CN109745033A - 基于时频二维图像和机器学习的动态心电质量评估方法 - Google Patents

Abstract

本发明专利公开了一种基于时频二维图像和机器学习的动态心电质量评估方法，通过将一维心电信号转变为二维时频图像，并将得到的二维时频图馈送到机器学习系统中进行训练，得到一个自动且准确拣选有用穿戴式心电信号的信号质量评估模型，该模型可以对输入的时频图像进行分类，划分信号质量等级，不仅能够有效地抑制无临床诊断价值的噪声心电信号，而且能够进一步对有临床诊断价值的心电片段做进一步信号质量分类，从而提供更为直观细致的信号质量反馈信息。

Description

基于时频二维图像和机器学习的动态心电质量评估方法

所属领域

本发明属于动态心电信号处理领域，具体涉及一种基于时频二维图像和机器学习的动态心电质量评估方法。

背景技术

心脏病是导致人类死亡的“头号杀手”。根据最新的世界卫生组织报告，2012年约有1750万人死于心血管疾病，占全球死亡人数的30％，预计到2030年死亡人数将上升至2300万。因此，作为心脏电生理活动的常规检测方法，心电(ECG)信号分析在临床上具有重要意义。

近年来可穿戴技术的进步使得记录长期动态心电信号成为可能，长时间动态信号记录弥补了传统心电图只能在短期和静息状态下分析心电图的缺点，使得日常活动状态下的心电监测成为可能，但是动态心电信号是复杂且微弱的信号，很容易湮灭在各种噪声中。在强运动伪迹的影响下，动态心电信号质量明显下降，噪声干扰类型的多样和噪声强度的不可预期，极大影响心血管疾病的检测和诊断。因此，动态心电处理尤其需要对信号进行质量评估判断，做到去伪存真、去粗留精，把那些没有临床诊断价值的噪声信号滤除，把相对清晰、能够作为临床诊断重要参考的信号段准确拣选出来提供给医生，从而提高疾病诊断的效率和准确率。

心电波形是临床诊断的重要依据，心电信号质量评估是对心电进行临床解读分析的前提和先决条件，但是，当前的计算机心电分析软件对于信号质量评估环节重视不够。虽然，越来越多的学者和研究人员加大了对心电质量技术的研究，但是这些研究大多都是基于特征点提取的，一般都是通过R波、QRS序列的时间特征进行信号质量判断。当病人出现心电波形的病理变化时，信号质量评估很容易把疾病心电数据当作噪声去掉，从而漏掉具有重要诊断价值的信号片段，很难获得准确的评价估计。同时，在这些研究中多是使用简单的特征进行质量评估，性能非常有限，很难获得高精度的评估结果。因而，利用先进的信号处理方法和机器学习算法，设计一种准确度高、稳定性好、可适用于动态心电处理的信号质量评估方法就变得极为迫切和重要。

发明内容

本发明正是针对现有技术中的问题，提供了一种基于时频二维图像和机器学习的动态心电质量评估方法，通过将一维心电信号转变为二维时频图像，并将得到的二维时频图馈送到机器学习系统中进行训练，得到一个自动、可准确拣选动态心电信号有用片段的方法模型。该模型可以对输入的心电二维时频图像进行分类，划分信号质量等级，不仅能够有效地抑制无临床诊断价值的噪声心电信号，而且能够进一步对有临床诊断价值的心电片段做进一步信号质量分类，从而提供更为直观细致的信号质量反馈信息。

为了实现上述目的，本发明采用的技术方案是：基于时频二维图像和机器学习的动态心电质量评估方法，包括以下步骤：

S1，获取原始动态心电数据信号；

S2，通过信号质量标记拾取心电数据信号片段并划分类型；

S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；

S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；

S5，将待分类的心电测试信号处理成为时频二维图像；

S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。

作为本发明的一种改进，所述步骤S1中，原始动态心电数据信号通过但不限于穿戴式心电设备获取，所述信号在运动状态下获取。

作为本发明的一种改进，所述步骤S2中心电信号的划分类型为：具有良好信号质量的A型，信号质量较差的B型和纯粹的噪声信号C型，所述A型和B型有临床诊断价值，所述C型纯噪声无临床诊断价值。

