CN114916940A - 基于专家知识的心律失常信号检测方法、系统及终端 - Google Patents

基于专家知识的心律失常信号检测方法、系统及终端 Download PDF

Info

Publication number
CN114916940A
CN114916940A CN202210596750.4A CN202210596750A CN114916940A CN 114916940 A CN114916940 A CN 114916940A CN 202210596750 A CN202210596750 A CN 202210596750A CN 114916940 A CN114916940 A CN 114916940A
Authority
CN
China
Prior art keywords
peak
wave
ecg
thres
qrs
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
CN202210596750.4A
Other languages
English (en)
Inventor
赵阳
徐心梓
连勇
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210596750.4A priority Critical patent/CN114916940A/zh
Publication of CN114916940A publication Critical patent/CN114916940A/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]
    • A61B5/333—Recording apparatus specially adapted therefor
    • 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
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0209—Operational features of power management adapted for power saving
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明提供了一种基于专家知识的心律失常信号检测方法及系统，其中方法包括：对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移；对信号滤波后的心电信号进行P‑QRS‑T定位检测，得到QRS波群和P/T波；对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。同时提供了一种相应的终端及介质。本发明提高了检测的准确率；充分考虑异常心拍的形态以及定位P/T波的时刻，能够有效避免因为心拍的异常对P‑QRS‑T定位不准确的情况，具有很高的鲁棒性；运算复杂度低。

Description

基于专家知识的心律失常信号检测方法、系统及终端
技术领域
本发明涉及生物医疗与机器学习技术领域，具体而言，涉及一种基于专家知识的心律失常信号检测方法、系统及终端，适用于心电信号处理与分析。
背景技术
根据世界卫生组织报道，绝大多数心血管病是可预防的。研究表明，心电图(Electrocardiogram，ECG)作为心脏状况的一个直接生理指标，能够准确反映心率失常等心血管信息，对人体ECG进行监控，可以在心血管病发病初期就提供信息参考辅助，受益于数亿患者。
随着集成电路技术与生物医疗的深度交叉融合，心电监测芯片为心血管病的实时监测预防提供了可能。心电传感设备从便携式到穿戴式再到柔性传感的小型化、微型化发展趋势，意味着电池的体积一再缩减，对功耗提出了严苛的要求。此外，植入式心电传感芯片的电池无法更换，因此使用寿命只有4.5年，要延长芯片的使用寿命就必须降低功耗。无论是可穿戴式还是植入式心电监测芯片，超低功耗都是一个迫切需求。然而，心血管病属于慢性疾病，通常间隙性发作，且间隙周期以数天甚至数月计，绝大部分实时采集的生理信号数据属于冗余信息。现有典型的商用收发机芯片的功耗可达2-5mA，若将全部数据存储在本地或发送至云端，将产生大量的能量浪费。所以，仅对少量异常信号的发送也降低了芯片在对数据无线发送所需的功耗，迎合了心电传感设备的超低功耗需求。此外，作为心律失常的侦察兵，高精度是心电检测芯片最根本的需求。因此，研究心律失常检测算法，提高算法的识别准确率与硬件实现的能效性，对实现高精度、超低功耗心电监测芯片具有非常重大的作用。
经过检索发现：
授权公告号为CN108652615B的中国发明专利《一种心电数据病理特征量化分析方法及装置》，提取心电信号的几何特征、非线性动力学特征、时域特征、频域特征等，进行加权得到量化分析指标异质度，进行异常判定，但是这样的特征提取方式无法应对生物信号的个异性。授权公告号为CN107137072B的中国发明专利《一种基于1D卷积神经网络的室性异位搏动检测方法》，利用一维卷积神经网络对原始 ECG信号提取特征，再利用Softmax激活函数进行异常检测，利用神经网络分类的方式虽然准确率高，但是模型复杂，不利于低功耗的硬件实现。因此，现有的心律失常检测算法仍然存在以下不足：
(1)特征提取算法缺乏医学根据，无法应对生物信号的个异性，降低检测准确率；
(2)高精度的异常检测神经网络模型计算复杂，不适用低功耗的硬件实现。
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足，提供了一种基于专家知识的心律失常信号检测方法、系统及终端，同时提供了一种相应的介质。
根据本发明的一个方面，提供了一种基于专家知识的心律失常信号检测方法，包括：
对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移；
对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
可选地，所述对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移，包括：
采用无限脉冲响应带通滤波器对高频噪声和基线漂移进行抑制；其中：
所述无限脉冲响应带通滤波器的表达式为：
Figure BDA0003647930370000021
式中，x[n]表示原始的数字心电信号，y[n]代表经过带通滤波器信号滤波之后的心电信号，ap和bq为无限脉冲响应带通滤波器的系数，p为输入信号的延迟，q为滤波后信号的延迟，M为输入信号的最大延迟，N为滤波后信号的最大延迟。
可选地，将所述无限脉冲响应带通滤波器的系数ap和bq从浮点形式量化为定点数；其中，所述定点数的小数位和整数位分别表示原浮点数的小数部分与整数部分，位宽根据保证滤波器不震荡所需的最低精度进行选择和设置。
可选地，所述对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和 P/T波，包括：
分别采用QRS波群检测算法和P/T波检测算法，对心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；其中：
所述QRS波群检测算法，包括：
将所述信号滤波后的心电信号经过差分、平方、平滑滤波，得到QRS增强后的信号；其中：
ECGd[n]＝2ECGf[n+1]+ECGf[n+2]-2ECGf[n-1]-ECGf[n-2]，#(2)
ECGs[n]＝ECGd[n]*ECGd[n]，#(3)
Figure BDA0003647930370000031
式中，ECGf为信号滤波后的心电信号，ECGd为差分滤波后的信号，ECGs为平方滤波后的信号，ECGm为平滑滤波后得到的QRS增强后的信号；
从所述QRS增强后的信号ECGm中寻找峰值点，将寻找到的峰值点记作一个待定峰ECGm_peak，将所述待定峰ECGm_peak和上一个R峰之间的时间差rpp_interval与R 峰与R峰之间的最小间隔T1以及R峰与R峰之间的最大间隔T2进行比较，对待定峰 ECGm_peak在信号滤波后的心电信号ECGf中的位置进行标记；其中：
若所述时间差rpp_interval大于等于最小间隔T1、小于等于最大间隔T2时，将所述待定峰ECGm_peak的幅值ECGm_peak_amp与动态阈值Thm进行比较；如果所述幅值 ECGm_peak_amp大于等于所述动态阈值Thm，则标记该待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak对应为心电信号ECGf中一个可能的R峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.375*Thm，#(5)
如果所述幅值ECGm_peak_amp小于所述动态阈值Thm，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
若所述时间差rpp_interval大于最大间隔T2，则存在漏检R峰的可能；此时向前寻找上一个峰值点ECGm_peak_pre，将所述峰值点ECGm_peak_pre的幅值 ECGm_peak_pre_amp与0.25*Thm比较；如果所述幅值ECGm_peak_pre_amp大于等于 0.25*Thm，则标记所述峰值点ECGm_peak_pre在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak对应为心电信号ECGf中一个可能的R峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.25*Thm，#(6)
如果所述幅值ECGm_peak_pre_amp小于0.25*Thm，则将当前的待定峰ECGm_peak 的幅值ECGm_peak_amp与动态阈值Thm进行比较，并根据所述时间差rpp_interval处于最小间隔T1和最大间隔T2之间时的情况，标记待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置以及更新动态阈值Thm；
若所述时间差rpp_interval小于T1，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
根据标记的所述待定峰ECGm_peak在心电信号ECGf中的位置，在所述心电信号ECGf中向前搜素峰值点ECGf_peak和谷值点ECGf_valley；计算所述峰值点ECGf_peak 的斜率ECGf_peak_slope，如果所述斜率ECGf_peak_slope小于等于0.5倍的上一个确定的R峰的斜率，则该待定峰ECGm_peak作为心电信号ECGf中的R峰视为被误判的T 波，返回重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak，否则继续；将得到的所述峰值点的峰值ECGf_peak_amp和所述谷值点ECGf_valley的谷值ECGf_valley_amp 分别与动态阈值Thf_pos和动态阈值Thf_neg相比较，确定R峰及其方向，并更新动态阈值；其中：
若所述峰值ECGf_valley_amp小于等于所述动态阈值Thf_neg，并且所述峰值 ECGf_peak_amp小于等于所述动态阈值Thf_pos，则所述待定峰ECGm_peak为心电信号 ECGf中的R峰，所述R峰的方向R_dir为-1，表示R峰向下，所述R峰的幅值R_amp 为ECGf_valley_amp，此时更新所述动态阈值Thf_neg为：
Figure BDA0003647930370000043
Figure BDA0003647930370000044
