一种心电信号的处理方法及系统的制作方法
一种心电信号的处理方法及系统的制作方法
【专利摘要】本发明适用于数据处理【技术领域】，提供了一种心电信号的处理方法及系统，该方法包括：采集心电信号；对采集的心电信号进行预处理；将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。本发明采用多项式拟和参数作为心电信号分类的特征向量具有更好的鲁棒性，而且通过对单周期心电信号进行归一化处理可有效解决心电信号基线漂移以及心率变化带来的误差。
【专利说明】—种心电信号的处理方法及系统
【技术领域】
[0001]本发明属于数据处理【技术领域】，尤其涉及一种心电信号的处理方法及系统。
【背景技术】
[0002]心电信号是人体重要的生物电信号之一，从不同层面上反映了心脏的工作状态和可靠的内部特征信息，通过对心电信号的分类识别，可方便对心脏疾病快速作出诊断。
[0003]现有对于心电信号的分类识别主要采用人工神经网络方法。人工神经网络方法需要通过模仿人脑学习过程建立相应的数学模型对心电信号进行分类识别，复杂度较高，且鲁棒性较低。
【发明内容】
[0004]本发明实施例在于提供一种心电信号的处理方法，以解决现有基于人工神经网络的心电信号分类识别技术复杂度较高且鲁棒性较低的问题。
[0005]本发明实施例的第一方面，提供一种心电信号的处理方法，所述方法包括:
[0006]采集心电信号；
[0007]对采集的心电信号进行预处理；
[0008]将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；
[0009]对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；
[0010]根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
[0011]本发明实施例的第二方面，提供一种心电信号的处理系统，所述系统包括:
[0012]信息采集单元，用于采集心电信号；
[0013]预处理单元，用于对采集的心电信号进行预处理；
[0014]归一化处理单元，用于将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；
[0015]拟合单元，用于对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；
[0016]分类识别单元，用于根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
[0017]本发明实施例与现有技术相比存在的有益效果是:1)采用多项式拟和参数作为心电信号分类的特征向量具有更好的鲁棒性；2)通过对单周期心电信号进行归一化处理可有效解决心电信号基线漂移以及心率变化带来的误差；3)实现简单，对硬件要求较低，从而有利于降低产品成本；4)可使用家庭式便捷设备采集心电数据，不再局限于现有的心电数据只能由医院使用的标准十二导联心电采集设备采集，真正实现“在家就医”。【专利附图】
【附图说明】
[0018]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。
[0019]图1是本发明第一实施例提供的心电信号处理方法的实现流程图；
[0020]图2是本发明第一实施例提供的R波检测结果的示例图；
[0021]图3是本发明第一实施例提供的拟合结果的示例图；
[0022]图4是本发明第一实施例提供的心电信号分类识别的示意图；
[0023]图5是本发明第二实施例提供的心电信号处理系统的组成结构图。
【具体实施方式】
[0024]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
[0025]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。
[0026]实施例一:
[0027]图1示出了第一实施例提供的心电信号处理方法的实现流程，该方法过程详述如下:
[0028]在步骤SlOl中，采集心电信号。
[0029]优选的是，采集单导联心电信号，可采集不同对象、不同时间段的心电信号。本实施例使用单导联心电信号作为数据源，避免了对十二导联心电信号进行采集的繁琐。而且由于只需要采集单导联心电信号，从而可使用家庭式便捷设备采集，不再局限于现有的心电数据只能由医院使用的标准十二导联心电采集设备采集，扩大了应用范围，具有更强的易用性和实用性。
[0030]在步骤S102中，对采集的心电信号进行预处理。
[0031]具体的是，对采集的心电信号采用带通滤波器(优选0.5-45Hz的巴特沃夫带通滤波器)进行去噪处理以及采用频域变化算法(优选小波变换算法)进行去基线漂移处理。
[0032]在步骤S103中，将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理。
[0033]具体的是，获取预处理后的心电信号，确定该心电信号的R波波峰点；
[0034]以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组(区别于医用心电信号从P波，R波到T波的周期分割方法)；
[0035]对所述单周期心电信号组中的每个单周期心电信号同时在横轴(时间轴)和纵轴(电压数据轴)上进行归一化处理，并在时域上进行重采样，以使得在同一心电信号处理系统中采用统一的采样频率。
[0036]本实施例通过对单周期心电信号的横轴及纵轴的归一化处理可有效解决基线漂移以及心率变化带来的误差。
[0037]其中，所述对所 述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理进一步包括:
[0038]对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[0，1]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
