专利名称：基于固有趋势子序列模式分解的ecg异常检测方法
技术领域：
本发明涉及生物医学信号检测与信号处理技术领域，具体涉及一种基于固 有趋势子序列模式分解的ECG异常检测方法。
背景技术：
生物医学信号检测与信号处理技术可以协助生物和生理系统的研究，协助 对患者进行诊断和治疗。在各种的生物信号测量中，以心电为代表的循环系统 的生理量测量相对来说发展较快，是临床检查方法之一，对某些疾病尤其是心 血管疾病的诊断具有重要意义。
心电图(ECG)是记录心脏电活动简单而实用的方法，能反映出兴奋在心脏内 的传播过程及心脏的机能状态。如果心脏的传导系统发生障碍或某部分心肌发 生病变，心电活动的变化能正确及时地反映在心电图上，表现为各个波形的异 常变化和进行性演变过程。从1903年Beethoven将心电图技术应用于临床，至 今已百年，百年中，持续发展的心电图技术为人类的生命与健康，为生物学、 临床医学做出了巨大贡献，成为临床不可缺少的、最重要的常规^r查技术。近 年来，心脑血管疾病的发病率和死亡率逐年上升，对心脏做定期检查，及早发 现隐患，已成为大多数人尤其是心脏病患者的需要。心电图作为4全查心脏病常 规和必要的手段，是医生诊断心脏疾病的得力助手，对它的准确判读对于及早 发现病情以及提高国民健康水平和生活素质有着重要意义。心电图在诊断心律 变异、心肌缺血、心肌梗塞等方面有着重要作用。但病态心电图种类繁多、变 异极大，同种病理的不同患者的心电图甚至同一患者本身的ECG都存在着4艮大 的差异，要对其作出准确判断，通常需要医师具有丰富的知识和积累大量临床 经验。此外，若医师长期从事大量图形的识别工作，极易疲劳，容易漏检、出 错，因而心电图的自动诊断成为人们的研究热点。心电图的自动诊断，不但减轻了临床医师的负担而且可以通过得到的特征值进行进一步的分析、整理，为 医学研究提供详尽的研究资料，也是日后心电图机发展为家庭健康监护设备的 重要基础。
心电图自动诊断系统通过对心电信号进行处理，提取出特征值，进而断结 论，是医师在临床医疗工作中以患者或可能成为患者的人群为对象，在心电图 上反映出的特征值、诊断结果为内容的疾病认识过程的系统总结总结不但是临 床医学科研的信息来源，也为医学科研提供了佐证。系统中患者的心电图数据 信息以及其通过分析得到的特征值客观的展现了特定疾或不同疾病状态下的各 种心电图特征，这些明确的临床诊断依据，有助于一些疾病(如心肌梗塞、心脏 肥大等)的心电图诊断标准，并为探讨或评价心电图的某些参数指标提供临床信 息。同时，医学科研人员也可以由此真实的了解心电图检测技术对某些疾病的 诊断所能提供的有效信息，为日后心电图机发展为家庭健康监护设备提供理论 支持。
早期的ECG分析是由医生完成的，这一过程费时费力且可靠性不高。计算 机辅助的ECG分析系统开始于50年代末。单调、费时、重复的人工识别由计 算机代替,大大降低了操作者长时间工作精神疲劳造成的漏检情况。随着微型 计算机功能不断增强和现代微电子技术的发展，ECG自动诊断系统的功能大大 增强，已经广泛地应用于心脏的功能检查、心血管疾病的诊断与预防，以及心 电监护等多方面。
一个正常的心电波形由P波、QRS波群、T波等组成。对于具体每个波， 都对应着心脏活动与电生理的特定阶段。在正常情况下，这些波按照窦房结产 生的兴奋脉波的周期，周期性重复。如果心脏的传导系统发生障碍或某部分心 肌发生病变，心电活动的变化便能正确及时地反映在心电图上，表现为各个波 形的异常变化和进行性演变过程。因此正确检测出ECG信号中的各个波形就成 为对ECG信号进行正确分析处理的1^出。
通过计算机等设备对采集到的心电信号进行分析，已经广泛地应用于心脏
的功能4企查、心血管疾病的诊断与预防，以及心电监护等多方面。在心电信号的处理中，最为首要而且关键的问题就是心电信号的检测。当前绝大部分的心
电信号检测方法主要分为两步首先对心电信号进行滤波处理，滤除信号中的 主要噪声(基漂、工频电、肌电、器械移位等)，对QRS波群进行加强；然后采 取一定的准则确定阈值，检出所需的信息。要将心电信号中的多种噪声滤除是 一件非常繁瑣的工作，而且这将使得信号处理速度降低，运算量增加。
由于心电图输出波形的判读仍需要有经验的专家进行，而他们的经验和水 平直接影响到了输出结果分析、判读的正确性。为了解决这一问题，已出现了 采专家系统技术来综合和分析仪器设备的输出，得到有辅助意义的诊断结果的 冠病诊断治疗专家系统、频谱心电图专家分析系统、慢性肺原性心脏病计算机 诊专家系统。要建立一个心电图诊断专家系统，知识工程师要通过与医学专家 的论，获取关于医学诊断技术的专业知识，再进一步概括，形成概念并建立起 仪输出与诊断结果间的各种关系，即将医学专家的经验按逻辑推理关系进行分 支分类，编制分析诊断的流程图，然后用计算机专家系统实现求解问题的推理 机这种根据医学知识和统计，模仿医生思维推理过程，釆用语言变量，构造符 合观情况的函数的系统使判断更精细且不易出错。但是专家系统不具备自学习 功无法从不断诊断的过程中进行自我经验总结。
随着神经网络分析算法的出现和发展，国内外出现了多种用神经网络技术 心电图分类，进行心电图分析的研究。王继成等研究出了基于符号神经网络的 电图分类系统，H.GholamHosseini(2001)等人研究的多阶神经网络结构可以心电 图中心律不齐的识别率达到88.3%。 HLlug(2000)等人研究的基于神经络和模糊 逻辑的心肌梗塞自动诊断系统的准确率达到89.4%。神经网络技术与家系统有 所不同。神经网络由排列成层的处理单元组成，不需要设计任何数学型，只靠 过去的经验来学习，对带有噪声或缺损的输入信息有很强的适应能力而且便于 硬件上的实现，可以大大提高心电图诊断系统的速度。而这些正是统的专家系 统所缺乏的。但与专家系统相比，神经网络也有一些明显的缺陷，神经网络的 学习及问题求解具有"黑箱"特性，其求解结果不具有可解释性，而"解释"工作对 于心电图诊断系统来说是非常必要的。用神经网络判读心电图的重要问题在于是否有足够多的可靠的训练数据，即数据要代表足够的经验，但过去的文献中， 所选用的训练样本太少，在这种情况下训练好的网络是不能临床使用的，因为 网络并没有学会处理临床实践中可能遇到的全部问题。而且神经网络的学习周 期长，缺乏有效的追加学习能力，无疑会引起时间上的浪费。神经网络与传统 的专家系统各有自己的长处和不足，而且一方的长处往往又是另一方的短处， 国内外的专家已经开始研究将这两者有机的结合起来，协同工作，达到"取长补 短"的目的。
