CN115778400A - 一种针对心电图的分析识别方法、系统以及存储介质 - Google Patents
一种针对心电图的分析识别方法、系统以及存储介质 Download PDFInfo
- Publication number
- CN115778400A CN115778400A CN202211390694.5A CN202211390694A CN115778400A CN 115778400 A CN115778400 A CN 115778400A CN 202211390694 A CN202211390694 A CN 202211390694A CN 115778400 A CN115778400 A CN 115778400A
- Authority
- CN
- China
- Prior art keywords
- ecg
- data
- electrocardiogram
- wave
- arrhythmia
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 96
- 230000006793 arrhythmia Effects 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 16
- 210000002216 heart Anatomy 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000718 qrs complex Methods 0.000 claims description 14
- 230000033764 rhythmic process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000002763 arrhythmic effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000001615 p wave Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000010363 phase shift Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002565 electrocardiography Methods 0.000 description 96
- 230000002861 ventricular Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 14
- 206010003658 Atrial Fibrillation Diseases 0.000 description 13
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 13
- 210000001013 sinoatrial node Anatomy 0.000 description 13
- 230000001746 atrial effect Effects 0.000 description 12
- 208000007888 Sinus Tachycardia Diseases 0.000 description 11
- 230000004913 activation Effects 0.000 description 11
- 206010003671 Atrioventricular Block Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 206010047302 ventricular tachycardia Diseases 0.000 description 9
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 8
- 206010040741 Sinus bradycardia Diseases 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 210000002837 heart atrium Anatomy 0.000 description 8
- 210000003205 muscle Anatomy 0.000 description 8
- 206010003662 Atrial flutter Diseases 0.000 description 7
- 206010003668 atrial tachycardia Diseases 0.000 description 7
- 210000001992 atrioventricular node Anatomy 0.000 description 7
- 210000004375 bundle of his Anatomy 0.000 description 7
- 230000000747 cardiac effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 208000019622 heart disease Diseases 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 206010015856 Extrasystoles Diseases 0.000 description 4
- 206010040736 Sinoatrial block Diseases 0.000 description 4
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 208000021803 junctional tachycardia Diseases 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000028161 membrane depolarization Effects 0.000 description 4
- 210000003742 purkinje fiber Anatomy 0.000 description 4
- 230000002336 repolarization Effects 0.000 description 4
- 210000005245 right atrium Anatomy 0.000 description 4
- 208000003663 ventricular fibrillation Diseases 0.000 description 4
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 3
- 208000001871 Tachycardia Diseases 0.000 description 3
- 230000002567 autonomic effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 210000001174 endocardium Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 210000005246 left atrium Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 208000031225 myocardial ischemia Diseases 0.000 description 3
- 208000008510 paroxysmal tachycardia Diseases 0.000 description 3
- 230000002085 persistent effect Effects 0.000 description 3
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 208000006218 bradycardia Diseases 0.000 description 2
- 230000036471 bradycardia Effects 0.000 description 2
- 230000011128 cardiac conduction Effects 0.000 description 2
- 210000004413 cardiac myocyte Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 210000003748 coronary sinus Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000003021 heart conduction system Anatomy 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 208000004124 rheumatic heart disease Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 210000002620 vena cava superior Anatomy 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000014526 Conduction disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010012118 Defect conduction intraventricular Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 206010020880 Hypertrophy Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 1
- 206010029458 Nodal arrhythmia Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000008376 Pre-Excitation Syndromes Diseases 0.000 description 1
- 206010040639 Sick sinus syndrome Diseases 0.000 description 1
- 208000008131 Ventricular Flutter Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000003943 catecholamines Chemical class 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 208000015210 hypertensive heart disease Diseases 0.000 description 1
- 210000004971 interatrial septum Anatomy 0.000 description 1
- 238000000185 intracerebroventricular administration Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 208000004731 long QT syndrome Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000661 pacemaking effect Effects 0.000 description 1
- 210000003540 papillary muscle Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000001567 regular cardiac muscle cell of ventricle Anatomy 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000005247 right atrial appendage Anatomy 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 210000000596 ventricular septum Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- A61B5/363—Detecting tachycardia or bradycardia
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种针对心电图的分析识别方法、系统以及存储介质，方法包括：根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；根据所述先验数据，构建ECG先验模型；对所述ECG先验模型进行优化，得到目标识别模型；根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。本发明的准确性高而且效率高，可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域，尤其是一种针对心电图的分析识别方法、系统以及存储介质。
背景技术
心律失常往往伴随着一系列的临床症状以及并发症，甚至危及生命。随着人口老龄化和生活方式的改变，心律失常发病率快速上升，且呈年经化和不断增长的趋势。ECG是医疗实践中的基础工具，全世界每年有超过3亿张心电图，它在诊断心律不齐过程中起关键作用。心电图可以较为准确的反映心律失常的性质和程度。从心电图记录中检测心律失常是一项具有挑战性而意义重大的任务。
目前ECG机器判读的错误率还非常高，临床上ECG检测仍然依赖于有经验的医师进行视觉观察，人工判读方法受限于专业人员的水平和数量，过程枯燥、费时、效率又低，且缺乏统一的客观标准，容易造成误判和漏判。
近年来，深度学习的飞速发展让计算机在许多任务中表现出接近甚至达到人类水准的认知能力。深度学习是一种机器学习中建模数据的隐含分布的多层表达的算法。换句话来说，深度学习算法自动提取分类中所需要的低层次或者高层次特征。因此深度学习能够更好地表示数据的特征，同时由于模型的层次、参数很多，容量也足够，因此，深度学习模型有能力表示大规模数据，所以对于图像、语音这种特征不明显的棘手问题，反而能够借助深度学习在大规模训练数据上取得更好的效果。而且由于深度学习将特征和分类器结合到一个框架中，用数据去学习特征，在使用中减少了手工提取特征的巨大工作量，因此，不仅效果可以更好，而且应用起来非常方便。
发明内容
有鉴于此，本发明实施例提供一种准确性高而且效率高的，针对心电图的分析识别方法、系统以及存储介质。
本发明实施例的一方面提供了一种针对心电图的分析识别方法，包括：
根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
根据所述先验数据，构建ECG先验模型；
对所述ECG先验模型进行优化，得到目标识别模型；
根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
可选地，所述根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据，包括：
对心电图数据中的特征点进行定位；
根据定位得到的特征点，切分出P-QRS-T特点波与波段；
确定每段波形的控制点，形成ECG特征；
采用K-means方法对每段ECG特征进行聚类，形成先验数据；
对每个片段的先验数据进行拼接，得到扩展增强后的先验数据。
可选地，所述根据所述先验数据，构建ECG先验模型这一步骤中，包括构建ECG心律失常数据集的步骤，该步骤包括：
提取ECG数据样本；
对所述ECG数据样本进行筛选过滤，得到训练数据集和测试数据集；
对所述训练数据集和所述测试数据集进行数据分布与类相似性分析，提高训练数据集和测试数据集中心律数据的区分度。
可选地，所述根据所述先验数据，构建ECG先验模型这一步骤中，还包括对所述先验数据进行预处理的步骤，该步骤包括：
通过巴特沃斯低通滤波器对所述先验数据中的肌电信号进行去除；
通过具有Kaiser窗函数的50Hz有限冲激响应陷波滤波器对所述先验数据中的工频干扰信号进行去除；
通过无限脉冲响应零相移数字滤波器对所述先验数据中的ECG基线漂移进行去除。
可选地，所述根据定位得到的特征点，切分出P-QRS-T特点波与波段，包括：
根据定位得到的特征点，通过R峰检测算法来确定R峰的位置；
使用250ms的移动窗口来迭代查询R峰的两侧，将左侧第一个窗口中的最小值确定为Q峰值的位置，将右侧第一个窗口的最小值确定为S峰值；
根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波；
根据检测到的各个关键点，将ECG信号分解为多个周期性心跳；
根据定位点，将每一个心跳周期划分为6种分段：P波、P-Q间期、QRS波群、S-T间期、T波、T-P间期；其中，P波被定义为P起点和P终点之间的信号；
具体地，所述根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波，包括：
根据局部距离变换的边界检测方法，通过计算信号上每个点处辅助线段的起点和终点之间的最大距离来查找P波和T波的起点以及终点；
在QRS波群的Q起点之前建立200ms时间窗口，在S终点之后建立400ms时间窗口；
采用与R峰检测相同的R峰检测算法检测得到P峰和T峰，使用局部距离变换来确定P波和T波的起点和终点。
可选地，所述确定每段波形的控制点，形成ECG特征，包括：
分别统计每个波段的长度的分布；
计算每类波段的平均长度；
根据所述平均长度，确定每个波段的控制点个数和索引数；
根据所述平均长度、所述控制点个数和所述索引数，计算每个波段中的控制点，并确定对应的ECG特征。
可选地，所述采用K-means方法对每段ECG特征进行聚类，形成先验数据，包括：
使用欧几里德距离计算实例与簇质心之间的距离；
配置聚类数；
根据所述距离和所述聚类数，对用控制点表示的每类波段的，采用K-means方法对波段进行聚类；
聚类完成时，会根据每个波段所属的聚类类别，每个波段分配一个聚类编号。
可选地，所述方法还包括：
基于编码特征，利用分类朴素贝叶斯对拼接后的心电信号进行分类。
本发明实施例的另一方面还提供了一种针对心电图的分析识别系统，包括：
第一模块，用于根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
第二模块，用于根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
第三模块，用于根据所述先验数据，构建ECG先验模型；
第四模块，用于对所述ECG先验模型进行优化，得到目标识别模型；
第五模块，用于根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；根据所述先验数据，构建ECG先验模型；对所述ECG先验模型进行优化，得到目标识别模型；根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。本发明的准确性高而且效率高。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本发明实施例提供的整体技术路线图；
图2为本发明实施例提供的心律失常数据集的处理流程图；
图3为本发明实施例提供的不同心跳定位点的示意图；
图4为本发明实施例提供的心跳拼接与编码的流程图；
图5为本发明实施例的整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
名词解释：
本发明分类识别的ECG类别有以下18种：
过速过缓：
1.房扑atrial flutter(AFL)
2.房颤atrial fibrillation(AF)
3.室性心动过速ventricular tachycardia(VT)
4.房性心动过速atrial tachycardia(AT)
5.窦性心动过速sinus tachycardia(ST)
6.房室交界区心动过速atrioventricular junction tachycardia(JT)
7.窦性心动过缓sinus bradycardia(SB)
8.窦性心律不齐sinus arrhythmia(SA)
传导异常：
9.窦房传导阻滞sinoatrial conduction block(SA阻滞)
10.室内传导阻滞intraventricular conduction block(IV阻滞)
11.房室传导阻滞atrioventricular conduction block(AV阻滞)
起源异常：
12.房性早搏premature atrial contraction(PAC)
13.室性早搏premature ventricular contraction(PVC)
14.房室交界性早搏atrioventricular junctional premature contraction(PJC)
15.室性逸搏ventricular escape(VE)
16.房室交界区逸搏atrioventricular junction escape(JE)
17.房室交界区逸搏心律atrioventricular junction escape rhythm(JER)
18.正常normal。
心电图(electrocardiogram，ECG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。它反映了心脏激动的发生、传播和恢复过程的一系列变化。
心电图各波及波段的组成：
P波：正常心脏的电激动从窦房结开始。由于窦房结位于右心房与上腔静脉的交界处，所以窦房结的激动首先传导到右心房，通过房间束传到左心房，形成心电图上的P波。P波代表了心房的激动，前半部代表右心房激动，后半部代表左心房的激动。P波时限为0.12秒，高度为0.25mv。当心房扩大，两房间传导出现异常时，P波可表现为高尖或双峰的P波。
PR间期：PR间期代表由窦房结产生的兴奋经由心房、房室交界和房室束到达心室并引起心室肌开始兴奋所需要的时间，故也称为房室传导时间。正常PR间期在0.12～0.20秒。当心房到心室的传导出现阻滞，则表现为PR间期的延长或P波之后心室波消失。
QRS波群：激动向下经希氏束、左右束枝同步激动左右心室形成QRS波群。QRS波群代表了心室的除极，激动时限小于0.11秒。当出现心脏左右束枝的传导阻滞、心室扩大或肥厚等情况时，QRS波群出现增宽、变形和时限延长。
J点：QRS波结束，ST段开始的交点。代表心室肌细胞全部除极完毕。
ST段：心室肌全部除极完成，复极尚未开始的一段时间。此时各部位的心室肌都处于除极状态，细胞之间并没有电位差。因此正常情况下ST段应处于等电位线上。当某部位的心肌出现缺血或坏死的表现，心室在除极完毕后仍存在电位差，此时表现为心电图上ST段发生偏移。
T波：之后的T波代表了心室的复极。在QRS波主波向上的导联，T波应与QRS主波方向相同。心电图上T波的改变受多种因素的影响。例如心肌缺血时可表现为T波低平倒置。T波的高耸可见于高血钾、急性心肌梗死的超急期等。
U波：某些导联上T波之后可见U波，目前认为与心室的复极有关。
QT间期：代表了心室从除极到复极的时间。正常QT间期为0.44秒。由于QT间期受心率的影响，因此引入了矫正的QT间期(QTC)的概念。其中一种计算方法为QTc＝QT/√RR。QT间期的延长往往与恶性心律失常的发生相关。
心电图导联：心脏是一个立体的结构，为了反应心脏不同面的电活动，在人体不同部位放置电极，以记录和反应心脏的电活动。在行常规心电图检查时，通常只安放4个肢体导联电极和V1～V66个胸前导联电极，记录常规12导联心电图。
心脏传导系统：心脏传导系统是由位于心肌内能够产生和传导冲动的特殊心肌细胞构成，包括窦房结，结间束，房室结，房室束，右束支，左束支和Purkinje纤维等。窦房结是正常心率的起搏点，位于上腔静脉入口与右心耳之间的心外膜下方；结间束是窦房结与房室结之间的传导通路，分为前结间束，中结间束和后结间束三个传导束，其中前结间束向左房发出个分支称为房间束。房室结位于房间隔右侧心内膜下方，横卧于冠状窦口、卵圆窝与三尖瓣隔瓣上缘之间的区域内，向下延伸为房室束。房室结与房室束(His束)构成房室交界区，再向前下延伸到室间隔膜部下端，分成左、右束支，分别位于室间隔左右侧心内膜下方.左束支在室间隔左侧起始部，又分为前、上支两束纤维；右束支沿室间隔右侧下行，直到心尖处才开始分支为Purkinje纤维。右束支在心内膜下方与Purkinje纤维网相连，最后连于心室肌。
心脏传导系统功能是发生冲动并传导到心脏各部，使心房肌和心室肌按一定节律性收缩。
1)心脏的传导系统包括窦房结、房室结、房室束、左右房室束分支以及分布到心室乳头肌和心室壁的许多细支。
2)除窦房结位于右心房心外膜深部，其余的部分均分布在心内膜下层。
3)组成心脏传导系统的特殊心肌纤维有以下三种类型：起搏细胞(参与组成窦房结和房室结)、移行细胞(起传导冲动的作用)和浦肯野纤维(能快速传递冲动)。
4)房室束分支末端的浦肯野纤维与心室肌相连。
5)心脏传导系统的功能是产生并传导冲动，维持心脏的节律性搏动。
心律失常(arrhythmia)是由于窦房结激动异常或激动产生于窦房结以外，激动的传导缓慢、阻滞或经异常通道传导，即心脏活动的起源和(或)传导障碍导致心脏搏动的频率和(或)节律异常。心律失常是心血管疾病中重要的一组疾病。它可单独发病，亦可与其他心血管病伴发。其预后与心律失常的病因、诱因、演变趋势、是否导致严重血流动力障碍有关，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。
7.心律失常的类别包括以下五种：
①过早搏动，简称早搏，又称期前收缩。是心脏某一部位过早地形成冲动引起的心脏搏动。根据发生部位不同分为房性、交界区性和室性。早搏可不引起症状，如无器质性心脏病预后良好，部分病人可有心悸，头晕，乏力，可对症治疗，如有器质性心脏病应治疗其基础心脏病。
②心房扑动与心房颤动。心房扑动时，心房率常在220～360次/分，一般不能全部下传心室，由于生理性房室阻滞而形成2∶1或3∶1下传，偶有1∶1房室传导者。心房颤动为房内多灶微折返的极速心律失常，频率350～600次/分，心室节律不齐，120～160次/分。心房扑动和心房颤动常见于风湿性心脏病、甲状腺功能亢进、冠心病、心肌病和高血压性心脏病等。不少心房颤动患者的发病原因不明。
③室上性阵发性心动过速。是阵发性快速而规则的异位心律，心率一般160～220次/分，但也有慢至130次/分或快达300次/分的。按发生机制可分为心房性、房室结折返性和房室旁路折返性3类，常见于无器质性心脏病者，病因不明，也可见于风湿性心脏病、心肌病、冠心病等。临床表现为突然发作，持续数秒、数分至数小时，甚至数天突然中止，发作严重者可引起心脑等器官供血不足，导致血压下降、头晕、恶心、心绞痛或昏厥。
④室性心动过速与心室颤动。连续3个以上的室性早搏为室性心动过速，多见于器质性心脏病患者。持续性室速为持续时间在30秒以上或30秒内发生严重血流动力学障碍者，非持续性室速指30秒内自行终止者。扭转型室速是一种特殊类型室速，多见于长QT综合征，分先天性和获得性两类。室速若不及时治疗可转为心室颤动，心室颤动是最严重的心律失常，需立即进行电除颤转复心律。
⑤心动过缓。成人心率低于60次/分称心动过缓，由病态窦房结综合征或房室传导阻滞引起。
心律失常的发生机制包括以下两种
1).冲动形成的异常：
窦房结，结间束，冠状窦口附近，房室结的远端和希室束-普肯耶系统等处的心肌细胞具有自律性。自主神经系统兴奋性改变或其内在病变，均可导致不适当的冲动发放。此外，原来无自律性的心肌细胞，如心房，心室细胞，亦可在病理状态下出现异常自律性，诸如心肌缺血，药物，电解质紊乱，儿茶酚胺增多等均可导致异常自律性的形成。
2).冲动传导异常：
折返是所有快速心律失常中最常见的发生机制。
按发生机制，心律失常的分类包括以下两大类：
1.冲动形成异常：
1)窦性心律失常
(1)窦性心动过速(2)窦性心动过缓(3)窦性心律不齐(4)窦性停泊
2)异位心率
①被动异位心率(1)逸博(房性，房室交界性，室性)；(2)阵发性心动过速(房性，房室交界性，室性)
②主动异位心率(1)期前收缩(房性，房室交界性，室性)；(2)阵发性心动过速(房性，房室交界性，房室折返性，室性)；(3)心房扑动，心房颤动(4)心室扑动，心室颤动
2.冲动传导异常：
1)生理性干扰及房室分离
2)病理性(1)窦房传导阻滞(2)房内传导阻滞(3)房室传导阻滞(4)束支或分支阻滞(左，右束支及左束支分支传导阻滞)或室内阻滞
3)房室间传导途径异常预激综合症
由于目前对于心电图的分析方法中，人工判读方法受限于专业人员的水平和数量，过程枯燥、费时、效率又低，针对现有技术存在的问题，本发明实施例的一方面提供了一种针对心电图的分析识别方法，如图5所示，方法包括以下步骤：
根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
根据所述先验数据，构建ECG先验模型；
对所述ECG先验模型进行优化，得到目标识别模型；
根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
可选地，所述根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据，包括：
对心电图数据中的特征点进行定位；
根据定位得到的特征点，切分出P-QRS-T特点波与波段；
确定每段波形的控制点，形成ECG特征；
采用K-means方法对每段ECG特征进行聚类，形成先验数据；
对每个片段的先验数据进行拼接，得到扩展增强后的先验数据。
可选地，所述根据所述先验数据，构建ECG先验模型这一步骤中，包括构建ECG心律失常数据集的步骤，该步骤包括：
提取ECG数据样本；
对所述ECG数据样本进行筛选过滤，得到训练数据集和测试数据集；
对所述训练数据集和所述测试数据集进行数据分布与类相似性分析，提高训练数据集和测试数据集中心律数据的区分度。
可选地，所述根据所述先验数据，构建ECG先验模型这一步骤中，还包括对所述先验数据进行预处理的步骤，该步骤包括：
通过巴特沃斯低通滤波器对所述先验数据中的肌电信号进行去除；
通过具有Kaiser窗函数的50Hz有限冲激响应陷波滤波器对所述先验数据中的工频干扰信号进行去除；
通过无限脉冲响应零相移数字滤波器对所述先验数据中的ECG基线漂移进行去除。
可选地，所述根据定位得到的特征点，切分出P-QRS-T特点波与波段，包括：
根据定位得到的特征点，通过R峰检测算法来确定R峰的位置；
使用250ms的移动窗口来迭代查询R峰的两侧，将左侧第一个窗口中的最小值确定为Q峰值的位置，将右侧第一个窗口的最小值确定为S峰值；
根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波；
根据检测到的各个关键点，将ECG信号分解为多个周期性心跳；
根据定位点，将每一个心跳周期划分为6种分段：P波、P-Q间期、QRS波群、S-T间期、T波、T-P间期；其中，P波被定义为P起点和P终点之间的信号；
具体地，所述根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波，包括：
根据局部距离变换的边界检测方法，通过计算信号上每个点处辅助线段的起点和终点之间的最大距离来查找P波和T波的起点以及终点；
在QRS波群的Q起点之前建立200ms时间窗口，在S终点之后建立400ms时间窗口；
采用与R峰检测相同的R峰检测算法检测得到P峰和T峰，使用局部距离变换来确定P波和T波的起点和终点。
可选地，所述确定每段波形的控制点，形成ECG特征，包括：
分别统计每个波段的长度的分布；
计算每类波段的平均长度；
根据所述平均长度，确定每个波段的控制点个数和索引数；
根据所述平均长度、所述控制点个数和所述索引数，计算每个波段中的控制点，并确定对应的ECG特征。
可选地，所述采用K-means方法对每段ECG特征进行聚类，形成先验数据，包括：
使用欧几里德距离计算实例与簇质心之间的距离；
配置聚类数；
根据所述距离和所述聚类数，对用控制点表示的每类波段的，采用K-means方法对波段进行聚类；
聚类完成时，会根据每个波段所属的聚类类别，每个波段分配一个聚类编号。
可选地，所述方法还包括：
基于编码特征，利用分类朴素贝叶斯对拼接后的心电信号进行分类。
本发明实施例的另一方面还提供了一种针对心电图的分析识别系统，包括：
第一模块，用于根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
第二模块，用于根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
第三模块，用于根据所述先验数据，构建ECG先验模型；
第四模块，用于对所述ECG先验模型进行优化，得到目标识别模型；
第五模块，用于根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
如图1所示，本发明的整体实施过程包括5大步骤：
1、心电图与心律失常概念树：对心电图及心律失常知识的梳理及重新定义，形成概念树。
2、数据：通过创新的预处理方法，建立心律失常心电图数据集。
3、切分与表达：
a)通过自创的方法，对电图数据中的特征点进行定位，并根据特征点切分出P-QRS-T特点波与波段；
b)确定每段波形的控制点，形成ECG特征；
c)采用K-means方法对数据段进行聚类，形成先验数据；
d)对数据片段进行拼接，扩展增强先验数据。
4、先验模型：建立基于贝叶斯理论的ECG先验模型
5、先验模型应用与演绎：以ECG先验模型为基础，进行演绎与举一反三，达成小样本学习、ECG的分解与生成。
下面详细描述各个步骤的具体实施过程：
1、心电图与心律失常概念树：
本发明实施例对心律失常的类别进行系统梳理，形成失常概念树，可以理解的是，失常概念树可以按心律失常的发生位置进行分类，本发明能够诊断分类的18个ECG类别。
2、GDPH ECG心律失常数据集
本发明实施例的数据标注、处理与表达过程如图2所示，图2中上半部分是对样本进行细分类与标注的过程，下半部分是对ECG数据进行处理与表达的过程，ECG标注和ECG数据一起构成ECG后期模型使用的数据集。
2.1、数据样本提取
本发明从相关医院数据库中获取ECG数据，将每位参与者的心电数据标记为正常或其他17种心律失常。17种心律失常分别为：室性早搏(PVC)、室内阻滞(IV阻滞)、室性心动过速(VT)、心室逃逸(VE)、心房扑动(AFL)、房性心动过速(AT)、心房颤动(AF)、房性早搏(PAC)、交界性早搏(PJC)、交界性逃逸(JE)、交界性心动过速(JT)、交界性逃逸心律(JER)，房室传导阻滞(AV阻滞)、窦房传导阻滞(SA阻滞)、窦性心动过速(ST)、窦性心动过缓(SB)、窦性心律失常(SA)。根据发生位置，17例心律失常可分为4个超级类别：窦(包括SA阻滞、ST、SB和SA)、心房(包括AFL、AT、AF和PAC)、房室结(包括PJC、JE、JT、JER和AV阻滞)和心室(包括PVC、IV阻滞、VT和VE)。
2.2、纳排标准
本发明实施例由于以下原因排除了部分ECG病例：(1)ECG病例由于信号缺失或噪声过大而严重失真。由于ECG通过放置在皮肤上的电极记录心脏的电活动，较大的运动和嘈杂的周围环境可能会给信号增加不可消除的噪声。此外，这种失真在儿童心电图中更为常见。(2)ECG病例的标签不可用或不确定。(3)对于多次ECG测试的参与者，为了避免在参与者中引入偏差，我们的研究只使用最后一次ECG测试，而排除了其他ECG测试。最后，48063名参与者被排除在外。整个数据集在标签级别以4:1的比例随机分为训练数据集和测试数据集。
另外，本发明实施例还对构建得到的训练数据集和测试数据集进行数据分布与类相似性的分析。作为来自现实世界的数据集，GDPH ECG心律失常数据集极不平衡。ST的样本量最大(N＝20273)，VE的样本量最小(N＝10)。所有心律失常类型的样本量标准偏差为5249.63。样本量的平均值和中位数分别为2670和106。样本量中数据集的不平衡可能使模型无法平等地学习所有心律失常类别。
本发明实施例通过构建类别级相似矩阵，矩阵中的每个元素都是两种心律失常类别之间的相似性。类别级相似性是分别来自两个心律失常类别的所有心电信号对的平均相似性。动态时间扭曲(DTW)用于测量两个心电信号之间的相似性。将相似矩阵归一化为[0,1]的范围，并从最小值到最大值进行排序。心律失常在表示空间中分布不均匀。SB、JER、SA、JE、AV块、PJC、PVC、AT和AF相对相似。那些类似的心律失常类型可能更能愚弄模型。然而，其他心律失常类型更为分散，更容易区分。
2.3、ECG预处理
心电信号是一种微弱的生理信号，在采集过程中容易受到干扰，因此在分析之前需要对心电信号进行预处理。ECG信号最常见的三种干扰是肌电图(EMG)干扰、工频干扰和基线漂移。本发明实施例的预处理是基于上述三种干扰进行的。
肌电信号也是一种生理信号，是心电信号中的主要噪声。肌电信号的频率与肌肉类型有关，一般在30-300HZ范围内，而心电信号的频率主要在5-20HZ范围内。因此，EMG信号可以与ECG信号重叠。在我们的研究中，巴特沃斯低通滤波器用于去除肌电信号。巴特沃斯低通滤波器具有最平坦的带通频率响应曲线，并随着阻带的调整逐渐降至零。此外，对角频率的振幅单调减小，并且滤波器阶数越高，阻带中的振幅衰减越快。
随着供电网络的存在，工频干扰无处不在，而频率为50Hz的干扰信号是最常见的干扰信号。在本研究中，采用了具有Kaiser窗函数的50Hz有限冲激响应(FIR)陷波滤波器来消除工频信号。FIR滤波器具有心电信号处理所需的线性相位特性，能够以最小的波形失真获得最佳的滤波性能。考虑到样本的总体差异，Kaiser移动窗口是一个接近最优结构的窗口函数，它可以根据不同的参数自适应调整滤波器的参数。
最后，通过一个无限脉冲响应零相移数字滤波器来消除ECG基线漂移。作为ECG分析的常规预处理步骤，它可以防止引入可能扭曲真实振荡相位的伪影信息。经过预处理后，去除了主要噪声，同时保留了心电信号的关键信息。
2.4P-QRS-T定位与切分
本本发明实施例对电图数据中的P-QRS-T等特征点进行定位，并根据特征点切分出波段。
主要包括以下步骤：
2.4.1、心电图数据中的P-QRS-T定位
本实施例使用了一种自适应且高效的R峰检测算法来确定R峰的位置。然后，通过在R峰两侧搜索找到Q峰和S峰。由于QRS波群中很少出现多个峰值，因此使用250ms的移动窗口来迭代查询两侧。左侧第一个窗口中的最小值是Q峰值的位置。右侧第一个窗口的最小值为S峰值。
检测P波和T波需要从QRS波群开始进行时间窗遍历。因此，这里需要一种波的起点和终点边界的检测算法。为此，本实施例提出了一种改进的基于局部距离变换的边界检测算法。局部距离变换通过计算信号上每个点处辅助线段的起点和终点之间的最大距离来查找波的起点和终点。从形态学角度来看，这一点是曲率最大的点，符合医生的主观判断。
在Q起点之前建立200ms时间窗口，在S终点之后建立400ms时间窗口。P峰和T峰采用与R峰检测相同的检测算法进行检测。这里还使用局部距离变换来确定P波和T波的起点和终点。
图3显示了一个示例，每一个心跳由11个定位点，分为6个波段。每个心跳总共识别11个点,分别是P起点、P点、P终点、Q起点、Q点、R点、S点、S终点、T起点、T点、T终点。每个心跳的划分和心跳内波的划分都基于此特征点的定位。
2.4.2、心跳周期切分与心跳周期波段切分
根据前一步检测到的关键点，本实施例将ECG信号分解为多个周期性心跳。本实施例的整个数据集共产生459818个心跳，每个类别的ECG样本数和心跳周期数如表1所示，表1展示了每种类别下ECG信号分解的心跳次数。
表1
| 类别 | 样本数 | 心跳数 |
| 心房早搏 | 1287 | 12751 |
| 心房颤动 | 33 | 335 |
| 窦性心律失常 | 9956 | 95233 |
| 房室传导阻滞 | 483 | 4527 |
| 房室交界处逃逸节律 | 131 | 993 |
| 房室交界处心动过速 | 19 | 196 |
| 心室逃逸 | 9 | 76 |
| 房室交界处逃逸 | 33 | 284 |
| 典型的 | 7944 | 75675 |
| 窦性心动过缓 | 1623 | 10464 |
| 房性心动过速 | 80 | 793 |
| 室性心动过速 | 63 | 624 |
| 脑室内传导阻滞 | 3744 | 39050 |
| 窦性心动过速 | 20272 | 195493 |
| 心房颤动 | 64 | 653 |
| 房室交界性早搏 | 64 | 670 |
| 窦房传导阻滞 | 10 | 95 |
| 室性早搏 | 2230 | 21906 |
| 合计 | 48045 | 459818 |
将每一个心跳周期，进一步根据定位点，再细分为6种分段：P波、P-Q间期、QRS波群、S-T间期、T波、T-P间期。P波被定义为P起点和P终点之间的信号，以此类推其他段的定义。每个心跳对应6个分段，因此每种波段中的实例数也为459818，等于心跳的样本数。
2.5、确定每段波形的控制点，形成ECG特征：
本实施例对每个波段提取控制点，用提取的控制点及其相应的索引作为每个波段的表示。
首先，我们对6个波段，分别统计了其长度的分布；
接着，对每类波段求其平均长度。
假设lm(m＝1,2,…,M)表示第m个实例的长度，其中M为总实例数。波段的平均长度l^可通过以下等式获得：
平均长度的每五个点取一控制点。因此，该类波段提取的控制点数N：
对于每个实例，以相等的间隔提取控制点。因此，可通过以下等式获得第m个实例的第n个控制点：
其中，
表示第m个实例的第n个控制点的值，sigm(*)表示第m个实例的索引为*的信号值，
表示第n个控制点的相应索引值。
每种波段的平均长度、控制点数及索引数，如下表2所示，即每个P波将提取12个控制点，P-Q间期提取6个控制点，QRS波将提取20个控制点，S-T间期将提取6个控制点，T波将提取14个控制点，T-P间期将提取18个控制点。每个心跳周期将提取82个控制点。
表2
数据集中有459818个心跳周期，每个周期有6个波段，共有459818*6个实例。对每个实例分别计算索引及其ECG信号值，最后得到459818*82对控制点(索引，ECG信号值)。
2.6、波段聚类
对用控制点表示的每类波段的，采用K-means方法对波段进行聚类，形成先验数据。
使用欧几里德距离度量实例与簇质心之间的距离。当质心在迭代中没有显著变化时，算法停止。总共需要对6类波段的9个导联，实施54(＝6波段×9导联)次聚类。在本实施例中，聚类数是超参数之一，它有18个选项：3、5、8、10、15、20、25、30、35、40、45、50、55、60、65、70、75、80。
本发明实施例中簇数设置为25。聚类数确定后，聚类完成时，会根据每个波段所属的聚类类别，每个波段分配一个聚类编号。
2.7、拼接与增强
本小节对数据片段进行拼接，扩展先验数据。
2.7.1、心跳拼接和编码
在本实施例中，多个原始心跳拼接在一起作为拼接的ECG信号。拼接的ECG信号可被视为原始心跳的置换，置换中允许重复。拼接后的心电信号可以模拟训练数据集中不存在的心电信号，进一步增强训练数据集的全面性。
假设
表示第i类ECG信号中的第j个原始心跳数，其中C为ECG总类数，Mi表示第i类ECG的心跳数。No表示拟拼接的原始心跳个数。对于第i类的第j个ECG信号，拼接可得到的ECG信号数可以通过以下等式获得：
所以，总拼接ECG信号数No为：
将公式(4)代入公式(5)，可得：
在本实施例中，No是控制N^的另一个超参数，它有4个选项：2、3、4、5。训练数据集中的N值对应于No有2869966、3021293、11486438和25508046四个选项。对于本实施例的计算资源来说，分析如此大量的ECG信号太难了，因此在训练数据集中将每个类中拼接ECG信号的数量上限设置为1500000。在测试数据集中，对于每个原始ECG信号，随机选择20个拼接ECG信号。20个拼接ECG信号的预测摘要用作原始ECG信号的最终预测。
基于波段的簇号，拼接ECG信号可以编码为向量。每个心跳在每条导联上分别有6段。在无监督聚类步骤中，为每个波段分配一个聚类编号。一个心跳信号可以编码为大小为54(＝6段×9个导联)的向量。因此，拼接ECG信号的向量大小为54×No。图4以拼接长度No＝3为例，演示了3个原始心跳进行拼接与编码的过程。3个原始心跳，拼接长度为3可产生33＝27个新心跳序列，每个心跳6个波段就有6个聚类编号，每个新心跳系列的向量长度为N0*6＝18。
每个ECG含9个导联,包含3个心跳的ECG最后编码为162(＝6波段×9导联×3心跳)个特征。
3、贝叶期分类模型
基于编码特征，利用分类朴素贝叶斯(CNB)对拼接后的心电信号进行分类。假设xi(i＝1,2,…,n)是ECG的特征，n是特征数，y是类别。根据条件概率，有：
P(x1,x2,…,xn)P(y|x1,x2,…,xn)＝P(y)P(x1,x2,…,xn|y)#(7)
可推导为：
基于特征独立的朴素贝叶斯假设，有：
P(xi|y,x1,…,xi-1,xi+1,…,xi)＝P(xi|y)#(9)
公式8可推导为:
因为公式10中的P(x1,x2,…,xn)都是常量，分类规则可写为：
其中，
是ECG信号的类别标签，P(xi|y)按以下的公式计算：
其中Niac表示第i个特征为c类的拼接ECG信号的数量，Nc表示第c类中的拼接ECC信号的数量。原始心电图信号的预测标签是拼接心电图信号的平均预测标签。
4、对照模型：
在本实施例中，使用特征工程+分类器的模式来构建对照模型。
首先从ECG信号中提取了114个特征。其中在9个单独的导联信号上定义了10个特征(如P波峰值的平均值)，从而获得90个(10×9)标量特征。其余24个特征与节段关键点出现时的记录时间(如时间维度中的位置)相关。
确定114个特征之后采用3个经典分类器，K最近邻(KNN)、随机森林(RF)和极端梯度增强(XGBoost)。3个分类器使用了默认配置。
另外，两个基于深度学习的模型也被用作对照模型。第一个是1D CNN，它在心律失常亚型的多分类方面取得了最先进的性能。第二种是LSTM，它被提出用于ECG信号分类。
5、量化和统计分析
在本实施例中，召回(敏感性)被用来衡量模型对某种心律失常的诊断性能。此外，模型的整体诊断性能是通过宏观召回来衡量的，宏观召回是指所有个体类别的召回平均值。在宏观召回中，每个类在计算平均召回时具有相同的权重，而不是根据每个类的样本大小设置权重。因此，宏观回忆在班级层面上是公平的，对少数班级的表现更为敏感。使用1000次迭代的非参数自举方法计算95％置信区间的召回率。18个类别的召回率与样本量或类别相似性之间的线性相关性通过相关系数(CC)来衡量。CC值的关系解释为：非常弱(0.00-0.19)、弱(0.20-0.39)、中等(0.40-0.59)、强(0.60-0.79)和非常强(0.80-1.00)。
因此，由于样本量和类间相似性的差异，在计算机辅助诊断中，心律失常可进一步分为强心律失常和弱心律失常。强心律失常对弱心律失常的挤兑，使弱心律失常患者可能诊断不足。为此，受心脏病专家诊断思维的启发，本发明提出了一种结合心电图片段聚类和贝叶斯理论的心律失常诊断方法。GDPH ECG心律失常数据集用于验证本发明的方法。通过超参数优化，确定了本发明的方法在心跳拼接和片段聚类中的最佳配置。
与其他方法相比，本发明的方法在强心律失常方面的性能相当，但在弱心律失常方面性能更好。此外，随着强心律失常挤兑行为的增加，本发明的方法仍然可以对弱心律失常做出精确诊断。
近年来，深度学习在心电图解释方面表现突出。它的层次结构允许获得更高级别的特征，其强大的特征提取能力有助于适应复杂的映射。基于心律失常强度的定义，深度学习模型很难在训练期间公平地诊断弱心律失常。
在这项研究中，探索了保护弱心律失常免受强心律失常挤兑的可能途径。心电信号的形态特征是心脏病专家诊断心律失常的关键信息。受此启发，本发明使用分段聚类来区分具有不同形态学特征的ECG信号。心电信号在节拍级的排列可以有效地丰富微弱心律失常的样本量。另一方面，与单个心跳相比，多个心跳的拼接增加了ECG信号的维数，这可能会增加不同心律失常在表征空间的距离。本发明的方法可以在一定程度上缓解强心律失常对弱心律失常的挤兑现象。
可解释的心电计算机辅助解释系统将更受心脏病专家的信任，因此易于使用。在本发明的方法中，特征是由具有明确实际意义的段簇数编码的。诊断决策是基于心律失常子段的条件概率做出的，这是心脏病专家先前诊断经验的简化数学描述。因此，心律失常的某些形态学特征可能隐含在条件概率较高的分段簇中。一些发现的形态学特征与当前心律失常诊断标准相匹配。还有一些发现可能与当前诊断标准不匹配。然而，这些不匹配的发现可能隐藏了心律失常的新诊断标记。多个片段的联合条件概率可能是发现新诊断标记的可行方法。
综上所述，相较于现有技术，本发明提供了一整套包含心电图处理方法及心律失常智能诊断算法的系统、平台和存储介质。方法包括：1.基于信号滤波技术的心电图干扰消除算法；2.基于极值周期迭代的P-QRS-T特征点定位与波段切分算法；3.波段控制点选取与波段无监督分类算法；4.基于剪拼增强(cutting-splicing data augmentation)进行心动周期拼接和编码算法。本发明能够将原始心电图转换增强为建模编码。本发明的心律失常智能诊断算法，通过基于贝叶斯的动态规划算法，来建模人类学习与认知的能力，对17类心律失常进行超越以往技术的准确诊断；模型同时具有单样本或小样本学习的能力，能对罕见或未见心律失常进行识别判断，并且以近似人类的方式进行泛化应用。最后，本发明的方法还能与医院多系统进行无缝对接，形成心电图处理方法及心律失常智能诊断算法的系统、平台和存储介质，应用于临床心电图诊断实践。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
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。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种针对心电图的分析识别方法，其特征在于，包括：
根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
根据所述先验数据，构建ECG先验模型；
对所述ECG先验模型进行优化，得到目标识别模型；
根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
2.根据权利要求1所述的一种针对心电图的分析识别方法，其特征在于，所述根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据，包括：
对心电图数据中的特征点进行定位；
根据定位得到的特征点，切分出P-QRS-T特点波与波段；
确定每段波形的控制点，形成ECG特征；
采用K-means方法对每段ECG特征进行聚类，形成先验数据；
对每个片段的先验数据进行拼接，得到扩展增强后的先验数据。
3.根据权利要求1所述的一种针对心电图的分析识别方法，其特征在于，所述根据所述先验数据，构建ECG先验模型这一步骤中，包括构建ECG心律失常数据集的步骤，该步骤包括：
提取ECG数据样本；
对所述ECG数据样本进行筛选过滤，得到训练数据集和测试数据集；
对所述训练数据集和所述测试数据集进行数据分布与类相似性分析，提高训练数据集和测试数据集中心律数据的区分度。
4.根据权利要求1所述的一种针对心电图的分析识别方法，其特征在于，所述根据所述先验数据，构建ECG先验模型这一步骤中，还包括对所述先验数据进行预处理的步骤，该步骤包括：
通过巴特沃斯低通滤波器对所述先验数据中的肌电信号进行去除；
通过具有Kaiser窗函数的50Hz有限冲激响应陷波滤波器对所述先验数据中的工频干扰信号进行去除；
通过无限脉冲响应零相移数字滤波器对所述先验数据中的ECG基线漂移进行去除。
5.根据权利要求2所述的一种针对心电图的分析识别方法，其特征在于，所述根据定位得到的特征点，切分出P-QRS-T特点波与波段，包括：
根据定位得到的特征点，通过R峰检测算法来确定R峰的位置；
使用250ms的移动窗口来迭代查询R峰的两侧，将左侧第一个窗口中的最小值确定为Q峰值的位置，将右侧第一个窗口的最小值确定为S峰值；
根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波；
根据检测到的各个关键点，将ECG信号分解为多个周期性心跳；
根据定位点，将每一个心跳周期划分为6种分段：P波、P-Q间期、QRS波群、S-T间期、T波、T-P间期；其中，P波被定义为P起点和P终点之间的信号；
具体地，所述根据定位得到的特征点，从QRS波群开始进行时间窗遍历，检测得到P波和T波，包括：
根据局部距离变换的边界检测方法，通过计算信号上每个点处辅助线段的起点和终点之间的最大距离来查找P波和T波的起点以及终点；
在QRS波群的Q起点之前建立200ms时间窗口，在S终点之后建立400ms时间窗口；
采用与R峰检测相同的R峰检测算法检测得到P峰和T峰，使用局部距离变换来确定P波和T波的起点和终点。
6.根据权利要求2所述的一种针对心电图的分析识别方法，其特征在于，所述确定每段波形的控制点，形成ECG特征，包括：
分别统计每个波段的长度的分布；
计算每类波段的平均长度；
根据所述平均长度，确定每个波段的控制点个数和索引数；
根据所述平均长度、所述控制点个数和所述索引数，计算每个波段中的控制点，并确定对应的ECG特征。
7.根据权利要求2所述的一种针对心电图的分析识别方法，其特征在于，所述采用K-means方法对每段ECG特征进行聚类，形成先验数据，包括：
使用欧几里德距离计算实例与簇质心之间的距离；
配置聚类数；
根据所述距离和所述聚类数，对用控制点表示的每类波段的，采用K-means方法对波段进行聚类；
聚类完成时，会根据每个波段所属的聚类类别，每个波段分配一个聚类编号。
8.根据权利要求2所述的一种针对心电图的分析识别方法，其特征在于，所述方法还包括：
基于编码特征，利用分类朴素贝叶斯对拼接后的心电信号进行分类。
9.一种针对心电图的分析识别系统，其特征在于，包括：
第一模块，用于根据对心电图以及心律失常知识的定义构建概念树，并建立心律失常心电图数据集；
第二模块，用于根据所述概念树对所述心律失常心电图数据集进行数据增强处理，构建先验数据；
第三模块，用于根据所述先验数据，构建ECG先验模型；
第四模块，用于对所述ECG先验模型进行优化，得到目标识别模型；
第五模块，用于根据所述目标识别模型，对待分析的心电图进行分析识别，确定所述待分析的心电图的识别结果。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至8中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390694.5A CN115778400A (zh) | 2022-11-07 | 2022-11-07 | 一种针对心电图的分析识别方法、系统以及存储介质 |
| PCT/CN2023/072195 WO2024098553A1 (zh) | 2022-11-07 | 2023-01-13 | 一种针对心电图的分析识别方法、系统以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390694.5A CN115778400A (zh) | 2022-11-07 | 2022-11-07 | 一种针对心电图的分析识别方法、系统以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115778400A true CN115778400A (zh) | 2023-03-14 |
Family
ID=85436029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211390694.5A Pending CN115778400A (zh) | 2022-11-07 | 2022-11-07 | 一种针对心电图的分析识别方法、系统以及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115778400A (zh) |
| WO (1) | WO2024098553A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI834543B (zh) * | 2023-04-21 | 2024-03-01 | 國立勤益科技大學 | 一種心電圖st區段形態自動分類方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8301232B2 (en) * | 2010-06-08 | 2012-10-30 | Alivecor, Inc. | Wireless, ultrasonic personal health monitoring system |
| US20220015711A1 (en) * | 2020-07-20 | 2022-01-20 | Board Of Regents, The University Of Texas System | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms |
| KR102605130B1 (ko) * | 2021-04-16 | 2023-11-22 | 금오공과대학교 산학협력단 | 인공 신경망을 이용하여 표준 12리드 심전도 신호로부터 심장 부정맥을 분류하는 방법 및 이를 이용한 심장 부정맥 분류장치 |
| CN113509186B (zh) * | 2021-06-30 | 2022-10-25 | 重庆理工大学 | 基于深度卷积神经网络的ecg分类系统与方法 |
-
2022
- 2022-11-07 CN CN202211390694.5A patent/CN115778400A/zh active Pending
-
2023
- 2023-01-13 WO PCT/CN2023/072195 patent/WO2024098553A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI834543B (zh) * | 2023-04-21 | 2024-03-01 | 國立勤益科技大學 | 一種心電圖st區段形態自動分類方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024098553A1 (zh) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | A hierarchical method based on weighted extreme gradient boosting in ECG heartbeat classification | |
| Oster et al. | Semisupervised ECG ventricular beat classification with novelty detection based on switching Kalman filters | |
| Mousavi et al. | ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention | |
| Jekova et al. | Assessment and comparison of different methods for heartbeat classification | |
| JP2020536693A (ja) | 人工知能自己学習に基づく心電図自動解析方法及び装置 | |
| Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
| CN1951320A (zh) | 基于超完备特征的异常心电识别方法 | |
| WO2009091583A1 (en) | Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal | |
| Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
| US8750973B2 (en) | Method and system for detecting P-waves in the surface ECG signal | |
| Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
| Zhang et al. | Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy | |
| CN115778400A (zh) | 一种针对心电图的分析识别方法、系统以及存储介质 | |
| De Giovanni et al. | A patient-specific methodology for prediction of paroxysmal atrial fibrillation onset | |
| Sraitih et al. | An overview on intra-and inter-patient paradigm for ECG heartbeat arrhythmia classification | |
| Annam et al. | Time series clustering and analysis of ECG heart-beats using dynamic time warping | |
| Bozyigit et al. | Classification of electrocardiogram (ECG) data using deep learning methods | |
| Zhu et al. | Two-stage detection method of supraventricular and ventricular ectopic beats based on sequential artificial features and heartbeats | |
| Sharma et al. | ECG Beat Recognition using Principal Components Analysis and Artificial Neural Network | |
| Balcı | A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation | |
| Lin et al. | Algorithm for clustering analysis of ECG data | |
| Tao et al. | Automated detection of atrial fibrillation based on DenseNet using ECG signals | |
| Tao et al. | A cascaded step-temporal attention network for ECG arrhythmia classification |
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 |