若所述峰值ECGf_valley_amp大于所述动态阈值Thf_neg，或所述峰值 ECGf_peak_amp大于所述动态阈值Thf_pos，则所述待定峰eCGm_peak为心电信号ECGf中的R峰，所述R峰的方向R_dir为1，表示R峰向上，所述R峰的幅值R_amp为 ECGf_peak_amp，此时更新所述动态阈值
Figure BDA0003647930370000041
为：
Figure BDA0003647930370000042
Figure BDA0003647930370000052
根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R峰的方向向上，则在所述R峰的往前Tq的时长里寻找第一个幅值小于等于动态阈值Thq_pos的谷值ECGf_valley_amp，判定为Q点，其中，Tq为Q点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Tq的时长里寻找第一个幅值大于等于动态阈值Thq_neg的峰值ECGf_peak_amp，判定为Q点；
根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R峰的方向向上，则在所述R峰的往后Ts的时长里寻找第一个幅值小于等于动态阈值Ths_pos的谷值ECGf_valley_amp，判定为S点，其中，Ts为S点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Ts的时长里寻找第一个幅值大于等于动态阈值Ths_neg的峰值ECGf_peak_amp，判定为S点；
根据获得所述R峰、Q点和S点，得到所述QRS波群；
所述P/T波检测算法，包括：
获得信号滤波后的心电信号ECGf中的相邻两个心拍信息，通过第一个心拍的S点到第二个心拍的Q点位置，记作SQ段，输出第一个心拍的T波位置、幅值与方向以及第二个心拍的P波位置、幅值与方向；
将所述SQ段进行平滑滤波，得到平滑滤波后的信号ECGsq；
根据所述平滑滤波后的信号ECGsq的长度Lsq，将所述平滑滤波后的信号ECGsq划分为T区和P区；
统计所述P区的峰值个数以及最大值的幅值max_p；
计算动态阈值thres_p，thres_t-和thres_t+：
thres_p＝min(S_amp+5，0)，#(7)
Figure BDA0003647930370000051
thres_t+＝thres_p-10#(9)
式中，thres_p用于判定峰值点是否为P波，thres_t-用于判定谷值点是否为向下的T 波，thres_t+用于判定峰值点是否为向上的T波，S_amp为检测出的S点的幅度；
如果所述P区存在峰值且max_p＞thres_p，则max_p所在位置为P波峰值；如果所述P区无峰值或max_p＜thres_p，则无P波，设置P_exis为0表示P波不存在；
记所述T区峰值最大值的幅值为max_t，所述T区峰值最小值的幅值为min_t，则所述平滑滤波后的信号ECGsq的峰值最大值max及其位置max_loc以及峰值最小值min 及其位置min_loc包括如下情况：
P波存在，max_t＜thres_t+且min_t＜thres_t-，此时，T波向下，min_t为其幅值；
P波存在，max_t＞＝thres_t+或min_t＞＝thres_t-，此时，T波向上，max_t为其幅值；
P波不存在，min＞＝thres_t-或max_loc＜＝min_loc，此时，T波向上，max为其幅值；
P波不存在，min＜thres_t-且max_loc＞min_loc，此时，T波向下，min为其幅值。
可选地，所述对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征，包括：
将所述专家知识转换为特征表达式，包括：
RR_diff_pre＝RR_inte2-RR_inte3， (10)
RR_diff＝RR_inte1-RR_inte2， (11)
TR_amp_diff＝T_amp-R_amp， (12)
QS_amp_diff＝Q_amp-S_amp， (13)
QRS_duration＝S_loc-Q_loc， (14)
PR_interval＝R_loc-P_loc， (15)
PQ_interval＝Q_loc-P_loc， (16)
式中，RR_diff_pre为第n-1个心跳的前后两个RR间隔的差，RR_diff为第n个心跳的前后两个RR间隔的差，TR_amp_diff为T波的幅度与R波的幅度之差， QS_amp_diff为Q点的幅度与S点的幅度之差，QRS_duration为QRS波群持续的时间长度，PR_interval为P波与R峰的时间间隔，PQ_interval为P波与Q点的时间间隔， RR_inte1、RR_inte2和RR_inte3分别为第n+1个心跳周期的R峰与第n个心跳周期的R 峰之间的时间差、第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差和第 n-1个心跳周期的R峰与第n-2个心跳周期的R峰之间的时间差；T_amp、R_amp、Q_amp 和S_amp分别为第n个心跳周期的T波、R峰、Q波和S波的幅度；S_loc，Q_loc，R_loc 和P_loc分别为第n个心跳周期的T波、R峰、Q波和S波的幅度对应的时刻；
根据所述专家知识的特征表达式，针对得到的所述QRS波群和P/T波，得到所述专家知识映射的特征，同时，获得R峰方向R_dic、T波方向T_dic、时间差RR_inte1、时间差RR_inte2、R峰幅值R_amp、T波幅值T_amp、S波斜率S_slo以及表示P波是否存在的参数P_exis，即为心电信号的类别特征。
可选地，所述将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，包括：
当特征绝对量大于或小于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
P_exist＝＝0，表示缺少P峰；
(R_dir＝＝1)&&(T_dir＝＝-1)，表示R峰与T峰极性相反；
(RR_inte1＜RR_inte_min)&&(RR_inte2＜RR_inte_min)，表示连续两个R峰间隔过短；
(RR_inte1＞RR_inte_max)&&(RR_inte2＞RR_inte_max)，表示连续两个R峰间隔过长；
TR_amp_diff＞TR_amp_diff_m口x，表示T峰高于R峰，且超出一定范围；
(QRS_duration＞case6-qrs_duration_thres)&&(S_slo＜case6_s_slo_thres)，表示 QRS波提早出现；
PR_interval＜case7_pr_thres，表示PR间隔过短；
式中，P_exis表示P波是否存在，R_dic为R峰方向，T_dir为T波方向，RR_inte1 为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，RR_inte_min为 RR间隔的最小正常值，RR_inte2为第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差，RR_inte_max为RR间隔的最大正常值，TR_amp_diff为T波的幅度与 R波的幅度之差，TR_amp_diff_max为T波的幅度与R波的幅度之差的最大正常值， QRS_duration为QRS波群持续的时间长度，case6_qrs_duration_thres为QRS波宽大，且S波宽时QRS波群持续时间的最小值，S_slo为S波斜率，case6_s_slo_thres为S波宽时S波斜率最小值，PR_interval为P波与R峰的时间间隔，case7_pr_thres为PR间隔过短时P波与R峰的最小正常时间间隔；
当特征值与正常值的差值大于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
((RR_inte1-RR_inte1_n)＜case8_rr_inter1_thres)&&((RR_inte2- RR_inte2_n)＞case8_rr_inter2_thres)，表示QRS波提前出现；
(RR_diff-RR_diff_n)＞case9_rr_diff_thres，表示QRS波提前出现；
(|RR_diff-RR_diff_n|＜case10_rr_diff_thres)&&((RR_inte1- RR_inte1_n)＜case10_rr_inter1_thres)&&((RR_inte2-RR_inte2_n)＞ case10_rr_inter2_thres)，表示连续两个R峰间隔过短；
|R_amp-R_amp_n|＞R_amp_thres，表示QRS波提早出现；
|S_amp-S_amp_n|＞S_amp_thres，表示QRS波提早出现；
|Q_amp-Q_amp_n|＞Q_amp_thres，表示QRS波提早出现；
T_dic_n！＝T_dic，表示QRS波提早出现；
(QRS_duration-QRS_duration_n)＞QRS_duration_thres，表示QRS波提早出现；
((QRS_duration-QRS_duration_n)＞ case16_qrs_duration_thres)&&((R_amp-R_amp_n)＞case16_r_amp_thres)，表示 QRS波提早出现；
|S_slo-S_slo_n|＞case17_s_slo_thres，表示QRS波提早出现；
((QS_amp_diff-QS_amp_diff_n)＞case18_qs_amp_thres) &&((QRS_duration-QRS_duration_n)＞case18_qrs_duration_thres)，表示QRS 波提早出现；
(|R_amp-R_amp_n|＞case19_r_amp_thres)&&(|T_amp-T_amp_n1＞ case19_t_amp_thres)，表示PR间期过短；
(PR_interval＜case20_pr_thres)&&((PQ_interval-PQ_interval_n)＜ pq_thres)，表示PR间期过短；
式中，*_n表示特征的正常值，*_thres表示可配置的设定阈值；RR_inte1为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，case8_rr_inter1_thres为QRS 波提前时RR_inte1与其正常值之差的最大值，RR_inte2为第n个心跳周期的R峰与第 n-1个心跳周期的R峰之间的时间差，case8_rr_inter2_thres为QRS波提前时RR_inte2 与其正常值之差的最小值，RR_diff为第n个心跳的前后两个RR间隔的差， case9_rr_diff_thres为QRS波提前时RR_diff与其正常值之差的最小值， case10_rr_diff_thres为连续两个R峰间隔过短时RR_diff与其正常值之差的最小值， case10_rr_inter1_thres为连续两个R峰间隔过短时RR_inter1与其正常值之差的最小值， case10_rr_inter2_thres为连续两个R峰间隔过短时RR_inter2与其正常值之差的最小值， R_amp为R峰的幅度，R_amp_thres为正常的R峰幅值偏离正常值的最大值，S_amp 为S波的幅度，S_amp_thres为正常的S波幅值偏离正常值的最大值，Q_amp为Q波的幅度，Q_amp_thres为正常的Q波幅值偏离正常值的最大值，T_dic为T波的方向， QRS_duration为QRS波持续的时间，QRS_duration_thres为QRS波宽大时QRS波持续时间偏离其正常值的最小值，case16_qrs_duration_thres为有R峰约束且QRS波宽大时 QRS波持续时间偏离其正常值的最小值，case16_r_amp_thres为QRS波宽大时R峰幅值偏离正常值的最小值，S_slo为S波的斜率，case17_s_slo_thres为S波过缓时S波的斜率偏离其正常值的最小值，QS_amp_diff为Q点的幅度与S点的幅度之差， case18_qs_amp_thres为QRS波宽大时QS_amp_diff偏离其正常值的最小值， case18_qrs_duration_thres为有QS_amp_diff约束且QRS波宽大时QRS波持续时间偏离其正常值的最小值，case19_r_amp_thres为R峰和T波的幅值同时与正常值偏离时R峰幅值偏离正常值的最小值，case19-t_amp_thres为R峰和T波的幅值同时与正常值偏离时T峰幅值偏离正常值的最小值，PR_interval为P波与R峰的时间间隔，case20_pr_thres 为PR间隔过小时PR_interval偏离正常值的最小值，PQ_interval为P波与Q波的时间间隔，pq_thres为PQ间隔过小时PQ_interval偏离正常值的最小值。
