CN103800004A - 基于核函数分类算法的心电电极错误放置自动检测方法 - Google Patents

Abstract

本发明公开了一种基于核函数分类算法的心电电极错误放置自动检测方法，使得不需采用额外辅助情况下实现设备智能检测手、足电极的错误位置布放，本发明方法将参考信号分为七个类别，通过采用基于核函数的分类器方法，对给定任意心电向量进行识别、分类。本方法能够准确甄别心脏疾病与位置错放导致的异常波形，大大提高心电图解读的正确率。

Description

基于核函数分类算法的心电电极错误放置自动检测方法

技术领域

本发明涉及一种生物信号处理方法，属于信息科学与工程领域。

背景技术

心脏病是夺去人类生命的主要疾病，人体心电图作为心脏电活动在体表的综合表现，蕴涵着丰富的反应心脏节律及其电传导的生理和病理信息。然而由于病态心电图种类繁多、变异极大，要对其做出准确判断需要具有丰富的专业领域知识和临床经验。目前市场上的便携式心电仪采用2或3导联，不可能反映心脏电活动的全貌，对急性心肌梗塞、房室肥大、束支阻滞等心电图的改变不能准确定位，对心肌缺血诊断的阳性率也较低。心电仪采用12导联就可以拾取心脏电活动的全貌，不仅能从额面，也能从横面观察心脏电信息活动，已得到国际上的认可而在世界各国通用。更为重要的是经过60多年的时间活动，12导联体系已积累了丰富的临床资料。其所制定的测量方法、分析技术和标准，已被人们认为是“常规”的准绳，成为心电图学宝贵财富。其余120余种导联，尚无法与12导联体系媲美。但是，由于12导联需要在人体体表布放10个电极，分别是左手(LA)、右手(RA)、左足(LF)和右足（RF）和六个胸导联(V₁—V₆)，在医疗实践中医护人员很容易把电极位置错误放置，从而导致检测结果不准确。各个电极放置的位置对后期心电信号的拾取和正确解读至关重要，如何简便精准地检测手、足心电电极的错误位置布放，从而甄别心脏疾病与位置错放导致的异常波形、提高心电图解读的正确率，在本领域一直是个难题。

发明内容

为了解决上述问题，在不需采用额外辅助情况下实现设备智能检测手、足电极的错误位置布放，本发明提供了一种基于核函数分类算法的心电电极错误放置自动检测方法：

本发明硬件上与普通12导联心电仪一致，采用常规12导联心电波形截取的波形特征量做判断，该波形特征量包括：

（1）P波电轴，单位为弧度，若没有P波则以零值计算，以变量x₁表示；

（2）I导联P波有效幅值，其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值，单位为毫伏，若没有P波则以零值计算，以变量x₂表示；

（3）V6导联P波有效幅值，单位为毫伏，若没有P波则以零值计算，以变量x₃表示；

（4）QRS电轴，单位为弧度，以变量x₄表示；

（5）I导联QRS波群面积，即QRS波群与基线间的面积，单位为毫秒毫米，以变量x₅表示；

（6）V6导联QRS波群面积，单位为毫秒毫米，以变量x₆表示；

（7）I导联QRS波群特征点群幅值（相对于基线数值可以是正值也可以是负值），单位为毫伏，QRS特征点1、2、3分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值没有明显差值则以零值计算；

（8）I导联T波有效幅值，单位为毫伏，以变量x₁₀表示；

（9）V6导联T波有效幅值，单位为毫伏，以变量x₁₁表示；

（10）胸导联V₁至V₆的R波幅度递增平均值，即

以变量x₁₂表示,其中AmpR_i是胸导联Vi的R波幅度；

本发明中使用优质心电信号波形作为参考信号，这里优质心电信号指波形经过严格筛选、波形曲线清晰、各种伪差包括肌电干扰、呼吸干扰、工频干扰等等均被去除，难以清除干扰的的信号不予考虑。参考信号分为7个类别：

类别1，正常人心电波形，仅左右手交叉错误布放；

类别2：正常人心电波形，左手与左足、右手与右足交叉错误布放（同侧）；

类别3：正常人心电波形，仅左手与左足交叉错误布放；

类别4：正常人心电波形，仅右手与左足交叉错误布放；

类别5：正常人心电波形，仅左手与右足交叉错误布放；

类别6：正常人心电波形，仅右手与右足交叉错误布放；

类别7：右位心心电波形，4个手、足电极均正确布放。

以上7个类别中任意一个心电信号样本标记为向量x，x有12个成分,分别为x₁，x₂,…x₁₂。每个类别中至少有m_i个样本，m_i≥20。所以参考信号至少有7*m_i个，以l_ij表示i类中第j个定标样本。

