CN114052743A - 心电信号形态预测方法及系统 - Google Patents

心电信号形态预测方法及系统 Download PDF

Info

Publication number
CN114052743A
CN114052743A CN202111371552.XA CN202111371552A CN114052743A CN 114052743 A CN114052743 A CN 114052743A CN 202111371552 A CN202111371552 A CN 202111371552A CN 114052743 A CN114052743 A CN 114052743A
Authority
CN
China
Prior art keywords
waveform
state
electrocardiosignal
prediction
probability
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.)
Granted
Application number
CN202111371552.XA
Other languages
English (en)
Other versions
CN114052743B (zh
Inventor
魏守水
刘飞飞
火蕊
王颖
梁业松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Shandong Jianzhu University
Original Assignee
Shandong University
Shandong Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University, Shandong Jianzhu University filed Critical Shandong University
Priority to CN202111371552.XA priority Critical patent/CN114052743B/zh
Publication of CN114052743A publication Critical patent/CN114052743A/zh
Application granted granted Critical
Publication of CN114052743B publication Critical patent/CN114052743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种心电信号形态预测方法及系统，属于信号处理技术领域，提取待预测的心电信号的特征向量；利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，即波形在某一时间段保持某一状态的概率。本发明根据心电信号的各波形特点，选择不同的统计方法确定波形持续时间概率分布函数，对隐半马尔可夫模型进行改进，提出双向预测的隐半马尔可夫模型，使用改进的双向预测Viterbi算法对心电波形进行划分，并对波形特征进行准确定位分析；提高了心电图临床识别效率，减少了相关医务人员的工作量，对临床上心血管疾病的预防、诊断及治疗等方面具有重大意义。

