CN106682630A - 一种基于心电信号的特征取样方法 - Google Patents
一种基于心电信号的特征取样方法 Download PDFInfo
- Publication number
- CN106682630A CN106682630A CN201611254970.XA CN201611254970A CN106682630A CN 106682630 A CN106682630 A CN 106682630A CN 201611254970 A CN201611254970 A CN 201611254970A CN 106682630 A CN106682630 A CN 106682630A
- Authority
- CN
- China
- Prior art keywords
- frequency
- hilbert
- method based
- ihr
- sampling method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明一种基于心电信号的特征取样方法,属于数据处理技术领域,涉及心电图数据的自动处理和分析,用以实现对心电图数据波形特征点的定位。读取RR间期序列,并通过HHT变换,将瞬时频率进行分解,消除低频干扰分量,获取有意义的瞬时频率,更利于获取老年人,青年人及房颤病人准确的样本数据,利用Hilbert谱熵可以更有效的区分各样本组,可清晰地反映不同生理病理状况下的交感神经和迷走神经调节的变化规律。
Description
技术领域
本发明属于数据处理技术领域,涉及心电图数据的自动处理和分析,用以实现对心电图数据波形特征点的定位。
背景技术
心脏疾病是严重危害人类健康的重大疾病,在心电信号及心率变异信号中蕴含着丰富的心脏活动信息,是心脏疾病的预防、诊断和治疗非常有价值的参考依据。
根据心电理论,对于小波变换的阀值去噪方法,易在Q、S波处出现振荡现象,消除基线漂移时可能使得心电信号低频部分的波形形态发生畸变,从而影响疾病诊断的准确性。在信号集抽样过程中,由于小波不具有平移不变性,易造成重构信号的Gibbs振荡。
RR间期即为心脏搏动周期,正常心率在60-100次/分。0.1-0.16s为正常时间。心律失常是复杂而多样的,目前对于RR间期心律失常的自动分类算法的研究还刚刚起步,心脏交感神经和迷走神经调节的变化规律不同人群分类是不同的;年轻人、老年人及房颤病人的生理数据样本分布存在差异,这就使得特征值的提取和预测恶性室性心律失常事件有一些困难。
发明内容
基于上述现有技术的不足,本发明的目的在于提供一种基于心电信号的特征取样方法,该方法克服上述现有方法的缺点,充分利用非线性熵分析方法应用于HRV信号分析过程之中,来获取较好的效果,准确的计算出的心电特征点。
为实现上述目的,本发明提供如下技术方案:
一种基于心电信号的特征取样方法,该方法可以概括为:A.读取RR间期序列;B.利用RR间期序列进行方差滤波,得到衍生截取数据;C.将衍生截取数据转换为原始IHR序列;D.将原始IHR序列进行三次重采样,以去除趋势,保留瞬时变化量,进而得到重采样IHR序列;E.利用重采样IHR序列进行HHT变换,将瞬时频率进行分解,消除低频干扰分量,获取有意义的瞬时频率;F.利用有意义的瞬时频率,Hilbert谱熵特征提取样本。
步骤E,具体是,将重采样IHR序列的信号进行小波包分解,将分解后的窄带信号继续进行EMD分解,来提取低频幅值(0.04~0.15Hz)、高频幅值(0.15~0.4Hz)、甚高频幅值(>0.4Hz)及总幅值(0~1Hz),作为反映生理病理变化的样本特征,再经过样本相关性判断处理后进行Hilbert变换得到Hilbert时频谱
进一步,所述读取RR间期序列,具体指,通过计算存放R峰位置序列中前后两个元素的差值就能得到RR间期序列,如当出现连续3个以上的RR间期大于1.5秒,则认为房室出现阻滞,进行重读;所述方差滤波是截取发生时长十分钟的RR间期序列和正常窦性RR间期序列进行RLS自适应算法方差,滤除干扰和异位心搏,转换为衍生截取数据。
进一步,所述将衍生截取数据转换为原始IHR序列,具体指,采样条频率为2Hz,采样的横轴为时间轴。
进一步,所述Hilbert时频谱按频率轴划分4个面积不等的频段。
进一步,所述利用瞬时频率Hilbert谱熵特征提取样本,该瞬时频段内每个能量单元为,
第k频段的Hibert时频谱熵为,
该方法的具体步骤包括如下:
(1)读取RR间期序列,通过计算存放R峰位置序列中前后两个元素的差值就能得到RR间期序列。
(2)利用RR间期序列进行方差滤波,滤除白噪音和异位干扰,得到衍生截取数据。方差滤波是截取发生时长十分钟的RR间期序列和正常窦性RR间期序列进行RLS自适应算法方差,滤除干扰和异位心搏,转换为衍生截取数据。
(3)将衍生截取数据转换为原始IHR序列。采样条频率为2HZ,采样的横轴为时间轴,具体算法为:t(n)=RR(n)+t(n-1)n∈[1,N],t(0)=0,n,n∈Z。其中,t代表时间,N代表心跳数,在每个RR期间,将衍生截取数据转换为瞬时心率数列IHR(beats/min),具体公式为:IHR=6000/RR(ms),即为原始IHR序列。
(4)将原始IHR序列进行三次重采样,得到均值用来去除趋势,保留瞬时变化量,进而得到重采样IHR序列,采样间隔为0.5秒。
(5)利用重采样IHR序列进行HHT变换,是根据HHT算法实现的。HHT算法具体的流程为是:将重采样IHR序列的信号进行小波包分解,将分解后的窄带信号继续进行EMD分解,来提取低频幅值(0.04~0.15Hz)、高频幅值(0.15~0.4Hz)、甚高频幅值(>0.4Hz)及总幅值(0~1Hz),作为反映生理病理变化的样本特征,再经过样本相关性判断处理后进行Hilbert变换,得到Hilbert时频谱。
