CN112971795B - 心电信号质量评估方法 - Google Patents

Abstract

本申请公开一种心电信号质量评估方法，其包括以下步骤：对待评估的心电信号进行加窗拆分，得到经分割的心电信号；对该经分割的心电信号进行特征提取；将所提取的特征值输入到模型中，得到分类得分score1；利用阈值L1、L2比较所述分类得分score1，如果score1>＝L2，该心电信号判断为类别1，为信号质量好；如果L1≤score1<L2，该心电信号判断为类别2，信号质量中等；如果score1<L1，采用均值滤波对所述经分割的心电信号进行去基线处理，然后对去基线后的经分割的心电信号进行特征提取，将所提取的特征值输入到所述经训练的心电信号质量评估模型中，得到分类得分score2，若score2＜L1，则该心电信号判断为类别3，信号质量差，若score2＞L1，则该心电信号判断为类别2，信号质量中等。

Description

心电信号质量评估方法

技术领域

本申请涉及心电信号的质量评估，尤其涉及无监督自动心电信号质量评估方法及其装置。

背景技术

随着生活节奏的加快，人类面临的生活压力及工作压力不断增大，加上不合理的饮食习惯，导致慢性病尤其是心血管疾病的患病率逐年升高。这种疾病具有高突发性、高致残率和高死亡率的特点，严重威胁人类生命健康。

心电图(ECG)能够记录心脏各个心动周期电位变化的波形，是现阶段分析和诊断心脏疾病的有效途径。随着远程医疗科学技术的发展，出现了许多通过可穿戴带设备对患者生命体征信号进行连续监测的系统，其中对于心电信号的连续监测尤为普遍。然而，相比床旁监护仪，可穿戴设备采集的心电信号更容易受到基线漂移、肌电干扰、电极接触噪声、运动伪迹等方面的影响。

这些干扰都会很大程度上影响心电信号的有效性，很有可能导致对心电信号参数的错误评估以及触发错误的报警。

对于心电信号质量评价，近年国内外有很多相关研究。其原理是基于心电信号提取时域、频域、标准模板相关性等指标，通过阈值规则的方法或者机器学习的方法对心电信号质量进行分类。

申请号为201310734550.1的专利公开了一种心电信号质量判断指示方法及系统，用户可以较快地判断采集的心电信号的质量是否良好。

申请号为201410454497.4的专利公开了一种心电图的数据质量实时控制方法及其系统，该系统可以实现心电信号采集功能和心电图数据质量控制功能，确保所监测到的心电信号都是质量达标的有效信号。

申请号为201610056149.0的专利公开了一种用于心电信号质量评估判别的智能终端设备，其评估方法是为了像Holter这种动态心电图机而设计。根据QRS能量比值、信号峰度、基线能量比值三个特征值利用人工神经网络学习算法以梯度下降的优化方式将判别模型建立，通过对系统模型的还原，实现对心电信号质量的判别。

但这些专利所公开方法仍然有很多问题没有得到解决：一是他们的研究多是基于床旁监护仪备采集的信号，并不完全适用于可穿戴设备采集的信号，可穿戴设备应用场景多为日常生活，采集的信号噪声来源更为复杂；二是目前主流的信号质量判别模型仍使用的是有监督机器学习模型(或需要数据标签的深度神经网络模型)，大量的数据标注工作需要投入极大的人力成本，且当有标签的模型训练集确定之后，模型仍存在非常大的风险在训练集上出现过拟合，使得模型在实际应用情况下的性能不佳；三是可穿戴设备之间硬软件存在差异，数据难以互通，也不通用，造成了同一个信号质量评估模型在不同可穿戴设备采集的数据之间未必通用的结果。

发明内容

鉴于上述问题，本申请旨在提出一种心电信号质量评估方法。

本申请的心电信号质量评估方法，其包括以下步骤：

对待评估的心电信号进行加窗拆分，得到经分割的心电信号；

对该经分割的心电信号进行特征提取；

将所提取的特征值输入到经训练的心电信号质量评估模型中，得到分类得分score1；

利用阈值L1、L2比较所述分类得分score1，如果score1>＝L2，该心电信号判断为类别1，为信号质量好；如果L1≤score1<L2，该心电信号判断为类别2，信号质量中等；如果score1<L1，采用均值滤波对所述经分割的心电信号进行去基线处理，然后对去基线后的经分割的心电信号进行特征提取，将所提取的特征值输入到所述经训练的心电信号质量评估模型中，得到分类得分score2，若score2＜L1，则该心电信号判断为类别3，信号质量差，若score2＞L1，则该心电信号判断为类别2，信号质量中等。

