心电信号特征点检测方法及装置与流程

本发明涉及心电信息处理
技术领域：
，尤其涉及一种心电信号特征点检测方法及装置。
背景技术：
：心电信号(electrocardiogram，简称ECG)反映了心脏兴奋的电活动过程，它对心脏基本功能及其病理研究方面，具有重要的参考价值。目前，一般心电信号的特征点(P波峰值及其边界，QRS波，T波峰值及其边界)检测方法可以分为：一、使用基底展开方法进行特征点检测；二、使用自适应滤波器(adaptivefilter)进行检测；三、使用心电信号波形模型(比如高斯模型)对ECG信号进行拟合，根据拟合结果得出P波、T波以及QRS波的位置。使用基底展开方法进行特征点检测，基底展开的方式包括离散傅里叶变换、离散余弦变换、以及小波变换等，其中最常用的方法是使用小波变换。这种方法的基本思路是P波、QRS波以及T波往往只会在特定频带出现，所以对于这些波形特征的检测可以限定在小波变换之后的几个分解级上面进行检测。通过设计阈值与判决逻辑，可以首先检测出ECG信号中特征最为明显的QRS波。其次，根据检测出来的QRS波位置，可以确定相应的P波与T波的搜索区域，在对应的搜索区域中分别对P波和T波设置阈值进行检测，最终可以得到各个ECG特征点的检测结果。使用这类小波方法进行ECG特征点检测的问题是，ECG特征点检测的结果往往对于检测阈值的设置比较敏感，而且各个检测阈值的设置需要参考实际的ECG波形，同一组检测阈值在移植到其他数据库上进行检测时，往往要根据新数据库中的ECG波形情况，修改阈值与判决逻辑，很不方便。使用自适应滤波器进行检测，自适应滤波器可以去除ECG信号中的基线漂移、60Hz电源噪声干扰、肌肉噪声以及运动噪声。但是自适应滤波器算法需要一个和输入ECG信号同步的参考信号，这个条件往往在现实应用中难以满足。使用心电信号波形模型对ECG信号进行拟合，根据拟合结果得出P波、T波以及QRS波的位置。这类方法需要先对ECG波形中的各个波形形状进行建模，通过模型的不同参数来反应心电波形对应形状的变化。通过调整模型参数，最小化输入心电信号与模型之间的误差，得到最终的拟合结果，从而得出心电信号各个关键点的位置。这种方法的问题是，如果定义的模型过于简单，扩展性将大打折扣，无法表示多种多样的心电信号波形；如果定义模型比较复杂，又将增加模型拟合过程的计算量，难以保证算法的实时性，甚至可能导致拟合算法无法收敛。鉴于此，如何提供一种实现简单、检测敏感度与准确率较高的心电信号特征点检测方法及装置成为目前需要解决的技术问题。技术实现要素：为解决上述的技术问题，本发明提供一种心电信号特征点检测方法及装置，能够对心电信号特征点进行实时检测，实现简单、检测敏感度与准确率较高。第一方面，本发明提供一种心电信号特征点检测方法，包括：提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；利用模式识别算法，对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型；利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果；将所述分类结果作为测试集中所有心电信号测试点的特征点检测结果。可选地，所述样本集，包括：在心电信号样本中选取的带有标记的心电采样点和在心电信号样本中选取的非特征点心电采样点；所述带有标记的心电采样点和所述非特征点心电采样点的数量相同；相应地，所述提取样本集中所有心电采样点的信号点对特征，包括：提取样本集中带有标记的心电采样点的信号点对特征；提取样本集中非特征点心电采样点的信号点对特征；相应地，所述利用模式识别算法，对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型，包括：将提取的样本集中带有标记的心电采样点的信号点对特征作为训练正例；将提取的样本集中非特征点心电采样点的信号点对特征作为训练负例；利用模式识别算法，对所述训练正例和训练负例中的信号点对特征进行训练，得到心电信号特征分类模型。可选地，所述模式识别算法，包括：随机森林算法。可选地，所述提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征，包括：利用信号点对特征提取算法提取样本集中所有心电采样点的信号点对特征，以及利用所述信号点对特征提取算法提取测试集中所有心电信号测试点的信号点对特征；其中，所述信号点对特征提取算法，包括：在心电信号的时域信号中提取信号点对特征、或者在心电信号的基展开系数中提取信号点对特征；所述心电信号的基展开系数，包括：心电信号的离散小波变换DWT系数、或者心电信号的经验模态分解EMD系数。