美国通用电气公司J.Q薛、P.P埃尔科的发明《用于分析和编辑ECG形态和 时间序列的方法和设备》(参见参考文献[1])，2007年4月17日向中国国家知识产 权局申请专利，于2007年10月24日公开，公开号为公开号CN101057781A。 一种用于分析ECG信号的数据的QT间隔特性的方法和设备，该ECG信号数据 具有由心脏的搏动产生的一连续波形。ECG信号数据从患者获取。确定ECG信 号数据的波形的R-R间隔和QT间隔。选取具有稳定心率的ECG信号数据的波 形用于确定QT间隔特性。优选地，所选择的波形为具有最小R-R间隔标准偏 差和最小R-R间隔离差的波形。从以前面的方式或者根据临床医生的编辑选择 的ECG信号数据波形计算矫正。为了分析和诊断的目的显示所选择的波形的心 脏4專动的R-R间隔、QT间隔和QTc。本发明也可以以才莫拟的方式应用于乂人ECG 波形获取和显示其他心脏数据。
为了确定QT间隔和QTc中，该发明实施例的方法和i殳备获取了 ECG信号 凄t据并确定了该数据中的波形R-R间隔和QT间隔。选择显示出相对稳定心率 的ECG信号数据的部分。可以根据ECG波形的R特征之间的间隔，即R-R间 隔，的标准偏差的比较难来选择该稳定的心率波形。也可以使用波形最大的R-R 间隔和最小的R-R间隔之间的离差。
具体地，所选择的ECG信号数据的波形是那些具有最小R-R间隔标准偏差 和最小R-R间隔离差的波形，通过用图形关^:波形R-R间隔和QT间隔的新颖 显示可以帮助进行人工选择，根据所选择的ECG信号数据计算QTc。此后，对 ECG信号数据的每个所选择的心脏搏动显示R-R间隔，QT间隔和QTc以才艮据其分析Q-T特性进行诊断。尽管已经将ECG信号数据描述为对较长的QT间隔 进行分析，但是作为TdP的预测器，应当理解，也可以将该分析用于确定异常 短的QT间隔的存在，短的QT间隔还与威胁生命的心率不齐有关。更一般地， 可以将该发明的技术用于获得和显示数据组，该数据组对于诊断目的有用的方 式比较两个或更多个与心脏相关的状况。
该方案通过点击加到受检者的身体的传统方式获取ECG信号数据，在该发 明的设备中，电极中的电信号在前置放大器内被放大并且为包含一 系列连续波 形的模拟方式。使该模拟信号在模拟/数字转换器中进行模数转换并存储在计算 机的储存器内，其操作利用包含执行本发明方法的算法的中央处理单元进行， 计算机包括用于以图形或文字形式显示信息的屏幕。
该发明的方法在开始之后，获取一 系列连续波形形式的ECG信号数据，其 或者从受检者处接收，或者更典型地来自于储存在计算机的存储器中的数据。 这在步骤42发生，如此获得的该数据显示，对于大约10秒的典型采样周期， 其包含ECG信号凄t据的两个导程,用间隔的最小标准偏差STD和R-R间隔的最 小差离的波形。最小标准偏差意味着所选择部分的信号数据R-R间隔大小围绕 中心值紧密聚集。最小离差意味着最大和最小之间的差最小。R-R间隔的标准偏一 差和R-R间隔最大-最小离差的确定以及具有最小R-R间隔标准偏差和最小R-R 间隔离差的一部分ECG信号数据的选择在方法的步骤60和62中执行。临床医 生可以根据所要使用的ECG信号数据波形人工编辑ECG信号数据。在该方法 的进一步的步骤中要使用的那部分ECG数据(通过步骤60和62的准则选择和 /或在步骤66中人工选择)在步骤68建立并在步骤70中显示。在步骤72中， 对信号数据的每个选择波形计算QT间隔或该QT间隔从先前步骤44中进行的 确定获得。在步骤74中，对于所选择部分的ECG信号数据的波形确定QTc， QTc表示在QT间隔上的心率的效果。通常将多个公式用于此目的。其包括Bazett 7>式，Friderica公式和线性回归方程。该线性回归方程常常纟皮称作Framingham 公式。对于所选择部分的ECG信号数据内的每个心脏搏动波形进行QTc的计算。 在步骤76中，对于ECG信号数据的所选择的心脏搏动波形，将数据显示。对于ECG特征时间序列分析，凝:据显示的结果为一拍一拍的关系图。该关系图可 以以结合利用R-R间隔和Q-T间隔分析相同的方式使用。
该算法仅仅用于分析ECG信号的QT特性以及计算其R-R间隔、QT间隔 和QTc，然后将该得到的重要特征提供于临床医生，辅助医生根据相关的特征， 但是该算法不能独立的检测和判断ECG信号中是否出现异常，不能提供对ECG 信号是否包含心脏病变信息的初步判断以及对于ECG信号的异常检测。
赵玉京和金允玉的发明《移动式诊断装置》，2006年3月16日向中国国家 知识产权局申请专利并获得批准，于2008年4月30日公开，公开号为CN 101170944A。
该发明涉及一种移动式诊断装置，包括用于记录ECG信号的ECG单元， 所述ECG单元连接于或可连接于多个ECG电极，还包括脉搏计单元，用于同 时记录体积脉沖信号，所述脉4專计单元包括至少一个光源以及至少一个用于以 光学方式测量病人身体组织的血管系统中的血液关注的光传感器，还包括程序 控制的评估单元，用于分析ECG信号和体积脉冲信号。根据本发明，这种评估 单元适用于子的识别体积脉冲信号中的极值，并且确定在ECG信号中的R峰值 和体积脉冲中的下一个极值之间的时间差。此外，评估单元可体现为确定在体
积脉沖信号中的主峰值和次级峰值之间的时间差。
ECG可能是用于诊断心血管疾病最常用的检查形式。借助于ECG装置，来 自要检查的病人的身体的电信号用两个或者更多个ECG电极被导出。这样获得 ECG反映了心脏的扩展与收缩期间发生的生物电压。ECG包含有许多可被诊断 评估的参数，其也被称作为R峰值。此外，ECG包含有在R峰值之前的所谓的 P波。R峰值后面是所谓的T波。在R峰值之前和之后瞬间的最小值分别由Q 和S来表示。那些对于心血管诊断有关的参数是P波的持续时间和P波的幅值、 PQ间隔的持续时间、QRS综合波的持续时间、QT间隔的持续时间以及T波的 幅值。由所述参数的绝对值以及由这些参数的比率能够得出关于心血管系统健 康状态的结论。
