30的细化流程示意图；
[0060] 图4为图1中步骤S50的细化流程示意图；
[0061] 图5为本发明心电信号自动检测方法第二实施例的流程示意图；
[0062] 图6为本发明心电信号自动检测装置第一实施例的功能模块示意图；
[0063] 图7为图5中建立模块20的细化功能模块示意图；
[0064] 图8为图5中训练模块30的细化功能模块示意图；
[0065] 图9为图5中分析模块40的细化功能模块示意图；
[0066] 图10为本发明心电信号自动检测装置第二实施例的功能模块示意图。
[0067] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
【具体实施方式】
[0068] 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。
[0069] 本发明提供一种心电信号自动检测方法。
[0070] 参照图1，图1为本发明心电信号自动检测方法第一实施例的流程示意图。
[0071] 本实施例提出一种心电信号自动检测方法，所述心电信号自动检测方法包括：
[0072] 步骤S10,获取用于训练SVM(Support Vector Machine支持向量机）分类器的心 电信号数据，并提取所述心电信号的各个特征参数以及所述心电信号对应的心电状况的标 注；
[0073] 在本实施例中，所述步骤SlO之前，包括采集心电信号的步骤，所述采集心电信号 可通过预设的心电信号采集设备进行采集。此处采集心电信号的方式可与传统采集方式一 致。
[0074] 在本实施例中，基于获取的所述心电信号，提取所述心电信号的各个特征参数的 步骤优选包括：1、基于获取的所述心电信号，对所述心电信号进行预处理，由于心电信号在 采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他 噪声干扰等，在本实施例中，所述对获取到的所述心电信号进行预处理优选通过数字滤波 算法滤除心电信号的工频干扰、基线漂移、肌电干扰或及其他噪声干扰，以提高心电信号的 信噪比；2、提取预处理后的所述心电信号的各个特征参数，现有的心电图的每个心动周期 内出现的波形变化存在一定的规律，心电图中以周期形式出现的波形分别有P波、QRS波 群、T波和U波等，在本实施例中，所述提取所述心电信号的特征参数优选包括提取心电信 号中的P波、QRS波群和T波等波形对应的特征参数Xi。
[0075] 在本实施例中，所述心电信号对应的心电状况的标注Yi为用户输入心电信号时， 对心电信号状况的标记，如每一段心电信号对应的症状或情况，所述心电状况的标注可由 心电信号采集设备采集所述心电信号后，用户在采集设备上进行标注，也可由用户事先对 心电信号的情况进行标注，再通过采集设备采集已标注的心电信号。
[0076] 步骤S20,根据所述提取的各个特征参数以及所述心电信号对应的心电状况的标 注，建立用于训练SVM分类器的训练样本集；
[0077] 在本实施例中，参照图2,所述步骤S20包括：
[0078] 步骤S21，根据各个所述特征参数建立特征参数序列矩阵；
[0079] 在本实施例中，提取一段预设周期时长的心电信号的特征参数Xi，（i = 1，2, 3···. η)，根据预设特征统计算法，对各个所述特征参数Xi进行排列，以得到所述特征参数 对应的特征参数序列矩阵[F1，F2, ...，FT，其中所述计算特征参数序列的参数为Ft, Γ = …，峨》]]，t = 1，2,3,...，m，η为特征参数序列的长度，等于心电波形 持续的周期数。
[0080] 步骤S22,确定所述特征参数序列矩阵中，各个特征参数序列中的最大偏移点；
[0081] 步骤S23,判断所述的最大偏移点对应的特征参数是否为异常的特征参数，若为异 常，剔除所述最大偏移点对应的异常的特征参数；
[0082] 步骤S24,重新确定所述各个特征参数序列中的最大偏移点，判断所述最大偏移点 对应的特征参数是否为异常的特征参数，直至所述最大偏移点对应的特征参数为正常的特 征参数，以实现剔除所有的异常特征参数；
[0083] 在本实施例中，优选方案包括：1、先计算所述特征参数序列矩阵中的各个 特征参数序列F t的均值E(Ft)和方差S2(Ft) ;2、将所述确定的最大偏移点!代入 公式(MW -射产济k = 1，2, . . .，η，若所述公式成立，将所 述确定的最大偏移点Λ1ΙΜ作为可疑异常数据点；3、提取出该可疑异常数据点片謂，重 新计算剩余的特征参数序列户的均值.Mf iY和方差得到剩余的特征参数序列 P =|Τ_,Λ·闕,……4、若该可疑异常数据点Λ·剛满足公式 S=WXfirff xS:r)，RIHe (〇，1)为预设的比例系数，则判定该可疑异常数据点頌为 异常数据点，并将所述异常数据点去除，并更新训练样本集中剩余的各个特征参数，即 Γ =产；5、继续查找剩余的各个特征参数序列中的最大偏移点，重复上述步骤2-4,直到各 个特征参数序列中存在不满足上述公式的最大偏移值4W，才判定所述最大偏移点对应的 特征参数为正常的特征参数，即可确定剩余的特征参数序列中无异常数据点。
