CN103815897A - 一种心电图特征提取方法 - Google Patents

Abstract

本发明公开了一种心电图特征提取方法，旨在解决目前的心电图形态学特征维度过高，心拍自动分类运算量过大的问题。其步骤为：1.建立词典:心电图预处理；对词典训练集中心电信号进行分段；利用词典训练集中短序列结构体建立词典；2.生成待分类心电图的特征：待分类心电图预处理；将待分类心电信号进行分段；生成码字；生成统计特征；特征向量生成。其中：心电图预处理包括组建词典训练集；除去词典训练集中心电图的噪声；检测词典训练集中心电图的分割点。对词典训练集中心电信号进行分段包括分离出词典训练集中心电图中的心拍；对词典训练集中心拍进行分段；对词典训练集中分段信号进行重采样；对词典训练集中重采样后的信号进行等分等步骤。

Description

一种心电图特征提取方法

技术领域

本发明涉及医学信号处理领域的一种方法，更确切地说，本发明涉及一种心电图特征提取方法。

背景技术

近些年，针对心电图的辅助诊断设备发展迅速，随着信息领域的科技进步，特别是随着模式识别技术的进展，心电图设备的功能不再是仅仅获取心电信号、打印心电图，而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息，有效节省诊断时间，提高医生的诊断效率，是重要的辅助医疗设备之

工作在计算器件上的心拍自动识别系统是此类设备的核心，技术途径是通过提取表征了心电图有效信息的特征向量，输入到分类器算法得到心拍的类别，如房早、室早、左束支等。在提取特征向量这一步骤中技术难点是形态学特征的提取。目前的系统和方法主要使用心电图上特定波形的采样、形态学参数等作为形态学特征，例如QRS波群的模板采样，P、Q、R、S、T等波的均值、方差。这种形态学特征辅以心电图上的其它特征构成特征向量输入到分类器，经处理后输出分类结果。

然而，这类自动心拍识别系统存在运算量过大，计算成本偏高的问题。分类器普遍存在维度灾难现象，即随着特征向量的维度升高，分类器运算量迅速增大，与此同时，传统的心电图形态学特征维度很高。这种在带有维度灾难的环节上运算高维输入量的情况是导致运算量大的主要原因之一，因此减小分类器的输入量维度是降低运算量、节约计算成本的关键。

发明内容

本发明为解决心电图形态学特征维度过高，心拍自动分类运算量过大的问题，提供了一种低维形态学特征向量以及基于这种特征向量的心电图特征提取方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的一种心电图特征提取方法包括有：

1.建立词典：

(1)心电图预处理：

a.组建词典训练集；

b.除去词典训练集中心电图的噪声；

c.检测词典训练集中心电图的分割点；

(2)对词典训练集中心电信号进行分段：

a.分离出词典训练集中心电图中的心拍；

b.对词典训练集中心拍进行分段；

c.对词典训练集中分段信号进行重采样；

d.对词典训练集中重采样后的信号进行等分：

对每个重采样后的信号按照采样点序号进行5等分，等分后的每个小段形成一条长度为10的短序列，因此每个心拍被划分为30个短序列；

e.转换格式存储词典训练集中信号：

短序列按照在原信号中的对应顺序，组成一个短序列结构体A；其中，元素A(i，j)表示第i个心拍的第j个短序列；

(3)利用词典训练集中短序列结构体建立词典：

a.对词典训练集中短序列结构体进行格式转换；

b.执行聚类算法；

2.生成待分类心电图的特征：

(1)待分类心电图预处理：

a.除去待分类心电图噪声；

b.检测待分类心电图的分割点；

(2)将待分类心电信号进行分段：

a.分离出待分类心电图中的心拍；

b.对待分类心电图心拍进行分段；

c.对待分类心电图分段信号进行重采样；

d.对待分类心电图重采样后的信号进行等分；

e.转换格式并存储；

(3)生成码字：

a.取“利用词典训练集中短序列结构体建立词典”步骤中得到的词典E和转换格式并存储”步骤中得到的短序列结构体C，依次令m=1，2，…，M，其中M为待分类心电图中的心拍总数，循环执行“建立待分类心电图中所有心拍的形态学特征矩阵”步骤；

b.建立待分类心电图中所有心拍的形态学特征矩阵；

(4)生成统计特征：

(5)特征向量生成。

技术方案中所述的检测词典训练集中心电图的分割点是指：将“除去词典训练集中心电图的噪声”步骤中获得的纯净信号Mlii导联部分输入由R.Jané发明的波形限制探测器，完成R波顶点检测、QRS波群起点、QRS波群终点检测、心拍起点检测、心拍终点检测。对于采样频率为f的心电图，设置波形限制探测器的参数：R波顶点检测时间限为120×f／250到250×f／250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f／250个采样点，心拍分割点时间限为距离R波大于50×f／250小于150×f／250个采样点，以上参数四舍五入取整。

