室性早搏识别方法及室性早搏识别系统与流程

本发明涉及医疗电子技术领域，具体地讲，涉及一种室性早搏识别方法及室性早搏识别系统。

背景技术：

室性早搏(Premature Ventricular Contraction，PVC)是提早发生的起源于心室的异常心跳，也是临床常见的心律失常之一。因此，能够正确检测、自动识别PVC具有非常重要的临床意义。

目前，关于PVC自动分类或者PVC分类的方法已有很多，例如支持向量机、神经网络、小波变换、模板匹配等方法。在上述研究方法中，传统神经网络算法运算量大、训练时间较长，难以实现实时检测。而对于小波变换方法，如何选择一个适当的小波基是研究者需要解决的一个难题。此外，针对模板匹配方法，由于不同病人间心电图具有差异，即使对于同一个病人在不同时刻其心电图也是有所差异的，因此在利用模板匹配方法识别PVC中，如何寻找一个比较完整的模板库是研究者需要着重考虑的一个问题。

因此，现有技术还有待于改进和发展。

技术实现要素：

为了解决上述现有技术中存在的问题，本发明提出一种PVC识别方法，使得PVC识别灵敏度更好、性能更优、准确率更高。

本发明解决上述问题所提出的技术方案如下：

本发明的一个目的在于提供一种室性早搏识别方法，包括：

接收心电图(Electrocardiogram，ECG)信号；

对接收的心电图信号进行预处理，以获得预处理后的心电图信号；

采用若干个分类模型对所述预处理后的心电图信号进行分类，获得若干个原始概率值，其中，所述分类模型为导联神经卷积网络(Lead Convolutional Neural Network，LCNN)分类模型；

根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。

进一步地，对接收的心电图信号进行0.5Hz-40Hz的带通滤波预处理，以获得所述预处理后的心电图信号。

进一步地，根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定的室性早搏的心电图信号的具体方法包括：

采用预定的融合决策规则对所述若干个原始概率值进行融合决策，以获得综合概率值；

判断所述综合概率值是否大于一预定阈值；其中，若所述综合概率值大于所述预定阈值，则所述预处理后的心电图信号是室性早搏的心电图信号；若所述综合概率值不大于所述预定阈值，则所述预处理后的心电图信号是待确定的室性早搏的心电图信号。

进一步地，若所述预处理后的心电图信号是待确定的室性早搏的心电图信号，则所述室性早搏识别方法还包括：

提取所述预处理后的心电图信号的特征参数；

根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号。

进一步地，所述提取的特征参数包括：QRS波的宽度、RR间期、T波方向以及QRS主波方向。

进一步地，根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号的具体方法包括：

判断所述QRS波的宽度是否不小于0.1秒；若所述QRS波的宽度小于0.1秒，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述QRS波的宽度不小于0.1秒，则判断所述RR间期是否不小于正常RR期间的两倍；若所述RR间期小于正常RR期间的两倍，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述RR间期不小于正常RR期间的两倍，则判断所述预处理后的心电图 信号是否提前出现QRS-T波；若所述预处理后的心电图信号未提前出现QRS-T波，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述预处理后的心电图信号提前出现QRS-T波，则判断所述T波方向与所述QRS主波方向是否相反；若所述T波方向与所述QRS主波方向未相反，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述T波方向与所述QRS主波方向相反，则所述预处理后的心电图信号为室性早搏的心电图信号。

本发明还提供了一种室性早搏识别系统，包括

接收模块，被构造为接收心电图信号；

预处理模块，被构造为对所述心电图信号进行预处理，以获得预处理后的心电图信号；

分类模块，被构造为采用若干个分类模型对所述预处理后的心电图信号进行分类，以获得若干个原始概率值，其中，所述分类模型为导联神经卷积网络分类模型；

识别模块，被构造为根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。

进一步地，所述识别模块进一步被构造为采用预定的融合决策规则对所述若干个原始概率值进行融合决策，以获得综合概率值，并判断所述综合概率值是否大于一预定阈值；

其中，若所述识别模块判断为所述综合概率值大于所述预定阈值，则所述预处理后的心电图信号是室性早搏的心电图信号；若所述识别模块判断为所述综合概率值不大于所述预定阈值，则所述预处理后的心电图信号是待确定的室性早搏的心电图信号。