根据本发明的另一个方面，提供了一种基于专家知识的心律失常信号检测系统，包括：
信号滤波模块，该模块对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移；
P-QRS-T定位检测模块，该模块对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
特征映射模块，该模块对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
心律失常信号检测模块，该模块将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述的方法，或，运行上述的系统。
由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：
1、本发明提供的基于专家知识的心律失常信号检测方法、系统、终端及介质，首次提出了基于心脏病专家知识检测心律失常的方式进行心律失常信号检测，有助于解决生物信号个异性的问题，提高了检测的准确率。
2、本发明提供的基于专家知识的心律失常信号检测方法、系统、终端及介质，实现了一种P-QRS-T定位方式，充分考虑异常心拍的形态以及定位P/T波的时刻，联合考虑前后两个心拍，能够有效避免因为心拍的异常对P-QRS-T定位不准确的情况，具有很高的鲁棒性。
3、本发明提供的基于专家知识的心律失常信号检测方法、系统、终端及介质，心律失常信号检测的运算复杂度低，适合应用在高精度、超低功耗心电监测芯片中。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中基于专家知识的心律失常信号检测方法的工作流程图；
图2为本发明一优选实施例中基于专家知识的心律失常信号检测方法的工作示意图；
图3为本发明一优选实施例中QRS波群检测流程图；
图4为本发明一优选实施例中P/T波检测流程图；
图5为本发明一优选实施例中心律失常信号波形样例示意图；
图6为本发明一实施例中基于专家知识的心律失常信号检测的结构框图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
本发明一实施例提供了一种基于专家知识的心律失常信号检测方法。
如图1所示，该实施例提供的基于专家知识的心律失常信号检测方法，可以包括如下步骤：
S100，对获取的心电信号进行信号滤波，滤除心电信号中的高频噪声和基线漂移；
S200，对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
S300，对得到的QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
S400，将获得的心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
在S100的一优选实施例中，对获取的心电信号进行信号滤波，滤除心电信号中的高频噪声和基线漂移，可以包括如下步骤：
采用无限脉冲响应带通滤波器对高频噪声和基线漂移进行抑制；其中：
无限脉冲响应带通滤波器的表达式为：
Figure BDA0003647930370000111
式中，x[n]表示原始的数字心电信号，y[n]代表经过带通滤波器信号滤波之后的心电信号，ap和bq为无限脉冲响应带通滤波器的系数，p为输入信号的延迟，q为滤波后信号的延迟，M为输入信号的最大延迟，N为滤波后信号的最大延迟。
进一步地，将无限脉冲响应带通滤波器的系数ap和bq从浮点形式量化为定点数；其中，所述定点数的小数位和整数位分别表示原浮点数的小数部分与整数部分，位宽根据保证滤波器不震荡所需的最低精度进行选择和设置。
在S200的一优选实施例中，对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波，可以包括如下步骤：
分别采用QRS波群检测算法和P/T波检测算法，对心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；其中：
S201，QRS波群检测算法，可以包括如下步骤：
S2011，将信号滤波后的心电信号经过差分、平方、平滑滤波，得到QRS增强后的信号；其中：
ECGd[n]＝2ECGf[n+1]+ECGf[n+2]-2ECGf[n-1]-ECGf[n-2]，#(2)
ECGs[n]＝ECGd[n]*ECGd[n]，#(3)
Figure BDA0003647930370000112
式中，ECGf为信号滤波后的心电信号，ECGd为差分滤波后的信号，ECGs为平方滤波后的信号，ECGm为平滑滤波后得到的QRS增强后的信号；
S2012，从QRS增强后的信号ECGm中寻找峰值点，将寻找到的峰值点记作一个待定峰ECGm_peak，将待定峰ECGm_peak和上一个R峰之间的时间差rpp_interval与R 峰与R峰之间的最小间隔T1以及R峰与R峰之间的最大间隔T2进行比较，对待定峰 ECGm_peak在信号滤波后的心电信号ECGf中的位置进行标记；其中：
若时间差rpp_nterval处于最小间隔T1和最大间隔T2之间(包含端值T1和T2)，将待定峰ECGm_peak的幅值ECGm_peak_amp与动态阈值Thm进行比较；如果幅值 ECGm_peak_amp大于等于动态阈值Thm，则标记该待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak对应为心电信号ECGf中一个可能的R 峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.375*Thm，#(5)
如果幅值ECGm_peak_amp小于动态阈值Thm，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
若时间差rpp_interval大于最大间隔T2，则存在漏检R峰的可能；此时向前寻找上一个峰值点ECGm_peak_pre，将所述峰值点ECGm_peak_pre的幅值ECGm_peak_pre_amp 与0.25*Thm比较；如果所述幅值ECGm_peak_pre_amp大于等于0.25*Thm，则标记所述峰值点ECGm_peak_pre在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak 对应为心电信号ECGf中一个可能的R峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.25*Thm，#(6)
如果幅值ECGm_peak_pre_amp小于0.25*Thm，则将当前的待定峰ECGm_peak的幅值ECGm_peak_amp与动态阈值Thm进行比较，并根据时间差rpp_interval处于最小间隔 T1和最大间隔T2之间时的情况，标记待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置以及更新动态阈值Thm；
若时间差rpp_interval小于T1，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
S2013，根据标记的所述待定峰ECGm_peak在心电信号ECGf中的位置，在所述心电信号ECGf中向前搜素峰值点ECGf_peak和谷值点ECGf_valley；计算所述峰值点 ECGf_peak的斜率ECGf_peak_slope，如果所述斜率ECGf_peak_slope小于等于0.5倍的上一个确定的R峰的斜率，则该待定峰ECGm_peak作为心电信号ECGf中的R峰视为被误判的T波，返回重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak，否则继续；将得到的所述峰值点的峰值ECGf_peak_amp和所述谷值点ECGf_valley的谷值 ECGf_valley_amp分别与动态阈值Thf_pos和动态阈值Thf_neg相比较，确定R峰及其方向，并更新动态阈值；其中：
若所述峰值ECGf_valley_amp小于等于所述动态阈值Thf_neg，并且所述峰值 ECGf_peak_amp小于等于所述动态阈值Thf_pos，则所述待定峰ECGm_peak为心电信号 ECGf中的R峰，所述R峰的方向R_dir为-1(即为R峰向下)，所述R峰的幅值R_amp 为ECGf_valley_amp，此时更新所述动态阈值Thf_neg为：
Figure BDA0003647930370000121
Figure BDA0003647930370000122
若所述峰值ECGf_valley_amp大于所述动态阈值Thf_neg，或所述峰值ECGf_peak_amp大于所述动态阈值Thf_pos，则所述待定峰ECGm_peak为心电信号ECGf中的R峰，所述R峰的方向R_dir为1(即为R峰向上)，所述R峰的幅值R_amp为ECGf_peak_amp，此时更新所述动态阈值
Figure BDA0003647930370000132
为：
Figure BDA0003647930370000133
Figure BDA0003647930370000134
S2014，根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R 峰的方向向上，则在所述R峰的往前Tq的时长里寻找第一个幅值小于等于动态阈值 Thq_pos的谷值ECGf_valley_amp，判定为Q点，其中，Tq为Q点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Tq的时长里寻找第一个幅值大于等于动态阈值Thq_neg的峰值ECGf_peak_amp，判定为Q点；
S2015，根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R 峰的方向向上，则在所述R峰的往后Ts的时长里寻找第一个幅值小于等于动态阈值 Ths_pos的谷值ECGf_valley_amp，判定为S点，其中，Ts为S点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Ts的时长里寻找第一个幅值大于等于动态阈值Ths_neg的峰值ECGf_peak_amp，判定为S点；
根据获得R峰、Q点和S点，得到QRS波群；
S202，P/T波检测算法，可以包括如下步骤：
S2020，获得信号滤波后的心电信号ECGf中的相邻两个心拍信息，通过第一个心拍的S点到第二个心拍的Q点位置，记作SQ段，输出第一个心拍的T波位置、幅值与方向以及第二个心拍的P波位置、幅值与方向；