[0084] 步骤S25,计算所述特征参数序列的均值，实现对特征参数的统计，得出所述心电 信号的特征参数向量；
[0085] 步骤S26,根据所述统计得出的特征参数向量，结合所述心电信号对应的心电状况 的标注，建立用于训练SVM分类器的训练样本集。
[0086] 在本实施例中，优选方案为，根据特征统计算法，对剩余的心电特征参数进行统计 归纳，统计出最后的特征参数为4 =蓋伊)，，得到特征参数向量A ，并结 合已有的标注yi，组成训练样本集TR = {(xt，yt)}，i = 1，2,3, . . .，N，i为样本序号，m为 特征向量的维数，N为训练样本的个数，所述训练样本集用于训练SVM分类器。
[0087] 在本实施例中，所述根据所述统计得出的特征参数向量，结合所述心电信号对应 的心电状况的标注，建立用于训练SVM分类器的训练样本集的方式例如：所述训练样本集 是一个集合，集合里面的元素是一个个心电样本，即
[0088] 训练样本集={心电样本1，心电样本2, · · · }
[0089] ={(心电特征参数向量1，心电情况标注1)，（心电特征参数向量2,心电情况标 注 2)，. . . }。
[0090] 本实施例中，优选地，所述SVM分类器采用高斯核函数，形式为k(| |X-XC| I)= eXp{-| |x-xc| Γ2/2*。~2)}。由于所述心电参数特征向量具有较高维数，故所述SVM分类 器采用高斯核函数可提高心电信号检测的精确性和合理性。
[0091] 步骤S30,根据所述训练样本集中的各个训练样本，训练针对不同心电状况的各个 SVM分类器；
[0092] 在本实施例中，参照图3,所述步骤S30包括：
[0093] 步骤S31，根据所述训练样本集中心电信号对应的心电状况的种类个数，确定SVM 分类器的数量；
[0094] 在本实施例中，根据所述训练样本集中心电信号对应的心电状况的种类个数，可 确定对应的SVM分类器的数量，例如所述心电状况的种类为5个时，对应的SVM分类器的数 量也是5个。
[0095] 步骤S32,根据所述SVM分类器针对的心电状况以及所述训练样本集中所述心电 状况对应的标注，设置训练样本集在训练各个SVM分类器时所对应的目标概率值；
[0096] 在本实施例中，优选为预设所述训练样本集中的心电信号包括A、B、C和D四种状 况，所述A、B、C和D四种状况分别使用svm[l]~svm[4]四个SVM分类器区分，则例如，当 所述心电状况为A的心电信号在作为训练svm[l]分类器所用的训练样本时，目标概率值设 置为100%，而在作为训练svm[2]~svm[4]分类器所用的训练样本时，目标概率值设置为 0%〇
[0097] 步骤S33,根据所述训练样本集中的各个训练样本与所述设置好的目标概率值，对 针对不同心电状况的各个所述SVM分类器进行训练。
[0098] 在本实施例中，优选方案为，基于获取的所述训练样本集，采用一对多策略训练 SVM分类器，本实施例优选采用一对多（one-against-all，OAA)策略，根据训练样本集TR训 练针对不同心电状况对应的各个SVM分类器，即通过已提取的训练样本集TR，结合一对多 策略对SVM分类器进行训练，以实现自动诊断心电信号多种异常情况的功能。
[0099] 步骤S40,获取待检测心电信号数据，并提取所述待检测心电信号的各个特征参 数；
[0100] 在本实施例中，在接收到待检测心电信号时，同样先对待检测心电信号进行预处 理，以去除待检测心电信号的工频干扰、基线漂移及其他噪声干扰等，提高心电信号的信噪 比，然后提取待检测心电信号中的P波、QRS波群和T波等波形的特征参数Xi。
[0101] 步骤S50,根据所述提取的各个待检测心电信号的特征参数以及所述训练完成的 各个SVM分类器，分析待检测心电信号，以得出所述待检测心电信号属于何种心电状况，作 为检测结果。
[0102] 在本实施例中，参照图4,所述步骤S50包括：
[0103] 步骤S51，根据所述待检测心电信号的特征参数，统计得出所述待检测心电信号的 特征参数向量；
[0104] 所述统计所述待检测心电信号的特征参数向量的【具体实施方式】上文已经详述，此 处不再赘述。
[0105] 步骤S52,将所述特征参数向量，代入所述的各个SVM分类器中运算，得出所述待 检测心电信号属于各个SVM分类器对应的心电状况的概率；
[0106] 步骤S53,比对所述待检测心电信号属于各个心电状况的概率，根据比