技术方案中所述的对词典训练集中分段信号进行重采样是指：取每个心拍的三个分段，分别进行相等输出长度的重采样，技术人员可选用分段插值、分段函数拟合、多相滤波器方法实施该重采样步骤；但是必须满足本步骤的参数限定条件：重采样的输出频率

L_r/L₀＝100

L₀为目标序列的长度，L_r为重采样序列的长度。重采样成功的标志为处理后的信号与原信号波形一致，但长度固定为L_r个采样点。

技术方案中所述的对词典训练集中短序列结构体进行格式转换是指：读取“转换格式存储词典训练集中信号”步骤中存储的短序列结构体A，做如下格式转换

B₁＝[A(1，1)，A(2，1)，…A(n，1)]

B₂=[A(1，2)，A(2，2)，…A(n，2)]

·

·

·

B_３０=[A(1，30)，A(2,30)，…A(n,30)]

其中，n为总心拍个数。

技术方案中所述的执行聚类算法是指：分别取p＝1，2，…，30；执行如下操作：以B_p中所有的向量为聚类目标，取聚类数K＝6，距离的度量为欧几里得范数，执行K均值聚类算法，求得聚类中心向量：α(1，p)，α(2，p)，…，α(6，p)及聚类中心对应的聚类号：i＝1，2，…，6。存储所有聚类中心为6×30维的结构体E，其中元素E(i，j)存储了α(i，j)，命名为词典。

技术方案中所述的分离出待分类心电图中的心拍是指：取“除去待分类心电图噪声”步骤中完成去噪的待分类心电图及“检测待分类心电图的分割点”步骤中计算得到的心拍起点和心拍终点，将心电图中的每个心拍进行截取。

技术方案中所述的对待分类心电图心拍进行分段是指：取“分离出待分类心电图中的心拍”步骤中截取的心拍及“检测待分类心电图的分割点”步骤中计算得到的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。

技术方案中所述的对待分类心电图分段信号进行重采样是指：取每个心拍的三个分段，分别进行相等输出长度的重采样，此处要求重采样的方式与“建立词典部分的对分段信号进行重采样”步骤相同。

技术方案中所述的建立待分类心电图中所有心拍的形态学特征矩阵是指：

按公式

β₁=C(m，1)

β₂=C(m，2)

…

β₃₀=C(m，30)

取待分类心拍的短序列；分别取j=1，2，…，30，由公式

$D(m,j)=\underset{i}{\arg \min }\left|\right|{\mathrm{\β}}_j,E(i,j)\left|\right|$

循环计算矩阵D，其中，运算||·||表示向量的欧几里得范数；

命名计算得到的矩阵D为待分类心电图中所有心拍的形态学特征矩阵。

技术方案中所述的特征向量生成是指：取“生成码字”步骤中所得到的形态学特征矩阵D和“生成统计特征”步骤中得到的统计特征矩阵G，将两个矩阵的每一行顺次连接，所得矩阵F即为待分类心电图对应的特征矩阵；其中，矩阵中的第i行F(i，：)表示待分类心电图中第i个心拍的特征向量，特征向量的维度为35。

与现有技术相比本发明的有益效果是：

1.本发明所述的一种心电图特征提取方法与现有的形态学特征相比，在分类有效的前提下，特征维度更低，避免了分类器输入的维度灾难，从而减小运算量。

2.本发明所述的一种心电图特征提取方法中对输入有维度灾难的环节和计算均为低维输入，因此有效的减少了运算量。用于自动分类时，对分类器环节的要求较低，常见的现有分类器均能有效分类。

