CN111832537A - 异常心电信号识别方法及异常心电信号识别装置 - Google Patents

Abstract

本申请实施例公开了一种异常心电信号识别方法及异常心电信号识别装置，用于对心电信号进行识别以确定出异常的心电信号。本申请实施例方法包括：计算待识别心电信号的目标波段的形态特征以及待识别心电信号的离散小波系数特征，通过深度学习算法构建的特征提取模型对待识别心电信号进行特征提取，得到模型特征，将得到的形态特征、离散小波系数特征以及模型特征进行特征融合，得到目标融合特征，使用分类模型对该目标融合特征进行识别，判断该目标融合特征是否符合异常心电信号所具备的特征，若符合，则确定为异常心电信号。本申请实施例的方法融合信号算法和卷积神经网络算法，使得本申请实施例的方法具有更高的精度和准确率以及更强的鲁棒性。

Description

异常心电信号识别方法及异常心电信号识别装置

技术领域

本申请实施例涉及信号识别领域，具体涉及一种异常心电信号识别方法及异常心电信号识别装置。

背景技术

随着我国经济社会发展和人口老龄化的加快，慢性病患病率呈现上升趋势。慢性病具有高发病率、高致残率、高死亡率的特点，不仅严重影响我国人民健康水平和生活质量，而且大量消耗有限的卫生资源，给我国带来了巨大的经济负担。据调查，在大于60岁的居民患病率排名中，心血管疾病高居榜首。在世界范围内，心血管疾病是引起人类死亡率最高的疾病之一。由于人们个人的行为因素(吸烟，缺乏锻炼，不健康饮食)、代谢因素(高血压，高血糖，高血脂)以及其他因素(遗传，高龄)等使得心血管疾病的患病率持续提高。

心电图作为临床上重要的常规检测手段之一，具有快速、简单、无痛等特点，在临床上主要用于检测心脏异常，它可以帮助医生快速的检测心脏异常节律，诊断心脏相关疾病，对于心脑血管疾病的早筛、控制和治疗具有重要意义。

近年来，随着模式识别、人工智能等技术水平的提高，目前对于心电信号的分类方法主要分为信号算法和人工智能算法。信号算法主要是通过PQRST波的识别、特征提取、聚类，最后再根据提取的特征选择合适的分类器识别异常心率。信号算法需要心电图专家知识和大量的特征提取工作。人工智能算法主要以卷积神经网络为主，卷积神经网络可以在训练的过程中自动识别特征、提取特征，但是缺点也显而易见，需要心电图专家大量的标注数据，鲁棒性较差。

无论是信号算法还是人工智能算法，都存在准确率不高、鲁棒性不强等缺陷。

发明内容

本申请实施例提供了一种异常心电信号识别方法及异常心电信号识别装置，用于对心电信号进行识别以确定出异常的心电信号。

本申请实施例第一方面提供了一种异常心电信号识别方法，包括：

接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点；

根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段；

计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征；

利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号，并分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征；