Description

心电信号形态预测方法及系统
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于双统计概率分布函数与双向状态预测的隐半马尔可夫模型的心电信号形态预测方法及系统。
背景技术
心血管疾病一直以来都被视为威胁人们身体健康甚至生命安全的重大疾病，心电图作为临床诊断心血管疾病的主要依据之一，其各波形反映了心脏收缩和舒张的周期性变化过程中所产生的电流情况，而某种特定波形的异常也反映了相关的心脏疾病。比如P波与心房肥大、房室传导阻滞等疾病有关，QRS波与心肌梗死、心室肥大等疾病有关，ST-T段与心肌缺血、冠心病等心血管疾病有关。因此，对心电信号波形进行状态划分，对于特定波形的分析及相关疾病的检测具有重大意义。但是由于个体差异，采集方法，外界噪声，人体肌电等因素的干扰，同一种心电波形状态的形态有多种不同的表现形式，这增加了波形状态精准划分的困难。
众多相关领域研究人员针对不同情况下心电图各波形的特点提出了多种适用于心电信号特征参数提取及波形识别方法。最常用的信号特征识别检测方法主要有小波变换法、神经网络法、几何特征法、模板匹配法、经典模态分解(EMD)法等。但考虑到心电信号的周期性变化及P波与T波形态的相似性，这些方法对于心电信号各波形的特异性划分需要进一步提高。隐马尔可夫模型(Hidden Markov Model,HMM)是一种关于时序的概念模型。在HMM中，当前状态的识别结果与前一时刻的状态密切相关，而在心电信号波形划分过程中，前一时刻的波形识别结果也将影响当前的波形状态。
虽然上述现有方法对心电信号波形划分进行了有效研究，但未考虑心电信号波形连续性的分布特点，波形划分准确率有待进一步提升。
发明内容
本发明的目的在于提供一种对隐半马尔可夫模型进行了改进、并对维特比算法进行改进求解模型，提高了波形状态划分准确率的心电信号形态预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种心电信号形态预测方法，包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
优选的，利用预先训练好的预测模型，对提取的特征向量进行处理，包括：对提取的特征向量进行单向波形状态预测，确定QRS波起止点；以QRS波起止点为基准，进行心电信号波形状态的双向预测，确定各波形态。
优选的，对提取的特征向量进行单向波形状态预测，确定QRS波起止点，包括：结合所述波形在某一时间段保持某一状态的概率，利用单向预测HSMM维特比算法，对所述预测模型进行求解，得到QRS波起止点。
优选的，以QRS波起始点往前某一时刻为起点，以QRS波起始点为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的前向概率值，并利用改进的前向预测维特比算法计算心电信号波形最优状态序列，得到P波形态。
优选的，以QRS波起始点为起点，以QRS波起始点往后某一时刻为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的后向概率值，并利用改进的后向预测维特比算法计算心电信号波形最优状态序列，得到T波形态。
优选的，训练所述预测模型包括：
获取QT数据库中心电数据，并对其波形起始点进行标注；
提取心电信号的包络特征，构成特征向量；
将提取的特征向量作为观测序列，心电信号各波形状态作为状态序列，以隐半马尔可夫模型为基础，选择合适的波形状态持续时间概率分布函数训练模型参数，得到最终训练好的预测模型。
优选的，P波及T波使用高斯概率分布函数作为波形状态持续时间概率分布函数；QRS波使用统计概率分布函数作为波形状态持续时间概率分布函数。
第二方面，本发明提供一种心电信号形态预测系统，包括：
提取模块，用于提取待预测的心电信号的特征向量；
预测模块，用于利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的心电信号形态预测方法。
第四方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的心电信号形态预测方法的指令。
本发明有益效果：根据心电信号的各波形特点，选择不同的统计方法确定波形持续时间概率分布函数，并对隐半马尔可夫模型进行了改进，提出了双向预测的隐半马尔可夫模型，并对单向预测Viterbi(维特比)算法进行改进，得到双向预测Viterbi(维特比)算法，对心电波形进行划分，并对心电信号波形特征点进行准确定位分析；提高了心电图临床识别效率，减少了相关专业医务人员的工作量，对临床上心血管疾病的预防、诊断及治疗等方面具有重大意义。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例所述的心电信号形态预测方法流程图。
图2为本发明实施例所述的心电信号及波形标注示意图。
图3为本发明实施例所述的各波形状态持续时间概率分布函数示意图。
图4为本发明实施例所述的双向HSMM应用于心电信号时序概念图。