(6)样本相关性判断处理过程为,将样本均匀等分为800点,每点表示0.001Hz,这样可将Hilbert时频谱按频率轴划分4(k=4)个面积不等的频段。即1频段(0~0.04Hz)、2频段(0.04~0.15Hz)、3频段(0.15~0.4Hz)、4频段(>0.4Hz)。在每个频率段中,再划分k(k=1,2,3,4)个等面积的时频网格单元,根据Hilbert谱的时频多分辨率特性和HRV信号能量分布,表现为每个频段中时频单元的面积和划分疏密,以便准确提取生理病理特征。
(7)Hilbert变换过程是将Hilbert时频谱划分为四个不同频段的生理带,具体为,时间轴3000点,频率轴800点,各频段划分的时频网格单元数分别为1频段:40×150,2频段:6×150,3频段:5×60,4频段:2×30。从而在不同生理频带求取HRV信号的Hilbert能量棒形图,并提取各生理频带的HRV信号的能量特征为评价心率变异性的HRV时频特征,所述的HRV(Heart rate variability)是指心率节奏快慢随时间所发生的变化,即心率变异性。
与现有技术相比,本发明的有益效果是:通过HHT算法,实现了对年轻人、老年人及房颤病人的特征HRV信号的分频取样,相对传统的特征取样方法,Hilbert谱熵能更有效的区分各样本组,可更清晰地反映不同生理病理状况下的交感神经和迷走神经调节的变化规律。
附图说明
图1为本发明整体流程示意图。
图2为HHT变换的算法示意图。
图3为HHT算法中相关性判断及HRV信号的Hilbert时频谱划分示意图。
图4为样本组Hilbert边际谱谱熵分布特征示意图。
具体实施方式
为了使本发明的上述技术内容和构造特点能更容易地被本领域一般技术人员所理解,下面结合附图和技术要点对本申请进一步的说明。
实现本发明目的的技术关键是在RR间期,利用原始IHR序列,经HHT算法变换,获取不用样本组下的Hilbert谱熵来获取心电特征,其实现的具体实施步骤和解释如下:
请参阅图1~4。
读取RR间期序列,RR间期是两个连续R波之间的间隔,通过计算存放R峰位置序列中前后两个元素的差值就能得到RR间期。如当出现连续3个以上的RR间期大于1.5秒,则认为房室出现阻滞,进行重读。如,心率每4秒刷新一次,则显示的心率是当前4秒钟内的平均心率,它是以RR间期的平均值为依据的,从而消除计算过程中的随机性。
RR间期的平均值算法为:
R(i)是第i跳的RR间期的实时值。
利用RR间期序列进行方差滤波,滤除白噪音和异位干扰,得到衍生截取数据。方差滤波是截取发生时长十分钟的RR间期序列和正常窦性RR间期序列进行RLS自适应算法方差,滤除干扰和异位心搏,转换为衍生截取数据。RLS自适应算法是在噪声为50Hz浮动干扰时,利用自适应抵消处理,利用的器件为自适应工频陷波器,自适应滤波方法可根据信号的变化自动调节权矢量以获得最佳输出,其含有两个调节权值。如,原始信号为含有50Hz工频干扰的心电信号,则RR间期序列输入和心电信号同步采样,利用余弦波Bcos(ω0kTs+φ),采样频率fs=1/Ts,Ts为采样周期,输入r(k)的经过相移90度,变为R(k),则r(k)=Bcos(ω0kTs+φ),R(k)=Bsin(ω0kTs+φ),得到的衍生截取数据以采样条形式记录。
将衍生截取数据转换为原始IHR序列,过程中,采样条频率为2HZ,采样的横轴为时间轴,具体算法为:t(n)=RR(n)+t(n-1)n∈[1,N],t(0)=0,n,n∈Z。其中,t代表时间,N代表心跳数,在每个RR期间,将衍生截取数据转换为瞬时心率数列IHR(beats/min),即原始IHR序列,具体公式为:IHR=6000/RR(ms)。
将原始IHR序列进行三次重采样,得到均值用来去除趋势,保留瞬时变化量,进而得到重采样IHR序列,采样间隔设为0.5秒。
利用重采样IHR序列进行HHT变换,这是根据HHT算法实现的,所述HHT算法具体的流程为是:将重采样IHR序列的信号进行小波包分解,将分解后的窄带信号继续进行EMD分解,来提取低频幅值(0.04~0.15Hz)、高频幅值(0.15~0.4Hz)、甚高频幅值(>0.4Hz)及总幅值(0~1Hz),作为反映生理病理变化的样本特征,再经过样本相关性判断处理,处理后的数据进行IMF解算,再进行Hilbert变换,得到Hilbert时频谱,利用Hilert时频谱可在样本上绘出Hilbert边际谱。
样本相关性判断处理具体过程为,(参考图3)将样本均匀等分为800点,每点表示0.001Hz,这样可将Hilbert时频谱按频率轴划分4(k=4)个面积不等频段。即1频段(0~0.04Hz)、2频段(0.04~0.15Hz)、3频段(0.15~0.4Hz)、4频段(>0.4Hz)。在每个频率段中,再划分k(k=1,2,3,4)个等面积的时频网格单元,这样,Hilbert时频谱的时频多分辨率特性和HRV信号能量分布,就表现为每个频段中时频单元的面积和划分疏密,以便准确提取生理病理特征。
与样本相对应的,是将Hilbert时频谱划分为四个不同频段的生理带,具体为,时间轴3000点,频率轴800点,各频段划分的时频网格单元数分别为1频段:40×150,2频段:6×150,3频段:5×60,4频段:2×30。在每个频率分段中,再划分m×k(k=1,2,3,4)个等面积的时频网格单元,从而在不同生理频带求取HRV信号的Hilbert能量棒形图,并提取各生理频带的HRV信号的能量特征作为分析心率变异性的HRV时频特征,所述的HRV(Heart ratevariability)是指心率节奏快慢随时间所发生的变化,即心率变异性。
如图4,是房颤病人,老年人,和年轻人的柱状图表示各频段谱熵的均值。由于心电理论中,第2和第3频段与交感神经和迷走神活动密切相关,年轻人和老年人的交感神经和迷走神活动水平明显不同,熵则是能更好的从复杂性的角度表明系统特征。房颤病人在整个频谱都有能量的分布,年轻人高频能量分布稀疏,老年人在频率大于0.1Hz的能量分布稀疏。
