CN110507299B - 一种心率信号检测装置及方法 - Google Patents

Abstract

本发明公开了一种心率信号检测装置，包括：样本提取器，用于将连续的人体心率信号中均分为多个固定时长的信号样本；样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型；还公开了一种利用上述心率信号检测装置进行检测的方法。本发明能够无需依靠人工标记，就能对人体心率信号进行准确的分类，并结合同一心率信号的时域特征和频域特征对这一心率信号所属的心率类型进行判别，提高心率失常检测的准确度。

Description

一种心率信号检测装置及方法

技术领域

本发明涉及心率信号处理技术领域，具体为一种心率信号检测装置及方法。

背景技术

心血管疾病是人类健康的一大杀手，心率失常的原因是心脏正常节律产生了异常的改变，主要表现为快于正常心率的心率失常。临床上通常通过心电图仪对患者的心率进行家检查，如果心电图仪未查出心率失常的问题，则可以通过长时间佩戴智能穿戴设备，以进行长时间的心率监测。

2018年5月15日公告的108039203A的发明提供一种基于深度神经网络的心律失常的检测系统，包括：分段模块，用于对获取的待检测患者的K导联心电数据按时间顺序进行分段处理，获取多个K导联心电数据段，每个K导联心电数据段的长度相等，K为正整数；检测模块，用于将所述多个K导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。本发明提供的基于深度神经网络的心律失常的检测系统，通过将深度神经网络与心电数据相结合，利用人工对心律失常进行诊断的临床经验知识作为先验，对病例作出高可靠的预测，从而提高了心律失常检测的准确度。

上述专利中，使用人工对心律失常进行诊断的临床经验知识作为先验，存在对做标记的人工经验的依赖性，标签是否正确是模型实际分类性能的关键。并且其中使用了数据增强，增强的数据集与原始数据集存在一定的相关性，会影响模型的判断，导致判断不准确。

发明内容

本发明的目的是为了提供一种心率信号检测装置及方法，无需依靠人工标记，就能对人体心率信号进行准确的分类。

为了实现上述发明目的，本发明采用了以下技术方案：一种心率信号检测装置，包括：

样本提取器，用于将连续的人体心率信号中均分为多个固定时长的信号样本；

样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；

概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型。

优选的，所述样本处理器包括：

时域特征单元，用于从所述信号样本中提取时域特征；

信号转换单元，用于将所述信号样本从时域样本转换为频域样本；

频域分段单元，用于将所述频域样本均分成多个频域段；

频域特征单元，用于根据所述频域段确定频域特征；

特征处理单元，用于将所述时域特征和所述频域特征结合，得到所述特征图。

优选的，还包括类型确定器，用于根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。

由于人体心率信号是根据时间连续的信号，故在判断时结合该心率信号的前后心率信号对该心率类型进行判断，能够进一步提高判断的准确性。

优选的，还包括信号采集器，用于从人体中采集人体心率信号。

优选的，还包括信号滤波器，用于过滤所述人体心率信号中的干扰信号，所述信号过滤器包括：

低通滤波器，用于去除人体心率信号中的肌电噪声干扰；

陷波滤波器，用于去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；

零相移滤波器，用于去除心率信号中的基线漂移干扰。

为了实现上述发明目的，本发明还采用了以下技术方案：一种心率信号检测方法，包括：

样本提取器将连续的人体心率信号均分为多个固定时长的信号样本；

样本处理器确定信号样本的特征图，所述特征图包括时域特征和频域特征；

概率计算器根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率时常类型。

优选的，所述样本处理器确定信号样本的特征图，包括：

时域特征单元从所述信号样本中提取时域特征；

信号转换单元将所述信号样本从时域样本转换为频域样本；

频域分段单元将所述频域样本均分成多个频域段；

频域特征单元根据所述频域段确定频域特征；

优选的，还包括：类型确定器根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。

优选的，还包括：信号采集器从人体中采集人体心率信号。

优选的，还包括：信号滤波器过滤所述人体心率信号中的干扰信号，

所述信号滤波器过滤所述人体心率信号中的干扰信号，包括：

低通滤波器去除人体心率信号中的肌电噪声干扰；

陷波滤波器去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；

零相移滤波器去除心率信号中的基线漂移干扰。

与现有技术相比，采用了上述技术方案的心率信号检测装置及方法，具有如下有益效果：采用本发明的心率信号检测装置及方法，结合同一心率信号的时域特征和频域特征对这一心率信号所属的心率类型进行判别，提高心率失常检测的准确度。