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明所述的一种心电图特征提取方法的流程框图；

图2为本发明所述的一种心电图特征提取方法中的心电图预处理程序的流程框图，为了更明确的说明原理，框图中各环节的输入输出均附实例的演示；

图3为本发明所述的一种心电图特征提取方法中的对心电信号进行分段程序的流程框图，为了更明确的说明原理，框图中各环节的输入输出均附实例的演示；

图4为本发明所述的一种心电图特征提取方法中利用短序列结构体建立词典的流程框图；

图5为本发明所述的一种心电图特征提取方法中生成码字程序的流程框图；

图6为本发明所述的一种心电图特征提取方法中生成统计特征程序的流程框图。

具体实施方式

下面结合附图对本发明作详细的描述：

本发明所述的一种心电图特征提取方法的作用是处理MLii和V5双通道心电图，生成特征向量。本发明的核心技术为通过“生成码字”步骤得到一种低维整数编码作为形态学特征。特征向量表征了心电图的自然规律，用途是输入分类器算法并将心电图的有效信息传达给医生，达到辅助诊断的目的。使本发明有利的技术原理是：使用本方法处理心电图可以得到更低维度的特征，从而避免分类环节上的维度灾难问题，加快分类速度与准确性。

本发明所述的一种心电图特征提取方法的步骤为：

一.建立词典

1.参阅图2，心电图预处理：

1)组建词典训练集

选定包含N个心拍的心电图集合，定义为词典训练集。相关技术人员即可整理出一定规模的患者心电图，亦可使用公开医学数据库中的心电图，该训练集中的心电图允许与待处理心电图重复。无论采取哪种方式，本发明所述的一种心电图特征提取方法的技术要点为词典训练集需要包含至少100个各个类型的典型心拍。

2)除去词典训练集中心电图的噪声

对于采样频率为f的心电图，两个导联的信号分别输入50×f／250阶中值滤波器，然后将其输出再输入到150×f／250阶中值滤波器，以上参数四舍五入取整，得到信号的基线；原始信号与基线相减得到去基线漂移噪声的纯净信号。

3)检测词典训练集中心电图的分割点

将“除去词典训练集中心电图的噪声”步骤中获得的纯净信号Mlii导联部分输入由R.Jan é发明的波形限制探测器，完成R波顶点检测、QRS波群起点、QRS波群终点检测、心拍起点检测、心拍终点检测。对于采样频率为f的心电图，设置波形限制探测器的参数：R波顶点检测时间限为120×f／250到250×f／250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f／250个采样点，心拍分割点时间限为距离R波大于50×f／250小于150×f／250个采样点，以上参数四舍五入取整。

2.参阅图3，对词典训练集中心电信号进行分段：

1)分离出词典训练集中心电图中的心拍

取在“除去词典训练集中心电图的噪声”步骤中完成去噪的心电图及在“检测词典训练集中心电图的分割点”步骤中计算得到的心拍起始点和心拍终点，将心电图中的每个心拍进行截取。

2)对词典训练集中心拍进行分段

取“分离出词典训练集中心电图的心拍”步骤中截取的心拍及“检测词典训练集中心电图的分割点”步骤中计算得到的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。

3)对词典训练集中分段信号进行重采样

取每个心拍的三个分段，分别进行相等输出长度的重采样。相关技术人员可选用分段插值、分段函数拟合、多相滤波器等方法实施该重采样步骤。但是必须满足本步骤的参数限定条件：重采样的输出频率

L_r/_L0＝100

L₀为目标序列的长度，L_r为重采样序列的长度。重采样成功的标志为处理后的信号与原信号波形一致，但长度固定为L_r个采样点。

4)对词典训练集中重采样后的信号进行等分

对每个重采样后的信号按照采样点序号进行5等分。等分后的每个小段形成一条长度为10的短序列，因此每个心拍被划分为30个短序列。

5)转换格式存储词典训练集中信号

短序列按照在原信号中的对应顺序，组成一个短序列结构体A。其中，元素A(i，j)表示第i个心拍的第j个短序列。

3.参阅图4，利用词典训练集中短序列结构体建立词典：

1)对词典训练集中短序列结构体进行格式转换

读取“转换格式存储词典训练集中信号”步骤中存储的短序列结构体A，做如下格式转换

B₁=[A(1，1)，A(2，1)，…A(n，1)]

B₂=[A(1，2)，A(2，2)，…A(n，2)]

·

·

·

B₃₀=[A(1，30)，A(2,30)，…A(n,30)]

其中，n为总心拍个数。

2)执行聚类算法

分别取p=1，2，…，30；执行如下操作：以B_p中所有的向量为聚类目标，取聚类数K=6，距离的度量为欧几里得范数，执行K均值聚类算法，求得聚类中心向量：α(1，p)，α(2，p)，…，α(6，p)及聚类中心对应的聚类号：i＝1，2，…，6。

