CN104783782A

CN104783782A - 心电信号自动检测方法及装置

Info

Publication number: CN104783782A
Application number: CN201510173381.8A
Authority: CN
Inventors: 沈海斌; 仇悦; 徐耕
Original assignee: Shenzhen's Flying Horse And Xing Yue Technological Research Co Ltd
Current assignee: Shenzhen's Flying Horse And Xing Yue Technological Research Co Ltd
Priority date: 2015-04-13
Filing date: 2015-04-13
Publication date: 2015-07-22
Anticipated expiration: 2035-04-13
Also published as: CN104783782B

Abstract

本发明公开了一种心电信号自动检测方法，包括：获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注；根据所述各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集；根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器；获取待检测心电信号的各个特征参数，并根据所述获取的各个特征参数以及所述训练完成的各个SVM分类器，分析待检测的心电信号，以得出所述待检测心电信号属于何种心电状况。本发明还公开了一种心电信号自动检测装置。本发明基于SVM分类器对心电信号进行检测，提高了心电信号检测的准确性。

Description

心电信号自动检测方法及装置

技术领域

本发明涉及医学信号处理技术领域，尤其涉及一种心电信号自动检测方法及装置。

背景技术

心脏病是当今发病率和致死率最高的疾病之一，心脏病的防治和诊断现已成为当今医学界的重要问题。一个世纪以来，心电图技术以其操作方法简便，对病人无侵入损害等优点，一直被作为心脏病诊断的重要手段。

常规心电图的诊断方法，是采集一小段心电波形，由医生进行读图诊断。这种诊断方法，由于仅采集了一小段时间的心电波形，其反映的情况具有较大的偶然性。而传统的心电检测技术虽然采集了病人24小时的心电活动全过程，但仍需要由人工进行离线诊断，医生往往需要阅读大量心电图数据，这对诊断的可行性和准确性造成了严重的影响。所以，心电图自动诊断具有重要的意义。

心电图诊断涉及的因素很多，除了医学诊断标准以外，被测者的种族、地域、性别、年龄等因素都会成为影响诊断的重要因素。因此，实际在人工诊断过程中，医生的判断并不是完全依照诊断标准的，而是结合各方面特征，综合以往的病例经验，做出的诊断。这就给心电信号自动诊断带来了挑战，说明完全以医学诊断标准为基础的自动诊断算法，无法应对复杂多变的实际情况。

发明内容

本发明的主要目的在于提出一种心电信号自动检测方法及装置，旨在解决传统心电信号检测方法不够准确与合理的技术问题。

为实现上述目的，本发明提供的一种心电信号自动检测方法，所述心电信号自动检测方法包括以下步骤：

获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注；

根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集；

根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器；

获取待检测心电信号数据，并提取所述待检测心电信号的各个特征参数；

根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，作为检测结果。

优选地，所述根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集的步骤包括：

根据各个所述特征参数建立特征参数序列矩阵；

确定所述特征参数序列矩阵中，各个特征参数序列中的最大偏移点；

判断所述的最大偏移点对应的特征参数是否为异常的特征参数，若为异常，剔除所述最大偏移点对应的异常的特征参数；

重新确定所述各个特征参数序列中的最大偏移点，判断所述最大偏移点对应的特征参数是否为异常的特征参数，直至所述最大偏移点对应的特征参数为正常的特征参数，以实现剔除所有的异常特征参数；

计算所述特征参数序列的均值，实现对特征参数的统计，得出所述心电信号的特征参数向量；

根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集。

优选地，所述根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器的步骤包括：

根据所述训练样本集中心电信号对应的心电状况的种类个数，确定SVM分类器的数量；

根据所述SVM分类器针对的心电状况以及所述训练样本集中所述心电状况对应的标注，设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