S2021，将SQ段进行平滑滤波，得到平滑滤波后的信号ECGsq；
S2022，根据平滑滤波后的信号ECGsq的长度Lsq，将平滑滤波后的信号ECGsq划分为T区和P区；
S2023，统计P区的峰值个数以及最大值的幅值max_p；
S2024，计算动态阈值thres_p，thres_t-和thres_t+：
thres_p＝min(S_amp+5，0)，#(7)
Figure BDA0003647930370000131
thres_t+＝thres_p-10#(9)
式中，thres_p用于判定峰值点是否为P波，thres_t-用于判定谷值点是否为向下的T 波，thres_t+用于判定峰值点是否为向上的T波，S_amp为检测出的S点的幅度；
S2025，如果所述P区存在峰值且max_p＞thres_p，则max_p所在位置为P波峰值；如果所述P区无峰值或max_p＜thres_p，则无P波，设置P_exis为0表示P波不存在；
S2026，记T区峰值最大值的幅值为max_t，T区峰值最小值的幅值为min_t，则平滑滤波后的信号ECGsq的峰值最大值max及其位置max_loc以及峰值最小值min及其位置min_loc包括如下情况：
P波存在，max_t＜thres_t+且min_t＜thres_t-，此时，T波向下，min_t为其幅值；
P波存在，max_t＞＝thres_t+或min_t＞＝thres_t-，此时，T波向上，max_t为其幅值；
P波不存在，min＞＝thres_t-或max_loc＜＝min_loc，此时，T波向上，max为其幅值；
P波不存在，min＜thres_t-且max_loc＞min_loc，此时，T波向下，min为其幅值。
在S300的一优选实施例中，对得到的QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征，可以包括如下步骤：
S301，将专家知识转换为特征表达式，包括：
RR_diff_pre＝RR_inte2-RR_inte3， (10)
RR_diff＝RR_inte1-RR_inte2， (11)
TR_amp_diff＝T_amp-R_amp， (12)
QS_amp_diff＝Q_amp-S_amp， (13)
QRS_duration＝S_loc-Q_loc， (14)
PR_interval＝R_loc-P_loc， (15)
PQ_interval＝Q_loc-P_loc， (16)
式中，RR_diff_pre为第n-1个心跳的前后两个RR间隔的差，RR_diff为第n个心跳的前后两个RR间隔的差，TR_amp_diff为T波的幅度与R波的幅度之差， QS_amp_diff为Q点的幅度与S点的幅度之差，QRS_duration为QRS波群持续的时间长度，PR_interval为P波与R峰的时间间隔，PQ_interval为P波与Q点的时间间隔， RR_inte1、RR_inte2和RR_inte3分别为第n+1个心跳周期的R峰与第n个心跳周期的R 峰之间的时间差、第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差和第 n-1个心跳周期的R峰与第n-2个心跳周期的R峰之间的时间差；T_amp、R_amp、Q_amp 和S_amp分别为第n个心跳周期的T波、R峰、Q波和S波的幅度；S_loc，Q_loc，R_loc 和P_loc分别为第n个心跳周期的T波、R峰、Q波和S波的幅度对应的时刻；
S302，根据所述专家知识的特征表达式，针对得到的所述QRS波群和P/T波，得到所述专家知识映射的特征，同时，获得R峰方向R_dic、T波方向T_dic、时间差RR_inte1、时间差RR_inte2、R峰幅值R_amp、T波幅值T_amp、S波斜率S_slo以及表示P波是否存在的P_exis，即得到心电信号的类别特征。
在S400的一优选实施例中，将获得的心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，可以包括如下步骤：
S401，当特征绝对量大于或小于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
P_exist＝＝0，表示缺少P峰；
(R_dir＝＝1)&&(T_dir＝＝-1)，表示R峰与T峰极性相反；
(RR_inte1＜RR_inte_min)&&(RR_inte2＜RR_inte_min)，表示连续两个R峰间隔过短；
(RR_inte1＞RR_inte_max)&&(RR_inte2＞RR_inte_max)，表示连续两个R峰间隔过长；
TR_amp_diff＞TR_amp_diff_max，表示T峰高于R峰，且超出一定范围；
(QRS_duration＞case6_qrs_duration_thres)&&(S_slo＜case6_s_slo_thres)，表示 QRS波提早出现；
PR_interval＜case7_pr_thres，表示PR间隔过短；
式中，P_exis表示P波是否存在，R_dic为R峰方向，T_dir为T波方向，RR_inte1 为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，RR_inte_min为RR 间隔的最小正常值，RR_inte2为第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差，RR_inte_max为RR间隔的最大正常值，TR_amp_diff为T波的幅度与R波的幅度之差，TR_amp_diff_max为T波的幅度与R波的幅度之差的最大正常值， QRS_duration为QRS波群持续的时间长度，case6_qrs_duration_thres为QRS波宽大，且S波宽时QRS波群持续时间的最小值，S_slo为S波斜率，case6_s_slo_thres为S波宽时S波斜率最小值，PR_interval为P波与R峰的时间间隔，case7_pr_thres为PR间隔过短时P波与R峰的最小正常时间间隔；
S402，当特征值与正常值的差值大于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
((RR_inte1-RR_inte1_n)＜case8_rr_inter1_thres)&&((RR_inte2- RR_inte2_n)＞case8_rr_inter2_thres)，表示QRS波提前出现；
(RR_diff-RR_diff_n)＞case9_rr_diff_thres，表示QRS波提前出现；
(|RR_diff-RR_diff_n|＜case10_rr_diff_thres)&&((RR_inte1- RR_inte1_n)＜case10_rr_inter1_thres)&&((RR_inte2-RR_inte2_n)＞ case10_rr_inter2_thres)，表示连续两个R峰间隔过短；
|R_amp-R_amp_n|＞R_amp_thres，表示QRS波提早出现；
|S_amp-S_amp_n|＞S_amp_thres，表示QRS波提早出现；
|Q_amp-Q_amp_n|＞Q_amp_thres，表示QRS波提早出现；
T_dic_n！＝T_dic，表示QRS波提早出现；
(QRS_duration-QRS_duration_n)＞QRS_duration_thres，表示QRS波提早出现；
((QRS_duration-QRS_duration_n)＞ case16_qrs_duration_thres)&&((R_amp-R_amp_n)＞case16_r_amp_thres)，表示 QRS波提早出现；
|S_slo-S_slo_n|＞case17_s_slo_thres，表示QRS波提早出现；
((QS_amp_diff-QS_amp_diff_n)＞case18_r_amp_thres)&&((QRS_duration-QRS_duration_n)＞case18_qrs_duration_thres)，表示QRS波提早出现；
(|R_amp-R_amp_n|＞case19_r_amp_thres)&&(|T_amp-T_amp_n|＞ case19_t_amp_thres)，表示PR间期过短；
(PR_interval＜case20_pr_thres)&&((PQ_interval-PQ_interval_n)＜ pq_thres)，表示PR间期过短；
式中，*_n表示特征的正常值，*_thres表示可配置的设定阈值；RR_inte1为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，case8_rr_inter1_thres为QRS 波提前时RR_inte1与其正常值之差的最大值，RR_inte2为第n个心跳周期的R峰与第 n-1个心跳周期的R峰之间的时间差，case8_rr_inter2_thres为QRS波提前时RR_inte2 与其正常值之差的最小值，RR_diff为第n个心跳的前后两个RR间隔的差， case9_rr_diff_thres为QRS波提前时RR_diff与其正常值之差的最小值， case10_rr_diff_thres为连续两个R峰间隔过短时RR_diff与其正常值之差的最小值， case10_rr_inter1_thres为连续两个R峰间隔过短时RR_inter1与其正常值之差的最小值， case10_rr_inter2_thres为连续两个R峰间隔过短时RR_inter2与其正常值之差的最小值， R_amp为R峰的幅度，R_amp_thres为正常的R峰幅值偏离正常值的最大值，S_amp 为S波的幅度，Samp_thres为正常的S波幅值偏离正常值的最大值，Q_amp为Q波的幅度，Q_amp_thres为正常的Q波幅值偏离正常值的最大值，T_dic为T波的方向， QRS_duration为QRS波持续的时间，QRS_duration_thres为QRS波宽大时QRS波持续时间偏离其正常值的最小值，case16-qrs_duration_thres为有R峰约束且QRS波宽大时 QRS波持续时间偏离其正常值的最小值，case16_r_amp_thres为QRS波宽大时R峰幅值偏离正常值的最小值，S_slo为S波的斜率，case17_s_slo_thres为S波过缓时S波的斜率偏离其正常值的最小值，QS_amp_diff为Q点的幅度与S点的幅度之差，case18_qs_amp_thres为QRS波宽大时QS_amp_diff偏离其正常值的最小值， case18_qrs_duration_thres为有QS_amp_diff约束且QRS波宽大时QRS波持续时间偏离其正常值的最小值，case19_r_amp_thres为R峰和T波的幅值同时与正常值偏离太多时 R峰幅值偏离正常值的最小值，case19_t_amp_thres为R峰和T波的幅值同时与正常值偏离太多时T峰幅值偏离正常值的最小值，PR_interval为P波与R峰的时间间隔， case20_pr_thres为PR间隔过小时PR_interval偏离正常值的最小值，PQ_interval为P 波与Q波的时间间隔，pq_thres为PQ间隔过小时PQ_interval偏离正常值的最小值。
本发明上述实施例提供的基于专家知识的心律失常信号检测方法，首先对心电信号进行准确的P-QRS-T定位，为后续基于心脏病专家知识检测心律失常信号打下基础；再将基于专家知识检测的心率失常信号转化为数学表达式，应对生物信号的个异性对异常信号带来的不利影响，提高检测的准确率，该方法计算简单，适合低功耗的硬件实现。
下面结合附图，对本发明上述实施例提供的技术方案进一步说明。
如图2所示，本发明上述实施例提供的心律失常信号检测方法，主要包括信号滤波、 P-QRS-T定位、基于专家知识的特征映射、阈值判断四个部分。其中：
