一种心电信号分类方法及装置与流程

本发明涉及心电分析技术领域，特别涉及一种心电信号分类方法及装置。

背景技术：

心率失常是人群中的常见现象，严重的心率失常会立即威胁人类的生命，因此及时的检测出心律失常，对预防心脏病和心脏猝死的发生具有重大的意义。在心电信息中P波(心电图检查时，左右心房除极时产生的波形)、QPS波(正常心电图中幅度最大的波群)与T波(上个波群暂停之后出现的波，代表着心室的复极以备下一次心室的除极)是心电信号的重要特征波，他们的特征变化信息是心脏病理分析和诊断的重要依据。因此准确提取QRS波群的特征信息是心电分析的重要基础。

目前，国内外已经有很多心电信号心律失常分类算法，例如：

李坤阳等运用数学形态学和小波变换算法检测心电波形的QRS波形态特征，包括RR间期、QRS波时限等参数，结合医生识读心电图的判别依据，将心拍进行四分类主导性心拍、室上性异常心拍、室性异常心拍和其他心拍，利用MIT-BIH(由美国麻省理工学院提供的研究心律失常的数据库)心律失常数据库检验分类准确率达到94.2％；

Philip de Chazal等基于心电波形的形态和间期提取了12个特征向量，构造线性分类模型进行训练和测试，将心拍分为5类，测试结果真阳性率为81.9％；

Guleral对心电信号进行四个尺度的离散小波变换后,将小波系数的统计量作为心电特征参数，采用两级组合的多层感知器网络实现对四类心电信号的分类，正确识别率达到96.94％；

Osowski提出一种模糊混合神经网络分类器，即将模糊自组织层与MLP(Multi-layer Perceptron，多层感知器)网络进行级联，对七类心电信号进行分类，平均正确识别率达到了96％；

有文献将基于高阶统计量特征和SVM(Support Vector Machine，支持向量机)的神经网络分类器，与基于Herrnite变换特征和SVM的神经网络分类器通过权重投票集成为一个专家系统，对13类心律失常信号进行分类识别；

在国内，曹玉珍在对心电图进行离散小波变换获得特征空间的基础上，对特征空问进行搜索得到不同维数下的优化特征组合，通过研究这些优化特征组合的散度值随维数的变化趋势确定特征向量的构成，最后运用BP神经网络进行分类，对四类心电图的分类正确率达到93.9％。

刘世雄提出对心电信号首先采用小波检测算法精确定位QRS波，然后由每个QRS波群提取26个典型特征组成特征向量，最后采用加入法结合基于目标函数的模糊聚类方法进行分类；

骆德汉运用多阶前馈人工神经网络对6类心电图进行识别，其中二阶神经网络的正确率达到90.57％。

综上所述，现有的心电信号心律失常分类算法至少存在如下问题：基于形态的方法较为简单和直观，但是特征值较少，分类类型有限，且心电图形态对噪声非常敏感。而各种变换域和统计方法对心律失常类型的定义比较混乱，分类结果和效果也各不相同。而且，现有技术中还没有通过深度学习进行心电信号分类的方法。

技术实现要素：

本发明提供了一种心电信号分类方法及装置，旨在解决现有的心电信号心律失常分类方法分类类型有限，对心律失常类型的定义混乱，且没有通过深度学习进行心电信号分类的技术问题。

为了解决上述问题，本发明提供了如下技术方案：

一种心电信号分类方法，包括：

步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；

步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；

步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。

本发明实施例采取的技术方案还包括：所述步骤a中在对心电信号进行分割步骤之前还包括：对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。

本发明实施例采取的技术方案还包括：所述通过小波变换对心电信号进行去噪具体包括：

步骤a1：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；

步骤a2：根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理设定每一层小波系数；

步骤a3：对权重处理后的心电信号进行重构，得到干净的心电信号。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述对心电信号进行分割的分割方式为：以R波峰为中心波峰，选取每个心电信号RR间期具有数据特征的采样点的采样频率和时间长度对心电信号进行分割。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述构建预测分类模型具体为构建基于深度信念网络的预测分类模型的最优结构：当基于深度信念网络的预测分类模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为10个不同值，将隐含层的结点个数设置为五个不同的值；在对所述测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对分类结果的影响，确定最佳隐含层结点个数，同时确定隐含层层数，最终确定所述基于深度信念网络的预测分类模型的最优结构。

