CN114617562A - 心拍信号的分类方法、装置、设备及存储介质 - Google Patents

心拍信号的分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114617562A
CN114617562A CN202210300561.8A CN202210300561A CN114617562A CN 114617562 A CN114617562 A CN 114617562A CN 202210300561 A CN202210300561 A CN 202210300561A CN 114617562 A CN114617562 A CN 114617562A
Authority
CN
China
Prior art keywords
heartbeat
original
preset
signal
heart beat
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.)
Pending
Application number
CN202210300561.8A
Other languages
English (en)
Inventor
刘思
马小龙
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202210300561.8A priority Critical patent/CN114617562A/zh
Publication of CN114617562A publication Critical patent/CN114617562A/zh
Pending legal-status Critical Current

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]
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/353—Detecting P-waves
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

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

本发明实施例公开了一种心拍信号的分类方法、装置、设备及存储介质，该方法包括：将原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将原始心拍信号进行划分得到至少两个原始心拍片段；获取并划分与原始心拍信号对应的至少两个模板心拍片段；针对每个原始心拍片段，获取各个预设心拍类型的模板心拍片段中与原始心拍片段对应的模板心拍片段作为待匹配心拍片段，根据原始心拍片段与各个待匹配心拍片段之间的曲线相似度确定原始心拍片段所属的预设心拍类型，根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。达到了对心拍信号高效率和高精度地分类的效果。

Description

心拍信号的分类方法、装置、设备及存储介质
技术领域
本发明涉及信号处理技术领域，尤其涉及一种心拍信号的分类方法、装置、设备及存储介质。
背景技术
随着科技的发展与进步，人们的生活水平不断提高，随之而来的还有生活节奏明显加快、现代人的健康面临更多的挑战。其中，心血管疾病是引起人类死亡率最高的疾病之一。现有针对于心拍信号的处理分析，往往通过大量样本进行训练分类器和对心拍信号特征提取，但是异常心拍信号波形十分复杂，现有分类器中常用的形态特征虽具有生理意义，但是只能区分形状差别较大的类型，面对愈加复杂异常心拍信号波形，现有的心拍信号分类处理技术容易造成误判，受噪声影响巨大。因此，发明人发现现在急需一种能够高效率和高精度处理心拍信号的技术方案。
发明内容
本发明实施例提供了一种心拍信号的分类方法、装置、设备及存储介质，以实现对心拍信号的准确分类。
根据本发明的一方面，提供了一种心拍信号的分类方法，包括：
获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
根据本发明的另一方面，提供了一种心拍信号的分类装置，包括：
原始心拍信号处理模块，用于获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预模板设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
模板心拍信号处理模块，用于获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
心拍片段类型确定模块，用于针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
心拍类型确定模块，用于根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的心拍信号的分类方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的心拍信号的分类方法。