本发明设置7个分类器来分别判断给定任意心电向量（该心电向量设为t）是何种类别信号。以分类器1为例，分类器1用来判断给定任意心电向量t是否为类别1信号，其结构为：

（1）对应心电信号样本标记l_ij，引入参数向量θ，分别为θ₁，θ₂…；

（2）给定任意心电向量t，定义高斯核函数为t到定标样本l_ij的距离；

（3）定义cost₁函数， ${\cos t}_1\left(z\right)=\left\{\begin{array}{c}-z+1,z\≤1\\ 0,z>1\end{array}\right.;$

（4）定义cost₂函数， ${\cos t}_2\left(z\right)=\left\{\begin{array}{c}z-1,z\&GreaterEqual;-1\\ 0,z<-1\end{array}\right.;$

（5）定义开销函数， ${\min }_{\mathrm{\&theta;}}\left\{C\right[{\mathrm{\&Sigma;}}_{i=1}^m{y}^{\left(i\right)}{\cos t}_1\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)+(1-$

$y^{\left(i\right)}){\cos t}_0\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)]+\frac{1}{2}{\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&theta;}}_j^2\}$

（6）采用统计梯度下降法使步骤（5）中开销函数最小化，得到参数向量θ最优值。

经过以上分类器1参数θ的调整，可以使用分类器1识别给定任意心电向量t：

（1）计算f；

（2）计算θ与f的内积；

（3）如果（2）中内积大于等于0，判定t为类别1信号，反之不是。

分类器2至分类器7的结构与工作过程等情况均与分类器1类似，通过参数调整后分别用来判别心电向量t是否为相应类别，最后输出结果。

与现有技术相比，本发明通过采用基于核函数的分类器方法，使得检测手、足体表电极错误位置布放的敏感性和特异性大大得到改善。不仅仅可以检测常见的左右手电极交叉错误布放，还可以检测同侧与异测手、足电极的交叉错误布放。对容易混淆的心电疾病波形与因电极错误布放导致的异常波形能够进行有效区别。

附图说明

图1是QRS特征点群示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

本发明硬件上与普通12导联心电仪一致，采用常规12导联心电波形截取的波形特征量做判断，包括：

（1）P波电轴，单位为弧度，若没有P波则以零值计算，以变量x₁表示；

（2）I导联P波有效幅值，其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值，单位为毫伏，若没有P波则以零值计算，以变量x₂表示；

（3）V6导联P波有效幅值，单位为毫伏，若没有P波则以零值计算，以变量x₃表示；

（4）QRS电轴，单位为弧度，以变量x₄表示；

（5）I导联QRS波群面积，即QRS波群与基线间的面积，单位为毫秒毫米，以变量x₅表示；

（6）V6导联QRS波群面积，单位为毫秒毫米，以变量x₆表示；

（7）I导联QRS波群特征点群（参见附图1）幅值（相对于基线数值可正可负），单位为毫伏，QRS特征点1、2、3分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值没有明显差值则以零值计算；

（8）I导联T波有效幅值，单位为毫伏，以变量x₁₀表示；

（9）V6导联T波有效幅值，单位为毫伏，以变量x₁₁表示；

（10）胸导联V₁至V₆的R波幅度递增平均值，即

以变量x₁₂表示,其中AmpR_i是胸导联Vi的R波幅度；

本发明中使用优质心电信号波形作为参考信号，这里优质心电信号指波形经过严格筛选、波形曲线清晰、各种伪差包括肌电干扰、呼吸干扰、工频干扰等等均被去除，难以清除干扰的的信号不予考虑。参考信号分为7个类别：

类别1，正常人心电波形，仅左右手交叉错误布放；

类别2：正常人心电波形，左手与左足、右手与右足交叉错误布放（同侧）；

类别3：正常人心电波形，仅左手与左足交叉错误布放；

类别4：正常人心电波形，仅右手与左足交叉错误布放；

类别5：正常人心电波形，仅左手与右足交叉错误布放；

类别6：正常人心电波形，仅右手与右足交叉错误布放；

类别7：右位心心电波形，4个手、足电极均正确布放。

以上7个类别中任意一个心电信号样本标记为向量x，x有12个成分,分别为x₁，x₂,…x₁₂。每个类别中至少有m_i个样本，m_i≥20。所以参考信号至少有7*m_i个，以l_ij表示i类中第j个定标样本。

本发明设置7个分类器来分别判断给定任意心电向量（该心电向量设为t）是何种类别信号。以分类器1为例，分类器1用来判断给定任意心电向量t是否为类别1信号，其结构为：

（1）对应心电信号样本标记l_ij，引入参数向量θ分别为θ₁，θ₂…；

（2）给定任意心电向量t，定义高斯核函数

为t到定标样本l_ij的距离；

（3）定义cost₁函数， ${\cos t}_1\left(z\right)=\left\{\begin{array}{c}-z+1,z\&le;1\\ 0,z>1\end{array}\right.;$

（4）定义cost₂函数， ${\cos t}_2\left(z\right)=\left\{\begin{array}{c}z-1,z\&GreaterEqual;-1\\ 0,z<-1\end{array}\right.;$

