CN109864736A - 心电信号的处理方法、装置、终端设备及介质 - Google Patents

Abstract

本发明适用于医疗器械技术领域，提供了一种心电信号的处理方法、装置、终端设备及介质，该方法包括：采集待检测对象的心电信号；获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期；构建基于所述RR间期序列的特征向量；将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。本发明只需采用随机森林模型作为学习算法，便能自动检测心房颤动与否，不需要人工主观判断，且随机森林模型算法具有较高鲁棒性，受异常数据影响较小，不会产生过拟合的现象，因而有效地提高了房颤事件的识别准确性。

Description

心电信号的处理方法、装置、终端设备及介质

技术领域

本发明属于医疗器械技术领域，尤其涉及一种心电信号的处理方法、装置、终端设备及计算机可读存储介质。

背景技术

心房颤动简称房颤，是一种常见的心律失常。在房颤发生时，心脏同步机械活动丧失、心室反应不规则、心率过快等因素都会严重影响人体的正常机能，进而导致各种死亡风险度高的心血管疾病出现，如脑卒中、冠状动脉疾病、心力衰竭等。因此，房颤的早发现和辅助检测研究，对提高健康质量、降低患者危重病症发生率、死亡率有着重要意义。

动态心电图是一种长时间连续记录的体表心电图，采集时间可从24小时至几天，相比于常规心电图而言，其蕴含更为丰富的人体生理信息，可更为客观地反映患者的身体状况，因此，现有技术中，动态心电图是筛查心房颤动的一个重要手段。其中，通过动态心电图检测到房颤信号出现时，心电图通常会出现如下特征：P波消失，代之以振幅形态节律不一的f波；或者，产生不规则的R-R间期。然而，由于动态心电图采样时间较长，故受制于采集设备的存储容量，一般采集设备的采样率与采样精度均较为低下，而P波和f波属微弱信号且易受噪声干扰，故现有的采样条件难以满足P波和f波的特征检测要求，因此，目前动态心电图主要通过对R-R间期的分析来实现房颤的检测。此类方式通常是将心电信号的RR间期的方差与预设阈值进行比较，从而实现房颤的判别。然而，该类方法过度简化了房颤检测过程，因而导致了房颤信号的检测准确率较为低下。

发明内容

有鉴于此，本发明实施例提供了一种心电信号的处理方法、装置、终端设备及计算机可读存储介质，以解决现有技术中，房颤信号的检测准确率较为低下的问题。

本发明实施例的第一方面提供了一种心电信号的处理方法，包括：

采集待检测对象的心电信号；

获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期；

构建基于所述RR间期序列的特征向量；

将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

本发明实施例的第二方面提供了一种心电信号的处理装置，包括：

采集单元，用于采集待检测对象的心电信号；

获取单元，用于获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期；

构建单元，用于构建基于所述RR间期序列的特征向量；

确定单元，用于将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

本发明实施例的第三方面提供了一种终端设备，包括存储器以及处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述心电信号的处理方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现如上述心电信号的处理方法的步骤。

本发明实施例中，通过采集待检测对象的心电信号，获取心电信号的RR间期序列，并基于RR间期序列来构建特征向量，使得随机森林模型能够对量化后的特征向量进行检测处理，快速确定心电信号中是否包含有房颤信号，以输出心房颤动检测结果；本发明实施例中，只需采用随机森林模型作为学习算法，便能自动检测心房颤动与否，不需要人工主观判断，且随机森林模型算法具有较高鲁棒性，受异常数据影响较小，不会产生过拟合的现象，因而有效地提高了房颤事件的识别准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的心电信号的处理方法的实现流程图；

图2是本发明实施例提供的心电信号的处理方法S103的具体实现流程图；

图3是本发明实施例提供的心电信号的处理方法S102的具体实现流程图；

图4是本发明实施例提供的心电信号的处理方法S101的具体实现流程图；

图5是本发明另一实施例提供的心电信号的处理方法的实现流程图；

图6是本发明实施例提供的心电信号的处理装置的结构框图；

图7是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的心电信号的处理方法的实现流程，详述如下：

在S101中，采集待检测对象的心电信号。

本发明实施例中，根据预设的采集参数，并通过预先连接的心电仪、动态心电图设备或其他心电数据采集设备，采集待检测对象的心电信号。其中，可以实时获取心电数据采集设备对待检测对象所采集得到的心电信号，也可以从心电数据采集设备所预先存储的心电数据中，根据接收到的指令，读取与待检测对象匹配的心电信号。

在终端显示界面中，绘制对应的心电波形图像，以对待检测对象的心电信号进行展示。

在S102中，获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期。

通过QRS波检测算法，如阈值检测法、模板匹配法、小波变换法等，对采集得到的心电信号进行处理，以识别心电信号中的各个QRS波。其中，终端显示界面中，位于参考水平线以上的正向波称为R波；R波之前的负向波称为Q波；S波是R波之后第一个负向波。对心电信号中每相邻的两个QRS波，计算两个R波之间的时间差值，以得出该心电信号的一个RR间期。

本发明实施例中，对依序计算出的各个RR间期进行记录存储，即，根据出现时刻的先后次序，将各个RR间期进行排列，以得到上述各个RR间期的RR间期序列。

在S103中，构建基于所述RR间期序列的特征向量。

本发明实施例中，结合多种统计学特征，包括时域特征、频域特征和/或复杂度特征等，对RR间期序列进行全面评估，以构建基于上述RR间期序列的特征向量。

具体地，作为本发明的一个实施例，如图2所示，上述步骤S103包括：

S1031：获取预设的多个特征参数提取算法。

特征参数提取算法包括但不限于时域特征提取算法、频域特征提取算法及复杂度特征提取算法等，分别用于提取RR期间序列在时域、频域以及复杂度上所对应的一个或多个特征参数。

本发明实施例中，对预存储的各个特征参数提取算法进行加载。

S1032：利用每一所述特征提取算法，对所述RR间期序列所包含的各个所述RR间期进行运算处理，得到与该特征参数提取算法对应的特征参数。

本发明实施例中，读取RR间期序列所包含的各个RR间期，并以读取到的各个RR间期为输入参数，输入至当前加载的每一特征参数提取算法中。通过特征参数提取算法所对应的逻辑代码，对各个RR间期进行自动化运算处理，以使得运算完成后的每一特征参数提取算法输出对应的一个或多个特征参数。

示例性地，基于RR间期序列提取的特征参数包括但不限于RR间期序列均值、标准差、最大值、最小值、偏度值、峰度值、变异系数、低频功率、高频功率、香农熵以及样本熵等。

若将RR间期序列所包含的N(N为大于零的整数)个RR间期记为{RR₁,RR₂,...,RR_N}，则上述各类特征参数的计算方法如下：

1)获取RR间期序列的均值RR_M，则：

2)获取RR间期序列的标准差σ_RR，则：

3)获取RR间期序列中的最大值RR_Max，则：

RR_Max＝Max(RR_i),i＝1,2,...,N；

4)获取RR间期序列中的最小值RR_Min，则：

RR_Min＝Min(RR_i),i＝1,2,...,N；

5)获取RR间期序列的偏度值Skew_RR，则：

其中，偏度值也称偏态，可用于评估数据分布形态中偏斜方向与程度，能够对数据分布的非对称性进行描述。

6)获取RR间期序列的峰度值Kurt_RR，峰度值可用于评估数据分布形态陡缓程度，其计算公式为：

7)获取RR间期序列的变异系数C_RR，变异系数是序列标准差与均值的比值，可反映序列离散程度，其计算公式为：

8)获取RR间期序列的低频功率LF_RR，其过程包括：

对当前获取的RR间期序列进行快速傅里叶变换，以得到RR间期序列的功率谱

计算功率谱中0.04～0.15Hz的低频功率LF_RR，该频段可反映交感和副交感神经对RR间期的双重调节作用，其计算方法包括：

X[p]中前N/2点包含了RR间期序列的频率信息，利用预设的序列采样率f，将X[p]转换为关于频率f_i的表达式：X(f_i)＝X[p]，其中f_i＝f·p/N,p＝1,2,...,N/2；

对f_i在0.04～0.15Hz的功率谱求和，以得到

优选地，本发明实施例中，上述预设的f_i为2。

9)获取RR间期序列的高频功率HF_RR，其过程包括：

对当前获取的RR间期序列进行快速傅里叶变换，以得到RR间期序列的功率谱

计算功率谱中0.15～0.4Hz的高频功率HF_RR，该频段可反映副交感神经对RR间期的调节作用，其计算方法包括：

X[p]中前N/2点包含了RR间期序列的频率信息，利用预设的序列采样率f，将X[p]转换为关于频率f_i的表达式：X(f_i)＝X[p]，其中f_i＝f·p/N,p＝1,2,...,N/2；

对fi在0.15～0.4Hz的功率谱求和，以得到

10)计算当前获取的RR间期序列的低频与高频之比Ratio_RR，该特征可反映自主神经***的平衡状态，其计算公式为：

11)获取RR间期序列的香农熵ShEn_RR。其中，由于RR间期序列越稳定，其香农熵越低，且在房颤事件出现时，容易出现RR间期不匀齐的现象，因此，房颤时期的香农熵较窦性心律时大。

本发明实施例中，香农熵ShEn_RR的获取方法包括：剔除RR间期序列中最大的8个值和最小的8个值后，对RR间期序列中所剩余的各个RR间期进行排序，并将其中的各个RR间期分配至16个区间；统计每个区间的RR间期的个数并计算其香农熵，公式如下：

上式中，N_bin(i)为在第i个区间的RR间期的个数，N为总的RR间期数目，N_out为剔除的RR间期数目。本发明实施例中，上述N_out＝16。

12)获取RR间期序列的样本熵SampEn_RR，样本熵用于度量序列中产生新模式的概率大小从而衡量时间序列复杂性，具有不依赖数据长度、一致性好的优点。样本熵SampEn_RR的获取方式包括：

确定模式维数m，将RR间期序列RR_i,i＝1,2,...,N映射到m维相空间，形成点集{b_i},i＝1,2,...,N-m+1，其中b_i＝(RR_i,RR_i+1,...,RR_i+m-1)；

计算{b_i}与{b_j}的距离，d(b_i,b_j)＝max|RR(i+k)-RR(j+k)|,k＝0,1,...,m-1,i,j＝1,2,...,N-m+1；

确定相似容量r，令且j≠i，num{d(b_i,b_j)<r}表示满足d(b_i,b_j)<r的所有{b_j}的数量；

对于参数m，可得：

将维数m加1，令且j≠i，可得：

样本熵的计算公式具体为：SampEn_RR＝-ln{A^m(r)/B^m(r)}。

优选地，本发明实施例中，令m的取值为3，令r为RR间期序列的标准差的0.2倍。

本发明实施例中，除上述列举的各项特征参数外，还可以选取其它类型的特征参数，如与RR间期序列差值相关的统计学特征等，在此不做一一限定。

S1033：构建包含各个所述特征参数的特征向量。

通过各个特征参数提取算法对RR间期序列处理以得到上述特征参数之后，以特征参数为元素值，构建包含所有特征参数的特征向量。

例如，对于RR间期序列的均值、标准差、最大值、最小值、偏度值、峰度值、变异系数、低频功率、高频功率、香农熵以及样本熵等特征参数，其构成的特征向量为X＝{RR_M,σ_RR,RR_Max,...,SampEn_RR}^T。

本发明实施例中，由于不同的个体存在较大差异性，因此，通过采用多样化的统计学指标来获取RR间期序列的特征参数，使得最终构建的特征向量能够具备更多元化的特征，全方位地体现出与待检测对象房颤活动相关的参数，保证基于多类特征参数来判断房颤事件时，能够得到更高的判断准确率，扩大了其在大范围人群中的适用范围。

在S104中，将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

随机森林模型为预先训练完成的算法模型，其用于实现房颤的检测。将上述构建完成后的特征向量作为随机森林模型的输入，可得到房颤检测结果。其中，随机森林模型的输出结果为二分类结果，即，将非房颤定义为类别0，将房颤定义为类别1。

本发明实施例中，由于随机森林算法具有无需对特征参数进行标准化处理的优点，因此，在通过S103获得各特征参数后，可直接构建特征向量并输入随机森林模型，降低了运算复杂度，提高了心房颤动检测过程中的检测效率。

值得注意的是，上述通过随机森林模型来确定心电信号是否包含有房颤信号，属于心房颤动检测过程中的一个初步检测结果，能够作为参考数据，但最终的房颤疾病诊断结果还需要执行进一步的数据处理过程才能获得。

本发明实施例中，通过采集待检测对象的心电信号，获取心电信号的RR间期序列，并基于RR间期序列来构建特征向量，使得随机森林模型能够对量化后的特征向量进行检测处理，快速确定心电信号中是否包含有房颤信号，以输出关于心房颤动检测的结果；本发明实施例中，只需采用随机森林模型作为学习算法，便能自动检测心房颤动与否，不需要人工主观判断，且随机森林模型算法具有较高鲁棒性，受异常数据影响较小，不会产生过拟合的现象，因而有效地提高了房颤事件的识别准确性。

作为本发明的一个实施例，图3示出了本发明实施例提供的心电信号的处理方法S102的具体实现流程，详述如下；

S1021：依序获取所述心电信号所对应的各个RR间期。

S1022：识别所述心电信号的室性期前收缩PVC时间点。

S1023：在依序排列的各个所述RR间期中，剔除生成时刻与所述PVC时间点相邻的RR间期，以得到所述心电信号的RR间期序列。

对获取的RR间期序列进行预处理，去除干扰的RR间期，得到满足条件的RR间期序列。

在待检测对象发生心房颤动时，通常情况下，其RR间期会出现不匀齐的特点。然而，在待检测对象室性期前收缩(premature ventricular contraction，PVC)发生时，其前后RR间期也会出现不匀齐，因此，为了降低误检发生的可能性，本发明实施例中，通过预设的检测算法，识别出心电信号中PVC出现的位置点。在依序获取心电信号所对应的各个RR间期后，根据上述位置点所对应的时刻，分别确定在该时刻之前以及在该时刻之后最先出现的两个RR间期，并将确定出的两个RR间期进行剔除处理。

对剩余的各个RR间期，根据出现时间的先后顺序，对其进行排序，以得到心电信号的RR间期序列。

本发明实施例中未提到的步骤实现原理与上述各个实施例中的步骤实现原理相同，因此不再一一赘述。

本发明实施例中，通过对获取得到的各个RR间期进行预处理，去除存在干扰的RR间期，使得最终生成的RR间期序列能够具有更高的房颤检测参考性，避免了后续在构建该RR间期序列的特征向量时会因PVC所关联的RR间期而降低了特征的检测准确率，由此也保证了后续在将可靠性较高的特征向量输入随机森林模型后，能够获得更为准确的房颤检测结果，因此，提高了房颤检测的准确率。

作为本发明的一个实施例，在上述各个实施例的基础之上，对待检测对象心电信号的获取方式进行进一步的限定，如图4所示，上述步骤S101包括：

在S1011中，导入动态心电图所采集得到的心电波形。

在S1012中，识别存在于所述心电波形中的QRS波。

在S1013中，以所述QRS波为中心点，通过预设的滑动窗口，对所述心电波形进行截取，以得到待检测对象的心电信号；其中，所述滑动窗口的窗口长度为预设值。

本发明实施例中，从预先连接的动态心电图设备中获取待检测对象所关联的心电波形。采集得到的心电波形的质量很大程度上会影响到QRS波检测的准确性，进而影响到基于RR间期序列的房颤检测算法的准确率。因此，为了降低噪声干扰和伪差，获取用户录入的采集参数，以根据该采集参数来控制动态心电图设备采集待检测对象的心电波形。其中，上述采集参数为历史采集过程中，心电波形收到最小噪声干扰时所对应使用的参数值。

本发明实施例中，以QRS波为基本单元并结合时间窗的方式，对心电波形进行逐段检测，具体过程包括：检测心电波形中的各个QRS波，对其中一个QRS波，假设其发生时刻为t，则用滑移窗截取时刻t前后预设时长内的心电波形，以将得到的一段心电波形作为后续待分析的待检测对象的心电信号。其中，上述滑移窗的长度为W，用于表示预设时长的数值大小。

当W较长时，截取得到的心电信号持续时长越大，故可利用的信息量越大，有利于房颤检测，然而，当W过长时，房颤检测准确率一般是趋于稳定甚至有所下降的，而在W过短时，则会因可利用的信息量不足而降低房颤检测的准确率，因此，本发明实施例中，根据用户预先录入的设置参数，将W选取为60s。

现对于现有技术中以时间段为检测单元，且只能对每一时间段内的心电信号给出独立分析结果的信号选取方式而言，本发明实施例提供的以QRS为基本单元的心电信号截取方式能够反映房颤与非房颤交界处的细节，故有效地实现了对房颤事件发生边界的定位。

作为本发明的另一个实施例，在上述S104之前，还包括步骤S105：构建并训练随机森林模型。其中，步骤S105具体包括：

S1051：获取预先采集的样本集，所述样本集包括多个所述特征向量以及每一所述特征向量所对应的待检测对象的心房颤动检测结果。

本发明实施例中，在专业医护人员对待检测对象进行人工房颤检测之后，获取医护人员录入的结果确认指令。对于该对象的一段心电信号，根据上述步骤S102及S103的特征向量构建方式，对该段心电信号构建一个特征向量。在检测到结果确认指令为心房颤动出现时，为该特征向量打上第一标记；在检测到结果确认指令为心房颤动未出现时，为该特征向量打上第二标记。其中，第一标记用于表示心房颤动检测结果为房颤；第二标记用于表示心房颤动检测结果为非房颤。

将每一对象的每一段心电信号所对应生成的特征向量以及标记输出为一个样本。本发明实施例中，重复执行上述步骤S1051，以生成多个样本。通过获取预先生成的多个样本，以得到用于训练随机森林模型的样本集。

优选地，为了提高随机森林模型的性能及训练效果，本发明实施例的样本数量大于一百万。

S1052：根据随机森林模型的超参数值以及所述样本集的所述特征向量，生成所述随机森林模型的决策树。

S1053：分别利用各个所述决策树对所述样本集进行心房颤动检测处理，并基于实时检测结果以及预先获得的所述心房颤动检测结果，计算所述随机森林模型的检测准确率。

S1054：通过交叉验证法对所述随机森林模型的超参数值进行调整，直至所述随机森林模型的检测准确率达到最大值。

本发明实施例中，利用自助采样法对上述样本集进行有放回抽样处理，产生T个子样本集，记为S_i,i＝1,2,...,T。具体地，每一子样本集的生成过程包括：

随机从样本集中挑选一个样本，将其拷贝放入目的子样本集，然后再将该样本重新放回初始的样本集中，以使得该样本在下次随机采样时仍有可能被采到。通过重复m次该随机采样的过程，得到包含m个样本的子样本集。此时，原始样本集中有一部分样本会在目的样本集中多次出现，而另一部分样本可能会不出现在目的样本集中。样本A在T次采样中始终不被采到的概率是取极限可得因此，通过自助采样，初始样本集中约有36.8％的样本未出现在任一子样本集中。

其中，上述T以及m均为大于零的整数。

本发明实施例中，以子样本集的数目T作为随机森林模型在初始时刻下的超参数。

在获取随机森林模型的多个子样本集后，本发明实施例中，对各个子样本集S_i,i＝1,2,...,T分别进行决策树的属性选择。具体地，在决策树的属性选择过程中，对于基决策树的每个节点，先从该节点的属性集合中随机选择一个包含k(k为大于零的整数)个属性的子集，然后再从这个子集中选择一个最优属性用于划分。其中，属性集合为子样本集所对应的各个特征向量的元素类型的集合；参数k同样为随机森林模型的超参数，其用于表示随机性的引入程度。

基于上述决策树的属性选择方式，分别为每一子样本集生成对应的决策树。本发明实施例中，随机森林模型的基决策树可以是ID3、C4.5以及CART决策树等。在训练过程中，令每棵决策树完整生长，不进行剪枝操作处理。

在随机森林模型的各棵决策树均生长完成后，将预先选取的测试样本X_j输入该随机森林模型，以利用其中的每个决策树进行预测，得到对应的标记Tree_i(X_j),i＝1,2,...,T。通过采用投票的方式，将T棵决策树的输出值的平均值确定为随机森林模型的最终预测结果。基于最终预测结果以及预先确定的标记结果，计算此次随机森林模型的检测准确率。

本发明实施例中，采用GridSearch法为上述随机森林模型的超参数T和k动态选值。即，让T和k在一定的范围内取值，对于取定的T和k，利用交叉验证方法得到在该组合取值情况下随机森林模型的检测准确率，并取检测准确率最高的一组T和k作为最佳参数。

本发明实施例中，由于随机森林模型克服了大多数分类器所产生的过拟合问题，具有准确度高、抗噪声能力强、数据集无需规范化、平衡误差以及训练速度快等优点，因此，通过预先训练一随机森林模型，后续能够方便快速地利用该随机森林模型来对量化后的特征向量进行检测处理，有效地提高了房颤事件的识别准确性以及识别效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于本发明实施例所提供的心电信号的处理方法，图6示出了本发明实施例提供的心电信号的处理装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分。

参照图6，该装置包括：

采集单元61，用于采集待检测对象的心电信号。

获取单元62，用于获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期。

构建单元63，用于构建基于所述RR间期序列的特征向量。

确定单元64，用于将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

可选地，所述获取单元62包括：

第一获取子单元，用于依序获取所述心电信号所对应的各个RR间期。

识别子单元，用于识别所述心电信号的室性期前收缩PVC时间点。

剔除子单元，用于在依序排列的各个所述RR间期中，剔除生成时刻与所述PVC时间点相邻的RR间期，以得到所述心电信号的RR间期序列。

可选地，所述构建单元63包括：

第二获取子单元，用于获取预设的多个特征参数提取算法。

运算子单元，用于利用每一所述特征参数提取算法，对所述RR间期序列所包含的各个所述RR间期进行运算处理，得到与该特征参数提取算法对应的特征参数。

构建子单元，用于构建包含各个所述特征参数的特征向量。

可选地，所述特征参数提取算法包括时域特征提取算法、频域特征提取算法及复杂度特征提取算法。

可选地，所述采集单元61包括：

导入子单元，用于导入动态心电图所采集得到的心电波形。

识别子单元，用于识别存在于所述心电波形中的QRS波。

截取子单元，用于以所述QRS波为中心点，通过预设的滑动窗口，对所述心电波形进行截取，以得到待检测对象的心电信号；其中，所述滑动窗口的窗口长度为预设值。

可选地，所述心电信号的处理装置包括：

训练单元，用于构建并训练随机森林模型，所述训练单元包括：

第三获取子单元，用于获取预先采集的样本集，所述样本集包括多个所述特征向量以及每一所述特征向量所对应的待检测对象的心房颤动检测结果。

生成子单元，用于根据随机森林模型的超参数值以及所述样本集的所述特征向量，生成所述随机森林模型的决策树。

计算子单元，用于分别利用各个所述决策树对所述样本集进行心房颤动检测处理，并基于实时检测结果以及预先获得的所述心房颤动检测结果，计算所述随机森林模型的检测准确率。

调整子单元，用于通过交叉验证法对所述随机森林模型的超参数值进行调整，直至所述随机森林模型的检测准确率达到最大值。

本发明实施例中，通过采集待检测对象的心电信号，获取心电信号的RR间期序列，并基于RR间期序列来构建特征向量，使得随机森林模型能够对量化后的特征向量进行检测处理，快速确定心电信号中是否包含有房颤信号，以输出心房颤动检测结果；本发明实施例中，只需采用随机森林模型作为学习算法，便能自动检测心房颤动与否，不需要人工主观判断，且随机森林模型算法具有较高鲁棒性，受异常数据影响较小，不会产生过拟合的现象，因而有效地提高了房颤事件的识别准确性。

图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如心电信号的处理程序。所述处理器70执行所述计算机程序72时实现上述各个心电信号的处理方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至64的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。

所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本申请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全部或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)执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种心电信号的处理方法，其特征在于，包括：

采集待检测对象的心电信号；

获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期；

构建基于所述RR间期序列的特征向量；

将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

2.如权利要求1所述的心电信号的处理方法，其特征在于，所述获取所述心电信号的RR间期序列，包括：

依序获取所述心电信号所对应的各个RR间期；

识别所述心电信号的室性期前收缩PVC时间点；

在依序排列的各个所述RR间期中，剔除生成时刻与所述PVC时间点相邻的RR间期，以得到所述心电信号的RR间期序列。

3.如权利要求1或2所述的心电信号的处理方法，其特征在于，所述构建基于所述RR间期序列的特征向量，包括：

获取预设的多个特征参数提取算法；

利用每一所述特征提取算法，对所述RR间期序列所包含的各个所述RR间期进行运算处理，得到与该特征参数提取算法对应的特征参数；

构建包含各个所述特征参数的特征向量。

4.如权利要求3所述的心电信号的处理方法，其特征在于，所述特征参数提取算法包括时域特征提取算法、频域特征提取算法及复杂度特征提取算法。

5.如权利要求1所述的心电信号的处理方法，其特征在于，所述采集待检测对象的心电信号，包括：

导入动态心电图所采集得到的心电波形；

识别存在于所述心电波形中的QRS波；

以所述QRS波为中心点，通过预设的滑动窗口，对所述心电波形进行截取，以得到待检测对象的心电信号；其中，所述滑动窗口的窗口长度为预设值。

6.如权利要求1所述的心电信号的处理方法，其特征在于，在所述将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号之前，还包括：

构建并训练随机森林模型，包括：

获取预先采集的样本集，所述样本集包括多个所述特征向量以及每一所述特征向量所对应的待检测对象的心房颤动检测结果；

根据随机森林模型的超参数值以及所述样本集的所述特征向量，生成所述随机森林模型的决策树；

分别利用各个所述决策树对所述样本集进行心房颤动检测处理，并基于实时检测结果以及预先获得的所述心房颤动检测结果，计算所述随机森林模型的检测准确率；

通过交叉验证法对所述随机森林模型的超参数值进行调整，直至所述随机森林模型的检测准确率达到最大值。

7.一种心电信号的处理装置，其特征在于，包括：

采集单元，用于采集待检测对象的心电信号；

获取单元，用于获取所述心电信号的RR间期序列，所述RR间期序列包含依序排列的多个RR间期；

构建单元，用于构建基于所述RR间期序列的特征向量；

确定单元，用于将所述特征向量输入预设的随机森林模型，并通过所述随机森林模型确定所述心电信号是否包含有房颤信号。

8.如权利要求7所述的心电信号的处理装置，其特征在于，所述获取单元包括：

获取子单元，用于依序获取所述心电信号所对应的各个RR间期；

识别子单元，用于识别所述心电信号的室性期前收缩PVC时间点；

剔除子单元，用于在依序排列的各个所述RR间期中，剔除生成时刻与所述PVC时间点相邻的RR间期，以得到所述心电信号的RR间期序列。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6中任一项所述心电信号的处理方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述心电信号的处理方法的步骤。