CN107688553A - 基于小波变换和逻辑回归算法检测心电波形特征的方法 - Google Patents
基于小波变换和逻辑回归算法检测心电波形特征的方法 Download PDFInfo
- Publication number
- CN107688553A CN107688553A CN201710755978.2A CN201710755978A CN107688553A CN 107688553 A CN107688553 A CN 107688553A CN 201710755978 A CN201710755978 A CN 201710755978A CN 107688553 A CN107688553 A CN 107688553A
- Authority
- CN
- China
- Prior art keywords
- qrs wave
- qrs
- doubtful
- wave
- voltage
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Psychiatry (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Cardiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于小波变换和逻辑回归算法检测心电波形特征的方法。除波形幅度外,利用更广泛的特征来判断一个波形是否是真实QRS,这些特征为:小波变换后在特定频率范围内的能量值、与前一个疑似QRS波的间隔、该疑似QRS波的宽度、该疑似QRS波的电压变化速率;对各疑似QRS波,与专家标记的QRS波进行比对,判断其是否为真实QRS波形;将前一步骤获得的特征矩阵输入一个逻辑回归模型中,以梯度下降法为优化方法,设置学习率为0.02,迭代直至收敛;训练中,采用留1交叉验证的方法。算法得以从经标记的海量病人数据中习得各特征参数的权值,从而避免人工定义规则的需要,算法在识别QRS波群的同时,能获取可靠的信号质量信息,有助于减少错误警报。
Description
技术领域
本发明涉及医疗技术领域,尤其是一种检测心电波形特征的方法,具体涉及一种基于小波变换和逻辑回归算法检测心电波形特征的方法。
背景技术
心肌细胞膜是半透膜,静息状态时,膜外排列一定数量带正电荷的阳离子,膜内排列相同数量带负电荷的阴离子,膜外电位高于膜内,称为极化状态。静息状态下,由于心脏各部位心肌细胞都处于极化状态,没有电位差,电流记录仪描记的电位曲线平直,即为体表心电图的等电位线。心肌细胞在受到一定强度的刺激时,细胞膜通透性发生改变,大量阳离子短时间内涌入膜内,使膜内电位由负变正,这个过程称为除极。对整体心脏来说,心肌细胞从心内膜向心外膜顺序除极过程中的电位变化,由电流记录仪描记的电位曲线称为除极波,即体表心电图上心房的P波和心室的QRS波。
检测心电波形时,同类产品通常包括下列步骤:
1、预处理:滤除低频和高频噪音;
2、利用小波变换或其他方法对预处理后的心电信号进行转换,以突出QRS波形特征。
3、从转换后的信号中识别各波峰,波峰峰值超过一定阈值的,认为是真实QRS波形。对阈值的选取通常采用动态定义方式。比如,[1]中描述了一种广泛采用的阈值选取方法。该方法从前10秒心电信号中提取各疑似QRS波的幅值信息,利用该信息确定初始阈值,之后再根据检测到的新的QRS波幅值动态调整阈值。
现有技术的缺点包括:
1、对QRS波的判别主要依赖于波形幅度,因此当T波幅值较大时,易于被错误检测成QRS波,并且对噪音干扰敏感,信号质量差时,QRS波检测精度显著下降;
2、通过人为定义的规则选取阈值,导致鲁棒性不够,尤其是易于在分析罕见心律失常患者时错误率增高。
参考文献:
[1]Zong W,Moody GB,and Jiang D.A robust open-source algorithm todetect onset and duration of QRS complexes.Computers in Cardiology 30:737-740(2003)。
发明内容
本发明的目的是提供一种基于小波变换和逻辑回归算法检测心电波形特征的方法,在判别疑似QRS波是否真实时,综合多种波形特征,利用机器学习算法自动从海量数据中学习获得各特征权值,因此算法稳健性更好,性能更优;同时,算法对每一个疑似QRS给出一个是真实QRS波的概率;当信号质量较差时,该概率值普遍较低,因此这些值可以用于衡量心电信号的质量,有助于减少错误警报。
为了解决背景技术所存在的问题,本发明是采用以下技术方案:一种基于小波变换和逻辑回归算法检测心电波形特征的方法,它包含如下步骤:
(1)利用零相位数字滤波方法分别消除高频的50Hz干扰和低频的基线漂移干扰;
(2)将除噪后的心电信号重采样至某一固定采样率;
(3)将重采样后的心电信号归一化,使其值分布在-0.5与0.5之间,根据心电信号QRS波的频谱特征确定感兴趣的频率范围为11Hz到40Hz,在心电信号的左右两端各添加一段数据,以消除边界效应;