获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征；

将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征；

使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

若符合，则确定所述待识别心电信号为异常心电信号。

优选的，所述确定所述待识别心电信号的若干个波段的起点和终点，包括：

利用Pan-Tompkins算法计算所述待识别心电信号的若干个波段的起点和终点。

优选的，所述获取预先构建的特征提取模型，包括：

基于卷积神经网络算法，使用所述心电信号样本对所述特征提取模型进行训练，得到训练后的所述特征提取模型。

优选的，所述接收待识别心电信号之后，所述方法还包括：

对所述待识别心电信号进行预处理，所述预处理包括对所述待识别心电信号去除基线漂移和/或对所述待识别心电信号去除肌电干扰。

优选的，所述分类模型为XGBoost分类模型，所述方法还包括：

以正常心电信号和异常心电信号作为训练样本，向待训练的所述XGBoost分类模型输入所述训练样本，基于XGBoost算法对所述XGBoost分类模型进行训练。

本申请实施例第二方面提供了一种异常心电信号识别装置，包括：

确定单元，用于接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点；

所述确定单元还用于根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段；

计算单元，用于计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征；

分解单元，用于利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号；

所述计算单元还用于分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征；

获取单元，用于获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

特征提取单元，用于向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征；

特征融合单元，用于将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征；

识别单元，用于使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

所述确定单元还用于当所述目标融合特征符合异常心电信号所具备的特征时，确定所述待识别心电信号为异常心电信号。

优选的，所述确定单元具体用于利用Pan-Tompkins算法计算所述待识别心电信号的若干个波段的起点和终点。

本申请实施例第三方面提供了一种异常心电信号识别装置，包括：

处理器、存储器、总线、输入输出设备；

所述处理器与所述存储器、输入输出设备相连；

所述总线分别连接所述处理器、存储器以及输入输出设备；

所述处理器用于接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点，根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段，计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征，利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号，并分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征，获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到，向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征，将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征，使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到，当所述目标融合特征符合异常心电信号所具备的特征时，确定所述待识别心电信号为异常心电信号。

本申请实施例第四方面提供了一种计算机存储介质，计算机存储介质中存储有指令，该指令在计算机上执行时，使得计算机执行前述第一方面的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，分别计算待识别心电信号的目标波段的形态特征以及待识别心电信号的离散小波系数特征，并且，通过深度学习算法构建的特征提取模型对待识别心电信号进行特征提取，得到模型特征，将得到的形态特征、离散小波系数特征以及模型特征进行特征融合，得到目标融合特征，并使用分类模型对该目标融合特征进行识别，判断该目标融合特征是否符合异常心电信号所具备的特征，若符合，则确定为异常心电信号。本申请实施例的方法融合了信号算法和卷积神经网络算法，综合了上述两种算法的计算原理和优势，使得本申请实施例的方法具有更高的精度和准确率以及更强的鲁棒性。

附图说明

图1为本申请实施例中异常心电信号识别方法一个流程示意图；

图2为本申请实施例中心电信号的波形示意图；

图3为本申请实施例中异常心电信号识别方法另一流程示意图；

图4为本申请实施例中异常心电信号识别装置一个结构示意图；

图5为本申请实施例中异常心电信号识别装置另一结构示意图。

具体实施方式

本申请实施例提供了一种异常心电信号识别方法及异常心电信号识别装置，用于对心电信号进行识别以确定出异常的心电信号。

请参阅图1，本申请实施例中异常心电信号识别方法一个实施例包括：

101、接收待识别心电信号，确定待识别心电信号的若干个波段的起点和终点；

本实施例的方法应用于异常心电信号识别装置，该装置可以是终端、服务器等能够执行数据处理的计算机设备。

当用户需要检测受测者的心电信号是否有异常时，可以向异常心电信号识别装置输入受测者的待识别心电信号，异常心电信号识别装置接收该待识别心电信号。

之后，为了确定该待识别心电信号的各个波段，异常心电信号识别装置在该待识别心电信号中确定各个波段的起点和终点，以便于在后续的步骤中进一步明确各个波段以及波段的宽度和波形特征。

102、根据若干个波段的起点和终点确定待识别心电信号的若干个目标波段；

在确定了波段的起点和终点之后，可以根据波段的起点和终点进一步确定各个波段在待识别心电信号的位置。本实施例将根据波段的起点和终点确定的波段称为目标波段。

如图2所示，一般来说，心电信号具有P波、QRS波群以及T波等波段。例如，异常心电信号识别装置确定了待识别心电信号的Q波起点以及T波终点之后，可以根据Q波起点及T波终点确定待识别心电信号中的QT间期；确定P波起点和QRS波群起点之后，可以确定出待识别心电信号的PR间期。因此，根据待识别心电信号中的起点和终点可以确定出待识别心电信号的各个目标波段。

103、计算每个目标波段的统计学特征，得到待识别心电信号的形态特征；

本实施例中，为识别出心电信号的异常，需要从待识别心电信号中提取或计算心电信号的各种特征，以便于对获取到的特征进行分析以识别出异常的心电信号。其中，该特征包括了目标波段的统计学特征。

具体的，在确定了待识别心电信号的若干个目标波段之后，计算每个目标波段的统计学特征，其中目标波段的统计学特征包括最大值(max)、最小值(min)、均值(mean)、标准差(std)、熵(entropy)等统计学特征。由于目标波段的统计学特征主要用于描述心电信号的波形，因此，将目标波段的统计学特征称为形态特征。