本发明实施例的技术方案，通过将原始心拍信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将原始心拍信号进行划分得到至少两个原始心拍片段，相比较于相关技术中多个心拍一起识别的方式，单个心拍的划分更精细，且有助于提升后续的分类处理速度，进一步地，还将原始心拍信号进行分段，实现了对心拍信号的精细化处理，便于捕捉到更多的细节信息；然后，通过同样的预设分段方法划分模板心拍信号，以便于将原始心拍信号分段于模板心拍信号进行比对；再根据原始心拍片段与各个模板心拍片段之间的曲线相似度以及各个模板心拍片段所属的预设心拍类型确定原始心拍片段所属的预设心拍类型，实现了对原始心拍信号中每个原始心拍片段的分类，最后，结合原始心拍信号中各个原始心拍片段所属的预设心拍类型确定原始心拍信号所属的预设心拍类型。通过对心拍信号进行了分段分类识别的精细化处理方式，解决了现有技术中心拍信号分类不准确和分类效率过低的技术问题，达到了对心拍信号进行高效率和高精度分类的技术效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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是根据本发明实施例一提供的一种心电信号的分类方法的流程图；
图2是根据本发明实施例提供的一种分割原始心电信号的示意图；
图3是根据本发明实施例提供的一种原始心电信号分段方法的示意图；
图4是根据本发明实施例提供的一种原始心电信号类型的示意图；
图5是根据本发明实施例二提供的另一种心电信号的分类方法的流程图；
图6是根据本发明实施例提供的一种原始心电信号分类匹配的示意图；
图7是根据本发明实施例提供的一种心电信号拟合的示意图；
图8是根据本发明实施例提供的一种心电信号的分类阶段的示意图；
图9是根据本发明实施例三提供的一种心电信号的分类装置的流程示意图
图10是实现本发明实施例的一种心电信号的分类方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例一
图1为本发明实施例一提供了一种心拍信号的分类方法的流程图，本实施例可适用于心电诊断中异常心拍信号识别分类的情况，该方法可以由心拍信号的分类装置来执行，该分类装置可以采用硬件和/或软件的形式实现，该分类装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段。
其中，原始心电信号可以是通过心电信号采集装置采集的心电信号，心电信号采集装置可以是本领域中任意一种心电信号采集装置，本发明实施例不做具体限制。原始心拍信号可以是原始心电信号中按照心拍分割后得到的心点信号。
本发明实施例中，获取到原始心拍信号后，将原始心电信号按照每个心拍进行分割，从而将原始心电信号分割为每个心拍对应的原始心拍信号，然后，针对每个原始心拍信号，又根据预设分段方法将所述原始心拍信号进行划分，得到两个或两个以上的原始心拍片段。
可选的，在本发明实施例中，所述将所述原始心拍信号分割为每个心拍对应的原始心拍信号，包括：确定所述原始心拍信号中的R波的波峰，分割出采集时间位于R波的波峰之前的第一预设数量的数据点以及采集时间位于R波的波峰之后的第二预设数量的数据点所对应的曲线段，作为每个心拍对应的原始心拍信号。
其中，第一预设数量和第二预设数量可以相同也可以不相同。
具体的，可以是按照ECG(心电图,Electrocardiogram)信号中R波为分割点，将原始心拍信号进行分割。可选的，在进行分割时，可以预先设定好第一预设数量和第二预设数量的数值，采用以R波为分割点，选择R波峰前第一预设数量的数据点和R波峰后第二预设数量的数据点，分割为一个原始心拍信号。可选的，还可以选择采集时间位于R波峰前第一预设采集时间采集的数据点和采集时间位于R波峰后第二预设采集时间对原始心拍信号进行分割，分割为一个原始心拍信号。
示例性的，如图2所示，预先使用检测算法检测原始心电信号的R波峰，按照检测出来的R波峰，对周期连续的ECG信号进行分割处理，分割方法可以是将R波峰的前100个或者持续278ms和后150个或者持续417ms数据点作为一个心拍，进而将原始心拍信号分割为心拍1、心拍2、……、和心拍n。其中，n为正整数。
其中，预设分段方法可以理解为预先设定好的分段方法。在本发明实施例中，预设分段方法可以有多种，可以根据实际需求进行设置，在此并不做具体限定。
可选的，在本发明实施例中，所述根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段，包括：确定所述原始心拍信号对应的目标特征点，根据所述目标特征点将所述原始心拍信号进行划分得到至少两个原始心拍片段。
其中，所述目标特征点包括所述原始心拍信号的起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点。
其中，原始心拍信号可以是连续的ECG信号组成；在ECG信号中主要包括P波、QRS波群、T波组成。可以将ECG信号中起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点作为目标特征点。
可选的，在分割原始心拍信号时，可以选择ECG信号中起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点中任意一个或者多个目标特征点对原始心拍信号进行分割，得到至少两个原始心拍片段。