(4)对归一化后心电信号在目标频率范围内做连续小波变换,计算得连续小波变换系数后,将两端虚拟样本去除,对上一步获得的小波变换系数,在各个时刻求不同频率上小波变换系数的平方和,从而获得各时刻心电信号在频域的能量值定义一个宽度为0.3秒的移动小窗,在各小窗内寻找心电能量极大值,每个心电能量极大值所对应的时刻为一个疑似QRS波峰;该移动小窗逐个样本向右移动,由此会得到一列疑似QRS波峰,该过程中,要去除重复的疑似QRS波峰;
(5)从疑似QRS波峰开始,向左搜寻该QRS波的起始位置,如果一直向左移动超过最大搜索距离仍未找到符合条件的起始位置,则该波不是真实QRS波,应丢弃;
(6)从疑似QRS波峰开始,向右搜寻该QRS波的终止位置,如果一直向右移动超过最大搜索距离仍未找到符合条件的终止位置,则该波不是真实QRS波,应丢弃;
(7)对各疑似QRS波,分别计算下列特征:
QRS波波峰处的能量值(能量值的计算方法见步骤4);
QRS波峰处的电压绝对值;
该QRS波与前一个疑似QRS波的间隔;
该QRS波的宽度(即前一步所检测到的波起始位置与终止位置之间的间隔);
该疑似QRS波的平均电压变化速率,平均电压变化速率的定义如下,假设信号为s,长度为N,则平均电压变化速率为:平均值{绝对值{s[n]-s[n-1]}},其中n为从1到N的所有整数;
(8)对经心电专家标记过的心电数据库,按以上步骤进行处理,获得一个心电QRS波形的特征矩阵,该矩阵的行数等于所有疑似QRS波的数目,列数等于5(前一步骤中获得的QRS波形特征的数目);对各疑似QRS波,与专家标记的QRS波进行比对,判断其是否为真实QRS波形;判断标准为:当疑似QRS波波峰与专家标记的QRS波波峰间隔在150毫秒以内时,认为疑似QRS波为真实;
(9)将前一步骤获得的特征矩阵输入一个逻辑回归模型中,以梯度下降法为优化方法,设置学习率为0.02,迭代直至收敛;训练中,采用留1交叉验证的方法,即将训练数据随机分成K份,取其中K-1份做训练,剩下1份做验证,如此重复N次,全部训练完成后对所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认为QRS波为假,阈值以上,认为QRS波为真;
(10)对任一新的待分析的心电数据,采用步骤(1)至步骤(7)中的方法进行处理,获得一组疑似QRS波,对每一个疑似QRS波,采用前步中训练获得的模型进行分类,获得其为真实QRS波的概率,再利用前一步骤中确定的概率阈值最终决定每一个疑似QRS波是否为真实QRS波;
(11)至此,对任一心电数据的QRS特征的提取完成,对各个检测出的QRS波的分类结果做平均可获得所属心电数据的质量信息。
作为本发明的进一步改进;所述步骤(1)的具体操作步骤如下:
(a)利用零相位数字滤波方法实现一个截止频率为1Hz以下的低通滤波器;
(b)使用上步中获得的低通滤波器过滤原始心电信号,获得基线漂移信号;
(c)将原始信号减去上一步中获得的基线漂移信号,获得去处基线漂移后的心电信号;
(d)利用零相位数字滤波方法实现一个截止频率为50Hz以下的低通滤波器;
(e)使用上步中获得的低通滤波器过滤c步中获得的心电信号,获得去除工频干扰的信号。
作为本发明的进一步改进;所述步骤(2)的具体方法如下:假设原采样率为SR,新采样率为RSR,定义二者最大公约数为i,定义m=SR/i,n=RSR/i,mn=m*n;假设原信号s0长度为SR*t,则新信号s1长度为RSR*t,定义变量ot,当s1每赋值一次,ot增加m,定义变量it,当s0每右移一次,it增加n,且当it值大于mn时归零;如此,定义vv=s0(1),v=s0(2),则s1(1)=vv;定义vv=s0(3),v=s0(4),则s1(2)=vv+(ot%n)*(v-vv)/n;定义vv=s0(4),v=s0(5),则s1(3)=vv+(ot%n)*(v-vv)/n,以此类推,可获得重采样后新信号各个时刻的值。
作为本发明的进一步改进;所述步骤(3)的具体添加方法如下:假设信号为s,定义信号首个样本值为s(1),则在第一个样本左侧重复添加128个值为s(1)的虚拟样本;定义信号最后一个样本值为s(end),则在最后一个样本右侧重复添加128个值为s(end)的虚拟样本。
作为本发明的进一步改进;所述步骤(5)中搜寻QRS起始位置的具体过程如下:
如果当前时刻电压值超过1mV,认为当前不可能为QRS波起始位置,继续向左搜寻;
如果当前时刻电压值低于1mV,但往左20毫秒内电压持续上升或下降,则也继续向左搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.001,则该时刻为QRS波的起始位置,停止搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且向左20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的起始位置,停止搜寻。