一、信号滤波：
原始的心电信号易被各种干扰所引起的背景噪声所淹没，这些噪声包括工频干扰(50Hz或60Hz)、基线漂移(0.15-0.3Hz)、肌肉活动造成的运动伪迹噪声等，因此信号滤波对于消除噪声并获得纯净的心电信号至关重要。纯净的的心电信号的频谱主要分布在 0到20Hz的范围内，因此，高频噪声很容易可以通过低通滤波器消除。而基线漂移的频率范围与心电信号有重叠，增加了去基线漂移的难度。目前的基线漂移消除方法，包括小波变换、中值滤波器、形态滤波器，需要大量的硬件存储内存或计算复杂度。然而，简单的低通有限脉冲响应(FIR)滤波器阻带衰减能力较差，噪声抑制能力不足。因此，采用无限脉冲响应(IIR)带通滤波器对高频噪声和基线漂移进行抑制。
为尽量抑制噪声同时保留心电有效信息，低通截止频率设置为15Hz；高通截止频率设置为1Hz在资源允许条件下，应按优先顺序使其过渡带尽量窄，阻带衰减尽量大，通带纹波尽量小为好。IIR滤波器的表达式如下：
Figure BDA0003647930370000171
其中，x[n]表示原始的数字心电信号，y[n]代表经过带通滤波器之后的信号，ap和bq是IIR滤波器的系数，p为输入信号的延迟，q为滤波后信号的延迟，M为输入信号的最大延迟，N为滤波后信号的最大延迟。
为简化运算，将浮点形式的系数ap和bq量化为定点数，合理选择其小数、整数位数，避免IIR滤波器发生频谱振荡。
二、P-QRS-T定位
ECG信号虽然幅值比较微弱，一般仅几个毫伏，但具有相对明显的“P”，“Q”，“R”，“S”和“T”等特征。这些特征对于心脏病专家系统心律失常信号的分析具有重要作用。例如，QRS持续时间(从QRS复合波开始到结束的时间间隔)是反映室性早搏(PVC)的关键指标，宽的QRS波群对应表明心室除极缓慢。因此，鲁棒的P-QRS-T定位算法对于提高专家知识引导的心律失常检测架构的准确性至关重要。
本发明上述实施例提出的P-QRS-T定位算法分成两个步骤：QRS波群检测与P/T 波检测。
1、QRS波群检测
如图3所示，QRS波群检测算法实现了从滤波后的信号中检测到R，Q，S峰的准确位置与R峰的方向。本发明上述实施例提出的QRS波群检测算法的过程如下：
(1)QRS增强处理：将带通滤波器的输出信号(即信号滤波后的心电信号)ECGf经过差分、平方、平滑滤波得到QRS增强后的信号ECGm，滤波器的表达式如下：
ECGd[n]＝2ECGf[n+1]+ECGf[n+2]-2ECGf[n-1]-ECGf[n-2]，#(2)
ECGs[n]＝ECGd[n]*ECGd[n]，#(3)
Figure BDA0003647930370000181
其中，ECGd为差分滤波后的信号，ECGs为平方滤波后的信号。
(2)寻找待定峰：从ECGm中寻找峰值点，将寻找到的峰值点记作一个待定峰 ECGm_peak，将该待定峰与上一个R峰的时间差rpp_interval与R峰与R峰之间的最小间隔T1和R峰与R峰之间的最大间隔T2比较。
情况1：rpp_interval在T1和T2之间，将待定峰的幅值ECGm_peak_amp与动态阈值Thm比较。如果大于Thm，则标记该ECGm_peak对应为ECGf中一个可能的R峰，跳转到③，并且更新阈值Thm，如公式(5)；如果小于Thm，则重新开始②，寻找下一个ECGm_peak。
Thm＝0.25*ECGm_peak_amp+0.375*Thm，#(5)
情况2：rpp_interval大于T2，则存在漏检R峰的可能。往前寻找上一个峰值点ECGm_peak_pre，将幅值ECGm_peak_pre_apm与0.25*Thm比较。如果大于0.25*Thm，则标记该ECGm_peak_pre对应为ECGf中一个可能的R峰，跳转到③，并更新阈值Thm，如公式(6)；如果小于0.25*Thm，则将当前的待定峰的幅值ECGm_peak_amp按照情况1 中的步骤比较并更新阈值。
Thm＝0.25*ECGm-peak_amp+0.25*Thm，#(6)
情况3：rpp_interval小于T1，则重新开始②，寻找下一个ECGm_peak。
(3)确定R峰及其方向：根据标记的ECGm_peak的位置在ECGf中向前搜素峰值点ECGf_peak和谷值点ECGf_valley；计算峰值点的斜率ECGf_peak_slope，如果 ECGfpeak_slope小于0.5倍的上一个确定的R峰的斜率，则将视为被误判的T波，返回②，否则继续；将得到的峰值ECGf_peak_amp和谷值ECGf_valley_amp分别与动态阈值Thf_pos和Thf_neg相比较，根据如下算法确定R峰及其方向并更新阈值。
Figure BDA0003647930370000191
其中，R_dir为R峰的方向，R_amp为R峰的幅值。
(4)确定Q点的位置：根据R峰的位置R_loc和R峰的方向R_dic，如果R峰向上，则在R峰的往前Tq的时长里寻找第一个幅值小于Thq_pos的谷值ECGf_valley_amp，判定为Q点；如果R峰向下，则在R峰的往前Tq的时长里寻找第一个幅值大于Thq_neg的峰值ECGf_peak_amp，判定为Q点。
(5)确定S点的位置：根据R峰的位置R_loc和R峰的方向R_dic，如果R峰向上，则在R峰的往后Ts的时长里寻找第一个幅值小于Ths_pos的谷值ECGf_valley_amp，判定为S点；如果R峰向下，则在R峰的往前Ts的时长里寻找第一个幅值大于Ths_neg的峰值ECGf_peak_amp，判定为S点。
2、P/T波检测
如图4所示，本发明上述实施例提出的的P/T波的检测算法，需要结合前后两个心拍信息判断，通过前一个心拍的S点到当前心拍的Q点位置，记作SQ段，输出前一个心拍的T波位置、幅值与方向与当前心拍的P波位置、幅值与方向。具体步骤如下所示：
S1：将SQ段进行平滑滤波得到ECGsq；
S2：根据ECGsq的长度Lsq，将ECGsq划分为T区和P区；
S3：统计P区的峰值个数以及最大值的幅值max_p；
S4：计算动态阈值thres_p，thres_t-，thres_t+，如公式(7)、(8)、(9)：
thres_p＝min(S_amp+5，0)，#(7)
Figure BDA0003647930370000201
thres-t+＝thres_p-10#(9)
S5：判定P波的存在。如果P区存在峰值且max_p＞thres_p，则max_p所在位置为P波峰值；如果P区无峰值或max_p＜thres_p，则无P波，设置P_exist为0；
S6：判定T波的位置、幅值与方向。记T区最大值为max_t，T区最小值为min_t。 ECGsq的最大值及其位置max，max_loc，最小值及其位置min，min_loc可以分为以下四种情形：
P波存在，max_t＜thres_t+且min_t＜thres_t-：T波向下，min_t为其幅值；
P波存在，max_t＞＝thres_t+或min_t＞＝thres_t-：T波向上，max_t为其幅值；
P波不存在，min＞＝thres_t-或max_loc＜＝min_loc：T波向上，max为其幅值；
P波不存在，min＜thres_t-且max_loc＞min_loc：T波向下，min为其幅值。
三、基于专家知识的特征映射
如图5所示，展示了不同类型心拍波动的典型波形及其特征。(a)-(c)属于S类(室上性异位搏动)，包括房性早搏、交界性早搏、房早伴差传等心律失常信号波形，心电图的特征为QRS波/P波提早出现，形态与窦性波动相似。(a)中RR间期明显缩短；(b) 中P波提前与前一个T波融合；(c)中P波提前与前一个T波近乎融合。(d)-(g)属于V 类(室性异位搏动)，包括室性前收缩、室性逸搏等心律失常信号波形，心电图表现为 QRS波提早出现，其形态异常，时限大多＞0.12秒，T波与QRS波主波方向相反，ST 随T波移位，其前无P波，如(d)。(e)中为连续两个V类心拍搏动的情形；(f)中R波的极性相反；(e)中T波幅度高于R波，且无P波。(d)-(g)属于F类(融合搏动)，包括室性融合波心律失常信号波形，其心电图特征为PR间期短，QRS波宽大。(h)中T波高于 R波，存在P波，但是PR间隔小；(i)中S波宽，存在P波，但是PR间隔小。总结可以看出，区分S类的重要特征是RR间隔过短；区分V类搏动的关键是P波消失，只有两个明显的波且QRS宽大；区分F类搏动的是PR间隔小且QRS波宽大。因此，每一类别都有明显的形态特征，本发明上述实施例全面总结心电专家知识中对心律失常信号分析的依据，并将其转换为数学表达的特征，特征的表达式如下：
RR_diff_pre＝RR_inte2-RR_inte3， (10)
RR_diff＝RR_inte1-RR_inte2， (11)
TR_amp_diff＝T_amp-R_amp， (12)
QS_amp_diff＝Q_amp-S_amp， (13)
QRS_duration＝S_loc-Q_loc， (14)
PR_interval＝R_loc-P_loc， (15)
PQ_interval＝Q_loc-P_loc， (16)
式中，RR_diff_pre为第n-1个心跳的前后两个RR间隔的差，RR_diff为第n个心跳的前后两个RR间隔的差，TR_amp_diff为T波的幅度与R波的幅度之差， QS_amp_diff为Q点的幅度与S点的幅度之差，QRS_duration为QRS波群持续的时间长度，PR_interval为P波与R峰的时间间隔，PQ_interval为P波与Q点的时间间隔， RR_inte1，RR_inte2，RR_inte3分别为后一心跳周期的R峰与当前心跳周期的R峰的时间差，当前心跳周期R峰与前一心跳周期R峰的时间差和前一心跳周期R峰与其之前一个心跳周期R峰的时间差。T_amp，R_amp，Q_amp和S_amp分别为当前心跳周期的T 波，R峰，Q波和S波的幅度，S_loc，Q_loc，R_loc和P_loc分别为其对应的时刻。
除公式(10)-(16)计算得到的数值，得到专家知识映射的特征，同时获得R峰方向R_dic、T波方向T_dic、时间差RR_inte1、时间差RR_inte2、R峰幅值R_amp、T波幅值T_amp、S波斜率S_slo以及P波是否存在P_exi，一并作为心律失常信号异常检测的重要特征。
四、阈值判断
得到基于专家知识映射的特征后，需要设计阈值来检测异常。一部分特征只需要绝对量大于或小于某一阈值，则判定为异常；另一部分特征则需要与正常值作差，差值大于某一阈值，则判定为异常。本发明总结了如下的异常情况：
1、绝对量
情况1：P_exist＝＝0，表示缺少P峰
情况2：(R_dir＝＝1)&&(T_dir＝＝-1)，表示R峰与T峰极性相反
情况3：(RR_inte1＜RR_inte_min)&&(RR_inte2＜RR_inte_min)，表示连续两个R峰间隔过短，可以反映为心动过速
情况4：(RR_inte1＞RR_inte_max)&&(RR_inte2＞RR_inte_max)，表示连续两个 R峰间隔过长，可以反映为心动过缓
情况5：TR_amp_diff＞TR_amp_diff_max，表示T峰高于R峰，且超出一定范围
情况6：(QRS_duration＞case6-qrs_duration_thres)&&(S_slo＜ case6_s_slo_thres)，
情况7：PR_interval＜case7_pr_thres，表示PR间隔过短
2、相对量
情况8：((RR_inte1-RR_inte1_n)＜case8_rr_inter1_thres)&&((RR_inte2- RR_inte2_n)＞case8_rr_inter2_thres)，
情况9：(RR_diff-RR_diff_n)＞case9_rr_diff_thres，