本发明实施例采取的另一技术方案为：一种心电信号分类装置，包括：

数据分割模块：用于对心电信号进行分割，分别得到训练集数据和测试集数据；

模型训练模块：用于通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；

信号分类模块：用于通过所述预测分类模型对所述测试集数据进行心电信号分类。

本发明实施例采取的技术方案还包括数据预处理模块，所述数据预处理模块用于对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。

本发明实施例采取的技术方案还包括：所述通过小波变换对心电信号进行去噪具体包括：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；对权重处理后的心电信号进行重构，得到干净的心电信号。

本发明实施例采取的技术方案还包括：所述数据预处理模块对心电信号进行分割具体为：以R波峰为中心波峰，选取每个心电信号RR间期具有数据特征的采样点的采样频率和时间长度对心电信号进行分割。

本发明实施例采取的技术方案还包括：所述模型训练模块还用于构建基于深度信念网络的预测分类模型的最优结构：当基于深度信念网络的预测分类模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为10个不同值，将隐含层的结点个数设置为五个不同的值；在对所述测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对分类结果的影响，确定最佳隐含层结点个数，同时确定隐含层层数，最终确定所述基于深度信念网络的预测分类模型的最优结构。

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的心电信号分类方法通过对心电信号进行分割后，得到训练集和测试集，通过深度学习对训练集进行模型训练，得到预测分类模型，通过预测分类模型进行心电信号分类；本发明通过深度学习构建预测分类模型，减少了人为设计特征造成的不完备性，提高了心电信号分类的准确率，同时可以对更多类型的心率变异进行分类。

附图说明

图1是本发明实施例的心电信号分类方法的流程图；

图2是本发明实施例的心电信号分类系统的结构示意图；

图3是DBN模型和BP神经网络模型准确率对比图。

具体实施方式

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用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的心电信号分类方法的流程图。本发明实施例的心电信号分类方法包括以下步骤：

步骤100：通过样本数据库选择心电信号的数据样本，并对选择的数据样本进行去噪处理；

在步骤100中，本发明实施例采用MIT-BIH心律失常数据库作为样本数据库选择心电信号的数据样本，MIT-BIH心律失常数据库是由美国麻省理工学院和Beth Israel医院合作建立的，该数据库一共包含48条心电信号，约有109500拍，其中约70％的心拍为正常心拍，其余的为异常心拍，共有15种异常心拍，每个心拍都是经过至少两个以上的心电图专家手工独立标注。该48条心电信号取自47个个体，包括年龄从32岁到89岁的25个男性个体和年龄从23岁到89岁的22个女性个体,其中数据记录号201和202来自同一个体，数据记录号100到124之间的23个数据是从Holter上述数据集中随机选取的，是具有代表意义的各种变化的波形和伪迹记录号；200到234之间的25个数据包含并不常见但有非常重要临床现象的数据，包括一些复杂的室性、结性、室上性心律失常和传导异常。数据库中每一条心电信号记录分别包含三个文件,分别是头文件扩展名为.hea、数据文件扩展名为.dat、注释文件扩展名为.air。头文件用来说明与它关联的数据文件的名字及属性，存储方式为ASCII码字符，其中保存了包括信号的格式、采样频率、长度以及此记录患者的相关信息，例如采集地、患者病情、用药情况等。数据文件是以“212”格式进行存储的信号原始数据，“212”格式是针对两个信号的数据库记录，这两个信号的数据交替存储，每三个字节存储两个数据，在头文件中已经进行了说明。注释文件是记录心电诊断专家对心电信号分析的结果，主要包括心跳、节律和信号质量等信息，以二进制进行存储。

本发明实施例通过小波变换对心电信号的数据样本进行去噪处理，小波变换是傅里叶变换的一个新发展，在保留傅里叶变换分析特点的同时也弥补了傅里叶变换在非平稳信号中的一些缺陷，使在信号的分析中更具有灵活、有效的特性。在本发明实施例中，小波变换去噪方式具体包括以下步骤：