存储所有聚类中心为6×30维的结构体E，其中元素E(i，j)存储了α(i，j)，命名为词典。

二.生成待分类心电图的特征

1.待分类心电图预处理：

1)除去待分类心电图噪声

取一组已知采样频率为f的待分类心电图，两个导联的信号分别输入50×f／250阶中值滤波器，然后将其输出再输入到150×f／250阶中值滤波器，以上参数四舍五入取整，得到信号的基线；原始信号与基线相减得到去基线漂移噪声的纯净信号。

2)检测待分类心电图的分割点

将“除去待分类心电图噪声”步骤中获得的纯净信号Mlii导联部分输入由R.Jan é发明的波形限制探测器，完成R波顶点检测、QRS波群起点、QRS波群终点检测、心拍起点检测、心拍终点检测，得到五组分割点。对于采样频率为f的心电图，所述波形探测器的参数设置为：R波顶点检测时间限为120×f／250到250×f／250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f／250个采样点，心拍分割点时间限为距离R波大于50×f／250小于150×f／250个采样点，以上参数四舍五入取整。

2.将待分类心电信号进行分段：

1)分离出待分类心电图中的心拍

取“除去待分类心电图噪声”步骤中完成去噪的待分类心电图及“检测待分类心电图的分割点”步骤中计算得到的心拍起点和心拍终点，将心电图中的每个心拍进行截取。

2)对待分类心电图心拍进行分段

取“分离出待分类心电图中的心拍”步骤中截取的心拍及“检测待分类心电图的分割点”步骤中计算得到的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。

3)对待分类心电图分段信号进行重采样

取每个心拍的三个分段，分别进行相等输出长度的重采样。此处要求重采样的方式与“对词典训练集中分段信号进行重采样”步骤相同。

4)对待分类心电图重采样后的信号进行等分

此处要求等分方式与“对词典训练集中重采样后的信号进行等分”步骤相同；

5)转换格式并存储

短序列按照在原信号中的对应顺序，组成一个短序列结构体C。其中，元素C(i，j)表示第i个心拍的第j个短序列。

3.参阅图5，生成码字：

1)取“利用词典训练集中短序列结构体建立词典”步骤中得到的词典E和“转换格式并存储”步骤中得到的短序列结构体C。依次令m=1，2，…，M，其中M为待分类心电图中的心拍总数，循环执行下面的“建立待分类心电图中所有心拍的形态学特征矩阵”步骤。

2)建立待分类心电图中所有心拍的形态学特征矩阵

按公式

β₁=C(m,1)

β₂=C(m,2)

…

β₃₀=C(m,30)

取待分类心拍的短序列。分别取j＝1，2，…，30，由公式

$D(m,j)=\underset{i}{\arg \min }\left|\right|{\mathrm{\β}}_j,E(i,j)\left|\right|$

循环计算矩阵D，其中，运算||·||表示向量的欧几里得范数。

命名计算得到的矩阵D为待分类心电图中所有心拍的形态学特征矩阵。

4.参阅图6，生成统计特征：

取“检测待分类心电图的分割点”步骤中得到的待分类心电图R波顶点、QRS波群起点、QRS波群终点、心拍起点、心拍终点共五组分割点。以上述五组分割点在心电图中的序列号为坐标，对每个心拍分别计算其对应的：

QRS波群前段持续时间=QRS波群起点坐标-心拍起点坐标；

QRS波群后段持续时间=心拍终点坐标-QRS波群终点坐标；

RR间距=当前心拍R波顶点坐标-前一个心拍R波顶点坐标；

平均RR间距=当前心拍的前十个心拍RR间距的均值。

并规定ECG中第一个心拍的RR间距为0，序号小于10的心拍平均RR间距等于RR间距。

将计算所得QRS波群持续时间、QRS波群前段持续时间、QRS波群后段持续时间、RR间距和平均RR间距顺次连接组成一条向量g，记为心拍对应的统计特征向量。

存储以上计算结果为矩阵G，命名为统计特征矩阵。其中G的第i行为待分类心电图中第i个心拍对应的统计特征向量g。

5.特征向量生成：

取“生成码字”步骤中所得到的形态学特征矩阵D和“生成统计特征”步骤中得到的统计特征矩阵G。将两个矩阵的每一行顺次连接，所得矩阵F即为待分类心电图对应的特征矩阵。其中，矩阵中的第i行F(i，：)表示待分类心电图中第i个心拍的特征向量，特征向量的维度为35。

实施例

具体实例为国际通行心电图数据库QTDB，该数据库的数据及使用说明公开于行业内周知的phys i onet.org网站。数据库包含83位患者MLii和V5导联方式的半小时250Hz心电图，并通过医生手动标注的其中八种心拍作为效果评估依据，包括正常心拍、起搏心跳、房性早搏、室性早搏、心拍融合、心室融合心跳、室上性早搏和右束支。在本实例中，通过工作在计算机上的软件系统和行业内所周知的Matlab仿真环境进行实现。