谱熵特征提取样本的具体算法是,设第k频段内的总能量为Ak,该时频段内每个能量单元p为:
再计算能量单元p的概率分布,
第k频段的Hibert时频谱熵为,
其中,β(0<β<1),是不同频段Hilbert变换的权重值,∑β=1,为了区分第2和第3频段的生理特征,在获取Hilbert时频谱熵时,可适当加大这两个频段的权重。
以上所述为本发明的实施例,并非因此限制本发明的专利范围,凡利用本发明说明书方法流程,或直接或间接运用在其他相关的技术领域,均包括在本发明的专利保护范围内。
Claims (5)
1.一种基于心电信号的特征取样方法,其特征在于:A.读取RR间期序列;B.利用RR间期序列进行方差滤波,得到衍生截取数据;C.将衍生截取数据转换为原始IHR序列;D.将原始IHR序列进行三次重采样,以去除趋势,保留瞬时变化量,进而得到重采样IHR序列;E.利用重采样IHR序列进行HHT变换,获取有意义的瞬时频率;F.利用瞬时频率Hilbert谱熵特征提取样本;步骤E中,所述利用重采样IHR序列进行HHT变换,获取有意义的瞬时频率,是通过HHT算法实现的,具体是:
将重采样IHR序列的信号进行小波包分解,将分解后的窄带信号继续进行EMD分解,来提取低频幅值(0.04~0.15Hz)、高频幅值(0.15~0.4Hz)、甚高频幅值(>0.4Hz)及总幅值(0~1Hz),作为反映生理病理变化的样本特征,再经过样本相关性判断处理后进行Hilbert变换得到Hilbert时频谱。
2.根据权利要求1所述的一种基于心电信号的特征取样方法,其特征在于:步骤A中,所述读取RR间期序列,是计算存放R峰位置序列中前后两个元素差值能得到的,如当出现连续3个以上的RR间期大于1.5秒,则认为房室出现阻滞,进行重读。
3.根据权利要求1所述的一种基于心电信号的特征取样方法,其特征在于:步骤C中,所述将衍生截取数据转换为原始IHR序列,采样条频率为2Hz。
4.根据权利要求1所述的一种基于心电信号的特征取样方法,其特征在于:步骤E中,所述Hilbert时频谱按频率轴划分4个面积不等的频段。
5.根据权利要求1所述的一种基于心电信号的特征取样方法,其特征在于:步骤F中,所述利用瞬时频率Hilbert谱熵特征提取样本,该瞬时频段内每个能量单元为,
第k频段的Hibert时频谱熵为,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254970.XA CN106682630A (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号的特征取样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254970.XA CN106682630A (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号的特征取样方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682630A true CN106682630A (zh) | 2017-05-17 |
Family
ID=58873198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611254970.XA Pending CN106682630A (zh) | 2016-12-30 | 2016-12-30 | 一种基于心电信号的特征取样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682630A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044348A (zh) * | 2018-08-08 | 2018-12-21 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109620209A (zh) * | 2018-12-31 | 2019-04-16 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN103479349A (zh) * | 2013-09-25 | 2014-01-01 | 深圳市理邦精密仪器股份有限公司 | 心电信号数据获取及处理方法和系统 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
-
2016
- 2016-12-30 CN CN201611254970.XA patent/CN106682630A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
US9433365B1 (en) * | 2012-07-26 | 2016-09-06 | National Yang-Ming University | System and method for indentifying rotors in fractionated signals in persistent atrial fibrillation ablation |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN103479349A (zh) * | 2013-09-25 | 2014-01-01 | 深圳市理邦精密仪器股份有限公司 | 心电信号数据获取及处理方法和系统 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