步骤101：对心电信号数据样本进行提升小波分解，使所含噪声分布在不同的分解子带上；

在步骤101中，心电信号属于体表生物电信号，信息主要分布在0.7Hz～45Hz之间，微弱多变，易受噪声干扰；噪声主要源自：工频干扰，基线漂移和肌电干扰。而正确的选择小波基函数、小波分解的尺度、阈值及其处理方式在小波阈值去噪算法的实际应用中发挥关键作用。本发明实施例在分析心电信号及噪声频带分布的基础上，对心电信号数据样本进行基于db4小波的8尺度的提升分解，使所含噪声分布在不同的分解子带上；其中，心电信号主要分布在第3～8层小波系数中，肌电干扰主要分布在第1～5层小波系数中，工频干扰主要存在于第2层高频系数中，基线漂移主要存在于第8层低频系数中。

步骤102：根据不同分解子带上的心电信号及其噪声的特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；

在步骤102中，考虑到P、T波信息主要存在于第5层高频系数中，由于P、T波幅度较小，在心电信号去噪过程中易丢失相应特征信息，因此，本发明实施例中将第5层的加权系数设为0.5，并将第1、2层高频系数和第8层低频系数置零，从而消除工频干扰、基线漂移及高频部分的肌电干扰。

步骤103：对权重处理后的心电信号进行重构，得到干净的心电信号数据样本。

在步骤100中，心电信号去噪还可以为带通滤波等去噪方法，通过对心电信号数据样本进行去噪处理，实现了一定程度上的数据样本压缩，提高了程序的运行效率。

步骤200：选取每个心电信号RR间期(RR间期是用来算心室率的,是两个QRS波中R波之间的时间)具有数据特征的一定数量的采样点的数据窗口对心电信号数据样本进行分割，分别得到训练集和测试集数据；

在步骤200中，正常人的一间期在0.12s一0.20s之间，而QRS波的宽度一般在0.06s-0.10s之间，应,0.11s。因此，在心电信号处理中，希望选取最能表现心拍特征的QRS波而不被P波和ST波干扰，因此本发明实施例中以R波峰为中心波峰，选取每个心电信号数据样本RR间期具有数据特征的300个采样点的采样频率和时间长度对心电信号进行分割，进一步实现了数据的压缩，提高了程序的运行效率。其中，100个采样点在ECG(心电图)峰值R以前，200个采样点在ECG峰值R以后。MIT-BIH心律失常数据库中每一条心电信号的注释中都记录了心电信号的基本信息和心电诊断专家对信号分析的结果，例如信号时长、导联、心率、信号质量、发生心律失常心拍的位置、个数和心率失常类型等，根据MIT-BIH数据库中这些已经标注好的心拍和心律失常类型信息，选取需要的心拍，并按照心拍类型分别集合成训练集和测试集，构成心律失常分类样本；由于MIT-BIH心律失常数据库中的心电信号都是采用两导联(MLII导联和V5导联)测量，本发明实施例中选取其中的MLII导联的心电图构成心律失常分类样本；样本类型、编号和数目如下表1所示:

表1心律失常分类样本

步骤300：通过深度学习对训练集进行模型训练，构建预测分类模型；

在步骤300中，深度学习的目的就是通过构建模型模仿人类大脑中的神经元连接结构，在处理图片、音频以及文字等信号的时候，通过神经网络的不同层级的对上述数据进行特征描述，最后给出数据的解释。在本发明实施例中，通过深度学习构建的预测分类模型为基于DBN(深度信念网络)的预测分类模型。DBN模型的学习训练核心包括受限玻尔兹曼机的无监督自主训练和BP(反向传播)算法的有监督训练。在DBN模型训练的时候，如果同时进行整个网络所有层的训练，会导致时间复杂度太高，而如果采用贪婪逐层无监督学习算法就可以解决这个问题。贪婪逐层无监督学习算法的基本思想是，将一个DBN网络模型进行分层学习，每一层都是无监督的学习，所有网络层学习完毕后，再对整个DBN网络模型进行有监督学习的微调。

DBN模型中包含多个隐含层，它是生成型的神经网络模型。在数据关系比较复杂的模型构建过程中，由于DBN模型包含多个隐含层，所以它能够表现出更加强大的能力。因而，在模型性能优化的方法上，就能够采用改变隐含层个数和各个隐含层的结点个数方面进行优化，这就为模型构建提供了方向。于是就可以根据不同的数据集、不同的应用领域构建出不同隐含层个数的DBN模型。然而，目前为止，还没有能够采用统一的方法来确定DBN模型的最优结构(例如确定结点个数和网络层个数等)。

