CN104473629B - 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之一，其引发的心源性猝死在短短几分钟内可以使病患离世，留给病患家属无尽的痛苦。当今社会快节奏、方方面面的压力巨大，心源性猝死更表现出多行业、年轻化的趋势，给国家和社会带来无法弥补的损失。

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。自上世纪初荷兰莱顿大学的生理学家威廉.埃因托芬应用炫线式检流计描记心电过程开始，心电图应用于临床心脏病诊断，至今已有100多年。如今，心电图已经成为临床上重要的高效、无创和低价格检查手段。

由于心脏病的“一过性”等特征，广大心脏病患者和潜在病患急需便携式心电监测设备做到随时随地地监测心脏和心血管健康情况。目前在广大医疗器械厂家的不懈努力下，简易心电图监护仪设备，如一、三导联心电仪，已经开始进入千万寻常百姓家。简易单导、三导心电仪可以监测心率失常等心脏疾病，但非医学级心电监护仪。其在监测心脏病的广度和深度上远远不能达到医院常用12、18导联心电仪的水平。

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，保证用户能够在不需采用额外辅助情况下正确完成12、18导联心电测量，尤其是4个肢体电极的准确布放，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，包括如下步骤：

步骤一：定义常规12导联心电波形特征向量x＝[x₁，x₂，...x₁₂]^T,其中[.]^T表示向量转置；

步骤二：根据肢体电极正确放置和可能的6种错误放置类别，测量并记录各种人群(不同年龄、性别、地区等)12导联心电数字信号波形，将心电数字信号波形分为上述的七个类别；

步骤三：由步骤一定义建立的心电波形特征向量数据集，并根据步骤二中的7种类别来明确每个心电波形特征向量的类别，每个心电向量x及其对应的类别构成输入输出对，即样本(sample)点。设共有m个样本点；

步骤四：步骤三中m个样本点构成训练数据集(training data set)并用于训练基于核函数的7个分类器(classifier)，上述训练数据集包括所有7个类别心电信号。每个分类器以参数向量(parameter vector)θ标识，θ有m+1个成分(component)，即θ＝[θ₀ θ₁ θ₂...θ _m]^T；

步骤五：对于任意未知类别心电向量t，应用步骤四中得到的7个分类器判别t的类别，判定t是正确布放肢体电极或者是6种错误布放之一。

进一步，上述心电波形特征向量x中的各成分代表：

(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)II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mV，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波群电轴，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，可正可负，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幅值分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值没有明显差值(小于0.1mV)则以零值计算；

(8)II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，i＝1，2，...，6。

进一步，步骤二中的心电数字信号波形将分为如下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：正常人心电波形，4个手、足电极均正确布放。

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。

步骤一：定义常规12导联心电波形特征向量x＝[x₁，x₂，...x₁₂]^T，其中的各成分(component)x₁，x₂，...x₁₂：代表的含义如下：

(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)II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mV，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波群电轴，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，可正可负，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幅值分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值没有明显差值(小于0.1mV)则以零值计算(如图1所示)；

(8)II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，i＝1，2，...，6；

步骤二：根据肢体电极正确放置和可能的6种错误放置类别，测量并记录各种人群(不同年龄、性别、地区等)12导联心电数字信号波形。本发明使用经过降噪、伪差被滤除的优质心电信号作为样本点输入，该样本信号分为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：正常人心电波形，4个手、足电极均正确布放。

步骤三：由步骤一定义建立的心电波形特征向量数据集，并根据步骤二中的7种类别来明确每个心量的类别y(步骤二中7种类别之一)，每个心电向量x及其对应的类别y构成输入输出对，即样本点。设步骤二中一共采集记录了m个心电向量，即x⁽¹⁾，x⁽²⁾，...x^(m)，得到m个样本点{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}。举例说明，如果某个心电向量x⁽ⁱ⁾为类别7则y⁽ⁱ⁾＝7。

步骤四：步骤三中m个样本点构成训练数据集并用于训练基于核函数的7个分类器，训练集包括所有7个类别心电信号。每个分离器以参数向量θ标识，θ有m+1个成分，即θ＝[θ₀ θ₁ θ₂ ... θ_m]^T。以θ⁽¹⁾，θ⁽²⁾，...，θ⁽⁷⁾标识7个分类器的参数向量。下面说明如何得到类别一分类器的参数向量θ⁽¹⁾。类别二到七分类器的参数向量θ⁽²⁾，...，θ⁽⁷⁾的计算过程雷同。

(1)重新处理m个样本点{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}。如果某个样本点x⁽ⁱ⁾的输出属于心电信号类别一，则标识y⁽ⁱ⁾为1，反之为0，记为y′ⁱ。这样得到处理后的数据集{(x⁽¹⁾，y′⁽¹⁾)，(x⁽²⁾，y′⁽²⁾)，...，(x^(m)，y′^(m))}；