根据所述训练样本集中的各个训练样本与所述设置好的目标概率值，对针对不同心电状况的各个所述SVM分类器进行训练。

优选地，所述根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况的步骤包括：

根据所述待检测心电信号的特征参数，统计得出所述待检测心电信号的特征参数向量；

将所述特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；

比对所述待检测心电信号属于各个心电状况的概率，根据比对的各个概率确定所述待检测心电信号应属于何种心电状况。

优选地，所述心电信号自动检测方法还包括：

在接收到新的训练样本集时，提取出所述训练样本集中的支持向量，生成所述支持向量构成的支持向量样本集；

合并所述接收到的新的训练样本集与所述支持向量样本集，以更新训练样本集；

根据所述更新的训练样本集，对所述各个SVM分类器进行进一步的训练。

此外，为实现上述目的，本发明还提出一种心电信号自动检测装置，所述心电信号自动检测装置包括：

处理模块，用于获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注；

建立模块，用于根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集；

训练模块，用于根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器；

所述处理模块，还用于获取待检测心电信号数据，并提取所述待检测心电信号的各个特征参数；

分析模块，用于根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，作为检测结果。

优选地，所述建立模块包括：

建立单元，用于根据各个所述特征参数建立特征参数序列矩阵；

第一确定单元，用于确定所述特征参数序列矩阵中，各个特征参数序列中的最大偏移点；

处理单元，用于判断所述的最大偏移点对应的特征参数是否为异常的特征参数，若为异常，剔除所述最大偏移点对应的异常的特征参数；

所述处理单元，还用于重新确定所述各个特征参数序列中的最大偏移点，判断所述最大偏移点对应的特征参数是否为异常的特征参数，直至所述最大偏移点对应的特征参数为正常的特征参数，以实现剔除所有的异常特征参数；

第一统计单元，用于计算所述特征参数序列的均值，实现对特征参数的统计，得出所述心电信号的特征参数向量；

所述建立单元，还用于根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集。

优选地，所述训练模块包括：

第二确定单元，用于根据所述训练样本集中心电信号对应的心电状况的种类个数，确定SVM分类器的数量；

设置单元，用于根据所述SVM分类器针对的心电状况以及所述训练样本集中所述心电状况对应的标注，设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

训练单元，用于根据所述训练样本集中的各个训练样本与所述设置好的目标概率值，对针对不同心电状况的各个所述SVM分类器进行训练。

优选地，所述分析模块包括：

第二统计单元，用于根据所述待检测心电信号的特征参数，统计得出所述待检测心电信号的特征参数向量；

代入单元，用于将所述特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；

比对单元，用于比对所述待检测心电信号属于各个心电状况的概率，根据比对的各个概率确定所述待检测心电信号应属于何种心电状况。

优选地，所述心电信号自动检测装置还包括：

生成模块，用于在接收到新的训练样本集时，提取出所述训练样本集中的支持向量，生成所述支持向量构成的支持向量样本集；

更新模块，用于合并所述接收到的新的训练样本集与所述支持向量样本集，以更新训练样本集；

所述训练模块，还用于根据所述更新的训练样本集，对所述各个SVM分类器进行进一步的训练。

本发明提出的心电信号自动检测方法及装置，获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注，根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集，根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器，并提取待检测心电信号数据的各个特征参数，根据所述提取的各个特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，实现了基于SVM分类器对心电信号进行检测和分析，为心电信号的检测提供了较为详细的分析依据，而不是仅仅通过医学的标准进行检测，提高了心电信号检测的准确性与合理性。

附图说明

图1为本发明心电信号自动检测方法第一实施例的流程示意图；

图2为图1中步骤S20的细化流程示意图；

图3为图1中步骤S30的细化流程示意图；

图4为图1中步骤S50的细化流程示意图；

图5为本发明心电信号自动检测方法第二实施例的流程示意图；

图6为本发明心电信号自动检测装置第一实施例的功能模块示意图；

图7为图5中建立模块20的细化功能模块示意图；

图8为图5中训练模块30的细化功能模块示意图；

图9为图5中分析模块40的细化功能模块示意图；

图10为本发明心电信号自动检测装置第二实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种心电信号自动检测方法。