例如，在确定了待识别心电信号的RR间期、PR间期、QT间期、P波宽度、QRS波的宽度以及ST段之后，计算每个目标波段的统计学特征，如统计每个间期和波形宽度的最大值(max)、最小值(min)、均值(mean)、标准差(std)、熵(entropy)等统计学特征，从而得到待识别心电信号的多个形态特征。

104、利用离散小波变换对待识别心电信号进行分解，得到近似信号和细节信号，并分别计算近似信号的统计学特征和细节信号的统计学特征，得到待识别心电信号的离散小波系数特征；

本实施例中，从待识别心电信号获取的特征还包括离散小波系数特征。具体的，在接收到待识别心电信号之后，异常心电信号识别装置利用离散小波变换对该待识别心电信号进行分解，低频的近似信号和高频的细节信号。之后，进一步计算近似信号的统计学特征和细节信号的统计学特征，近似信号和细节信号的统计学特征可以是最大值(max)、最小值(min)、均值(mean)、标准差(std)、近似熵(Approximate entropy)等统计学特征。本实施例将计算得到的近似信号和细节信号的统计学特征称为待识别心电信号的离散小波系数特征。

105、获取预先构建的特征提取模型；

本实施例中，还可以运用特征提取模型来提取待识别心电信号的多个特征。因此，异常心电信号识别装置可以获取预先构建的特征提取模型，该特征提取模型为基于深度学习算法对心电信号样本进行训练后而得到的。由于特征提取模型在对心电信号样本的训练过程中学习了心电信号的共有特征，因此，可以应用于待识别心电信号的特征提取。

106、向特征提取模型输入待识别心电信号，利用特征提取模型对待识别心电信号进行特征提取，输出待识别心电信号的模型特征；

在利用特征提取模型提取待识别心电信号的特征时，向该特征提取模型输入待识别心电信号，利用该特征提取模型对该待识别心电信号进行特征提取。在完成待识别心电信号的特征提取之后，输出该待识别心电信号的特征。为便于区分和描述，本实施例将经过特征提取模型提取而得的特征称为模型特征。

107、将待识别心电信号的形态特征、离散小波系数特征以及模型特征进行特征融合，得到待识别心电信号的目标融合特征；

在提取到待识别心电信号的模型特征之后，异常心电信号识别装置将前述步骤获取到的待识别心电信号的形态特征、离散小波系数特征以及模型特征进行特征融合。本实施例将形态特征、离散小波系数特征以及模型特征经过融合后得到的特征称为目标融合特征。

108、使用分类模型对目标融合特征进行识别，判断目标融合特征是否符合异常心电信号所具备的特征，若符合，则执行步骤109；

本实施例中，分类模型可以用于对待识别心电信号的目标融合特征进行识别以确定出待识别心电信号是否为异常心电信号。其中，分类模型是基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后而得到的，即以异常心电信号和正常心电信号作为训练样本，基于深度学习算法，利用该训练样本对分类模型进行训练，在训练过程中分类模型可以学习到异常心电信号的特征和正常心电信号的特征，从而在训练完成之后可以根据目标融合特征判断出心电信号是否异常。

因此，在得到待识别心电信号的目标融合特征之后，向分类模型输入该目标融合特征，使用该分类模型对该目标融合特征进行识别，以判断该目标融合特征是否符合异常心电信号所具备的特征。

109、确定待识别心电信号为异常心电信号；

若待识别心电信号的目标融合特征符合异常心电信号所具备的特征，则确定待识别心电信号为异常心电信号，从而用户可以根据此识别结果告知受测者并提醒受测者采取一定的防治措施。

若待识别心电信号的目标融合特征不符合异常心电信号所具备的特征，说明待识别心电信号不属于异常心电信号，则确定其为正常心电信号。

本实施例的方法融合了信号算法和卷积神经网络算法，综合了上述两种算法的计算原理和优势，使得本实施例的方法具有更高的精度和准确率以及更强的鲁棒性。

下面将在前述图1所示实施例的基础上，进一步详细地描述本申请实施例。请参阅图3，本申请实施例中异常心电信号识别方法另一实施例包括：

301、接收待识别心电信号，确定待识别心电信号的若干个波段的起点和终点；

本实施例中，待识别心电信号可以是任意形式的，例如待识别心电信号可以是12导联心电信号、3导联心电信号或者6导联心电信号。待识别心电信号可以是10秒的12导联心电信号。

