CN105125206B - 一种智能心电监护方法及装置 - Google Patents

Abstract

本发明实施例公开了一种智能心电监护方法及装置，利用探针采集人体心电信号；通过数模转换器将信号转化为数字信号，并对信号初步去噪处理；利用已经训练好的深度学习结构模型对信号片段进行分类；针对不同信号采用不同处理方法，使得误检风险最小化。本发明通过对病人干扰更小的信号采集方式以及信号分类手段，能够更准确地检测心率，降低临床设备误报率，既能更好的保证病人的康复进程，还能提高医护人员的工作效率，减少医护人员工作量，提高其对警报的敏感性。

Description

一种智能心电监护方法及装置

技术领域

本发明涉及医疗设备技术领域，尤其涉及一种智能心电监护方法及装置。

背景技术

心脏是人体最为重要的器官，一些与心脏有关的疾病也是严重威胁到人类生命健康。然而，心脏病又经常是偶发、突发性的，难于捕捉，因此临床上对心脏的状态实时检查并记录是非常必要的。

随着心电信号处理技术的发展，心电监护仪也成为临床最为广泛使用的监护仪器之一，对患者心脏状态进行监测，出现异常就能及时提醒医护人员。由于临床上的使用环境的复杂性，所获取的信号经常失真，一旦病人有轻微移动就会对信号波形带来较大影响，这直接导致了心电监护仪的检测失效，从而产生错误警报，进而给医护人员带来额外的工作量，影响其工作效率，还会降低其对警报的敏感性。此外还会影响病人的健康恢复。

现有技术主要集中于心电监护设备的便携性以及远程监控，却忽略了更为重要的一点，即信号与处理方法的有效性。也有极少数针对信号的复杂性提出的技术，根据运动量大小适应性调整滤波器带宽。然而单一的带通滤波器并不能适用于所有情况，无法完全去除干扰。因此，对于不同环境下，所产生的不同情况的心电信号，需要做不同的处理，达到最大程度的正确检测心率，使得设备错误警报降到最低。

发明内容

本发明实施例提供一种智能心电监护方法及装置，在使用方便的同时解决临床上心电监护仪的误报率高的问题，让医护人员的工作更加高效，同时利于病人恢复。

本发明实施例提供了一种智能心电监护方法，该方法包括以下步骤：

S1：心电信号采集；

S2：通过模数转换器将信号转化为数字信号，并对信号初步去噪处理；

S3：利用已经训练好的深度学习网络结构模型对信号片段进行分类；

S4：针对不同信号采用不同处理方法，使得误检风险最小化，其中不同信号包括含有噪声的信号、基线突变的信号和杂乱无章信号。

所述步骤S1的具体操作如下：采用非接触式“纺织式”，电极包括绝缘布和电位传感器，即探头不直接与人体皮肤接触，而是通过绝缘布再与皮肤间接接触，在电位传感器测量中，通过身体表面电位移随时间的变化而产生位移电流，其中，位移电流的表达式为：

其中I_D表示位移电流，表示位移电流密度，S表示人体待测部分的表面积，表示电位移通量，由于人体表面的电位是不断变化的，即电位移通量D随时间的变化不为0的，将一个探针靠近人体，将有位移电流流入检测电路，检测电路再对该位移电流进行差动放大、滤波和主放大，最后将心电信号检测出来。

所述步骤S2的具体操作如下：利用模数转换器将采集的模拟信号转换成数字信号，然后对数字信号进行初步的带通滤波，以去除基本不含心电信号的高频带噪声信号，所采用的带通频率范围为0.01～30Hz。

所述步骤S3的具体操作如下：

S31：训练深度学习网络结构；

先构建一个含有n个隐含层的深度网络结构模型，每层含有的单元数为M(m₁,m₂,m₃,...,m_n)，结构模型只含有一个输入元和一个输出单元，将所有权值矩阵的数值随机初始化后，利用大量的心电数据对网络结构进行逐层无监督训练，根据数据的不同特性网络权值自适应调整，每个单元是否激活由上一层单元的输出加权组合决定，再通过偏置项b矫正每层每个单元的输出结果，即

其中表示第n层第m个单元的输出，表示从第n-1层第j个单元连向第n层第m个单元的权值，b表示偏置项；在大量数据的无监督训练以后，再使用少量有标记的数据对所有的权值进行调整，通过梯度下降使网络结构性能达到局部最优，以满足误差的要求条件；

S32：将预处理过的心电信号输入训练好的深度学习网络结构，从而将信号片段分为含有噪声的信号、基线突变的信号和杂乱无章的信号三种。

所述步骤S4的具体操作如下：

S41：针对含有噪声的信号使用处理方法1，更细致的去除高频噪声，而保留QRS的波形特征；针对基线突变的信号使用处理方法2，从QRS波形的陡峭、双边角度特征识别R波，避免收到基线的突变带来的干扰；对于杂乱无章信号，信号质量非常差的片段，无法很好的识别R波的信号，则舍弃该信号片段，避免误检；