图5为本发明实施例所述的使用双向预测HSMM对心电信号波形状态识别结果示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种心电信号形态预测系统，该系统包括：
提取模块，用于提取待预测的心电信号的特征向量；
预测模块，用于利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
本实施例1中，利用上述的心电信号形态预测系统，实现了心电信号形态预测方法，包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
隐马尔可夫模型(Hidden Markov Model,HMM)是一种基于时间相关性的概念模型。描述的是由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
标准HMM的一个主要限制是，它没有明确地包含关于每个状态预期持续时间的任何信息，在不纳入这些信息的情况下，状态持续时间仅由自转移概率控制。导致在某一持续波形状态时间段内，受状态转移概率的影响，使下一时刻状刻与上一时刻状态相同的概率降低。
本实施例1中，为了适应生理信号的波形转换特点，为了改进持续时间模型，在HMM中加入一个额外的参数，即在某一期间保持某一状态的明确定义的概率。然后依此修改维特比算法，使其包含持续时间密度，得到单向预测Viterbi算法。
其中，本实施例中，利用预先训练好的预测模型，对提取的特征向量进行处理，包括：对提取的特征向量进行单向波形状态预测，确定QRS波起止点；以QRS波起止点为基准，进行心电信号波形状态的双向预测，确定各波形态。
对提取的特征向量进行单向波形状态预测，确定QRS波起止点，包括：结合所述波形在某一时间段保持某一状态的概率，利用单向预测维特比算法，对所述预测模型进行求解，得到QRS波起止点。
以QRS波起始点往前某一时刻为起点，以QRS波起始点为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的前向概率值，并利用改进的前向预测维特比算法计算心电信号波形最优状态序列，得到P波形态。
以QRS波起始点为起点，以QRS波起始点往后某一时刻为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的后向概率值，并利用改进的后向预测维特比算法计算心电信号波形最优状态序列，得到T波形态。
本实施例1中，训练所述预测模型包括：
获取QT数据库中心电数据，并对其波形起始点进行标注；
提取心电信号的包络特征，构成特征向量；
将提取的特征向量作为观测序列，心电信号各波形状态作为状态序列，以隐半马尔可夫模型为基础，选择合适的波形状态持续时间概率分布函数训练模型参数，得到最终训练好的预测模型。
通过预实验证明得到，P波、QRS波、T波的波形状态持续时间概率分布函数选择不同的统计方法，对其波形状态预测准确性有显著影响。实验表明，P波及T波使用高斯概率分布时，有较高的识别准确率。而QRS波使用统计概率分布时，具有较高的识别准确率。根据不同波形的特点，选择准确率较高的作为该波形的持续时间概率分布函数。
实施例2
本实施例2中，提出了一种基于双统计概率分布函数与双向状态预测的隐半马尔可夫模型的心电信号波形状态划分的方法，提取了心电信号的四种特征值，构成四维特征向量，将特征向量作为HSMM的观测序列，训练HSMM模型参数；根据预实验结果，选择用于计算各波形持续时间概率分布的最优统计方法；根据训练所得HSMM参数使用单向预测Viterbi算法进行心电信号波形状态的单向预测，确定QRS波起止点；以QRS波形起止点为标准，进一步改进单向预测Viterbi算法，得到双向预测Viterbi算法，实现心电信号波形的双向预测，确定P波，T波及其他波形段。
如图1所示，本实施例2所述的基于双统计概率分布函数与双向状态预测的隐半马尔可夫模型的心电信号波形状态划分的方法，包括以下步骤：
步骤1：获取QT数据库中心电数据及其波形起始点标注，筛选后按照8：2分为训练数据及测试数据；
步骤2：提取心电信号的包络特征，构成特征向量；
步骤3：通过训练数据提取的特征向量对隐半马尔可夫模型的参数进行训练；
步骤4：依据心电信号各波形持续时间的分布特点，构建各波形持续时间概率分布函数；
步骤5：使用步骤3训练所得模型参数及步骤4计算的各波形状态持续时间分布函数利用单向预测Viterbi算法及对测试数据提取的特征向量进行单向波形状态预测；
步骤6：对步骤5所得初步的单向波形预测结果以QRS波形为基准点，使用改进的双向预测Viterbi算法进行双向预测得到其他波形状态。
具体的，步骤1中，QT数据库是由105条15分钟的两通道心电图(ECG)组成，采样频率为250Hz。考虑到数据丢失及标注信息不完整等因素，最终筛选两个通道共182条心电数据作为最终实验数据。每条心电记录标注了P波、QRS波、T波的峰值及起始点位置。将P波片段定义为1，QRS波片段定义为3，T波片段定义为5。根据注释内容，将P波与QRS波之间的PQ段定义为2，QRS波与T波之间的ST段定义为2，T波终点与下一个心电周期的P波起点之间的过渡段定义为6。以此便对心电信号全部波段添加了相应标注，具体波形显示及注释补充如图2所示，图2中，①线是ECG data；②线是ECG states。
