CN116869547A - 一种心电信号质量评估方法及*** - Google Patents
一种心电信号质量评估方法及*** Download PDFInfo
- Publication number
- CN116869547A CN116869547A CN202310703592.2A CN202310703592A CN116869547A CN 116869547 A CN116869547 A CN 116869547A CN 202310703592 A CN202310703592 A CN 202310703592A CN 116869547 A CN116869547 A CN 116869547A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- electrocardiosignal
- characteristic parameter
- model
- 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
- 238000001303 quality assessment method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000000718 qrs complex Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 abstract description 25
- 238000001514 detection method Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000036279 refractory period Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号质量评估方法及***,该方法包括:先采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;将所述第一信号数据进行分割并添加标注后组成一组数据;将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果,能够提高心电信号质量评估的准确率,并提高心电信号质量评估的可靠性。
Description
技术领域
本发明属于心电信号技术领域,具体涉及一种心电信号质量评估方法及***。
背景技术
近年来,心血管疾病已成为居民死亡的重要原因之一,其具有突发性高、致死率高等特点,而心电信号的提取和分析对于人们研究心血管疾病具有及其重要的作用。
心电信号在采集过程中容易有噪声的存在,噪声会严重影响心电信号的质量,心电信号由于其本身的复杂性以及监测过程中可能存在的多种干扰是的特征提取与分析的准确性难以保证,进而影响后续判断。
现有技术中对于心电信号质量进行评估大致可分为单一指标和多指标两种,但无论是单一指标和多指标,其质量评估的准确率和可靠性都较低。
因此,如何提高心电信号质量评估的准确率,并提高心电信号质量评估的可靠性,是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中心电信号质量评估的准确率和可靠性都较低的技术问题。
为实现上述技术目的,一方面,本发明提供了一种心电信号评估方法,该方法包括:
采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
将所述第一信号数据进行分割并添加标注后组成一组数据;
将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
进一步地,所述预处理具体包括将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
进一步地,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、相邻两个R波相隔的时间的可变性、R波匹配度。
进一步地,所述基础模型的训练过程具体为通过训练特征参数矩阵对所述基础模型进行训练。
进一步地,所述第一模型的训练过程包括:
为各基础模型对应的输出赋予权重;
基于所述权重和各基础模型的输出进行训练。
另一方面,本发明还提供了一种心电信号质量评估***,所述***包括:
采集模块,用于采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
分割模块,用于将所述第一信号数据进行分割并添加标注后组成一组数据;
提取模块,用于将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
第一预测模块,用于将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
第二预测模块,用于将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
进一步地,所述采集模块具体用于将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
进一步地,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、相邻两个R波相隔的时间的可变性、R波匹配度。
本发明提供的一种心电信号质量评估方法及***,与现有技术相比,本方法先采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;将所述第一信号数据进行分割并添加标注后组成一组数据;将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果,能够提高心电信号质量评估的准确率,并提高心电信号质量评估的可靠性。
附图说明