情况10：(|RR_diff-RR_diff_n|＜case10_rr_diff_thres)&&((RR_inte1- RR_inte1_n)＜case10_rr_inter1_thres)&&((RR_inte2-RR_inte2_n)＞ case10_rr_inter2_thres)，
情况11：|R_amp-R_amp_n|＞R_amp_thres，
情况12：|S_amp-S_amp_n|＞S_amp_thres，
情况13：|Q_amp-Q_amp_n|＞Q_amp_thres，
情况14：T_dic_n！＝T_dic，
情况15：(QRS_duration-QRS_duration_n)＞QRS_duration_thres，
情况16：((QRS_duration-QRS_duration_n)＞ case16_qrs_duration_thres)&&((R_amp-R_amp_n)＞case16_r_amp_thres)，
情况17：|S_slo-S_slo_n|＞case17_s_slo_thres，
情况18：((QS_amp_diff-QS_amp_diff_n)＞ case18_r_amp_thres)&&((QRS_duration-QRS_duration_n)＞ case18_qrs_duration_thres)，
情况19：(|R_amp-R_amp_n|＞case19_r_amp_thres)&&(|T_amp-T_amp_n|＞case19_t_amp_thres)，
情况20：(PR_interval＜case20_pr_thres)&&((PQ_interval-PQ_interval_n)＜pq_thres)，
其中，以“_n”结尾的字符表示该特征的正常值，以“_thres”结尾的字符表示可配置的阈值。
情况1、情况8和情况9属于S类中QRS波提前出现；情况3和情况情况10属于 S类中连续两个R峰间隔过短，可以反映连续心跳过速；情况1、情况2、情况6、情况 11、情况12、情况13、情况14、情况15、情况16、情况17和情况18均属于V类中 QRS波提早出现，其形态异常，时限大多＞0.12秒，T波与QRS波主波方向相反的数学表现；情况5、情况7、情况19和情况20属于类型F，表现为为PR间期短，QRS波宽大，T波高于R波，在P波，但是PR间隔小。
下面结合一具体应用实例，对本发明上述实施例提供的技术方案进一步说明。
该具体应用实例中的具体相关数值，基于MIT-BIH、QT等数据库上的验证结果进行总结得到。
在该具体应用实例中，心律失常信号检测方法所包含的四个部分分别为：
1、信号滤波：采用Chebyshev Type I型IIR滤波器，因为与其他类型的IIR滤波器(如巴特沃斯、贝塞尔滤波器)相比，具有更陡峭的阻带衰减。根据信号和噪声的频率范围，IIR滤波器的通带截止频率选择为1-15Hz，纹波小于3dB。阻带转角频率设置为0.1-40Hz，衰减至少为20dB。在系数量化的过程中，我们用22位定点数表示系数，定点数由4个有符号整数位和18个小数位组成。并且，将系数扩大了218倍，以避免小数计算。
2、P-QRS-T定位：首先是阈值初始化阶段，首先利用前1500个样本，对Thm和 Thf_pos初始化，Thm为0.25倍的ECGm的最大值，Thf_pos为0.25倍的ECGf的最大值，Thf_meg初始化为0。我们在采样频率为256Hz的情况下，设置RR最小间隔T1为40，RR最大间隔T2为1.5倍的RR_inte_mean。由于RR_inte_mean是由8个最近的RR_inte的平均数计算得到的，因此本发明在1500个样本点之后，开始对检测到的R峰个数开始计数，当检测到的R峰个数小于等于9时，在寻找待定峰阶段，不对rpp_interval的长度进行分类讨论(T2不准)，仅对其幅值进行判断，当R峰个数大于等于9个时，开始正常的 P-QRS-T的定位算法。
3、基于专家知识的特征映射：与前文中一致，此处不再赘述。
4、阈值判断：特征的正常值需要通过该个体的前8个正常的心拍的平均值得到，因此，在开始检测异常之前，需要有至少8个正常的心拍信号。在信号采样率为256Hz，样本为12比特有符号数的情况下，异常的阈值设置如下：
(1)绝对量
情况1：P_exist＝＝0，
情况2：(R_dic＝＝1)&&(T_dic＝＝-1)，
情况3：(RR_inte1＜150)&&(RR_inte2＜150)，
情况4：(RR_inte1＞300)&&(RR_inte2＞300)，
情况5：TR_amp_diff＞150，
情况6：(QRS_duration＞40)&&(S_slo＜10)，
情况7：PR_interval＜10，
(2)相对量
情况8：((RR_inte1-RR_inte1_n)＜-20)&&((RR_inte2-RR_inte2_n)＞20)，
情况9：(RR_diff-RR_diff_n)＞20，
情况10：(|RR_diff-RR_diff_n|＜20)&&((RR_inte1-RR_inte1_n)＜- 15)&&((RR_inte2-RR_inte2_n)＞-15)，
情况11：|R_amp-R_amp_n|＞200，
情况12：|S_amp-S_amp_n|＞200，
情况13：|Q_amp-Q_amp_n|＞200，
情况14：T_dic_n！＝T_dic，
情况15：(QRS_duration-QRS_duration_n)＞80，
情况16：((QRS_duration-QRS_duration_n)＞20)&&((R_amp-R_amp_n)＞ 30)，
情况17：|S_slo-S_slo_n|＞30，
情况18：((QS_amp_diff-QS_amp_diff_n)＞5)&&((QRS_duration- QRS_duration_n)＞30)，
情况19：(|R_amp-R_amp_n|＞50)&&(|T_amp-T_amp_n|＞30)，
情况20：(PR_interval＜20)&&((PQ_interval-PQ_interval_n)＜-15)。
本发明一实施例提供了一种基于专家知识的心律失常信号检测系统。
如图6所示，该实施例提供的基于专家知识的心律失常信号检测系统，可以包括如下模块：
信号滤波模块，该模块对获取的心电信号进行信号滤波，滤除心电信号中的高频噪声和基线漂移；
P-QRS-T定位检测模块，该模块对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
特征映射模块，该模块对得到的QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
心律失常信号检测模块，该模块将获得的心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
本发明一实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行本发明上述实施例中任一项的方法，或，运行本发明上述实施例中任一项的系统。
本发明一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述实施例中任一项的方法，或，运行本发明上述实施例中任一项的系统。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器 (英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
本发明上述实施例提供的基于专家知识的心律失常信号检测方法、系统、终端及介质，首次提出了基于心脏病专家知识检测心律失常的方式进行心律失常信号检测，有助于解决生物信号个异性的问题，提高了检测的准确率；实现了一种P-QRS-T 定位方式，充分考虑异常心拍的形态以及定位P/T波的时刻，联合考虑前后两个心拍，能够有效避免因为心拍的异常对P-QRS-T定位不准确的情况，具有很高的鲁棒性；心律失常信号检测的运算复杂度低，适合应用在高精度、超低功耗心电监测芯片中。
本发明上述实施例中未尽事宜均为本领域公知技术。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种基于专家知识的心律失常信号检测方法，其特征在于，包括：
对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移；
对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
2.根据权利1所述的基于专家知识的心律失常信号检测方法，其特征在于，所述对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移，包括：
采用无限脉冲响应带通滤波器对高频噪声和基线漂移进行抑制；其中：
所述无限脉冲响应带通滤波器的表达式为：
Figure FDA0003647930360000011
式中，x[n]表示原始的数字心电信号，y[n]代表经过带通滤波器信号滤波之后的心电信号，ap和bq为无限脉冲响应带通滤波器的系数，p为输入信号的延迟，q为滤波后信号的延迟，M为输入信号的最大延迟，N为滤波后信号的最大延迟。
3.根据权利2所述的基于专家知识的心律失常信号检测方法，其特征在于，将所述无限脉冲响应带通滤波器的系数ap和bq从浮点形式量化为定点数；其中，所述定点数的小数位和整数位分别表示原浮点数的小数部分与整数部分，位宽根据保证滤波器不震荡所需的最低精度进行选择和设置。
4.根据权利1所述的基于专家知识的心律失常信号检测方法，其特征在于，所述对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波，包括：
分别采用QRS波群检测算法和P/T波检测算法，对心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；其中：
所述QRS波群检测算法，包括：
将所述信号滤波后的心电信号经过差分、平方、平滑滤波，得到QRS增强后的信号；其中：
ECGd[n]＝2ECGf[n+1]+ECGf[n+2]-2ECGf[n-1]-ECGf[n-2]，#(2)
ECGs[n]＝ECGd[n]*ECGd[n]，#(3)
Figure FDA0003647930360000021
式中，ECGf为信号滤波后的心电信号，ECGd为差分滤波后的信号，ECGs为平方滤波后的信号，ECGm为平滑滤波后得到的QRS增强后的信号；
从所述QRS增强后的信号ECGm中寻找峰值点，将寻找到的峰值点记作一个待定峰ECGm_peak，将所述待定峰ECGm_peak和上一个R峰之间的时间差rpp_interval与R峰与R峰之间的最小间隔T1以及R峰与R峰之间的最大间隔T2进行比较，对待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置进行标记；其中：
若所述时间差rpp_interval大于等于最小间隔T1、小于等于最大间隔T2时，将所述待定峰ECGm_peak的幅值ECGm_peak_amp与动态阈值Thm进行比较；如果所述幅值ECGm_peak_amp大于等于所述动态阈值Thm，则标记该待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak对应为心电信号ECGf中一个可能的R峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.375*Thm，#(5)
如果所述幅值ECGm_peak_amp小于所述动态阈值Thm，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