作为本发明的另一种改进，所述步骤S2中拾取的心电数据信号片段长度为6-20秒的短时信号，典型值为10秒，所述信号的采样率为250-1000赫兹，典型值为500赫兹。

作为本发明的又一种改进，所述步骤S3中时频二维图像通过联合时间频率分析的二维时频分析方法产生，二维时频分析方法包括但不限于短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换、改进切片小波变换等典型信号变换方法。

作为本发明的更进一步改进，所述步骤S4中使用卷积神经网络(CNN)方法从信号二维时频空间中提取特征波的有用信息并进行机器学习，进而实现对时频二维图像数据的自动处理和分类。

与现有技术相比，本发明专利的有益效果：

1、通过将一维心电信号转变为二维时频图像，并将得到的时频图馈送到机器学习系统中进行训练，得到一个可以自动且准确拣选有用动态心电片段的方法模型，更加准确、有效地判断心电信号质量好坏，提供直观的反馈信息。

2、实例多个时频分析方法得到的二维时频图像与典型的机器学习算法——CNN方法结合得到的信号质量A、B、C三分类结果准确度都能达到80％以上，通过进一步优化参数，准确度还有提升空间，使得针对基于机器学习的长时间动态心电大数据信号质量分类处理成为可能。

3、二维时频图像可通过短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换、改进切片小波变换等时频分析方法产生，将不同时频分析方式得到的二维时频图馈送到机器学习系统中，都可以达到类似的效果，模型实现上具有多样性和灵活性。

4、本发明基于CNN算法的计算复杂度要求不高，可以在通用AI芯片上实现此功能，本发明所用到的机器学习方法具有较强的可实现性，适用于穿戴式等动态心电采集设备。

5、为穿戴式等动态心电采集设备提供了较好的高质量信号片段拣选策略，弥补了之前静态短时心电采集分析的不足，为穿戴式等动态心电监测场景应用提供了技术支撑。

6、拾取的心电信号截取为6-20秒短时信号片段处理，短时数据帧能降低基线漂移的影响，同时有利于滤除运动伪迹，提高了方法的可靠性。

附图说明

图1是本发明心电原始信号示例图；

图1a是A型心电信号的示例图；

图1b是B型心电信号的示例图；

图1c是C型心电信号的示例图；

图2是本发明基于改进切片小波变换(MFSWT)的二维时频图；

图2a是A型心电信号的MFSWT图像；

图2b是B型心电信号的MFSWT图像；

图2c是C型心电信号的MFSWT图像；

图3是本发明实施例2基于短时傅里叶变换(STFT)的二维时频图；

图3a是A型心电信号的STFT图像；

图3b是B型心电信号的STFT图像；

图3c是C型心电信号的STFT图像；

图4是本发明实施例3基于小波变换(WT)的二维时频图；

图4a是A型心电信号的WT图像；

图4b是B型心电信号的WT图像；

图4c是C型心电信号的WT图像；

图5是本发明实施例4基于希尔伯特黄变换(HHT)的二维时频图；

图5a是A型心电信号的HHT图像；

图5b是B型心电信号的HHT图像；

图5c是C型心电信号的HHT图像；

图6是本发明卷积神经网络(CNN)的架构示意图。

具体实施方式

以下将结合附图和实施例，对本发明进行较为详细的说明。

实施例1

基于时频二维图像和机器学习的动态心电质量评估方法，包括以下步骤：

S1，获取原始心电数据信号；

原始动态心电数据通过常用穿戴式心电监测设备获取，且在日常自然活动状态下获取，弥补了之前静态短时心电采集分析的不足，使用上更加方便便捷，更符合实际监测需求。

S2，通过信号质量标记拾取心电数据信号片段并划分类型；

通过严格的信号质量标记拾取心电片段并手动标记为三种质量类型，首先为了满足动态心电信号实时监测的需要，需要短时心电片段，该实施例设置为10秒，短时心电数据帧能降低基线漂移的影响，同时有利于滤除运动伪迹。信号采样率设置为500赫兹。10秒心电片段被手动标记为三种质量类型：具有良好信号质量的临床有用片段A型，具有较差信号质量但仍有临床诊断价值的片段B型和临床无用的纯噪声片段C型，图1示意了三类典型不同信号质量的心电波形，其中图1a是A型心电片段示例图，图1b是B型心电片段示例图，图1c是C型心电片段示例图。