步骤2中，分别提取心电信号的同态包络特征、希尔伯特包络特征、小波包络特征、功率谱密度包络特征，构成四维特征向量，每一条心电记录的特征向量都通过减去它们的平均值除以它们的标准差来分别进行归一化，归一化后的特征向量通过多相抗混叠滤波器进一步下采样至50hz，以减少计算量，提高计算速度。
步骤3中，隐马尔可夫模型(Hidden Markov Model,HMM)是一种基于时间相关性的概念模型。描述的是由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
HMM由初始概率分布、状态转移概率分布、观测概率分布三部分组成。其中通常定义Q为所有可能状态的集合，N个状态，即可表示为Q＝{q1，q2，...，qN}，V为所有可能观测的集合，M个观测，即可表示为V＝{v1，v2，...，vM}，设长度为T的观测序列O＝(o1，o2，...，oT)，则其所对应的状态序列表示为S＝(s1，s2，...，sT)。
HMM三个组成部分构成模型三要素：λ＝(A,B,π)。其中：
A为状态转移概率矩阵，表达式为：
Figure BDA0003362519460000091
其中：aij＝P(st+1＝qj|st＝qi)i＝1，2，...，N；j＝1，2，...，N，表示时刻t处于状态qi的条件下，在下一时刻t+1转移到状态qj的概率。
B为观测概率矩阵，表达式为：
B＝[bj(k)]N×M；
其中：bj(k)＝P(ot＝vk|st＝qj)k＝1，2，...，M；j＝1，2，...，N，表示在时刻t处于状态qj的条件下生成观测vk的概率。
π为初始状态概率向量，表达式为：
Figure BDA0003362519460000101
其中：πi＝P(s1＝qi)i＝1，2，...，N，表示时刻t＝1时处于状态qj的概率。
HMM三要素中，对π和A的初始值选取对数据训练结果影响不大，可以使用均匀初始化和随机初始化(满足随机以及非零约束)，多数情况下都可以得到比较好的结果。对参数B的确定，使用逻辑回归分类器训练得到，逻辑函数σ(a)可以定义为：
Figure BDA0003362519460000102
利用上述逻辑函数，给定输入特征或观测值，可以定义特定类或者状态的概率为：
P[qt＝ξj|Ot]＝σ(ω′Ot)
然后，在给定状态下观察到的概率bj(Ot|ξj)，根据HMM的要求，使用贝叶斯规则来构建
Figure BDA0003362519460000103
其中，P(Ot)是通过从整个训练集的特征中计算多元正态分布(MVN)构建的，P(ξj)是通过初始状态概率分布π(ξj)构建。
在步骤4中，标准HMM的一个主要限制是，它没有明确地包含关于每个状态预期持续时间的任何信息，在不纳入这些信息的情况下，状态持续时间仅由自转移概率aii控制。导致在某一持续波形状态时间段内，受状态转移概率的影响，使下一时刻状刻与上一时刻状态相同的概率降低。为了改进持续时间模型，在HMM中加入一个额外的参数，将新模型定义为：
λ＝(A，B，π，p)；
其中p＝{pi(d)}，是在d期间保持状态i的明确定义的概率。依此修改原Viterbi算法，使其包含持续时间密度，所得单向预测Viterbi(维特比)算法公式为：
Figure BDA0003362519460000111
其中：1≤i，j≤N，1≤t≤T，1≤d≤dmax，dmax为期望保持在任何一种状态的最大时间，设置为整个心电周期的持续时间。这样做是为了保证算法的可操作性。
通过预实验证明得到，P波、QRS波、T波的波形状态持续时间概率分布函数选择不同的统计方法，对其波形状态预测准确性有显著影响。实验表明，P波及T波使用高斯概率分布时，有较高的识别准确率。而QRS波使用统计概率分布时，具有较高的识别准确率。根据不同波形的特点，我们选择准确率较高的作为该波形的持续时间概率分布函数。P波及T波持续时间的高斯概率分布及QRS波持续时间的统计概率分布如图3所示，图3中，③、④、⑤、⑥、⑦、⑧线分别为P波、PQ波、QRS波、ST波、T波、TP波。
在步骤5中，根据HMM的概念可知，某一时刻的隐含状态主要由两个因素决定，一是在每一状态下生成该时刻的观测概率，若某一状态生成该观测的概率明显高于其他状态生成该观测的概率，说明该时刻的观测由该状态生成的可能性更大，应用于心电信号中，表现为，某一心电波形得到某一特征向量的概率明显高于其他波形得到该特征向量的概率，甚至该特征向量只能由该心电波形产生，则该特征向量所对应的波形状态为此波形的概率最大，甚至只能对应此波形状态。而在心电信号中，QRS波特征最为明显，其特征向量在其他波形中出现概率极低甚至为零，因此QRS波状态最易识别出来，利用单向预测Viterbi算法进行单向波形状态预测可以较为准确的识别出特征向量中的QRS波形状态。而对P波及T波状态的识别结果准确率明显低于QRS波的识别准确率。