进一步地，所述室性早搏识别系统还包括：再识别模块，被构造为若所述识别模块识别所述预处理后的心电图信号是待确定的室性早搏的心电图信号，则提取所述预处理后的心电图信号的特征参数，并根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号；

其中，所述提取的特征参数包括：QRS波的宽度、RR间期、T波方向以及QRS主波方向。

进一步地，所述再识别模块进一步被构造为判断所述QRS波的宽度是否不小于0.1秒；若所述再识别模块判断所述QRS波的宽度小于0.1秒，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述再识别模块判断所述QRS波的宽度不小于0.1秒，则所述再识别模块进一步被构造为判断所述RR间期是否不小于正常RR期间的两倍；若所述再识别模块判断为所述RR间期小于正常RR期间的两倍，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述再识别模块判断为所述RR间期不小于正常RR期间的两倍，则所述再识别模块进一步被构造为判断所述预处理后的心电图信号是否提前出现QRS-T波；若所述再识别模块判断为所述预处理后的心电图信号未提前出现QRS-T波，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述再识别模块判断为所述预处理后的心电图信号提前出现QRS-T波，则所述再识别模块进一步被构造为判断所述T波方向与所述QRS主波方向是否相反；若所述再识别模块判断为所述T波方向与所述QRS主波方向未相反，则所述预处理后的心电图信号为非室性早搏的心电图信号；

若所述再识别模块判断为所述T波方向与所述QRS主波方向相反，则所述预处理后的心电图信号为室性早搏的心电图信号。

本发明提出的室性早搏识别方法以及室性早搏识别系统，采用多个分类模型进行分类，利用集成学习中各分类模型之间分类结果的差异性来提升整个识别方法的分类性能；同时LCNN作为集成学习的基分类模型，使得PVC识别灵敏度更好、性能更优、准确率更高。

附图说明

通过结合附图进行的以下描述，本发明的实施例的上述和其它方面、特点和优点将变得更加清楚，附图中：

图1是根据本发明的第一实施例的室性早搏识别方法的流程图；

图2是根据本发明的第二实施例的室性早搏识别方法的流程图；

图3是根据本发明的第三实施例的室性早搏识别系统的模块图。

具体实施方式

以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。

<第一实施例>

图1是根据本发明的第一实施例的室性早搏识别方法的流程图。

参照图1，在步骤S1中，接收心电图信号。

在本实施例中，所述心电图信号可采集自中国心血管疾病数据库(Chinese Cardiovascular Disease Database，简称CCDD)，但本发明并不限制于此。

在步骤S2中，对所述心电图信号进行预处理，获得预处理后的心电图信号。

一般，接收的心电图信号中会包含工频、肌电、基线漂移等噪声。工频噪声会对心电图信号中细小转折产生影响，从而使得所述心电图信号的特征出现变化而影响所述心电图信号对于病情的诊断，其频率固定为50Hz。基线漂移一般由人体呼吸和电极移动所引起，会引起心电图信号的基准线呈现上下漂移的情况，其频率低于10Hz。肌电干扰主要是由人体肌肉颤动所致，其频率一般在5Hz～2kHz之间。其中，基线漂移对心电图信号的影响最大。本发明为了减少噪声干扰，对接收的心电图信号进行预先的滤波处理，例如，对接收的心电图信号进行0.5Hz-40Hz的带通滤波预处理。

在步骤S3中，采用若干个分类模型对所述预处理后的心电图信号进行分类，获得若干个原始概率值，其中，鉴于LCNN训练参数少、自适应强、结构简单等优良特性，若干个分类模型以LCNN作为基分类模型。

