CN109674464B - 一种多导联心电信号复合特征提取方法及对应监测系统 - Google Patents
一种多导联心电信号复合特征提取方法及对应监测系统 Download PDFInfo
- Publication number
- CN109674464B CN109674464B CN201910087975.5A CN201910087975A CN109674464B CN 109674464 B CN109674464 B CN 109674464B CN 201910087975 A CN201910087975 A CN 201910087975A CN 109674464 B CN109674464 B CN 109674464B
- Authority
- CN
- China
- Prior art keywords
- lead
- matrix
- energy
- coefficient
- wavelet packet
- 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.)
- Active
Links
Images
Classifications
-
- 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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
本发明公开了一种多导联心电信号复合特征提取方法及对应监测系统,涉及心电信号分析和检测领域;其方法步骤1:提取单导联心电信号形态的统计特征或形态的统计特征和小波能量熵特征;步骤2:重复步骤1获取、融合所有导联形态的统计特征或形态的统计特征和小波能量熵特征;其系统包括特征提取模块,其包括动态链接库、特征提取单元和特征融合单元,用于提取形态的统计特征或形态的统计特征和小波能量熵特征;本发明提取心电信号的形态的统计特征或形态的统计特征和小波能量熵特征,充分表征信号的局部特征,增强特征表达能力,达到了准确捕捉心电信号微小短促动态变化与复杂心电波形形态变化,准确识别心电信号正常状态和异常状态的效果。
Description
技术领域
本发明涉及心电信号分析和检测领域,尤其是一种多导联心电信号复合特征提取方法及对应监测系统。
背景技术
心电信号是心脏有规律收缩和舒张过程中,心肌细胞产生的动作电位综合而成的电信号,是心脏电活动在体表的综合反映。医院使用的常规12导联或者18导联心电图仅采样病人10-20秒内的心电信号,对于突发性强、隐蔽性强的各类心律失常疾病的心电变化不敏感,而动态心电图检测的数据不能被及时读取,可能错失最佳治疗时机,不利于突然情况的救助和预警。因此心电信号监测系统应运而生,中国发明专利公开号:CN108577831A、公开日为2018年9月28日,公开了一种“单导心贴数据长程监控诊断系统及其处理方法”,其仅监测单一导联心电信号,不能全面和准确监测心电信号;中国发明专利公开号:CN107669262A、公开日为2018年2月9日,公开了一种“基于SVM与WLT的多导联远程心电诊断与监护系统及方法”,其采用小波分析的方法提取多导联心电信号特征,但当动态心电图波形中出现持续时间短、变化幅度小和变化不明显的特征时,小波分析方法因其时频分解能力弱且依赖于心电信号的长度导致不易发现心电信号局部微小短促动态变化与复杂心电波形形态变化,导致心电信号特征提取准确度低以及对应的监测系统准确率低。因此,需要一种准确率更高的心电信号特征提取方法及监测系统克服以上问题。
发明内容
本发明的目的在于:本发明提供了一种多导联心电信号复合特征提取方法及对应监测系统,解决了现有采用特征分析方法无法准确探测心电信号局部微小短促动态变化和复杂心电波形形态变化,导致特征提取和系统监测准确度低的问题。
本发明采用的技术方案如下:
一种多导联心电信号复合特征提取方法,包括如下步骤:
步骤1:提取单导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征;
步骤2:重复步骤1获取所有导联的形态的统计特征或形态的统计特征和小波能量熵特征,再将获取的所有导联的形态的统计特征或形态的统计特征和小波能量熵特征进行融合;
所述形态的统计特征提取包括如下步骤:
步骤a1:取单导联心电信号{X(t),t=1,…,N}中某一心拍,定位其QRS波的起始点、终止点和T波终止点分别为(x1,X(x1))、(x2,X(x2))和(x3,X(x3)),则QRS波段可表示为Y1={X(t),t=x1,…,x2},ST-T段可表示为Y2={X(t),t=x2,…,x3};
步骤a2:计算QRS波段的面积C1、峰度系数C2、偏度系数C3和标准差C4:
其中,a表示Y1的均值,b表示Y1的方差,E表示期望;
步骤a3:根据步骤a1、a2计算ST-T段的面积C5、峰度系数C6、偏度系数C7和标准差C8:
步骤a4:将步骤a2和a3进行融合获取单导联心电信号QRS波和ST-T段的形态的统计特征。
优选地,所述小波能量熵特征提取包括如下步骤:
步骤b1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,…,N},对该单导联心电信号进行j尺度MODWPT分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,MODWPT分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值;
步骤b2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
步骤b3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn;
步骤b4:将第j层所有节点的能量熵值融合,组成能量熵特征矩阵B。
优选地,所述步骤2融合所有导联的形态的统计特征包括如下步骤:
步骤c:将步骤a4所得通过特征融合组成特征矩阵D1:
D1=[C1,C2,C3,C4,C5,C6,C7,C8]
其中,特征矩阵D1为1行8列矩阵;
步骤d:重复步骤a1-a4计算其余单导联的形态的统计特征,融合步骤c获得的所有特征矩阵,组成所有导联的特征矩阵D:
D=[D1,D2,...,DM]
其中,M表示多导联心电信号中包含的单导联心电信号个数,特征矩阵D为1行M*8列矩阵;
所述步骤2融合所有导联的形态的统计特征和小波能量熵特征包括如下步骤:
步骤c':将步骤a4和b4所得通过特征融合组成特征矩阵D'1:
D'1=[B,C1,C2,C3,C4,C5,C6,C7,C8]
其中,特征矩阵D'1为1行2j+8列矩阵,能量熵特征矩阵B为1行2j列矩阵;
步骤d':重复步骤a1-a4、b1-b4计算其余单导联的小波能量熵特征、形态的统计特征,融合步骤c'获得的所有特征矩阵,组成所有导联的特征矩阵D':
D'=[D'1,D'2,...,D'M]
其中新特征矩阵D'为1行M*(2j+8)列矩阵。
优选地,所述步骤b1中,最大离散小波包系数矩阵A的表达式如下:
gl和hl分别表示MODWPT下的尺度滤波器{gl:l=0,1,…,L-1}和小波滤波器{hl:l=0,1,…,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数;若n除以4的余数为0或3,则rn,l=gl;若n除以4的余数为1或2,则rn,l=hl;
所述步骤b2中,最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点在j尺度下的总能量En的计算表达式如下:
En,t=|Wj,n,t|2
n表示单导联心电信号中第j层的第n个节点,且1≤n≤2j,t表示第n个节点中各小波包系数的索引值;
所述步骤b3中,小波包系数的能量概率分布Pn,t及各节点的能量熵值SEn的计算表达式如下:
所述步骤b4中,能量熵特征矩阵B的表达式如下:
B=[SE1,SE2,...,SE2j]
其中,能量熵特征矩阵B为1行2j列矩阵。
一种基于多导联心电信号复合特征提取方法的监测系统,包括采集装置和与采集装置连接的监测装置,所述采集装置用于采集信号、调理信号和发送信号,所述监测装置用于接收信号、分离信号、提取信号特征和识别信号;所述监测装置包括
特征提取模块,用于提取分离后的各导联心电数字信号的形态的统计特征或形态的统计特征和小波能量熵特征;
所述特征提取模块包括动态链接库、特征提取单元和特征融合单元,
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征;
特征融合单元,用于融合提取的特征,获取所有导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征。
优选地,所述特征提取单元包括形态的统计特征提取单元,所述形态的统计特征提取单元包括
QRS波与ST-T段的面积计算单元,用于计算各导联单个心拍的QRS波面积与ST-T段的面积;
QRS波与ST-T段的峰度系数计算单元,用于计算各导联单个心拍的QRS波峰度系数与ST-T段的峰度系数;
QRS波与ST-T段的偏度系数计算单元,用于计算各导联单个心拍的QRS波偏度系数与ST-T段的偏度系数;
QRS波与ST-T段的标准差计算单元,用于计算对各导联单个心拍的QRS波标准差与ST-T段的标准差。
优选地,所述特征提取单元还包括小波能量熵特征提取单元,所述小波能量熵特征提取单元包括
MODWPT分解单元,用于对各导联心电数字信号进行j尺度MODWPT分解,获取第j层的2j个节点对应的最大离散小波包系数矩阵A;
节点能量计算单元,用于计算最大离散小波包系数矩阵A中每个节点对应的小波包系数的能量En,t和所有节点在j尺度下的总能量En;
能量熵值计算单元,用于归一化各节点对应的小波包系数的能量后得到各小波包系数对应的能量概率分布Pn,t,并根据能量概率分布Pn,t计算各个节点对应的能量熵值SEn即单节点小波能量熵特征;
小波能量熵特征计算单元,用于将第j层所有节点的能量熵值融合构建为特征矩阵即小波能量熵特征。
优选地,所述监测装置还包括无线通信模块A、信号分离模块、特征识别模块和显示模块,所述无线通信模块A、信号分离模块和特征提取模块依次连接,获取单导联心电信号的特征,所述特征提取模块、特征识别模块和显示模块依次连接,实现识别多导联特征和显示识别结果即心电信号正常/异常。