通过所谓的体积描记法捕获并记录外围的心血管参数是可行的。在体积描述法中，测量外围血管中受到血流影响的体积波动。近来，近红外照相体积描 述法得到了应用。其中所应用的诊断形式被简称为脉搏计。这种脉搏计一关殳包 括2个光源，它们向病人的人体组织发射不同波长的红光或红外线。发射的光 在病人身体组织内散射并被部分吸收。借助于适当的光电池形式的光传感器检
测散射光。在另一方面，商业上可用脉搏计一般使用660nm波长范围内的光。 在这个范围内，氧基血红素和脱氧血红蛋白的光吸收很大的不同。因而借助于 光传感器检测的散射光的强度分别根据共给接受检查的身体组织的血液的富氧 和贫氧的程度而改变。在另一方面，通常使用810nm波长范围内的光。这个波 长处于被称为近红外线谱的范围内。在这个光谱范围内氧基血红素和脱氧血红 蛋白的光吸收上基本相等。现有技术的脉搏计能够产生体积脉冲信号，该信号 反映了在心跳期间可以改变的并且可以由脉搏计能够产生体积脉沖信号，该信
液的体积。当^f吏用在上述光谱范围内的不同的光波长时，可以由不同的光吸收 得出用于评估血液中的含氧量的结论。通常的脉搏计在病人的指尖上或者在耳 垂上使用。此时从人体组织这些区域内的微血管系统的血液灌注产生体积月永冲 信号。
已知ECG和脉搏计装置的组合允许在确定多个心血管参数。根据这些数据， 临床医生可以进行全面的心血管诊断。但是现有技术的装置的缺点在于，其不 能自动建立即将发生的或已经存在的心血管疾病的初步诊断。由于这个原因， 现有技术的装置不能由病人容易的使用，也不能自动诊断。针对这个背景，该 发明的目的在于，提供一种允许进行心血管系统的状态和趋势诊断的诊断装置。 这种装置应该能够根据评估多个诊断系数，向病人指示心血管疾病的早期自动 i貪断，而不对病人才是出过多的要求。
该发明根据一种上述类型和特性的移动式诊断装置解决了这个任务，其中 所述评估单元被配置用于1、自动检测ECG信号中的R峰值；2、自动检测体积 脉沖信号中的极值；3、并确定在ECG信号中的R峰值和体积脉冲信号中的下 一个极值支架的时间差。ECG信号与在由ECG单元和脉搏计单元构成的组合诊断装置中的体积脉沖 信号的组合允许对心血管系统i貪断装置的评估单元能够自动识别ECG信号中的 R峰值。因而，可以自动确定心跳的确切时刻。此外，基于本发明的程序控制， 评估单元能够识别体积脉沖信号中的极值，即最大值或最小值。根据体积脉冲 信号中的极值，可以在脉搏计单元覆盖的外围测量位置确定由心跳粗放的脉动 波的到达时刻。从而最终能够确定ECG信号的R峰值与体积脉冲电平中的下一 个极值支架的与时间相关的间隔是被称为脉动波速度的度量。根据脉动波的速 度，可以进行关于血压的描述。因为脉动波速度的降低伴随着血压的升高，而 脉动波速度的升高表示血压的降低。但根据脉动波速度精确地估计血压是不可 能的，只能表示趋势。此外，脉动波速度和血液密度有关，并且特别是和血管 壁的弹性有关。由血管壁的弹性又可以得出关于可能存在动脉硬化的结论。脉 动波速度还有脉动的内径有关。因此建设恒定的弹性和恒定的血液密度，可以 在医疗检查的相关位置表征血液的供应。借助于在自动评估中组合ECG信号与 体积脉冲信号，该发明的诊断装置能够自动进行病人血管系统的功能评估。根 据被自动评估的信号，该发明的诊断装置可以粗略地拍段病人的心血管状态， 并且当有动脉硬化的任何指示性征兆时，对病人产生足够的警告信号。因而， 病人可以使用本发明的诊断装置实现自行诊断。不需要由在大多数情况下对病 人提出过分要求的装置确定的许多心血管参数的差分评估。还适当地配备有评 估单元，其允许由体积脉冲信号确定血液的氧饱和度，由ECG信号确定室性 心率，由体积脉冲信号确定体积描述心率。
血液氧气浓度、室性心率、体积描述心率的确定使得能够对心血管系统进 行进一步的更为精细的状态诊断。利用本发明的诊断装置，能够自动确定心率 的绝对值、心率的可变性、以及心脏的相应心率不齐。通过这种方式，可以确 定心率不齐，如窦性心动过速、窦性心搏徐緩、窦性心脏停跳以及所谓的心跳 逸搏。根据ECG信号，还可以描述关于心脏一次心跳的心房收缩的与时间相关 的持续时间、心室收缩的与时间相关的持续时间、以及心室舒张的持续时间等。 此外，还可以建立所谓的心脏电刺激信号线中的阻塞以及关于循环紊乱或梗死的预先诊断。根据体积脉冲信号可以检测出脉沖过程中的其他不规则性。血液 氧饱和度在心血管系统的状态诊断中也代表一个重要参数。根据血液氧饱和度 可以得出关于心血管系统的效率和适应性的结-沦。
有利的是，该发明的诊断装置的评估单元被进一步适当地配备，使得能够 自动识别体积脉冲信号中的主峰值和次级峰值、确定主峰值和次级峰值的幅值、 以及确定主峰值和次峰值之间的与时间相关的间隔。这使得能够自动检查体积 脉沖信号的二波脉。二波脉是由从心脏开始前进的脉搏和由一部分血管或者弹 性较小的血管反射的脉搏形成的回归脉搏的叠加引起的。已经知道，弹性的减 小以及因而动脉硬化程度的增加使得在体积描记信号中的主峰值和次级峰值之 间的与时间相关的间隔变小，同时第二最大值的强度变小。通过确定在主峰值 和次级峰值之间的时间间隔并确定主峰值和次级峰值的相对幅值，使得能够得 到其他的重要参数，这些参数可被用于本发明的诊断装置，以便自动检测动脉 硬化的征兆。体积脉冲信号中的而第二最大值主要是由较低极值下的脉搏的反 射引起的。因此，在主峰值和次级峰值之间的与时间相关的间隔主要由主动脉 的特性来确定。因而在相关的测量点确定第一脉搏波速度的同时，能够确定第 二脉搏波速度，即在主动脉中的脉搏的速度。因而，如在上面已经说明的，利 用本发明的诊断装置能够有利地确定两个不同脉搏波速度并评估这些速度以便 诊断疾病。该发明的诊断装置还方便地包括用于测量病人的体温、环境温度或
空气湿度的传感器。这些参数对于校准ECG单元和该发明的诊断装置的脉搏测 量单元是尤其重要的。用于记录在借助于评估单元进行测量期间所确定的参数， 同时存储测量的日期或者时间。借助于存储单元， 一方面能跟踪并记录心血管 系统的疾病的过程和相应的治疗效果。另一方面，存储在诊断装置的存储单元 中的数据可以被读出并由临床医生进行分析，以便医生对心血管系统进行详细 的状态诊断。方便地，本发明的诊断装置还包括数据传输接口，用于把存储在 诊断装置的存储单元中的数据传输到医生的个人计算机，这个接口可以是常用 的或者无线接口。