(2)对于{x⁽¹⁾，x⁽²⁾，...，x^(m)}任意一心电向量x⁽ⁱ⁾，由新数据集{(x⁽¹⁾，y′⁽¹⁾)，(x⁽²⁾，y′⁽²⁾),...，(x^(m)，y′^(m))}计算特征向量 其中i，j＝1，2，...m。注意f₀ ⁽ⁱ⁾总是1。

(3)定义cost₁函数，

(4)定义cost₀函数，

(5)定义开销函数(cost function) m为训练数据集中样本点个数；

(6)调整参数C和σ²,采用梯度下降(gradient descent)法使(5)中开销函数最小化，得到参数向量θ最优值，即为类别一分类器的参数向量θ⁽¹⁾；

步骤五：对于任意未知类别心电向量t，应用步骤四中得到的7个分类器判别t的类别，可能为正确布放肢体电极也可能为6个错误布放之一。具体判别过程如下：

1.以θ⁽¹⁾，θ⁽²⁾，...，θ⁽⁷⁾标识步骤四中7个分类器的参数向量；

2.给定某未知类别心电向量t，由步骤四中训练数据集中的m个样本点{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}计算特征向量f＝[f₀，f₁，f₂，…f_m]^T,其中j＝1，2，...m。f₀总是1。

3.分别计算向量θ⁽ⁱ⁾与未知类别心电向量t的特征向量f的内积， i＝1，2，...7。注意f₀总是总等于1。

4.比较各个((θ⁽ⁱ⁾)^T)·f计算结果，哪一个((θ⁽ⁱ⁾)^T)·f数值最大，则判定心电向量t为类别i。

5.心电向量t所属类别判定结束。

Claims (3)

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：

定义常规12导联心电波形特征向量x＝[x₁，x₂，...x₁₂]^T；

根据肢体电极正确放置和可能的六种错误放置类别，测量并记录抽样样本的12导联心电数字信号波形；

根据心电波形特征向量数据集，并依据上述肢体电极正确放置和可能的六种错误放置类别，来明确每个心电波形特征向量x的类别，将每个心电波形特征向量x及其对应的类别y构成输入输出对，即样本点，设共有m个样本点{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}；

将上述m个样本点构成训练数据集，用于训练基于核函数的七个分类器，上述训练数据集包括所有七个类别心电信号，每个分类器以参数向量θ标识，θ有m+1个成分，即θ＝[θ₀ θ₁θ₂ ... θ_m]^T；

以θ⁽¹⁾，θ⁽²⁾，...，θ⁽⁷⁾标识七个分类器的参数向量，其中类别一分类器的参数向量θ⁽¹⁾的计算方法为：

(1)重新处理m个样本点

{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}

如果某个样本点x⁽ⁱ⁾的输出属于心电信号类别一，则标识y⁽ⁱ⁾为1，反之为0，记为y′ⁱ，得到处理后的新数据集

{(x⁽¹⁾，y′⁽¹⁾)，(x⁽²⁾，y′⁽²⁾)，...，(x^(m)，y′^(m))}；

(2)对于{x⁽¹⁾，x⁽²⁾，...，x^(m)}任意一心电向量x⁽ⁱ⁾，由新数据集{(x⁽¹⁾，y′⁽¹⁾)，(x⁽²⁾，y′⁽²⁾)，...，(x^(m)，y′^(m))}计算特征向量 其中 总是1；

(3)定义cost₁函数，

(4)定义cost₀函数，

(5)定义开销函数

m为训练数据集中样本点个数；

(6)调整参数C和σ²,最小化(5)中的开销函数，得到参数向量θ最优值，即为类别一分类器的参数向量θ⁽¹⁾；

类别二到七分类器的参数向量θ⁽²⁾，...，θ⁽⁷⁾的计算过程与类别一分类器相同；

对于任意未知类别心电向量t，应用上述步骤中得到的七个分类器判别t的类别。

2.根据权利要求1所述的方法，其特征在于，所述心电波形特征向量x中的各成分代表：

(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)II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波群电轴，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，可正可负，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幅值分别以变量x₇、x₈、x₉表示，若所述幅值与基线幅值的差值小于0.1mV，则以零值计算；

(8)II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，i＝1，2，...，6。

3.根据权利要求1或2所述的方法，其特征是，应用得到的七个分类器判别任意未知类别心电向量t的类别的具体过程为：

(1)以θ⁽¹⁾，θ⁽²⁾，...，θ⁽⁷⁾标识所述七个分类器的参数向量；

(2)给定某未知类别心电向量t，由所述训练数据集中的m个样本点{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，...，(x^(m)，y^(m))}计算特征向量f＝[f₀，f₁，f₂，…f_m]^T,其中f₀总是1；

(3)分别计算向量θ⁽ⁱ⁾与未知类别心电向量t的特征向量f的内积， f₀总是1；

(4)比较各个((θ⁽ⁱ⁾)^T)·f计算结果，哪一个((θ⁽ⁱ⁾)^T)·f数值最大，则判定心电向量t为该类别i；

(5)心电向量t所属类别判定结束；

所述肢体电极正确放置和可能的六种错误放置类别具体为：

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：正常人心电波形，4个手、足电极均正确布放。