附图说明

图1为本发明心率信号检测装置的结构示意图；

图2为本实施例中信号滤波器内部的结构示意图；

图3为本实施例中样本处理器内部的结构示意图；

图4为本实施例中心率信号检测方法的总体步骤图；

图5为本实施例中样本处理器内部处理样本的流程示意图。

具体实施方式

下面参考附图来更加详细地描述本发明的实施方式。

如图1至3所示的心率信号检测装置，包括：信号采集器，用于从人体中采集人体心率信号；信号滤波器，用于过滤所述人体心率信号中的干扰信号；样本提取器，用于将连续的人体心率信号中均分为多个固定时长的信号样本；样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率时常类型；类型确定器，用于根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。

其中，如图3所示的样本处理器包括：时域特征单元，用于从所述信号样本中提取时域特征；信号转换单元，用于将所述信号样本从时域样本转换为频域样本；频域分段单元，用于将所述频域样本均分成多个频域段；频域特征单元，用于根据所述频域段确定频域特征；特征处理单元，用于将所述时域特征和所述频域特征结合，得到所述特征图。

其中，如图2所示的信号过滤器包括：低通滤波器，用于去除人体心率信号中的肌电噪声干扰；陷波滤波器，用于去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；零相移滤波器，用于去除心率信号中的基线漂移干扰。

图4和图5为本实施例中心率信号检测方法的步骤流程图，检测方法包括步骤如下：

S1、信号采集器从人体中采集人体心率信号。

S2、信号滤波器过滤所述人体心率信号中的干扰信号，

其中信号滤波器过滤所述人体心率信号中的干扰信号，包括：

S201、低通滤波器去除人体心率信号中的肌电噪声干扰；

S202、陷波滤波器去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；

S203、零相移滤波器去除心率信号中的基线漂移干扰。

S3、样本提取器将连续的人体心率信号中均分为多个固定时长的信号样本；

S4、样本处理器确定信号样本的特征图，所述特征图包括时域特征和频域特征；

S401、时域特征单元从所述信号样本中提取时域特征；

S402、信号转换单元将所述信号样本从时域样本转换为频域样本；

S403、频域分段单元将所述频域样本均分成多个频域段；

S404、频域特征单元根据所述频域段确定频域特征。

S5、概率计算器根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型。

S6、类型确定器根据所述概率分布，并结合该信号样本的前后样本信号特征，确定该信号样本的心率类别。

下面结合上述步骤，将实际检测过程进行进一步描述：

信号采集器为临床上采集的心电数据使用的心率采集设备，这种设备必然包含有采集设备本身带有的特定频率的工频干扰、人体的肌电干扰以及由于呼吸造成的基线漂移噪声。

首先,针对上述不同的干扰噪声，设计不同的信号滤波器处理不同的干扰噪声，包括低通滤波器、陷波滤波器极易IIR零相移数字滤波器。其中，低通滤波器采用的截止频率为40Hz，用于去除肌电噪声干扰；陷波滤波器采用50Hz，用于去除采集设备本身带有的特定频率的工频干扰；IIR零相移数字滤波器用于去除基线漂移干扰。

通过样本提取器将上述经过去噪处理的去噪过的心率信号进行特征预处理。

样本处理器：将去噪信号按照时间顺序，固定时长的样本作为一个信号样本。在本实施例中，2秒作为一个信号样本。

信号转换单元：对上述的多个2秒的信号样本进行傅里叶变换，将信号样本从时域样本转换为频域样本，进行傅里叶变换后的信号样本为时域样本，经过傅里叶变换后的信号样本为频域样本。

频域分段单元和频域特征单元：而后，对频域样本按照频率均等分的原则划分为若干小段，并提取每一小段的特征信息。在本实施例中，将一个频域样本均分为10小段，并对每小段中的所有幅值取均值，作为该小段的特征信息。

时域特征单元：在一个固定时长的时域样本中，根据人体信号的采样频率确定时域信息中信号样本的特征维度。在本实施例中，人体信号的采样频率为100Hz，且上述采用的固定时长为2秒。所以对于一个2秒时长，采样频率为100赫兹的时域样本来说，共有200个特征维度。