S42：利用方法1和方法2处理后得到的特征波形计算心率，并在显示器上显示原信号波形及心率，如果心率超出设定范围，则启动报警器；对于杂乱无章的信号，则只显示原波形，抑制报警器，防止误报。

相应地，本发明实施例还提供了一种智能心电监护装置，包括：

信号采集模块，利用绝缘布和探针从人体皮肤检测电位变化，通过差分放大电路得到最原始心电信号，再进行预处理并转换成数字信号；

传输模块，利用无线传输将信号传至微处理器；

微处理器，将深度学习网络模型用于信号片段的分类，然后利用多种处理方法分别处理不同类别的信号片段，以最大程度的准确检测QRS波；

反馈模块，向用户显示心电波形以及检测的心率，同时一旦心率超过设定的阈值就将引起警报，另外，若信号杂乱无章则将警报抑制。

实施本发明实施例，具有如下有益效果：

1、信号采集不同于传统的导电膏加电极的形式，探针通过绝缘布从皮肤的电位变化获取信号，这样对病人的心理、生理上的干扰更小。

2、深度学习具有多层网络结构，自适应调整权值对于信号片段的分类有更好的效果，大数据的训练可以极大提高深度学习模型的性能。

3、针对不同种类的信号采取不同的处理方法，让方法面向实际情况，能更准确进行心电检测，同时极大的降低临床设备误报率，提高医护人员的工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的智能心电监护方法的流程示意图；

图2是本发明提供的智能心电监护方法的具体流程示意图；

图3是本发明提供的智能心电监护装置的结构示意图；

图4是本发明的智能心电监护装置的深度学习模型结构示意图；

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他实施例，都属于本发明保护的范围。

如图1所示，本发明所述的智能心电监护系统，包括以下内容：

S1：心电信号采集；

S2：通过模数转换器将信号转化为数字信号，并对信号初步去噪处理；

S3：利用已经训练好的深度学习网络结构模型对信号片段进行分类；

S4：针对不同信号采用不同处理方法，使得误检风险最小化，其中不同信号包括含有噪声的信号、基线突变的信号和杂乱无章信号。

步骤S1是在人体皮肤采集心电信号，具体操作如下：

采用非接触式“纺织式”，电极包括绝缘布和电位传感器，即探头不直接与人体皮肤接触，而是通过绝缘布再与皮肤间接接触。在电位传感器测量中，通过身体表面电位移随时间的变化而产生位移电流。其中，位移电流的表达式为：

其中I_D表示位移电流，表示位移电流密度，S表示人体待测部分的表面积，表示电位移通量，由于人体表面的电位是不断变化的，即电位移通量D随时间的变化不为0的，因此如果我们将一个探针靠近人体，将有位移电流流入检测电路，检测电路再对该位移电流进行差动放大、滤波和主放大等，最后将心电信号检测出来。

如图2所示，步骤S2是对原始信号的预处理，具体操作如下：

利用模数转换器将采集的模拟信号转换成数字信号，然后对数字信号进行初步的带通滤波，以去除基本不含心电信号的高频带噪声信号，所采用的带通频率范围为0.01～30Hz。

步骤S3针对信号片段的分类，具体操作如下：

S31：训练深度学习网络结构；

先构建一个含有n个隐含层的深度网络结构模型，每层含有的单元数为M(m₁,m₂,m₃,...,m_n)，结构模型只含有一个输入元和一个输出单元。将所有权值矩阵的数值随机初始化后，利用大量的心电数据对网络结构进行逐层无监督训练，根据数据的不同特性网络权值自适应调整。每个单元是否激活由上一层单元的输出加权组合决定，再通过偏置项b矫正每层每个单元的输出结果，即

其中表示第n层第m个单元的输出，表示从第n-1层第j个单元连向第n层第m个单元的权值，b表示偏置项。在大量数据的无监督训练以后，再使用少量有标记的数据对所有的权值进行调整，通过梯度下降使网络结构性能达到局部最优，以满足误差的要求条件。

S32：将预处理过的心电信号输入训练好的深度学习网络结构，从而将信号进行分类。

如图3所示，深度学习网络模型相对于普通的神经网络有多个隐含层，因此表达或还原原信号的能力也更加突出，不过模型也就需要更大的数据量来进行训练。每个隐含层单元都连向下层的各个单元，每层隐含层单元的输出都作为下一层单元的输入。大样本初步训练以后再利用少量有标签的数据进行参数校准，嘴鸥得到网络模型。训练好的模型即可将输入的心电信号片段分为含有噪声的信号、基线突变的信号和杂乱无章的信号三种，以便对不同的信号作不同的后续处理。

步骤S4则是对不同类别的信号采用不同的处理方法，具体操作如下：

S41：针对含有噪声的信号使用处理方法1，主要更细致的去除高频噪声，而保留QRS的波形特征。针对基线突变的信号使用处理方法2，从QRS波形的陡峭、双边角度特征识别R波，避免收到基线的突变带来的干扰。对于杂乱无章信号，信号质量非常差的片段，无法很好的识别R波的信号，则舍弃该信号片段，避免误检。

