一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法技術(shù)

一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，包括以下步驟：(1)將數(shù)據(jù)庫中標記的信號分割為4s一個子片段，并規(guī)范化處理，然后將規(guī)范化后的信號和經(jīng)過形態(tài)學算法中的開閉運算處理后的信號的差值作為后續(xù)處理所需要的信號；(2)對預處理后的信號提取特征，并根據(jù)子片段類別標記，合成訓練數(shù)據(jù)；(3)采用集成學習方法隨機森林(RFC)訓練模型；(4)將待分類的單導聯(lián)動態(tài)心電信號分割，預處理，并輸入模型獲取分類結(jié)果；(5)以設定長度的信號做判斷，定長信號中的臨時干擾片段滿足設定比例，則將該定長的信號片段判為干擾片段，否則歸為正常片段。本發(fā)明專利技術(shù)可以有效剔除大片干擾片段，減少系統(tǒng)自動識別的誤判，提高醫(yī)生分析的效率。

An automatic recognition method for interference segments of single lead dynamic ECG signal

【技術(shù)實現(xiàn)步驟摘要】
一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法
本專利技術(shù)涉及單導聯(lián)動態(tài)心電信號輔助檢測
，具體涉及一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法。
技術(shù)介紹
單導聯(lián)動態(tài)心電信號在采集過程中經(jīng)常會受到使用者的劇烈運動、環(huán)境的強磁干擾以及其他一些不可控的干擾等，使得心電信號被干擾信號淹沒造成心電信號無法分析，這類信號對臨床診斷沒有任何幫助，不僅會影響軟件自動識別系統(tǒng)的判別，也會給動態(tài)心電讀圖室醫(yī)生的分析帶來很大困擾。對心電圖干擾片段的自動識別并忽略，不僅能夠減少心拍類別的錯誤判斷，也能夠提高動態(tài)心電讀圖醫(yī)生的分析效率。
技術(shù)實現(xiàn)思路
為了克服現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的在于提供一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，可以有效剔除大片干擾片段，減少系統(tǒng)自動識別的誤判，提高醫(yī)生分析的效率。本專利技術(shù)所采用的技術(shù)方案是：一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，包括以下步驟：(1)心電信號截取及預處理：將已有信號類別的心電信號分割為4s的一個子片段，再將子片段信號規(guī)范化，然后將規(guī)范化后的信號經(jīng)過開運算和閉運算，再用規(guī)范化后的信號減去開閉運算后的信號，即為后續(xù)使用所需要的信號；(2)特征提取：提取每一個子片段信號的特征，匯總并記為trainFeature，再將每一個子片段信號對應的信號類別匯總并記為trainIndex；(3)訓練模型：采用集成學習方法隨機森林(RFC)的分類方法，將提取到的特征trainFeature和對應的信號類別trainIndex訓練并保存得到的分類模型；(4)分類模型應用：將需要進行分類的心電信號數(shù)據(jù)分割為4s子片段，提取每個子片段的特征，匯總并記為testFeature，再將testFeature輸入步驟(3)得到的分類識別模型中，輸出每個子片段對應的類型，匯總并記為testIndex；(5)干擾片段判定：以設定長度的信號做判斷，定長信號中的臨時干擾片段滿足設定比例，則將該定長的信號片段判為干擾片段，否則歸為正常片段，至此完成本專利技術(shù)所述的分類方法。進一步，所述步驟(1)中，心電信號截取及預處理過程如下：(1-1)將已有信號類別的心電信號分割為長度為4s的子片段，共獲得N個子片段，記為sigSeg(i),i＝1,2…N；(1-2)將每一個子片段的信號sigSeg(i)規(guī)范化到[-0.5～0.5]之間得到sigSegNor(i)。