本发明实施例中采用实验的方法来确定DBN模型的最优结构。具体确定方式为：当DBN模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为在1-10之间改变的10个不同值；将隐含层的结点个数设置为4、8、12、16及20五个不同的值。经研究发现，相对与输入结点的个数变化，网络的预测效果对隐含层结点个数的改变更加敏感；在对测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对预测效果的影响，从而确定最佳结点个数，同时也确定了隐含层的层数。最终确定出DBN模型的最优结构。本发明实施例通过深度学习构建预测分类模型，减少了人为设计特征造成的不完备性，提高了心电信号分类的准确率，同时可以对更多类型的心率变异进行分类。在本发明其他实施例中，深度学习构建的预测分类模型还可以是和积网络、卷积神经网络或循环网络等分类模型。

步骤400：将步骤200中的测试集数据输入预测分类模型中进行心电信号分类，并输出心电信号分类类型；

在步骤400中，可将输出的心电信号分类类型与设定的分类类型进行比较，判断输出的心电信号分类类型是否与设定的分类类型吻合，从而计算DBN模型的准确率。

请参阅图2，是本发明实施例的心电信号分类装置的结构示意图。本发明实施例的心电信号分类装置包括数据选择模块、数据预处理模块、数据分割模块、模型训练模块和信号分类模块。

数据选择模块用于从样本数据库中选择心电信号的数据样本；其中，本发明实施例采用MIT-BIH心律失常数据库作为样本数据库选择心电信号的数据样本，MIT-BIH心律失常数据库是由美国麻省理工学院和Beth Israel医院合作建立的，该数据库一共包含48条心电信号，约有109500拍，其中约70％的心拍为正常心拍，其余的为异常心拍，共有15种异常心拍，每个心拍都是经过至少两个以上的心电图专家手工独立标注。

数据预处理模块用于对选择的心电信号的数据样本进行去噪处理；其中，本发明实施例通过小波变换对心电信号的数据样本进行去噪处理；小波变换去噪方式具体为：

1、对心电信号数据样本进行提升小波分解，使所含噪声分布在不同的分解子带上；其中，心电信号属于体表生物电信号，信息主要分布在0.7Hz～45Hz之间，微弱多变，易受噪声干扰；噪声主要源自：工频干扰，基线漂移和肌电干扰。而正确的选择小波基函数、小波分解的尺度、阈值及其处理方式在小波阈值去噪算法的实际应用中发挥关键作用。本发明实施例在分析心电信号及噪声频带分布的基础上，对心电信号数据样本进行基于db4小波的8尺度的提升分解，使所含噪声分布在不同的分解子带上；其中，心电信号主要分布在第3～8层小波系数中，肌电干扰主要分布在第1～5层小波系数中，工频干扰主要存在于第2层高频系数中，基线漂移主要存在于第8层低频系数中。

2、根据不同分解子带上的心电信号及其噪声的特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；其中，考虑到P、T波信息主要存在于第5层高频系数中，由于P、T波幅度较小，在心电信号去噪过程中易丢失相应特征信息，因此，本发明实施例中将第5层的加权系数设为0.5，并将第1、2层高频系数和第8层低频系数置零，从而消除工频干扰、基线漂移及高频部分的肌电干扰。

3、对权重处理后的心电信号进行重构，得到干净的心电信号数据样本；心电信号去噪方法还可以为带通滤波等去噪方法，通过对心电信号数据样本进行去噪处理，实现了一定程度上的数据样本压缩，提高了程序的运行效率。