S42：利用方法1和方法2处理后得到的特征波形计算心率。并在显示器上显示原信号波形及心率，如果心率超出设定范围，则启动报警器。对于杂乱无章的信号，则只显示原波形，抑制报警器，防止误报。

如图4所示，本发明所述的智能心电监护装置包括信号采集模块、传输模块、微处理器和反馈模块四部分。其中信号采集模块利用绝缘布和探针从人体皮肤检测电位变化，通过差分放大电路得到最原始心电信号，再进行预处理并转换成数字信号。传输模块利用无线传输将信号传至微处理器，采集模块和处理系统分离对病人的活动影响更小，检测也更有效。微处理器上集成多种方法，深度学习网络模型用于信号片段的分类，然后利用多种处理方法分别处理不同类别的信号片段，以最大程度的准确检测QRS波。反馈模块可以向用户显示心电波形以及检测的心率，同时一旦心率超过设定的阈值就将引起警报，另外，若信号杂乱无章则将警报抑制。

本发明利用探针隔着绝缘布从皮肤表面采集心电信号，经过预处理后无限传输至微处理器，然后利用深度学习模型对信号片段进行分类，再对不同种类信号采取适应的处理方法，以最大程度得准确提取心率，从而降低临床设备的误报率。这样既能降低医护工作者的工作量，提升工作效率，同时不会因为警报的错误发生而影响病人的恢复。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (4)

1.一种智能心电监护方法，其特征在于，包括以下步骤：

S1：心电信号采集；

S2：通过模数转换器将信号转化为数字信号，并对信号初步去噪处理；

S3：利用已经训练好的深度学习网络结构模型对信号片段进行分类；

S4：针对不同信号采用不同处理方法，使得误检风险最小化，其中不同信号包括含有噪声的信号、基线突变的信号和杂乱无章信号；

所述步骤S1的具体操作如下：

采用非接触式“纺织式”电极，包括绝缘布和电位传感器，即探针不直接与人体皮肤接触，而是通过绝缘布再与皮肤间接接触，在电位传感器测量中，通过身体表面电位移随时间的变化而产生位移电流，其中，位移电流的表达式为：

其中I_D表示位移电流，表示位移电流密度，S表示人体待测部分的表面积，表示电位移通量，由于人体表面的电位是不断变化的，即电位移通量D随时间的变化不为0的，将一个探针靠近人体，将有位移电流流入检测电路，检测电路再对该位移电流进行差动放大、滤波和主放大，最后将心电信号检测出来；

所述步骤S4的具体操作如下：

S41：针对含有噪声的信号使用处理方法1，更细致的去除高频噪声，而保留QRS的波形特征；针对基线突变的信号使用处理方法2，从QRS波形的陡峭、双边角度特征识别R波，避免收到基线的突变带来的干扰；对于杂乱无章信号，信号质量非常差的片段，无法很好的识别R波的信号，则舍弃该信号片段，避免误检；

S42：利用方法1和方法2处理后得到的特征波形计算心率，并在显示器上显示原信号波形及心率，如果心率超出设定范围，则启动报警器；对于杂乱无章的信号，则只显示原波形，抑制报警器，防止误报。

2.如权利要求1所述的智能心电监护方法，其特征在于，所述步骤S2的具体操作如下：

利用模数转换器将采集的模拟信号转换成数字信号，然后对数字信号进行初步的带通滤波，以去除基本不含心电信号的高频带噪声信号，所采用的带通频率范围为0.01～30Hz。

3.如权利要求1所述的智能心电监护方法，其特征在于，所述步骤S3的具体操作如下：

S31：训练深度学习网络结构模型；

先构建一个含有n个隐含层的深度学习网络结构模型，每层含有的单元数为M(m₁,m₂,m₃,...,m_n)，结构模型只含有一个输入元和一个输出单元，将所有权值矩阵的数值随机初始化后，利用大量的心电数据对网络结构进行逐层无监督训练，根据数据的不同特性网络权值自适应调整，每个单元是否激活由上一层单元的输出加权组合决定，再通过偏置项b矫正每层每个单元的输出结果，即

其中表示第n层第m个单元的输出，表示从第n-1层第j个单元连向第n层第m个单元的权值，b表示偏置项；在大量数据的无监督训练以后，再使用少量有标记的数据对所有的权值进行调整，通过梯度下降使网络结构性能达到局部最优，以满足误差的要求条件；

S32：将预处理过的心电信号输入训练好的深度学习网络结构模型，从而将信号片段分为含有噪声的信号、基线突变的信号和杂乱无章的信号三种。

4.一种如权利要求1所述的智能心电监护方法所用的智能心电监护装置，其特征在于，包括：

信号采集模块，利用绝缘布和探针从人体皮肤检测电位变化，通过差分放大电路得到最原始心电信号，再进行预处理并转换成数字信号；

传输模块，利用无线传输将信号传至微处理器；

微处理器，将深度学习网络结构模型用于信号片段的分类，然后利用多种处理方法分别处理不同类别的信号片段，以最大程度的准确检测QRS波；

反馈模块，向用户显示心电波形以及检测的心率，同时一旦心率超过设定的阈值就将引起警报，另外，若信号杂乱无章则将警报抑制。