了解释性，降低了计算成本，同时提高了心律分类的准确性，在公开的心电数据集PTB‑XL上的F1指标为82.4%，可作为心电图分类的辅助参考。

附图说明

[0032] 图1是本发明实施例中心律分类方法的流程图。

[0033] 图2是本发明实施例中心电信号预处理流程图。

[0034] 图3是本发明实施例中心电信号特征提取流程图。

[0035] 图4是本发明实施例中基于直方图的自适应阈值R峰检测方法流程图

[0036] 图5是本发明实施例中R峰数量分布直方图。

[0037] 图6a是本发明实施例中差分阈值法在第一种心电图上的R峰检测效果。

[0038] 图6b是本发明实施例中Pan‑Tompkin法在第一种心电图上的R峰检测效果。

[0039] 图6c是本发明实施例中基于直方图的自适应阈值R峰检测法在第一种心电图上的R峰检测效果。

[0040] 图6d是本发明实施例中差分阈值法在第二种心电图上的R峰检测效果。

[0041] 图6e是本发明实施例中Pan‑Tompkin法在第二种心电图上的R峰检测效果。

[0042] 图6f是本发明实施例中基于直方图的自适应阈值R峰检测法在第二种心电图上的R峰检测效果。

[0043] 图6g是本发明实施例中差分阈值法在第三种心电图上的R峰检测效果。

[0044] 图6h是本发明实施例中Pan‑Tompkin法在第三种心电图上的R峰检测效果。

[0045] 图6i是本发明实施例中基于直方图的自适应阈值R峰检测法在第三种心电图上的R峰检测效果。

[0046] 图7a是本发明实施例中心电图分类模型精度箱型图（5折交叉验证）。

[0047] 图7b是本发明实施例中心电图分类模型召回率箱型图（5折交叉验证）。

[0048] 图7c是本发明实施例中心电图分类模型F1指标箱型图（5折交叉验证）。

[0049] 图8是本发明实施例中装置的结构示意图。

具体实施方式

[0050] 以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

[0051] 如图1所示，基于直方图的自适应阈值R峰检测的心律分类方法，包括如下步骤：

[0052] 步骤S101：获取待检测人员的心电信号；

[0053] 步骤S102：对心电信号进行数据预处理，得到预处理后的心电信号；

[0054] 正常心电信号的频率在0.01Hz到100Hz之间，而实际采集到的心电信号主要会受到三种类型的噪声干扰：工频干扰、基线漂移和肌电噪声，因此需要去除噪声，去除噪声的方法如图2所示，包括如下步骤：

[0055] 步骤S201：通过低通滤波器，滤除心电信号中的高频信号；

[0056] 本发明实施例中，滤波器使用了巴特沃斯（Butterworth）滤波器，它是最为常用的滤波器，其特点是通频带的频率响应曲线最平滑，使用巴特沃斯低通滤波器滤除频率大于100Hz的高频噪声；

[0057] 步骤S202：通过带阻滤波器，滤除心电信号中的工频干扰；

[0058] 本发明实施例中，使用巴特沃斯带阻滤波器滤除50Hz左右的工频干扰；

[0059] 步骤S203：通过高通滤波器，滤除心电信号中的基线漂移；

[0060] 本发明实施例中，使用巴特沃斯高通滤波器滤除低于0.25Hz的低频噪声，从而解决基线漂移的问题；至此大部分心电频率范围外的噪声已滤除，剩下频率范围重叠的噪声；

[0061] 步骤S204：对心电信号进行小波阈值去噪；首先使用小波变换将心电信号分解成不同的尺度，在每一个尺度下去除属于噪声的小波系数，保留并增强属于心电信号的小波系数，最后使用小波逆变换恢复心电信号；

[0062] 本发明实施例中，使用Daubechies‑4（db4）作为小波生成函数，阈值为 ；

[0063] 步骤S205：经验模态分解滤除肌电噪声；通过经验模态分解，将心电信号分解为多个本征模函数，各个本征模函数包含心电信号在不同时间尺度的局部特征信息，删除局部特征信息中的一组高频信号，得到预处理后的心电信号。