在步骤S4中，根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。

具体的，采用预定的融合决策规则对所述若干个原始概率值进行融合决策，以获得综合概率值；判断所述综合概率值是否大于一预定阈值；其中，若所述综合概率值大于所述预定阈值，则所述预处理后的心电图信号是室性早搏的心电图信号；若所述综合概率值不大于所述预定阈值，则所述预处理后的心电图信号是待确定的室性早搏的心电图信号。

在本实施例中，步骤S3、S4采用的是基于集成学习的方法来进行PVC识别，其中，选用合适的分类模型决定了集成学习方法有效性，一般为了提升集成效果，选用的若干分类模型中的每个分类模型必须满足以下几点：1、每个分类模型的错误概率不能高于0.5；2、每个分类模型之间的性能要有较大的差别。下面通过一个具体的示例对本实施例的技术方案进行描述。

首先，所述心电图信号从CCDD的记录中获得，取自该数据库的若干心电图信号经过0.5～40Hz的带通滤波进行去噪处理。

将预处理后的若干心电图信号作为训练样本，具体的，作为一个示例，选取35840条预处理后的心电图信号作为训练样本(其中包括3112条PVC)；在35840条预处理后的心电图信号中选取141046条心电图信号(其中包括2148条PVC)作为测试样本。鉴于LCNN训练参数少、自适应强、结构简单等优良特性，将LCNN作为集成学习的基分类模型，这里选取6个以LCNN为基的分类模型进行分类，其中，这6个LCNN模型是从已训练好的若干LCNN模型中挑选出来的错误概率比较低而且各模型间差异性较大的6个模型。这6个LCNN模型的3层取样核均为1*3，3个卷积核分别为1*18、1*10、1*5。

为了将所述6个LCNN模型构造成不同的分类模型，在6个LCNN模型中有3个LCNN模型的结构为[15，20，15，50，1]，其中，15、20、15分别表示3个卷积单元的特征面个数，50和1分别表示两个全连接层的神经元个数。由于训练样本中PVC与非室性早搏(NPVC)取样条数不相同，为了解决取样条数带来的不平衡性，在这3个LCNN模型的损失函数中对每一个类别设置不同的错分代价，其中，有2个的错分代价比为3:1，即NPVC与PVC的错分代价之比为3:1；虽然这2个LCNN模型结构和错分代价比相同，但是其训练初始值不一样，所以这2个LCNN模型也不一样；而另一个LCNN模型的错分代价比为1:4。

除此之外，在另外3个LCNN模型的中，其中，1个LCNN模型结构为[8，14，20，50，2]，其错分代价比为4:1，另2个LCNN模型的结构为[10，15，20，50，2]，它们的错分代价比分别为4:1和3:1。

选取好分类模型后，将训练样本均输入到6个LCNN模型中进行独立并行训练，经过学习后，再将测试样本均通过这6个LCNN模型进行独立测试得到6个原始概率值。

本实施例中，选取的分类模型的个数以及其构造方法仅仅是作为示例示出， 不用对本发明进行限制，在其他实施例中，也可以选择不同的分类模型个数以及不同的分类模型的构造方法。

具体的，作为一个示例，用t_mj表示第m个分类模型得到属于第j类的原始概率值(j＝0，1，其中0表示NPVC类，1表示PVC类)，这样通过每一个分类模型均可以得到一个原始概率值，即如果t_m1大于0.5，则第m个分类模型将所述测试样本判定为PVC类。但是，为了得到一个更可靠的识别结果，这里通过采用某种融合规则对6个LCNN模型输出的6个原始概率值进行融合决策得到一个更可靠的综合概率值。

具体的，作为一个示例，采用均值融合规则，也可采用其他的融合规则如乘法规则、加权平均、取最大值等，融合规则为本领域技术人员所公知的技术，这里不再赘述，对6个LCNN模型的原始概率值进行融合得到综合概率值P_j，其公式如下：