此外，符合目的的是，该发明的诊断装置包括被适当地配备使得能够借助于评估单元所确定的参数确定病人的心血管系统的状态的诊断单元。因而，这 种诊断装置具有模块结构。评估装置仅仅负责评估捕获的信号，以便确定用于 以上述方式进行诊断所需要的那些参数。然后这些参数由诊断装置的诊断单元 进行处理，以便从中得到关于心血管系统状态的结论。诊断单元还负责自动识 别动脉硬化的存在，并且如果需要的话还对病人产生相应的警告信号。
有利的是，诊断装置的诊断单元被进一步使当地配备，使得能够由借助于 存储单元存储的参数的与时间相关的改变确定和病人的心血管系统的状态变化 有关的趋势。在一些情况下，不可能由借助诊断装置的评估单元所确定的参数 直接得出关于病人疾病的结论。不过，这些参数的改变，例如脉搏波速度的持 续增加，可以用来指示早期发展中的心血管疾病。如果病人在一个较长的时间 期间反复的使用这种诊断装置，借助于诊断装置的存储单元存储由评估单元自 动确定的参数，这种趋势可以用于疾病的自行诊断。所述诊断装置包括显示单
元，用于显示ECG信号、体积脉冲信号和借助于评估单元所确定的参数。使用 诊断装置的病人和临床医生可以从显示单元中方便读出所有的值，同时，能够 ^r查诊断装置是否正确工作。
该技术方案，方便实用，通过检测ECG信号和体积脉冲信号来确定ECG 信号和体积脉冲信号的相关重要特征，为医生提供心血管系统健康状态评估需
要的重要特征参数值。但是，该发明主要是对ECG信号的监测和提取一些特征 参数，但是缺少根据这些重要的ECG特征对病人的心脏状况进行智能的分析和 评估，从而进一步减轻医生的诊断工作的功能，该设备主要是集中于监测，而 缺少重要的分析和判定。
GE医药系统信息科技公司乔尔.Q.薛的发明《用于确定心电图信号的交替 数据的方法和装置》(参见参考文献[3])， 2005年4月13日向中国国家知识产权 局申请专利并获得批准，于2005年10月19日公开，公开号为CN 168"54A。 用于确定ECG信号的交替数据的方法和装置。所述方法可以包括确定用于表 示ECG信号的每个脉动的至少一个形态特征的至少一个值；并且根据值的总数 量和脉动的总数量来产生数据点集。所述数据点可以每个包括使用第一数学函数所确定的第 一值和使用第二数学函数所确定的第二值。所述方法也可以包括
几个预处理算法提高信噪比。所述方法包括:将数据点分离为第一组点和第二组 点，并通过绘制第一组点和第二组点来产生特征图，以便估计编号交替才莫式。 可以用过统计测试来分析特征图，以确定在组和簇支架的有效差别。该发明涉 及心脏病学，具体设计用于确定心电图信号交替的方法和装置。交替是在ECG 信号的重发图案中的精细的脉动之间的变化。 一些研究已经证明了在个人对于 心室心律不齐和心源性猝死的敏感度与在个人的ECG信号中存在变化的1波交 替图案之间的高相关性。虽然ECG信号通常是具有毫伏测量的幅度，但是具有 微幅级幅度的变化交替图案可能在临床上是重要的。因此变化交替团通常太小 而不能被ECG信号的可视查看以其典型的记录分辨率检测到。相反，变化的交 替图案的数字信号处理和量化是必要的。变化的交替图案的逸样的信号处理和 量化，由于存在噪音和变化的对准精度或生理变化的限制引起，而是复杂的。 用于检测在ECG信号中的变化的TWA图案的当前信号处理技术包括谱域方法和 时域方法。鉴于上述，需要一种用于检测在ECG信号中变化的TWA图案的技术， 所述技术提供了改善的性能，作为单独的技术和作为对于其他技术的附件。因 此本发明的一个或者多个实施例提供了用于确定ECG信号的交替数据的方法和 装置。在一些实施例中，所述方法可以包括确定用于表示ECG信号的每个脉 动的至少一个形态特征的至少一个值，并且根据值的总数量和脉动的总数量来 产生一组数据点集。所述的数据点可以每个包括使用第一数学函数所确定的第 一值和使用第二数学函数所确定第二值。所述方法也可以包括将数据点分离 为第一组点和第二组点，并且通过绘制第一组点和第二组点的产生特征图，以 爿使估计变化交替的图案。 一种用于确定ECG信号的交替数据的方法，所述方法 包括确定用于表示ECG信号的每个脉动的至少一个形态特征的至少一个值； 根据值的总量和脉动的总数量来产生数据点集，所述数据点每个包括使用第一 数学函数所确定的第 一值和使用第二数学函数所确定的第二值；将数据点分离 为第一组点和第二组点；以及通过绘制第一组点和第二组点来产生特征图，以 便估计变化交替模式，同时确定变化交替模式的估计幅度。通过确定数据点的第一中心点和第二中心点并且确定在第一中心点和第二中心点之间的距离，确 定估计的幅度值。根据值的总数量和脉动的总数量来产生特征矩阵，并且使用 主分量分析来处理特征举证，所述主分量分析产生主分量向量和主分量，所述 数据点对应于主分量向量至少一个。使用特征图来可视地确定是否存在变化交 替模式。产生第二数据点集，所述第二数据点集包括使用第三数学函数所确定 的第三值和使用第四数学函数所确定的第四值，将第二数据点集分离为第三组 点和第四组点。以及通过绘制第三组点和第四组点来产生第二特征图。产生第 三数据点集，所述第三数据点集包括使用第五数学函数锁确定的第五值和使用 第六数学函数所确定的第六值，将第三数据点集分离为第五组点和第六组点， 以及通过绘制第五组点和第六组点来产生第三特征图。使用簇来分析处理数据 点，所述簇分析产生第一簇点和第二簇点，比较第一簇点和第一组点，比较第 二簇点和第二组点，以及用于表示在第一簇点和第一组点之间的匹配点和第二 簇点和第二组点之间的匹配点的值。
该主要是对ECG信号的交替数据进行检测，通过对于ECG信号交替数据的 检测来为医生临床诊断心脏病提供相关交替数据信息。但是该发明仅仅提供了 对于交替数据的检测方法和装置，而没有提供基于ECG交替数据的病理智能分 析和初步诊断，从而为医生提供进一步的诊断信息以减轻医生的负担，并能够 及时的发现病人心脏存在可能危险而进行相关的预防和处理。
发明内容
本发明所要解决的技术问题是如何提供一种基于固有趋势子序列模式分解 的ECG异常检测方法，该检测方法能进一步提高ECG检测准确率和诊断可靠 性，克服了现有技术的缺陷。
本发明所提出的技术问题是这样解决的提供一种基于固有趋势子序列模 式分解的ECG异常检测方法，其特征在于，包括以下步骤
①定义
ECG信号序列心电图元素按照时间顺序排列的数据集； 固有趋势子序列模式给定的ECG信号序列，如果某个子序列的所有子序列的变化趋势与它的变化趋势相同，并且在给定的ECG信号序列中，不存在与 其趋势相同的子序列包含它，该子序列被称为固有趋势子序列模式；