为了更清楚地说明本说明书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说明书记载的一些实施例,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所示为本说明书实施例提供的心电信号质量评估方法的流程示意图;
图2所示为本说明书实施例提供的心电信号质量评估装置的结构示意图;
图3所示为本说明书实施例提供的心电信号质量评估服务器的硬件结构框图。
具体实施方式
为了使本领域普通技术人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示为本说明实施例提供的心电信号质量评估方法的流程示意图,虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构,但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元,在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
本说明实施例中提供的心电信号质量评估方法可以应用在客户端和服务器等终端设备中,如图1所示,所述方法具体包括如下步骤:
步骤S101、采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据。
在本申请实施例中,所述预处理具体包括将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
具体的,本步骤主要进行心电数据采集、获取心电信号的原始数据和数据降噪操作。预处理阶段使用小波变换、带通滤波器、陷波滤波器等进行信号降噪,滤除基线漂移、肌电干扰等噪声。记采集到的原始数据记为ECGoriginal,采样率为fs,预处理后的信号也即第一信号数据记为ECGfiltered。
ECGoriginal为数字信号,设ECGoriginal信号的采样点个数(即信号长度)为samples,则信号总时长为samples/fs(单位:秒)。其中ECGoriginal[n]用于表示原始信号中第n个采样点对应的信号电压值,且n满足1≤n≤samples。所述信号预处理的操作步骤包括数字陷波滤波器、数字带通滤波器、小波变换去基线等步骤,具体操作流程如下:
1、将ECGoriginal信号通过陷波频率为50Hz的数字陷波滤波器,得到输出信号记为ECG1;
2、将ECG1信号通过陷波频率为100Hz的数字陷波滤波器,得到输出信号记为ECG2;
3、将ECG2信号通过级联高通和低通滤波器组成的数字带通滤波器,以此降低噪声的干扰,得到输出信号记为ECG3;
4、对ECG3信号进行小波分解及重构,提取并剔除信号基线后得到预处理操作的输出信号,记为ECGfiltered。
预处理阶段针对常见的噪声如基线漂移、工频干扰等有较好的滤除效果。其中,基线漂移指由呼吸信号、电极片滑动变化以及电极移动时与皮肤之间的阻抗变化等因素所引起,频率通常在0.05~2Hz之间,幅度一般为心电信号幅值的15%左右。工频干扰主要由于交流电所产生的电磁场作用和心电采集设备与人体间形成的的环形电路等因素产生,频率为50Hz或60Hz,主要由正弦信号构成。
步骤S102、将所述第一信号数据进行分割并添加标注后组成一组数据。
具体的,本步骤主要进行信号分割和专家标注操作。将得到的心电信号ECGfilter分割为时长tsplit的片段(例如,tsplit=10s),专家标注每段信号的噪声等级,每个片段记为ECGsplit[i],对应的专家标注为ysplit[i],其中,i为整数,且1≤i≤samples/tsplit。所有的信号片段和对应的标签构成一组数据ECGsplit、ysplit。
步骤S103、将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵。
在本申请实施例中,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、R-R区间的可变性、R波匹配度。
具体的,本步骤主要进行特征参数计算操作。对一组数据ECGsplit按信号片段分别进行特征参数计算,提取信号特征。记第i条数据的特征参数为向量Cha[i]=(ci1,ci2,..ciC),其中C为特征参数的个数,m为正整数。对第i个信号片段ECGsplit[i],上述信号特征提取分别为:
QRS复合波的频谱分布:
心跳周期主要由P波、QRS复合波、T波和其他重要特征向量组成,其中QRS波积累了ECG信号能量的99%,并且是最稳定的。QRS波的能量集中在以10Hz为中心且宽度为10Hz的频带中。因此,频谱分布pSQI的数学定义如下:
式中,f为频率,P(f)为信号在该频率下的功率,d为微积分的基本符号。
进行频谱分析,并计算两个频带的能量。分子表示QRS波的能量,分母表示ECG信号的总能量。如果存在肌电干扰,则高频分量增加,pSQI降低。
倾斜度sSQIi、峰度kSQIi
其数学定义为:
式中,μx为第一信号数据的平均值,σ为第一信号数据的标准偏差,x为信号,E为期望,v3为信号的归一化三阶中心矩,v4为信号的归一化四阶中心矩。
或:
需要说明的是:矩的定义:
设X是离散随机变量,c为常数,k为正整数,
如果E(|X-c|*)存在,则称E(|X-c|*)为X关于点c的k阶矩。
c=0时,称为k阶原点矩;
c=E(X)时,称为k阶中心矩。
归一化矩:
归一化n阶中心矩或者说标准矩,是n阶中心矩除以标准差σn,归一化n阶中心矩为
这些归一化矩是无量纲值,表示独立于任何尺度的线性变化的分布。举个例子,对于电信号,一阶矩是其DC(直流)电平,二阶矩与平均功率成比例。
基线相对功率basSQIi:
basSQI是描述基线漂移的去噪效果的评价指标。基线漂移是心电信号中三种主要的噪声之一,其存在对后期的病理判断和身份识别影响较大。因此为评估采集信号的优劣及预处理效果,作如下定义:
当没有或几乎没有基线漂移干扰时,basSQI值接近1。低basSQI意味着频带[0,1Hz]内的功率相对于[0,40Hz]间隔内的功率异常高,这大概率是由基线的异常偏移引起的。