异常心电信号识别装置可以根据多种波形识别算法来确定待识别心电信号的波段起点和终点。在一种优选的实施方式中，异常心电信号识别装置可以利用Pan-Tompkins算法来计算待识别心电信号的若干个波段的起点和终点。

此外，也可以根据阈值法、轮廓限制法、面积法等多种波形识别算法来确定和识别心电信号的波段起点和波段终点，波形识别算法不作限定。

心电信号由于人体呼吸或者肢体运动所引起的电阻变化而产生基线漂移，基线漂移属于低频信号，频率通常在0.05～2Hz之间。基线漂移会使心电信号整体发生上下漂移，会影响到后续的确定波段起止点的操作。同时，心电信号也可能会产生肌电干扰，肌电干扰属于高频干扰，频率范围主要在5～2000Hz之间。

因此，由于心电信号可能存在上述多种噪声干扰，从而影响对心电信号的识别，在接收到待识别心电信号之后，可以对待识别心电信号进行预处理，以去除一定的噪声干扰。其中，预处理的方法可以是对待识别心电信号去除基线漂移，也可以对待识别心电信号去除肌电干扰，去除基线漂移的方法可以是中值滤波算法、高通滤波算法或者低通滤波算法，可以通过高通滤波器过滤肌电干扰。

302、根据若干个波段的起点和终点确定待识别心电信号的若干个目标波段；

本步骤所执行的操作与前述图1所示实施例中的步骤102所执行的操作类似，此处不再赘述。

303、计算每个目标波段的统计学特征，得到待识别心电信号的形态特征；

本实施例中，若选择待识别心电信号的RR间期、PR间期、QT间期、P波、QRS波以及ST段这6个目标波段来计算待识别心电信号的形态特征，并且目标波段的统计学特征设置为最大值(max)、最小值(min)、均值(mean)、标准差(std)、熵(entropy)这5个统计学特征，则计算每个目标波段的统计学特征，可以得到待识别心电信号的30个形态特征。

304、利用离散小波变换对待识别心电信号进行分解，得到近似信号和细节信号，并分别计算近似信号的统计学特征和细节信号的统计学特征，得到待识别心电信号的离散小波系数特征；

本实施例中，可以利用离散小波变换对待识别心电信号进行4阶分解或者5阶分解，从而得到近似信号和细节信号。若对待识别心电信号进行3次分解，并且近似信号和细节信号的统计学特征设置为最大值(max)、最小值(min)、均值(mean)、标准差(std)以及近似熵(Approximate entropy)这5个统计学特征，则经过计算近似信号和细节信号的统计学特征之后，可以得到待识别心电信号的40个离散小波系数特征。

305、获取预先构建的特征提取模型；

306、向特征提取模型输入待识别心电信号，利用特征提取模型对待识别心电信号进行特征提取，输出待识别心电信号的模型特征；

本实施例中，特征提取模型基于深度学习算法对心电信号样本进行训练后而得到，深度学习算法可以是卷积神经网络算法，也可以是YOLO算法(you only look once)、反向传播算法(back propagation，BP)等深度学习算法。其中，优选的是使用卷积神经网络算法。

因此，在获取特征提取模型时，基于卷积神经网络算法，将大量的心电信号样本作为训练样本，使用该心电信号样本对特征提取模型进行训练，进而得到训练后的特征提取模型，训练后的特征提取模型可以用于提取待识别心电信号的特征。

例如，在基于卷积神经网络算法训练特征提取模型时，设置卷积神经网络的网络结构为表1所示的网络结构，其中，该卷积神经网络的网络结构采用长度为3的一维卷积。经过该特征提取模型对待识别心电信号的特征提取之后，可以得到待识别心电信号的4096个模型特征。