[0039]进一步的，本实施例确定该心电信号的R波波峰点还包括:
[0040]通过So and Chan QRS波检测算法、差分阈值法或小波变换法检测该心电信号的R波:
[0041]在检测到R波时，将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；
[0042]将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点，检测结果如图2所示。
[0043]本实施例首先采用较为宽松的第一预设阈值初步确定R波的波峰，然后再通过第二预设阈值和第三预设阈值来获得最终的R波波峰点。通过对R波波峰检测的改进，可有效避免R波波峰的漏检，而且可使得检测到的R波波峰更准确、更能满足实际需求。
[0044]在步骤S104中，对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数，将所述拟合参数作为心电信号分类的特征向量。
[0045]示例性的，可以将所述单周期心电信号平均划分成两段，然后分别对每段进行多项式拟合，获取拟合参数，如图3所示，由于是归一化处理之后的结果，所以横坐标和纵坐标表示的是“归一化”之后时间值(横坐标)和心电电压值(纵坐标)在0-1之间的数值。
[0046]在步骤S105中，根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。
`[0047]如图4所示，上部分数据为训练数据，下部分数据为测试数据。本实施例通过所述训练数据建立分类模型，将测试数据中获得的拟合参数输入所述分类模型，获得识别结果。
[0048]本实施例选取实验样本101例(健康样本51例，心肌梗塞50例)，采用上述方式获得的分类结果(在分类中采用了三倍交叉验证)如表1所示:
【权利要求】
1.一种心电信号的处理方法，其特征在于，所述方法包括: 采集心电信号； 对采集的心电信号进行预处理； 将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理； 对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数； 根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。
2.如权利要求1所述的方法，其特征在于，所述对采集的心电信号进行预处理包括: 对采集的心电信号采用带通滤波器进行去噪处理以及采用频域变化算法进行去基线漂移处理。
3.如权利要求1所述的方法，其特征在于，所述将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理包括: 获取预处理后的心电信号，确定该心电信号的R波波峰点； 以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组； 对所述单周期心 电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理，并在时域上进行重采样。
4.如权利要求3所述的方法，其特征在于，所述对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理包括: 对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[O，I]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
5.如权利要求3所述的方法，其特征在于，所述确定该心电信号的R波波峰点包括: 通过差分阈值法或小波变换法检测该心电信号的R波: 在检测到R波时，将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点。
6.—种心电信号的处理系统,其特征在于,所述系统包括: 信息采集单元，用于采集心电信号； 预处理单元，用于对采集的心电信号进行预处理； 归一化处理单元，用于将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理； 拟合单元，用于对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；分类识别单元，用于根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
7.如权利要求6所述的系统，其特征在于，所述预处理单元具体用于: 对采集的心电信号采用带通滤波器进行去噪处理以及采用频域变化算法进行去基线漂移处理。
8.如权利要求6所述的系统，其特征在于，所述归一化处理单元包括:波峰点确定模块，用于获取预处理后的心电信号，确定该心电信号的R波波峰点； 分解模块，用于以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组；归一化处理模块，用于对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理，并在时域上进行重采样。
9.如权利要求8所述的系统，其特征在于，所述归一化处理模块具体用于: 对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[O，I]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
10.如权利要求8所述的系统，其特征在于，所述波峰点确定模块具体用于: 通过差分阈值法或小波变换法检测该心电信号的R波: 在检测到R波时， 将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点。
【文档编号】A61B5/0402GK103610457SQ201310585744
【公开日】2014年3月5日 申请日期:2013年11月19日 优先权日:2013年11月19日