作为本发明的进一步改进;所述步骤(6)中搜寻QRS终止位置的具体过程如下:
如果沿当前时刻向右20毫秒内电压持续上升或下降,则继续向右搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.0001,则该时刻为QRS波的终止位置,停止搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且向右20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的终止位置,停止搜寻。
采用上述技术方案后,本发明具有以下有益效果:
1、除波形幅度外,利用更广泛的特征来判断一个波形是否是真实QRS,这些特征包括小波变换后在特定频率范围内的能量值、与前一个疑似QRS波的间隔、该疑似QRS波的宽度、该疑似QRS波的电压变化速率;
2、避免人为定义规则,而是使算法从经标记的海量病人数据中习得各特征参数的权值,从而提高算法鲁棒性;
3、心电信号易受各种噪音干扰,尤其在家用远程心电监控过程中信号质量更难以保障。因此该方法在识别QRS波群的同时,也获取可靠的信号质量信息,从而有助于减少错误警报。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明对原始心电信号进行预处理、小波变换等,以提取出各个疑似QRS波波形特征的流程图;
图2为本发明利用已标记心电数据库训练用于判断各疑似QRS波真伪的逻辑回归模型的流程图;
图3为本发明利用训练好的模型求得各疑似QRS波为真QRS波的概率的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明。
请参阅图1-图3,本具体实施方式采用以下技术方案:一种基于小波变换和逻辑回归算法检测心电波形特征的方法,它包含如下步骤:
(1)心电信号易受工频噪音和基线漂移干扰。工频噪音的频率在50Hz左右,基线漂移的频率通常在1Hz以下。因此利用零相位数字滤波方法分别消除高频的50Hz干扰和低频的基线漂移干扰;具体操作步骤如下:
(a)利用零相位数字滤波方法实现一个截止频率为1Hz以下的低通滤波器;
(b)使用上步中获得的低通滤波器过滤原始心电信号,获得基线漂移信号;
(c)将原始信号减去上一步中获得的基线漂移信号,获得去处基线漂移后的心电信号;
(d)利用零相位数字滤波方法实现一个截止频率为50Hz以下的低通滤波器;
(e)使用上步中获得的低通滤波器过滤c步中获得的心电信号,获得去除工频干扰的信号。
(2)将除噪后的心电信号重采样至某一固定采样率;具体方法如下:假设原采样率为SR,新采样率为RSR,定义二者最大公约数为i,定义m=SR/i,n=RSR/i,mn=m*n;假设原信号s0长度为SR*t,则新信号s1长度为RSR*t,定义变量ot,当s1每赋值一次,ot增加m,定义变量it,当s0每右移一次,it增加n,且当it值大于mn时归零;如此,定义vv=s0(1),v=s0(2),则s1(1)=vv;定义vv=s0(3),v=s0(4),则s1(2)=vv+(ot%n)*(v-vv)/n;定义vv=s0(4),v=s0(5),则s1(3)=vv+(ot%n)*(v-vv)/n,以此类推,可获得重采样后新信号各个时刻的值。
(3)将重采样后的心电信号归一化,使其值分布在-0.5与0.5之间,根据心电信号QRS波的频谱特征确定感兴趣的频率范围为11Hz到40Hz,在心电信号的左右两端各添加一段数据,以消除边界效应;具体添加方法如下:假设信号为s,定义信号首个样本值为s(1),则在第一个样本左侧重复添加128个值为s(1)的虚拟样本;定义信号最后一个样本值为s(end),则在最后一个样本右侧重复添加128个值为s(end)的虚拟样本。
(4)对归一化后心电信号在目标频率范围内做连续小波变换,计算得连续小波变换系数后,将两端虚拟样本去除,对上一步获得的小波变换系数,在各个时刻求不同频率上小波变换系数的平方和,从而获得各时刻心电信号在频域的能量值定义一个宽度为0.3秒的移动小窗,在各小窗内寻找心电能量极大值,每个心电能量极大值所对应的时刻为一个疑似QRS波峰;该移动小窗逐个样本向右移动,由此会得到一列疑似QRS波峰,该过程中,要去除重复的疑似QRS波峰;
(5)从疑似QRS波峰开始,向左搜寻该QRS波的起始位置,如果一直向左移动超过最大搜索距离仍未找到符合条件的起始位置,则该波不是真实QRS波,应丢弃;搜寻QRS起始位置的具体过程如下:
如果当前时刻电压值超过1mV,认为当前不可能为QRS波起始位置,继续向左搜寻;
如果当前时刻电压值低于1mV,但往左20毫秒内电压持续上升或下降,则也继续向左搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.001,则该时刻为QRS波的起始位置,停止搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且向左20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的起始位置,停止搜寻。
