一种心电信号的处理方法及系统与流程

本发明属于心电信号处理的技术领域，具体涉及一种心电信号的处理方法及系统。

背景技术：

心电信号反应了心脏活动的电生理过程，图1给出了一个典型的心电信号波形。正常的心电信号包括p波、qrs复合波和t波，有时候也会有u波。其中p波表示了心房收缩的电活动，qrs复合波和t波表示了心室收缩的电活动，u波通常认为表示心舒张时的电活动。

心电信号的处理主要是为了对心电信号波形进行数字化表征，方便后续结合其他参数或手段进行分析和研究。目前的心电信号处理方法多为利用时频域分析和非线性的特征(如复杂度等)来进行处理。其主要缺点在于，在存在噪声的情况下，仅利用多个特征的线性组合难以准确表征心电信号。另外，某些类型的波具有较高的类间一致性，某些特征样本x在当前的特征空间中线性不可分，因此目前的方法都难以准确表征心电信号。

技术实现要素：

为了解决上述难以准确表征心电信号的技术问题，本发明实施例提出了一种心电信号的处理方法及系统。

一种心电信号的处理方法，包括以下步骤：

步骤s21：对心电信号进行预处理，以滤除心电信号中的噪声信号；

步骤s22：从经过预处理的心电信号中提取用于表征心电信号的特征；

步骤s23：采用核方法对提取的所述特征进行处理，得到特征向量。

进一步地，在所述步骤s21中，所述预处理包括滤除心电信号的基线漂移；

或者，在所述步骤s21中，所述预处理还包括降低心电信号的采样频率和滤除心电信号的基线漂移，降低心电信号的采样频率在滤除心电信号的基线漂移之前进行。

进一步地，在所述步骤s22中，所述特征包括基于样本熵的特征、基于延迟算法的特征和基于小波变换的特征这三种特征中一种或多种；

设第y次采样的经过预处理的心电信号为py，py也称为第y个样本点，y为该样本点的采样序号，其中，y＝1、……、n，n为样本点的个数，n为大于等于3的自然数，心电信号的采样频率为fs；

其中，基于样本熵的特征的提取方法如下：

(a1)设嵌入维数为m，m为大于等于1的自然数，m小于等于n-2；按样本点的采样序号建立一组m维向量x^m(i)＝[pi，pi+1，……，pi+m-1]，1≤i≤n-m，所有m维向量x^m(i)组成向量组x^m；

(b1)在向量组x^m中计算任意两个m维向量x^m(i)与x^m(j)组成的向量对之间的距离，该距离定义为所述两个m维向量x^m(i)与x^m(j)中对应元素之差最大的值，如公式(1)所示；

(c1)给定距离阈值d_thre，统计任意两个m维向量组成的向量对之间的距离小于距离阈值d_thre的向量对的数量n^m，并求出其与向量对总数n-m-1的比b^m，如公式(2)所示；

b^m＝n^m/(n-m-1)(2)；

(d1)增加嵌入维数的值为m+1，按样本点的采样序号建立一组m+1维向量x^m+1(i)＝[pi，pi+1，...，pi+m]，i的取值为1≤i≤n-m，所有m+1维向量x^m+1(i)组成向量组x^m+1，对向量组x^m+1重复步骤(b1)和步骤(c1)，得到b^m+1；

(e1)计算样本熵sampen，并将计算的结果作为提取的基于样本熵的特征，如公式(3)所示；

sampen＝ln(b^m)/ln(b^m+1)(3)；

基于延迟算法的特征的提取方法如下：

(a2)给定心电信号的延时长度t＝fs×h，0<h<1，建立一组第y次采样的经过预处理的心电信号py的延时信号dy，dy＝py+t；这里的第y次采样的经过预处理的心电信号py简称为原始信号py；

(b2)根据原始信号py和延迟信号dy建立相空间，相空间的横坐标为原始信号py，纵坐标为延迟信号dy；

(c2)在相空间中绘制心电信号曲线；

(d2)将相空间分割成n×n的网格，统计心电信号曲线所经过的网格数量n；

(e2)计算心电信号曲线所经过的网格数量占总网格数量之比nr，并将其作为提取的基于延迟算法的特征，如公式(4)所示：

nr＝n/(n×n)(4)；

基于小波变换的特征的提取方法如下：

(a3)对心电信号进行g层小波分解，g为大于等于2的自然数，然后对每层小波分解得到的信号重构其高频细节部分，设第z层小波分解信号重构后的信号为r^z，其中z＝1、……、g；

(b3)计算r^z与原始信号py的能量之比r^z，并将其作为提取的基于小波变换的特征，这里的原始信号py为第y次采样的经过预处理的心电信号py；其中，z＝1、……、g，如公式(5)所示；