参照图1，图1为本发明心电信号自动检测方法第一实施例的流程示意图。

本实施例提出一种心电信号自动检测方法，所述心电信号自动检测方法包括：

步骤S10，获取用于训练SVM(Support Vector Machine支持向量机)分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注；

在本实施例中，所述步骤S10之前，包括采集心电信号的步骤，所述采集心电信号可通过预设的心电信号采集设备进行采集。此处采集心电信号的方式可与传统采集方式一致。

在本实施例中，基于获取的所述心电信号，提取所述心电信号的各个特征参数的步骤优选包括：1、基于获取的所述心电信号，对所述心电信号进行预处理，由于心电信号在采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他噪声干扰等，在本实施例中，所述对获取到的所述心电信号进行预处理优选通过数字滤波算法滤除心电信号的工频干扰、基线漂移、肌电干扰或及其他噪声干扰，以提高心电信号的信噪比；2、提取预处理后的所述心电信号的各个特征参数，现有的心电图的每个心动周期内出现的波形变化存在一定的规律，心电图中以周期形式出现的波形分别有P波、QRS波群、T波和U波等，在本实施例中，所述提取所述心电信号的特征参数优选包括提取心电信号中的P波、QRS波群和T波等波形对应的特征参数Xi。

在本实施例中，所述心电信号对应的心电状况的标注Yi为用户输入心电信号时，对心电信号状况的标记，如每一段心电信号对应的症状或情况，所述心电状况的标注可由心电信号采集设备采集所述心电信号后，用户在采集设备上进行标注，也可由用户事先对心电信号的情况进行标注，再通过采集设备采集已标注的心电信号。

步骤S20，根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集；

在本实施例中，参照图2，所述步骤S20包括：

步骤S21，根据各个所述特征参数建立特征参数序列矩阵；

在本实施例中，提取一段预设周期时长的心电信号的特征参数Xi，(i＝1,2,3….n)，根据预设特征统计算法，对各个所述特征参数Xi进行排列，以得到所述特征参数对应的特征参数序列矩阵[F¹，F²，...，Fⁿ]^T，其中所述计算特征参数序列的参数为F^t，t＝1，2，3，...，m，n为特征参数序列的长度，等于心电波形持续的周期数。

步骤S22，确定所述特征参数序列矩阵中，各个特征参数序列中的最大偏移点；

步骤S23，判断所述的最大偏移点对应的特征参数是否为异常的特征参数，若为异常，剔除所述最大偏移点对应的异常的特征参数；

步骤S24，重新确定所述各个特征参数序列中的最大偏移点，判断所述最大偏移点对应的特征参数是否为异常的特征参数，直至所述最大偏移点对应的特征参数为正常的特征参数，以实现剔除所有的异常特征参数；

在本实施例中，优选方案包括：1、先计算所述特征参数序列矩阵中的各个特征参数序列F^t的均值E(F^t)和方差S²(F^t)；2、将所述确定的最大偏移点代入公式k＝1，2，...，n，若所述公式成立，将所述确定的最大偏移点作为可疑异常数据点；3、提取出该可疑异常数据点重新计算剩余的特征参数序列的均值和方差得到剩余的特征参数序列4、若该可疑异常数据点满足公式R_TH∈(0，1)为预设的比例系数，则判定该可疑异常数据点为异常数据点，并将所述异常数据点去除，并更新训练样本集中剩余的各个特征参数，即5、继续查找剩余的各个特征参数序列中的最大偏移点，重复上述步骤2-4，直到各个特征参数序列中存在不满足上述公式的最大偏移值才判定所述最大偏移点对应的特征参数为正常的特征参数，即可确定剩余的特征参数序列中无异常数据点。

步骤S25，计算所述特征参数序列的均值，实现对特征参数的统计，得出所述心电信号的特征参数向量；

步骤S26，根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集。

在本实施例中，优选方案为，根据特征统计算法，对剩余的心电特征参数进行统计归纳，统计出最后的特征参数为，得到特征参数向量，并结合已有的标注y_i，组成训练样本集TR＝{(x_t，y_t)}，i＝1，2，3，...，N，i为样本序号，m为特征向量的维数，N为训练样本的个数，所述训练样本集用于训练SVM分类器。

