CN102779234A - 一种心电图分类处理方法及装置 - Google Patents

Abstract

本发明公开了一种心电图分类处理方法。该方法包括：获取心电图中的R波的位置；根据所述R波的位置，确定体现所述心电图特征的直接特征值；将心电图以R波位置为中心分割为不同数据段；对分割的数据段进行卷积和取样，得到内部特征值；对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果。本发明相应提供一种心电图分类处理装置。本发明提供的技术方案能够输出更准确的心电图分类结果。

Description

一种心电图分类处理方法及装置

技术领域

本发明涉及医疗电子技术领域，具体涉及一种心电图分类处理方法及装置。

背景技术

心电图由心脏周期活动产生的PQRST等波形组成，是将心脏周期活动产生的电信号记录下来并按规定的格式绘制出来的图形，其中R波是心电图中最明显的一个波形。心电图已经被广泛用于心血管病的临床检查与预警，而随着远程监护的兴起，心电图分析也正在向院外、亚健康人群和长时间监护发展，从而具有自动化诊断的需求。

现有的心电图分类方法主要集中于专家知识刻画、模板匹配以及在提取后的特征上进行分类，其中包含支持向量机、规则判断、神经网络等方法。这些方法需要首先准确的识别出心电图中的各种特征点位置、各种波形幅度或者形态。然而这些特征点是与心电图波形形态有关，变化范围很大，同时受到无处不在的噪声影响，导致这些特征点难以准确找到，最后输出的分类结果也不准确，因此，希望能提供一种输出更准确结果的心电图分类处理方法，方便医生进行医疗判断。

发明内容

本发明要解决的技术问题是针对现有技术心电图分类不准确的缺陷，提供一种心电图分类处理方法及装置，能够输出更准确的心电图分类结果。

本发明提供的技术方案如下：

本发明提供一种心电图分类处理方法，包括：

获取心电图中的R波的位置；

根据所述R波的位置，确定体现所述心电图特征的直接特征值；

将心电图以R波位置为中心分割为不同数据段；

对分割的数据段进行卷积和取样，得到内部特征值；

对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果。

优选地，所述根据R波的位置，确定体现所述心电图特征的直接特征值包括：根据所述R波的位置，确定设定数目的RR间期作为直接特征值。

优选地，所述将心电图以R波位置为中心分割为不同数据段后还包括：对心电图的心电数据叠加随机噪声；

所述对分割的数据段进行卷积和取样包括：通过卷积层与取样层对分割且叠加随机噪声后的心电数据进行卷积和取样。

优选地，所述根据R波的位置，确定设定数目的RR间期作为直接特征值包括：

根据所述R波的位置，分别将R波左边的两个RR间期、右边的两个RR间期，及周围12个R波的平均RR间期，共5个RR间期作为直接特征值。

优选地，所述对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果包括：

多层感知器的隐层对所述直接特征值和内部特征值，使用第一权值矩阵进行计算；

多层感知器的逻辑回归层根据所述隐层输出的数据，使用第二权值矩阵进行计算得到心电图分类结果。

优选地，所述第一权值矩阵为[P1*P2]，其中，P1为输入节点个数，P2为输出节点个数，50<P1<2000，100<P2<2000；

所述第二权值矩阵为[P2*D]，其中D为疾病种类数目。

优选地，所述对分割的数据段进行卷积和取样，得到内部特征值包括：

通过三个卷积层与取样层对分割的数据段进行卷积和取样，

三个卷积层的核结构为[F1，1，1，C1]，[F2，F1，leadCount，C2]，[F3，F2，1，C3]，取样层结构为[1，M1]，[1，M2]，[1，M3]；

其中，F1、F2、F3为特征面数目，C1、C2、C3为卷积核，M1、M2、M3为取样系数，leadCount为输入数据的导联数目，3<F1<30，F1<F2<100，F2<F3<200，1<C1<60，1<C2<50，1<C3<40，1<M1<30，1<M2<30，M1<M2<30；

根据三个卷积层与取样层的卷积和取样结果，得到内部特征值。

本发明另一个目的是提供一种心电图分类处理装置，包括：

R波提取模块，用于获取心电图中的R波的位置；

特征提取模块，用于根据所述R波提取模块获取的R波的位置，确定体现所述心电图特征的直接特征值；

分割模块，用于将心电图以R波位置为中心分割为不同数据段；

卷积和取样模块，用于对分割的数据段进行卷积和取样，得到内部特征值；

多层感知器，用于对所述特征提取模块得到的直接特征值和所述卷积和取样模块得到的内部特征值根据预定算法进行计算，得到分类结果。

优选地，所述装置还包括：

噪声层模块，用于对分割后的心电图的心电数据叠加随机噪声，并输出给所述卷积和取样模块。

优选地，所述特征提取模块，根据所述R波的位置，确定设定数目的RR间期作为直接特征值。

上述技术方案可以看出，本发明在确定心电图的R波的位置后，是确定体现所述心电图特征的直接特征值（例如是采用RR间期作为直接特征值），并对分割的数据段进行卷积和取样，得到内部特征值，再结合直接特征值和内部特征值根据预定算法进行计算，得到分类结果，由于不再提取各种准确率不太高，容易受噪声干扰的特征值，而是直接提取准确率很高的直接特征值（例如RR间期）纳入算法进行计算，因此可以提高最后分类准确率，输出更准确的心电图分类结果，并且提高反应速度。

附图说明

图1是本发明实施例1心电图分类处理方法流程图。

图2是本发明实施例2心电图分类处理方法流程图。

图3是本发明实施例3心电图分类处理方法流程图。

图4是本发明的装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种心电图分类处理方法，能够输出更准确的心电图分类结果。以下分别进行详细说明。

本发明的技术方案是基于深层神经网络中的卷积网络方法（CNN），该方法具有很好的抗噪性、可变权值少、仿人眼架构，心电图虽然是时间序列信号，但最终是以图形方式展示给医生，因此本发明实施例方法将CNN方法应用于心电图识别，在引入CNN方法后，在结构、训练过程上进行改进，使得其可以用于心电图分类，并提高分类准确性。

在介绍具体方案之前，先对相关术语进行说明。本发明的R指心电图中的R波，RR表示两个R波之间的间期。

实施例1

图1是本发明实施例1心电图分类处理方法流程图，包括：

步骤101、获取心电图中的R波的位置；

步骤102、根据所述R波的位置，确定体现所述心电图特征的直接特征值；

该步骤可以是确定设定数目的RR间期作为直接特征值，具体的：

该步骤可以根据所述R波的位置，分别将R波左边的两个RR间期、右边的两个RR间期，及周围12个R波的平均RR间期，共5个RR间期作为直接特征值。

需说明的是，本发明只是以RR间期作为直接特征值举例说明但不局限于此，还可以是其他能准确体现所述心电图特征并且受干扰影响小的直接特征值，例如与幅度相关的直接特征值等。

步骤103、将心电图以R波位置为中心分割为不同数据段；

该步骤可以是以R波为中心，将心电图分成为左右各N/2个点的数据段，且N可以取值为784。

步骤104、对分割的数据段进行卷积和取样，得到内部特征值；

该步骤通过三个卷积层与取样层对分割的数据段进行卷积和取样，三个卷积层的核结构为[F1，1，1，C1]，[F2，F1，leadCount，C2]，[F3，F2，1，C3]，取样层结构为[1，M1]，[1，M2]，[1，M3]；其中，F1、F2、F3为特征面数目，C1、C2、C3为卷积核，M1、M2、M3为取样系数，leadCount为输入数据的导联数目，3<F1<30，F1<F2<100，F2<F3<200，1<C1<60，1<C2<50，1<C3<40，1<M1<30，1<M2<30，M1<M2<30。

步骤105、对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果。

该步骤中，多层感知器的隐层对所述直接特征值和内部特征值，使用第一权值矩阵进行计算；多层感知器的逻辑回归层对隐层输出的数据，使用第二权值矩阵进行计算得到心电图分类结果。

上述技术方案可以看出，本发明在确定心电图的R波的位置后，是确定体现所述心电图特征的直接特征值（例如是采用RR间期作为直接特征值），并对分割的数据段进行卷积和取样，得到内部特征值，再结合直接特征值和内部特征值根据预定算法进行计算，得到分类结果，由于不再提取各种准确率不太高，容易受噪声干扰的特征值，而是直接提取准确率很高的直接特征值（例如RR间期）纳入算法进行计算，因此可以提供最后分类准确率，并且提高反应速度。

实施例2

图2是本发明实施例2心电图分类处理方法流程图。

如图2所示，包括步骤：

步骤201、利用R波提取模块进行R波提取，从而从心电图中准确获得R波的位置。

步骤202、利用特征提取模块从心电图中提取直接特征值。

该步骤中根据提取的R波及位置，提取直接特征值。该实施方案中是以提取RR间期（两个R波之间的间期）作为直接特征值举例说明，也即提取该R波左边两个RR间期、右边两个RR间期以及周围12个R波的平均RR间期。该5个RR间期作为直接特征值传输给多层感知器。

相对于现有技术，该实施方案是提取直接特征值，也即提取心电图中有把握的、较重要的特征值，不需要考虑其他更多特征信息，其他特征信息容易受到干扰，准确率不高。

步骤203、利用分割模块，将心电图分成以R波为基点，N个数据长度的数据段。

该实施方案中是以R波为中心，将心电图分成为左右各N/2个点的数据段，且N可以取值为784但不局限于此。

具体在试验中是以R波为中心取得心电数据中的左右约1s数据直接作为神经网络输入，即N=784。

需说明的是，步骤202和203没有必然的顺序关系。

步骤204、将分割的数据传输给噪声层模块，该模块对心电数据叠加随机噪声，然后将叠加了随机噪声的数据传输给卷积和取样模块。

叠加的噪声包含幅度为0~A1（A1可以取值0.5mV）的0~0.5Hz低频噪声，幅度为0~A2（A2可以取值0.5mV）的33~100Hz高频噪声以及幅度为0~A3(A3可以取值0.2mV)的白噪声。

本发明增加噪声层，该层从原理上可以增加训练数据的样本数，加大样本间的变异性，从而可以使后续的神经网络能够寻找到真正的特征值，而不至于被微小、噪声、无关的细节干扰。因此，与现有技术相比，通过在训练过程中引入噪声层，可以整体上增加训练样本数，减少细节、噪声、无用的细节的信息对神经网络训练过程产生干扰。

需说明的是，该步骤为在训练时进行的操作，训练过程中需要噪声层，分割的分段数据在噪声层叠加上述的噪声，然后输入到卷积和取样模块，在测试中以及实用分类时，则跳过噪声层，即不需要该模块对心电数据叠加随机噪声，此时噪声层无效，分割的分段数据直接输入卷积和取样模块。

步骤205、卷积和取样模块的三个卷积层与取样层（卷积层和取样层A，卷积层和取样层B，卷积层和取样层C）分别对输入的数据进行卷积、取样，从而形成内部特征，并输出到多层感知器；

3个卷积层的核结构为[F1，1，1，C1]，[F2，F1，leadCount，C2]，[F3，F2，1，C3]，取样层结构为[1，M1]，[1，M2]，[1，M3]。

其中F1(3<F1<30)，F2(F1<F2<100)，F3(F2<F3<200)为特征面数目，C1(1<C1<60)，C2(1<C2<50)，C3(1<C3<40)为卷积核；M1(1<M1<30)，M2(1<M2<30)，M3(1<M2<30)为取样系数；leadCount为输入数据的导联数目。

卷积层和取样层A，卷积层和取样层B、卷积层和取样层C，可以对多导联心电数据进行处理。卷积层第一层核[F1，1，1，C1]，卷积第二层使用核[F2，F1，leadCount，C2]，卷积第三层使用核[F3，F2，1，C3]，这样安排能够很好融入多导联信息。

步骤206、多层感知器的隐层根据输入的数据使用第一权值矩阵获得输出数据。

多层感知器的隐层是个全连接层，隐层与逻辑回归层共同组成一个完整的多层感知器。隐层的输入数据是由卷积层和取样层输出的内部特征值和特征提取模块输出的直接特征值，实施方案中为RR间期。在多层感知器隐层中引入直接特征值，可以把准确而且确定的直接特征值（实施方案中指5个RR间期）放到多层感知器与内部特征一起进行分类。

多层感知器的隐层使用的第一权值矩阵为[P1*P2]，其中P1为输入的节点个数，50<P1<2000，P2为该层输出节点个数，100<P2<2000。实施方案中，P1可以取值为400+5，P2可以取值为500，其中的5指5个RR间期特征。

步骤207、多层感知器的逻辑回归层根据隐层输出的数据使用第二权值矩阵进行最后的分类。

该步骤中，多层感知器的逻辑回归层接收隐层输出的数据作为输入数据，使用第二权值矩阵进行最后的分类。

多层感知器的逻辑回归层使用的第二权值矩阵为[P2*D]，其中D为疾病种类数目，在实施中为正异常分类，D可以取值为2，P2可以取值为500。

步骤208、根据多层感知器的逻辑回归层的处理得到最终的分类结果。

以下结合实际应用的情况具体介绍实施例3。

实施例3

实施例3是以MIT-BIH（研究心律失常的数据库）与CCDD（中国心血管疾病数据库）心电数据上的正异常分类为例：

图3是本发明实施例3心电图分类处理方法流程图，包括：

步骤301、R波提取模块利用R波检测方法提取心电图中R波位置。

心电图R波检测方法为：其首先以带通滤波器对输入的心电图信号进行滤波并进行相位补偿，之后进行差分处理，再采用线性变化对差分信号进行数据整理，其后使用公式d(n)*d(n)*log(d(n)*d(n))进行香农能量转换，并使用平均滤波器滤波并进行相位补偿，而后检测极大点、极小点，排除假R点，纠正误排除点，得到近似R波位置，最后在该近似R波位置周围±25点范围内寻找到真正R位置。更具体的内容可以参见专利申请号为201110307270.3的专利文献。