可选地，在心电信号的离散小波变换DWT系数中提取信号点对特征，包括：以心电采样点/测试点在心电信号波形中的位置为中心，设置一个预设长度的窗口，并截取所述窗口中的心电信号；利用最大值-最小值对截取的心电信号进行归一化；利用离散小波变换DWT，提取归一化后的心电信号的小波变换的不同分解级，并在各个小波分解级系数上随机的抽选预设数量个点对；计算每一个点对pair(x1，x2)的两个采样点位置x1和x2的绝对幅值差值和该点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号；将计算结果作为所述心电采样点/测试点的信号点对特征。可选地，所述计算每一个点对pair(x1，x2)的两个采样点位置x1和x2的绝对幅值差值和该点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号，包括：通过第一公式，计算每一个点对pair(x1，x2)的两个采样点位置x1和x2的绝对幅值差值和该点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号；其中，所述第一公式为：pair(x1,x2)→|sig(x1)-sig(x2)|sign[sig(x1)-sig(x2)]]]>其中，sig(x1)为心电信号在采样点位置x1处的幅值，sig(x2)为心电信号在采样点位置x2处的幅值，sign[sig(x1)-sig(x2)]为点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号，令sig(x1)-sig(x2)＝M，可选地，在所述利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果之后，所述方法还包括：利用后处理算法，对所述分类结果去除虚警输出；相应地，所述将所述分类结果作为测试集中所有心电信号测试点的特征点检测结果，包括：将去除虚警输出后得到的结果作为测试集中所有心电信号测试点的特征点检测结果。可选地，所述利用后处理算法，对所述分类结果去除虚警输出，包括：对于分类结果中时间之差小于预设阈值的同类标记聚成一组，取该组的时域均值作为本类标记的输出结果；同时，使用预先设定的心电信号各个标记出现顺序作为先验信息，对分类结果中标记出现顺序不正确的输出进行去除。第二方面，本发明提供一种心电信号特征点检测装置，包括：提取模块，用于提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；训练模块，用于利用模式识别算法，对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型；分类模块，用于利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果；结果获取模块，用于将所述分类结果作为测试集中所有心电信号测试点的特征点检测结果。可选地，所述装置还包括：去除模块，用于利用后处理算法，对所述分类结果去除虚警输出；相应地，所述结果获取模块，具体用于将去除虚警输出后得到的结果作为测试集中所有心电信号测试点的特征点检测结果。由上述技术方案可知，本发明的心电信号特征点检测方法及装置，通过提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；利用模式识别算法对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型；利用心电信号特征分类模型对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果，并将该分类结果作为测试集中所有心电信号测试点的特征点检测结果。由此，本发明能够对心电信号特征点进行实时检测，实现简单、检测敏感度与准确率较高。本方法可以应用在单导联以及多导联信号的检测中，提供实现简单的、可扩展到多个测试集上的检测方案，提供实时的检测结果输出。附图说明图1为本发明一实施例提供的心电信号特征点检测方法的流程示意图；图2为本发明实施例提供的在心电信号的DWT系数中提取信号点对特征的示意图；图3为一种在图1中的分类结果输出中出现虚警的检测结果输出的示意图；图4为本发明一实施例提供的心电信号特征点检测装置的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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的实施例，都属于本发明保护的范围。图1示出了本发明一实施例提供的心电信号特征点检测方法的流程示意图，如图1所示，本实施例的心电信号特征点检测方法如下所述。