在本实施例中，所述根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集的方式例如：所述训练样本集是一个集合，集合里面的元素是一个个心电样本，即

训练样本集＝{心电样本1，心电样本2，...}

＝{(心电特征参数向量1，心电情况标注1)，(心电特征参数向量2，心电情况标注2)，...}。

本实施例中，优选地，所述SVM分类器采用高斯核函数，形式为k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}。由于所述心电参数特征向量具有较高维数，故所述SVM分类器采用高斯核函数可提高心电信号检测的精确性和合理性。

步骤S30，根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器；

在本实施例中，参照图3，所述步骤S30包括：

步骤S31，根据所述训练样本集中心电信号对应的心电状况的种类个数，确定SVM分类器的数量；

在本实施例中，根据所述训练样本集中心电信号对应的心电状况的种类个数，可确定对应的SVM分类器的数量，例如所述心电状况的种类为5个时，对应的SVM分类器的数量也是5个。

步骤S32，根据所述SVM分类器针对的心电状况以及所述训练样本集中所述心电状况对应的标注，设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

在本实施例中，优选为预设所述训练样本集中的心电信号包括A、B、C和D四种状况，所述A、B、C和D四种状况分别使用svm[1]～svm[4]四个SVM分类器区分，则例如，当所述心电状况为A的心电信号在作为训练svm[1]分类器所用的训练样本时，目标概率值设置为100％，而在作为训练svm[2]～svm[4]分类器所用的训练样本时，目标概率值设置为0％。

步骤S33，根据所述训练样本集中的各个训练样本与所述设置好的目标概率值，对针对不同心电状况的各个所述SVM分类器进行训练。

在本实施例中，优选方案为，基于获取的所述训练样本集，采用一对多策略训练SVM分类器，本实施例优选采用一对多(one-against-all，OAA)策略，根据训练样本集TR训练针对不同心电状况对应的各个SVM分类器，即通过已提取的训练样本集TR，结合一对多策略对SVM分类器进行训练，以实现自动诊断心电信号多种异常情况的功能。

步骤S40，获取待检测心电信号数据，并提取所述待检测心电信号的各个特征参数；

在本实施例中，在接收到待检测心电信号时，同样先对待检测心电信号进行预处理，以去除待检测心电信号的工频干扰、基线漂移及其他噪声干扰等，提高心电信号的信噪比，然后提取待检测心电信号中的P波、QRS波群和T波等波形的特征参数Xi。

步骤S50，根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，作为检测结果。

在本实施例中，参照图4，所述步骤S50包括：

步骤S51，根据所述待检测心电信号的特征参数，统计得出所述待检测心电信号的特征参数向量；

所述统计所述待检测心电信号的特征参数向量的具体实施方式上文已经详述，此处不再赘述。

步骤S52，将所述特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；

步骤S53，比对所述待检测心电信号属于各个心电状况的概率，根据比对的各个概率确定所述待检测心电信号应属于何种心电状况。

在本实施例中，假设需要区分的心电信号类型有{Normal，A，B，C，E，F}7种，Normal指正常情况，A，B，C，D，E，F代表6种异常情况。将这7种情况划分为两类，Target[1]＝(A)，Otler[1]＝{Normal，B，C，D，E，F}，则第一个SVM分类器svm[1]的任务即为区分被测的心电信号是属于Target[1]类还是属于Otler[1]类，将待检测的心电信号的特征参数向量带入svm[1]分类器中进行运算，得到一组分类结果t[1]＝ξ[1],ο[1]＝1-ξ[1],ξ[1]∈[0％,100％]。分类结果用于表示被测心电信号属于该类的概率，如t[1]＝90％表示被测心电信号属于Target[1]类的概率为90％。同理，分类器svm[2]的任务为区分被测的心电信号是属于Target[2]＝{B}类还是属于Otler[2]＝{Normal，A，C，D，E，F}类，得到分类结果t[2]与c[2]。最终在做决策时，计算t[1]，t[2]...，t[7]序列中最大和次大值的差，若该差值大于某一设定的阈值，例如50％，则表明分类成功，并判定被测心电信号属于t[i]值中最大的那一类。

