他实施例中也可将信号质量等级分为三种或三种以上的等级。
[0035]在其中一个实施例中，如图4所示，步骤S120包括步骤S122至步骤S126。
[0036]步骤S122:利用K均值算法对接收的全局特征量训练样本集进行训练得到多个数据簇，并计算各数据簇的中心位置和最大半径。
[0037]最大半径指数据簇中离中心位置最远的数据与中心位置的距离。同样以信号质量等级包括优秀和不及格两种等级为例，全局特征量训练样本集为通过提取已确认信号质量为优秀的历史心电导联信号的全局特征量得到的样本集，通过K均值算法(K-Means)进行训练得到多个数据簇后作为等级分类器。计算各个数据簇的中心位置和离中心位置最远的本簇数据的距离。K均值算法的训练过程如下:初始化时，给定簇的个数和随机设定各个簇中心的位置。然后反复执行以下两个步骤:1、将特征量分配给距离最近的簇中心。2、求归属于各个簇的特征量的质心，并将其设为新的簇中心。若这两步的执行次数达到预先给定的阈值，或者簇中心位置的变化程度小于预先给定的阈值，则停止训练，并输出当前的各个簇的中心位置。通过K均值算法进行样本训练，分类准确度高。
[0038]步骤S124:将各心电导联信号的全局特征量分配至离中心位置距离最近的数据簇，并计算全局特征量与最近数据簇的中心位置的距离。分别将各心电导联信号的全局特征量导入等级分类器中分配到离中心位置距离最近的数据簇，计算得到与该数据簇中心位置的距离。
[0039]步骤S126:根据全局特征量与最近数据簇的中心位置的距离得到对应心电导联信号的信号质量等级。判断全局特征量与最近数据簇的中心位置的距离是否小于数据簇的最大半径，若是，则对应心电导联信号为优秀;若否，则对应心电导联信号为不合格。
[0040]可以理解，根据信号质量等级的划分不同，对心电导联信号进行分类的方式也会有所不同。例如当信号质量等级为三个时，可根据全局特征量与最近数据簇的中心位置的距离将心电导联信号划分为优秀、普通和不合格。
[0041 ] 此外，步骤S120之后，步骤S130之前，心电导联智能选择方法还可包括以下步骤:
[0042]判断信号质量等级为优秀的心电导联信号是否唯一。若是，则将信号质量等级为优秀的心电导联信号作为最优心电导联信号输出；若否，则进行步骤S130。在计算得到各心电导联信号的信号质量等级后，如果优秀信号只有一个，则可直接作为最优信号输出，节省计算量。
[0043]步骤S130:提取不同信号质量等级的心电导联信号的积分波的最大值和池化的局部特征量进行训练得到质量分类器。同样以信号质量等级包括优秀和不合格为例，在计算得到各心电导联信号的信号质量等级后，提取部分优秀和不合格心电导联信号的全局特征量进行训练得到质量分类器。
[0044]本实施例中步骤S130具体为，将不同信号质量等级的心电导联信号的全局特征量输入到支持向量机算法(support vector machine，SVM)进行训练，得到超平面作为质量分类器。支持向量机的训练过程如下:对于不同信号质量等级的心电导联信号的特征量，将位于边界地区的特征量视为该类信号的支持向量。利用核函数将支持向量映射到高维特征空间后，计算出一个位于不同种类的支持向量之间的最佳超平面，即与不同种类的支持向量的间距之和最大的超平面，该超平面被用作质量分类器。利用支持向量机算法进行训练得到质量分类器，可解决小样本情况下的机器学习问题，提高泛化性能。能将特征量映射到高玮度的核空间中，提高分类的准确度。可以理解，在其他实施例中，也可采样其他机器算法进行训练得到质量分类器，例如决策树，随机森林，神经网络等。
[0045]利用机器学习算法来训练分类器。设定好训练参数后机器学习算法能自动的在大量的数据上训练出分类器。整个训练过程无需用户进行干预，节约时间及人力资源。
