CN109077715A - 一种基于单导联的心电信号自动分类方法 - Google Patents

Abstract

本发明提供一种基于单导联的心电信号自动分类方法，通过Web socket接收肢体导联心电信号；对信号采用小波中值阈值法去燥；接着使用Pan‑Tompkins方法进行R波检测，基于R波对信号进行切割以及求出RR间期特征，得到的心电片段依次进行经验模态分解、高斯随机投影矩阵、多项式拟合、区间极值运算获取相应的特征向量；对得到的特征向量进行标准化，使其符合标准正态分布，将标准化后的特征向量输入到已训练好的XGboost模型中，输出相应的检测值。本发明克服了个人心电特异性问题。同时该方法在服务器端运行，减轻客户端的压力。本方法对N、V类的异常心律检测结果具有较高的参考价值。

Description

一种基于单导联的心电信号自动分类方法

技术领域

本发明属于健康检测领域，涉及一种基于单导联的心电信号自动分类方法。

背景技术

心血管疾病是一种常见的慢性病，其特点发病急且死亡率高，严重威胁着人们的生命和健康。随着社会的进步，人们生活质量逐渐提高，心血管疾病在我国的发病率和死亡率也不断增加，并且趋向于年轻化和平民化。根据《中国心血管病报告2017》发布,心血管疾病居于城乡居民总死亡原因之首,并且发病率持续上升。在人口老龄化日益严重，城市化进程加快，居民亚健康生活方式流行的背景下，心血管疾病扩张趋势明显,导致心血管疾病的患病人数持续增长。由于心血管疾病发病前兆隐蔽、发病时间不规律且抢救时间短暂，因此，动态远程监测心血管疾病，及早发现，及时预防与治疗，能尽量的避免意外情况的发生。

心电信号能反映心脏周期性活动及其电传导过程中的生理和病理状况，是心脏疾病诊断的重要手段之一。通过对心电的动态监测和自动化分析，可以有效降低心脏疾病的发病率和致死率。当前用于心脏疾病诊断的主要技术分为侵入性与非侵入性检查。虽然侵入性检查获取资料准确，但非侵入性检查无创伤，容易被接受，并且随着仪器性能和检测技术的不断提高，其诊断价值迅速上升。心电检测是非侵入性检查的主要技术之一，其具有可靠性高、实时性强、方法简便和无辐射等显著优点，被广泛应用于重症监护、抢救、健康监测等领域。近年来，由于计算机系统和人工智能的快速发展，远程医疗的大量普及，使得心电信号远程监测成为可能。

发明内容

本发明的任务是在原有技术的基础上进行发展，提供一种心电自动分类方法，以适合应用在远程心电监护系统上，解决动态心电特征提取时效率地下的问题，采用高性能分类器，增强实时监护的效果，提高心电分类的准确性。

为实现上述目的，本发明基于单导联心电监护系统，采用如下技术方案，具体包括以下步骤：

步骤1、动态采集人体心脏产生的周期性心电信号并进行预处理操作；

步骤2、对预处理后的心电信号进行峰值检测和分割处理；

步骤3、对分割后的心电数据进行局部特征提取，包括经验模态分解、获取投影特征、获取数学特征；

步骤4、将融合的特征向量输入到XGBoost进行实时分类。

所述步骤1包括，

1.1接收前端采集的心电信号，采样频率为250Hz，每次接收10秒钟的心电数据；

1.2将接收到的心电信号使用小波中值阈值法去除基线漂移、肌电干扰噪声，阈值函数的数学表达式为：log是取对数，其中δ为噪声方差，其值：其中abs为取绝对值，median取中位数，x为信号向量，n为小波系数向量长度；L为小波系数分解层数，确定为3；K为当前层，取值范围{2,3}。小波函数确定为DB1；

1.3将训练集/测试集数据标签转化成对应的5类标签，分别是正常或束支传导阻滞节拍(N)、室上性异常节拍(S)、心室异常节拍(V)、融合节拍(F)、未分类节拍(Q)。

