CN102085095A - 一种检测心电图中st段的方法、系统和心电检测仪器 - Google Patents

Abstract

本发明适用于人体心电检测领域，提供了一种检测心电图中ST段的方法、系统和心电检测仪器，所述方法包括下述步骤：提取心电信号的特征值，所述特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点；根据所述特征值，利用森林回归算法预测J点的位置；根据所述预测的J点位置，计算心电图中ST段的特征值。本发明可以极大地提高J点的正确率，在检测J点的正确率增高以后，短暂性心肌缺血的检测正确率也得到了很大的升高，通过实验对标准长时ST段数据库进行了测试，其正确率为96.86％。

Description

一种检测心电图中ST段的方法、系统和心电检测仪器

技术领域

本发明属于人体心电检测领域，尤其涉及一种检测心电图中ST段的方法系统和心电检测仪器。

背景技术

心电图(Electrocardiogram，ECG)中的ST段对应于心脏电活动中的心室早期复极化过程，正常情况下应该与基线等电位，如果心脏某部位发生缺血，一般会在对应导联的ST段上有所反映，所以目前一般采用通过ST段电平变化进行分析来判断是否发生心肌缺血，尤其是对于无症状心肌缺血(Silentmy-ocardial ischemia，SMI)的判断，有着重要的意义，因为SMI往往是一些严重的心脏事件如心肌梗塞的前兆。

对于心肌缺血的检测，由于检测时间很短(一般为15秒，一般不超过5分钟)，所以很容易漏检，所以需要一种动态心电图长时间实时，并且使用简便的监护系统，可以比较准确的检测到心肌缺血发生的时间、持续时间以及严重程度。但是，也正是由于动态心电图监护系统一般检测时间较长，如果所记录的心电图信号完全由医生来读取、分析和诊断，需要很长时间，而且一般情况下，心肌缺血不可能持续发生，一般在24/48小时的记录中会发生在几个时间片段中。如果能将有问题的几个时间片段准确的检测出来，提供给医生，由医生来快速读取原始ECG信号，然后结合病人的其他临床表现做出相应的诊断，这将大大减轻医生的工作量和提高诊断的准确度。另外，由于本系统提供实时的监护系统，如果检测出心肌缺血情况严重的情况，可以立即采取相应的急救措施。

现在已经存在了很多动态的心电图分析系统，大致的步骤如下：

第一步：ECG信号数据采集和预处理：主要完成前端信号获取、信号放大、去除噪声和基线漂移等功能。由于智能检测、现代信号处理等技术的成熟发展，在心脏病自动诊断系统中这一部分是相对较容易实现的环节。

第二步：一次特征提取：即ECG波形参数的识别，详见图1所示，如获得各波形的形状特征、幅度、宽度等数据，识别波群、判断波峰与波谷位置关系等，这部分是整个系统的基础和关键环节之一，其准确性和可靠性将直接影响最终的诊断结果。分析表明，探索新方法以提高ECG特征提取的准确性是改善系统自动诊断性能、扩大其应用范围的根本途径，作为前端的ECG信号特征提取，这一部分应该提供尽可能多而准确的ECG波形信息。

第三步：二次特征提取：主要是根据需要检测的病症的特征，并依据第一次特征提取的结果进行计算得到的新的特征，比如正对心肌缺血事件，其中我们可以根据第一次特征提取得到J点的位置，以及J点80ms的位置，根据这两个特征量，我们可以计算出ST段的特征量，其中ST段的特征量就是一个二次特征提取量。

第四步：心电模式自动识别与诊断：目前，已经有大量的工作在上面，例如参量建模、规则集合、神经网络和遗传算法等等，可以看出采用人工智能的方法得到的正确率要比传统的方法好的多，也有大量的分类算法进行了实验，最终的实验结果表明采用关联规则方法进行心肌缺血的检测结果最优(正确率)。结合其他项目的检查情况以及患者相关临床症状、家族病史等资料，融入有关的临床诊断经验知识，迅速准确地实现病情、病况的定位，最后给出诊断结果的具体描述。

通过临床长期使用的经验、以及反复的试验，我们发现，检测心肌缺血的瓶颈在于一次特征提取量J点的判断上，一个很重要的原因就是这个特征量在图像上的特征不是很明显，但是J点在判断的病理上的意义是非常重要的。J点作为QRS波群的结束点，和ST段的起始点，在心电图的分析和判断中起着十分重要的作用，尤其是对于和QRS波的形态以及ST段相关的病症的判断起着尤为重要的作用。实际上，我们在考虑心肌缺血病症的时所选取的特征量，一般为ST偏差(deviation)，ST的斜率(slope)，以及ST的面积(area)。其中：

ST偏差的值为：J点80的纵坐标值

ST斜率的值为：(J点80的纵坐标值-J点的纵坐标值)/(J点80的横坐标-J点的横坐标值)。

通过上面的分析我们可以发现，最重要的工作其实是对J点的分析。但是一直以来关于J点的研究一直是个空白。在目前工作中，J点的检测判断都只作为QRS波群结束点来进行分析和判断的，而最终的统计QRS波群检测正确率的方法，还是通过比较R波的数量和心跳数来决定的，所以说这个正确率实际上只能大致的统计R波检测的正确率，而这个正确率显然不能等同于J点的正确率，也就是说我们在分析和判断一些以J点为基础的病症，实际上都是在不确定J点正确率的情况下进行分析和判断的。

发明内容

本发明的目的在于提供一种检测心电图中ST段的方法，旨在解决现有的检测方法对J点的位置判断不够准确，导致心肌缺血病症的检测正确率低的问题。

本发明是这样实现的，一种检测心电图中ST段的方法，所述方法包括下述步骤：

提取心电信号的特征值，所述特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点；

根据所述特征值，利用森林回归算法预测J点的位置；

根据所述预测的J点位置，计算心电图中ST段的特征值。

本发明的另一目的在于提供一种检测心电图中ST段的系统，所述系统包括：

特征值提取单元，用于提取心电信号的特征值，所述特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点；

J点位置预测单元，用于根据所述特征值提取单元提取的特征值，利用森林回归算法预测J点的位置；

ST段特征值计算单元，用于根据所述J点位置预测单元预测的J点位置，计算心电图中ST段的特征值。

本发明的另一目的在于提供一种心电检测仪器，所述心电检测仪器包括如上所述的检测心电图中ST段的系统。

在发明中，先对原始ECG信号进行基线漂移和去工频干扰处理，处理后从中提取特征值，然后根据所提取的特征值利用随机森林回归模型来正确地估计J点，最后根据所得到的J点的位置来计算ST段的各个特征值，并根据这些特征值应用相关规则挖掘算法对心肌缺血事件进行预测，可以极大地提高J点的正确率，在检测J点的正确率增高以后，短暂性心肌缺血的检测正确率也得到了很大的升高，通过实验对标准长时ST段数据库进行了测试，其正确率为96.86％。

附图说明

图1是本发明实施例提供的检测心电图中ST段的方法的实现流程图；

图2是本发明实施例提供的心电图的波形示意图；

图3是应用本发明实施例提供的心电检测方法检测心肌缺血病症的正确率的结果示意图；

图4是本发明实施例提供的检测心电图中ST段的系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。

在本发明实施例中，先对原始ECG信号进行基线漂移和去工频干扰处理，处理后从中提取特征值，然后根据所提取的特征值利用随机森林回归模型来正确地估计J点，可以极大地提高J点的正确率，最后根据所得到的J点的位置来计算ST段的各个特征值，将这些特征值应用相关规则挖掘算法对心肌缺血事件进行预测，在检测J点的正确率增高以后，短暂性心肌缺血的检测正确率也得到了很大的升高，通过实验对标准长时ST段数据库进行了测试，其正确率为96.86％。

图1示出了本发明实施例提供的心电检测的实现流程，详述如下：

在步骤S101中，对原始ECG信号进行基线漂移和/或去工频干扰处理，得到预处理后的ECG信号。

作为本发明的一个实施例，首先使用中值滤波器对原始的ECG信号进行基线漂移的处理得到信号S1，再用滑动平均滤波法对信号S1进行处理，去掉原始ECG信号所含有的50hz的工频干扰，得到预处理后的ECG信号。具体过程如下：

第一步：对去掉基线漂移后得到的ECG信号进行采样，把N个采样得到的测量数据看成一个队列，队列的长度固定为N；

第二步：每进行一次新的采样，把新采样得到的测量数据放入队尾，而去掉原来队首的一个测量数据，这样在队列中始终有N个“最新”的测量数据。

第三步：将队列中的数据进行算术平均，得到新的滤波值，这样每进行一次采样，就可得到新的滤波值，该滤波值即为处理后得到的ECG信号。

这种滤波算法称为滑动平均滤波法，其数学表达式为：

${\stackrel{\‾}{X}}_n=\frac{1}{N}\underset{i-0}{\overset{N-1}{\mathrm{\Σ}}}{X}_{n-i}.$

式中，X_n为第n次采样经滤波后的输出。N值较大时：信号平滑度较高，但灵敏度较低；N值较小时：信号平滑度较低，但灵敏度较高。在本发明实施例中，N＝心电数据采样频率/工频干扰频率＝6，这样预处理以后的数据的好处为对周期性干扰有良好的抑制作用，平滑度高，并且可适用于高频振荡的系统。

在步骤S102中，获取预处理后的ECG信号特征值。

作为本发明的一个实施例，在进行基线漂移和去工频干扰处理以后的ECG信号提取最重要的特征值R波，在本实施例中，首先是由Pan和Tompkins提出的一种实时QRS复波检测算法来提取最重要的特征值R波。该算法首先对进行基线漂移和去工频干扰处理以后的ECG信号进行由各种滤波器级联而成的带通滤波器进行滤波处理，随后对滤波后的信号进行微分、均方和时域平均。

具体过程如下所述：

第一步，使用由级联的低通滤波器和高通滤波器构成的带通滤波器对ECG信号进行滤波，这种滤波器能分离中心频率在10Hz处的QRS成分，削弱了具有低频特征的P波和T波以及基线漂移，同时也削弱了与肌电噪声和电源线干扰有关的高频分量。

第二步，进行微分，找出高斜率，高斜率是QRS复波与其他ECG波形的区别。为了实现这种运算，所有的处理都通过线性数字滤波器来完成。

第三步，进行非线性变换，将ECG信号采样点逐点均方运算。这种转换是为了使用ECG数据在后续的微分时为正值，同时增强了微分信号中的高频分量，这些高频分量通常就是QRS复波的特征。

第四步，将ECG信号通过一个移动窗口的积分器，借助自适应阈值进行初步检测，检测该波形是否为QRS复波，若是QRS复波，则可计算出该复波的最高点R点。

关于R波以外的特征的确定主要是通过它们与R波之间相对的距离来确定的。其中，特征值S点是S点距离R点横坐标的偏移量，特征值T点是T点距离R点横坐标的偏移量，特征值P点是P点距离R点横坐标的偏移量，特征值Q点是Q点距离R点横坐标的偏移量。T波的T点为RR间期的3/20处至2/5处幅值最大的点，P波的P点为RR间期的3/4处至17/20处幅值最大的点，S点为RR间期的1/50处至3/20处幅值最小的点，Q点为RR间期的17/20处至19/20处幅值最小的点。这样处理结果使得，如果检测R波的正确率比较高的情况下，对其它波的处理也可以得到较高的正确率。

经过以上各步之后，我们得到的特征如下：

P点：P波的最高点

Q点：QRS的起始点

R点：R波的最高点

S点：QRS的结束点

T点：T波的最高点。

具体可以参照图2。

其中，还需要计算的特征值是：T波的高度：是指纵坐标的的数值，还可以判断是否倒置；

PPInter：PP之间的间期；

RRinter：RR之间的间期；

PFlag：P点和基线比较的数值，用来判断P波是否倒置；

BaseY：基线位置的纵坐标；

另外还有三个参量为经验值，认为应该和J点有关系，分别为M点、N点以及M+80点，具体的获取方法是：

M点：从RR间期开始处至RR间期的1/16处，取第一个幅值低于基线的点后移5/2倍的距离的点作为M，若无，则取RR/16处作为M点。

N点：iTH为T波的高度，iLT为T波顶点与ST段起点的距离，设tana＝iTH/iLT。

若tan a＜＝2/5，则N点为M点与T波顶点距离的7/10处。

若2/5＜tan a＜3/4，则N点为M点与T波顶点距离的8/10处。

若tan a＜＝3/4，则N为M点与T波顶点距离的5/10处。

Baseline：RR/2-RR*3/4的平均值，这主要是由于baseline在这一段比较稳定便于确定。

在步骤S103中，根据所获取的预处理后的ECG信号的特征值，利用森林回归算法预测J点的位置。

随机森林是一种组合分类器方法，构成随机森林的基本分类器是决策树。决策树是一种树型结构，它是一种由结点和有向边组成的层次结构，树中包含3种结点：根结点、内部结点、以及终结点。决策树仅有一个根结点，是全体训练数据集合。树中的每个内部结点代表对某个属性的一次测试，一条边代表一个测试结果。每个内部结点是一个分割问题，它将到达该结点处的样本按某个特定属性分块。每个终结点(又称为叶结点)是带有分类标签的数据集合。从决策树的根结点到叶结点的一条路径就形成一个判别规则。决策树算法采用自顶向下的贪婪算法，每个内部结点选择分类结果最好的属性将到达该结点的数据分成2块或者更多块，继续这个过程直至这棵树能准确的分类全部训练数据。决策树算法的核心问题是选择较优的分割属性。选择分割属性的标准很多，例如信息增益、信息增益比、Gini索引等，对应不同的属性选择方法决策树算法有ID3、C4.5、CART等。

本发明中决策树算法与分类与回归树CART算法相似，其分割属性的选择以Gini指数为指标。Gini指数是一种不纯度分割方法，它能适用于类别、二进制、连续数值等类型的字段。具体算法思想是：假设某结点t处的数据样本集合r包含k个类别的记录，当Gini(S)最小为0时，即在此结点处所有样本都属于同一类别，表示能得到最大的有用信息；当此结点中的所有样本对于类别字段来说均匀分布时，Gini(t)最大，此时的有用信息最小。如果集合分成z个部分，那么进行这个分割的Gini指数就是：

Gini(S)＝1-∑Pj*Pj。

Gini指数的基本思想是：对于每个属性都要遍历所有可能的分割方法，若能提供最小的Gini值m，就被选择作为此结点处分割的标准；此时再按对应的属性值来分割，并且根据每一个属性值创建树枝；进一步向下划分样本，直到满足停止条件，例如单个叶结点上的样本都属于同一类或者叶结点的纯度(即该结点处包含某类样本的频数)满足某个阈值范围。预先设定阈值，当叶结点纯度超过阈值时停止划分，这个过程相当于对树进行剪枝。

随机森林重复上述的建树过程构建多个决策树的组合。首先设定森林中有多棵树，即有多个决策树分类器，且全体训练数据的样本总数为W。使用bagging方法，即通过从全体训练样本中随机地抽取v个样本，形成单棵决策树的训练集。重复M次这样的抽样过程分别得到M棵决策树的学习样本。除了单棵决策树的学习样本是随机产生的，随机森林还将随机性加入到每棵树的生成过程之中。设样本共有Q个属性，事先给定q＜Q(q通常取Q的平方根)，在选择每个结点的分割属性时，并不对所有的属性进行比较，而是从全体属性中随机选择q个属性进行比较，选择其中分类结果较好的属性进行分割。这样可以增加每棵树之问的差异度，从而提高森林的泛化误差。单棵决策树建造过程不进行剪枝，森林形成之后，对于一个新的样本，每棵树都得出相应的分类结论，最后由所有树通过简单多数投票决定分类结果。与其它组合分类技术相比较，当树的数目相当大时，随机森林并不易出现过拟合的现象。可以证明，其泛化误差的上界小于P(1一s2)/s2，其中；是树之间的平均相关系数(代表各分类树之间的相关程度)，s是单棵树的分类效能。

在本发明实施例中，随机森林中的树木个数为10，每一次分裂点的时候随机的选择属性的个数为4，属性的总数目是13，分别是R波、RRInter、RR2InterR、P、Q、S、T、Pflag、PPInter、T波的高度、M、N以及baseline，将该13个属性应用到随机森林回归算法中即可预测J点的位置。

具体的过程是：

1)用N来表示样本的总数(比如说一个一天的心电信号的个数为10)，M表示属性的数目(M＝13)。

2)我们会选择一个数目m，用来选择时会使用到多少个属性，数值m应该小于M。(比如，在本实施例中，在选择随机森林算法的时候，选择了参数m＝4)。

3)从N个总体样本中进行可重复取样的方式，取样N次，形成一个大小为N的训练样本集合S(即bootstrap取样)。

4)对于每一个节点，随机选取m(我们的选择就是4)个属性选择一个最佳分裂点。

其中最佳分裂点的具体选择方式为：

在各级结点上选择属性时，用信息增益(information gain)作为属性的选择标准，以使得在每一个非叶结点进行测试时，能获得关于被测试记录最大的类别信息。

其具体方法是：检测所有的属性，选择信息增益最大的属性产生决策树结点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树结点的分支，直到所有子集仅包含同一类别的数据为止，最后得到一棵决策树，它可以用来对新的样本进行分类。