其中，x為子片段中的數(shù)據(jù)點，max(x)為子片段數(shù)據(jù)點中幅值最大的點，min(x)為子片段數(shù)據(jù)點中幅值最小的點；(1-3)將sigSegNor(i)經(jīng)過開運算得到sigOpen(i)，再將sigOpen(i)經(jīng)過閉運算獲得sigOpenClose(i)，sigPve(i)＝sigSegNor(i)-sigOpenClose(i)即為后續(xù)需要處理的信號。更進一步，所述步驟(2)中，所述的信號子片段特征集trainFeature匯總了每一個子片段的特征共計8維特征，為：1)信號的峰度特征K；2)信號的偏度特征S；3)信號的時間序列復雜度測度Entropy；4)自相關序列最大值maxCorr；5)信號的Lzc時間序列復雜度；6)信號的均值meanEcg；7)信號的方差stdEcg；8)再將每一個sigPve信號對應的信號類別匯總并記為trainIndex。進一步，所述步驟(3)中，采用集成學習方法隨機森林分類器RFC對訓練數(shù)據(jù)trainFeature以及對應的心拍類型trainIndex建立訓練模型，其中1為臨時正常片段的標記，0為臨時干擾片段的標記，，建立的訓練模型中設置決策樹的數(shù)量為n，設置學習率為e，設置基礎決策樹模型的最大深度為h，每顆決策樹以gini系數(shù)為度量構(gòu)造；訓練完成后保存并得到分類模型。進一步，所述步驟(4)中，分類模型應用的操作步驟如下：(4-1)將需要進行分類的心電信號數(shù)據(jù)按照所述步驟(1)分割并預處理信號，提取每個子片段的特征匯總并記為testFeature；(4-2)將testFeature輸入步驟(3)得到的分類模型中，輸出每個子片段對應的類型testIndex,每段子片段的輸出結(jié)果對應分類結(jié)果中的一類。進一步，所述步驟(5)中，干擾片段判定：所述的一定長度的信號用S表示，S中包括Num個4s的子片段，定義testIndex中標簽為0的信號片段為臨時干擾片段，標簽為1的信號片段為臨時正常片段，arfctNum表示Num個子片段里面標簽為0的個數(shù)，最終，p＝arfctNum/Num，當p大于預設比例q時，則信號段S判為干擾片段，否則歸為正常片段，關于T的具體數(shù)值，可以選擇30s和60s，預設比例q可自主設置，范圍(0～1)。本專利技術(shù)的有益效果主要表現(xiàn)在：可以有效識別出單導聯(lián)動態(tài)心電信號中的干擾片段，對無效的干擾片段的識別并忽略，不僅提升醫(yī)生的分析效率，也能夠提升自動分析系統(tǒng)的分析準確率。附圖說明圖1是動態(tài)心電信號子片段識別模型訓練方法的流程圖圖2是上述方法中步驟5)的具體操作流程圖具體實施方式下面結(jié)合附圖對本專利技術(shù)作進一步描述。參照圖1和圖2,，動態(tài)心電信號子片段識別模型訓練方法，該方法從已有信號標記的數(shù)據(jù)庫中獲取心電信號子片段，預處理各子片段并獲取特征，訓練分類模型，最后保存訓練的模型。參照圖2，干擾片段判定方法，通過對子片段分類結(jié)果的統(tǒng)計，最終判斷定長信號為干擾片段和正常片段。本實施方案中，主要針對單導聯(lián)動態(tài)心電圖中干擾信號的問題，提供了一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，包括以下步驟：(1)心電信號截取及預處理：將已有信號類別的心電信號分割為4s的一個子片段，再將子片段信號規(guī)范化，然后將規(guī)范化后的信號經(jīng)過開運算和閉運算，再用規(guī)范化后的信號減去開閉運算后的信號，即為預處理的信號；(2)特征提取：提取每一個子片段信號的特征，匯總并記為trainFeature，再將每一個子片段信號對應的信號類別匯總并記為trainIndex；(3)訓練模型：采用集成學習方法隨機森林RFC的分類方法，將提取到的特征trainFeature和對應的信號類別trainIndex訓練并保存得到的分類模型；(4)分類模型應用：將需要進行分類的心電信號數(shù)據(jù)分割為4s子片段，提取每個子片段的特征，匯總并記為testFeature，再將testFeature輸入步驟(3)得到的分類識別模型中，輸出每個子片段對應的類型，匯總并記為testIndex；(5)干擾片段判定：定義testIndex中標簽為0的信號片段為臨時干擾片段，以設定長度的信號做判斷，定長信號中的臨時干擾片段大于設定比例，則將該定長的信號片段判為干擾片段，否則歸為正常片段，至此完成本專利技術(shù)所述的分類方法。進一步，所述步驟(1)中，心電信號截取及預處理過程如下：(1-1)將已有信號類別的心電信號分割為長度為4s的子片段，共獲得N個子片段，記為sigSeg(i)本文檔來自技高網(wǎng)...