[0046]步骤S140:根据质量分类器对各心电导联信号进行筛选，得到并输出最优心电导联信号。根据训练得到的质量分类器对所有心电导联信号进行筛选，识别出一个信号质量相对更加优秀的心电导联信号。输出最优心电导联信号具体可以是发送至显示器进行显示以便观察，也可以是发送至存储器进行存储。
[0047]在其中一个实施例中，步骤S140具体包括步骤142和步骤144。
[0048]步骤142:计算心电导联信号的全局特征量与超平面的距离。计算相同时间段来自不同心电导联信号的全局特征量与超平面的距离。
[0049]步骤144:根据全局特征量与超平面的距离对心电导联信号进行筛选，得到最优心电导联信号并输出。根据全局特征量与超平面的距离对心电导联信号进行筛选的具体方式并不唯一，可以是根据距离按从大到小进行排序，提取前预设个数全局特征量对应的心电导联信号作为最优心电导联信号;也可以是直接提取与超平面距离大于预设距离值的全局特征量对应的心电导联信号作为最优心电导联信号。本实施例中将距离超平面最远的全局特征量对应的心电导联信号作为最优心电导联信号，确保信号筛选可靠性。
[0050]在其中一个实施例中，如图5所示，步骤S140之后，心电导联智能选择方法还包括步骤SI 50。
[0051 ]步骤SI 50:通过基于QRS检波的方法建立金标准，对最优心电导联信号进行检验。
[0052]在评价筛选效果时，建立一个数据的金标准来与步骤S140得到的筛选结果进行比较。本实施例中基于QRS检波的方法来建立金标准(Gold standard)，金标准是指当前临床医学界公认的诊断疾病的最可靠、最准确、最好的诊断方法。首先采用QRS检波算法对各个导联的心电信号进行QRS检波，标出R波的位置。然后与QRS检波的金标准进行比较，计算出QRS检波的Fl值(Flscore)。如果Fl值等于1(检波的结果与金标准完全一致)，则将该导联的信号质量标为优秀，反之则不合格。在选择心电导联信号时，将Fl值最高的导联设为信号质量最佳的心电导联信号。
[0053]检查通过金标准得到的心电导联信号与步骤S140中得到的最优心电导联信号是否相同，以检测信号筛选是否准确。由于QRS检波是心电信号分析的基础。QRS检波的结果正确与否直接关系到后续分析的准确度。QRS检波算法对噪声有一定的鲁棒性，即使存在噪声也不一定会影响到检波的效果。利用QRS检波的结果建立的金标准，能保证心电信号质量与检波结果的一致性。建立数据金标准评估筛选效果，既能提高分类的准确度，还降低了工作量。
[0054]利用上述心电导联智能选择方法对某一数据库的数据上进行验证。一共46例心电数据，每段数据均有2个导联，长度为30分钟。测试时，从第O秒开始，每5秒选择一次导联，每次选择的数据长度为5秒。最后在选择的导联数据上进行QRS检波。导联选择的总体准确度在95 %以上，QRS检波的准确率与敏感率均在99.5 %以上。
[0055]上述心电导联智能选择方法，通过提取心电导联信号的全局特征量进行信号分类和建模筛选，引入了池化的局部特征值来表达信号的状态，能很好的反映信号在局部时间的突变情况，准确度高。整个过程无需人员进行干预，节约时间及人力资源，在QRS检波前便可完成信号质量的判断及导联的选择，节约计算量。
[0056]本发明还提供了一种心电导联智能选择系统，适用于监护仪、心电图机等仪器的心电导联筛选。如图6所示，上述系统包括特征提取模块110、信号分类模块120、模型训练模块130和信号筛选模块140。
[0057]特征提取模块110用于对获取的相同时间段的心电导联信号进行特征提取，得到各心电导联信号的全局特征量。
[0058]获取在