优选地，所述经训练的心电信号质量评估模型为孤立森林模型。

优选地，所述加窗拆分为以10s的窗口长度对待评估的心电信号进行分割。

优选地，所述特征值包括：偏度、样本X中大于样本平均值的点的个数、样本X的近似熵、样本X中偏离X的平均值大于标准差的数据点的比例、样本X中满足为n个点的峰值点的个数、给定延迟的部分自相关系数、样本X经快速傅里叶变换后7Hz处的系数的模值，其中，样本X为经分割的心电信号中截取的10s长度的信号。

优选地，偏度为样本X的三阶标准矩阵，计算方法如下：

其中skewness表示偏度，μ为样本均值，δ为样本标准差，E为求均值。

优选地，近似熵的计算方法如下：

样本X的长度为N，记为u(1),u(2),...,u(N)；

重构m维向量X(1),X(2),...,X(N-m+1),其中X(i)＝[u(i),u(i+1),...,u(i+m-1)].

对于1≤i≤N-m+1，统计满足以下条件的向量个数

其中，d[X,X*]定义为d[X,X*]＝max|u(a)-u*(a)|

u(a)为向量X的元素，d表示向量X(i)与X(j)的距离，由对应元素的最大差值决定，j的取值范围为[1,N-m+1]，包括j＝i；

定义

则近似熵(ApEn)定义为ApEn＝Φ^m(r)-Φ^m+1(r)。

优选地，样本X中支持n个点的峰值的个数计算公式如下：

number_peak＝len((x_i>x_i-1,…,x_i-n)&(x_i>x_i+1,...,x_i+n))。

优选地，给定延迟部分的部分自相关系数计算公式如下：

其中l＝4，μ为样本均值，δ为样本标准差，X_t为样本中第t个点。

优选地，0.7Hz处快速傅里叶变换的系数的模值计算公式如下：

fft_coefficient_7＝abs(fft[7])；其中fft_coefficient_7表示样本经快速傅里叶变换后的7Hz处系数的模值。

优选地，L1＝0.0，L2＝0.03。

本申请还旨在提出一种心电信号质量评估装置。

本申请的心电信号质量评估装置包括：信号分割模块、特征提取模块、心电信号质量评估模块、分类判断模块、基线处理模块；

信号分割模块用于对待评估的心电信号进行加窗拆分；

特征提取模块用于对该经分割的心电信号进行特征提取；

心电信号质量评估模块中包括经训练的心电信号质量评估模型；

分类判断模块用于判断信号类别；

基线处理模块用于对经分割的心电信号进行去基线处理；

待评估的心电信号通过信号分割模块进行加窗拆分，得到经分割的心电信号；特征提取模块对该经分割的心电信号进行特征提取，将所提取的特征值输入到心电信号质量评估模型中，得到分类得分score1；分类判断模块利用阈值L1、L2比较所述分类得分score1，如果score1>＝L2，该心电信号判断为类别1，为信号质量好；如果L1≤score1<L2，该心电信号判断为类别2，信号质量中等；如果score1<L1，基线处理模块采用均值滤波对所述经分割的心电信号进行去基线处理，然后特征提取模块对去基线后的经分割的心电信号进行特征提取，将所提取的特征值输入到心电信号质量评估模块，得到分类得分score2，分类判断模块对score2进行判断，若score2＜L1，则该心电信号判断为类别3，信号质量差，若score2＞L1，则该心电信号判断为类别2，信号质量中等。

本申请的心电信号质量评估方法及其装置，对可穿戴设备采集的心电信号通过加窗进行分割，然后提取特征值，并输入经过训练的模型，以无监督方式对心电信号质量进行三分类，包括质量好、质量中等、质量差，进而对质量差的心电信号片段进行剔除，留取信号质量较好的数据片段进行分析，为临床提供辅助决策支持信息。

附图说明

图1为本申请的心电信号质量评估方法的流程图；

图2为待评估的心电信号的示意图；

图3为图2的心电信号的局部放大图；

图4为测试集心电信号质量结果图；

图5、6为实例中的受试者的心电信号质量评估结果图。

具体实施方式

下面，结合附图对本申请的心电信号质量评估方法及其装置进行详细说明。

这里，需要说明的是，本申请的心电信号质量评估装置的各模块，是本申请的心电信号质量评估方法在计算设备(例如智能手机、平板、计算机或服务器等)上运行时所实现的对应的功能模块。

本申请的心电信号质量评估算法，通过加窗拆分对心电信号进行特征提取，然后读入模型进行分类评估，依据评分结果评估心电信号质量。

1.心电信号质量评估流程如图1所示，待评估的心电信号如图2所示。

2、加窗拆分

以10秒的时间窗长度对心电信号进行分割，判断每个时间窗内心电信号的信号质量。

3、特征提取

(1)skewness(偏度)：

定义：样本X的三阶标准矩阵

计算公式：

其中skewness表示偏度，μ为样本均值，δ为样本标准差，E为求均值。

(2)count_above_mean

定义：样本X中大于样本平均值的点的个数

计算公式：count_above_mean＝len(x>mean(x))；

(3)approximate_entropy_m2_9(近似熵)

定义：样本x的近似熵，参数m＝2，r＝0.9*std(x)；

计算步骤：

1、样本x的长度为N，记为u(1),u(2),...,u(N).