在本实施例中，根据提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号的过程包括：将所述已提取的各个待检测心电信号的特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；例如，如上文所举例的内容，将待检测心电信号的特征参数向量带入svm[1]～svm[7]这七个SVM分类器中进行运算，得出t[1]，t[2]...，t[7]序列，将t[1]～t[7]中的最大和次大值进行相减，若该差值大于某一设定的阈值，例如50％，则表明该心电信号为t[1]～t[7]序列中最大值对应的心电情况，从而获取到所述心电信号的分析结果。

进一步地，在待检测心电信号用现有SVM分类器进行分类后结果失败时，将所述心电信号作为待人工评估心电信号，并将所述待人工评估心电信号通过预设的窗口显示在显示界面，以供用户对所述待人工评估心电信号进行人工评估，在人工评估后，通过预设的增量学习算法，将所述人工评估后的心电信号作为新训练样本集，并根据所述新训练样本集更新训练样本集，所述新训练样本集更新训练样本集的具体实施方式优选通过预设的增量学习算法，提取训练样本集TR中的支持向量(Support Vector)，构成支持向量样本集，记作SV；将新获取的样本集TR_n＝{(x_in，y_in)|m＝1，2，3，...，N_n}加入支持向量样本集SV，以更新训练样本集TR_mo，TR_tno＝TR_n∪SV。。

本实施例提出的心电信号自动检测方法，先获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注，根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集，根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器，再提取待检测心电信号数据的各个特征参数，根据所述提取的各个特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，实现了基于SVM分类器对心电信号进行检测和分析，为心电信号的检测提供了较为详细的分析依据，而不是仅仅通过医学的标准进行检测，提高了心电信号检测的准确性与合理性。

进一步地，为提高心电信号自动检测的准确性，参照图5，基于第一实施例提出本发明心电信号自动检测方法第二实施例，在本实施例中，所述心电信号检测方法还包括：

步骤S60，在接收到新的训练样本集时，提取出所述训练样本集中的支持向量，生成所述支持向量构成的支持向量样本集；

步骤S70，合并所述接收到的新的训练样本集与所述支持向量样本集，以更新训练样本集；

步骤S80，根据所述更新的训练样本集，对所述各个SVM分类器进行进一步的训练。

在本实施例中，优选方案为，通过增量学习算法，提取训练样本集TR中的支持向量(Support Vector)，构成支持向量样本集，记作SV；将新获取的训练样本集TR_n＝{(x_in，y_in)|m＝1，2，3，...，N_n}加入支持向量样本集SV，以更新训练样本集TR_tno，TR_tno＝TR_n∪SV。为了更好的理解支持向量样本集SV，举例如下：训练样本集是{(心电特征参数向量1，心电情况标注1)，(心电特征参数向量2，心电情况标注2)，。。。。，(心电特征参数向量50000，心电情况标注50000)}，而支持向量SV的集合是例如{(心电特征参数向量1，心电情况标注1)，(心电特征参数向量5，心电情况标注5)，。。。。，(心电特征参数向量39，心电情况标注39)}，所述支持向量样本集SV是SVM分类器中特征性与典型性较高的训练样本，将所述提取出的支持向量样本集加入新的训练样本集以生成更新后的训练样本集。可以理解的是，利用不断新增的训练样本集，对SVM分类器不断调整和优化，增加了心电情况的分析数据，有助于分析心电信号时，提供了典型以及精确度高的分析依据，提高心电信号的诊断准确度。