P_j＝(1/6)*∑⁶_m＝1t_mj，j＝0，1

P_j表示6个LCNN模型最终融合概率，即样本属于第j类的概率。若P_j大于0.5，则样本属于1类即PVC类，否则样本属于0类即NPVC类。对测试样本进行判断后的结果如下表所示：

表1

在本实施例中，采用Sp为特异性、Se为灵敏度、Acc为准确率、γ为综合指标约登指数、Gm为几何平均这几个参数来度量分类效果的优劣，它们各自的定义如下所示：

Acc＝(TP+TN)/(TP+TN+FP+FN)

Se＝TP/(TP+FN)

Sp＝TN/(TN+FP)

γ＝Se+Sp-1

其中，TP为阳性样本被算法检测为阳性的数量；TN为阴性样本被算法检测为阴性的数量；FN为阳性样本被错误检测为阴性的数量；FP为阴性样本被检测为阳性的数量。从表中可以看出，其中，2148条PVC中被正确识别为PVC的为1380条，利用本实施例提供的识别方法，其识别准确率可以达到98.47％。

综上所述，本发明第一实施例采用基于集成学习的方法对心电图信号进行PVC识别，集成学习中将LCNN作为基分类模型使得PVC识别准确率更高。

<第二实施例>

图2是根据本发明的第一实施例的室性早搏识别方法的流程图。

参照图2，在步骤S1中，接收心电图信号。

在本实施例中，所述心电图信号可采集自中国心血管疾病数据库(Chinese Cardiovascular Disease Database，简称CCDD)，但本发明并不限制于此。

在步骤S2中，对所述心电图信号进行预处理，获得预处理后的心电图信号。

一般，接收的心电图信号中会包含工频、基电、基线漂移等噪声。工频噪声会对心电图信号中细小转折产生影响，从而使得所述心电图信号的特征出现变化而影响所述心电图信号对于病情的诊断，其频率固定为50Hz。基线漂移一般由人体呼吸和电极移动所引起，会引起心电图信号的基准线呈现上下漂移的情况，其频率低于10Hz。肌电干扰主要是由人体肌肉颤动所致，其频率一般在5Hz～2kHz之间。其中，基线漂移对心电图信号的影响最大。本发明为了减少噪声干扰，对接收的心电图信号进行预先的滤波处理，例如，对接收的心电图信号进行0.5Hz-40Hz的带通滤波预处理。

在步骤S3中，采用若干个分类模型对所述预处理后的心电图信号进行分类，获得若干个原始概率值，其中若干个分类模型以LCNN作为基分类模型。

在步骤S4中，根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。

具体的，采用预定的融合决策规则对所述若干个原始概率值进行融合决策，以获得综合概率值；判断所述综合概率值是否大于一预定阈值；其中，若所述 综合概率值大于所述预定阈值，则所述预处理后的心电图信号是室性早搏的心电图信号；若所述综合概率值不大于所述预定阈值，则所述预处理后的心电图信号是待确定的室性早搏的心电图信号。

在本实施例中，步骤S3、S4采用的是基于集成学习的方法来进行PVC识别，其中，选用合适的分类模型决定了集成学习方法有效性，一般为了提升集成效果，选用的若干分类模型中的每个分类模型必须满足以下几点：1、每个分类模型的错误概率不能高于0.5；2、每个分类模型之间的性能要有较大的差别。下面通过一个具体的示例对本实施例的技术方案进行描述。

首先，所述心电图信号从CCDD的记录中获得，取自该数据库的若干心电图信号经过0.5～40Hz的带通滤波进行去噪处理。

将预处理后的若干心电图信号作为训练样本，具体的，作为一个示例，选取35840条预处理后的心电图信号作为训练样本(其中包括3112条PVC)；在35840条预处理后的心电图信号中选取141046条心电图信号(其中包括2148条PVC)作为测试样本。鉴于LCNN训练参数少、自适应强、结构简单等优良特性，将LCNN作为集成学习的基分类模型，这里选取6个以LCNN为基的分类模型进行分类，其中，这6个LCNN模型是从已训练好的若干LCNN模型中挑选出来的错误概率比较低而且各模型间差异性较大的6个模型。这6个LCNN模型的3层取样核均为1*3，3个卷积核分别为1*18、1*10、1*5。