【技術(shù)保護點】
1.一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，其特征在于，所述方法包括以下步驟：/n(1)心電信號截取及預處理：將已有信號類別的心電信號分割為4s的一個子片段，再將子片段信號規(guī)范化，然后將規(guī)范化后的信號經(jīng)過開運算和閉運算，再用規(guī)范化后的信號減去開閉運算后的信號，即為預處理后的信號；/n(2)特征提取：提取每一個子片段信號的特征，匯總并記為trainFeature，再將每一個子片段信號對應的信號類別匯總并記為trainIndex；/n(3)訓練模型：采用集成學習方法隨機森林RFC的分類方法，將提取到的特征trainFeature和對應的信號類別trainIndex訓練并保存得到的分類模型；/n(4)分類模型應用：將需要進行分類的心電信號數(shù)據(jù)分割為4s子片段，預處理并提取每個子片段的特征，匯總并記為testFeature，再將testFeature輸入步驟(3)得到的分類識別模型中，輸出每個子片段對應的類型，匯總并記為testIndex；/n(5)干擾片段判定：以設定長度的信號做判斷，定長信號中的臨時干擾片段滿足設定比例，則將該定長的信號片段判為干擾片段，否則歸為正常片段。/n

【技術(shù)特征摘要】
1.一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，其特征在于，所述方法包括以下步驟：
(1)心電信號截取及預處理：將已有信號類別的心電信號分割為4s的一個子片段，再將子片段信號規(guī)范化，然后將規(guī)范化后的信號經(jīng)過開運算和閉運算，再用規(guī)范化后的信號減去開閉運算后的信號，即為預處理后的信號；
(2)特征提取：提取每一個子片段信號的特征，匯總并記為trainFeature，再將每一個子片段信號對應的信號類別匯總并記為trainIndex；
(3)訓練模型：采用集成學習方法隨機森林RFC的分類方法，將提取到的特征trainFeature和對應的信號類別trainIndex訓練并保存得到的分類模型；
(4)分類模型應用：將需要進行分類的心電信號數(shù)據(jù)分割為4s子片段，預處理并提取每個子片段的特征，匯總并記為testFeature，再將testFeature輸入步驟(3)得到的分類識別模型中，輸出每個子片段對應的類型，匯總并記為testIndex；
(5)干擾片段判定：以設定長度的信號做判斷，定長信號中的臨時干擾片段滿足設定比例，則將該定長的信號片段判為干擾片段，否則歸為正常片段。


2.如權(quán)利要求1所述的一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，其特征在于，所述步驟(1)中，心電信號截取及預處理過程如下：
(1-1)將已有信號類別的心電信號分割為長度為4s的子片段，共獲得N個子片段，記為sigSeg(i),i＝1,2…N；
(1-2)將每一個子片段的信號sigSeg(i)規(guī)范化到[-0.5～0.5]之間得到sigSegNor(i)；
(1-3)將sigSegNor(i)經(jīng)過開運算得到sigOpen(i)，再將sigOpen(i)經(jīng)過閉運算獲得sigOpenClose(i)，sigPve(i)＝sigSegNor(i)-sigOpenClose(i)即為與處理后的信號。


3.如權(quán)利要求1或2所述的一種單導聯(lián)動態(tài)心電信號干擾片段自動識別方法，其特征在于，所述步驟(2...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：謝寒霜，顏佳逸，李宗俊，
申請(專利權(quán))人：杭州質(zhì)子科技有限公司，
類型：發(fā)明
國別省市：浙江;33