表1卷积神经网络的网络结构

需要说明的是，上述的卷积神经网络的网络结构可以是任意的，并不局限于表1所示的网络结构，只要是能够用于训练特征提取模型的卷积神经网络结构即可，具体此处不作限定。

307、将待识别心电信号的形态特征、离散小波系数特征以及模型特征进行特征融合，得到待识别心电信号的目标融合特征；

本步骤所执行的操作与前述图1所示实施例中的步骤107所执行的操作类似，此处不再赘述。

308、以正常心电信号和异常心电信号作为训练样本，向待训练的XGBoost分类模型输入训练样本，基于XGBoost算法对XGBoost分类模型进行训练；

本实施例中，使用分类模型对待识别心电信号的目标融合特征进行识别，以确定待识别心电信号是否为异常心电信号。其中，该分类模型可以是XGBoost分类模型，在获取XGBoost分类模型时，以正常心电信号和异常心电信号作为训练样本，向待训练的XGBoost分类模型输入该训练样本，并基于XGBoost算法对XGBoost分类模型进行训练，XGBoost分类模型在训练过程中大量学习异常心电信号的特征和正常心电信号的特征，在训练完成之后即可对心电信号的特征进行判断和识别，以确定心电信号是否异常。

此外，分类模型也可以是基于朴素贝叶斯算法进行训练而得到的分类模型，或者是基于K近邻算法等其他深度学习算法训练而得的分类模型。

309、使用分类模型对目标融合特征进行识别，判断目标融合特征是否符合异常心电信号所具备的特征，若符合，则执行步骤310；

在获取到待识别心电信号的目标融合特征之后，向XGBoost分类模型输入该目标融合特征，使用XGBoost分类模型对该目标融合特征进行识别，以判断该目标融合特征是否符合异常心电信号所具备的特征。

310、确定待识别心电信号为异常心电信号；

若待识别心电信号的目标融合特征符合异常心电信号所具备的特征，则确定待识别心电信号为异常心电信号；若不符合异常心电信号所具备的特征，则确定其为正常心电信号。

如表2所示，通过使用本实施例的方法，在识别异常心电信号时结合了卷积神经网络算法和信号算法，相比于单独采用卷积神经网络算法或信号算法，可以大大提高异常心电信号识别的准确率和鲁棒性，节省了异常心电信号识别程序的开发周期。

表2异常心电信号的不同识别方法的对比

上面对本申请实施例中的异常心电信号识别方法进行了描述，下面对本申请实施例中的异常心电信号识别装置进行描述，请参阅图4，本申请实施例中异常心电信号识别装置一个实施例包括：

确定单元401，用于接收待识别心电信号，确定待识别心电信号的若干个波段的起点和终点；

确定单元401还用于根据若干个波段的起点和终点确定待识别心电信号的若干个目标波段；

计算单元402，用于计算每个目标波段的统计学特征，得到待识别心电信号的形态特征；

分解单元403，用于利用离散小波变换对待识别心电信号进行分解，得到近似信号和细节信号；

计算单元402还用于分别计算近似信号的统计学特征和细节信号的统计学特征，得到待识别心电信号的离散小波系数特征；

获取单元404，用于获取预先构建的特征提取模型，其中，特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

特征提取单元405，用于向特征提取模型输入待识别心电信号，利用特征提取模型对待识别心电信号进行特征提取，输出待识别心电信号的模型特征；

特征融合单元406，用于将待识别心电信号的形态特征、离散小波系数特征以及模型特征进行特征融合，得到待识别心电信号的目标融合特征；

识别单元407，用于使用分类模型对目标融合特征进行识别，判断目标融合特征是否符合异常心电信号所具备的特征，分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

确定单元401还用于当目标融合特征符合异常心电信号所具备的特征时，确定待识别心电信号为异常心电信号。

本实施例一种优选的实施方式中，确定单元401具体用于利用Pan-Tompkins算法计算待识别心电信号的若干个波段的起点和终点。

本实施例另一优选的实施方式中，获取单元404具体用于基于卷积神经网络算法，使用心电信号样本对特征提取模型进行训练，得到训练后的特征提取模型。

本实施例另一优选的实施方式中，异常心电信号识别装置还包括：

预处理单元408，用于对待识别心电信号进行预处理，预处理包括对待识别心电信号去除基线漂移和/或对待识别心电信号去除肌电干扰。

本实施例另一优选的实施方式中，异常心电信号识别装置还包括：

训练单元409，用于以正常心电信号和异常心电信号作为训练样本，向待训练的XGBoost分类模型输入训练样本，基于XGBoost算法对XGBoost分类模型进行训练。