示例性的，如图3所示，将一个原始心拍信号中的起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点标记为目标特征点，根据目标特征点将起始点至P波的拐点分为第一个原始心拍片段，将P波的拐点至Q波的拐点分为第二个原始心拍片段，将Q波的拐点至R波的拐点分为第三个原始心拍片段，将R波的拐点至S波的拐点分为第四个原始心拍片段，将S波的拐点至T波的拐点分为第五个原始心拍片段，将T波的拐点至终点分为第六个原始心拍片段，进而将一个原始心电信号分为6段原始心拍片段。
可选的，在原始心拍信号中，每一个数据点都对应于数据点上的心拍信号，而对于原始心拍信号中，可以选择其中任意一个或者多个的数据点作为目标特征点，进而在在分割原始心拍信号时，可以选择预设的数据点中任意一个或者多个被标记为目标特征点的数据点对原始心拍信号进行分割，得到至少两个原始心拍片段。
可选的，在原始心电信号的采集过程中，每一个信号采集时间都记录了该信号采集时间检测到的心电信号。进而在对原始心拍信号进行分割时，可以选择一个或者多个的信号采集时间作为目标特征点。进而在分割原始心拍信号时，可以选择信号时间中被标记为目标特征点的信号采集时间对原始心拍信号进行分割，得到至少两个原始心拍片段。
可以理解的是，在原始心拍信号进行分割为两个原始心拍片段，根据目标特征点的不同两个原始心拍片段可以是等长分段和/或不等长分段的形式。
S120、获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段。
其中，预设心拍类型可以是根据不同心电信号波形形状进行分类的心拍类型。可选的，参考本申请图4提供的心电信号波形图，心电信号波形形状可以主要分为：N类型、S类型、V类型和F类型。
本发明实施例中，根据原始心拍信号获取与预设心拍类型的模板心拍信号相匹配的模板心拍信号，并且选择对原始心拍信号进行划分的预设分段方法将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段。其中，模板心拍信号的划分方法与原始心拍信号的划分方法应保持一致。
S130、针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型。
其中，曲线相似度可以是原始心拍片段中的心电信号曲线与模板心拍片段中心电信号曲线之间的相似度。待匹配心拍片段可以是原始心拍片段对应的模板心拍片段作为当前原始心拍片段的待匹配心拍片段。
本发明实施例中，对于每个原始心拍片段，获取在各个预设心拍类型中选择与原始心拍片段相对应的模板心拍片段作为待匹配心拍片段，计算原始心拍片段与各个待匹配心拍片段之间的曲线相似度，根据计算出的曲线相似度确定每个原始心拍片段所属的预设心拍类型。
可选的，计算原始心拍片段与各个待匹配心拍片段之间的曲线相似度之前，针对于每个预设心拍类型的待匹配心拍片段还需要构建相应的训练模板，及原始心拍片段的测试模板。
示例性地，可以采用模模式识别算法中用于相似度计算和匹配的方法，即，模板匹配方法，对心电信号进行识别。例如，可以将N，S，V，F四种信号分成不同的模板，构建一个基于模板匹配的心电识别系统，将系统数据分成训练模板和测试模板。可选的，训练模板可以表示为R＝[r1,r2,…,rm,…,rM]，其中，M为该模板的总点数，为训练心拍信号时序标号m的对应信号值。测试模板表示为T＝[t1,t2,…,tn,…,tN]，其中，N为该模板的总点数，为测试心拍信号时序标号n的对应信号值。计算训练模板R和测试模板T中相对应的各个数据点之间的相似度，获取两者之间的曲线相似度，以通过该方式进行心电信号波形的区分，确定出与原始心拍片段所属的预设心拍类型。具体地，根据曲线相似度确定出原始心拍片段最为相似的待匹配心拍片段，进而将该待匹配心拍片段对应的预设心拍类型作为原始心拍片段所属的预设心拍类型。
S140、根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
在本发明实施例中，原始心拍信号中各个原始心拍片段在经过曲线相似度计算后，能够确定出各个原始心拍片段所属的预设心拍类型，通过各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
可选地，如果各个原始心拍片段所属的预设心拍类型一致，则将各个原始心拍片段所属的预设心拍类型作为原始心拍信号所属的预设心拍类型。如如果各个原始心拍片段所属的预设心拍类型不一致，则将各个预设心拍类型中对应的原始心拍片段的总数量最多的预设心拍类型作为原始心拍信号所属的预设心拍类型，和/或，还可以根据加权高斯模型等方式确定原始心拍信号所属的预设心拍类型。
本发明实施例的技术方案，通过将原始心拍信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将原始心拍信号进行划分得到至少两个原始心拍片段，相比较于相关技术中多个心拍一起识别的方式，单个心拍的划分更精细，且有助于提升后续的分类处理速度，进一步地，还将原始心拍信号进行分段，实现了对心拍信号的精细化处理，便于捕捉到更多的细节信息；然后，通过同样的预设分段方法划分模板心拍信号，以便于将原始心拍信号分段于模板心拍信号进行比对；再根据原始心拍片段与各个模板心拍片段之间的曲线相似度以及各个模板心拍片段所属的预设心拍类型确定原始心拍片段所属的预设心拍类型，实现了对原始心拍信号中每个原始心拍片段的分类，最后，结合原始心拍信号中各个原始心拍片段所属的预设心拍类型确定原始心拍信号所属的预设心拍类型。通过对心拍信号进行了分段分类识别的精细化处理方式，解决了现有技术中心拍信号分类不准确和分类效率过低的技术问题，达到了对心拍信号进行高效率和高精度分类的技术效果。
