CN117426776A - 一种心电图信号特征智能提取方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种心电图信号特征智能提取方法，包括：获取每个分量信号的若干个区间，根据每个分量信号的每个区间中的数据得到每个分量信号的每个区间的数据波动程度，得到每个分量信号的波动序列中每个数据为分割点的可能性，得到每个分量信号的波动序列的分割点；根据每个分量信号的波动序列得到每个分量信号的波动序列中每部分的分布特征值，得到每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度；得到每个分量信号的自适应阈值，得到去噪后的心电信号数据，完成心电信号特征的提取。本发明通过对心电信号数据进行分析处理，提高心电信号特征提取的准确性。

Description

一种心电图信号特征智能提取方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种心电图信号特征智能提取方法。

背景技术

心电图信号特征提取是分析心脏电活动的重要步骤，用于检测心脏疾病和监测心脏健康。采集的心电活动数据的准确性对于心电图特征的分析起着至关重要的作用，倘若在对采集的含有一定的噪声成分的心电数据绘制成的心电图信号特征进行分析提取时，会对分析结果和准确性造成一定的偏差。一种心电图信号特征智能提取方法则指的是在对心电图信号进行特征提取时，对含有噪声的心电数据进行噪声的去除，从而实现对心电图信号特征的准确分析和提取。

现有的技术通过设置固定的阈值通过小波包变换来进行去噪，以此来提取出关键的心电信号特征；但是固定的阈值会造成原始信号的部分信息丢失或者对噪声去除程度不足等问题，即去噪的结果对后续心电图信号特征的提取和分析的准确性有着一定影响。

发明内容

本发明提供一种心电图信号特征智能提取方法，以解决现有的问题。

本发明的一种心电图信号特征智能提取方法采用如下技术方案：

本发明一个实施例提供了一种心电图信号特征智能提取方法，该方法包括以下步骤：

采集心电信号数据；

对心电信号数据进行分解得到若干个分量信号，对每个分量信号进行区间划分，得到每个分量信号的若干个区间，根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分；

根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分，根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据，根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度；

根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，完成心电信号特征的提取。

进一步地，所述对心电信号数据进行分解得到若干个分量信号，对每个分量信号进行区间划分，得到每个分量信号的若干个区间，包括的具体步骤如下：

通过小波包变换对心电信号数据进行分解得到若干个分量信号；

获取每个分量信号中的所有极大值，根据每个分量信号中的所有极大值对每个分量信号进行区间划分，得到每个分量信号的若干个区间。

进一步地，所述根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，包括的计算公式如下：

式中，表示第i个分量信号的第j个区间中的第c-1个数据与第c个数据的斜率，/>表示第i个分量信号的第j个区间中的第c个数据与第c+1个数据的斜率，/>表示第i个分量信号的第j个区间中的第c个数据，/>表示第i个分量信号的第j个区间中的所有数据的均值，n表示第i个分量信号的第j个区间中的数据总个数，/>表示第i个分量信号的第j个区间的数据波动程度，/>表示绝对值符号。

进一步地，所述根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，包括的具体步骤如下：

按照从小到大的顺序对每个分量信号的所有区间的数据波动程度进行排序得到排序后的结果，将排序后的结果记为每个分量信号的波动序列。

进一步地，所述根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分，包括的具体步骤如下：

根据每个分量信号的波动序列中数据之间的差异获得每个分量信号的波动序列中每个数据为分割点的可能性；

每个分量信号的波动序列中每个数据为分割点的可能性的计算公式为：

式中，表示第i个分量信号的波动序列中的第v个数据，/>表示第i个分量信号的波动序列中的第s个数据，/>表示第i个分量信号的波动序列中的第s+1个数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示绝对值符号，/>表示第i个分量信号的波动序列中的第s个数据为分割点的可能性；

从每个分量信号的波动序列的所有数据中选取数据为分割点的可能性最大的一个数据作为每个分量信号的波动序列的分割点；

通过每个分量信号的波动序列的分割点将每个分量信号的波动序列划分为两部分。

进一步地，所述根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分，包括的具体步骤如下：

每个分量信号的波动序列中每部分的分布特征值的计算公式为：

式中，表示第i个分量信号的波动序列的第k部分中的最大数据值，/>表示第i个分量信号的波动序列的第k部分中的最小数据值，/>表示第i个分量信号的波动序列的第k部分中的第r个数据，/>表示第i个分量信号的波动序列的第k部分中的所有数据的中值，/>表示绝对值符号，u表示第i个分量信号的波动序列的第k部分中的所有数据的总个数，表示第i个分量信号的波动序列的第k部分的分布特征值；

将分布特征值最小的一部分作为每个分量信号的波动序列中的无噪声部分。

进一步地，所述根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据，包括的具体步骤如下：

计算每个分量信号的波动序列中无噪声部分中的每个数据，与无噪声部分中的其余所有数据之间的差异的均值，将其结果记为每个分量信号的波动序列中无噪声部分中的每个数据的差异程度，将差异程度最小的数据作为每个分量信号的波动序列的参考数据。

进一步地，所述根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度，包括的计算公式如下：

式中，表示第i个分量信号的波动序列中除了参考数据之外的第e个数据，/>表示第i个分量信号的波动序列的参考数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示第i个分量信号的波动序列中除了参考数据之外的第e个数据对应的区间，/>表示第i个分量信号的波动序列的参考数据对应的区间，/>为绝对值符号，/>表示以自然常数为底的指数函数，/>表示第i个分量信号的噪声影响程度，/>表示/>距离。

进一步地，所述根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，包括的计算公式如下：

式中，表示第i个分量信号的噪声影响程度，/>为预设参数，/>表示第i个分量信号的自适应阈值。

进一步地，所述根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，包括的具体步骤如下：

根据每个分量信号的自适应阈值通过小波包阈值滤波得到去噪后的每个分量信号，然后将去噪后的所有分量信号通过小波包逆变换合并成去噪后的心电信号数据。

本发明的技术方案的有益效果是：本发明根据每个分量信号的每个区间中的数据得到每个分量信号的每个区间的数据波动程度，根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分，初步完成了噪声部分和无噪声部分的筛选，提高了后续自适应阈值获取的准确性；根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列的参考数据，根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度，根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，提高心电信号特征提取的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种心电图信号特征智能提取方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种心电图信号特征智能提取方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种心电图信号特征智能提取方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种心电图信号特征智能提取方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集心电信号数据。

需要说明的是，心电图信号一般是根据心电图仪对患者的心电吸信号数据进行采集所绘制出来的，因此在对心电信号数据进行噪声分析并去除时，可根据绘制出来的心电图采集的患者心电信号数据进行分析。

具体地，通过心电图仪器采集两个小时内的心电图，将其记为心电信号数据，其中，心电信号数据为一条曲线。

至此，得到心电信号数据。

步骤S002：对心电信号数据进行分解得到若干个分量信号，对每个分量信号进行区间划分，得到每个分量信号的若干个区间，根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分。

需要说明的是，心电信号数据是一种记录心脏电活动的医学检查，其往往会被绘制成心电图以更直观的形式体现患者的心跳健康状况，在心电图检查中医生会将电极贴在患者的胸部、手臂和腿上，以记录心脏的电信号。这些信号被放大并绘制成图形即心电图，显示出心脏在一个特定时间段内的活动。在心电信号数据的采集过程中，往往会存在一些局部的噪声影响，其主要是由于患者的一些生理活动等引起的不可避免的噪声信号，这些信号主要包括肌电噪声(主要由肌肉活动引起局部的噪声，它主要影响到与活跃肌肉接触的导联，因此通常在某些导联中更明显)、电极伪差(由于电极接触问题或电极本身的干扰引起的局部噪声)、呼吸运动噪声(呼吸运动引起的局部噪声，可能在特定导联中更明显，特别是在胸部导联)等。在心电图进行绘制和分析时则需要对这些噪声进行去除。

进一步需要说明的是，当直接对心电信号数据进行噪声干扰的分析时，由于监测心电的频率以及噪声中多种不同的频率没办法判断与确定出噪声干扰的频率，因此需要将心电信号数据进行分解，对分解后的分量信号数据进行分析，以此来确定出噪声的频率，并根据各个分量信号数据出现噪声的情况进行单独的去噪分析处理。

具体地，通过小波包变换对心电信号数据进行分解得到若干个分量信号，其中，小波包变换为公知技术，此处不再进行具体赘述。

获取每个分量信号中的所有极大值，根据每个分量信号中的所有极大值对每个分量信号进行区间划分，得到每个分量信号的若干个区间；其中，每个区间为每个分量信号中的一部分。

需要说明的是，为了分析每个分量信号的波动程度，则需要从不同时刻之间的数据差异进行分析，因此首先需要获取每个分量信号中所有时刻的数据，以此来分析出每个分量信号的波动程度。

以每个分量信号的第一个时刻的数据为起点，以一分钟为间隔获取每个分量信号中的所有数据；至此，也得到每个区间中的所有数据。其中，除过最后一个区间是左闭右闭，其余的区间都是左闭右开。

以时间顺序为横轴，以每个分量信号对应的数据值为纵轴建立坐标系，获取每个分量信号的每个区间中每个数据的坐标值，根据每个区间中相邻两个数据的坐标值得到区间中相邻两个数据的斜率。

需要说明的是，当每个区间中相邻两个斜率之间的差异越大，则表示该区间中数据的波动程度越大；当每个区间中数据之间的差异越大，表示该区间中数据的波动程度越大，因此可以根据相邻两个斜率的差异和数据之间的差异来分析每个区间的数据波动程度。

具体地，根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，用公式表示为：

式中，表示第i个分量信号的第j个区间中的第c-1个数据与第c个数据的斜率，/>表示第i个分量信号的第j个区间中的第c个数据与第c+1个数据的斜率，/>表示第i个分量信号的第j个区间中的第c个数据，/>表示第i个分量信号的第j个区间中的所有数据的均值，n表示第i个分量信号的第j个区间中的数据总个数，/>表示第i个分量信号的第j个区间的数据波动程度，/>表示绝对值符号。

其中，表示每个区间中相邻两个斜率之间的差异，当该差异越大时，表示该区间的数据波动程度越大；/>表示每个区间中每个数据与区间中所有数据的均值之间的差异，当该差异越大时，表示该区间的数据波动程度越大。

至此，得到每个分量信号的每个区间的数据波动程度。

按照从小到大的顺序对每个分量信号的所有区间的数据波动程度进行排序得到排序后的结果，将排序后的结果记为每个分量信号的波动序列。

根据每个分量信号的波动序列，得到每个分量信号的波动序列中每个数据为分割点的可能性，用公式表示为：

式中，表示第i个分量信号的波动序列中的第v个数据，/>表示第i个分量信号的波动序列中的第s个数据，/>表示第i个分量信号的波动序列中的第s+1个数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示绝对值符号，/>表示第i个分量信号的波动序列中的第s个数据为分割点的可能性。

其中，表示第i个分量信号的波动序列中前s个数据的均值，表示第i个分量信号的波动序列中后m-s个数据的均值，表示两部分数据之间的差异，差异越大，表示该数据为分割点的可能性越大，差异越小，表示该数据为分割点的可能性越小。

从每个分量信号的波动序列的所有数据中选取数据为分割点的可能性最大的一个数据作为每个分量信号的波动序列的分割点。

根据每个分量信号的波动序列的分割点将每个分量信号的波动序列划分为两部分。

步骤S003：根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分，根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据，根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度。

需要说明的是，为了区分出每个分量信号中噪声的数据位置和无噪声的数据位置，根据划分为出来的两部分中噪声干扰的程度进行区分，数据越分散，当存在较小的噪声干扰或者没有存在噪声的干扰时，数据越聚集，因此根据每个分量信号的两部分数据的聚集和分散情况确定出存在噪声的数据位置。

具体地，根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，用公式表示为：

式中，表示第i个分量信号的波动序列的第k部分中的最大数据值，/>表示第i个分量信号的波动序列的第k部分中的最小数据值，/>表示第i个分量信号的波动序列的第k部分中的第r个数据，/>表示第i个分量信号的波动序列的第k部分中的所有数据的中值，/>表示绝对值符号，u表示第i个分量信号的波动序列的第k部分中的所有数据的总个数，表示第i个分量信号的波动序列的第k部分的分布特征值。

其中，表示第i个分量信号的波动序列的第k部分中数据值的差异范围，当该部分中数据值的差异范围越大，则该部分的分布特征越大，即该部分越分散，属于噪声部分的可能性越大，当该部分中数据值的差异范围越小，则该部分的分布特征越小，即该部分越聚集，属于噪声部分的可能性越小；/>表示第i个分量信号的波动序列的第k部分中所有数据与第k部分中的所有数据的中值之间的差异的均值，当该差异的均值越大，则该部分的分布特征越大，即该部分越分散，属于噪声部分的可能性越大，当该差异的均值越小，则该部分的分布特征越小，即该部分越聚集，属于噪声部分的可能性越小。

将分布特征值最大的一部分作为每个分量信号的波动序列中的噪声部分，将分布特征值最小的一部分作为每个分量信号的波动序列中的无噪声部分。

计算每个分量信号的波动序列中无噪声部分中的每个数据，与无噪声部分中的其余所有数据之间的差异的均值，将其结果记为每个分量信号的波动序列中无噪声部分中的每个数据的差异程度，将差异程度最小的数据作为每个分量信号的波动序列的参考数据。其中，差异表示差值的绝对值。

需要说明的是，上述得到参考数据就是每个分量信号的波动序列中最稳定的数据值，因此可以根据每个分量信号的波动序列的参考数据与其余数据之间的差异来分析每个分量信号存在噪声的程度。

具体地，根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度，用公式表示为：

式中，表示第i个分量信号的波动序列中除了参考数据之外的第e个数据，/>表示第i个分量信号的波动序列的参考数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示第i个分量信号的波动序列中除了参考数据之外的第e个数据对应的区间，/>表示第i个分量信号的波动序列的参考数据对应的区间，/>为绝对值符号，/>表示以自然常数为底的指数函数，/>表示第i个分量信号的噪声影响程度，/>表示/>距离。

其中，表示第i个分量信号的波动序列中除了参考数据之外的所有数据与参考数据之间的差异的均值，当该差异的均值越大，则该分量信号受噪声影响的程度较大，即该分量信号中存在噪声的可能性越大；当该差异的均值越小，则该分量信号受噪声影响的程度较小，即该分量信号中存在噪声的可能性越小。

至此，得到每个分量信号的噪声影响程度。

步骤S004：根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，完成心电信号特征的提取。

预设一个参数G，其中本实施例以G=3为例进行叙述，本实施例不进行具体限定，其中G可根据具体实施情况而定。

根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，用公式表示为：

式中，表示第i个分量信号的噪声影响程度，/>为预设参数，表示所有分量信号进行去噪的基准筛选值，/>表示第i个分量信号的自适应阈值。

根据每个分量信号的自适应阈值通过小波包阈值滤波得到去噪后的每个分量信号，然后将去噪后的所有分量信号通过小波包逆变换合并成去噪后的心电信号数据，完成心电信号特征的提取。其中，小波包阈值滤波和小波包逆变换都为公知技术，此处不再进行具体赘述。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种心电图信号特征智能提取方法，其特征在于，该方法包括以下步骤：

采集心电信号数据；

对心电信号数据进行分解得到若干个分量信号，对每个分量信号进行区间划分，得到每个分量信号的若干个区间，根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分；

根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分，根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据，根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度；

根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，完成心电信号特征的提取。

2.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述对心电信号数据进行分解得到若干个分量信号，对每个分量信号进行区间划分，得到每个分量信号的若干个区间，包括的具体步骤如下：

通过小波包变换对心电信号数据进行分解得到若干个分量信号；

获取每个分量信号中的所有极大值，根据每个分量信号中的所有极大值对每个分量信号进行区间划分，得到每个分量信号的若干个区间。

3.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值，得到每个分量信号的每个区间的数据波动程度，包括的计算公式如下：

式中，表示第i个分量信号的第j个区间中的第c-1个数据与第c个数据的斜率，表示第i个分量信号的第j个区间中的第c个数据与第c+1个数据的斜率，/>表示第i个分量信号的第j个区间中的第c个数据，/>表示第i个分量信号的第j个区间中的所有数据的均值，n表示第i个分量信号的第j个区间中的数据总个数，/>表示第i个分量信号的第j个区间的数据波动程度，/>表示绝对值符号。

4.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列，包括的具体步骤如下：

按照从小到大的顺序对每个分量信号的所有区间的数据波动程度进行排序得到排序后的结果，将排序后的结果记为每个分量信号的波动序列。

5.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分，包括的具体步骤如下：

根据每个分量信号的波动序列中数据之间的差异获得每个分量信号的波动序列中每个数据为分割点的可能性；

每个分量信号的波动序列中每个数据为分割点的可能性的计算公式为：

式中，表示第i个分量信号的波动序列中的第v个数据，/>表示第i个分量信号的波动序列中的第s个数据，/>表示第i个分量信号的波动序列中的第s+1个数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示绝对值符号，/>表示第i个分量信号的波动序列中的第s个数据为分割点的可能性；

从每个分量信号的波动序列的所有数据中选取数据为分割点的可能性最大的一个数据作为每个分量信号的波动序列的分割点；

通过每个分量信号的波动序列的分割点将每个分量信号的波动序列划分为两部分。

6.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值，根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分，包括的具体步骤如下：

每个分量信号的波动序列中每部分的分布特征值的计算公式为：

式中，表示第i个分量信号的波动序列的第k部分中的最大数据值，/>表示第i个分量信号的波动序列的第k部分中的最小数据值，/>表示第i个分量信号的波动序列的第k部分中的第r个数据，/>表示第i个分量信号的波动序列的第k部分中的所有数据的中值，/>表示绝对值符号，u表示第i个分量信号的波动序列的第k部分中的所有数据的总个数，/>表示第i个分量信号的波动序列的第k部分的分布特征值；

将分布特征值最小的一部分作为每个分量信号的波动序列中的无噪声部分。

7.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据，包括的具体步骤如下：

计算每个分量信号的波动序列中无噪声部分中的每个数据，与无噪声部分中的其余所有数据之间的差异的均值，将其结果记为每个分量信号的波动序列中无噪声部分中的每个数据的差异程度，将差异程度最小的数据作为每个分量信号的波动序列的参考数据。

8.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据，得到每个分量信号的噪声影响程度，包括的计算公式如下：

式中，表示第i个分量信号的波动序列中除了参考数据之外的第e个数据，/>表示第i个分量信号的波动序列的参考数据，m表示第i个分量信号的波动序列中的总数据个数，/>表示第i个分量信号的波动序列中除了参考数据之外的第e个数据对应的区间，/>表示第i个分量信号的波动序列的参考数据对应的区间，/>为绝对值符号，/>表示以自然常数为底的指数函数，/>表示第i个分量信号的噪声影响程度，/>表示/>距离。

9.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值，包括的计算公式如下：

式中，表示第i个分量信号的噪声影响程度，/>为预设参数，/>表示第i个分量信号的自适应阈值。

10.根据权利要求1所述一种心电图信号特征智能提取方法，其特征在于，所述根据每个分量信号的自适应阈值对每个分量信号进行去噪，得到去噪后的每个分量信号，根据去噪后的所有分量信号得到去噪后的心电信号数据，包括的具体步骤如下：

根据每个分量信号的自适应阈值通过小波包阈值滤波得到去噪后的每个分量信号，然后将去噪后的所有分量信号通过小波包逆变换合并成去噪后的心电信号数据。