Non-Patent Citations (1)
Title |
---|
董红生: "心电波形检测与心率变异性分析方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044348A (zh) * | 2018-08-08 | 2018-12-21 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109620209A (zh) * | 2018-12-31 | 2019-04-16 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
CN109620209B (zh) * | 2018-12-31 | 2023-12-19 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alfaouri et al. | ECG signal denoising by wavelet transform thresholding | |
Chua et al. | Application of higher order statistics/spectra in biomedical signals—A review | |
Gupta et al. | A comparison of ECG signal pre-processing using FrFT, FrWT and IPCA for improved analysis | |
CN106889981B (zh) | 一种用于提取胎儿心率的智能终端 | |
CN103610461A (zh) | 基于双密度小波邻域相关阈值处理的脑电信号消噪方法 | |
CN107693004A (zh) | 基于hilbert变换的胎儿心电提取与胎儿心率识别方法 | |
Ranjan et al. | Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model | |
Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
CN106682630A (zh) | 一种基于心电信号的特征取样方法 | |
Zhang | An improved QRS wave group detection algorithm and matlab implementation | |
Manikandan et al. | Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices | |
Martis et al. | An integrated ECG feature extraction scheme using PCA and wavelet transform | |
CN106691437A (zh) | 一种基于母体心电信号的胎儿心率提取方法 | |
Hegde et al. | A review on ECG signal processing and HRV analysis | |
Zhao et al. | An early warning of atrial fibrillation based on short-time ECG signals | |
Murthy et al. | Ecg signal denoising and ischemic event feature extraction using daubechies wavelets | |
Franchevska et al. | The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference | |
Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease | |
Daqrouq et al. | Arrhythmia detection using wavelet transform | |
Dliou et al. | Noised abnormal ECG signal analysis by combining EMD and Choi-Williams techniques | |
Talatov et al. | Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview | |
Sampath et al. | ECG morphological marking using discrete wavelet transform | |
Sanamdikar et al. | Analysis of several characteristics of ECG signal for cardiac arrhythmia detection | |
Tribhuvanam et al. | ECG abnormality classification with single beat analysis | |
Nageswari et al. | Feature extraction of ecg using daubechies wavelet and classification based on fuzzy c-means clustering technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170517 |
|
WD01 | Invention patent application deemed withdrawn after publication |