实施例二
图5为本发明实施例二提供的另一种心拍信号的分类方法的流程图，本实施例与上述实施例之间的关系为对原始心拍信号与待匹配心拍片段之间的匹配方法进一步说明。如5所示，该方法包括：
S210、获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段。
S220、获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段。
S230、根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度。
其中，预设相似度算法可以是预设设置的计算原始心拍片段与待匹配心拍片段之间曲线相似度的算法。示例性地，所述预设相似度算法包括欧氏距离算法、卡方距离算法、曼哈顿距离算法、马氏距离算法、点匹配算法以及动态时间规整算法中的至少一种。
本发明实施例中根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度。
可选的，训练模板可以表示为R＝[r1,r2,…,rm,…,rM]，其中，M为该模板的总点数，为训练心拍信号时序标号m的对应信号值。测试模板表示为T＝[t1,t2,…,tn,…,tN]，其中，N为该模板的总点数，为测试心拍信号时序标号n的对应信号值。通过预设相似度算法计算训练模板R和测试模板T两个曲线的曲线相似度。其中，所述预设相似度算法包括欧氏距离算法、卡方距离算法、曼哈顿距离算法、马氏距离算法、点匹配算法以及动态时间规整算法中的至少一种。
可选的，如图6所示，可以采用动态时间规整算法计算训练模板R和测试模板T两个曲线的曲线相似度时，通过动态时间规整算法计算两个模板曲线中对应点的距离，其中两个模板曲线对应点的距离越小，两个模板曲线的相似性越高。本发明实施例中可以采用上述任意至少一种曲线相似度算法。
示例性的，可以采用动态时间规整算法和曼哈顿距离算法共同计算训练模板R和测试模板T两个曲线的曲线相似度，采用两个相似度中最接近的相似度作为最终的曲线相似度。
可选的，在所述根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度之前，还包括：采用指数拟合方法和/或贝塞尔曲线拟合方法对所述原始心拍片段进行曲线拟合。
本发明实施例中，由于ECG信号采集过程中存在不确定因素使得同种类型的心拍也存在不同的形态，根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度之前，采用指数拟合方法和/或贝塞尔曲线拟合方法对所述原始心拍片段进行曲线拟合。
示例性的，如图7所示，对训练模板R和测试模板T之间使用动态时间规整算法进行匹配时，由于不确定因素使得同种类型的心拍也存在不同的形态，因此在导致测试波形和训练波形不规整，进而导致匹配误差较大；而经过或贝塞尔曲线拟合方法对测试波形和训练波形进行拟合后，测试波形和训练波形曲线十分光滑，匹配更加效率且误差极小。
S240、对所述原始心拍信号中各个原始心拍片段所属的预设心拍类型采用多数投票规则，确定所述原始心拍信号所属的预设心拍类型。
可选的，原始心拍信号划分为至少两个原始心拍片段，各个原始心拍片段在进行曲线相似度计算后得到各个所属的预设心拍类型，进而完整的原始心拍信号可能存在至少一种的预设心拍类型，选择采用多数投票规则，每一种预设心拍类型进行投票，选择最高票数对应的预设心拍类型作为当前原始心拍信号的预设心拍类型。
示例性的，假设原始心拍信号划分为七段原始心拍片段，七段原始心拍片段对应的预设心拍类型分别为：N类型、N类型、S类型、N类型、V类型、F类型和V类型，进而采用采用多数投票规则为：3票N类型、1票S类型、2票V类和1票F类型，选择最高票数对应的3票N类型作为当前原始心拍信号的预设心拍类型，当前原始心拍信号的预设心拍类型为N类型。
可选的，如果最高票数对应的预设心拍类型为两个或两个以上，则采用加权高斯模型确定所述原始心拍信号所属的预设心拍类型。
本发明实施例中，采用多数投票规则时，可能出现票数一致的情况，导致无法判定出结果，而如果最高票数对应的预设心拍类型为两个或两个以上，采用加权高斯模型确定原始心拍信号所属的预设心拍类型。
可选的，加权高斯模型可以如下所示：
Figure BDA0003562722910000121
上式中，fN是N类型的数学模型，fS是S类型的数学模型，fV是V类型的数学模型，fF是F类型的数学模型。w11～w16为N类型的权值，w21～w26为S类型的权值，w31～w36为V类型的权值，w41～w46为F类型的权值。采用最小二乘递推算法计算权值，最终确定权值表如下所示：
参数矩阵权值结果
Figure BDA0003562722910000131
进而，根据参数矩阵权值结果确定原始心拍信号所属的预设心拍类型。