某属性的信息增益按下列方法计算：通过计算每个属性的信息增益，并比较它们的大小，就不难获得具有最大信息增益的属性。

设S是s个数据样本的集合。假定类标号属性具有m个不同值，定义m个不同类Ci(i＝1，...，m)。设si是类Ci中的样本数。对一个给定的样本分类所需的期望信息由下式给出：

其中pi＝si/s是任意样本属于Ci的概率。注意，对数函数以2为底，其原因是信息用二进制编码。设属性A具有v个不同值{a1，a2，......，av}。可以用属性A将S划分为v个子集{S1，S2，......，Sv}，其中Sj中的样本在属性A上具有相同的值aj(j＝1，2，......，v)。设sij是子集Sj中类Ci的样本数。由A划分成子集的熵或信息期望由下式给出：

$\mathrm{Entropy}\left(S\right)\≡-p_{\⊕}{\log }_2{p}_{\⊕}-p_{\mathrm{\θ}}{\log }_2{p}_{\mathrm{\θ}}$

熵值越小，子集划分的纯度越高。对于给定的子集Sj，其信息期望为其中pij＝sij/sj是Sj中样本属于Ci的概率。在属性A上分枝将获得的信息增益是

Gain(A)＝I(s1，s2，...，sm)-E(S)

最后选择Gain的最大值为叶子节点。

5)每一个树的成长都采用不剪枝的生长方式(Pruning)。

在步骤S104中，根据所预测的J点位置，计算ST段的特征值。

考虑心肌缺血病症的时所选取的特征量，一般为ST偏差(deviation)，ST的斜率(slope)，以及ST的面积(area)。其中：

ST偏差的值为J点80的纵坐标值；

ST斜率的值为：(J点80的纵坐标-J点的纵坐标)/(J点80的横坐标-J点的横坐标)。

作为本发明的一个应用，计算出ST段的特征值后，可以通过关联规则检测出该患者是否出现心肌缺血。关联规则挖掘是寻找在同一个事件中出现的不同项的相关性，即找出事件中频繁发生的项或属性的所有子集，以及它们之间应用相互关联性。关联规则的挖掘一般可分成两个步骤：

1)找出所有支持度大于等于最小支持度阈值的频繁项集FI(FrequentItem-set)；

2)由频繁项集生成满足置信度阈值的关联规则。

本发明实施例使用关联规则来检测心肌缺血，主要考虑的生理参数有两个：也就是ST段和T波。

ST段：从QRS波群终了至T波开始之间的一段为心室完全除极而尚未复极的状态所占用的时间。此时无电位变化，故正常人的ST段大多处在基线水平，正常任一导联ST向下偏移都不应超过0.05毫伏。

T波位于ST段之后，是一个比较低而占时较长的波，代表心室激动后的恢复过程，由心室肌的恢复产生。T波平滑宽大，它由上升支和下降支构成。上升支的上升速度较慢，而下降支下降较快，故上、下两支不对称。T波应与主波Q(RS的主峰波)方向一致，正常情况下，在R波较高的导联上T波不应低于R波振幅的1/10。

所以此时使用的特征量为：

F1，J点

F2：J点80ms处

F3：ST段的斜率

F4：T波最高点

F5：心率值

通过关联规则，根据特征量F1、F2、F3、F4的值即可获得特征量F5，检测出该患者是否出现心肌缺血。最终的结果为正确率是96.8573％。具体结果见图3。

图4示出了本发明实施例提供的检测心电图中ST段的系统的结构，为了便于说明，仅示出了本发明实施例相关的部分。其中，检测心电图中ST段的系统可以是内置于心电检测仪器的软件单元，硬件单元或者软硬结合的单元。在本实施例中，该检测心电图中ST段的系统包括：特征值提取单元41、J点位置预测单元42、ST段的特征值计算单元43。

其中，特征值提取单元41提取心电信号的特征值，该特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点，具体情况如上所述，在此不再赘述。