R-R区间的可变性cSQIi:
当需要获取该特征点的时候,需要在提取信号特征前,进行R波特征点识别,具体为:
预处理后的信号ECGfiltered进行微分、平方和移动窗口积分,完成信号再处理,记为信号ECGnew;
根据再处理后的信号ECGnew和噪声noise来初始化检测阈值,根据两个心拍值初始化RR间隔IntervalRR的平均值和极限值;
对处理后的信号ECGnew进行识别,设置双阈值以适应不断变化的信号,提高检测的准确性。所谓的双阈值指两组阈值中的每一组都有两个单独的阈值级别,一个级别是另一级别的一半。
在上述操作过程中,如果在时间t时间内未找到QRS,则在这两个阈值之间的时间间隔中,最大的波峰所在波形被认为是可能的QRS波,以减少漏检。其中,t为当前平均RR间隔IntervalRR*166%。
此外,在检测过程中设定不应期以减少误检的可能性。根据生理学的理论要求,在检测过程中检测到一个有效的QRS波时,会有一个220ms的不应期,在此期间不会有下一个有效的QRS波。若在不应期结束后的140ms内检测到QRS波,则需判断它是否有效,若该波形中的最大斜率小于之前有效的QRS波的斜率的一半,则该波形是被误检的T波,否则才能判为有效的QRS波。
ECG信号是周期性信号,R-R间隔的间隔是周期性的。心动周期(单周期心电图长度)的计算与心率有关,心率因运动状态而异。该测量对人体中的运动伪影非常敏感,指标可用于运动状态下收集到的ECG信号。我们需要确保心律具有正常的心电图信号,以避免影响临床诊断。此外,噪声伪影的存在导致QRS检测算法性能降低。当存在伪影时,QRS检测算法表现不佳,要么漏检,要么误检,即错误地将噪声峰值识别为R峰值。上述两个问题将导致R-R区间分布的高可变性;因此,R-R间期变异系数被用于计算R-R间期的变异性:
其中,和/>是ECG信号片段内R-R间期分布的平均值和标准差的经验估计值。
R波匹配度qSQ I:
无论是上述的R波检测方法,还是其与R波检测方法,都有一定的缺点,这可能会导致误检。因此,ECG信号质量也可通过不同R波检测算法得到的相同R波匹配度来评估,公式如下:
其中N表示由两种算法检测的R波的正确数量,Na和Nb分别表示由算法1和2测量的R波数量。
通过上述方案确定出对应的特征参数向量后,如Cha[i]=(pSQIi,sSQIi,kSQIi,basSQIi,cSQIi,qSQIi),所有信号片段的特征参数矩阵记为Cha。
步骤S104、将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果。
具体的,基础模型包括广泛使用、效果较好的支持向量机、决策树等搭建基础模型,各模型独立训练模型预测结果。
在本申请实施例中,所述基础模型的训练过程具体为通过训练特征参数矩阵对所述基础模型进行训练。
具体的,准备数据集。记第i条数据为(xi,yi),其中xi为Part4.得到的心电信号特征参数向量Cha[i],yi为标注标签ysplit,由他们组成的向量(xi,yi)构成一条数据,由多条数据组成的数据集记为[X,Y],将其打乱后划分为训练集、测试集。可以采用k折交叉验证。
各基础模型利用训练集、测试集独自训练、测试数据。对于第i条数据,记第m个模型的预测结果为yim,几个模型结果构成预测向量ypre[i]=(yi1,ypi2,..yiM),其中M为所用模型个数,为正整数。所有数据的预测向量构成预测矩阵ypre。
步骤S105、将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
具体的,第一模型为集成学习模型也即元模型,基于集成学习的方法可以提高分类准确率。每一个基础模型同时判断错误的概率较低,基础模型中相当一部分会做出正确选择,因此基于集成学习得到的结果比单一基础模型的结果可靠性更高。
此外,集成学***均法,即将所得结果向量ypre[i]=(yi1,ypi2,..yiM)求平均,或根据经验人为赋予权重值,取整后获得最终结果yresult。
在本申请实施例中,所述第一模型的训练过程包括:
为各基础模型对应的输出赋予权重;
基于所述权重和各基础模型的输出进行训练。
具体的,准备数据集。将基础模型训练时所得到的训练预测向量ypre[i]作为元模型的一条输入数据,对应的专家标注的标签yi作为标签,他们构成的向量(ypre,yi)为一条数据,所有数据构成数据集(Ypre,Y),以此进行训练得到第一模型。
综合上述,本申请先采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;将所述第一信号数据进行分割并添加标注后组成一组数据;将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果,能够提高心电信号质量评估的准确率,并提高心电信号质量评估的可靠性。
心电信号质量分为以下三个等级:
Q1等级显示低噪声水平的信号片段,允许任何常见类型的分析,包括完整的ECG波分析;
Q2等级包含允许可靠QRS波群检测和基本心率分析的信号片段;
Q3等级的信号片段,由于QRS波群检测和基本心率分析不可靠,因此无法进行进一步处理。
在专家标注阶段,专家基于经验判断心电信号质量;在预测阶段,算法基于模型学习预测心电信号质量。其中,一种心电信号质量具体判断方式如下:根据能否正确检测出心电信号的QRS波形,尤其是R波波峰位置来判断信号质量,即:
Q1:无噪声干扰或少量噪声干扰,能轻松识别出R波,或R波检测完全不受影响,基本无漏检、误检或只有少量漏检、误检;
Q2:部分噪声干扰,能识别或检测出部分R波,可能存在一定的漏检、误检;
Q3:严重噪声干扰,难以识别或检测出R波,或识别结果存在大量的漏检、误检
基于上述的心电信号质量评估方法,本说明一个或多个实施例还提供一种心电信号质量评估的平台、终端,该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置,基于同一创新构思,本说明书实施例提供的一个或多个实施例中的***如下面的实施例所述,由于***解决问题的实施方案与方法类似,因此本说明书实施例具体的***的实施可以参考前述方法的实施,重复之处不再赘述,以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现,但是硬件,软硬件结合的实现也是可能并被构想的。