本发明进一步提供一种心电信号自动检测装置。

参照图6，图6为本发明心电信号自动检测装置第一实施例的功能模块示意图。

需要强调的是，对本领域的技术人员来说，图6所示功能模块图仅仅是一个较佳实施例的示例图，本领域的技术人员围绕图6所示的心电信号自动检测装置的功能模块，可轻易进行新的功能模块的补充；各功能模块的名称是自定义名称，仅用于辅助理解该心电信号自动检测装置的各个程序功能块，不用于限定本发明的技术方案，本发明技术方案的核心是，各自定义名称的功能模块所要达成的功能。

本实施例提出一种心电信号自动检测装置，所述心电信号自动检测装置包括：

处理模块10，用于获取用于训练SVM(Support Vector Machine支持向量机)分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注；

在本实施例中，所述处理模块10获取心电信号数据之前，还包括采集心电信号的步骤，所述采集心电信号可通过预设的心电信号采集设备进行采集。此处采集心电信号的方式可与传统采集方式一致。

在本实施例中，基于获取的所述心电信号，所述处理模块10提取所述心电信号的各个特征参数的步骤优选包括：1、基于获取的所述心电信号，对所述心电信号进行预处理，由于心电信号在采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他噪声干扰等，在本实施例中，所述对获取到的所述心电信号进行预处理优选通过数字滤波算法滤除心电信号的工频干扰、基线漂移、肌电干扰或及其他噪声干扰，以提高心电信号的信噪比；2、提取预处理后的所述心电信号的各个特征参数，现有的心电图的每个心动周期内出现的波形变化存在一定的规律，心电图中以周期形式出现的波形分别有P波、QRS波群、T波和U波等，在本实施例中，所述提取所述心电信号的特征参数优选包括提取心电信号中的P波、QRS波群和T波等波形对应的特征参数Xi。

建立模块20，用于根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集；

在本实施例中，参照图7，所述建立模块20包括：

建立单元21，用于根据各个所述特征参数建立特征参数序列矩阵；

在本实施例中，所述建立单元21提取一段预设周期时长的心电信号的特征参数Xi，(i＝1,2,3….n)，根据预设特征统计算法，对各个所述特征参数Xi进行排列，以得到所述特征参数对应的特征参数序列矩阵[F1，F²，...，Fⁿ]^T，其中所述计算特征参数序列的参数为F^t，t＝1，2，3，...，m，n为特征参数序列的长度，等于心电波形持续的周期数。

第一确定单元22，用于确定所述特征参数序列矩阵中，各个特征参数序列中的最大偏移点；

处理单元23，用于判断所述的最大偏移点对应的特征参数是否为异常的特征参数，若为异常，剔除所述最大偏移点对应的异常的特征参数；

所述处理单元23，还用于重新确定所述各个特征参数序列中的最大偏移点，判断所述最大偏移点对应的特征参数是否为异常的特征参数，直至所述最大偏移点对应的特征参数为正常的特征参数，以实现剔除所有的异常特征参数；

在本实施例中，优选方案包括：1、先计算所述特征参数序列矩阵中的各个特征参数序列F^t的均值E(F^t)和方差S²(F^t)；2、所述处理单元23将所述确定的最大偏移点代入公式k＝1，2，...，n，若所述公式成立，将所述确定的最大偏移点作为可疑异常数据点；3、所述处理单元23提取出该可疑异常数据点，重新计算剩余的特征参数序列的均值和方差，得到剩余的特征参数序列4、若该可疑异常数据点满足公式R_TH∈(0，1)为预设的比例系数，则所述处理单元23判定该可疑异常数据点为异常数据点，并将所述异常数据点去除，并更新训练样本集中剩余的各个特征参数，即中剩余的各个特征参数；5、所述处理单元23继续查找剩余的各个特征参数序列中的最大偏移点，重复上述步骤2-4，直到各个特征参数序列中存在不满足上述公式的最大偏移值才判定所述最大偏移点对应的特征参数为正常的特征参数，即可确定剩余的特征参数序列中无异常数据点。