（5）定义开销函数， ${\min }_{\mathrm{\&theta;}}\left\{C\right[{\mathrm{\&Sigma;}}_{i=1}^m{y}^{\left(i\right)}{\cos t}_1\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)+(1-$

$y^{\left(i\right)}){\cos t}_0\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)]+\frac{1}{2}{\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&theta;}}_j^2\}$

（6）采用统计梯度下降法使步骤（5）中开销函数最小化，得到参数向量θ最优值。

经过以上分类器1参数θ的调整，可以使用分类器1识别给定任意心电向量t：

（1）计算f；

（2）计算θ与f的内积；

（3）如果（2）中内积大于等于0，判定t为类别1信号，反之不是。

分类器2至分类器7的结构与工作过程等情况均与分类器1类似，通过参数调整后分别用来判别心电向量t是否为相应类别，输出结果。

Claims (1)

1.一种基于核函数分类算法的心电电极错误放置自动检测方法，其特征在于，包括如下步骤：

首先，采用常规12导联心电波形截取的波形特征量做判断，所述波形特征量包括：

（1）P波电轴，单位为弧度，若没有P波则以零值计算，以变量x₁表示；

（2）I导联P波有效幅值，其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值，单位为毫伏，若没有P波则以零值计算，以变量x₂表示；

（3）V6导联P波有效幅值，单位为毫伏，若没有P波则以零值计算，以变量x₃表示；

（4）QRS电轴，单位为弧度，以变量x₄表示；

（5）I导联QRS波群面积，即QRS波群与基线间的面积，单位为毫秒毫米，以变量x₅表示；

（6）V6导联QRS波群面积，单位为毫秒毫米，以变量x₆表示；

（7）I导联QRS波群特征点群幅值，该幅值相对于基线数值可正可负，单位为毫伏，QRS特征点1、2、3分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值没有明显差值则以零值计算；

（8）I导联T波有效幅值，单位为毫伏，以变量x₁₀表示；

（9）V6导联T波有效幅值，单位为毫伏，以变量x₁₁表示；

（10）胸导联V₁至V₆的R波幅度递增平均值，即

以变量x₁₂表示,其中AmpR_i是胸导联Vi的R波幅度；

其次，本方法使用经过筛选、波形曲线清晰、去除所有伪差的优质心电信号波形作为参考信号，该参考信号分为7个类别：

类别1，正常人心电波形，仅左右手交叉错误布放；

类别2：正常人心电波形，左手与左足、右手与右足交叉错误布放；

类别3：正常人心电波形，仅左手与左足交叉错误布放；

类别4：正常人心电波形，仅右手与左足交叉错误布放；

类别5：正常人心电波形，仅左手与右足交叉错误布放；

类别6：正常人心电波形，仅右手与右足交叉错误布放；

类别7：右位心心电波形，4个手、足电极均正确布放；

以上7个类别中任意一个心电信号样本标记为向量x，x有12个成分,分别为x₁，x₂,…x₁₂；每个类别中至少有m_i个样本，m_i≥20；所以参考信号至少有7*m_i个，以l_ij表示i类中第j个定标样本；

最后，本方法设置7个分类器来分别判断给定任意心电向量是何种类别信号，所述给定任意心电向量设为t；以分类器1为例，分类器1用来判断给定任意心电向量t是否为类别1信号，其结构为：

（1）对应心电信号样本标记l_ij，引入参数向量θ,分别为θ1，θ₂…；

（2）给定任意心电向量t，定义高斯核函数

为t到定标样本l_ij的距离；

（3）定义cost₁函数， ${\cos t}_1\left(z\right)=\left\{\begin{array}{c}-z+1,z\&le;1\\ 0,z>1\end{array}\right.;$

（4）定义cost₂函数， ${\cos t}_2\left(z\right)=\left\{\begin{array}{c}z-1,z\&GreaterEqual;-1\\ 0,z<-1\end{array}\right.;$

（5）定义开销函数， ${\min }_{\mathrm{\&theta;}}\left\{C\right[{\mathrm{\&Sigma;}}_{i=1}^m{y}^{\left(i\right)}{\cos t}_1\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)+(1-$

$y^{\left(i\right)}){\cos t}_0\left({\mathrm{\&theta;}}^T{f}^{\left(i\right)}\right)]+\frac{1}{2}{\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&theta;}}_j^2\}$

（6）采用统计梯度下降法使步骤（5）中开销函数最小化，得到参数向量θ最优值；

经过以上分类器1参数θ的调整，可以使用分类器1识别给定任意心电向量t：

（1）计算f；

（2）计算θ与f的内积；

（3）如果（2）中内积大于等于0，判定t为类别1信号，反之不是；

分类器2至分类器7的结构与工作过程均与分类器1类似，通过参数调整后分别用来判别心电向量t是否为相应类别。

Images