层在ECG信号序列中，具有相似趋势值的固有趋势子序列模式组成一个
层；
序列分解将ECG信号序列分解为一些固有趋势子序列模式，且具有相似 趋势值的固有趋势子序列形成相应的层；
② 对正常ECG信号序列进行序列分解并分层
将ECG信号序列进行分解为一个固有趋势子序列模式集，然后对其固有趋 势子序列模式依照其变化趋势参数值分层，将变化趋势参数值相近的子序列分 为一层，并将每层用其趋势参数值范围标出来；
③ 对疑似ECG信号序列进行序列分解并分层
对疑似ECG信号进行序列分解也得到固有趋势子序列模式，后对其固有趋 势子序列模式依照其变化趋势参数值分层，将变化趋势参数值相近的子序列分 为层，并将每层用其趋势参数值范围标出来；
匹配才全测
分别按照各个层的趋势参数值范围，将上述两者相应层的固有趋势模式子 序列模式进行匹配，如果疑似固有趋势子序列的趋势参数值在正常子序列的趋 势参数值范围之外，则该疑似ECG信号异常；如果在范围之内，则计算该子序 列与相应层内的所有正常子序列的距离，取最小值为其与对应层的距离，如果 该子序列与其对应层的距离大于预设的门限值，则该子序列为异常子序列，即 该疑似ECG信号异常。
按照本发明所提供的基于固有趋势子序列模式分解的ECG异常检测方法， 其特征在于，所述固有趋势子序列的挖掘步骤如下
① 找出ECG信号序列中的所有最大值和最小值，以及它们在ECG信号序列 中对应的位置；
② 在ECG信号序列中以最大值和最小值作为起点或者终点的子序列作为固 有趋势子序列模式。
按照本发明所提供的基于固有趋势子序列模式分解的ECG异常检测方法， 其特征在于，所述固有趋势子序列的挖掘算法步骤如下 ①定义子序列趋势在ECG信号序列T中，3={81,..;},为1中的固有趋势子序列 模式，S的趋势Trend(S)为(s卜Sm)/(l-m);
最大值MAX:在序歹'j T-仏,…tJ，tiET，如果U〈ti且ti>ti+1,贝'J t;狄歹l！ T 中的一个最大值MAX，并且，序列T中的所有最大值组成最大值集合SMAX, SMAX^ele是序列T中的一个最大值};
最小值MIN:在序歹'J T-仏,…t丄tiET，如果tw〉ti且ti〈tw,则ti錯列T 中的一个最小值MIN，并且，序列T中的所有最值组成最小值集合SMIN, SMIN^ele是序列T中的一个最小值};
拉伸距离子序列Q^q，,…，q"dd,…,cJ，且mq^nc,Q^(qS!，qS2, ...,qss} 为Q以mq/s为系凄t的拉伸序列，， Q， C的拉伸距离du(Q,C)为
， C) = m in" "r 2 (" _ CO2 ;
= 1
R是确定极值点的范围参数，D是极值于R范围内各数据点差异的范围参
数；
②算法输入序列T，范围参数R和差值参数D Find Intrinsic Subsequences (T，R,D )
5 )极大值和极小值的集合MM为空，MM中元素位置集合Loc为空，ITS 为空，TR为空； 一
6) 如果tiET， ti为集合(ti-R,…,ti+R》中最大或最小值，并且在集合中存 在元素与其差的绝对值大于等于D,则将ti加入到集合MM中，并将i加入到 Loc中；
7) 对集合T的每个元素依次重复以上l)， 2);
8 )各个相邻的极大值和极小值点之间的子序列即为固有趋势子序列模 式，将所有的固有趋势子序列模式加入ITS,并将其对应的趋势值加入TR。 ③输出固有趋势子序列模式集合ITS和其对应的趋势集合TR。 按照本发明所提供的基于固有趋势子序列模式分解的ECG异常检测方法， 其特征在于，异常4全测算法步骤如下输入正常序列的固有趋势子序列模式集^Ti"和疑似序列的固有趋势子序 列模式集71/731
输出异常子序列集合
Anomaly Detection (7V/r5", 77rS)
4) 正常ECG信号序列的固有趋势子序列模式分层集合Nlayer为空；
5) 将NITS中的子序列按照其趋势值分层，趋势值接近的序列组成一层， 并将分层加入到集合Nlayer中；
6) SETITS，如果Nlayer中没有与S的趋势值接近的层，则将S加入到 AS;如果有与S的趋势值接近的层，则计算S与该层的所有子序列的拉伸距离， 并将拉伸距离除以S的长度得到平均距离，取平均距离的最小值为S到该层的 距离D,如果D〉;/，则S为异常子序列，将S加入到AS,否则，转到4);
7) 对集合TITS的所有子序列重复3)，最后返回异常子序列集合AS。 本发明为了能够更加准确、有效地的识别心电图中的异常信号，帮助专家
诊断心脏的各种病变，提出基于固有趋势子序列模式序列分解的算法检测ECG 信号中的异常，从而为专家诊断提供诊断建议。本方案根据ECG信号的特征提 出了固有趋势子序列模式的概念，固有趋势模式子序列是在一个序列中，其包 含与之趋势相同的子序列的最大子序列，从固有模式的定义可以看出其在序列 中是以一个趋势不变的整体出现的，具有很稳定的趋势性，固有趋势子序列模 式在ECG信号中也是具有实际意义的，因为心电图的变化反应了心脏的活动， 在心脏处于某种活动之下时，心电图具有某种稳定变化趋势，当心脏活动改变 之后，心电图则反应出另外一种稳定变化的趋势，这种稳定趋势的序列则符合 了本方案中对于固有趋势子序列模式的定义。
ECG信号的异常检测将体表获得的ECG信号序列分解为不同的层，各个层由 趋势相近的固有趋势子序列模式组成，通过对疑似ECG序列和正常ECG序列分 层比较固有趋势子序列模式的差异来判断疑似ECG序列是否异常。因为ECG信 号反映了心脏活动的变化情况，心脏处于某种活动阶段的时候，其ECG信号在 该活动范围内部呈现出一定的稳定的趋势，当心脏处于另一种活动节点时，则其ECG信号趋势会发生改变，并转变为另一范围那的稳定趋势。由于ECG信号 在一定心脏处于一定活动范围内时的连续稳定趋势特性，其产生的ECG序列具 有较一致趋势性。在执行固有趋势子序列模式分解时，该序列具有一致的变化 趋势，因此其能够反映出一定阶段的心脏活动。与^目反的是ECG序列中的噪 声是杂乱无序的，其在执行固有趋势子序列模式分解中是不会影响信号的整体 变化趋势的，因此噪声很大可能会被分解到各个不同的层。噪声因分解被削弱 而异常ECG信号因为其反映了心脏异常的活动阶段，其变化趋势强，多数会被 分解为具有一定趋势的子序列，因此在分解的过程中其不会被削弱。当ECG序 列被分解以后，可以首先发现测试数据中是否出现了异常的趋势，然后在比较 相同趋势或者相近趋势下的固有趋势模式子序列的差异(即同层内的子序列)。 这样首先可以发现明显的异常心脏活动，此外，只比较相同层内的子序列，缩 小了比较空间，从而提高了 ECG信号异常检测的效率和准确率。