第一统计单元24，用于计算所述特征参数序列的均值，实现对特征参数的统计，得出所述心电信号的特征参数向量；

所述建立单元21，还用于根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集。

在本实施例中，优选方案为，所述第一统计单元24根据特征统计算法，对剩余的心电特征参数进行统计归纳，统计出最后的特征参数为，得到特征参数向量并结合已有的标注y_i，组成训练样本集TR＝{(x_t，y_t)}，i＝1，2，3，...，N，i为样本序号，m为特征向量的维数，N为训练样本的个数，所述训练样本集用于训练SVM分类器。

在本实施例中，所述建立单元21根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集的方式例如：所述训练样本集是一个集合，集合里面的元素是一个个心电样本，即

训练样本集＝{心电样本1，心电样本2，...}

训练模块30，用于根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器；

在本实施例中，参照图8，所述训练模块30包括：

第二确定单元31，用于根据所述训练样本集中心电信号对应的心电状况的种类个数，确定SVM分类器的数量；

在本实施例中，根据所述训练样本集中心电信号对应的心电状况的种类个数，所述第二确定单元31可确定对应的SVM分类器的数量，例如所述心电状况的种类为5个时，对应的SVM分类器的数量也是5个。

设置单元32，用于根据所述SVM分类器针对的心电状况以及所述训练样本集中所述心电状况对应的标注，设置训练样本集在训练各个SVM分类器时所对应的目标概率值；

训练单元33，用于根据所述训练样本集中的各个训练样本与所述设置好的目标概率值，对针对不同心电状况的各个所述SVM分类器进行训练。

在本实施例中，优选方案为，所述训练单元33基于获取的所述训练样本集，采用一对多策略训练SVM分类器，本实施例优选采用一对多(one-against-all，OAA)策略，根据训练样本集TR训练针对不同心电状况对应的各个SVM分类器，即通过已提取的训练样本集TR，结合一对多策略对SVM分类器进行训练，以实现自动诊断心电信号多种异常情况的功能。

所述处理模块10，还用于获取待检测心电信号数据，并提取所述待检测心电信号的各个特征参数；

分析模块40，用于根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，作为检测结果。

在本实施例中，参照图9，所述分析模块40包括：

第二统计单元41，用于根据所述待检测心电信号的特征参数，统计得出所述待检测心电信号的特征参数向量；

所述第二统计单元41统计所述待检测心电信号的特征参数向量的具体实施方式上文已经详述，此处不再赘述。

代入单元42，用于将所述特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；

比对单元43，用于比对所述待检测心电信号属于各个心电状况的概率，根据比对的各个概率确定所述待检测心电信号应属于何种心电状况。

在本实施例中，假设需要区分的心电信号类型有{Normal，A，B，C，D，E，F}7种，Normal指正常情况，A，B，C，D，E，F代表6种异常情况。将这7种情况划分为两类，Target[1]＝(A)，Otler[1]＝{Normal，B，C，D，E，F}，则第一个SVM分类器svm[1]的任务即为区分被测的心电信号是属于Target[1]类还是属于Otler[1]类，将待检测的心电信号的特征参数向量带入svm[1]分类器中进行运算，得到一组分类结果t[1]＝ξ[1],ο[1]＝1-ξ[1],ξ[1]∈[0％,100％]。分类结果用于表示被测心电信号属于该类的概率，如t[1]＝90％表示被测心电信号属于Target[1]类的概率为90％。同理，分类器svm[2]的任务为区分被测的心电信号是属于Target[2]＝{B}类还是属于Otler[2]＝{Normal，A，C，D，E，F}类，得到分类结果t[2]与c[2]。最终在做决策时，计算t[1]，t[2]...，t[7]序列中最大和次大值的差，若该差值大于某一设定的阈值，例如50％，则表明分类成功，并判定被测心电信号属于t[i]值中最大的那一类。