在步骤6中，如图4所示，根据HMM的概念，某一时刻的隐含状态另一决定因素为该时刻前一段观测所对应的状态序列，当该时刻前一段时间状态预测结果越准确，该时刻的状态预测结果就越准确。在心电信号中，P波和T波表现出相似的观测特征，且由于过渡段持续时间波动范围较大，使P波波形状态预测准确率相对偏低。步骤5中对QRS波的起始点有了准确预测，以此为基准，前向预测便可得到P波状态，后向预测便可得T波状态。为了实现HSMM前向预测观测序列概率计算与后向预测观测序列概率计算，在单向预测Viterbi算法的基础上进行改进，得到双向预测Viterbi算法，其分为前向预测Viterbi算法及后向预测Viterbi算法。
前向概率定义为：给定隐马尔可夫模型λ，定义到时刻t部分观测序列为：O1，O2，…，Ot且状态为qi的概率为前向概率，记作：
αt(i)＝P(O1，O2，…，Ot，it＝qi|λ)
后向概率定义为：给定隐马尔可夫模型λ，定义在时刻t状态为qi的条件下，从t+1到T的部分观测序列为Ot+1，Ot+2，…OT的概率为后向概率，记作：
βt(i)＝P(Ot+1，Ot+2，…OT|it＝qi，λ)
前向预测算法为以QRS波起始点往前T-时刻为起点，以QRS波起始点为终点，计算长度为T-的心电信号特征观测的前向概率值，并使用改进的前向预测Viterbi算法计算心电信号波形最优状态序列的过程。后向预测算法为以QRS波起始点为起点，以QRS波往后T+时刻为终点，计算长度为T+的心电信号特征观测的后向概率值，并使用改进的后向预测Viterbi算法计算心电信号波形最优状态序列的过程。其中，T-、T+必须保证时间序列达到过渡段TP所在的时序范围，根据心电图各波形持续时间最大长度，将T-设为0.32s，T+设为0.44s。
定义QRS波起始点为时刻tQ，QRS波终点为时刻tS，定义在时刻t状态为i的所有单个路径中概率最大值为δt(i)，定义在时刻t状态为i的所有单个路径中概率最大的路径的第t-1个节点为ψt(i)。
则，前向预测Viterbi算法递推公式表示为：
Figure BDA0003362519460000131
后向预测Viterbi算法递推公式表示为：
Figure BDA0003362519460000132
则，利用改进的前向预测维特比算法计算心电信号波形最优状态序列，得到P波形态，其计算步骤如下：
输入：隐半马尔可夫模型λ＝(A，B，π，P)
观测序列
Figure BDA0003362519460000133
输出：最优路径
Figure BDA0003362519460000134
(1)初值：
Figure BDA0003362519460000135
(2)递推：对t＝tQ-T-+1，tQ-T-+2，……，tQ
Figure BDA0003362519460000136
Figure BDA0003362519460000137
(3)终止：
Figure BDA0003362519460000138
(4)最优路径回溯：对t＝tQ-1，tQ-2，…tQ-T-
Figure BDA0003362519460000141
Figure BDA0003362519460000142
利用改进的后向预测维特比算法计算心电信号波形最优状态序列，得到T波形态，其计算步骤如下：
输入：隐半马尔可夫模型λ＝(A，B，π，P)
观测序列
Figure BDA0003362519460000143
输出：最优路径
Figure BDA0003362519460000144
(1)初值：设
Figure BDA0003362519460000145
Figure BDA0003362519460000146
(2)递推：对t＝ts+T+-1，ts+T+-2，……，ts
Figure BDA0003362519460000147
Figure BDA0003362519460000148
(3)终止：
Figure BDA0003362519460000149
Figure BDA00033625194600001410
(4)最优路径回溯：对t＝ts+T，ts+T-1，…ts+1
Figure BDA00033625194600001411
Figure BDA00033625194600001412
由此，便准确预测心电信号所有波形状态，从而达到对心电信号波形状态准确划分，波形定位的目的。心电信号波形状态标注结果及本发明使用方法划分结果如图5所示。
为了评估本实施例提出的波形划分方法性能，分别计算测试集波形划分结果的准确率(Accuracy)，精确率(Precision)，召回率(Recall)，F1值四个评价指标计算结果如表1所示。
表1使用双向HSMM对心电信号波形状态预测结果评价指标计算
Figure BDA0003362519460000151
结果显示，该方法对各波形的识别准确率均达到90％以上，各波形总识别准确率高达97.11％。优于传统的波形划分准确率95.13％，具有较好的波形状态划分结果。