本发明实施例的技术方案，在对原始心电信号进行分割处理并划分模板心拍信号之后，还通过预设的相似度算法计算原始心拍片段与各个所述待匹配心拍片段直接的曲线相似度，进而根据计算出的曲线相似度确定各个原始心拍片段所属的预设心拍类型，通过相似度算法对每一个原始心拍片段进行相似度计算，提高了心拍片段识别的精确度，减少了心拍片段识别的误差，又通过多数投票规则或加权高斯模型确定原始心拍信号所属的预设心拍类型，进一步的保障了心拍信号识别的准确率。另外，在进行相似度之前，还可以通过曲线拟合方法对测试波形和训练波形进行拟合后，进一步的提高匹配效率和减小匹配误差。通过对心拍信号进行了分段相似度算法计算和曲线拟合方法的精细化处理方式，解决了现有技术中心拍信号识别不准确和识别效率过低的技术问题，达到了对心拍信号进行高效率和高精度分类识别的技术效果。
图8是本发明实施例提供的另一种心拍信号的分类流程示意图，在一个具体的例子中，如图8所示，心拍信号的分类流程可以包括：原始心拍信号预处理阶段、训练模板心拍信号预处理阶段、建立训练模板阶段、模板匹配阶段、心拍片段匹配阶段、心拍类型确定阶段和曲线分段拟合阶段，其中：
在原始心拍信号预处理阶段中，由于每个心拍需包含ECG信号的重要信息P波、QRS波群和T波，通过算法将将R波峰检测出来后，对周期连续的ECG信号进行分割处理，分割方法是将R波峰的前100个(持续278ms)和后150个(持续417ms)数据点作为一个原始心拍信号。
在建立训练模板阶段之前，需对训练模板心拍信号进行预处理，根据原始心拍信号预处理时相同的算法对训练模板心拍信号进行相同的预处理，划分训练模板心拍信号，进而确定训练模板的波形形状，目前主流的可以为：N类型、S类型、V类型和F类型。确定训练模板的波形形状类型后，根据建立相应的训练模板和测试模板进行模板匹配，匹配对应的训练模板。训练模板可以表示为R＝[r1,r2,…,rm,…,rM]，其中，M为该模板的总点数，为训练心拍信号时序标号m的对应信号值。测试模板表示为T＝[t1,t2,…,tn,…,tN]，其中，N为该模板的总点数，为测试心拍信号时序标号n的对应信号值。
在心拍片段匹配阶段，通过动态时间规整算法计算训练模板R和测试模板T两个曲线的曲线相似度。对原始心拍信号的每一个心拍片段进行曲线相似度的计算，根据曲线相似度的结果确定原始心拍片段所属的心拍类型片段。进而根据计算结果进入心拍类型确定阶段，首先根据投票法进行最终结果判定，当出现票数一致时，无法判定出结果。因此将投票规则进行修改：对于无法用多数投票进行判决的结果，将采用加权高斯模型进行判决。
曲线分段拟合阶段，由于ECG信号采集过程中存在不确定因素如设备故障或被采集者自身问题，使得同种类型的心拍也存在不同的形态。动态时间规整算法将两组曲线进行曲线相似度计算，曲线的变化会直接影响识别结果，可以采用指数拟合和贝塞尔曲线拟合的方法消除诸多影响，在根据曲线分段拟合后继续进行建立训练模板阶段、心拍片段匹配阶段、心拍类型确定阶段，最终确定当前原始心拍信号所属的心拍类型。
在实现本发明的过程中，发明人采用四种方式分别进行了心电信号的匹配识别：
方法一：整体心拍动态时间规整匹配。从训练数据集中选择我N类型、V类型、S类型、F类型各类各选择5组心拍样本作为训练样本。从测试训练集中每种类型随机各选取200组心拍样本作为测试样本。识别规则如下：训练样本共20个，测试样本共800个，将每个测试与20个训练样本进行动态时间规整距离计算，将产生20个距离值，对这20个值求取最小值，最终判决类型为这个最小值对应的训练样本的类型。最终计算的Se、Acc和+P结果如下所示：
整体心拍动态时间规整算法匹配识别率
Figure BDA0003562722910000151
方法二：基于特征点分段的动态时间规整匹配识别；训练样本20个，测试样本800个。将心拍(250个点)分成六段进行动态时间规整匹配，匹配过程如下：以第一段为例，将测试样本与20个训练样本进行动态时间规整距离计算，结果判为动态时间规整值最小对应的训练样本的类型。六段共有6个结果，将采用投票法进行最终的判决，最终判决结果如下所示：
基于高斯模型判决心拍分段匹配结果
Figure BDA0003562722910000152
方法三：基于曲线拟合后特征点分段的动态时间规整匹配识别；将拟合后的心拍(同样为250个点)按照段方式分成六段进行动态时间规整匹配，匹配过程如下：以R点为基准，分别向左向右进行路径最优搜索，因此，论文将第一段，第二段、第三段匹配规则改为分别以P点到起点、Q点到P点、R点到Q点方式进行匹配。以第一段为例，训练样本有20个，测试样本800个，将测试样本1与20个训练样本进行动态时间规整距离计算，将产生20个距离值，结果判为值最小对应的训练样本的类型，其他五段匹配方式也同上所述。最终判决结果下所示：
基于高斯模型判决心拍分段匹配结果
Figure BDA0003562722910000161
方法四：基于曲线拟合后固定长度分段的动态时间规整匹配识别；对两种拟合后的心拍进行等长处理。最终判决结果下所示：
基于曲线拟合后固定长度分段匹配结果
Figure BDA0003562722910000162
由此可知，采用本发明实施例的技术方案能够更为精准地对心拍信号进行分类。
实施例三