[0064] 本发明实施例中，使用经验模态分解（Empirical Mode Decomposition，EMD）将心电信号分解为有限个本征模函数（Intrinsic Mode Function，IMF），分解出来的各个IMF分量包含了原信号的不同时间尺度的局部特征信息，舍弃前两个高频信号，便能将大部分肌电噪声滤除掉，得到预处理后的心电信号。

[0065] 步骤S103：提取预处理后的心电信号特征指标，如图3所示，包括如下步骤：

[0066] 步骤S301：通过预处理后的心电信号，采用基于直方图的自适应阈值R峰检测方法，检测R峰，如图4所示，包括如下步骤：

[0067] 步骤S401：计算预处理后的心电信号的最大值与最小值，若最小值的绝对值大于最大值，则将预处理后的心电信号进行水平翻转；

[0068] 步骤S402：提取所有预处理后的心电信号的极大值，作为候选的R峰；

[0069] 步骤S403：统计R峰的直方图分布；根据人体极限心率范围及心电信号时长，确定R峰的数量范围，并截取相应的直方图范围；根据最大类间方差法（OTSU）确定直方图分割阈值，从而得到R峰阈值；如图5所示，纵轴表示频数（直方图中落在当前区间的R峰个数），横轴表示R峰数量，两条实线之间为根据人体极限心率范围及心电信号时长确定R峰的数量范围，虚线处为根据最大类间方差法确定的分割阈值；

[0070] 最大类间方差法一般用于确定图像二值化分割阈值，算法假设图像能根据一个全局阈值来区分背景和前景，分别计算背景和前景灰度值的方差，求解使得方差最大的阈值，本质上是直方图阈值分割。本发明实施例中，设直方图的最佳阈值为Ｔ，Ｔ将直方图分为前景和背景，其中前景区间（bin）数量占比为 ，平均分布值为 ；背景bin占比为 ，平均分布值为 ；则直方图的平均分布值为 ，类间方差为，穷举T计算所有的类间方差，使方差最大的T就是分割阈
值，即R峰阈值；

[0071] 步骤S404：取高于阈值的R峰；

[0072] 步骤S405：根据人体极限心率范围，确定R峰间隔阈值，过滤间隔小于间隔阈值的R峰，得到最终的R峰。

[0073] 图6a至图6i，纵轴ecg（心电图）表示心电信号的电压值（mV），横轴表示时间（s），分别是差分阈值法、Pan‑Tompkins（由Pan和Tompkins等人首次提出的具有自适应性的双阈值QRS波检测算法）法和本发明的基于直方图的自适应阈值R峰检测，在三种具有明显不同的心电特征的心电图上的检测效果对比，其中“R”为R峰。上面三个对比图中，Pan‑Tompkins法有较多的错误检测，其他两种算法检测检测无误；中间三个对比图中，差分阈值法有很多漏检，Pan‑Tompkins法有一个漏检的R峰；下面三个对比图中，差分阈值法有很多错误的检测，其他两种算法检测检测无误。

[0074] 表1是三种算法运行时间对比，在77136条记录中做了平均，可见差分阈值法最快，其次是基于直方图统计的自适应阈值法，效率相当，最慢的是Pan‑Tompkins法，相差一个数量级。

[0075] 表1 三种R峰检测算法平均运行时间对比表

[0076] 算法 差分阈值法 Pan‑Tompkins法 基于直方图统计的自适应阈值法平均运行时间（ms） 5.73 106.62 6.84

[0077] 步骤S302：根据R峰值，计算时域特征，再将时域特征转换为频域特征，并将时域特征和频域特征作为心电信号特征指标；

[0078] 时域特征包括心率（R峰数量/时长）和心率变异性HRV指标，两者的计算均需要提取R峰的位置；

[0079] 其中，心率变异性HRV指标包括窦性心搏R‑R间期标准差和相邻NN之差>50ms的个数占总窦性心搏个数的百分比。

[0080] 使用庞加莱图（poincare）评价R‑R间期，庞加莱图的X轴表示当前心脏节拍的持续时间，Y轴表示下一个节拍的持续时间，XY轴上的散点近似椭圆分布，根据散点拟合椭圆，椭圆长轴标准差代表短期变异性，一般反映副交感神经活性，短轴标准差代表长期变异性，与交感神经活性关联程度比副交感神经活性更强，计算椭圆长轴标准差、短轴标准差和面积，作为庞加莱图的特征；