综上，本实施例所述的心电信号形态预测方法及系统，提出了基于双统计概率分布函数与双向预测的隐半马尔可夫模型，是针对心电信号波形转移特点提出用于心电信号波形划分的方法，将提取的心电信号四维特征向量作为观测序列，心电信号各波形状态作为状态序列，在传统的隐半马尔可夫模型上进行改进，选择适合各波形持续时间分布的最优概率分布函数来训练模型参数，采用单向预测维特比(Viterbi)算法进行单项预测实现QRS波起止点的定位，然后以所得QRS波起止点为基准，采用改进的双向预测Viterbi算法进行双向预测，实现心电信号其他波形的识别。
最终结果显示，对各波形划分准确率均能达到90％以上，优于现存其他波形划分方法。对于提高心电图临床识别效率，减少相关专业医务人员的工作量，临床上心血管疾病的预防、诊断及治疗等方面具有重大意义。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的心电信号形态预测方法，该方法包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
实施例4
本发明实施例4提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的心电信号形态预测方法，该方法包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
实施例5
本发明实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的心电信号形态预测方法的指令，该方法包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种心电信号形态预测方法，其特征在于，包括：
提取待预测的心电信号的特征向量；
利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低。
2.根据权利要求1所述的心电信号形态预测方法，其特征在于，利用预先训练好的预测模型，对提取的特征向量进行处理，包括：对提取的特征向量进行单向波形状态预测，确定QRS波起止点；以QRS波起止点为基准，进行心电信号波形状态的双向预测，确定各波形态。
3.根据权利要求2所述的心电信号形态预测方法，其特征在于，对提取的特征向量进行单向波形状态预测，确定QRS波起止点，包括：结合所述波形在某一时间段保持某一状态的概率，利用单向预测维特比算法，对所述预测模型进行求解，得到QRS波起止点。
4.根据权利要求3所述的心电信号形态预测方法，其特征在于，以QRS波起始点往前某一时刻为起点，以QRS波起始点为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的前向概率值，并利用改进的前向预测维特比算法计算心电信号波形最优状态序列，得到P波形态。
5.根据权利要求3所述的心电信号形态预测方法，其特征在于，以QRS波起始点为起点，以QRS波起始点往后某一时刻为终点，计算长度为该某一时刻与QRS波起始点的差的心电信号特征观测的后向概率值，并利用改进的后向预测维特比算法计算心电信号波形最优状态序列，得到T波形态。
6.根据权利要求1-5任一项所述的心电信号形态预测方法，其特征在于，训练所述预测模型包括：
获取QT数据库中心电数据，并对其波形起始点进行标注；
提取心电信号的包络特征，构成特征向量；
将提取的特征向量作为观测序列，心电信号各波形状态作为状态序列，以隐半马尔可夫模型为基础，选择合适的波形状态持续时间概率分布函数训练模型参数，得到最终训练好的预测模型。
7.根据权利要求6所述的心电信号形态预测方法，其特征在于，P波及T波使用高斯概率分布函数作为波形状态持续时间概率分布函数；QRS波使用统计概率分布函数作为波形状态持续时间概率分布函数。
8.根据权利要求1-7任一项所述的心电信号形态预测方法，其特征在于，所述新的参数为波形在某一时间段保持某一状态的概率。
9.一种心电信号形态预测系统，其特征在于，包括：
提取模块，用于提取待预测的心电信号的特征向量；
预测模块，用于利用预先训练好的预测模型，对提取的特征向量进行处理，获得心电信号的各波形态；其中，所述预先训练好的预测模型为在隐半马尔可夫模型中加入一个新的参数，以使在某一持续波形状态时间段内，不受状态转移概率的影响而使下一时刻状刻与上一时刻状态相同的概率降低；其中，所述新的参数为波形在某一时间段保持某一状态的概率。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-8任一项所述的心电信号形态预测方法的指令。
CN202111371552.XA 2021-11-18 2021-11-18 心电信号形态预测方法及系统 Active CN114052743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371552.XA CN114052743B (zh) 2021-11-18 2021-11-18 心电信号形态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371552.XA CN114052743B (zh) 2021-11-18 2021-11-18 心电信号形态预测方法及系统