2、重构m维向量X(1),X(2),...,X(N-m+1),其中X(i)＝[u(i),u(i+1),...,u(i+m-1)].

3、对于1≤i≤N-m+1，统计满足以下条件的向量个数

其中，d[X,X*]定义为d[X,X*]＝max|u(a)-u*(a)|；

u(a)为向量X的元素，d表示向量X(i)与X(j)的距离，由对应元素的最大差值决定，j的取值范围为[1,N-m+1]，包括j＝i；

4、定义

5、则近似熵(ApEn)定义为

ApEn＝Φ^m(r)-Φ^m+1(r)

(4)ratio_beyond_r_sigma_05

定义：样本x中偏离x的平均值大于r*std(x)的数据点的比例(r＝0.5)

计算公式：ratio_beyond_r_sigma_05＝len(x-mean(x)>0.5*std(x))；

(5)number_peaks

定义：样本x中支持n个点的峰值的个数；

(支持n个点的意思为：该点大于相邻左右各n个点)

计算公式：number_peak＝len((x_i>x_i-1,…,x_i-n)&(x_i>x_i+1,...,x_i+n))；

计算步骤：

1、样本x的长度为N，记为u(1),u(2),...,u(N).

2、重构m维向量X(1),X(2),...,X(2*n+1),其中X(i)＝[u(i),u(i+1),...,u(i+2*n)].

3、满足以下公式的向量中True的个数即为number_peaks：

Z＝sum((X(n)>X(1))&(X(n)>X(2))&…&(X(n)>X(i))),其中i≠n；

(5.a)number_peaks_10：n＝10的number_peaks；

(5.b)number_peaks_5：n＝5的number_peaks；

(6)autocorrelation_4

定义：给定延迟部分的部分自相关系数

计算公式：

其中l＝4，μ为样本均值，δ为样本标准差，X_t为样本中第t个点。

(7)fft_coefficient_7

定义：fft_coefficient_7表示样本经快速傅里叶变换后的7Hz处系数的模值；

计算公式：

fft_coefficient_7＝abs(fft[7])；

4、模型构建和评估

1)训练模型

训练模型的数据主要来源于课题组先期采集的病人和健康人数据，每例数据采集时长约为24小时，具体的模型训练过程如下：

·筛选10例人工认为质量比较高的信号数据，每1分钟抽取一个10秒的窗长心电数据，组成约1.5W个用作训练的数据集；

·抽取窗内信号特征，组成特征矩阵；

·训练模型，模型选择孤立森林模型，参数设置：n_estimators＝2000，contamination＝0.05。模型返回为-1～1的评分，反映信号质量的高低。

2)分类阈值的确定

为提升模型鲁棒性和实现将评分结果映射到三分类结果上去，我们设置分类的阈值L1,L2.为确定L1,L2数值，我们构建有标签的模型测试集。测试集包含3460个10s窗长的数据，由临床和生物医学工程学专家提前对数据的信号质量进行标注，标注结果为信号质量好(Good)、质量中等(Acceptable)、质量差(Unacceptable)。同时，我们测试模型在该测试集上的表现，定量得到测试结果，测试结果以混淆矩阵进行量化。具体的操作流程如下：

·对测试集3460个10s窗长的心电信号进行特征提取，组成特征矩阵；

·将特征矩阵输入到训练好的模型中，得到每个窗口数据的模型信号质量评分；

·L1,L2以模型评分最低值开始，以0.001步长进行阈值划分，当score≥L2时，判为类别1，信号质量好(Good)，返回1；L2≤score≤L1，判为类别2，信号质量中等(Acceptable)，返回2；score＜L1，信号质量差(Unacceptable)。得到模型的性能结果，以模型分类的准确度(Accuracy)进行评估。

·根据最佳的分类准确度，确定L1＝0.0，L2＝0.03.