在本实施例中，所述分析模块40根据提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号的过程包括：将所述已提取的各个待检测心电信号的特征参数向量，代入所述的各个SVM分类器中运算，得出所述待检测心电信号属于各个SVM分类器对应的心电状况的概率；例如，如上文所举例的内容，将待检测心电信号的特征参数向量带入svm[1]～svm[7]这七个SVM分类器中进行运算，得出t[1]，t[2]...，t[7]序列，将t[1]～t[7]中的最大和次大值进行相减，若该差值大于某一设定的阈值，例如50％，则表明该心电信号为t[1]～t[7]序列中最大值对应的心电情况，从而获取到所述心电信号的分析结果。

本实施例提出的心电信号自动检测装置，先获取用于训练SVM分类器的心电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标注，根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集，根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器，再提取待检测心电信号数据的各个特征参数，根据所述提取的各个特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，实现了基于SVM分类器对心电信号进行检测和分析，为心电信号的检测提供了较为详细的分析依据，而不是仅仅通过医学的标准进行检测，提高了心电信号检测的准确性与合理性。

进一步地，为提高心电信号自动检测的准确性，参照图10，基于第一实施例提出本发明心电信号自动检测装置第二实施例，在本实施例中，所述心电信号自动检测装置还包括：

生成模块50，用于在接收到新的训练样本集时，提取出所述训练样本集中的支持向量，生成所述支持向量构成的支持向量样本集；

更新模块60，用于合并所述接收到的新的训练样本集与所述支持向量样本集，以更新训练样本集；

所述训练模块30，还用于根据所述更新的训练样本集，对所述各个SVM分类器进行进一步的训练。

在本实施例中，优选方案为，所述生成模块50通过增量学习算法，提取训练样本集TR中的支持向量(Support Vector)，构成支持向量样本集，记作SV；所述更新模块60将新获取的训练样本集TR_n＝{(x_tn，y_tn)|m＝1，2，3，...，N_n}加入支持向量样本集SV，以更新训练样本集TR_tno，TR_tno＝TR_n∪SV。为了更好的理解支持向量样本集SV，举例如下：训练样本集是{(心电特征参数向量1，心电情况标注1)，(心电特征参数向量2，心电情况标注2)，。。。。，(心电特征参数向量50000，心电情况标注50000)}，而支持向量SV的集合是例如{(心电特征参数向量1，心电情况标注1)，(心电特征参数向量5，心电情况标注5)，。。。。，(心电特征参数向量39，心电情况标注39)}，所述支持向量样本集SV是SVM分类器中特征性与典型性较高的训练样本，将所述提取出的支持向量样本集加入新的训练样本集以生成更新后的训练样本集。可以理解的是，所述训练模块30利用不断新增的训练样本集，对SVM分类器不断调整和优化，增加了心电情况的分析数据，有助于分析心电信号时，提供了典型以及精确度高的分析依据，提高心电信号的诊断准确度。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种心电信号自动检测方法，其特征在于，所述心电信号自动检测方法包括以下步骤：

2.如权利要求1所述的心电信号自动检测方法，其特征在于，所述根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标注，建立用于训练SVM分类器的训练样本集的步骤包括：

根据各个所述特征参数建立特征参数序列矩阵；

3.如权利要求1所述的心电信号自动检测方法，其特征在于，所述根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个SVM分类器的步骤包括：

4.如权利要求2所述的心电信号自动检测方法，其特征在于，所述根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况的步骤包括：

5.如权利要求1-4任一项所述的心电信号自动检测方法，其特征在于，所述心电信号自动检测方法还包括：

6.一种心电信号自动检测装置，其特征在于，所述心电信号自动检测装置包括：

7.如权利要求6所述的心电信号自动检测装置，其特征在于，所述建立模块包括：

8.如权利要求6所述的心电信号自动检测装置，其特征在于，所述训练模块包括：

9.如权利要求7所述的心电信号自动检测装置，其特征在于，所述分析模块包括：

10.如权利要求6-9任一项所述的心电信号自动检测装置，其特征在于，所述心电信号自动检测装置还包括：