Publications (2)

Publication Number Publication Date
CN114052743A true CN114052743A (zh) 2022-02-18
CN114052743B CN114052743B (zh) 2024-02-23

Family

ID=80278097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371552.XA Active CN114052743B (zh) 2021-11-18 2021-11-18 心电信号形态预测方法及系统

Country Status (1)

Country Link
CN (1) CN114052743B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1976628A (zh) * 2004-05-07 2007-06-06 Isis创新有限公司 信号分析方法
US20100049069A1 (en) * 2006-12-01 2010-02-25 Oxford Biosignals Limited Biomedical signal morphology analysis method
CN110807443A (zh) * 2019-11-27 2020-02-18 南京信息工程大学 基于参数自适应hmm模型的体感网心电信号分段方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1976628A (zh) * 2004-05-07 2007-06-06 Isis创新有限公司 信号分析方法
US20100049069A1 (en) * 2006-12-01 2010-02-25 Oxford Biosignals Limited Biomedical signal morphology analysis method
CN110807443A (zh) * 2019-11-27 2020-02-18 南京信息工程大学 基于参数自适应hmm模型的体感网心电信号分段方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NICHOLAS P.HUGHES，等: "Markov Models for Automated ECG Interval Analysis", 《NEURAL INFORMATION PROCESSING SYSTEMS 16》, 9 December 2003 (2003-12-09), pages 611 - 618, XP008114023 *
吴心莜，等: "《视频中人的动作分析与识别》", 北京理工大学出版社, pages: 52 - 53 *

Also Published As

Publication number Publication date
CN114052743B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Liu et al. MFB-CBRNN: A hybrid network for MI detection using 12-lead ECGs
CN110890155B (zh) 一种基于导联注意力机制的多类心律失常检测方法
CN106725428B (zh) 一种心电信号分类方法及装置
Chen et al. Multi-information fusion neural networks for arrhythmia automatic detection
Yan et al. A restricted Boltzmann machine based two-lead electrocardiography classification
Xia et al. Generative adversarial network with transformer generator for boosting ECG classification
Li et al. Automated heartbeat classification using 3-D inputs based on convolutional neural network with multi-fields of view
Feng et al. Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection
Li et al. Automated heartbeat classification exploiting convolutional neural network with channel-wise attention
Wang et al. Atrial fibrillation detection and ECG classification based on CNN-BILSTM
Dhyani et al. Analysis of ECG-based arrhythmia detection system using machine learning
Sharma et al. Deep learning-based non-invasive fetal cardiac arrhythmia detection
Shahin et al. Adversarial multi-task learning for robust end-to-end ECG-based heartbeat classification
Liao et al. Automatic classification of heartbeats using ECG signals via higher order hidden Markov model
Ding et al. A novel transformer‐based ECG dimensionality reduction stacked auto‐encoders for arrhythmia beat detection
Li et al. Fusing deep metric learning with KNN for 12-lead multi-labelled ECG classification
Sakhare et al. An approach for ECG beats classification using adaptive neuro fuzzy inference system
Nithya et al. Stacked variational autoencoder in the classification of cardiac arrhythmia using ECG signals with 2D-ECG images
Gaudilliere et al. Generative pre-trained transformer for cardiac abnormality detection
Sun et al. MMA-RNN: A multi-level multi-task attention-based recurrent neural network for discrimination and localization of atrial fibrillation
CN114052743B (zh) 心电信号形态预测方法及系统
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks
He et al. Study on automatic classification of arrhythmias
Rayavarapu et al. Synthesis of ECG signals using Generative Adversarial Networks
Jia et al. A method to detect the onsets and ends of paroxysmal atrial fibrillation episodes based on sliding window and coding

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