具体实施例方式
以下结合实施例对本发明进一步说明。
心脏是血液循环的动力源头，就像一个永不停止的发动机，伴随着人类的 一生。心脏主要由心肌细胞组成，心肌细胞的任何活动，都伴随着生理电位的 变化，这种变化^皮称作心脏电活动，简称心电。心脏的生物电过禾呈与心脏组织 的生物化学过程、心脏的机械运动以及有关控制心脏活动的神经系统有着密切 的关系。心脏电活动经人体组织传到体表，使体表各部位在每一个心动周期也 都发生有规律的电位变化。将测量电极放置在体表，体表所发生的电位变化经 放大后显示或者描记成的连续变化曲线，即为心电图，简称ECG，心电图包含 着丰富的心脏节律信息和生理、病理信息。
如今，心电图(ECG)检查己经是临床上和健康体检中的四大常规检查之一。 由于ECG检查无损，简便和快速，因此在临床上得到了广泛应用，成为对心血 管疾病进行诊断的一种最重要的手段。随着计算机和人工智能等技术的发展， ECG自动分析技术也不断成熟，但是ECG的计算机自动分析、诊断系统在应用 的广泛性和可接受性方面还没有达到令人满意的程度，在心电图分析领域所占 的比例特别小。因此，国内外学者对心电图波形检测和识别算法的研究一直以来都很活跃，进行进一步提高EGC检测准确率和诊断可靠性的研究，仍有很大 的现实意义。
本方案根据ECG信号序列的本质特征，提出基于固有趋势子序列模式分解 的算法检测异常子序列，从而检测到异常的心脏活动，为临床医生提供参考信 息。给定序列T,如果某个子序列的所有子序列的变化趋势与它的变化趋势相同， 并且在序列T中，不存在与其趋势相同的子序列包含它，则该子序列被称为固 有趋势子序列模式。固有趋势子序列模式的定义具有实际的含义，当心脏处于 某一活动下，其ECG信号在该活动范围那表现出一定的稳定变化趋势性的子序 列，该子序列就是固有趋势子序列模式。具有相似变化趋势的固有子序列模式 集构成一个层。在ECG信号异常检测时，ECG信号序列首先被分解为一个固有 趋势子序列模式集，然后对正常固有趋势子序列模式依照其变化趋势参数值分 层，将变化趋势参数值相近的序列分为一层，并将每层用其趋势参数值范围标 志出来。其次，对疑似ECG信号分解得到的固有趋势子序列模式，首先计算其 趋势参数值是否在正常子序列的趋势值范围内，如果在范围之外，则该序列为 异常序列；如果在范围之内，则计算该子序列与相应层内的所有正常子序列的 距离，取最小值为其与对应层的距离。如果该子序列与其对应层的距离大于一 个门限值，则该子序列为异常子序列。
心电图(ECG)是将测量电极放置在人体表面的一定部位，记录出来的心脏生 理电变化曲线，反映心肌细胞的生理电位在心脏传导系统中产生、传导和恢复 的过程，而全部心肌细胞的生理电位变化宏观上表现为体表心电图的波形。心 肌属于可兴奋组织，在兴奋过程中产生电位变化，即具有生物电现象及电生理 特性。心肌细胞的生物电分为静息电位和兴奋时的动作电位。在静息状态下， 心肌表面各点的电位相等，只有细胞膜内外的离子浓度差所形成的跨膜电位。 由微电极测知，静息电位约为90mv,并表现为膜外带正电，膜内带负电的极化 状态。当心肌细胞受到刺激时，在离子浓度梯度、电场梯度、细胞膜上钾、钠、 4丐通道的选择通透性及主动转运机制等的作用下，通过控制各离子在膜内外的 转移，造成细胞膜内外电荷的分布发生变化，完成除极和复极过程，形成动作 电位。
各导联记录的心电图波形虽有所不同，但基本上都包括一个P波， 一个QRS 波群和一个T波。各个波、波段、间期的含义如下(1) P波:代表左右心房除极过程的电位变化。起点表示右心房开始除极，终 点代表两个心房除极完毕。P波波形小而有圓钝，可有轻微切迹，历时.008 .0U 秒，振幅不超过0.25mv。
(2) PR段(PR Segment):它是P波后的一段等电位线，自P波终点至QRS 波群起点，代表激动在房室交界区、房室束及部分束支内传导。其中含有心房 复极波(Ta波)的成分，因电压微弱而反映不明显，在心电图上呈一平线。
(3) PR间期(PR Interval):指P波起点到QRS波群起点之间的间期，代表 从心房除极开始到心室除极开始的时间。正常成人为0.12-0.205,但个体之间可 有差异。P-R间期随心率与年龄而变化，年龄越大或心率趁ft,其P-R间期越长。
(4) QRS波群(QRS Complex):代表左、右两心室除极过程的电位变化。在 正常成人中，QRS波群历时0.06-0.105， 一般多在0.085左右。对心电信号的频 谱分析可知QRS波的中心频带在17Hz左右(该频率也^:称为QRS波的特征频 率)，带宽约为10Hz。典型的QRS复合波包含三个紧密相连的波，第一个向下 的波为Q波，其后向上的高而尖的为R波，继R波之后的一个向下的波为S波。 但是在用不同导联所记录的心电图—仁，这三个波不一定都出现，其波形和幅度 的变化也4交大。
(5) STI殳(ST Segment):自QRS波群的终点(J点)至T波起点的一段水平线。 它代表心室緩慢复极的过程，正常时限为0.05-0.155。正常的TS段表现为一段 等电位线，有时也会有轻微的偏移。
(6) T波:代表心室快速复极过程中的电位变化。波形圆钝，升降支并不完全 对称，波形的前支專交长而后支4^短。正常T波的时限为0.05-0.255,但T波的才展 幅愈高，其时限愈长。T波的方向与QRS波群的主波方向一致，在R波为主的 导联中，T波的电压幅度不应低于同导联R波幅度的1/10。
(8)QT间期(QT Interval):从QRS波群起点至T波终点的时程，代表心室 肌除极和复极全过程总共所需的时间。其长短与心率有密切关系，心率越快， Q-T间期越短。心率在60-100分时，Q-T间期的正常范围为.032-0.445。
固有趋势子序列模式的挖掘方法如下定义l:子序列趋势在序列T中，S^Sb…sJ,为T中的固有趋势子序列 模式，S的趋势Trend(S)为(s,-Sm)/(l-m).