S3，将步骤S2中的每一个一维心电片段通过时频分析处理成二维时频图像；

时频分析可以使用短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换或改进切片小波变换产生。时频分析技术可以将一维心电信号转换为二维时间-频率特征，二维时频图像进一步被传送到分类器。本实施例以改进切片小波变换为例：

改进切片小波变换(MFSWT)遵循生成时频表示的规则，并突出时域和频域的心电特征，如P波，QRS波和T波等。另外，MFSWT可以准确定位上述特征信息，避免了复杂的参数设置。MFSWT方法具有原时频表示方法高时频分辨率和兴趣区域信号频率成分定位准确的特点，该变换从频域出发生成时间-频率二维图像，并且引入了信号自适应频率切片函数作为动态频率滤波器。它能够实现不同观测频率成分的信号的能量分布的自适应测量，窄频率窗口的频率切片函数被用于观测能量小的频率成分，宽的频率窗口频率切片函数用于观测能量大的频率成分，解决了原有方法中参数设置困难和低频信号不理想的问题，同时增强了信号的时频特性。

MFSWT方法具体表示如下：

设是f(t)的傅里叶变换(FT)，频率切片小波变换可以表述为：

其中t和w分别是时频变换的观测时间和观测频率，“*”表示共轭算子，是频率切片函数，

q被定义为的尺度函数。由于q是信号频率变换的函数，式(1)具有信号自适应性，q采用式(3)的函数形式：

其中δ是信号中主要成份的频率位置，可以由的最大值对应的频率位置来估计；和“sign”分别为后向差分算子和符号算子。根据公式(1)和公式(3)，自适应频谱切片函数的频率窗口随信号频率能量分布平滑变化，从而保证了MFSWT变换能够在时频平面上有效增强具有较大能量的频率成份。

频率切片函数采用高斯函数形式，满足条件，因此MFSWT变换为：

通过MFSWT变换，心电信号时域特征，如P波，QRS波和T波，都准确地定位在信号频谱中。同时，时间-频率空间分布的每个频谱分量与心电信号频率之间很好地对应。针对图1不同心电片段生成的MFSWT二维时频图像如图2所示，图2a是A型心电信号的MFSWT图像，图2b是B型心电信号的MFSWT图像，图2c是C型心电信号的MFSWT图像。

S4，将处理后的二维时频图像馈送到机器学习模型中以训练分类模型；

将二维时频图像馈送到机器学习模型中以训练分类模型，典型的A型信号图像具有相对清晰稳定的信号波形；B型信号通常有连续几个可辨识的QRS波，信号中有不同程度噪声出现，但仍然具有临床诊断价值，特别是心电的节律信息；C型信号质量明显变差，基本为没有任何临床诊断价值的纯噪声。CNN作为一种典型的深度学习方法，其允许给机器馈送原始图像数据并且自动发现检测或分类所需的特征。CNN方法是通过组合简单但非线性的模块，获得具有多级表示的学习方法，每个模块将一层网络(从原始输入开始)连接到更高级别的网络类型，通过足够多的这样的连接的组合，可以学习非常复杂的规律。因此，其可以自动提取特征而无需人工干预和专家先验知识。将CNN应用到图像处理上，通过优化CNN卷积层和池化层中的滤波器函数，达到优化性能的作用，再构造一定结构的CNN模型，然后将该模型对图像数据集进行分类处理，可以得到符合预期的分类结果，因此它可以用来执行本发明的A，B和C心电信号质量三分类。基于此，就可以用于对长时间采集的动态心电大数据进行质量评估和标注，从而拣选出有临床诊断价值的信号段进行后续更准确有效的心电分析。