优选地,所述采集装置包括依次连接的信号采集传感器、信号调理电路、信号转换电路、处理器和无线通信模块B,实现信号采集、调理、转换,所述无线通信模块A和无线通信模块B无线连接,实现信号无线传输。
优选地,所述信号调理电路包括依次连接的隔离电路、放大电路和滤波电路。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明通过特征提取单元链接动态链接库获取心电信号的形态的统计特征,解决了临床上特异QRS波和ST-T段形态复杂多变且难以准确提取的问题,通过提取面积、峰度系数、偏度系数与标准差特征降低了特异QRS波、ST-T段的形态识别的复杂度,增强心电信号的特征表达能力,避免了现有监测系统不易捕捉复杂心电波形形态变化特征的缺点,能够准确识别心电信号的正常/异常状态,达到了提高分析的准确度,实现高效准确的监测的效果;
2.本发明通过特征提取单元链接动态链接库获取心电信号的小波能量熵特征,解决了现有采用小波分析方法无法准确探测心电信号中微小短促的异常变化,导致监测准确度低的问题,准确捕捉心电信号微小短促的动态变化,能够准确识别心电信号正常状态和异常状态,达到了提高分析的准确度,实现高效准确的监测的效果;
3.本发明可以采集多路导联心电信号,更加全面的反映心脏的状态,并将多路心电信号的特征进行融合,能够准确捕捉心电信号微小短促的动态变化和复杂心电信号波形形态变化,同时经过特征识别模块精确识别心电信号的正常/异常状态,提高了心电监测的全面性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的复合特征提取中实施例2的方法流程图;
图2为本发明的采集装置系统框图;
图3为本发明监测装置系统框图;
图4为本发明的实施例样本数据中正常记录和异常记录的12导联心电信号示意图;
图5为本发明实施例1的十折交叉验证数据图;
图6为本发明实施例2的十折交叉验证数据图;
图7为本发明的复合特征提取中实施例1的方法流程图。
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,以下结合附图及实施例,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例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
一种多导联心电信号复合特征提取方法,包括如下步骤:
步骤1:提取单导联心电信号的形态的统计特征;
步骤2:重复步骤1获取所有导联的形态的统计特征,再将获取的所有导联的形态的统计特征进行融合;
形态的统计特征提取包括如下步骤:
步骤a1:取单导联心电信号{X(t),t=1,…,N}中某一心拍,定位其QRS波的起始点、终止点和T波终止点分别为(x1,X(x1))、(x2,X(x2))和(x3,X(x3)),则QRS波段可表示为Y1={X(t),t=x1,…,x2},ST-T段可表示为Y2={X(t),t=x2,…,x3};
步骤a2:计算QRS波段的面积C1、峰度系数C2、偏度系数C3和标准差C4:
其中,a表示Y1的均值,b表示Y1的方差,E表示期望;
步骤a3:根据步骤a1、a2计算ST-T段的面积C5、峰度系数C6、偏度系数C7和标准差C8:
步骤a4:将步骤a2和a3进行融合获取单导联心电信号QRS波和ST-T段的形态的统计特征。
步骤2包括如下步骤:
步骤2.1:将步骤a4所得通过特征融合组成特征矩阵D1:
D1=[C1,C2,C3,C4,C5,C6,C7,C8]
其中,特征矩阵D1为1行8列矩阵;
步骤2.2:重复步骤a1-a4计算其余单导联形态的统计特征,融合步骤2.1获得的所有特征矩阵,组成所有导联的特征矩阵D:
D=[D1,D2,...,DM]
其中,M表示多导联心电信号中包含的单导联心电信号个数,特征矩阵D为1行M*8列矩阵。
特征识别利用基于径向基核函数的支持向量机模型,利用样本数据进行训练获取输入输出映射关系,输入测试数据即融合后的小波能量熵特征获取分类结果即识别结果,最后进行显示,基于径向基核函数的支持向量机模型训练细节具体为:
获取PTB数据库(公开的心电数据库)中正常和异常12导联心电信号样本数据,样本数据的12导联心电信号如图4所示,并按监测系统中描述的特征提取方法进行验证。流程图如图7所示,提取12导联心电信号特征输入SVM分类器,进行十折交叉验证观测分类性能变化,最终分类平均准确率、平均敏感度和平均精确度分别为99.74%、99.41%和99.61%,如图5所示。此外,SVM分类器可由反向传播神经网络、K近邻、集成学习、决策树、随机森林等方法替换。
一种基于多导联心电信号复合特征提取方法的监测系统,包括采集装置和与采集装置连接的监测装置,所述采集装置用于采集信号、调理信号和发送信号,监测装置用于接收信号、分离信号、提取信号特征和识别信号;监测装置包括