具体地,图2是本说明书提供的心电信号质量评估装置一个实施例的模块结构示意图,如图2所示,本说明书中提供的心电信号质量评估装置包括:
采集模块201,用于采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
分割模块202,用于将所述第一信号数据进行分割并添加标注后组成一组数据;
提取模块203,用于将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
第一预测模块204,用于将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
第二预测模块205,用于将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
在一些实施例中,所述采集模块201具体用于将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
在一些实施例中,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、相邻两个R波相隔的时间的可变性、R波匹配度。
需要说明的是,上述的***根据对应方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本申请实施例还提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器被配置为用于执行如上述实施例提供的方法。
本申请实施例提供的电子设备,通过存储器存储处理器的可执行指令,当处理器执行该可执行指令时,能够先采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;将所述第一信号数据进行分割并添加标注后组成一组数据;将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果,能够提高心电信号质量评估的准确率,并提高心电信号质量评估的可靠性。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图3是本说明书一个实施例中心电信号质量评估服务器的硬件结构框图,该计算机终端可以是上述实施例中的心电信号质量评估服务器或心电信号质量评估装置。可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的心电信号质量评估方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(network interface controller,nic),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(radio frequency,rf)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
将所述第一信号数据进行分割并添加标注后组成一组数据;
将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如ram、rom等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘;利用光学方式存储信息的装置如,cd或dvd。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit,asic)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或插件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。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说明书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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种心电信号质量评估方法,其特征在于,所述方法包括:
采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
将所述第一信号数据进行分割并添加标注后组成一组数据;
将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
2.如权利要求1所述的心电信号评估方法,其特征在于,所述预处理具体包括将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
3.如权利要求1所述的心电信号评估方法,其特征在于,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、相邻两个R波相隔的时间的可变性、R波匹配度。
4.如权利要求1所述的心电信号评估方法,其特征在于,所述基础模型的训练过程具体为通过训练特征参数矩阵对所述基础模型进行训练。
5.如权利要求2所述的心电信号评估方法,其特征在于,所述第一模型的训练过程包括:
为各基础模型对应的输出赋予权重;
基于所述权重和各基础模型的输出进行训练。
6.一种心电信号质量评估***,其特征在于,所述***包括:
采集模块,用于采集心电信号数据,并对所述心电信号数据进行预处理得到第一信号数据;
分割模块,用于将所述第一信号数据进行分割并添加标注后组成一组数据;
提取模块,用于将所述一组数据中每一个片段的信号数据提取信号特征后构建对应的特征参数向量,并将所述一组数据中所有片段的信号数据对应的特征参数向量组成特征参数矩阵;