图9为本发明实施例三提供的一种心拍信号的分类装置的结构示意图。如图9所示，该装置包括：原始心拍信号处理模块410、模板心拍信号处理模块420、心拍片段类型确定模块430以及心拍类型确定模块440，其中：
原始心拍信号处理模块410，用于获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预模板设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
模板心拍信号处理模块420，用于获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
心拍片段类型确定模块430，用于针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
心拍类型确定模块440，用于根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
本发明实施例的技术方案，通过将原始心拍信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将原始心拍信号进行划分得到至少两个原始心拍片段，相比较于相关技术中多个心拍一起识别的方式，单个心拍的划分更精细，且有助于提升后续的分类处理速度，进一步地，还将原始心拍信号进行分段，实现了对心拍信号的精细化处理，便于捕捉到更多的细节信息；然后，通过同样的预设分段方法划分模板心拍信号，以便于将原始心拍信号分段于模板心拍信号进行比对；再根据原始心拍片段与各个模板心拍片段之间的曲线相似度以及各个模板心拍片段所属的预设心拍类型确定原始心拍片段所属的预设心拍类型，实现了对原始心拍信号中每个原始心拍片段的分类，最后，结合原始心拍信号中各个原始心拍片段所属的预设心拍类型确定原始心拍信号所属的预设心拍类型。通过对心拍信号进行了分段分类识别的精细化处理方式，解决了现有技术中心拍信号分类不准确和分类效率过低的技术问题，达到了对心拍信号进行高效率和高精度分类的技术效果。
可选的，原始心拍信号处理模块410包括：
确定所述原始心拍信号对应的目标特征点，根据所述目标特征点将所述原始心拍信号进行划分得到至少两个原始心拍片段。其中，所述目标特征点包括所述原始心拍信号的起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点。
可选的，心拍片段类型确定模块430包括：
根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度，其中，所述预设相似度算法包括欧氏距离算法、卡方距离算法、曼哈顿距离算法、马氏距离算法、点匹配算法以及动态时间规整算法中的至少一种。
可选的，心拍片段类型确定模块430还包括：
采用指数拟合方法和/或贝塞尔曲线拟合方法对所述原始心拍片段进行曲线拟合。
可选的，心拍类型确定模块440包括：
对所述原始心拍信号中各个原始心拍片段所属的预设心拍类型采用多数投票规则，确定所述原始心拍信号所属的预设心拍类型。
如果最高票数对应的预设心拍类型为两个或两个以上，则采用加权高斯模型确定所述原始心拍信号所属的预设心拍类型。
可选的，原始心拍信号处理模块410包括：
确定所述原始心拍信号中的R波的波峰，分割出采集时间位于R波的波峰之前的第一预设数量的数据点以及采集时间位于R波的波峰之后的第二预设数量的数据点所对应的曲线段，作为每个心拍对应的原始心拍信号。
上述心拍信号的分类装置可执行本发明任意实施例所提供的心拍信号的分类方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的心拍信号的分类方法。
由于上述所介绍的心拍信号的分类装置为可以执行本发明实施例中的心拍信号的分类方法的装置，故而基于本发明实施例中所介绍的心拍信号的分类方法，本领域所属技术人员能够了解本实施例的心拍信号的分类装置的具体实施方式以及其各种变化形式，所以在此对于该心拍信号的分类装置如何实现本发明实施例中的心拍信号的分类方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中心拍信号的分类方法所采用的装置，都属于本申请所欲保护的范围。
实施例四
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如心拍信号的分类方法。
在一些实施例中，心拍信号的分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的心拍信号的分类方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行心拍信号的分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
实施例五
本发明实施例六还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的心拍信号的分类方法：
获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read OnlyMemory，EPROM，或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种心拍信号的分类方法，其特征在于，包括：