特征提取模块,用于提取分离后的各导联心电数字信号中表征复杂心电波波形形态变化的形态的统计特征;特征提取模块包括动态链接库、特征提取单元和特征融合单元;动态链接库,用于封装特征提取单元;特征提取单元,用于调用动态链接库提取各导联复杂心电波波形形态变化的形态的统计特征;特征融合单元,用于融合提取的特征获取所有导联的复杂心电波形形态变化的形态的统计特征。特征提取单元包括形态的统计特征提取单元,形态的统计特征提取单元包括QRS波与ST-T段的面积计算单元,用于计算各导联单个心拍的QRS波面积与ST-T段的面积;QRS波与ST-T段的峰度系数计算单元,用于计算各导联单个心拍的QRS波峰度系数与ST-T段的峰度系数;QRS波与ST-T段的偏度系数计算单元,用于计算各导联单个心拍的QRS波偏度系数与ST-T段的偏度系数;QRS波与ST-T段的标准差计算单元,用于计算对各导联单个心拍的QRS波标准差与ST-T段的标准差。
工作原理:如图1-2所示,采集装置通过信号采集传感器采集多导联心电信号,心电信号经隔离电路、放大电路和滤波电路完成调理后,通过信号转换电路即模/数转换电路,模拟信号转换为数字信号后处理器触发无线通信模块B发送信号,监测装置的无线通信模块A接收信号后输入信号分离模块,将多导联心电数字信号分离为第一导联信号、第二导联信号及第M导联信号,第一导联信号、第二导联信号及第M导联信号分别输入至特征提取模块,并依次进行数字滤波和特征提取处理,提取过程调用动态链接库中封装的形态的统计特征提取单元,形态的统计特征提取单元用于提取QRS波与ST-T段的面积、峰度系数、偏度系数与标准差特征,并通过特征融合单元融合形态的统计特征获取各导联心电信号的复杂心电波形形态变化;之后,将各导联心电信号的上述特征进行融合;融合后输入分类器进行识别获取识别结果,最终将识别结果进行显示,显示结果为正常/异常,显示装置对异常进行显示,比如高亮闪烁等;实现高效准确的监测。
实施型号:信号采集传感器采用医疗双面导电硅胶和柔性电路板采集信号,处理器型号为MSP430F5529,无线通信模块型号为CC2430,信号转换电路、隔离电路、放大电路和滤波电路采用本领域通用电路实现,通过确定型号和通用型号的电路确定本申请的采集装置对应的电路连接,本领域技术人员通过本申请的记载可以清楚、完整地实现本申请的技术方案。
效果分析:通过形态的统计特征提取单元提取面积、峰度系数、偏度系数与标准差特征降低了特异QRS波、ST-T段的形态识别的复杂度,能够捕捉复杂心电波形形态变化特征。因此心电信号形态的统计特征十分适合多导联心电信号的特征分析,通过提取面积、峰度系数、偏度系数与标准差特征降低了特异QRS波、ST-T段的形态识别的复杂度,增强心电信号的特征表达能力,避免了现有监测系统不易捕捉复杂心电波形形态变化特征的缺点,能够准确识别心电信号的正常/异常状态,达到了提高分析的准确度,实现高效准确的监测的效果。
实施例2
一种多导联心电信号复合特征提取方法,包括如下步骤:
步骤1:提取单导联心电信号的形态的统计特征和小波能量熵特征;
步骤2:重复步骤1获取所有导联的形态的统计特征和小波能量熵特征,再将获取的所有导联的形态的统计特征和小波能量熵特征进行融合;
对应的系统区别点如下:
特征提取模块,用于提取分离后的各导联心电数字信号的形态的统计特征或形态的统计特征和小波能量熵特征;
所述特征提取模块包括动态链接库、特征提取单元和特征融合单元,
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联复杂心电信号的形态的统计特征或形态的统计特征和小波能量熵特征;
特征融合单元,用于融合提取的特征获取所有导联的心电信号的形态的统计特征或形态的统计特征和小波能量熵特征。
本实施例的特征提取模块与特征融合模块中所述方法包括以下步骤:
步骤1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,…,N},对该单导联心电信号进行j尺度MODWPT分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,MODWPT分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值。本实施例中,分解尺度j的取值为3。
公式(1)为获取到的单导联心电信号在j尺度下,其包含的第j层的2j个节点对应的和该单导联心电信号具有相同时间分辨率的最大离散小波包系数矩阵A。
公式(1-2)、(1-3)中,gl和hl分别表示MODWPT下的尺度滤波器{gl:l=0,1,…,L-1}和小波滤波器{hl:l=0,1,…,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数,rn,t表示第j层不同节点处对应的尺度滤波器或小波滤波器;若n除以4的余数为0或3,则rn,l=gl;若n除以4的余数为1或2,则rn,l=hl。
步骤2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
En,t=|Wj,n,t|2 (2)
其中,n表示单导联心电信号中第j层的第n个节点,且1≤n≤2j,t表示第n个节点中各小波包系数的索引值。