第一预测模块,用于将所述特征参数矩阵分别输入到训练好的各基础模型中进行预测得到对应的基础预测结果;
第二预测模块,用于将各基础预测结果输入到训练好的第一模型中进行预测得到最终预测结果,并基于所述最终预测结果确定所述心电信号评估结果。
7.如权利要求6所述的心电信号质量评估***,其特征在于,所述采集模块具体用于将所述心电信号数据依次进行数字陷波滤波器、数字带通滤波器和小波分解及重构的处理。
8.如权利要求6所述的心电信号质量评估***,其特征在于,所述信号特征包括QRS复合波的频谱分布、倾斜度、峰度、基线相对功率、R-R区间的可变性、R波匹配度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703592.2A CN116869547A (zh) | 2023-06-14 | 2023-06-14 | 一种心电信号质量评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703592.2A CN116869547A (zh) | 2023-06-14 | 2023-06-14 | 一种心电信号质量评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116869547A true CN116869547A (zh) | 2023-10-13 |
Family
ID=88267056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310703592.2A Pending CN116869547A (zh) | 2023-06-14 | 2023-06-14 | 一种心电信号质量评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116869547A (zh) |
-
2023
- 2023-06-14 CN CN202310703592.2A patent/CN116869547A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
Übeyli | Adaptive neuro-fuzzy inference system for classification of ECG signals using Lyapunov exponents | |
Übeyli | Recurrent neural networks employing Lyapunov exponents for analysis of ECG signals | |
Orhan | Real-time CHF detection from ECG signals using a novel discretization method | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
CN110840443B (zh) | 心电信号处理方法、心电信号处理装置和电子设备 | |
Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
CN116194044A (zh) | 用于分析心律的方法和*** | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN117598700B (zh) | 智能化血氧饱和度检测***及方法 | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析***及方法 | |
US20140378855A1 (en) | Apparatus and method for feature extraction and classification of fetal heart rate | |
CN112294272A (zh) | 监护仪及其不规则脉率识别方法 | |
Yu et al. | Deviation distance entropy: A method for quantifying the dynamic features of biomedical time series | |
Mesin | Heartbeat monitoring from adaptively down-sampled electrocardiogram | |
Navarro et al. | Artifact rejection and cycle detection in immature breathing: application to the early detection of neonatal sepsis | |
Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、***、终端及存储介质 | |
CN116869547A (zh) | 一种心电信号质量评估方法及*** | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
Schmidt et al. | Comparison of sample entropy and AR-models for heart sound-based detection of coronary artery disease | |
Paila et al. | Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification | |
KR20180128634A (ko) | 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템 |
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 |