所述步骤2包括，

2.1将步骤1得到的心电信号使用Pan-Tompkins方法进行QRS波群检测，首先对信号进行微分获得QRS斜率信息，接着求平方加强导数的频率响应曲线斜率，限制由高于一般光谱能量的T波引起的假阳性，进而使用移动窗口积分产生关于QRS波斜率和宽度信息的信号，最后根据自适应阈值来确定R波位置，自适应阈值THREAHOLD1的更新方式为SPK1‘＝0.125PEAK1+0.875SPK1；NPK1’＝0.125PEAK1+0.875NPK1；THREAHOLD1＝NPK1‘+0.25(SPK1′-NPK1‘)；其中SPK1是更新前正常峰值、SPK1‘表示更新后的正常峰值、NPK1是更新前噪声峰值、NPK1’是更新后噪声峰值，PEAK1表示总体峰值，如果检测到信号峰值大于阈值THREAHOLD1则被认为是正常峰值，否则是噪声峰值；

2.2以R波为基准计算RR间期特征，包括前RR间期、后RR间期和当前RR间期，其中前RR间期的计算方法是：preR＝X_n-X_n-1；后RR间期的计算方法是postR＝X_n+1-X_n；当前RR间期：localR＝(X_n-10+X_n-9...+X_n)/10；

2.3对得到R波位置的心电信号进行分割，取R波前70个点、后140个点组成长度为210的片段。

所述步骤3包括：

3.1经验模态分解能保留数据中的震荡信息，通过样本熵、变异系数、奇异值和频带幂分别得到数据的变异情况、时间序列复杂度，从而得到不同类型的数据，具体操作是对分割后信号进行经验模态分解得到数据的一系列固有模态函数分量，随后提取固有模态函数的样本熵、变异系数、奇异值和频带幂四个参数特征；

3.2对分割后的数据做高斯随机投影矩阵Φ变换，获取数据的投影特征，其作用是具有压缩感测的特性，能保留数据中最重要的信息，并降低维数，矩阵的行数M确定为30，列N固定为210，最后得到30维的特征向量；

3.3通过埃尔米特多项式拟合，获取信号的数学特征，提高分类器的识别能力，其步骤是提取多项式系数，设置度数分别为3、4、5，然后将得到的三种拟合函数的系数拼接为一个15维的特征向量；

3.4计算区间极值2-范数，通过2-范数来表示信号的能量强度，从能量变化的角度区分信号，具体方法是将一个信号片段分成4个部分，计算第一部分的最大值A_max＝max(x₁，，，x_n)；计算第二部分的最小值B_min＝min(x_n+1，，，x_2n)；计算第三部分的最小值C_min＝min(x_2n+1，，，x_3n)；计算第四部分的最大值D_max＝max(x_3n+1，，，x_4n)；最后计算2-范数得到4维的特征向量；

所述步骤4包括：

4.1将步骤三得到的特征向量进行标准化，计算特征的平均值mean和标准差std，分别使训练集与测试集的特征向量符合均值为0，方差为1的正太分布；

4.2XGboost模型的参数分为三种，经过试验，通用参数我们选用基于树的模型，线程数设置与运行计算器的线程数相同；boost参数学习率设为0.15，损失函数设置为0；学习目标参数objective设为softprob，输出各个类别的概率值；

4.3根据处理好的训练集特征向量训练XGboost模型，通过测试集评价模型准确性,目前总体准确率达到94％，其中N类99.29％，V类84.44％；

4.4对于信号预测，重复步骤1、2、3，通过已训练的模型，给出预测参考值。

由于采用了上述技术方案，本发明具有如下的优点：

本发明所述方法相对于其他人工智能心电自动分类方法，本方法适用于患者间方案，模型的训练集与测试集由不同的患者心电组成，极大的克服了个人心电特异性问题。同时该方法在服务器端运行，减轻客户端的压力，而且预测时间短，达到准实时的效果。最后本方法在N、V类的异常心律检测中有较好的表现(总体准确率94％，N类99.29％，V类84.44％)，得到的预测结果具有较高的参考价值，适用于家庭、养老院等场所进行日常远程心电监护。

附图说明

图1为本发明的流程图；

图2为心电特征提取流程图。

具体实施方式

为了使发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明做进一步的说明。应当理解，此处所描述的具体实施方法仅仅是用以解释本发明，并不用于限定本发明。

心电信号可以直接反映心脏活动过程中的状态，通过提取心电信号的特征来对异常心电进行分类，应用在心电监护系统云端数据处理服务器上，减少客户端设备计算量以降低功耗，还凭借云端强大计算能力提高算法准确性，其分析结果对于心电监护有着较高的参考价值。