获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
2.根据权利要求1所述的方法，其特征在于，所述根据预设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段，包括：
确定所述原始心拍信号对应的目标特征点，根据所述目标特征点将所述原始心拍信号进行划分得到至少两个原始心拍片段。其中，所述目标特征点包括所述原始心拍信号的起始点、P波的拐点、Q波的拐点、R波的拐点、S波的拐点、T波的拐点以及终点。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型之前，还包括：
根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度，其中，所述预设相似度算法包括欧氏距离算法、卡方距离算法、曼哈顿距离算法、马氏距离算法、点匹配算法以及动态时间规整算法中的至少一种。
4.根据权利要求3所述的方法，其特征在于，在所述根据预设相似度算法确定所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度之前，还包括：
采用指数拟合方法和/或贝塞尔曲线拟合方法对所述原始心拍片段进行曲线拟合。
5.根据权利要求1所述的方法，其特征在于，所述根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型，包括：
对所述原始心拍信号中各个原始心拍片段所属的预设心拍类型采用多数投票规则，确定所述原始心拍信号所属的预设心拍类型。
6.根据权利要求5所述的方法，其特征在于，还包括：
如果最高票数对应的预设心电类型为两个或两个以上，则采用加权高斯模型确定所述原始心拍信号所属的预设心电类型。
7.根据权利要求1所述的方法，其特征在于，所述，将所述原始心拍信号分割为每个心拍对应的原始心拍信号，包括：
确定所述原始心拍信号中的R波的波峰，分割出采集时间位于R波的波峰之前的第一预设数量的数据点以及采集时间位于R波的波峰之后的第二预设数量的数据点所对应的曲线段，作为每个心拍对应的原始心拍信号。
8.一种心拍信号的分类装置，其特征在于，包括：
原始心拍信号处理模块，用于获取原始心电信号，将所述原始心电信号分割为每个心拍对应的原始心拍信号，针对每个原始心拍信号，根据预模板设分段方法将所述原始心拍信号进行划分得到至少两个原始心拍片段；
模板心拍信号处理模块，用于获取与所述原始心拍信号对应的至少一个预设心拍类型的模板心拍信号，并根据所述预设分段方法分别将各个预设心拍类型的模板心拍信号划分为至少两个模板心拍片段；
心拍片段类型确定模块，用于针对每个所述原始心拍片段，获取各个预设心拍类型的模板心拍片段中与所述原始心拍片段对应的所述模板心拍片段作为待匹配心拍片段，根据所述原始心拍片段与各个所述待匹配心拍片段之间的曲线相似度确定所述原始心拍片段所属的预设心拍类型；
心拍类型确定模块，用于根据所述原始心拍信号中各个原始心拍片段所属的预设心拍类型确定所述原始心拍信号所属的预设心拍类型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的心拍信号的分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的心拍信号的分类方法。
CN202210300561.8A 2022-03-24 2022-03-24 心拍信号的分类方法、装置、设备及存储介质 Pending CN114617562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300561.8A CN114617562A (zh) 2022-03-24 2022-03-24 心拍信号的分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300561.8A CN114617562A (zh) 2022-03-24 2022-03-24 心拍信号的分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114617562A true CN114617562A (zh) 2022-06-14

Family

ID=81904509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300561.8A Pending CN114617562A (zh) 2022-03-24 2022-03-24 心拍信号的分类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114617562A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115177267A (zh) * 2022-09-13 2022-10-14 合肥心之声健康科技有限公司 一种心拍伪影识别方法、系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115177267A (zh) * 2022-09-13 2022-10-14 合肥心之声健康科技有限公司 一种心拍伪影识别方法、系统