特征处理单元：一个时域样本对应一个频域样本，相应地，频域特征为10小段内的特征信息，为10个特征维度。因此，对于一个信号样本而言，得到时域跟频域信号的结合特征维度为210。最终将210维度的特征图作为卷积神经网络（CNN）的输入。

概率计算器：卷积神经网络能够对时频域结合的特征进行进一步特征学习，本实施例中，卷积神经网络包括三层卷积和softmax层。其中，通过三层卷积对上述210维度的特征图进行特征的提取和学习，而后通过softmax层得到相应样本属于每个分类的概率分布。

类型确定器：上述得到的每个样本的概率分布能够表示出每个样本属于每个分类的可能性，但是由于心电信号时连续的时间信号。为了进一步结合各个信号样本的时间信息，对softmax层得到的概率分布特征进行进一步的学习和分类。将所有样本的概率分布特征作为后续长短期内存网络（LSTM）的输入，利用LSTM网络对时间信息的处理能力，最终得到该样本所属的类别。

本实施例中，结合深度卷积神经网络以及循环神经网络对特征预处理过的心电信号进行分类，进而对心律失常的类别进行识别。此方法不仅能应用于对人体心率信号的检测，还能通过Fluke生理信号模拟仪对人体心率信号进行模拟，并将模拟信号作为卷积神经网络和后续长短期内存网络的训练资料，并通过反向传播调整网络参数，最终得到一个用于识别心律失常类别的模型结构对测试的心律进行识别。

以上是本发明的优选实施方式，对于本领域的普通技术人员来说不脱离本发明原理的前提下，还可以做出若干变型和改进，这些也应视为本发明的保护范围。

Claims (2)

1.一种心率信号检测装置，其特征在于：包括：

样本提取器，用于将连续的人体心率信号均分为多个固定时长的信号样本；

样本处理器，用于确定信号样本的特征图，所述特征图包括时域特征和频域特征；

概率计算器，用于根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型；

所述样本处理器包括：

时域特征单元，用于从所述信号样本中提取时域特征；

信号转换单元，用于将所述信号样本从时域样本转换为频域样本；

频域分段单元，用于将所述频域样本均分成多个频域段；

频域特征单元，用于根据所述频域段确定频域特征；

特征处理单元，用于将所述时域特征和所述频域特征结合，得到所述特征图；

还包括类型确定器，用于将所有样本的概率分布特征作为后续长短期内存LSTM网络的输入，利用LSTM网络对时间信息的处理能力，最终得到该样本所属的类别；

还包括信号采集器，用于从人体中采集人体心率信号；

还包括信号滤波器，用于过滤所述人体心率信号中的干扰信号，所述信号过滤器包括：

低通滤波器，用于去除人体心率信号中的肌电噪声干扰；

陷波滤波器，用于去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；

零相移滤波器，用于去除心率信号中的基线漂移干扰。

2.一种心率信号检测方法，其特征在于：包括：

样本提取器将连续的人体心率信号中均分为多个固定时长的信号样本；

样本处理器确定信号样本的特征图，所述特征图包括时域特征和频域特征；

概率计算器根据所述特征图确定所述信号样本属于各个心率类型的概率分布，所述心率类型包括心率正常类型和心率失常类型；

所述样本处理器确定信号样本的特征图，包括：

时域特征单元从所述信号样本中提取时域特征；

信号转换单元将所述信号样本从时域样本转换为频域样本；

频域分段单元将所述频域样本均分成多个频域段；

频域特征单元根据所述频域段确定频域特征；

还包括：

类型确定器用于将所有样本的概率分布特征作为后续长短期内存LSTM网络的输入，利用LSTM网络对时间信息的处理能力，最终得到该样本所属的类别；

还包括：信号采集器从人体中采集人体心率信号；

还包括：

信号滤波器过滤所述人体心率信号中的干扰信号，

所述信号滤波器过滤所述人体心率信号中的干扰信号，包括：

低通滤波器去除人体心率信号中的肌电噪声干扰；

陷波滤波器去除人体心率信号中所述信号采集器本身带有的特定频率的工频干扰；

零相移滤波器去除心率信号中的基线漂移干扰。

Images