J点位置预测单元42根据特征值提取单元41提取的特征值，利用森林回归算法预测J点的位置，具体情况如上所述，在此不再赘述。

ST段特征值计算单元43根据J点位置预测单元42预测的J点位置，计算心电图中ST段的特征值，具体情况如上所述，在此不再赘述。

作为本发明的一个优选实施例，该检测心电图中ST段的系统还包括：工频干扰去除单元和/或基线漂移去除单元。

工频干扰去除单元用于去除原始心电信号的工频干扰，具体情况如上所述，在此不再赘述。

基线漂移去除单元用于去除原始心电信号中的基线漂移，具体情况如上所述，在此不再赘述。

在本发明实施例中，先对原始ECG信号进行基线漂移和去工频干扰处理，处理后从中提取特征值，然后根据所提取的特征值利用随机森林回归模型来正确地估计J点，最后根据所得到的J点的位置来计算ST段的各个特征值，可以极大地提高J点的正确率，在检测J点的正确率增高以后，根据ST段的特征值应用相关规则挖掘算法对心肌缺血事件进行预测，短暂性心肌缺血的检测正确率也得到了很大的升高，通过实验对标准长时ST段数据库进行了测试，其正确率为96.86％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种检测心电图中ST段的方法，其特征在于，所述方法包括下述步骤：

提取心电信号的特征值，所述特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点；

根据所述特征值，利用森林回归算法预测J点的位置；

根据所述预测的J点位置，计算心电图中ST段的特征值。

2.如权利要求1所述的方法，其特征在于，在所述提取心电信号的特征值的步骤之前，所述方法还包括下述步骤：

去除原始心电信号的工频干扰；和/或

去除原始心电信号中的基线漂移。

3.如权利要求2所述的方法，其特征在于，所述去除原始心电信号的工频干扰的步骤具体为：

对原始心电信号进行采样，把N个采样得到的测量数据看成一个队列，队列的长度固定为N；

将队列中的数据进行算术平均，对工频干扰进行滤波。

4.如权利要求3所述的方法，其特征在于，在所述将队列中的数据进行算术平均，对工频干扰进行滤波的步骤之后，所述方法还包括下述步骤：

对原始心电信号进行下一次采样，把新采样得到的测量数据放入队尾，并去掉原来队首的一个测量数据。

5.如权利要求1所述的方法，其特征在于，所述提取心电信号的特征值的步骤包括：

识别QRS复波，提取QRS的起始点、R波的最高点、QRS的结束点；

基线的高度为RR间期的1/2处至3/4处的采集点的平均高度值；

T波的位置为RR间期的3/20处至2/5处幅值最大的点；

P波的位置为RR间期3/4处至17/20处；

M点的位置为从RR间期开始处至RR间期的1/16处，取第一个幅值低于基线的点，再后移5/2倍的距离的点，若该点不存在，则取RR/16处作为M点；

N点的位置：若iTH为T波的高度，iLT为T波顶点与ST段起点的距离，设tan a＝iTH/iLT，若tan a＜＝2/5，则N点为M点与T波顶点距离的7/10处，若2/5＜tan a＜3/4，则N点为M点与T波顶点距离的8/10处，若tan a＜＝3/4，则N为M点与T波顶点距离的5/10处。

6.如权利要求1所述的方法，其特征在于，所述根据所述特征值，利用森林回归算法预测J点的位置的步骤包括：

设置样本的总数N，属性的数目M。

设置属性数目m，m小于M；

从N个总体样本中进行可重复取样的方式，取样N次，形成一个大小为N的训练样本集合S；

对于每一个节点，随机选取m个属性选择一个最佳分裂点；

每一个树的成长都采用不剪枝的生长方式。

7.如权利要求1所述的方法，其特征在于，所述根据所述预测的J点位置，计算心电图中ST段的特征值的步骤包括：

ST偏差的值为距离J点80ms处的纵坐标值；

ST斜率的值为：(距离J点80ms处的纵坐标-J点的纵坐标)/(距离J点80ms处的横坐标-J点的横坐标)。

8.一种检测心电图中ST段的系统，其特征在于，所述系统包括：

特征值提取单元，用于提取心电信号的特征值，所述特征值包括P波的最高点、QRS的起始点、R波的最高点、QRS的结束点、T波的最高点、T波的高度、PP之间的间期、RR之间的间期、P点和基线比较的数值、基线位置的纵坐标、M点、N点以及M+80点；

J点位置预测单元，用于根据所述特征值提取单元提取的特征值，利用森林回归算法预测J点的位置；

ST段特征值计算单元，用于根据所述J点位置预测单元预测的J点位置，计算心电图中ST段的特征值。

9.如权利要求8所述的系统，其特征在于，所述系统还包括：

工频干扰去除单元，用于去除原始心电信号的工频干扰；和/或

基线漂移去除单元，用于去除原始心电信号中的基线漂移。

10.一种心电检测仪器，其特征在于，所述心电检测仪器包括如权利要求8和9任一项所述的检测心电图中ST段的系统。

Images