数据分割模块用于选取每个心电信号RR间期具有数据特征的一定数量的采样点的数据窗口对心电信号数据样本进行分割，分别得到训练集和测试集数据；其中，正常人的一间期在0.12s一0.20s之间，而QRS波的宽度一般在0.06s-0.10s之间，应,0.11s。因此，在心电信号处理中，希望选取最能表现心拍特征的QRS波而不被P波和ST波干扰，因此本发明实施例中以R波峰为中心波峰，选取每个心电信号数据样本RR间期具有数据特征的300个采样点的采样频率和时间长度对心电信号进行分割，进一步实现了数据的压缩，提高了程序的运行效率。其中，100个采样点在ECG(心电图)峰值R以前，200个采样点在ECG峰值R以后。MIT-BIH心律失常数据库中每一条心电信号的注释中都记录了心电信号的基本信息和心电诊断专家对信号分析的结果，例如信号时长、导联、心率、信号质量、发生心律失常心拍的位置、个数和心率失常类型等，根据MIT-BIH数据库中这些已经标注好的心拍和心律失常类型信息，选取需要的心拍，并按照心拍类型分别集合成训练集和测试集，构成心律失常分类样本；由于MIT-BIH心律失常数据库中的心电信号都是采用两导联(MLII导联和V5导联)测量，本发明实施例中选取其中的MLII导联的心电图构成心律失常分类样本；样本类型、编号和数目如下表1所示:

表1心律失常分类样本

模型训练模块用于通过深度学习对训练集进行模型训练，构建预测分类模型；其中，通过深度学习构建的预测分类模型为基于DBN(深度信念网络)的预测分类模型。DBN模型的学习训练核心包括受限玻尔兹曼机的无监督自主训练和BP(反向传播)算法的有监督训练。在DBN模型训练的时候，如果同时进行整个网络所有层的训练，会导致时间复杂度太高，而如果采用贪婪逐层无监督学习算法就可以解决这个问题。贪婪逐层无监督学习算法的基本思想是，将一个DBN网络模型进行分层学习，每一层都是无监督的学习，所有网络层学习完毕后，再对整个DBN网络模型进行有监督学习的微调。

DBN模型中包含多个隐含层，它是生成型的神经网络模型。在数据关系比较复杂的模型构建过程中，由于DBN模型包含多个隐含层，所以它能够表现出更加强大的能力。因而，在模型性能优化的方法上，就能够采用改变隐含层个数和各个隐含层的结点个数方面进行优化，这就为模型构建提供了方向。于是就可以根据不同的数据集、不同的应用领域构建出不同隐含层个数的DBN模型。然而，目前为止，还没有能够采用统一的方法来确定DBN模型的最优结构(例如确定结点个数和网络层个数等)。

本发明实施例中采用实验的方法来确定DBN模型的最优结构。具体确定方式为：当DBN模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为在1-10之间改变的10个不同值；将隐含层的结点个数设置为4、8、12、16及20五个不同的值。经研究发现，相对与输入结点的个数变化，网络的预测效果对隐含层结点个数的改变更加敏感；在对测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对预测效果的影响，从而确定最佳结点个数，同时也确定了隐含层的层数。最终确定出DBN模型的最优结构。本发明实施例通过深度学习构建预测分类模型，减少了人为设计特征造成的不完备性，提高了心电信号分类的准确率，同时可以对更多类型的心率变异进行分类。在本发明其他实施例中，深度学习构建的预测分类模型还可以是和积网络、卷积神经网络或循环网络等分类模型。

信号分类模块用于将测试集数据输入预测分类模型中进行心电信号分类，并输出心电信号分类类型；其中，可将信号分类模块输出的心电信号分类类型与设定的分类类型进行比较，判断输出的心电信号分类类型是否与设定的分类类型吻合，从而计算DBN模型的准确率。

为了检验本发明实施例所构建的DBN模型的心电信号分类效果，本发明通过使用同一组测试数据对DBN模型与BP神经网络模型的构建和预测效果进行了比较。两个模型的预测效果对比结果如图3所示，为DBN模型和BP神经网络模型准确率对比图。从图3中可以看出，同一组测试数据使用DBN模型比BP模型得到的心电信号分类的准确率要高。

本发明实施例的心电信号分类方法首先对原始心电信号进行去噪处理，然后选取每个心电信号RR间期具有数据特征的采样点对心电信号进行分割，得到训练集和测试集，通过深度学习对训练集进行模型训练，得到预测分类模型，通过预测分类模型进行心电信号分类；本发明通过深度学习构建预测分类模型，减少了人为设计特征造成的不完备性，提高了心电信号分类的准确率，同时可以对更多类型的心率变异进行分类；通过对心电信号进行去噪处理，以及选取每个心电信号RR间期具有数据特征的采样点对心电信号进行分割，实现了的数据样本压缩，提高了程序的运行效率。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。