CNN是将输入向量映射到输出向量的函数或层序列的组合。输入表示为：

类似地，和分别是l层第k个神经元的偏差和核，是l-1层第i个神经元的输出，conv2D(.，.)为边界上没有零填充的二维卷积。所以输出可以描述为：

由于单层感知器模型不能够处理线性不可分的问题，1986年，Rumelhart等人提出了一种按误差逆传播算法训练的多层前馈网络—反响传播(BP)网络，解决了原来一些单层感知器所不能解决的问题。假设输入的相应输出向量是正确的t标注向量为那么损失函数为

增量误差为

则网络权值更新公式为

其中，η为学习率。

通过MFSWT，我们将心电片段转换为二维时频图像空间中的时间-频率特征波，然后我们使用CNN从二维时频空间中的特征波中自动提取、学习相关信息并实现分类。

图6为一个典型的CNN网络模型设计实施例，该CNN模型有13层网络结构，除了输入和输出层，还包含3个卷积层(每层分别为8个、16个、32个卷积核)，3个ReLU层，3个最大池化层，一个Flatten层和一个全连接层。CNN的实现过程实际上已经包含了特征提取过程，图6的模型结构直观地显示了CNN提取特征的过程。卷积层通过卷积操作提取前一层的各种不同局部特征，池化层的作用是把相似特征合并起来，池化层通过池化操作使得特征对噪声和变形具有鲁棒性，各层所提取的特征以增强的方式从不同角度表现原始图像，并且随着层数的增加，其表现形式越来越抽象。Flatten层用于“展平”输入，也就是让多维输入一维化。全连接层中的每个神经元与其前一层进行全连接，该层将前期所提取的各种局部特征综合起来，最后通过输出层得到每个类别的后验概率。

S5，将待分类的心电信号用同样的时频分析技术处理成为二维时频图像；

S6，将步骤S5中得到的二维时频图像输入到分类模型中进行分类，即可输出信号质量等级，完成动态心电质量的评估，过程如图6所示。

实施例2

S1和S2同实施例1。

S3，将步骤S2中的每一个一维心电片段通过时频分析处理成二维时频图像；

时频分析可以使用短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换或改进切片小波变换产生。时频分析技术可以将一维心电信号转换为二维时间-频率特征，二维时频图像进一步被传送到分类器。本实施例以短时傅里叶变换(STFT)为例：

首先使用短时窗将信号进行加窗分段，加窗后的小段信号可以认为是平稳信号，再运用傅里叶变换对信号进行处理。

STFT(τ,f)＝∫x(t)g(t-τ)e^-2jπftdt (10)

其中，x(t)是原始信号，g是窗函数。

相对于傅里叶变换，STFT在窗函数的作用下，对每一小段信号进行变换，由此可得到“局部”的频谱信息，从不同时刻“局部”频谱差异中可以体现出信号的时变特性，但缺点是窗函数宽度固定不变。窗函数窗口小，时间分辨率高，但频率分辨率会降低，因此STFT不能兼顾频率与时间分辨率的需求。

先对心电信号去除均值，进行STFT变换时选择窗长0.2秒，各段之间重叠0.1秒。针对图1不同心电片段生成的STFT二维时频图像如图3所示，图3a是A型心电信号的STFT图像，图3b是B型心电信号的STFT图像，图3c是C型心电信号的STFT图像。

实施例3

S1和S2同实施例1。

S3，将步骤S2中的每一个一维心电片段通过时频分析处理成二维时频图像；

时频分析可以使用短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换或改进切片小波变换产生。时频分析技术可以将一维心电信号转换为二维时间-频率特征，二维时频图像进一步被传送到分类器。本实施例以小波变换(WT)为例：

WT通过伸缩和平移运算对信号进行多尺度分解,能够有效地从信号中获取各种时频信息,它在时域和频域同时具有良好的局部化性质，具有多分辨率分析特性。WT是在STFT变换的基础上发展起来的，同时又克服了STFT窗口大小不能随频率变化而变化的缺点，能获得较高的时间和频率分辨率。