(6)从疑似QRS波峰开始,向右搜寻该QRS波的终止位置,如果一直向右移动超过最大搜索距离仍未找到符合条件的终止位置,则该波不是真实QRS波,应丢弃;搜寻QRS终止位置的具体过程如下:
如果沿当前时刻向右20毫秒内电压持续上升或下降,则继续向右搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.0001,则该时刻为QRS波的终止位置,停止搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且向右20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的终止位置,停止搜寻。
(7)对各疑似QRS波,分别计算下列特征:
QRS波波峰处的能量值(能量值的计算方法见步骤4);
QRS波峰处的电压绝对值;
该QRS波与前一个疑似QRS波的间隔;
该QRS波的宽度(即前一步所检测到的波起始位置与终止位置之间的间隔);
该疑似QRS波的平均电压变化速率,平均电压变化速率的定义如下,假设信号为s,长度为N,则平均电压变化速率为:平均值{绝对值{s[n]-s[n-1]}},其中n为从1到N的所有整数;
(8)对经心电专家标记过的心电数据库,按以上步骤进行处理,获得一个心电QRS波形的特征矩阵,该矩阵的行数等于所有疑似QRS波的数目,列数等于5(前一步骤中获得的QRS波形特征的数目);对各疑似QRS波,与专家标记的QRS波进行比对,判断其是否为真实QRS波形;判断标准为:当疑似QRS波波峰与专家标记的QRS波波峰间隔在150毫秒以内时,认为疑似QRS波为真实;
(9)将前一步骤获得的特征矩阵输入一个逻辑回归模型中,以梯度下降法为优化方法,设置学习率为0.02,迭代直至收敛;训练中,采用留1交叉验证的方法,即将训练数据随机分成K份,取其中K-1份做训练,剩下1份做验证,如此重复N次,全部训练完成后对所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认为QRS波为假,阈值以上,认为QRS波为真;
(10)对任一新的待分析的心电数据,采用步骤(1)至步骤(7)中的方法进行处理,获得一组疑似QRS波,对每一个疑似QRS波,采用前步中训练获得的模型进行分类,获得其为真实QRS波的概率,再利用前一步骤中确定的概率阈值最终决定每一个疑似QRS波是否为真实QRS波;
(11)至此,对任一心电数据的QRS特征的提取完成,对各个检测出的QRS波的分类结果做平均可获得所属心电数据的质量信息。
本发明的原理为:
除波形幅度外,本发明利用更广泛的特征来判断一个波形是否是真实QRS,这些特征为步骤7中所计算的各个特征:小波变换后在特定频率范围内的能量值、与前一个疑似QRS波的间隔、该疑似QRS波的宽度、该疑似QRS波的电压变化速率;通过步骤8和步骤9,算法得以从经标记的海量病人数据中习得各特征参数的权值,从而避免人工定义规则的需要。通过步骤10和步骤11,算法在识别QRS波群的同时,能获取可靠的信号质量信息,有助于减少错误警报。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.基于小波变换和逻辑回归算法检测心电波形特征的方法,它包含如下步骤:
(1)利用零相位数字滤波方法分别消除高频的50Hz干扰和低频的基线漂移干扰;
(2)将除噪后的心电信号重采样至某一固定采样率;
(3)将重采样后的心电信号归一化,使其值分布在-0.5与0.5之间,根据心电信号QRS波的频谱特征确定感兴趣的频率范围为11Hz到40Hz,在心电信号的左右两端各添加一段数据,以消除边界效应;
(4)对归一化后心电信号在目标频率范围内做连续小波变换,计算得连续小波变换系数后,将两端虚拟样本去除,对上一步获得的小波变换系数,在各个时刻求不同频率上小波变换系数的平方和,从而获得各时刻心电信号在频域的能量值。定义一个宽度为0.3秒的移动小窗,在各小窗内寻找心电能量极大值,每个心电能量极大值所对应的时刻为一个疑似QRS波峰;该移动小窗逐个样本向右移动,由此会得到一列疑似QRS波峰,该过程中,要去除重复的疑似QRS波峰;
(5)从疑似QRS波峰开始,向左搜寻该QRS波的起始位置,如果一直向左移动超过最大搜索距离仍未找到符合条件的起始位置,则该波不是真实QRS波,应丢弃;
(6)从疑似QRS波峰开始,向右搜寻该QRS波的终止位置,如果一直向右移动超过最大搜索距离仍未找到符合条件的终止位置,则该波不是真实QRS波,应丢弃;
其特征在于:
(7)对各疑似QRS波,分别计算下列特征:
QRS波波峰处的能量值;
QRS波峰处的电压绝对值;
该QRS波与前一个疑似QRS波的间隔;
该QRS波的宽度;
该疑似QRS波的平均电压变化速率,平均电压变化速率的定义如下,假设信号为s,长度为N,则平均电压变化速率为:平均值{绝对值{s[n]-s[n-1]}},其中n为从1到N的所有整数;