为了将所述6个LCNN模型构造成不同的分类模型，在6个LCNN模型中有3个LCNN模型的结构为[15，20，15，50，1]，其中，15、20、15分别表示3个卷积单元的特征面个数，50和1分别表示两个全连接层的神经元个数。由于训练样本中PVC与非室性早搏(NPVC)取样条数不相同，为了解决取样条数带来的不平衡性，在这3个LCNN模型的损失函数中对每一个类别设置不同的错分代价，其中，有2个的错分代价比为3:1，即NPVC与PVC的错分代价之比为3:1；虽然这2个LCNN模型结构和错分代价比相同，但是其训练初始值不一样，所以这2个LCNN模型也不一样；而另一个LCNN模型的错分代价比为1:4。

除此之外，在另外3个LCNN模型的中，其中，1个LCNN模型结构为[8，14，20，50，2]，其错分代价比为4:1，另2个LCNN模型的结构为[10，15，20，50，2]，它们的错分代价比分别为4:1和3:1。

选取好分类模型后，将训练样本均输入到6个LCNN模型中进行独立并行 训练，经过学习后，再将测试样本均通过这6个LCNN模型进行独立测试得到6个原始概率值。

本实施例中，选取的分类模型的个数以及其构造方法仅仅是作为示例示出，不用对本发明进行限制，在其他实施例中，也可以选择不同的分类模型个数以及不同的分类模型的构造方法。

具体的，作为一个示例，用t_mj表示第m个分类模型得到属于第j类的原始概率值(j＝0，1，其中0表示NPVC类，1表示PVC类)，这样通过每一个分类模型均可以得到一个原始概率值，即如果t_m1大于0.5，则第m个分类模型将所述测试样本判定为PVC类。但是，为了得到一个更可靠的识别结果，这里通过采用某种融合规则对6个LCNN模型输出的6个原始概率值进行融合决策得到一个更可靠的综合概率值。

具体的，采用均值融合规则，也可采用其他的融合规则如乘法规则、加权平均、取最大值等，融合规则为本领域技术人员所公知的技术，这里不再赘述，对6个LCNN模型的原始概率值进行融合得到综合概率值P_j，其公式如下：P_j＝(1/6)*∑⁶_m＝1t_mj，j＝0，1

P_j表示6个LCNN模型最终融合概率，即样本属于第j类的概率。若P_j大于0.5，则样本属于1类即PVC类，否则样本属于0类即NPVC类。对测试样本进行判断后的结果如下表所示：

表1

在本实施例中，采用Sp为特异性、Se为灵敏度、Acc为准确率、γ为综合指标约登指数、Gm为几何平均这几个参数来度量分类效果的优劣，它们各自的定义如下所示：

Acc＝(TP+TN)/(TP+TN+FP+FN)

Se＝TP/(TP+FN)

Sp＝TN/(TN+FP)

γ＝Se+Sp-1

其中，TP为阳性样本被算法检测为阳性的数量；TN为阴性样本被算法检测为阴性的数量；FN为阳性样本被错误检测为阴性的数量；FP为阴性样本被检测为阳性的数量。从表中可以看出，利用本实施例提供的识别方法，其识别准确率可以达到98.47％。一般情况下，约登指数γ和几何平均Gm越大，分类性能越好。

从表1可以看出，经6个LCNN模型进行并行分类然后进行融合决策后，得到的灵敏度还比较低，其中实际为PVC被判为NPVC的测试样本条数为768条，即有较多的PVC样本被判成了非PVC。因此在本实施例中考虑采用其诊断规则对NPVC测试样本进行再一次的识别，以达到提升灵敏度的目的。