进一步地，在步骤s23进行所述处理时，利用核方法将高维空间的运算转为低维原始空间的核函数计算。

进一步地，所述核函数为高斯核函数，高斯核函数如公式(7)所示，其中σ为方差，x为提取的各个特征，t为心电信号的特征模板；

k(x,t)＝exp(-|x-t|²/2σ²)(7)；

提取的各个特征与特征模板在高维空间的距离如公式(8)所示：

利用公式(7)和公式(8)对所述步骤s22提取的所有特征进行处理，处理后的所有特征组成所述特征向量。

一种心电信号的处理系统，包括预处理模块、提取模块和处理模块；

预处理模块用于对心电信号进行预处理，以滤除心电信号中的噪声信号；

提取模块与预处理模块相连，用于从经过预处理的心电信号中提取用于表征心电信号的特征；

处理模块与提取模块相连，用于采用核方法对提取的所述特征进行处理，得到特征向量。

进一步地，所述预处理包括滤除心电信号的基线漂移；

或者，所述预处理还包括降低心电信号的采样频率和滤除心电信号的基线漂移，降低心电信号的采样频率在滤除心电信号的基线漂移之前进行。

进一步地，提取的所述特征包括基于样本熵的特征、基于延迟算法的特征和基于小波变换的特征这三种特征中一种或多种；

设第y次采样的经过预处理的心电信号为py，py也称为第y个样本点，y为该样本点的采样序号，其中，y＝1、……、n，n为样本点的个数，n为大于等于3的自然数，心电信号的采样频率为fs；

其中，基于样本熵的特征的提取方法如下：

(a1)设嵌入维数为m，m为大于等于1的自然数，m小于等于n-2；按样本点的采样序号建立一组m维向量x^m(i)＝[pi，pi+1，……，pi+m-1]，1≤i≤n-m，所有m维向量x^m(i)组成向量组x^m；

(b1)在向量组x^m中计算任意两个m维向量x^m(i)与x^m(j)组成的向量对之间的距离，该距离定义为所述两个m维向量x^m(i)与x^m(j)中对应元素之差最大的值，如公式(1)所示；

(c1)给定距离阈值d_thre，统计任意两个m维向量组成的向量对之间的距离小于距离阈值d_thre的向量对的数量n^m，并求出其与向量对总数n-m-1的比b^m，如公式(2)所示；

b^m＝n^m/(n-m-1)(2)；

(d1)增加嵌入维数的值为m+1，按样本点的采样序号建立一组m+1维向量x^m+1(i)＝[pi，pi+1，...，pi+m]，i的取值为1≤i≤n-m，所有m+1维向量x^m+1(i)组成向量组x^m+1，对向量组x^m+1重复步骤(b1)和步骤(c1)，得到b^m+1；

(e1)计算样本熵sampen，并将计算的结果作为提取的基于样本熵的特征，如公式(3)所示；

sampen＝ln(b^m)/ln(b^m+1)(3)；

基于延迟算法的特征的提取方法如下：

(a2)给定心电信号的延时长度t＝fs×h，0<h<1，建立一组第y次采样的经过预处理的心电信号py的延时信号dy，dy＝py+t；这里的第y次采样的经过预处理的心电信号py简称为原始信号py；

(b2)根据原始信号py和延迟信号dy建立相空间，相空间的横坐标为原始信号py，纵坐标为延迟信号dy；

(c2)在相空间中绘制心电信号曲线；

(d2)将相空间分割成n×n的网格，统计心电信号曲线所经过的网格数量n；

(e2)计算心电信号曲线所经过的网格数量占总网格数量之比nr，并将其作为提取的基于延迟算法的特征，如公式(4)所示：

nr＝n/(n×n)(4)；

基于小波变换的特征的提取方法如下：

(a3)对心电信号进行g层小波分解，g为大于等于2的自然数，然后对每层小波分解得到的信号重构其高频细节部分，设第z层小波分解信号重构后的信号为r^z，其中z＝1、……、g；

(b3)计算r^z与原始信号py的能量之比r^z，并将其作为提取的基于小波变换的特征，这里的原始信号py为第y次采样的经过预处理的心电信号py；其中，z＝1、……、g，如公式(5)所示；

进一步地，在处理模块进行所述处理时，利用核方法将高维空间的运算转为低维原始空间的核函数计算。

进一步地，所述核函数为高斯核函数，高斯核函数如公式(7)所示，其中σ为方差，x为提取的各个特征，t为心电信号的特征模板；

k(x,t)＝exp(-|x-t|²/2σ²)(7)；

提取的各个特征与特征模板在高维空间的距离如公式(8)所示：

利用公式(7)和公式(8)对所述提取模块提取的所有特征进行处理，处理后的所有特征组成所述特征向量。

本发明实施例的有益效果：本发明实施例提出的心电信号的处理方法及系统，考虑到将特征样本投影到一个足够高维度的特征空间后，从理论上说特征样本总是线性可分的，因此采用了核方法对心电信号进行处理，从而将样本映射到一个高维特征空间，消除了类间一致性的影响，并且使得样本在高维空间线性可分的同时，避免了计算上的维数灾难。另外，本发明实施例提出的心电信号的处理方法及系统采用特征向量来数字化表征心电信号，使得心电信号的表征更准确，能够为后续分析和研究提供更可靠的借鉴和参考意义。