步骤3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn。
步骤4:将第j层的所有节点对应的能量熵值融合,组成能量熵特征矩阵B。
B=[SE1,SE2,...,SE2j] (6)
其中,能量熵特征矩阵B为1行2j列矩阵。
步骤5:取单导联心电信号{X(t),t=1,…,N}中某一心拍,定位其QRS波的起始点、终止点和T波终止点分别为(x1,X(x1))、(x2,X(x2))和(x3,X(x3)),则QRS波段可表示为Y1={X(t),t=x1,…,x2},ST-T段可表示为Y2={X(t),t=x2,…,x3}。
步骤6:计算QRS波段的面积C1、峰度系数C2、偏度系数C3和标准差C4。
其中,a表示Y1的均值,b表示Y1的方差,E表示期望;
步骤7:结合步骤5和步骤6计算ST-T段的面积C5、峰度系数C6、偏度系数C7和标准差C8;
步骤8:将步骤4、步骤6和步骤7的特征通过特征融合单元融合,组成特征矩阵D'1。
D'1=[B,C1,C2,C3,C4,C5,C6,C7,C8] (11)
其中,特征矩阵D'1为1行2j+8列矩阵,能量熵特征矩阵B为1行2j列矩阵。
重复步骤1至8,在相同的分解尺度下,计算其余单导联的小波能量熵特征、形态的统计特征,并通过特征融合模块融合所有导联的特征矩阵,组成新的特征矩阵D'。
D'=[D'1,D'2,...,D'M] (12)
其中,M表示多导联心电信号中包含的单导联心电信号个数,新特征矩阵D'为1行M*(2j+8)列矩阵。
本实施例中,单导联心电信号个数M的取值为12。
特征识别利用基于径向基核函数的支持向量机模型,利用样本数据进行训练获取输入输出映射关系,输入测试数据即融合后的小波能量熵特征和形态的统计特征获取分类结果即识别结果,最后进行显示,基于径向基核函数的支持向量机模型训练细节具体为:
获取PTB数据库(公开的心电数据库)中正常和异常12导联心电信号样本数据,样本数据的12导联心电信号如图4所示,并按监测系统中描述的特征提取方法进行验证。流程图如图1所述,提取12导联心电信号特征输入SVM分类器,进行十折交叉验证观测分类性能变化,最终分类平均准确率、平均敏感度和平均精确度分别为99.82%、99.57%和99.76%,如图6所示。此外,SVM分类器可由反向传播神经网络、K近邻、集成学习、决策树、随机森林等方法替换。
综上,本申请的小波能量熵特征提取单元能探测心电信号中持续时间短、幅值小的异常变化,相比传统的小波分析和小波包分析的心电信号监测系统,本申请中的小波能量熵特征提取单元进行最大离散小波包分解,能够对心电信号高频部分进一步细化分解,且不同尺度下的近似系数和细节系数具有平移不变性,同时不依赖于心电信号的长度,每个分解尺度与原信号具有相同的时间分辨率,信号几乎不损失信息;通过时频分析放大心电信号局部特性的基础上,能量熵能够在不同尺度下通过能量的概率分布反映异常心电的微小变化,能准确识别心电信号的正常状态或者异常状态;通过形态的统计特征提取单元提取面积、峰度系数、偏度系数与标准差特征降低了特异QRS波、ST-T段的形态识别的复杂度,能够捕捉复杂心电波形形态变化特征;因此心电信号小波能量熵特征、形态特征和统计特性相结合的方法十分适合多导联心电信号的特征分析,能够准确捕捉心电信号微小短促的动态变化和特异心电信号波形形态变化,增强信号的特征表达能力,准确识别心电信号的正常状态或者异常状态,进而提高心电信号监测的准确度,并根据识别结果进行提示,利于提高心电信号监测的准确度,实现高效准确监测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多导联心电信号复合特征提取方法,其特征在于:包括如下步骤:
步骤1:提取单导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征;
步骤2:重复步骤1获取所有导联的形态的统计特征或形态的统计特征和小波能量熵特征,再将获取的所有导联的形态的统计特征或形态的统计特征和小波能量熵特征进行融合;
所述形态的统计特征提取包括如下步骤:
步骤a1:取单导联心电信号{X(t),t=1,...,N}中某一心拍,定位其QRS波的起始点、终止点和T波终止点分别为(x1,X(x1))、(x2,X(x2))和(x3,X(x3)),则QRS波段可表示为Y1={X(t),t=x1,...,x2},ST-T段可表示为Y2={X(t),t=x2,...,x3};
步骤a2:计算QRS波段的面积C1、峰度系数C2、偏度系数C3和标准差C4:
其中,a表示Y1的均值,b表示Y1的方差,E表示期望;
步骤a3:根据步骤a1、a2计算ST-T段的面积C5、峰度系数C6、偏度系数C7和标准差C8:
步骤a4:将步骤a2和a3进行融合获取单导联心电信号QRS波和ST-T段的形态的统计特征。
2.根据权利要求1所述的一种多导联心电信号复合特征提取方法,其特征在于:所述小波能量熵特征提取包括如下步骤:
步骤b1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,...,N},对该单导联心电信号进行j尺度最大离散小波包分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,最大离散小波包分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值;
步骤b2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
步骤b3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn;
步骤b4:将第j层所有节点的能量熵值融合,组成能量熵特征矩阵B。
3.根据权利要求2所述的一种多导联心电信号复合特征提取方法,其特征在于:所述步骤2融合所有导联的形态的统计特征包括如下步骤:
步骤c:将步骤a4所得通过特征融合组成特征矩阵D1:
D1=[C1,C2,C3,C4,C5,C6,C7,C8]
其中,特征矩阵D1为1行8列矩阵;
步骤d:重复步骤a1-a4计算其余单导联的形态的统计特征,融合步骤c获得的所有特征矩阵,组成所有导联的特征矩阵D:
D=[D1,D2,...,DM]
其中,M表示多导联心电信号中包含的单导联心电信号个数,特征矩阵D为1行M*8列矩阵;
所述步骤2融合所有导联的形态的统计特征和小波能量熵特征包括如下步骤:
步骤c′:将步骤a4和b4所得通过特征融合组成特征矩阵D′1:
D′1=[B,C1,C2,C3,C4,C5,C6,C7,C8]
其中,特征矩阵D′1为1行2j+8列矩阵,能量熵特征矩阵B为1行2j列矩阵;
步骤d′:重复步骤a1-a4、b1-b4计算其余单导联的小波能量熵特征、形态的统计特征,融合步骤c′获得的所有特征矩阵,组成所有导联的特征矩阵D′:
D′=[D′1,D′2,...,D′M]
其中新特征矩阵D′为1行M*(2j+8)列矩阵。
4.根据权利要求2所述的一种多导联心电信号复合特征提取方法,其特征在于:所述步骤b1中,最大离散小波包系数矩阵A的表达式如下:
gl和hl分别表示最大离散小波包下的尺度滤波器{gl:l=0,1,...,L-1}和小波滤波器{hl:l=0,1,...,L-1},Vj,t和Wj,t分别表示最大离散小波包下的近似系数和细节系数;若n除以4的余数为0或3,则rn,l=gl;若n除以4的余数为1或2,则rn,l=hl;
所述步骤b2中,最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点在j尺度下的总能量En的计算表达式如下:
En,t=|Wj,n,t|2
n表示单导联心电信号中第j层的第n个节点,且1≤n≤2j,t表示第n个节点中各小波包系数的索引值;
所述步骤b3中,小波包系数的能量概率分布Pn,t及各节点的能量熵值SEn的计算表达式如下:
所述步骤b4中,能量熵特征矩阵B的表达式如下:
其中,能量熵特征矩阵B为1行2j列矩阵。
5.一种基于权利要求1-4任一所述方法的监测系统,包括采集装置和与采集装置连接的监测装置,所述采集装置用于采集信号、调理信号和发送信号,所述监测装置用于接收信号、分离信号、提取信号特征和识别信号;其特征在于:所述监测装置包括
特征提取模块,用于提取分离后的各导联心电数字信号的形态的统计特征或形态的统计特征和小波能量熵特征;
所述特征提取模块包括动态链接库、特征提取单元和特征融合单元,
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征;
特征融合单元,用于融合提取的特征获取所有导联心电信号的形态的统计特征或形态的统计特征和小波能量熵特征。
6.根据权利要求5所述的一种监测系统,其特征在于:所述特征提取单元包括形态的统计特征提取单元,所述形态的统计特征提取单元包括
QRS波与ST-T段的面积计算单元,用于计算各导联单个心拍的QRS波面积与ST-T段的面积:
QRS波与ST-T段的峰度系数计算单元,用于计算各导联单个心拍的QRS波峰度系数与ST-T段的峰度系数;
QRS波与ST-T段的偏度系数计算单元,用于计算各导联单个心拍的QRS波偏度系数与ST-T段的偏度系数;
QRS波与ST-T段的标准差计算单元,用于计算对各导联单个心拍的QRS波标准差与ST-T段的标准差。
7.根据权利要求5所述的一种监测系统,其特征在于:所述特征提取单元还包括小波能量熵特征提取单元,所述小波能量熵特征提取单元包括
最大离散小波包分解单元,用于对各导联心电数字信号进行j尺度最大离散小波包分解,获取第j层的2j个节点对应的最大离散小波包系数矩阵A;
节点能量计算单元,用于计算最大离散小波包系数矩阵A中每个节点对应的小波包系数的能量En,t和所有节点在j尺度下的总能量En;
能量熵值计算单元,用于归一化各节点对应的小波包系数的能量后得到各小波包系数对应的能量概率分布Pn,t,并根据能量概率分布Pn,t计算各个节点对应的能量熵值SEn即单节点小波能量熵特征;
小波能量熵特征计算单元,用于将第j层所有节点的能量熵值融合构建为特征矩阵即小波能量熵特征。