3)模型微调

为降低将病理改变错误分类到信号质量差的风险，我们对模型进行了进一步的微调，确保分入信号质量差的部分有更高的可信度，对模型score＜L1的数据段进行进一步处理：

对score＜L1的数据段，采用均值滤波对原始数据进行去基线处理，然后进行第3步的特征提取，特征值输入模型后分类评分，若score＜L1，则判为类别3，信号质量差(Unacceptable)，若score＞L1，则判为类别2，信号质量中等(Acceptable)。

4)测试结果

将标注的3460例数据作为训练集并进行特征提取输入模型中，确定阈值t1＝0.0，t2＝0.03，模型评分结果与人工标注的标签进行对比，得到混淆矩阵，如表1所示，准确率达到94.97％。模型对心电信号质量评分结果如图4所示。

表1测试集心电信号质量结果

准确率：94.97％。

实例

王XX，男，176cm，53岁，将对其监测的心电信号进行特征提取并输入模型，得到信号质量评估结果如图5、图6所示。

本申请的基于孤立森林模型(Isolation Forest)的无监督心电信号质量评估方法及其装置，通过加窗拆分进行特征提取，然后读入模型进行评分，依据评分结果对心电信号质量进行分类。本申请中建模-调参-测试过程中所有数据均来自于真实世界，保证了专利算法很好的泛化性能和实用性；本申请中算法基础是无监督模型孤立森林，避免了大量的数据标注工作，模型灵活易于调整，泛化性能强，本申请的算法是目前已知的首个将孤立森林模型应用于心电信号质量评估问题上并取得较好的应用效果的算法；本申请的应用结果显示本申请的方法能有效区分心电信号质量级别，测试结果良好，同时病理性改变对模型分类和判断影响程度较低，即在排除掉信号质量差的信号段的同时，漏检实质性发生病理性改变的风险较低，模型应用潜力较大，应用场景广泛。

除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。

虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。

Claims (7)

1.一种心电信号质量评估方法，其包括以下步骤：

对待评估的心电信号进行加窗拆分，得到经分割的心电信号；

对该经分割的心电信号进行特征提取；

将所提取的特征值输入到经训练的心电信号质量评估模型中，得到分类得分score1；

利用阈值L1、L2比较所述分类得分score1，如果score1>＝L2，该心电信号判断为类别1，为信号质量好；如果L1≤score1<L2，该心电信号判断为类别2，信号质量中等；如果score1<L1，采用均值滤波对所述经分割的心电信号进行去基线处理，然后对去基线后的经分割的心电信号进行特征提取，将所提取的特征值输入到所述经训练的心电信号质量评估模型中，得到分类得分score2，若score2＜L1，则该心电信号判断为类别3，信号质量差，若score2＞L1，则该心电信号判断为类别2，信号质量中等；

所述经训练的心电信号质量评估模型为孤立森林模型；

所述特征值包括：偏度、样本X中大于样本平均值的点的个数、样本X的近似熵、样本X中偏离X的平均值大于标准差的数据点的比例、样本X中满足为n个点的峰值点的个数、给定延迟的部分自相关系数、样本X经快速傅里叶变换后7Hz处的系数的模值，其中，样本X为经分割的心电信号中截取的10s长度的信号；

偏度为样本X的三阶标准矩阵，计算方法如下：

其中skewness表示偏度，μ为样本均值，δ为样本标准差，E为求均值。

2.根据权利要求1所述的心电信号质量评估方法，其特征在于：

所述加窗拆分为以10s的窗口长度对待评估的心电信号进行分割。

3.根据权利要求1所述的心电信号质量评估方法，其特征在于：

近似熵的计算方法如下：

样本X的长度为N，记为u(1)，u(2)，...，u(N)；

重构m维向量X(1)，X(2),...，X(N-m+1),其中X(i)＝[u(i)，u(i+1),...,u(i+m-1)]；

对于1≤i≤N-m+1，统计满足以下条件的向量个数；

其中，d[X,X*]定义为d[X，X*]＝max|u(a)-u*(a)|；

u(a)为向量X的元素，d表示向量X(i)与X(j)的距离，由对应元素的最大差值决定，j的取值范围为[1,N-m+1]，包括j＝i；

ApEn＝Φ^m(r)-Φ^m+1(r)，其中ApEn表示近似熵。

4.根据权利要求1所述的心电信号质量评估方法，其特征在于：

样本X中满足为n个点的峰值点的个数，计算公式如下：

number_peak＝len((x_i>x_i-1，…，x_i-n)&(x_i>x_i+1，...，x_i+n))，其中number_peak表示样本X中满足为n个点的峰值点的个数。

5.根据权利要求1所述的心电信号质量评估方法，其特征在于：

给定延迟部分的部分自相关系数计算公式如下：

其中l＝4，μ为样本均值，δ为样本标准差，X_t为样本中第t个点。

6.根据权利要求1所述的心电信号质量评估方法，其特征在于：

0.7Hz处快速傅里叶变换的系数的模值计算方法如下：

fft_coefficient_7＝abs(fft[7])，其中fft_coefficient_7表示样本经快速傅里叶变换后的7Hz处系数的模值。

7.根据权利要求1所述的心电信号质量评估方法，其特征在于：

L1＝0.0，L2＝0.03。

Images