(8)对经心电专家标记过的心电数据库,按以上步骤进行处理,获得一个心电QRS波形的特征矩阵,该矩阵的行数等于所有疑似QRS波的数目,列数等于5;对各疑似QRS波,与专家标记的QRS波进行比对,判断其是否为真实QRS波形;判断标准为:当疑似QRS波波峰与专家标记的QRS波波峰间隔在150毫秒以内时,认为疑似QRS波为真实;
(9)将前一步骤获得的特征矩阵输入一个逻辑回归模型中,以梯度下降法为优化方法,设置学习率为0.02,迭代直至收敛;训练中,采用留1交叉验证的方法,即将训练数据随机分成K份,取其中K-1份做训练,剩下1份做验证,如此重复N次,全部训练完成后对所得N个模型做平均,得到最终模型;最后,以F1分数为指标选取概率阈值,在阈值以下,认为QRS波为假,阈值以上,认为QRS波为真;
(10)对任一新的待分析的心电数据,采用步骤(1)至步骤(7)中的方法进行处理,获得一组疑似QRS波,对每一个疑似QRS波,采用前步中训练获得的模型进行分类,获得其为真实QRS波的概率,再利用前一步骤中确定的概率阈值最终决定每一个疑似QRS波是否为真实QRS波;
(11)至此,对任一心电数据的QRS特征的提取完成,对各个检测出的QRS波的分类结果做平均可获得所属心电数据的质量信息。
2.根据权利要求1所述的基于小波变换和逻辑回归算法检测心电波形特征的方法,其特征在于,所述步骤(1)的具体操作步骤如下:
(a)利用零相位数字滤波方法实现一个截止频率为1Hz以下的低通滤波器;
(b)使用上步中获得的低通滤波器过滤原始心电信号,获得基线漂移信号;
(c)将原始信号减去上一步中获得的基线漂移信号,获得去处基线漂移后的心电信号;
(d)利用零相位数字滤波方法实现一个截止频率为50Hz以下的低通滤波器;
(e)使用上步中获得的低通滤波器过滤c步中获得的心电信号,获得去除工频干扰的信号。
3.根据权利要求1所述的基于小波变换和逻辑回归算法检测心电波形特征的方法,其特征在于,所述步骤(2)的具体方法如下:假设原采样率为SR,新采样率为RSR,定义二者最大公约数为i,定义m=SR/i,n=RSR/i,mn=m*n;假设原信号s0长度为SR*t,则新信号s1长度为RSR*t,定义变量ot,当s1每赋值一次,ot增加m,定义变量it,当s0每右移一次,it增加n,且当it值大于mn时归零;如此,定义vv=s0(1),v=s0(2),则s1(1)=vv;定义vv=s0(3),v=s0(4),则s1(2)=vv+(ot%n)*(v-vv)/n;定义vv=s0(4),v=s0(5),则s1(3)=vv+(ot%n)*(v-vv)/n,以此类推,可获得重采样后新信号各个时刻的值。
4.根据权利要求1所述的基于小波变换和逻辑回归算法检测心电波形特征的方法,其特征在于,所述步骤(3)的具体添加方法如下:假设信号为s,定义信号首个样本值为s(1),则在第一个样本左侧重复添加128个值为s(1)的虚拟样本;定义信号最后一个样本值为s(end),则在最后一个样本右侧重复添加128个值为s(end)的虚拟样本。
5.根据权利要求1所述的基于小波变换和逻辑回归算法检测心电波形特征的方法,其特征在于,所述步骤(5)中搜寻QRS起始位置的具体过程如下:
如果当前时刻电压值超过1mV,认为当前不可能为QRS波起始位置,继续向左搜寻;
如果当前时刻电压值低于1mV,但往左20毫秒内电压持续上升或下降,则也继续向左搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.001,则该时刻为QRS波的起始位置,停止搜寻;
如果当前时刻电压值低于1mV,且往左20毫秒内电压没有持续上升或下降,且向左20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的起始位置,停止搜寻。
6.根据权利要求1所述的基于小波变换和逻辑回归算法检测心电波形特征的方法,其特征在于,所述步骤(6)中搜寻QRS终止位置的具体过程如下:
如果沿当前时刻向右20毫秒内电压持续上升或下降,则继续向右搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且心电能量值连续20毫秒低于0.0001,则该时刻为QRS波的终止位置,停止搜寻;
如果沿当前时刻向右20毫秒内电压没有持续上升或下降,且向右20毫秒内心电电压整体变化小于0.1mV、最大瞬时电压变化小于0.05mV,则该时刻为QRS波的终止位置,停止搜寻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710755978.2A CN107688553B (zh) | 2017-08-16 | 2017-08-16 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710755978.2A CN107688553B (zh) | 2017-08-16 | 2017-08-16 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688553A true CN107688553A (zh) | 2018-02-13 |