8.根据权利要求5或者6或者7所述的一种监测系统,其特征在于:所述监测装置还包括无线通信模块A、信号分离模块、特征识别模块和显示模块,所述无线通信模块A、信号分离模块和特征提取模块依次连接,获取单导联心电信号的特征,所述特征提取模块、特征识别模块和显示模块依次连接,实现识别多导联特征和显示识别结果即心电信号正常/异常。
9.根据权利要求8所述的一种监测系统,其特征在于:所述采集装置包括依次连接的信号采集传感器、信号调理电路、信号转换电路、处理器和无线通信模块B,实现信号采集、调理、转换,所述无线通信模块A和无线通信模块B无线连接,实现信号无线传输。
10.根据权利要求9所述的一种监测系统,其特征在于:所述信号调理电路包括依次连接的隔离电路、放大电路和滤波电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087975.5A CN109674464B (zh) | 2019-01-29 | 2019-01-29 | 一种多导联心电信号复合特征提取方法及对应监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087975.5A CN109674464B (zh) | 2019-01-29 | 2019-01-29 | 一种多导联心电信号复合特征提取方法及对应监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109674464A CN109674464A (zh) | 2019-04-26 |
CN109674464B true CN109674464B (zh) | 2021-04-30 |
Family
ID=66194246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910087975.5A Active CN109674464B (zh) | 2019-01-29 | 2019-01-29 | 一种多导联心电信号复合特征提取方法及对应监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109674464B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031151A1 (zh) * | 2019-08-21 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 基于ecg的疾病预测方法、装置及电子设备 |
CN111466905B (zh) * | 2020-04-10 | 2021-01-22 | 西安交通大学 | 一种基于双向连通的心电波形提取方法 |
CN112284721A (zh) * | 2020-10-16 | 2021-01-29 | 广东石油化工学院 | 一种大机组摩擦与转子不平衡双重故障分析方法及系统 |
CN113951893B (zh) * | 2021-12-02 | 2023-02-03 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN104537243A (zh) * | 2014-12-30 | 2015-04-22 | 哈尔滨理工大学 | 一种基于模糊推理结合加权相似度量的心电分类方法 |
CN105395185A (zh) * | 2015-12-03 | 2016-03-16 | 中国人民解放军重庆通信学院 | 基于多通道柔性融合的生理信号检测系统 |
CN106618552A (zh) * | 2016-12-30 | 2017-05-10 | 清华大学 | 一种检测模型获取方法及装置 |
CN106974631A (zh) * | 2017-03-17 | 2017-07-25 | 深圳大学 | 一种基于脉搏波波形和心电信号的血压测量方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030061152A1 (en) * | 2001-09-26 | 2003-03-27 | De Rabi S. | System and method for determining Value-at-Risk using FORM/SORM |
US7769434B2 (en) * | 2006-11-30 | 2010-08-03 | General Electric Company | Method of physiological data analysis and measurement quality check using principal component analysis |
-
2019
- 2019-01-29 CN CN201910087975.5A patent/CN109674464B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101773394A (zh) * | 2010-01-06 | 2010-07-14 | 中国航天员科研训练中心 | 身份识别方法及应用该方法的身份识别系统 |
CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN104537243A (zh) * | 2014-12-30 | 2015-04-22 | 哈尔滨理工大学 | 一种基于模糊推理结合加权相似度量的心电分类方法 |
CN105395185A (zh) * | 2015-12-03 | 2016-03-16 | 中国人民解放军重庆通信学院 | 基于多通道柔性融合的生理信号检测系统 |
CN106618552A (zh) * | 2016-12-30 | 2017-05-10 | 清华大学 | 一种检测模型获取方法及装置 |
CN106974631A (zh) * | 2017-03-17 | 2017-07-25 | 深圳大学 | 一种基于脉搏波波形和心电信号的血压测量方法及装置 |
Non-Patent Citations (2)
Title |
---|
Wavelet entropy:a new tool for analysis of short duration brain electrical signals;Osvaldo A.Rosso et al;《Journal of Neuroscience Methods》;20010130;第05卷(第1期);第65-75页 * |
基于Ⅰ导联ECG的心肌梗死特征提取;钟清华 等;《生物医学工程学杂志》;20130430;第30卷(第2期);第260-264页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109674464A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109674464B (zh) | 一种多导联心电信号复合特征提取方法及对应监测系统 | |
US11517212B2 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
EP3692904A1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
JP5271718B2 (ja) | 複数の時間区分にわたり胎児及び産婦のecgを特定する方法 | |
US9168018B2 (en) | System and method for classifying a heart sound | |
EP3672474A1 (en) | A method of detecting abnormalities in ecg signals | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
EP3803709B1 (en) | Detecting abnormalities in ecg signals | |
WO2019234458A1 (en) | Detecting abnormalities in ecg signals | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
Qayyum et al. | ECG heartbeat classification: A comparative performance analysis between one and two dimensional convolutional neural network | |
Iadarola et al. | A new method for sEMG envelope detection from reduced measurements | |
CN109730672B (zh) | 一种用于多导联心电信号的特征提取方法及对应监测系统 | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Fathail et al. | Ecg paper digitization and r peaks detection using fft | |
CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
Kanna et al. | Cardiac arrhythmia detector using cnn application | |
Nursalim et al. | Classification of electrocardiogram signal using deep learning models | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN114271799B (zh) | 一种基于智能终端的心血管检测方法 | |
AKS et al. | Estimation of Heart Rate using PPG Sensor at the Suprasternal Notch |
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 |