本发明进行心电监护的流程图如图1所示，包括以下步骤：

步骤1，动态采集人体心脏产生的周期性心电信号并进行预处理操作，采样频率为250Hz。

1.1客户端心电采集模块动态采集心电信号，每30秒上传一次数据，云端采用Websocket方式接收客户端采集到的心电信号，每次接收10秒钟的心电数据。

1.2将接收到的心电信号使用小波中值阈值法去除极限漂移、肌电干扰噪声，阈值函数的数学表达式为：log是取对数，其中δ为噪声方差，其中δ为噪声方差，其值：其中abs为取绝对值，median取中位数，x为信号向量，n为小波系数向量长度；L为小波系数分解层数确定为3；K为当前层，取值范围{2,3}。小波函数确定为DB1；

1.3对预处理后的心电信号进行质量评估，保留质量合格的数据进行下一步处理。

步骤2，对预处理后的心电信号进行峰值检测和分割处理，得到一次心跳片段用以检测识别。

2.1将步骤1得到的心电信号使用Pan-Tompkins方法进行QRS波群检测，首先对信号进行微分获得QRS斜率信息，接着求平方加强导数的频率响应曲线斜率，限制由高于一般光谱能量的T波引起的假阳性，进而使用移动窗口积分产生关于QRS波斜率和宽度信息的信号，最后根据自适应阈值来确定R波位置，自适应阈值THREAHOLD1的更新方式为SPK1＝0.125pEAk1+0.875SPK1′；NPK1＝0.125PEAK1+0.875NPK1′；THREAHOLD1＝NPK1+0.25(SPK1-NPK1)；其中SPK1是正常峰值、NPK1是噪声峰值，PEak1表示总体峰值，如果检测到信号峰值大于阈值THREAHOLD1则被认为是正常峰值，否则是噪声峰值；

2.2以R波为基准计算RR间期特征，包括前RR间期、后RR间期和当前RR间期，其中前RR间期的计算方法是：preR＝X_n-X_n-1；Xn-1是前一个R波的位置，Xn是当前R波的位置，后RR间期的计算方法是postR＝X_n+1-X_n；Xn+1是后一个R波的位置，当前RR间期是前10个R波的平均值：localR＝(X_n-10+X_n-9...+X_n)/10；

2.3对得到R波位置的心电信号进行分割，取R波前70个点、后140个点组成长度为210的片段，作为信号特征提取的输入信号；

步骤3，基于心电信号片段的局部特征提取，详细步骤见图2说明。

步骤4，将步骤2中提取的RR间期特征和步骤3中提取的局部特征组成特征向量输入到Xgboost分类模型中进行实时分类。

4.1将步骤三和步骤二得到的特征融合成特征向量进行标准化，计算特征的平均值mean和标准差std，分别使训练集与测试集的特征向量符合均值为0，方差为1的正太分布；

4.2XGboost模型的参数分为三种，经过试验，通用参数我们选用基于树的模型，线程数设置与运行计算器的线程数相同；boost参数学习率设为0.15，损失函数设置为0；学习目标参数objective设为softprob，输出各个类别的概率值；

4.3根据处理好的训练集特征向量训练XGboost模型，通过测试集评价模型准确性,目前总体准确率达到94％以上；

4.4对于信号预测，重复步骤1、2、3，通过已训练的模型，给出预测参考值。

本发明进行心电信号片段特征值提取流程图如图2所示，包括以下步骤：

步骤1，对分割后信号进行经验模态分解得到数据的一系列固有模态函数分量，随后提取固有模态函数的样本熵、变异系数、奇异值和频带幂四个参数特征；

步骤2，通过高斯随机投影矩阵Φ获取数据的投影特征，投影矩阵具有压缩感测的特性，矩阵的行数M确定为30，列N固定为210，最后得到30维的特征向量；

步骤3，采用Hermite Polynomials多项式对信号进行拟合，设置度数分别为3、4、5，然后将得到的三种拟合函数的系数拼接为一个15维的特征向量；

步骤4，计算区间振幅的2-范数，将一个信号片段平均分成4个部分，计算第一部分的最大值A_max＝max(x₁，，，x_n)；计算第二部分的最小值B_min＝min(x_n+1，，，x_2n)；计算第三部分的最小值C_min＝min(x_2n+1，，，x_3n)；计算第四部分的最大值D_max＝max(x_3n+1，，，x_4n)；最后分别计算2-范数得到4维的特征向量。

Claims (5)

1.一种基于单导联的心电信号自动分类方法，其特征在于，包括以下步骤：

步骤1、动态采集人体心脏产生的周期性心电信号并进行预处理操作；

步骤2、对预处理后的心电信号进行峰值检测和分割处理；

步骤3、对分割后的信号进行特征提取，包括经验模态分解、获取投影特征、获取数学特征；

步骤4、将提取的特征输入到XGboost进行实时分类。

2.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤1包括：

1.1采用Websocket接收客户端采集的单导心电信号，采样频率为250Hz，每次接收10秒的数据量；

1.2将接收到的心电信号使用小波中值阈值法去除极限漂移、肌电干扰噪声，阈值函数的数学表达式为：其中δ为噪声方差，其估计值：n为小波系数向量长度；L为小波系数分解层数，确定为3；K为当前层，取值范围{2,3}；小波基函数确定为DB1；

1.3将训练集/测试集数据标签转化成对应的5类标签(N、S、V、F、U)。

3.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤2包括：

2.1将步骤1得到的心电信号使用Pan-Tompkins方法进行QRS波群检测，首先对信号进行微分获得QRS斜率信息，接着求平方加强导数的频率响应曲线斜率，限制由高于一般光谱能量的T波引起的假阳性，进而使用移动窗口积分产生关于QRS波斜率和宽度信息的信号，最后根据自适应阈值来确定R波位置；

2.2以R波为基准计算RR间期特征，包括前RR间期、后RR间期和当前RR间期，其中前RR间期的计算方法是：preR＝X_n-X_n-1；后RR间期的计算方法是postR＝X_n+1-X_n；当前RR间期：localR＝(X_n-10+X_n-9...+X_n)/10；

2.3对得到R波位置的心电信号进行分割，取R波前70个点、后140个点组成长度为210的片段，作为信号特征提取的输入信号。

4.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，步骤3具体包括：

3.1经验模态分解能保留数据中的震荡信息，通过样本熵、变异系数、奇异值和频带幂分别得到数据的变异情况、时间序列复杂度，从而得到不同类型的数据，具体操作是对分割后信号进行经验模态分解得到数据的一系列固有模态函数分量，随后提取固有模态函数的样本熵、变异系数、奇异值和频带幂四个参数特征；

3.2对分割后的数据做高斯随机投影矩阵Φ变换，获取数据的投影特征，其作用是具有压缩感测的特性，能保留数据中最重要的信息，并降低维数，矩阵的行数M确定为30，列N固定为210，最后得到30维的特征向量；

3.3通过埃尔米特多项式拟合，获取信号的数学特征，提高分类器的识别能力，其步骤是提取多项式系数，设置度数分别为3、4、5，然后将得到的三种拟合函数的系数拼接为一个15维的特征向量；

3.4计算区间极值2-范数，通过2-范数来表示信号的能量强度，从能量变化的角度区分信号，具体方法是将一个信号片段分成4个部分，计算第一部分的最大值A_max＝max(x₁，，，x_n)；计算第二部分的最小值B_min＝min(x_n+1，，，x_2n)；计算第三部分的最小值C_min＝min(x_2n+1，，，x_3n)；计算第四部分的最大值D_max＝max(x_3n+1，，，x_4n)；最后计算2-范数得到4维的特征向量。

5.如权利要求1所述的基于单导联的心电信号自动分类方法，其特征在于，所述步骤4包括：

4.1将步骤三得到的特征向量进行标准化，计算特征的平均值mean和标准差std，分别使训练集与测试集的特征向量符合均值为0，方差为1的正太分布；

4.2XGboost模型的参数分为三种，通用参数选用基于树的模型，线程数设置与运行计算器的线程数相同；boost参数学习率设为0.15，损失函数设置为0；学习目标参数objective设为softprob，输出各个类别的概率值；

4.3根据处理好的训练集特征向量训练XGboost模型，通过测试集评价模型准确性；

4.4对于信号预测，重复步骤1、2、3，通过已训练的模型，给出预测参考值。