CN107688553B CN107688553B (zh) | 2020-11-10 |
Family
ID=61155585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710755978.2A Active CN107688553B (zh) | 2017-08-16 | 2017-08-16 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688553B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108903935A (zh) * | 2018-07-11 | 2018-11-30 | 上海夏先机电科技发展有限公司 | 一种室性早搏识别方法、识别系统及电子设备 |
CN109044335A (zh) * | 2018-07-17 | 2018-12-21 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109846473A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种检测单导联10秒心电图噪音干扰程度的方法 |
CN110916645A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种结合小波变换和图像分割网络的qrs波识别方法 |
CN111297348A (zh) * | 2018-12-11 | 2020-06-19 | 深圳市理邦精密仪器股份有限公司 | 心电图分析结果的生成方法、心电图机及存储介质 |
CN113317796A (zh) * | 2021-06-22 | 2021-08-31 | 郑州大学 | 一种基于智能仿真建模的心电自动诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160120431A1 (en) * | 2014-10-29 | 2016-05-05 | Khalifa University of Science, Technology, and Research | Medical device having automated ecg feature extraction |
CN105741305A (zh) * | 2016-03-02 | 2016-07-06 | 深圳竹信科技有限公司 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
CN106725450A (zh) * | 2017-02-20 | 2017-05-31 | 武汉中旗生物医疗电子有限公司 | Qrs波群检测方法 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
-
2017
- 2017-08-16 CN CN201710755978.2A patent/CN107688553B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160120431A1 (en) * | 2014-10-29 | 2016-05-05 | Khalifa University of Science, Technology, and Research | Medical device having automated ecg feature extraction |
CN105741305A (zh) * | 2016-03-02 | 2016-07-06 | 深圳竹信科技有限公司 | 一种基于平稳小波变换滤除肌电干扰的方法和系统 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
CN106725450A (zh) * | 2017-02-20 | 2017-05-31 | 武汉中旗生物医疗电子有限公司 | Qrs波群检测方法 |
Non-Patent Citations (2)
Title |
---|
PATHRAWUT KLAYNIN等: "An electrocardiogram classification method based on neural network", 《THE 6TH 2013 BIOMEDICAL ENGINEERING INTERNATIONAL CONFERENCE》 * |