若所述时间差rpp_interval大于最大间隔T2，则存在漏检R峰的可能；此时向前寻找上一个峰值点ECGm_peak_pre，将所述峰值点ECGm_peak_pre的幅值ECGm_peak_pre_amp与0.25*Thm比较；如果所述幅值ECGm_peak_pre_amp大于等于0.25*Thm，则标记所述峰值点ECGm_peak_pre在信号滤波后的心电信号ECGf中的位置，该待定峰ECGm_peak对应为心电信号ECGf中一个可能的R峰，并根据如下更新表达式更新动态阈值Thm：
Thm＝0.25*ECGm_peak_amp+0.25*Thm，#(6)
如果所述幅值ECGm_peak_pre_amp小于0.25*Thm，则将当前的待定峰ECGm_peak的幅值ECGm_peak_amp与动态阈值Thm进行比较，并根据所述时间差rpp_interval处于最小间隔T1和最大间隔T2之间时的情况，标记待定峰ECGm_peak在信号滤波后的心电信号ECGf中的位置以及更新动态阈值Thm；
若所述时间差rpp_interval小于T1，则重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak；
根据标记的所述待定峰ECGm_peak在心电信号ECGf中的位置，在所述心电信号ECGf中向前搜素峰值点ECGf_peak和谷值点ECGf_valley；计算所述峰值点ECGf_peak的斜率ECGf_peak_slope，如果所述斜率ECGf_peak_slope小于等于0.5倍的上一个确定的R峰的斜率，则该待定峰ECGm_peak作为心电信号ECGf中的R峰视为被误判的T波，返回重新寻找下一个峰值点，记作一个新的待定峰ECGm_peak，否则继续；将得到的所述峰值点的峰值ECGf_peak_amp和所述谷值点ECGf_valley的谷值ECGf_valley_amp分别与动态阈值Thf_pos和动态阈值Thf_neg相比较，确定R峰及其方向，并更新动态阈值；其中：
若所述峰值ECGf_valley_amp小于等于所述动态阈值Thf_neg，并且所述峰值ECGf_peak_amp小于等于所述动态阈值Thf_pos，则所述待定峰ECGm_peak为心电信号ECGf中的R峰，所述R峰的方向R_dir为-1，表示R峰向下，所述R峰的幅值R_amp为ECGf_valley_amp，此时更新所述动态阈值Thf_neg为：
Figure FDA0003647930360000031
Figure FDA0003647930360000032
若所述峰值ECGf_valley_amp大于所述动态阈值Thf_neg，或所述峰值ECGf_peak_amp大于所述动态阈值Thf_pos，则所述待定峰ECGm_peak为心电信号ECGf中的R峰，所述R峰的方向R_dir为，表示R峰向上，所述R峰的幅值R_amp为ECGf_peak_amp，此时更新所述动态阈值
Figure FDA0003647930360000033
为：
Figure FDA0003647930360000034
Figure FDA0003647930360000035
根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R峰的方向向上，则在所述R峰的往前Tq的时长里寻找第一个幅值小于等于动态阈值Thq_pos的谷值ECGf_valley_amp，判定为Q点，其中，Tq为Q点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Tq的时长里寻找第一个幅值大于等于动态阈值Thq_neg的峰值ECGf_peak_amp，判定为Q点；
根据确定的所述R峰的位置R_loc和所述R峰的方向R_dic，如果所述R峰的方向向上，则在所述R峰的往后Ts的时长里寻找第一个幅值小于等于动态阈值Ths_pos的谷值ECGf_valley_amp，判定为S点，其中，Ts为S点距离R峰的最大时间间隔；如果所述R峰的方向向下，则在所述R峰的往前Ts的时长里寻找第一个幅值大于等于动态阈值Ths_neg的峰值ECGf_peak_amp，判定为S点；
根据获得所述R峰、Q点和S点，得到所述QRS波群；
所述P/T波检测算法，包括：
获得信号滤波后的心电信号ECGf中的相邻两个心拍信息，通过第一个心拍的S点到第二个心拍的Q点位置，记作SQ段，输出第一个心拍的T波位置、幅值与方向以及第二个心拍的P波位置、幅值与方向；
将所述SQ段进行平滑滤波，得到平滑滤波后的信号ECGsq；
根据所述平滑滤波后的信号ECGsq的长度Lsq，将所述平滑滤波后的信号ECGsq划分为T区和P区；
统计所述P区的峰值个数以及最大值的幅值max_p；
计算动态阈值thres_p，thres_t-和thres_t+：
thres_p＝min(S_amp+5，0)，#(7)
Figure FDA0003647930360000041
thres_t+＝thres_p-10#(9)
式中，thres_p用于判定峰值点是否为P波，thres_t-用于判定谷值点是否为向下的T波，thres_t+用于判定峰值点是否为向上的T波，S_amp为检测出的S点的幅度；
如果所述P区存在峰值且max_p＞thres_p，则max_p所在位置为P波峰值；如果所述P区无峰值或max_p＜thres_p，则无P波，设置P_exis为0表示P波不存在；
记所述T区峰值最大值的幅值为max_t，所述T区峰值最小值的幅值为min_t，则所述平滑滤波后的信号ECGsq的峰值最大值max及其位置max_loc以及峰值最小值min及其位置min_loc包括如下情况：
P波存在，max_t＜thres_t+且min_t＜thres_t-，此时，T波向下，min_t为其幅值；
P波存在，max_t＞＝thres_t+或min_t＞＝thres_t-，此时，T波向上，max_t为其幅值；
P波不存在，min＞＝thres_t-或max_loc＜＝min_loc，此时，T波向上，max为其幅值；
P波不存在，min＜thres_t-且max_loc＞min_loc，此时，T波向下，min为其幅值。
5.根据权利1所述的基于专家知识的心律失常信号检测方法，其特征在于，所述对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征，包括：
将所述专家知识转换为特征表达式，包括：
RR_diff_pre＝RR_inte2-RR_inte3， (10)
RR_diff＝RR_inte1-RR_inte2， (11)
TR_amp_diff＝T_amp-R_amp， (12)
QS_amp_diff＝Q_amp-S_amp， (13)
QRS_duration＝S_loc-Q_loc， (14)
PR_interval＝R_loc-P_loc， (15)
PQ_interval＝Q_loc-P_loc， (16)
式中，RR_diff_pre为第n-1个心跳的前后两个RR间隔的差，RR_diff为第n个心跳的前后两个RR间隔的差，TR_amp_diff为T波的幅度与R波的幅度之差，QS_amp_diff为Q点的幅度与S点的幅度之差，QRS_duration为QRS波群持续的时间长度，PR_interval为P波与R峰的时间间隔，PQ_interval为P波与Q点的时间间隔，RR_inte1、RR_inte2和RR_inte3分别为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差、第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差和第n-1个心跳周期的R峰与第n-2个心跳周期的R峰之间的时间差；T_amp、R_amp、Q_amp和S_amp分别为第n个心跳周期的T波、R峰、Q波和S波的幅度；S_loc，Q_loc，R_loc和P_loc分别为第n个心跳周期的T波、R峰、Q波和S波的幅度对应的时刻；
根据所述专家知识的特征表达式，针对得到的所述QRS波群和P/T波，得到所述专家知识映射的特征，同时，获得R峰方向R_dic、T波方向T_dic、时间差RR_inte1、时间差RR_inte2、R峰幅值R_amp、T波幅值T_amp、S波斜率S_slo以及表示P波是否存在的参数P_exis，即得到心电信号的类别特征。
6.根据权利要求1所述的基于专家知识的心律失常信号检测方法，其特征在于，所述将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，包括：
当特征绝对量大于或小于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
P_exist＝＝0，表示缺少P峰；
(R_dir＝＝1)&&(T_dir＝＝-1)，表示R峰与T峰极性相反；
(RR_inte1＜RR_inte_min)&&(RR_inte2＜RR_inte_min)，表示连续两个R峰间隔过短；
(RR_inte1＞RR_inte_max)&&(RR_inte2＞RR_inte_max)，表示连续两个R峰间隔过长；
TR_amp_diff＞TR_amp_dfff_max，表示T峰高于R峰，且超出一定范围；
(QRS_duration＞case6_qrs_duration_thres)&&(S_slo＜case6_s_slo_thres)，表示QRS波提早出现；
PR_interval＜case7_pr_thres，表示PR间隔过短；
式中，P_exis表示P波是否存在，R_dic为R峰方向，T_dir为T波方向，RR_inte1为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，RR_inte_min为RR间隔的最小正常值，RR_inte2为第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差，RR_inte_max为RR间隔的最大正常值，TR_amp_diff为T波的幅度与R波的幅度之差，TR_amp_diff_max为T波的幅度与R波的幅度之差的最大正常值，QRS_duration为QRS波群持续的时间长度，case6_qrs_duration_thres为QRS波宽大，且S波宽时QRS波群持续时间的最小值，S_slo为S波斜率，case6_s_slo_thres为S波宽时S波斜率最小值，PR_interval为P波与R峰的时间间隔，case7_pr_thres为PR间隔过短时P波与R峰的最小正常时间间隔；
当特征值与正常值的差值大于设定阈值时，判定心电信号为心律失常信号，包括如下任意一种或任意多种情况：
((RR_inte1-RR_inte1_n)＜case8_rr_inter1_thres)&&((RR_inte2-RR_inte2_n)＞case8_rr_inter2_thres)，表示QRS波提前出现；
(RR_diff-RR_diff_n)＞case9_rr_diff_thres，表示QRS波提前出现；
(|RR_diff-RR_diff_n|＜case10_rr_diff_thres)&&((RR_inte1-RR_inte1_n)＜case10_rr_inter1_thres)&&((RR_inte2-RR_inte2_n)＞case10_rr_inter2_thres)，表示连续两个R峰间隔过短；
|R_amp-R_amp_n|＞R_amp_thres，表示QRS波提早出现；
|S_amp-S_amp_n|＞S_amp_thres，表示QRS波提早出现；
|Q_amp-Q-amp_n|＞Q_amp_thres，表示QRS波提早出现；
T_dic_n！＝T_dic，表示QRS波提早出现；
(QRS_duration-QRS_duration_n)＞QRS_duration_thres，表示QRS波提早出现；
((QRS_duration-QRS_duration_n)＞case16_qrs_duration_thres)&&((R_amp-R_amp_n)＞case16_r_amp_thres)，表示QRS波提早出现；