【发明者】周丰丰, 刘记奎, 赵苗苗, 罗幼喜 申请人:深圳先进技术研究院
【专利摘要】本发明适用于数据处理【技术领域】，提供了一种心电信号的处理方法及系统，该方法包括：采集心电信号；对采集的心电信号进行预处理；将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。本发明采用多项式拟和参数作为心电信号分类的特征向量具有更好的鲁棒性，而且通过对单周期心电信号进行归一化处理可有效解决心电信号基线漂移以及心率变化带来的误差。
【专利说明】—种心电信号的处理方法及系统
【技术领域】
[0001]本发明属于数据处理【技术领域】，尤其涉及一种心电信号的处理方法及系统。
【背景技术】
[0002]心电信号是人体重要的生物电信号之一，从不同层面上反映了心脏的工作状态和可靠的内部特征信息，通过对心电信号的分类识别，可方便对心脏疾病快速作出诊断。
[0003]现有对于心电信号的分类识别主要采用人工神经网络方法。人工神经网络方法需要通过模仿人脑学习过程建立相应的数学模型对心电信号进行分类识别，复杂度较高，且鲁棒性较低。
【发明内容】
[0004]本发明实施例在于提供一种心电信号的处理方法，以解决现有基于人工神经网络的心电信号分类识别技术复杂度较高且鲁棒性较低的问题。
[0005]本发明实施例的第一方面，提供一种心电信号的处理方法，所述方法包括:
[0006]采集心电信号；
[0007]对采集的心电信号进行预处理；
[0008]将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；
[0009]对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；
[0010]根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
[0011]本发明实施例的第二方面，提供一种心电信号的处理系统，所述系统包括:
[0012]信息采集单元，用于采集心电信号；
[0013]预处理单元，用于对采集的心电信号进行预处理；
[0014]归一化处理单元，用于将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理；
[0015]拟合单元，用于对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；
[0016]分类识别单元，用于根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
[0017]本发明实施例与现有技术相比存在的有益效果是:1)采用多项式拟和参数作为心电信号分类的特征向量具有更好的鲁棒性；2)通过对单周期心电信号进行归一化处理可有效解决心电信号基线漂移以及心率变化带来的误差；3)实现简单，对硬件要求较低，从而有利于降低产品成本；4)可使用家庭式便捷设备采集心电数据，不再局限于现有的心电数据只能由医院使用的标准十二导联心电采集设备采集，真正实现“在家就医”。【专利附图】
【附图说明】
[0018]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。
[0019]图1是本发明第一实施例提供的心电信号处理方法的实现流程图；
[0020]图2是本发明第一实施例提供的R波检测结果的示例图；
[0021]图3是本发明第一实施例提供的拟合结果的示例图；
[0022]图4是本发明第一实施例提供的心电信号分类识别的示意图；
[0023]图5是本发明第二实施例提供的心电信号处理系统的组成结构图。
【具体实施方式】
[0024]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
[0025]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。
[0026]实施例一:
[0027]图1示出了第一实施例提供的心电信号处理方法的实现流程，该方法过程详述如下:
[0028]在步骤SlOl中，采集心电信号。
[0029]优选的是，采集单导联心电信号，可采集不同对象、不同时间段的心电信号。本实施例使用单导联心电信号作为数据源，避免了对十二导联心电信号进行采集的繁琐。而且由于只需要采集单导联心电信号，从而可使用家庭式便捷设备采集，不再局限于现有的心电数据只能由医院使用的标准十二导联心电采集设备采集，扩大了应用范围，具有更强的易用性和实用性。
[0030]在步骤S102中，对采集的心电信号进行预处理。
[0031]具体的是，对采集的心电信号采用带通滤波器(优选0.5-45Hz的巴特沃夫带通滤波器)进行去噪处理以及采用频域变化算法(优选小波变换算法)进行去基线漂移处理。
[0032]在步骤S103中，将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理。
[0033]具体的是，获取预处理后的心电信号，确定该心电信号的R波波峰点；
[0034]以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组(区别于医用心电信号从P波，R波到T波的周期分割方法)；
[0035]对所述单周期心电信号组中的每个单周期心电信号同时在横轴(时间轴)和纵轴(电压数据轴)上进行归一化处理，并在时域上进行重采样，以使得在同一心电信号处理系统中采用统一的采样频率。
[0036]本实施例通过对单周期心电信号的横轴及纵轴的归一化处理可有效解决基线漂移以及心率变化带来的误差。
[0037]其中，所述对所 述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理进一步包括:
[0038]对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[0，1]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