需说明的是，也可以采用其他检测方法，只要能提取心电图中R波位置即可。

步骤302、特征提取模块通过计算确定5个RR间期作为直接特征值。

特征提取模块分别计算R波左边的两个RR间期，然后再计算R波右边的两个RR间期，之后计算周围12个R波的平均RR间期。这5个RR间期作为直接特征值共同传输给多层感知器进行分类。

步骤303、分割模块对心电图以R波为中心进行划分，取784点；

该步骤中是以R波为中心，将心电图分成为左右各N/2个点的数据段，且N可以取值为784但不局限于此。

步骤304、噪声层模块给心电图的心电数据增加噪声。

具体可以增加三种噪声：不超过0.5mV的0~0.5Hz以及相位全部随机的低频噪声，不超过0.5mV的33~75Hz以及相位随机的高频噪声，以及不超过0.2mV的白噪声。

一幅心电图由多个导联的心电图组成，叠加噪声是每个导联是单独进行的，在叠加噪声后，再对每个导联减去该导联的平均值。

需说明的是，该步骤为在训练时进行的操作，在测试中以及实用分类时，则跳过噪声层，即不需要该模块对心电数据叠加随机噪声。

步骤305、卷积和取样模块的卷积层和取样层A使用[12，1，1，15]卷积核和[15]取样核，其中12为特征面数目，也即使用12个特征面。

步骤306、卷积和取样模块的卷积层和取样层B使用[80，12，12，15]卷积核和[15]取样核，也即使用80个特征面，并且合并12个导联数据。

步骤307、卷积和取样模块的卷积层和取样层C使用[100，80，1，9]卷积核和[15]取样核，也即使用100个特征面。

步骤308、在多层感知器的隐层，使用（400+5）*500权值矩阵进行计算。

多层感知器的隐层根据输入的数据得到第一权值矩阵为[P1*P2]，其中50<P1<2000，100<P2<2000。P1取值为400+5，P2取值为500，即（400+5）*500权值矩阵，权值矩阵中的5指5个RR间期特征。

步骤309、在多层感知器的逻辑回归层，使用500*2权值矩阵进行计算。

多层感知器的逻辑回归层根据隐层输出的数据进行计算，使用的第二权值矩阵为[P2*D]；其中D为疾病种类数目，在实施中为正异常分类，D取值为2，P2取值为500，即得到500*2权值矩阵。

步骤310、根据多层感知器的逻辑回归层的处理得到最终的分类结果。

上述为本发明实施例输出心电图分类结果的流程，如果是进行训练时，则训练过程分两步，包括：

首先在第一次训练时，多层感知器使用400*500权值矩阵，启动噪声层模块增加噪声层，然后对训练样本进行训练，训练过程中如果校验结果达到100%则终止训练，另外如果训练次数达到500次也终止训练。

第二次训练时，多层感知器使用（400+5）*500权值矩阵，同时保证卷积层权系数不变，然后进行训练。

需说明的是，如果是进行测试，则测试步骤为：停止噪声层模块，所有权系数不变，其他操作不变。

应用本发明的技术方案，具有以下有益效果：1）算法准确率提高：该算法在MIT-BIH和CCDD数据中都做过实验，超过了单分类器结果。其中在MIT-BIH中取得了99.27%的分类效果；在CCDD中分类效果（9：1训练测试）为97.45%；2）省去各种特征值提取过程：现有普通算法是在先提取医生认为重要的特征值，然后对许多特征值进行分类。这过程受到特征提取算法准确度影响，非常容易被心电图中的噪声干扰。而本发明的方法不需要提取这些特征值，而是把提取准确率很高的一些特征值例如直接特征值（RR间期）纳入算法体系，从而提高最后分类准确率。3）通过在训练过程中引入噪声层，可以整体上增加训练样本数，减少细节、噪声、无用的细节的信息对神经网络训练过程产生干扰。