101、提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征。在具体应用中，所述样本集，可包括：在心电信号样本中选取的带有标记的心电采样点和在心电信号样本中选取的非特征点心电采样点；所述带有标记的心电采样点和所述非特征点心电采样点的数量相同；相应地，所述步骤101中的“提取样本集中所有心电采样点的信号点对特征”，可以包括：提取样本集中带有标记的心电采样点的信号点对特征；提取样本集中非特征点心电采样点的信号点对特征。需说明的是，在所述步骤101之前，可以预先对心电信号样本中的心电信号特征点位置(P波，QRS波和T波的边界点以及峰值)进行标记。在具体应用中，在所述步骤101中，可以利用信号点对特征提取算法提取样本集中所有心电采样点的信号点对特征，以及利用所述信号点对特征提取算法提取测试集中所有心电信号测试点的信号点对特征；其中，所述信号点对特征提取算法，可以包括：在心电信号的时域信号中提取信号点对特征、或者在心电信号的基展开系数中提取信号点对特征等；所述心电信号的基展开系数，可以包括：心电信号的离散小波变换DWT系数、或者心电信号的经验模态分解EMD系数，本实施例并不对其进行限定，也可以为心电信号的其他基展开系数。举例来说，在心电信号的DWT系数中提取信号点对特征，可以包括：以心电采样点/测试点在心电信号波形中的位置为中心，设置一个预设长度的窗口，并截取所述窗口中的心电信号，可参考图2a；利用最大值-最小值对截取的心电信号进行归一化，增加提取的特征的鲁棒性；利用离散小波变换DWT，提取归一化后的心电信号的小波变换的不同分解级(可参考图2b-图2f)，并在各个小波分解级系数上随机的抽选预设数量个点对；通过第一公式，计算每一个点对pair(x1，x2)的两个采样点位置x1和x2的绝对幅值差值和该点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号；将计算结果作为所述心电采样点/测试点的信号点对特征；其中，所述第一公式为：pair(x1,x2)→{|sig(x1)-sig(x2)|sign[sig(x1)-sig(x2)]---(1)]]>其中，sig(x1)为心电信号在采样点位置x1处的幅值，sig(x2)为心电信号在采样点位置x2处的幅值，sign[sig(x1)-sig(x2)]为点对pair(x1，x2)的两个采样点位置x1和x2的幅值差值的符号，令sig(x1)-sig(x2)＝M，102、利用模式识别算法，对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型。在具体应用中，所述模式识别算法，可以包括：随机森林算法等，本实施例并不对其进行限定，也可以为其他模式识别算法。在具体应用中，在所述样本集包括在心电信号样本中选取的带有标记的心电采样点和在心电信号样本中选取的非特征点心电采样点时，所述步骤102可相应具体包括：将提取的样本集中带有标记的心电采样点的信号点对特征作为训练正例；将提取的样本集中非特征点心电采样点的信号点对特征作为训练负例；利用模式识别算法，对所述训练正例和训练负例中的信号点对特征进行训练，得到心电信号特征分类模型。103、利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果。可以理解的是，由于所述样本集包括在心电信号样本中选取的带有标记的心电采样点和在心电信号样本中选取的非特征点心电采样点，所以利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类时，所述心电信号特征分类模型会对测试集中所有心电信号测试点进行标记，得到其中特征点(P波峰值及其边界，QRS波，T波峰值及其边界)。104、将所述分类结果作为测试集中所有心电信号测试点的特征点检测结果。本实施例的心电信号特征点检测方法，通过提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；利用模式识别算法对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型；利用心电信号特征分类模型对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果，并将该分类结果作为测试集中所有心电信号测试点的特征点检测结果。由此，本发明能够对心电信号特征点进行实时检测，实现简单、检测敏感度与准确率较高。本方法可以应用在单导联以及多导联信号的检测中，提供实现简单的、可扩展到多个测试集上的检测方案，提供实时的检测结果输出。本实施例所述方法具有很高的鲁棒性，其中的模型参数比较少，并且检测性能对参数值变化并不敏感，可极大减轻算法实现中的工作量，对于新加入的测试数据，本方法能够给出具有较高可信度的测试结果，不再需要专业人员对控制参数进行修改。