本实施例中，异常心电信号识别装置中各单元所执行的操作与前述图1及图3所示实施例中描述的类似，此处不再赘述。

本实施例中，计算单元402分别计算待识别心电信号的目标波段的形态特征以及待识别心电信号的离散小波系数特征，并且，特征提取单元405通过深度学习算法构建的特征提取模型对待识别心电信号进行特征提取，得到模型特征，特征融合单元406将得到的形态特征、离散小波系数特征以及模型特征进行特征融合，得到目标融合特征，识别单元407使用分类模型对该目标融合特征进行识别，判断该目标融合特征是否符合异常心电信号所具备的特征，若符合，则确定单元401确定为异常心电信号。本申请实施例的方法融合了信号算法和卷积神经网络算法，综合了上述两种算法的计算原理和优势，使得本申请实施例的方法具有了更高的精度和准确率以及更强的鲁棒性。

下面对本申请实施例中的异常心电信号识别装置进行描述，请参阅图5，本申请实施例中异常心电信号识别装置一个实施例包括：

该异常心电信号识别装置500可以包括一个或一个以上中央处理器(centralprocessing units，CPU)501和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。

其中，存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块，每个模块可以包括对异常心电信号识别装置中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在异常心电信号识别装置500上执行存储器505中的一系列指令操作。

异常心电信号识别装置500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。

该中央处理器501可以执行前述图1及图3所示实施例中异常心电信号识别装置所执行的操作，具体此处不再赘述。

本申请实施例还提供了一种计算机存储介质，其中一个实施例包括：该计算机存储介质中存储有指令，该指令在计算机上执行时，使得该计算机执行前述图1及图3所示实施例中异常心电信号识别装置所执行的操作。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种异常心电信号识别方法，其特征在于，包括：

接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点；

根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段；

计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征；

利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号，并分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征；

获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征；

将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征；

使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

若符合，则确定所述待识别心电信号为异常心电信号。

2.根据权利要求1所述的异常心电信号识别方法，其特征在于，所述确定所述待识别心电信号的若干个波段的起点和终点，包括：

利用Pan-Tompkins算法计算所述待识别心电信号的若干个波段的起点和终点。

3.根据权利要求1所述的异常心电信号识别方法，其特征在于，所述获取预先构建的特征提取模型，包括：

基于卷积神经网络算法，使用所述心电信号样本对所述特征提取模型进行训练，得到训练后的所述特征提取模型。

4.根据权利要求1所述的异常心电信号识别方法，其特征在于，所述接收待识别心电信号之后，所述方法还包括：

对所述待识别心电信号进行预处理，所述预处理包括对所述待识别心电信号去除基线漂移和/或对所述待识别心电信号去除肌电干扰。

5.根据权利要求1所述的异常心电信号识别方法，其特征在于，所述分类模型为XGBoost分类模型，所述方法还包括：

以正常心电信号和异常心电信号作为训练样本，向待训练的所述XGBoost分类模型输入所述训练样本，基于XGBoost算法对所述XGBoost分类模型进行训练。

6.一种异常心电信号识别装置，其特征在于，包括：

确定单元，用于接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点；

所述确定单元还用于根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段；

计算单元，用于计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征；

分解单元，用于利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号；

所述计算单元还用于分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征；

获取单元，用于获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

特征提取单元，用于向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征；

特征融合单元，用于将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征；

识别单元，用于使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

所述确定单元还用于当所述目标融合特征符合异常心电信号所具备的特征时，确定所述待识别心电信号为异常心电信号。

7.根据权利要求6所述的异常心电信号识别装置，其特征在于，所述确定单元具体用于利用Pan-Tompkins算法计算所述待识别心电信号的若干个波段的起点和终点。

8.根据权利要求6所述的异常心电信号识别装置，其特征在于，所述获取单元具体用于基于卷积神经网络算法，使用所述心电信号样本对所述特征提取模型进行训练，得到训练后的所述特征提取模型。

9.根据权利要求6所述的异常心电信号识别装置，其特征在于，所述异常心电信号识别装置还包括：

预处理单元，用于对所述待识别心电信号进行预处理，所述预处理包括对所述待识别心电信号去除基线漂移和/或对所述待识别心电信号去除肌电干扰。

10.根据权利要求6所述的异常心电信号识别装置，其特征在于，所述异常心电信号识别装置还包括：

训练单元，用于以正常心电信号和异常心电信号作为训练样本，向待训练的所述XGBoost分类模型输入所述训练样本，基于XGBoost算法对所述XGBoost分类模型进行训练。

Images