Similar Documents

Publication Publication Date Title
Gao et al. An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset
Sopic et al. Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems
Jin et al. A novel domain adaptive residual network for automatic atrial fibrillation detection
JP6786536B2 (ja) 単極誘導心電図（ｅｃｇ）信号中の律動を識別するためのカスケード２値クラシファイア
WO2021017313A1 (zh) 房颤的检测方法、装置、计算机设备及存储介质
EP3479763A1 (en) System and method for photoplethysmogram (ppg) signal quality assessment
WO2021253709A1 (zh) 心电图心搏分类方法、装置、电子设备和介质
Lameski et al. Suppression of intensive care unit false alarms based on the arterial blood pressure signal
Li et al. Signal processing and feature selection preprocessing for classification in noisy healthcare data
Ramani et al. MapReduce-based big data framework using modified artificial neural network classifier for diabetic chronic disease prediction
Ullah et al. An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal
CN111557658B (zh) Ppg实时心率信号质量评估方法及装置、存储介质
CN114617562A (zh) 心拍信号的分类方法、装置、设备及存储介质
Chen et al. An atrial fibrillation detection system based on machine learning algorithm with mix-domain features and hardware acceleration
CN117425431A (zh) 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统
CN114529945A (zh) 一种情感识别方法、装置、设备及存储介质
Liu et al. Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network
Wan et al. A novel atrial fibrillation automatic detection algorithm based on ensemble learning and multi-feature discrimination
Emrich et al. Accelerated Sample-Accurate R-Peak Detectors Based on Visibility Graphs
Zhang et al. A deep Bayesian neural network for cardiac arrhythmia classification with rejection from ECG recordings
Jia et al. High noise tolerant R-peak detection method based on deep convolution neural network
WO2021058007A1 (zh) 时序数据的处理方法、装置和计算机可读存储介质
CN111449646B (zh) 一种心电图识别方法、装置、存储介质及电子设备
Lavanya et al. [Retracted] Wearable Sensor‐Based Edge Computing Framework for Cardiac Arrhythmia Detection and Acute Stroke Prediction
Isler et al. A new sample reduction method for decreasing the running time of the k-nearest neighbors algorithm to diagnose patients with congestive heart failure: backward iterative elimination

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