本实施例所述方法具有实时性，可以应用于实时心电监控设备中，及时的给出心电特征点的标注结果，并根据特征点标注结果，对心电异常部分及时记录并发出警报。本实施例所述方法可以自我改进，根据输出结果中的错误标注，可以反馈给方法流程，进行反馈误差学习，随着测试数据量的增加，能够显著提高检测准确率。本实施例所述方法可以应用在单导联或者多导联数据上，对于某些只能提供单导联心电数据的应用场景，本方案仍然可以提供较高的检测准确率。由于步骤103得到的分类结果输出中，可能在正确的特征点位置附近出现一些虚警的检测结果输出，如图3所示。因此，在具体应用中，在所述步骤103之后，所述方法还可以包括图中未示出的步骤S1：S1、利用后处理算法，对所述分类结果去除虚警输出；相应地，所述步骤104可具体为：将去除虚警输出后得到的结果作为测试集中所有心电信号测试点的特征点检测结果。进一步地，所述步骤S1可具体包括：对于分类结果中时间之差小于预设阈值的同类标记聚成一组，取该组的时域均值作为本类标记的输出结果；同时，使用预先设定的心电信号各个标记出现顺序作为先验信息，对分类结果中标记出现顺序不正确的输出进行去除。可以理解的是，通过步骤S1的后处理，得到的测试集中所有心电信号测试点的特征点检测结果能够达到较高的检测敏感度与准确率。图4示出了本发明一实施例提供的心电信号特征点检测装置的结构示意图，如图4所示，本实施例的心电信号特征点检测装置，包括：提取模块41、训练模块42、分类模块43和结果获取模块44；其中：所述提取模块41，用于提取样本集中所有心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；所述训练模块42，用于利用模式识别算法，对在样本集中提取的信号点对特征进行训练，得到心电信号特征分类模型；所述分类模块43，用于利用所述心电信号特征分类模型，对测试集中所有心电信号测试点的信号点对特征进行分类，得到所有心电信号测试点的信号点对特征的分类结果；所述结果获取模块44，用于将所述分类结果作为测试集中所有心电信号测试点的特征点检测结果。在具体应用中，所述样本集，可以包括：在心电信号样本中选取的带有标记的心电采样点和在心电信号样本中选取的非特征点心电采样点；所述带有标记的心电采样点和所述非特征点心电采样点的数量相同；相应地，所述提取模块41，可具体用于提取样本集中带有标记的心电采样点的信号点对特征，提取样本集中非特征点心电采样点的信号点对特征，以及提取测试集中所有心电信号测试点的信号点对特征；相应地，所述训练模块42，可具体用于将提取的样本集中带有标记的心电采样点的信号点对特征作为训练正例；将提取的样本集中非特征点心电采样点的信号点对特征作为训练负例；利用模式识别算法，对所述训练正例和训练负例中的信号点对特征进行训练，得到心电信号特征分类模型。在具体应用中，所述模式识别算法，可以包括：随机森林算法等，本实施例并不对其进行限定，也可以为其他模式识别算法。在具体应用中，所述提取模块41，可具体用于利用信号点对特征提取算法提取样本集中所有心电采样点的信号点对特征，以及利用所述信号点对特征提取算法提取测试集中所有心电信号测试点的信号点对特征；其中，所述信号点对特征提取算法，可以包括：在心电信号的时域信号中提取信号点对特征、或者在心电信号的基展开系数中提取信号点对特征等；所述心电信号的基展开系数，可以包括：心电信号的离散小波变换DWT系数、或者心电信号的经验模态分解EMD系数等，本实施例并不对其进行限定，也可以为心电信号的其他基展开系数。在具体应用中，所述装置还可以包括图中未示出的：去除模块，用于利用后处理算法，对所述分类结果去除虚警输出；相应地，所述结果获取模块44，可具体用于将去除虚警输出后得到的结果作为测试集中所有心电信号测试点的特征点检测结果。需要说明的是，对于装置/系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。本实施例的心电信号特征点检测装置，能够对心电信号特征点进行实时检测，实现简单、检测敏感度与准确率较高。本方法可以应用在单导联以及多导联信号的检测中，提供实现简单的、可扩展到多个测试集上的检测方案，提供实时的检测结果输出。本实施例的心电信号特征点检测装置，可以用于执行前述图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，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。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页1 2 3