定义2:最大值MAX:在序列T-(t!,…tn〉,tiGT,如果tw〈ti且ti〉ti + 1，贝'J t; 是序列T中的一个最大值MAX。并且，序列T中的所有最大值组成最大值集合 SMAX， SMAX^ele是序列T中的一个最大值}。
定义3:最小值MIN:在序列丁H...t丄tiET,如果&>、且ti<ti + 1，贝'J t; 是序列T中的一个最小值MIN。并且，序列T中的所有最值组成最小值集合 SMIN， SMESN(ele是序歹'J T中的一个最小值}。
由于固有趋势子序列模式通常具有不同的长度,因此这里定义拉伸距离函数 来计算两个不同长度子序列的距离.
定义 4:拉伸距离子序列 Qi…,qmJXd,…,cJ,且 mq^mc,Qs^q、，qS2， ...，q^为Q以mq/s为系数的拉伸序列，《,Q,C的拉伸 距离du(Q,C)为
c "(g,C) = min m, " "r Z - c,.)2
('=i
采用该方法计算距离主要是基于以下两个原因首先，固有趋势子序列模式 具有不同的长度，在分解的过程中，即使相同的固有趋势子序列模式也会有不同 的长度。其次，在实际的数据中存在着一定的噪声凝:据，噪声数据也会导致分 解得到的固有趋势子序列模式长度出现差异。因此需要采用拉伸距离来计算不 同长度的子序列之间的距离。此外，计算距离前，本方案首先对每个固有趋势 模式子序列归一化处理，因为对于具有不同偏移量和幅度的数据比较距离是没 有意义的。
本方案按照以下的步骤挖掘固有趋势子序列模式(l)找出序列T中所有 的最大值和最小值以及其在T中对应的位置；(2)找出序列T中以最大值和最 小值作为起点或者终点的子序列作为固有趋势子序列模式。
由于在真实的i 6Y 信号序列中存在着大量的噪声数据，因此存在着一些孩i 小的波动，因此在算法中不是找出严格定义下的最大值和最小值，而是找在一定范围内的最大值和最小值，从而能够避免微小波动对整体趋势判断的影响。
固有趋势子序列模式挖掘算法如下其中W为确定极值点的范围参数，"为 极值于W范围内各数据点差异的范围参数，对于序列7"中的每个元素，如果其 在W范围内，与所有的其他元素差值小于A则该元素为极大值或者极小值。找 到T中所有的极大值和极小值以后，相邻极大值和极小值之间的子序列则为固 有趋势子序列模式。
输入序列r,范围参数W和差值参数"
输出固有趋势子序列模式集合/W和其对应的趋势集合M
Find Intrinsic Subsequences ( T， ")
1) 极大值和极小值的集合固为空，MM中元素位置集合Loc为空，ITS 为空，TR为空；
2) 如果tJT, ti为集合{ ti-R ,...,ti+R )中最大或最小值，并且在集合 中存在元素与其差的绝对值大于等于D,则将ti加入到集合醒中，并将i加入 到Loc中；
3) 对集合T的每个元素依次重复以上1), 2);
4) 各个相邻的极大值和极小值点之间的子序列即为固有趋势子序列模 式，将所有的固有趋势子序列模式加入并将其对应的趋势值加入M。
异常4全测算法如下
当ECG信号序列出现异常时，通常会出现两种情况(l)出现具有正常ECG 信号序列中未出现过的趋势子序列；(2)未出现具有新的趋势的子序列，但是 某些子序列与正常ECG信号序列中与之趋势相近的同层的子序列的差异很大。 我们的ECG信号序列异常检测算法是将固有趋势子序列模式按照其趋势值分解 为层，然后将已检测正常的序列部分和未检测的疑似序列部分按层比较以及计 算其层间距离，如果距离大于一个门限值;7，则判断其异常。
如果出现第一种情况的异常，该类异常子序列会由于其趋势异常，首先4皮才全 测出来；如果出现第二种情况的异常，该类子序列在与其同层的正常子序列的 比较过程中，能够被检测出来，因此第二类异常也能够#1检测出来。同时由于分层比较子序列，比较的数据量缩小，某些在整个长序列中很微弱的异常，由 于分层细化比较以后，则会显得更加明显，因而我们的算法能够更加灵敏的检 测到《敖弱的异常，同时分层比较缩小了计算量，异常^^测算法的效率将会大大
的提高。在实际心脏活动中，出现异常活动的时候，ECG序列中往往会出现新 的变化趋势，或者其趋势未发生变化，但是序列本身发生了改变，都代表了心 脏出现了新的活动或者活动的状态发生了变化，这与心脏的异常情况是相对应 的。心脏活动出现异常时，往往要么出现了新的心脏活动趋势或者原来的活动 出现了异常的情况。
该异常检测算法首先分别将正常和疑似序列的固有趋势子序列模式按照其 趋势参数值分层，然后分别按照各个层的趋势参数值范围，将相应层的固有趋 势模式子序列模式进行匹配，计算得到正常和疑似序列各个层相应序列之间距
离的最小值作为正常和疑似序列在该层的距离，如果该距离大于一定的门限//,
则认为其异常。
异常4全测算法如下
输入正常序列的固有趋势子序列模式集NITS和疑似序列的固有趋势子序 列才莫式集TITS
输出异常子序列集合 Anormaly Detection (NITS,TITS ) 8 )正常ECG信号序列的固有趋势子序列模式分层集合Nlayer为空； 9)将NITS中的子序列按照其趋势值分层，趋势值接近的序列组成一层，并 将分层加入到集合Nlayer中；
10 ) SETITS,如果Nlayer中没有与S的趋势值接近的层，则将S加入到 AS;如果有与S的趋势值接近的层，则计算S与该层的所有子序列的拉伸距离， 并将拉伸距离除以S的长度得到平均距离，取平均距离的最小值为S到该层的 距离D,如果D〉/7,则S为异常子序列，将S加入到AS,否则，转到4); ii)对集合TITS的所有子序列重复3)，最后返回异常子序列集合AS。
权利要求
1、一种基于固有趋势子序列模式分解的ECG异常检测方法，其特征在于，包括以下步骤①定义ECG信号序列心电图元素按照时间顺序排列的数据集；固有趋势子序列模式给定的ECG信号序列，如果某个子序列的所有子序列的变化趋势与它的变化趋势相同，并且在给定的ECG信号序列中，不存在与其趋势相同的子序列包含它，该子序列被称为固有趋势子序列模式；层在ECG信号序列中，具有相似趋势值的固有趋势子序列模式组成一个层；序列分解将ECG信号序列分解为一些固有趋势子序列模式，且具有相似趋势值的固有趋势子序列形成相应的层；②对正常ECG信号序列进行序列分解并分层将ECG信号序列进行分解为一个固有趋势子序列模式集，然后对正常固有趋势子序列模式依照其变化趋势参数值分层，将变化趋势参数值相近的子序列分为一层，并将每层用其趋势参数值范围标出来；③对疑似ECG信号序列进行序列分解并分层对疑似ECG信号进行序列分解也得到固有趋势子序列模式，后对其固有趋势子序列模式依照其变化趋势参数值分层，将变化趋势参数值相近的子序列分为一层，并将每层用其趋势参数值范围标出来；④匹配检测分别按照各个层的趋势参数值范围，将上述两者相应层的固有趋势模式子序列模式进行匹配，如果疑似固有趋势子序列的趋势参数值在正常子序列的趋势参数值范围之外，则该疑似ECG信号异常；如果在范围之内，则计算该子序列与相应层内的所有正常子序列的距离，取最小值为其与对应层的距离，如果该子序列与其对应层的距离大于预设的门限值，则该子序列为异常子序列，即该疑似ECG信号异常。
2、 根据权利要求1所述的基于固有趋势子序列模式分解的ECG异常检测方 法，其特征在于，所述固有趋势子序列的挖掘步骤如下① 找出ECG信号序列中的所有最大值和最小值，以及它们在ECG信号序列 中对应的位置；② 在ECG信号序列中以最大值和最小值作为起点或者终点的子序列作为固 有趋势子序列模式。
3、 根据权利要求2所述的基于固有趋势子序列模式分解的ECG异常检测方 法，其特征在于，所述固有趋势子序列的挖掘算法步骤如下①定义子序列趋势在ECG信号序列T中，S-化，...s",为T中的固有趋势子序列 模式，S的趋势Trend(S)为(s卜Sm)/(l-m);最大^f直MAX:在序歹'J T^仏,…tJ，tiET，如果tw〈ti且ti〉t卜p贝'hi是序歹寸T 中的一个最大值MAX,并且，序列T中的所有最大值组成最大值集合SMAX， SMAX^ele是序列T中的一个最大值};最小值MIN:在序列T-仏,…tnKtiET,如果twH且ti<ti+1,则ti^f列T 中的一个最小值MIN,并且，序列T中的所有最值组成最小值集合SMIN， SMIN二(e!e是序歹'J T中的一个最小值};拉伸距离子序列Q4cn，…,q一，C4d,…,CmJ,且mq^nc,QHqS,，qS2, ..,,qss} 为Q以mq/s为系数的拉伸序列，《=4一 ， Q, C的拉伸距离du(Q,C)为d"(g，C) = m in m…"￡ f; ("-。)2;i = 1R是确定极值点的范围参数，D是极值于R范围内各数据点差异的范围参数；②算法输入序列T,范围参数R和差值参数D Find Intrinsic Trend Subsequences ( T,R,D )1)极大值和极小值的集合MM为空，MM中元素位置集合Loc为空，ITS 为空，TR为空；2) 如果tiET， ti为集合(ti-R，…,ti+iO中最大或最小值，并且在集合中存 在元素与其差的绝对值大于等于D，则将tj加入到集合MM中，并将i加入到 Loc中；3) 对集合T的每个元素依次重复以上1)， 2);4) 各个相邻的极大值和极小值点之间的子序列即为固有趋势子序列模 式，将所有的固有趋势子序列模式加入ITS，并将其对应的趋势值加入TR。③输出固有趋势子序列模式集合ITS和其对应的趋势集合TR。
4、根据权利要求1所述的基于固有趋势子序列模式分解的ECG异常检测方 法，其特征在于，异常检测算法步骤如下输入正常序列的固有趋势子序列模式集；WTi"和疑似序列的固有趋势子序列模式集输出异常子序列集合Ano腿ly Detection (鮮& 7Y7751)1) 正常ECG信号序列的固有趋势子序列模式分层集合Nlayer为空；2) 将NITS中的子序列按照其趋势值分层，趋势值接近的序列组成一层， 并将分层加入到集合Nlayer中；3) SETITS，如果Nlayer中没有与S的趋势值接近的层，则将S加入到 AS;如果有与S的趋势值接近的层，则计算S与该层的所有子序列的拉伸距离， 并将拉伸距离除以S的长度得到平均距离，取平均距离的最小值为S到该层的 3巨离D,如果D〉t/,则S为异常子序列，将S加入到AS,否则，转到4);'对集合TITS的所有子序列重复3),最后返回异常子序列集合AS。
全文摘要
本发明公开了一种基于固有趋势子序列模式分解的ECG异常检测方法，包括以下步骤①定义；②对正常ECG信号序列进行序列分解并分层；③对疑似ECG信号序列进行序列分解并分层；④匹配检测。本发明提出的固有趋势子序列模式反应了ECG信号中心脏活动的本质特征，能够准确有效地检测到各种异常ECG信号序列，并且该算法简单易于实现，有极好的应用前景。
文档编号A61B5/0468GK101427917SQ20081004600
公开日2009年5月13日 申请日期2008年9月8日 优先权日2008年9月8日
发明者茂 叶, 喜 孟, 朱莺嘤, 李丽娟, 欣 赵 申请人:电子科技大学