本实施例的详细步骤如下：

一.建立词典

1.参阅图2，心电图预处理：

1)组建词典训练集

随机抽取83位患者包含30000个心拍的心电图组成词典训练集。

2)除去词典训练集中心电图的噪声

根据已知心电图的采样频率250Hz和具体实施方式中“除去词典训练集中心电图的噪声”步骤中所给出的公式50×f／250和150×f／250，计算得到第一个滤波器为50阶，第二个滤波器为150阶。利用已公开的Matlab内建程序medfiltl(所述程序详细的调用格式和使用方式已公开，在命令行中输入“helpmedfil tl”即可获得说明书)，产生50阶中值滤波器和150阶中值滤波器。按照所述过程，对每条心电图执行50阶中值滤波器滤波；然后对上述运算的输出结果执行150阶中值滤波器滤波；心电信号减去150阶中值滤波器的输出结果，即可得到纯净信号。将每条ECG所得的纯净信号储存待用。

3)检测词典训练集中心电图的分割点

根据已知心电图的采样频率250Hz和具体实施方式中“检测词典训练集中心电图的分割点”步骤所给出的公式：“R波顶点检测时间限为120×f／250到250×f／250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f／250个采样点，心拍分割点时间限为距离R波大于50×f／250小于150×f／250个采样点”，计算可得R波顶点检测时间限为120到250个采样点，Q波和S波检测时间限为距离R波顶点小于50个采样点，心拍分割点时间限为距离R波大于50小于150个采样点。

利用已公开的计算机程序“ecgpuwave”(计算机程序及其说明书可见于行业内周知的physionet.org网站)。参阅说明书(readme)按格式填入上述参数并执行计算机程序，得到五组分割点。每条ECG所得的五组分割点储存待用。

2.参阅图3，对词典训练集中心电信号进行分段：

1)分离出词典训练集中心电图的心拍

读入实施例部分“除去词典训练集中心电图的噪声”步骤中存储待用的纯净信号及在实施例部分“检测词典训练集中心电图的分割点”步骤中存储待用的心拍起始点和心拍终点，将心电图中的每个心拍进行截取，所截取的心拍按原信号格式存储待用。

2)对词典训练集中心拍进行分段

读入实施例部分“分离出词典训练集中心电图的心拍”步骤中存储待用的心拍及实施例部分“检测词典训练集中心电图的分割点”步骤中存储待用的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。三个分段按原信号格式存储待用。

3)对词典训练集中分段信号进行重采样

按照具体实施方式中“对词典训练集中分段信号进行重采样”步骤中所给出的公式L_r/L₀＝100，通过已公开的Matlab内建程序“size”(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help size”即可获得说明书)自动获取参数L₀，从而计算得到L_r；依次读入实施例部分“对词典训练集中心拍进行分段”步骤存储待用的信号，通过已公开的Mat lab内建程序“rsmp”(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help rsmp”即可获得说明书)和参数L_r进行重采样。所得信号存储待用。

4)对词典训练集中重采样后的信号进行等分

读入实施例中“对词典训练集中分段信号进行重采样”存储待用的信号，并进行如下操作：对每个重采样后的信号按照采样点序号进行5等分。等分后的每个小段形成一条长度为10的短序列，因此每个心拍被划分为30个短序列。所得短序列存储待用。

5)转换格式存储词典训练集中信号

读入实施例中“对词典训练集中重采样后的信号进行等分”步骤存储待用的短序列，按照在原信号中的对应顺序，组成一个短序列结构体A并存储待用。其中，元素A(i，j)表示第i个心拍的第j个短序列。

3.参阅图4，利用词典训练集中短序列结构体建立词典：

1)对词典训练集中短序列结构体进行格式转换

读取已存储待用的短序列结构体A，做如下格式转换

B₁=[A(1，1)，A(2，1)，…A(n，1)]

B₂=[A(1，2)，A(2，2)，…A(n，2)]

.

.

.