张清丽等: "基于心电特征参数的心肌梗死疾病辅助诊断模型的建立", 《郑州大学学报( 医学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108903935A (zh) * | 2018-07-11 | 2018-11-30 | 上海夏先机电科技发展有限公司 | 一种室性早搏识别方法、识别系统及电子设备 |
CN108903935B (zh) * | 2018-07-11 | 2021-06-25 | 上海夏先机电科技发展有限公司 | 一种室性早搏识别方法、识别系统及电子设备 |
CN109044335A (zh) * | 2018-07-17 | 2018-12-21 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109044335B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN111297348A (zh) * | 2018-12-11 | 2020-06-19 | 深圳市理邦精密仪器股份有限公司 | 心电图分析结果的生成方法、心电图机及存储介质 |
CN109846473A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种检测单导联10秒心电图噪音干扰程度的方法 |
CN109846473B (zh) * | 2019-03-19 | 2021-11-05 | 苏州哈特智能医疗科技有限公司 | 一种检测单导联10秒心电图噪音干扰程度的方法 |
CN110916645A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种结合小波变换和图像分割网络的qrs波识别方法 |
CN113317796A (zh) * | 2021-06-22 | 2021-08-31 | 郑州大学 | 一种基于智能仿真建模的心电自动诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107688553B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688553A (zh) | 基于小波变换和逻辑回归算法检测心电波形特征的方法 | |
CN104268883B (zh) | 一种基于边缘检测的时频谱曲线提取方法 | |
CN103584854B (zh) | 心电信号r波的提取方法 | |
CN104771178B (zh) | 身份识别的方法及装置 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN104970789A (zh) | 心电图分类方法及系统 | |
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN103083013A (zh) | 基于形态学与小波变换的心电信号qrs复波检测方法 | |
CN104523268A (zh) | 一种具备迁移学习能力的脑电信号识别模糊系统方法 | |
CN108267722A (zh) | 地质雷达回波信号物性解构与探测目标数字重构智能化识取方法 | |
CN103675616A (zh) | 电缆在线局部放电检测信号识别方法 | |
CN105212922A (zh) | 面向fpga实现心电信号r波自动检测的方法及系统 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN104950335B (zh) | Enpemf信号归一化stft‑wvd时频分析方法 | |
CN107303177A (zh) | 一种心电图t波、p波的检测方法及系统 | |
CN103970975A (zh) | 心电数据处理方法和系统 | |
Huang | Seismic signal recognition by unsupervised machine learning | |
CN106805969A (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
CN102736109A (zh) | 一种crp道集去噪、校正与叠加的方法 | |
CN110840401B (zh) | 一种心率值测定方法、装置、设备及可读存储介质 | |
CN106137184B (zh) | 基于小波变换的心电信号qrs波检测方法 | |
Sornmo et al. | Adaptive QRS detection: A study of performance | |
CN104635264B (zh) | 叠前地震数据的处理方法及设备 | |
Li et al. | A novel abnormal ECG beats detection method | |
CN110226918A (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |