CN110742599A - 一种心电信号特征提取分类方法及*** - Google Patents

Abstract

本申请一种心电信号特征提取分类方法及***，方法的主要步骤包括：(1)根据自适应阈值依次定位心电信号的R波、Q波、S波、T波及P波、(2)以心动周期之间的分割点为起点滑动截取1秒心电信号，滑动窗口的窗口长度为1秒，步长为一个心动周期、(3)对1秒心电信号求取时域特征和频域特征，对1秒信号内包括的完整心动周期信号求取形态学特征、(4)利用粗糙集做属性约简，筛选有效特征作为判别网络的输入；本发明滑动窗口长度和可变步长的设置保证完整心动周期信号不会被截断，结合定长和单周期的方式在一次信号检测中同时获得时频域特征和形态学特征，增加特征集的维度；利用粗糙集对特征集进行属性约简，提高分类判别的效率和精度。

Description

一种心电信号特征提取分类方法及***

技术领域

本发明属于心电信号处理领域，具体涉及一种心电信号特征提取分类方法及***。

背景技术

心电信号(ECG)被广泛用于心血管疾病诊断、疗效评估等临床实践，具体可用于诊断心律不齐、术后心脏状况等，因此对心电信号中时域、频域、形态学等特征进行准确提取和有效分类显得尤为重要。

目前对ECG信号的特征提取方法大多分为定长截取信号和单心动周期截取信号两种方式。定长截取信号是单独提取固定长度的ECG，提取信号时的滑动窗口的步长也是固定的，这种方式可以提取信号中的时频域特征，但往往把一个完整心动周期的信号截断，导致单心动周期信号部分丢失，特征提取不完全，且定长截取方式无法获取信号波形的形态学特征；单心动周期截取信号方式能获取完整心动周期的信号，可以提取周期内信号波形的形态学特征，但无法获取时频域特征，这两种方式都有其局限性。

另外，目前普遍使用神经网络和支持向量机(SVM)对信号特征分类，从而判断心电信号类型，而目前的分类方法大都把所有特征全部输入分类器做判别，其中包含不相关特征，导致分类效率较低，判别精度下降。

发明内容

基于此，本发明旨在提出一种心电信号特征提取及分类方法，滑动窗口使用可变步长以保证完整心动周期的信号不会被截断，可以同时获取到定长信号和完整心动周期的信号以同时获得时频域特征和形态学特征，还利用粗糙集对有效特征做先行筛选，以克服现有技术的缺陷。

本发明提供一种心电信号特征提取分类方法，包括：

获取心电信号，根据预设的自适应阈值依次定位心电信号的R波、Q波、S波、T波及P波；

计算T波与相邻下一心动周期信号的P波之间的时间轴中点，以该中点为不同心动周期之间的分割点，以分割点为起点使用滑动窗口截取1秒心电信号，该滑动窗口的窗口长度为1秒，步长为一个心动周期；

针对截取的1秒心电信号求取时域特征和频域特征；

确定1秒心电信号中相邻两个分割点的位置，对相邻两个分割点之间的心电信号求取形态学特征；

把上述获得的特征集利用粗糙集做属性约简，筛选与待判别心电信号类型不相关的特征，输出有效特征，把有效特征对应的信号数据作为神经网络和SVM的输入进行心电信号类型判别。

进一步地，为了滤除高频干扰和基线漂移且保留心电信号的有效部分，获取心电信号包括：

对人体原始心电信号进行20Hz的低通滤波和0.5Hz的高通滤波，得到滤波后的心电信号。

进一步地，R波的定位包括：

采用Pan-Tompkins法检测心电信号的QRS波群，把QRS波群中幅值高于R波阈值的波峰定位为R波。

进一步地，为了增加信号的信噪比及增强R波高度，减少把T波错误识别为R波的可能性，检测QRS波群还包括：

使用带通滤波器对心电信号滤波，对滤波后的心电信号进行平方运算。

进一步地，Q波和S波的定位包括：

以R波为中心，求取距离R波均为15ms的两个坐标点，分别获取两个坐标点与R波之间的波谷，根据Q波阈值和S波阈值把波谷分别定位为Q波和S波。

进一步地，T波的定位包括：

以S波为起点，与S波相邻的下一心动周期的心电信号的Q波为终点划定第一信号段，针对第一信号段设定T波阈值，第一信号段中高于T波阈值的波峰定位为T波。

进一步地，P波的定位包括：

以T波为起点，第一信号段的终点为终点划定第二信号段，针对第二信号段设定P波阈值，第二信号段中高于P波阈值的波峰定位为P波。

进一步地，自适应阈值的更新公式为

Thre_n＝Amp_n-1×0.125+Thre_n-1×0.875，

式中的Thre_n表示第n次检测的信号阈值，Amp_n-1表示第n-1次测得的信号幅值，Thre_n-1表示第n-1次检测的信号阈值。

进一步地，时域特征包括平均斜率、中值斜率、幅度范围、信号积分、平均峰-峰幅值、信号均方根中的至少一项。

进一步地，频域特征包括幅度谱面积(Amplitude Spectral Area，AMSA)、功率谱分析(Power Spectrum Analysis，PSA)、最大功率(Max Power，MP)、峰值功率频率(PeakPower Frequency，PF)、中心频率(Centroid Frequency，CF)、能量(Energy，EG)中的至少一项。

进一步地，形态学特征包括P、Q、R、S、T波高度、P-R间期、Q-T间期、S-T间期、QRS波群宽度、P波宽度中的至少一项。

本发明还提供一种心电信号特征提取分类***，包括：

心电信号采集单元，用于获取待处理的心电信号；

信号定位单元，用于根据自适应阈值对心电信号的P、Q、R、S、T波定位；

信号截取单元，用于利用可变步长的滑动窗口对已定位的心电信号进行1秒信号的截取；

特征提取单元，用于针对截取好的1秒心电信号求取频域、时域和形态学特征；

粗糙集约简单元，用于对待判别心电信号的所有特征进行筛选，输出与所需判别类型相关的有效特征，把有效特征对应的心电信号数据输出至下一级判别网络。

进一步地，心电信号采集单元还包括低通和高通的滤波模块。

进一步地，信号定位单元还包括QRS波群检测模块和阈值更新模块。

从以上技术方案可以看出，本发明具有如下优点：

本发明一种心电信号特征提取分类方法及***，通过把滑动窗口的窗口长度设为1秒，步长为一个心动周期，保证截取的信号不会截断一个完整的心动周期，结合定长和单周期的提取方式，可以在一次信号检测中同时获得时频域特征和形态学特征，增加特征集的维度，提高特征提取精度；使用心动周期作为滑动窗口的可变步长，确保完整心动周期的心电信号不会被截断，更有利于信号处理和分析；针对目前分类方法中是把信号的所有特征作为输入，运算冗余效率低下的缺陷，本发明利用粗糙集对特征集进行属性约简，筛选出有效特征剔除不必要的特征，提高分类判别的效率和判别精度。

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，还可以根据提供的附图获得其他的附图。

图1本发明一种实施例提供的心电信号特征提取分类***结构框图

图2本发明另一种实施例提供的心电信号特征提取分类方法实施流程图

图3本发明另一种实施例获取的心电信号波形图

图4本发明另一种实施例对心电信号R波定位示意图

图5本发明另一种实施例对心电信号Q波和S波定位示意图

图6本发明另一种实施例心电信号P、Q、R、S、T波定位示意图

图7本发明另一种实施例心动周期分割点定位示意图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本实施例提供一种心电信号特征提取分类***，用于提取与心律不齐相关的特征以提高对心律不齐分类的精度和效率，包括心电信号采集单元110，信号定位单元120，信号截取单元130，特征提取单元140，粗糙集约简单元150；

心电信号采集单元110还包括低通和高通的滤波模块111；

信号定位单元120还包括QRS波群检测模块121和阈值更新模块122。

该***工作时有如下步骤：

心电信号采集单元110获取人体原始心电信号，利用滤波模块111对原始心电信号进行20Hz的低通滤波和0.5Hz的高通滤波，以滤除高频干扰和基线漂移且保留心电信号的有效部分。

经过滤波的心电信号传输至信号定位单元120进行P、Q、R、S、T波的定位，其中在检测R波时需要先利用QRS波群检测模块121检测出QRS波群，再根据阈值进行定位。阈值更新模块122中已对所有自适应阈值进行初始化，根据内置的更新算法对阈值不断更新，以动态调整阈值基线，使得定位准确度更高。

需要说明的是，阈值更新模块还可以外置于信号定位单元，只要信号定位单元能接收实时的定位阈值，阈值更新模块的位置不构成对本发明的限定。

带有定位标记的心电信号被传输至信号截取单元130，其利用滑动窗口进行信号截取，该滑动窗口的窗口长度为1秒，步长为一个心动周期；特征提取单元140先对截取的1秒信号求取时域和频域特征，再检测在1秒信号中至少两个心动周期分割点，分割点之间的信号即为一个完整心动周期的信号，对该部分信号求取形态学特征。

粗糙集约简单元150对上述求得的包括时域、频域和形态学特征在内的特征集进行属性约简，筛选出与心律不齐相关的有效特征，心电信号对应的特征集则作为下一级判别神经网络的输入。

需要说明的是，本发明提供的***不限于提取心律不齐相关特征，只要是利用本发明方法能实现的信号特征提取的实施例均属于本发明的保护范围。

请参阅图2至图7，本发明提供一种心电信号特征提取及分类方法，可同时提取出心电信号的时频域和形态学特征，增加特征集的维度，提高分类效率和精度。

获取人体原始心电信号，对原始心电信号进行20Hz的低通滤波和0.5Hz的高通滤波，滤除高频干扰和基线漂移且保留心电信号的有效部分，得到滤波后的心电信号。

在本实施例中，设置心电信号的采样率为1秒内360个采样点，采集的部分心电信号波形如图3所示。

根据预设的自适应阈值分别定位信号的P波、Q波、R波、S波及T波。

采用Pan-Tompkins法检测心电信号的QRS波群，把QRS波群中幅值高于R波阈值的波峰定位为R波，如图4所示，图中已标记出R波的定位结果，利用下式更新R波阈值

QRS_Thre_n＝R_Peak_n-1×0.125+QRS_Thre_n-1×0.875，

其中QRS_Thre_n为第n次检测的R波阈值，R_Peak_n-1为第n-1次测得的R波幅值，QRS_Thre_n-1为第n-1次检测的R波阈值，n为正整数。

其中，为了增加信号的信噪比及增强R波高度，减少把T波错误识别为R波的可能性，检测QRS波群时还需对心电信号带通滤波并进行平方运算。

以求得的R波为中心，求取距离R波均为15ms的两个坐标点，分别获取两个坐标点与R波之间的波谷，根据Q波阈值和S波阈值分别定位Q波和S波，Q波阈值更新公式为Q_Thre_n＝Q_Amp_n-1×0.125+Q_Thre_n-1×0.875，S波的更新公式为S_Thre_n＝S_Amp_n-1×0.125+S_Thre_n-1×0.875，其中Q_Thre_n为第n次检测的Q波阈值，Q_Amp_n-1为第n-1次测得的Q波幅值，Q_Thre_n-1为第n-1次检测的Q波阈值，S_Thre_n为第n次检测的S波阈值，S_Amp_n-1为第n-1次测得的S波幅值，S_Thre_n-1为第n-1次检测的S波阈值，n为正整数。

Q波和S波的定位结果如图5所示。

以上述求得的S波为起点，与该S波相邻的下一心动周期的心电信号的Q波为终点划定第一信号段，针对第一信号段设定T波阈值，第一信号段中高于T波阈值的波峰定位为T波，T波阈值更新公式为T_Thre_n＝T_Amp_n-1×0.125+T_Thre_n-1×0.875，T_Thre_n为第n次检测的T波阈值，T_Amp_n-1为第n-1次测得的T波幅值，T_Thre_n-1为第n-1次检测的T波阈值。

以求得的T波为起点，第一信号段的终点即相邻下一心动周期的心电信号的Q波为终点，针对第二信号段设定P波阈值，第二信号段中高于P波阈值的波峰定位为P波，P波阈值更新公式为P_Thre_n＝P_Amp_n-1×0.125+P_Thre_n-1×0.875，P_Thre_n为第n次检测的P波阈值，P_Amp_n-1为第n-1次测得的P波幅值，P_Thre_n-1为第n-1次检测的P波阈值。P波、Q波、R波、S波及T波的定位标记结果如图6所示。

计算上述T波与相邻下一心动周期信号的P波之间的时间轴中点，以该中点为不同心动周期之间的分割点，以分割点为起点使用滑动窗口截取1秒心电信号，该滑动窗口的窗口长度为1秒，步长为一个心动周期；分割点的标记如图7所示，相邻两个分割点之间的信号表示一个完整心动周期的心电信号，正常情况下一个完整心动周期的时间比1秒稍短，则1秒的信号中必然包括至少一个完整心动周期信号，利用完整心动周期的心电信号可以求取信号的形态学特征。

针对截取的1秒心电信号求取时域特征和频域特征，确定1秒心电信号中相邻两个分割点的位置，对相邻两个分割点之间的心电信号求取形态学特征。

时域特征包括平均斜率、中值斜率、幅度范围、信号积分、平均峰-峰幅值、信号均方根中的至少一项。

频域特征包括幅度谱面积(Amplitude Spectral Area，AMSA)、功率谱分析(PowerSpectrum Analysis，PSA)、最大功率(Max Power，MP)、峰值功率频率(Peak PowerFrequency，PF)、中心频率(Centroid Frequency，CF)、能量(Energy，EG)中的至少一项。

形态学特征包括P、Q、R、S、T波高度、P-R间期、Q-T间期、S-T间期、QRS波群宽度、P波宽度中的至少一项。

把上述获得的包括时频域和形态学特征在内的特征集利用粗糙集做属性约简，筛选与待判别心电信号类型不相关的特征，输出有效特征，把有效特征对应的信号数据作为神经网络和SVM的输入进行心电信号类型判别。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述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发明实施例技术方案的精神和范围。

Claims (10)

1.一种心电信号特征提取分类方法，其特征在于，包括：

获取心电信号，根据预设的自适应阈值依次定位所述心电信号的R波、Q波、S波、T波及P波；

计算T波与相邻下一心动周期信号的P波之间的时间轴中点，以所述中点为不同心动周期之间的分割点，以所述分割点为起点使用滑动窗口截取1秒心电信号，所述滑动窗口的窗口长度为1秒，步长为一个心动周期；

对所述1秒心电信号求取时域特征和频域特征；

确定所述1秒心电信号中相邻两个分割点的位置，对所述相邻两个分割点之间的心电信号求取形态学特征；

把包括所述时域特征、频域特征和形态学特征的特征集利用粗糙集做属性约简，筛选与待判别心电信号类型不相关的特征，输出有效特征，把所述有效特征对应的信号数据作为判别网络的输入进行信号类型判别。

2.根据权利要求1所述的心电信号特征提取分类方法，其特征在于，所述获取心电信号包括：

对人体原始心电信号进行20Hz的低通滤波和0.5Hz的高通滤波，得到滤波后的心电信号。

3.根据权利要求1所述的心电信号特征提取分类方法，其特征在于，所述R波的定位包括：

采用Pan-Tompkins法检测心电信号的QRS波群，把所述QRS波群中幅值高于R波阈值的波峰定位为R波。

4.根据权利要求3所述的心电信号特征提取分类方法，其特征在于，所述检测心电信号的QRS波群还包括：

使用带通滤波器对所述心电信号滤波，对滤波后的心电信号进行平方运算。

5.根据权利要求1所述的心电信号特征提取分类方法，其特征在于，所述Q波和S波的定位包括：

以所述R波为中心，求取距离所述R波均为15ms的两个坐标点，分别获取所述两个坐标点与所述R波之间的波谷，根据Q波阈值和S波阈值把所述波谷分别定位为Q波和S波。

6.根据权利要求1所述的心电信号特征提取分类方法，其特征在于，所述T波的定位包括：

以所述S波为起点，与所述S波相邻的下一心动周期的心电信号的Q波为终点划定第一信号段，针对所述第一信号段设定T波阈值，所述第一信号段中高于T波阈值的波峰定位为T波。

7.根据权利要求1或6所述的心电信号特征提取分类方法，其特征在于，所述P波的定位包括：

以T波为起点，所述第一信号段的终点为终点划定第二信号段，针对所述第二信号段设定P波阈值，所述第二信号段中高于P波阈值的波峰定位为P波。

8.根据权利要求1所述的心电信号特征提取分类方法，其特征在于，所述自适应阈值的更新公式为

Thre_n＝Amp_n-1×0.125+Thre_n-1×0.875，

式中的Thre_n表示第n次检测的信号阈值，Amp_n-1表示第n-1次测得的信号幅值，Thre_n-1表示第n-1次检测的信号阈值。

9.一种心电信号特征提取分类***，其特征在于，包括：

心电信号采集单元，用于获取待处理的心电信号；

信号定位单元，用于根据自适应阈值对心电信号的P、Q、R、S、T波定位；

信号截取单元，用于利用滑动窗口对已定位的心电信号进行1秒信号的截取；

特征提取单元，用于针对截取好的1秒心电信号求取频域、时域和形态学特征；

粗糙集约简单元，用于对待判别心电信号的所有特征进行筛选，输出与所需判别类型相关的有效特征，把有效特征对应的心电信号数据输出至下一级判别网络。

10.根据权利要求9所述的心电信号特征提取分类***，其特征在于，所述信号定位单元还包括QRS波群检测模块和阈值更新模块。

Images