[0039]进一步的，本实施例确定该心电信号的R波波峰点还包括:
[0040]通过So and Chan QRS波检测算法、差分阈值法或小波变换法检测该心电信号的R波:
[0041]在检测到R波时，将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；
[0042]将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点，检测结果如图2所示。
[0043]本实施例首先采用较为宽松的第一预设阈值初步确定R波的波峰，然后再通过第二预设阈值和第三预设阈值来获得最终的R波波峰点。通过对R波波峰检测的改进，可有效避免R波波峰的漏检，而且可使得检测到的R波波峰更准确、更能满足实际需求。
[0044]在步骤S104中，对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数，将所述拟合参数作为心电信号分类的特征向量。
[0045]示例性的，可以将所述单周期心电信号平均划分成两段，然后分别对每段进行多项式拟合，获取拟合参数，如图3所示，由于是归一化处理之后的结果，所以横坐标和纵坐标表示的是“归一化”之后时间值(横坐标)和心电电压值(纵坐标)在0-1之间的数值。
[0046]在步骤S105中，根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。
`[0047]如图4所示，上部分数据为训练数据，下部分数据为测试数据。本实施例通过所述训练数据建立分类模型，将测试数据中获得的拟合参数输入所述分类模型，获得识别结果。
[0048]本实施例选取实验样本101例(健康样本51例，心肌梗塞50例)，采用上述方式获得的分类结果(在分类中采用了三倍交叉验证)如表1所示:
【权利要求】
1.一种心电信号的处理方法，其特征在于，所述方法包括: 采集心电信号； 对采集的心电信号进行预处理； 将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理； 对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数； 根据所述拟合参数，通过预先建立的分类模型对所述心电信号进行分类识别，获得识别结果。
2.如权利要求1所述的方法，其特征在于，所述对采集的心电信号进行预处理包括: 对采集的心电信号采用带通滤波器进行去噪处理以及采用频域变化算法进行去基线漂移处理。
3.如权利要求1所述的方法，其特征在于，所述将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理包括: 获取预处理后的心电信号，确定该心电信号的R波波峰点； 以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组； 对所述单周期心 电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理，并在时域上进行重采样。
4.如权利要求3所述的方法，其特征在于，所述对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理包括: 对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[O，I]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
5.如权利要求3所述的方法，其特征在于，所述确定该心电信号的R波波峰点包括: 通过差分阈值法或小波变换法检测该心电信号的R波: 在检测到R波时，将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点。
6.—种心电信号的处理系统,其特征在于,所述系统包括: 信息采集单元，用于采集心电信号； 预处理单元，用于对采集的心电信号进行预处理； 归一化处理单元，用于将预处理后的心电信号分解为单周期心电信号组，并对所述单周期心电信号组中的每个单周期心电信号进行归一化处理； 拟合单元，用于对归一化处理后的单周期心电信号进行多项式拟合，获取拟合参数；分类识别单元，用于根据所述拟合参数，通过预习建立的分类模型对所述心电信号进行分类识别，获得识别结果。
7.如权利要求6所述的系统，其特征在于，所述预处理单元具体用于: 对采集的心电信号采用带通滤波器进行去噪处理以及采用频域变化算法进行去基线漂移处理。
8.如权利要求6所述的系统，其特征在于，所述归一化处理单元包括:波峰点确定模块，用于获取预处理后的心电信号，确定该心电信号的R波波峰点； 分解模块，用于以所述R波波峰点为分界线，将该心电信号分解为单周期心电信号组；归一化处理模块，用于对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行归一化处理，并在时域上进行重采样。
9.如权利要求8所述的系统，其特征在于，所述归一化处理模块具体用于: 对所述单周期心电信号组中的每个单周期心电信号同时在时间轴和电压数据轴上进行范围为[O，I]的归一化处理，并在时间轴上进行三次样条插值处理，插值间隔为[0:0.01:1]。
10.如权利要求8所述的系统，其特征在于，所述波峰点确定模块具体用于: 通过差分阈值法或小波变换法检测该心电信号的R波: 在检测到R波时， 将所述R波中峰值大于或等于第一预设阈值的波峰作为初始波峰；将所述初始波峰中峰值大于或等于第二预设阈值，且峰值时间间隔大于或等于第三预设阈值的波峰作为R波波峰点。
【文档编号】A61B5/0402GK103610457SQ201310585744
【公开日】2014年3月5日 申请日期:2013年11月19日 优先权日:2013年11月19日
【发明者】周丰丰, 刘记奎, 赵苗苗, 罗幼喜 申请人:深圳先进技术研究院
最新回复(0)