继续参照图2，在步骤S4中，若所述预处理后的心电图信号是待确定的室性早搏的心电图信号，则进入步骤S5。

在步骤S5中，提取所述预处理后的心电图信号的特征参数，在本实施例中，所述提取的特征参数为QRS波的宽度、RR间期、T波方向以及QRS主波方向。

其中，QRS波的宽度定义为Q波与S波之间的宽度，RR间期表示的是当前R波与前一个R波之间的间期。

在步骤S6中，根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号。其中，在步骤S6中，根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号具体方法包括：

步骤S61：判断所述QRS波的宽度是否不小于0.1秒。

若所述QRS波的宽度小于0.1秒，则所述心电图信号为NPVC。若所述QRS波的宽度不小于0.1秒，则进入步骤S62。

步骤S62：判断所述心电图信号是否存在完全代偿间期；其中，完全代偿间期表示的是早搏前后两窦性心搏相隔的时间为正常心动周期的2倍。

若所述心电图信号不存在完全代偿间期，则所述心电图信号为NPVC。若所 述心电图信号存在完全代偿间期，则进入步骤S63。

步骤S63：判断所述心电图信号是否提前出现QRS-T波。

若所述心电图信号未提前出现QRS-T波，则所述心电图信号为NPVC。若所述心电图信号提前出现QRS-T波，则进入步骤S64。

步骤S64：判断所述T波与所述QRS主波方向是否相反。

若所述T波与所述QRS主波方向相同，则所述心电图信号为NPVC。若所述T波与所述QRS主波方向相反，则所述心电图信号为PVC心电图信号。

具体的，作为一个示例，采用上述所述心电图信号特征参数对表1中的被判定为NPVC的2157条测试样本再次进行PVC识别。由基于LCNN模型的集成学习方法与特征参数相结合识别PVC的方法得到的结果如下表所示

表2

从表中可以看出，其中，2148条PVC中被判为NPVC的条数从原来的768条减少为335条。因此，根据特征参数对所述心电图信号进行再次识别使得识别灵敏度更高、分类性能更好。

综上所述，本发明第二实施例采用基于LCNN模型的集成学习的方法与特征参数结合对心电图信号进行PVC识别，使得PVC识别灵敏度更高、整体分类性能更好。

<第三实施例>

图3是根据本发明的第三实施例的室性早搏识别系统的模块图。

参照图3，根据本发明的第三实施例的室性早搏识别系统包括接收模块10、预处理模块11、分类模块12、识别模块13以及再识别模块14。

接收模块10，被构造为接收心电图信号。

预处理模块11，被构造为对所述心电图信号进行预处理，以获得预处理后的心电图信号。

分类模块12，被构造为采用若干个分类模型对所述预处理后的心电图信号进行分类，以获得若干个原始概率值，其中，所述分类模型为导联神经卷积网络分类模型。

识别模块13，被构造为根据获得的若干个原始概率值来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。在本实施例中，所述识别模块13进一步被构造为利用上述步骤S4来识别所述预处理后的心电图信号是室性早搏的心电图信号或待确定为室性早搏的心电图信号。

所述室性早搏识别系统还包括再识别模块14，被构造为若所述识别模块识别所述预处理后的心电图信号是待确定的室性早搏的心电图信号，则提取所述预处理后的心电图信号的特征参数，并根据提取的特征参数来识别所述预处理后的心电图信号是否为室性早搏的心电图信号；其中，所述提取的特征参数具体包括的种类请参照上述步骤S5中的描述。

具体的，所述再识别模块进一步被构造为利用上述步骤S6的方法来识别所述预处理后的心电图信号是否为室性早搏的心电图信号。

虽然已经参照特定实施例示出并描述了本发明，但是本领域的技术人员将理解：在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可在此进行形式和细节上的各种变化。