其中s尺度参数，τ时间轴的平移，ψ(t)是小波基函数。小波变换的多分辨率特性是：大尺度参数与低频率端相对应，频率的分辨率较高，但是时间的分辨率低；反之，小尺度参数与低频率端相对应，时间的分辨率高，频率的分辨率低。因此，小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)。但实际应用中小波基函数较难选取，各小波基函数的适用范围也不一致。

本实例中选用“Haar”小波基进行小波变换，针对图1不同心电片段生成的WT二维时频图像如图4所示，图4a是A型心电信号的WT图像，图4b是B型心电信号的WT图像，图4c是C型心电信号的WT图像。

小波变换可以清楚的将信号所包含的频率成分都识别出来，图中亮度高的地方小波变换系数大。从图4a可以看出在信号频率较高部分有较高的时间分辨率，信号频率较低部分有较高的频率分辨率。因此小波变换能根据信号的变化特性自动调节窗口大小，可以有效的平衡时间和频率分辨率。

实施例4

S1和S2同实施例1。

S3，将步骤S2中的每一个一维心电片段通过时频分析处理成二维时频图像；

时频分析可以使用短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换或改进切片小波变换产生。时频分析技术可以将一维心电信号转换为二维时间-频率特征，二维时频图像进一步被传送到分类器。本实施例以希尔伯特黄变换(HHT)为例：

HHT变换包括两个部分：经验模态分解及希尔伯特变换。HHT理论上可以应用于任何类型的信号分解(平稳和非平稳)，因而在处理非平稳及非线性信号上有明显的优势。而且，该方法依据数据自身的时间尺度特征来进行自适应信号分解，无须预先设定任何基函数，这一点与小波变换有本质差别。

希尔伯特变换的基本思想是将原始信号转化为复信号，如下

z(t)＝x(t)+jy(t)＝a(t)e^jθ(t) (12)

信号的相位及幅值可以表示为

通过对相位进行微分可以得到信号频率

希尔伯特变换的要求十分苛刻，要求信号为近似单一成分且为平稳信号，给实际应用提出了挑战。经验模态分解就是针对这一挑战而提出的一种处理方法，该方法可以将复杂信号分解为有限个本征模函数，其基本流程可以归纳为：

a、找出原数据序列X(t)所有的极大值点，并用三次样条插值函数拟合形成原数据的上包络线；

b、找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线；

c、上包络线和下包络线的均值(或中位值)记作ml，将原数据序列X(t)减去该平均包络ml，得到一个新的数据序列hl；

d、由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个本征模函数，需要继续进行“筛选”。

针对图1不同心电片段生成的HHT二维时频图像如图5所示，图5a是A型心电信号的HHT图像，图5b是B型心电信号的HHT图像，图5c是C型心电信号的HHT图像。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于，包括以下步骤：

S1，获取原始动态心电数据信号；

S2，通过信号质量标记拾取心电数据信号片段并划分类型；

S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；

S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；

S5，将待分类的心电测试信号处理成为时频二维图像；

S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。

2.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S1中，原始动态心电数据信号通过但不限于穿戴式心电设备获取，所述信号在运动状态下获取。

3.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S2中心电信号的划分类型为：具有良好信号质量的A型，信号质量较差的B型和纯粹的噪声信号C型，所述A型和B型有临床诊断价值，所述C型纯噪声无临床诊断价值。

4.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S2中拾取的心电数据信号片段数据长度为6-20秒的短时心电片段信号，典型值为10秒，所述信号的采样率为250-1000赫兹，典型值为500赫兹。

5.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S3中时频二维图像通过联合时间频率分析的二维时频分析方法产生，二维时频分析方法包括但不限于短时傅里叶变换、小波变换、希尔伯特黄变换、切片小波变换、改进切片小波变换典型信号变换方法。

6.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S4中使用卷积神经网络从信号二维时频空间中提取特征波的有用信息并进行机器学习，进而实现对时频二维图像数据的自动处理和分类。