上述详细介绍了本发明的方法流程，以下介绍本发明提供的装置。

图4是本发明的心电图分类处理装置的结构示意图，包括：R波提取模块、特征提取模块、分割模块、卷积和取样模块、多层感知器。

R波提取模块，用于获取心电图中的R波的位置；

特征提取模块，用于根据所述R波提取模块获取的R波的位置，确定体现所述心电图特征的直接特征值；

分割模块，用于将心电图以R波位置为中心分割为不同数据段；

卷积和取样模块，用于对分割的数据段进行卷积和取样，得到内部特征值；

多层感知器，用于对所述特征提取模块得到的直接特征值和所述卷积和取样模块得到的内部特征值根据预定算法进行计算，得到分类结果。

进一步的，所述装置还包括：噪声层模块。

噪声层模块，用于对分割后的心电图的心电数据叠加随机噪声，并输出给所述卷积和取样模块。

所述特征提取模块，根据所述R波的位置，确定设定数目的RR间期作为直接特征值，例如分别将R波左边的两个RR间期、右边的两个RR间期，及周围12个R波的平均RR间期，共5个RR间期作为直接特征值。

需要说明的是，上述装置和系统内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁盘或光盘等。

以上对本发明实施所提供的技术方案，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种心电图分类处理方法，其特征在于，包括：

获取心电图中的R波的位置；

根据所述R波的位置，确定体现所述心电图特征的直接特征值；

将心电图以R波位置为中心分割为不同数据段；

对分割的数据段进行卷积和取样，得到内部特征值；

对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果。

2.根据权利要求1所述的方法，其特征在于,

所述根据R波的位置，确定体现所述心电图特征的直接特征值包括：根据所述R波的位置，确定设定数目的RR间期作为直接特征值。

3.根据权利要求1或2所述的方法，其特征在于,

所述将心电图以R波位置为中心分割为不同数据段后还包括：对心电图的心电数据叠加随机噪声；

所述对分割的数据段进行卷积和取样包括：通过卷积层与取样层对分割且叠加随机噪声后的心电数据进行卷积和取样。

4.根据权利要求2所述的方法，其特征在于,

所述根据R波的位置，确定设定数目的RR间期作为直接特征值包括：

根据所述R波的位置，分别将R波左边的两个RR间期、右边的两个RR间期，及周围12个R波的平均RR间期，共5个RR间期作为直接特征值。

5.根据权利要求1或2所述的方法，其特征在于,

所述对所述直接特征值和所述内部特征值根据预定算法进行计算，得到分类结果包括：

多层感知器的隐层对所述直接特征值和内部特征值，使用第一权值矩阵进行计算；

多层感知器的逻辑回归层根据所述隐层输出的数据，使用第二权值矩阵进行计算得到心电图分类结果。

6.根据权利要求5所述的方法，其特征在于,

所述第一权值矩阵为[P1*P2]，其中，P1为输入节点个数，P2为输出节点个数，50<P1<2000，100<P2<2000；

所述第二权值矩阵为[P2*D]，其中D为疾病种类数目。

7.根据权利要求1或2所述的方法，其特征在于,

所述对分割的数据段进行卷积和取样，得到内部特征值包括：

通过三个卷积层与取样层对分割的数据段进行卷积和取样，

三个卷积层的核结构为[F1，1，1，C1]，[F2，F1，leadCount，C2]，[F3，F2，1，C3]，取样层结构为[1，M1]，[1，M2]，[1，M3]；

其中，F1、F2、F3为特征面数目，C1、C2、C3为卷积核，M1、M2、M3为取样系数，leadCount为输入数据的导联数目，3<F1<30，F1<F2<100，F2<F3<200，1<C1<60，1<C2<50，1<C3<40，1<M1<30，1<M2<30，M1<M2<30；

根据三个卷积层与取样层的卷积和取样结果，得到内部特征值。

8.一种心电图分类处理装置，其特征在于，包括：

R波提取模块，用于获取心电图中的R波的位置；

特征提取模块，用于根据所述R波提取模块获取的R波的位置，确定体现所述心电图特征的直接特征值；

分割模块，用于将心电图以R波位置为中心分割为不同数据段；

卷积和取样模块，用于对分割的数据段进行卷积和取样，得到内部特征值；

多层感知器，用于对所述特征提取模块得到的直接特征值和所述卷积和取样模块得到的内部特征值根据预定算法进行计算，得到分类结果。

9.根据权利要求8所述的装置，其特征在于，还包括：

噪声层模块，用于对分割后的心电图的心电数据叠加随机噪声，并输出给所述卷积和取样模块。

10.根据权利要求8所述的装置，其特征在于,

所述特征提取模块，根据所述R波的位置，确定设定数目的RR间期作为直接特征值。

Images