B₃₀=[A(1，30)，A(2,30)，…A(n,30)]

其中，n为总心拍个数。

2)执行聚类算法

分别取p=1，2，…，30；执行如下操作：以B_p中所有的向量为聚类目标，取聚类数K=6，距离的度量为欧几里得范数，执行K均值聚类算法，求得聚类中心向量：α(1，p)，α(2，p)，…，α(6，p)及聚类中心对应的聚类号：i＝1，2，…，6。

所述的K均值聚类算法使用Mat lab内建程序“kmeans”(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help kmeans”即可获得说明书)。

存储所有聚类中心为6×30维的结构体E，其中元素E(i，j)存储了α(i，j)。

所述的“执行聚类算法”不同于行业内常用的“利用聚类算法对目标进行分类”功能，相关技术人员须仔细阅读“利用词典训练集中短序列结构体建立词典”步骤及图4，并严格按照本发明的操作步骤执行。

二.生成待分类心电图的特征

数据库中全部83位患者的半小时心电图作为待分类心电图。

1.待分类心电图预处理：

1)除去待分类心电图噪声

根据已知心电图的采样频率250Hz和具体实施方式中“除去待分类心电图噪声”步骤中所给出的公式50×f／250和150×f／250，计算得到第一个滤波器为50阶，第二个滤波器为150阶。利用已公开的Matlab内建程序medfiltl，产生50阶中值滤波器和150阶中值滤波器。按照所述过程，对每条心电图执行50阶中值滤波器滤波；然后对上述运算的输出结果执行150阶中值滤波器滤波；心电信号减去150阶中值滤波器的输出结果，即可得到纯净信号。将每条ECG所得的纯净信号储存待用。

2)检测待分类心电图的分割点

根据已知心电图的采样频率250Hz和具体实施方式中“检测待分类心电图的分割点”步骤所给出的公式：“R波顶点检测时间限为120×f／250到250×f／250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f／250个采样点，心拍分割点时间限为距离R波大于50×f／250小于150×f／250个采样点”，计算可得R波顶点检测时间限为120到250个采样点，Q波和S波检测时间限为距离R波顶点小于50个采样点，心拍分割点时间限为距离R波大于50小于150个采样点。

利用已公开的计算机程序“ecgpuwave”。参阅说明书(readme)按格式填入上述参数并执行计算机程序，得到五组分割点。每条ECG所得的五组分割点储存待用。

2.将待分类心电信号进行分段：

1)分离出待分类心电图中的心拍

读入实施例部分“除去待分类心电图噪声”步骤中存储待用的纯净信号及在实施例部分“检测待分类心电图的分割点”步骤中存储待用的心拍起始点和心拍终点，将心电图中的每个心拍进行截取，所截取的心拍按原信号格式存储待用。

2)对待分类心电图心拍进行分段

读入实施例部分“分离出待分类心电图中的心拍”步骤中存储待用的心拍及实施例部分“检测待分类心电图的分割点”步骤中存储待用的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。三个分段按原信号格式存储待用。

3)对待分类心电图分段信号进行重采样

此处要求重采样的方式与实施例“对词典训练集中分段信号进行重采样”步骤相同。所得信号存储待用。

4)对待分类心电图重采样后的信号进行等分

读入实施例中“对待分类心电图分段信号进行重采样”存储待用的信号，并进行与实施例“对词典训练集中重采样后的信号进行等分”步骤相同的操作。将所得短序列存储待用。

5)转换格式并存储

读入实施例中“对待分类心电图重采样后的信号进行等分”步骤存储待用的短序列，按照在原信号中的对应顺序，组成一个短序列结构体C并存储待用。其中，元素C(i，j)表示第i个心拍的第j个短序列。

3.参阅图5，生成码字：

1)读入实施例部分“利用词典训练集中短序列结构体建立词典”步骤中得到的词典E和“转换格式并存储”步骤中得到的短序列结构体C。依次令m=1，2，…，M，其中M为待分类心电图中的心拍总数，循环执行以下“建立待分类心电图中所有心拍的形态学特征矩阵”步骤。

2)建立待分类心电图中所有心拍的形态学特征矩阵

读入存储待用的结构体C

按公式

β₁=C(m，1)

β₂=C(m，2)

…

β₃₀=C(m，30)

取待分类心拍的短序列。分别取j＝1，2，…，30，由公式

$D(m,j)=\underset{i}{\arg \min }\left|\right|{\mathrm{\β}}_j,E(i,j)\left|\right|$

循环计算矩阵D，其中，运算||·||表示向量的欧几里得范数。

命名计算得到的矩阵D为待分类心电图中所有心拍的形态学特征矩阵。矩阵D存储待用。

4.参阅图6，生成统计特征：

读入实施例中“检测待分类心电图的分割点”步骤存储待用的待分类心电图R波顶点、QRS波群起点、QRS波群终点、心拍起点、心拍终点共五组分割点。以上述五组分割点在心电图中的序列号为坐标，对每个心拍分别计算其对应的：