|S_slo-S_slo_n|＞case17_s_slo_thres，表示QRS波提早出现；
((QS_amp_diff-QS_amp_diff_n)＞case18_qs_amp_thres)
&&((QRS_duration-QRS_duration_n)＞case18_qrs_duration_thres)，表示QRS波提早出现；
(|R_amp-R_amp_n|＞case19_r_amp_thres)&&(|T_amp-T_amp_n|＞case19_t_amp_thres)，表示PR间期过短；
(PR_interval＜case20_pr_thres)&&((PQ_interval-PQ_interval_n)＜pq_thres)，表示PR间期过短；
式中，*_n表示特征的正常值，*_thres表示可配置的设定阈值；RR_intel为第n+1个心跳周期的R峰与第n个心跳周期的R峰之间的时间差，case8_rr_inter1_thres为QRS波提前时RR_inte1与其正常值之差的最大值，RR_inte2为第n个心跳周期的R峰与第n-1个心跳周期的R峰之间的时间差，case8_rr_inter2_thres为QRS波提前时RR_inte2与其正常值之差的最小值，RR_diff为第n个心跳的前后两个RR间隔的差，case9_rr_diff_thres为QRS波提前时RR_diff与其正常值之差的最小值，case10_rr_diff_thres为连续两个R峰间隔过短时RR_diff与其正常值之差的最小值，case10_rr_inter1_thres为连续两个R峰间隔过短时RR_inter1与其正常值之差的最小值，case10_rr_inter2_thres为连续两个R峰间隔过短时RR_inter2与其正常值之差的最小值，R_amp为R峰的幅度，R_amp_thres为正常的R峰幅值偏离正常值的最大值，S_amp为S波的幅度，S_amp_thres为正常的S波幅值偏离正常值的最大值，Q_amp为Q波的幅度，Q_amp_thres为正常的Q波幅值偏离正常值的最大值，T_dic为T波的方向，QRS_duration为QRS波持续的时间，QRS_duration_thres为QRS波宽大时QRS波持续时间偏离其正常值的最小值，case16_qrs_duration_thres为有R峰约束且QRS波宽大时QRS波持续时间偏离其正常值的最小值，case16_r_amp_thres为QRS波宽大时R峰幅值偏离正常值的最小值，S_slo为S波的斜率，case17_s_slo_thres为S波过缓时S波的斜率偏离其正常值的最小值，QS_amp_diff为Q点的幅度与S点的幅度之差，case18_qs_amp_thres为QRS波宽大时QS_amp_diff偏离其正常值的最小值，case18_qrs_duration_thres为有QS_amp_diff约束且QRS波宽大时QRS波持续时间偏离其正常值的最小值，case19_r_amp_thres为R峰和T波的幅值同时与正常值偏离时R峰幅值偏离正常值的最小值，case19_t_amp_thres为R峰和T波的幅值同时与正常值偏离时T峰幅值偏离正常值的最小值，PR_interval为P波与R峰的时间间隔，case20_pr_thres为PR间隔过小时PR_interval偏离正常值的最小值，PQ_interval为P波与Q波的时间间隔，pq_thres为PQ间隔过小时PQ_interval偏离正常值的最小值。
7.一种基于专家知识的心律失常信号检测系统，其特征在于，包括：
信号滤波模块，该模块对获取的心电信号进行信号滤波，滤除所述心电信号中的高频噪声和基线漂移；
P-QRS-T定位检测模块，该模块对信号滤波后的心电信号进行P-QRS-T定位检测，得到QRS波群和P/T波；
特征映射模块，该模块对得到的所述QRS波群和P/T波进行基于专家知识的特征映射，获得心电信号的类别特征；
心律失常信号检测模块，该模块将获得的所述心电信号的类别特征与预设阈值进行比较，判断得到心律失常信号，完成对心律失常信号的检测。
8.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-6中任一项所述的方法，或，运行权利要求7所述的系统。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-6中任一项所述的方法，或，运行权利要求7所述的系统。
CN202210596750.4A 2022-05-17 2022-05-17 基于专家知识的心律失常信号检测方法、系统及终端 Pending CN114916940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596750.4A CN114916940A (zh) 2022-05-17 2022-05-17 基于专家知识的心律失常信号检测方法、系统及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596750.4A CN114916940A (zh) 2022-05-17 2022-05-17 基于专家知识的心律失常信号检测方法、系统及终端

Publications (1)

Publication Number Publication Date
CN114916940A true CN114916940A (zh) 2022-08-19

Family

ID=82811754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596750.4A Pending CN114916940A (zh) 2022-05-17 2022-05-17 基于专家知识的心律失常信号检测方法、系统及终端

Country Status (1)

Country Link
CN (1) CN114916940A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770050A (zh) * 2022-12-02 2023-03-10 重庆医科大学附属第二医院 癫痫检测方法及系统
CN116138789A (zh) * 2023-04-21 2023-05-23 苏州无双医疗设备有限公司 一种医疗设备室上速鉴别的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115770050A (zh) * 2022-12-02 2023-03-10 重庆医科大学附属第二医院 癫痫检测方法及系统
CN115770050B (zh) * 2022-12-02 2023-09-08 重庆医科大学附属第二医院 癫痫检测方法及系统
CN116138789A (zh) * 2023-04-21 2023-05-23 苏州无双医疗设备有限公司 一种医疗设备室上速鉴别的方法

Similar Documents

Publication Publication Date Title
Oweis et al. QRS detection and heart rate variability analysis: A survey
Choi et al. Development of ECG beat segmentation method by combining lowpass filter and irregular R–R interval checkup strategy
CN114916940A (zh) 基于专家知识的心律失常信号检测方法、系统及终端
Zhao et al. Deep learning based patient-specific classification of arrhythmia on ECG signal
TWI810447B (zh) 波群檢測方法、心電檢測裝置及可讀儲存介質
CN113080991A (zh) 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质
Bsoul et al. Detection of P, QRS, and T components of ECG using wavelet transformation
KR20220150901A (ko) 모체 자궁 활동 검출을 위한 융합 신호 처리
Raeiatibanadkooki et al. Real time processing and transferring ECG signal by a mobile phone
WO2021249493A1 (zh) T波起点的确定方法、装置、存储介质及计算机程序产品
Kar et al. A technical review on statistical feature extraction of ECG signal
Ceylan et al. Wavelet neural network for classification of bundle branch blocks
Li et al. An approach of heartbeat segmentation in seismocardiogram by matched-filtering
Paul et al. Automated detection of cardinal points of ECG signal for feature extraction using a single median filter
Rao et al. Performance identification of different heart diseases based on neural network classification
CN108888263B (zh) 一种基于几何形态群组特征的r波检测方法
Somwanshi et al. ECG feature extraction and detection of first degree atrioventricular block
Alexandridi et al. Hardware design for the computation of heart rate variability
Jain Hardware Simulation of BRAM Digital FIR filter for Noise Removal of ECG Signal
Iftikhar et al. Rhythm disorders—heart beat classification of an electrocardiogram signal
Rizzi et al. Fast parallelized algorithm for ECG analysis
Odugoudar et al. ECG Classification System for Arrhythmia Detection Using Convolutional Neural Networks
Bsoul et al. Using second generation wavelets for ECG characteristics points detection
Dogan et al. An Efficient 1D Autoencoder-Based Approach for R-Peaks Detection in Electrocardiogram Signals
US20220039727A1 (en) Automatic cardiovascular disease diagnostic system and method

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