[0081] 差值散点图的X轴表示当前心脏节拍的持续时间与上一个心脏节拍的持续时间的差，Y轴表示下一个心脏节拍的持续时间与当前心脏节拍的持续时间的差，A++代表处于差值散点图第一象限的点的数量，表示两个连续的心动间隔增加，心率减小，代表副交感神经活性，B‑‑代表处于第三象限的点的数量，表示两个连续的心动间隔减小，心率增加，代表交感神经活性，计算A++和B—两个特征，作为差值散点图的特征；

[0082] 通过快速傅里叶变换将时域特征转为频域特征，在频域特征下，计算低频能量、高频能量及两者的比值作为心电信号的频域特征。

[0083] 步骤S104：将心电信号特征指标输入心电识别模型获得心律分类结果；

[0084] 采用随机森林的方法构建心律分类模型，随机森林包括多个决策树，在构建决策树时，从心电信号特征指标训练数据中，有放回的随机选取一部分特征指标作为样本和一部分样本特征进行训练，由于每棵树使用的样本和样本特征都不相同，训练出的结果也不相同，对于一个输入样本，N棵树会有N个分类结果，随机森林集成了所有的心律分类投票结果，将投票次数最多的心律类别指定为最终的输出。由于综合了多棵树的结果，相比于神经网络的方法更不容易过拟合，且具有更好的解释性，计算成本也更低。

[0085] 本发明实施例中，使用网上公开的大型心电图数据库PTB‑XL的一个子集训练模型。该子集共包含6428条临床12导联ECG记录，分类标签为：正常心律、窦性心律以及其他心律失常，数据占比分别为31.9%、24.3%和43.6%。分别对每条记录的每个导联信号去噪和提取特征，将12导联的特征拼接成一维向量，输入到随机森林。参数设置：分类器个数为1000，最大特征数为12，最大深度不限，最大叶子节点数不限，采用bootstrap采样，评价标准为基尼指数。采用5折交叉验证（将数据随机拆分为5等份，每次取其中4等份作为训练集，剩下的作为测试集，重复5次）计算模型精度、召回率和F1指标，结果如图7a至图7c及表2所示，平均精度为82.6%，召回率为82.2%，F1指标为82.4%。

[0086] 使用其他R峰检测算法的模型分类效果对比如下，基于直方图统计的自适应阈值法在模型精度、召回率和F1指标上都优于差分阈值法和Pan‑Tompkins法，各项指标都在80%以上，可为心律分类提供参考依据。

[0087] 表2 三种R峰检测算法模型对比

[0088]算法 差分阈值法 Pan‑Tompkins法 本发明的心律分类方法
平均精度 60.54% 80.20% 82.6%
平均召回率 55.18% 80.23% 82.2%
平均F1指标 54.07% 80.19% 82.4%

[0089] 与前述基于直方图的自适应阈值R峰检测的心律分类方法的实施例相对应，本发明还提供了基于直方图的自适应阈值R峰检测的心律分类装置的实施例。

[0090] 参见图8，本发明实施例提供的基于直方图的自适应阈值R峰检测的心律分类装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的基于直方图的自适应阈值R峰检测的心律分类方法。

[0091] 本发明基于直方图的自适应阈值R峰检测的心律分类装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本发明基于直方图的自适应阈值R峰检测的心律分类装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

[0092] 上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

[0093] 对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0094] 本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于直方图的自适应阈值R峰检测的心律分类方法。

[0095] 所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

[0096] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。