QRS波群持续时间=QRS波群终点坐标-QRS波群起点坐标；

QRS波群前段持续时间=QRS波群起点坐标-心拍起点坐标；

QRS波群后段持续时间=心拍终点坐标-QRS波群终点坐标；

RR间距=当前心拍R波顶点坐标-前一个心拍R波顶点坐标；

平均RR间距=当前心拍的前十个心拍RR间距的均值。

并规定ECG中第一个心拍的RR间距为0，序号小于10的心拍平均RR间距等于RR间距。

将计算所得QRS波群持续时间、QRS波群前段持续时间、QRS波群后段持续时间、RR间距和平均RR间距顺次连接组成一条向量g，记为心拍对应的统计特征向量。

存储以上计算结果为矩阵G，命名为统计特征矩阵。其中G的第i行为待分类心电图中第i个心拍对应的统计特征向量g。

5.特征向量生成：

读入实施例部分“生成码字”步骤中存储待用的矩阵D和“生成统计特征”步骤存储待用的的矩阵G。将两个矩阵的每一行顺次连接，所得矩阵F即为待分类心电图对应的特征矩阵。其中，矩阵中的第i行F(i，：)表示待分类心电图中第i个心拍的特征向量，特征向量的维度为35。

为了检验本发明提出的一种心电图特征提取方法的性能，我们针对广泛使用的最近邻分类器(NN)、支持向量机分类器(SVM)、BP神经网络(BP)、SOM神经网络(SOM)四种分类器对本方法提取的特征向量进行分类性能测试。

按照表1，将八种类型的心拍进行标记。

表1类别与标签的对照

按照表2所示的数量，随机抽取所有心拍中的一部分作为实施例的分类训练集；在剩余的心拍中，对于心率失常心拍，除去训练集以外的所有心拍作为测试集；对于正常心拍，在剩余心拍中随机抽取24650个。

表2训练样本和测试样本数量

仿真方法为：

NN：Mat lab的knnclss ify内建程序(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help knnclssify”即可获得说明书)，取参数k=1；

SVM：Libsvm工具箱-2.89-3版本，参数使用工具箱自带的网格搜索算法生成(所述工具箱与说明书已公开，参见www.csie.ntu.edu.tw／-cjlin／libsvm／)。

BP神经网络：Mat lab的内建BP工具箱(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help nprtool”即可获得说明书)，隐含层节点数为20，其它参数为默认值。

SOM神经网络：Matlab的newsom内建程序(所述程序详细的调用格式和使用方式已公开，在命令行中输入“help newsom”即可获得说明书)，参数取默认值。

表3的结果表明对于工程中常用的四种分类器，采用本实例的参数配置，均能够有效地对常见心拍类型进行分类，特别是采用SVM分类器时总体分类准确率高达94.2％，比多数现有方法和系统更好。与此同时，本发明所提取的特征向量维度仅有35维，远低于其它对心电图形态学细节进行表征的方法和系统，从而避免了分类器上的维度灾难问题，大幅降低了运算量。

表3采用常见分类器时本系统的分类准确率

Claims (10)

1.一种心电图特征提取方法，其特征在于，所述的一种心电图特征提取方法包括有：

1）建立词典:

（1）心电图预处理：

a.组建词典训练集；

b.除去词典训练集中心电图的噪声；

c.检测词典训练集中心电图的分割点；

（2）对词典训练集中心电信号进行分段:

a.分离出词典训练集中心电图中的心拍；

b.对词典训练集中心拍进行分段；

c.对词典训练集中分段信号进行重采样；

d.对词典训练集中重采样后的信号进行等分：

对每个重采样后的信号按照采样点序号进行5等分，等分后的每个小段形成一条长度为10的短序列，因此每个心拍被划分为30个短序列；

e.转换格式存储词典训练集中信号：

短序列按照在原信号中的对应顺序，组成一个短序列结构体A；其中，元素A(i,j)表示第i个心拍的第j个短序列；

（3）利用词典训练集中短序列结构体建立词典:

a.对词典训练集中短序列结构体进行格式转换；

b.执行聚类算法；

2）生成待分类心电图的特征：

（1）待分类心电图预处理：

a.除去待分类心电图噪声；

b.检测待分类心电图的分割点;

（2）将待分类心电信号进行分段：

a.分离出待分类心电图中的心拍；

b.对待分类心电图心拍进行分段；

c.对待分类心电图分段信号进行重采样；

d.对待分类心电图重采样后的信号进行等分;

e.转换格式并存储；

（3）生成码字：

a.取“利用词典训练集中短序列结构体建立词典”步骤中得到的词典E和“转换格式并存储”步骤中得到的短序列结构体C，依次令m=1,2,…,M，其中M为待分类心电图中的心拍总数，循环执行“建立待分类心电图中所有心拍的形态学特征矩阵”步骤；

b.建立待分类心电图中所有心拍的形态学特征矩阵；

（4）生成统计特征：

（5）特征向量生成。

2.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的检测词典训练集中心电图的分割点是指：

将“除去词典训练集中心电图的噪声”步骤中获得的纯净信号Mlii导联部分输入由R.Jané发明的波形限制探测器，完成R波顶点检测、QRS波群起点、QRS波群终点检测、心拍起点检测、心拍终点检测。对于采样频率为f的心电图，设置波形限制探测器的参数：R波顶点检测时间限为120×f/250到250×f/250个采样点，Q波和S波检测时间限为距离R波顶点小于50×f/250个采样点，心拍分割点时间限为距离R波大于50×f/250小于150×f/250个采样点，以上参数四舍五入取整。

3.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的对词典训练集中分段信号进行重采样是指：

取每个心拍的三个分段，分别进行相等输出长度的重采样，技术人员可选用分段插值、分段函数拟合、多相滤波器方法实施该重采样步骤；但是必须满足本步骤的参数限定条件：重采样的输出频率

L_r/L₀=100

L₀为目标序列的长度，L_r为重采样序列的长度。重采样成功的标志为处理后的信号与原信号波形一致，但长度固定为L_r个采样点。

4.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的对词典训练集中短序列结构体进行格式转换是指：

读取“转换格式存储词典训练集中信号”步骤中存储的短序列结构体A，做如下格式转换

$\begin{array}{c}{B}_1=[A\left(\mathrm{1,1}\right),a\left(\mathrm{2,1}\right),...A(n,1)]\\ B_2=[A\left(\mathrm{1,2}\right),A\left(\mathrm{2,2}\right),...A(n,2)]\\ .\\ .\\ .\\ B_{30}=[A\left(\mathrm{1,30}\right),A\left(\mathrm{2,30}\right),...A(n,30)]\end{array}$

其中，n为总心拍个数。

5.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的执行聚类算法是指：

分别取p=1,2,…,30;执行如下操作：以B_p中所有的向量为聚类目标，取聚类数K=6，距离的度量为欧几里得范数，执行K均值聚类算法，求得聚类中心向量：α(1,p),α(2,p),…,α(6,p)及聚类中心对应的聚类号：i=1,2,…,6；

存储所有聚类中心为6×30维的结构体E，其中元素E(i,j)存储了α(i,j)，命名为词典。

6.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的分离出待分类心电图中的心拍是指：

取“除去待分类心电图噪声”步骤中完成去噪的待分类心电图及“检测待分类心电图的分割点”步骤中计算得到的心拍起点和心拍终点，将心电图中的每个心拍进行截取。

7.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的对待分类心电图心拍进行分段是指：

取“分离出待分类心电图中的心拍”步骤中截取的心拍及“检测待分类心电图的分割点”步骤中计算得到的QRS波群起点和终点，按照心拍起点到QRS波群起点、QRS波群起点到QRS波群终点、QRS波群终点到心拍终点将每个心拍分为三段。

8.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的对待分类心电图分段信号进行重采样是指：

取每个心拍的三个分段，分别进行相等输出长度的重采样，此处要求重采样的方式与“建立词典部分的对分段信号进行重采样”步骤相同。

9.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的建立待分类心电图中所有心拍的形态学特征矩阵是指：

按公式

β₁=C(m,1)

β₂=C(m,2)…

β₃₀=C(m,30)

取待分类心拍的短序列；分别取j=1,2,…,30,由公式

D(m,j)=argmin||β_j,E(i,j)||

循环计算矩阵D，其i中，运算||.||表示向量的欧几里得范数；

命名计算得到的矩阵D为待分类心电图中所有心拍的形态学特征矩阵。

10.按照权利要求1所述的一种心电图特征提取方法，其特征在于，所述的特征向量生成是指：取“生成码字”步骤中所得到的形态学特征矩阵D和“生成统计特征”步骤中得到的统计特征矩阵G，将两个矩阵的每一行顺次连接，所得矩阵F即为待分类心电图对应的特征矩阵；其中，矩阵中的第i行F(i,:)表示待分类心电图中第i个心拍的特征向量，特征向量的维度为35。

Images