附图说明

图1是典型的心电信号波形图；

图2是本发明实施例提出的心电信号的处理方法的流程图；

图3是本发明实施例提出的心电信号的处理系统的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。但本领域技术人员知晓，本发明并不局限于附图和以下实施例。

本发明实施例提出了一种心电信号的处理方法，如图2所示，包括以下步骤：

步骤s21：对心电信号进行预处理，以滤除心电信号中的噪声信号；

步骤s22：从经过预处理的心电信号中提取用于表征心电信号的特征；

步骤s23：采用核方法对提取的所述特征进行处理，得到特征向量。

其中，在所述步骤s21中，所述预处理包括滤除心电信号的基线漂移。本实施例利用中值滤波从心电信号中提取基线，将提取的基线从心电信号中减去，以滤除心电信号的基线漂移，从而滤除心电信号中的噪声信号，提高处理的准确率。

所述预处理还可以包括降低心电信号的采样频率。以qrs波为例，通常情况下qrs波的时间范围约为0.04s-0.12s，即频率范围为8.33hz-25hz。更高频率的信号多为噪声。当对心电信号降采样，例如降到50hz时，根据采样定理，保留的心电信号的最大有效频率为25hz。这样既能保留完整的心电信号，又能去除高频噪声，还能减少计算量。优选地，将心电信号降采样为50hz的信号。

当所述预处理包括降低心电信号的采样频率和滤除心电信号的基线漂移时，降低心电信号的采样频率在滤除心电信号的基线漂移之前进行，减少了计算量，提高了处理效率；并且滤除了高频噪声，进一步提高了表征的准确率。

在所述步骤s22中，所述特征可以包括基于样本熵的特征、基于延迟算法的特征和基于小波变换的特征这三种特征中一种或多种。下面对这三种特征的提取过程分别进行说明。

设第y次采样的经过预处理的心电信号为py，py也称为第y个样本点，y为该样本点的采样序号，其中，y＝1、……、n，n为样本点的个数，n为大于等于3的自然数，心电信号的采样频率为fs，如果心电信号经过降低心电信号的采样频率的预处理，这里的心电信号的采样频率fs为降低后的采用频率，例如fs＝50hz。

(1)基于样本熵的特征：

(a1)设嵌入维数为m，m为大于等于1的自然数，一般来说，m小于等于n-2,例如m＝2；按样本点的采样序号建立一组m维向量x^m(i)＝[pi，pi+1，……，pi+m-1]，1≤i≤n-m，所有m维向量x^m(i)组成向量组x^m。

(b1)在向量组x^m中计算任意两个m维向量x^m(i)与x^m(j)组成的向量对之间的距离，该距离定义为所述两个m维向量x^m(i)与x^m(j)中对应元素之差最大的值，如公式(1)所示。

(c1)给定距离阈值d_thre，统计任意两个向量组成的向量对之间的距离小于距离阈值d_thre的向量对的数量n^m，并求出其与向量对总数n-m-1的比b^m，如公式(2)所示。

b^m＝n^m/(n-m-1)(2)

其中，距离阈值d_thre可以为心电信号的方差的0.2倍。

方差的计算公式为其中x对应为各个样本点，μ对应为样本均值，n为样本的个数。

(d1)增加嵌入维数的值为m+1，按样本点的采样序号建立一组m+1维向量x^m+1(i)＝[pi，pi+1，...，pi+m]，i的取值为1≤i≤n-m，所有m+1维向量x^m+1(i)组成向量组x^m+1，对向量组x^m+1重复步骤(b1)和步骤(c1)，得到b^m+1。

(e1)计算样本熵sampen，并将计算的结果作为提取的基于样本熵的特征，如公式(3)所示。

sampen＝ln(b^m)/ln(b^m+1)(3)

(2)基于延迟算法的特征：

(a2)给定心电信号的延时长度t＝fs×h，0<h<1，例如h为0.5；建立一组第y次采样的经过预处理的心电信号py的延时信号dy，dy＝py+t；这里的第y次采样的经过预处理的心电信号py简称为原始信号py；

(b2)根据原始信号py和延迟信号dy建立相空间，相空间的横坐标为原始信号py，纵坐标为延迟信号dy；

(c2)在相空间中绘制心电信号曲线；

(d2)将相空间分割成n×n的网格，例如40×40的网格，统计心电信号曲线所经过的网格数量n；

(e2)计算心电信号曲线所经过的网格数量占总网格数量之比nr，并将其作为提取的基于延迟算法的特征，如公式(4)所示。

nr＝n(n×n)(4)

(3)基于小波变换的特征：

(a3)对心电信号进行g层小波分解，g为大于等于2的自然数，例如g为3，g的取值只要满足第g层的高频细节部分能够重构qrs波即可，然后对每层小波分解得到的信号重构其高频细节部分。设第z层小波分解信号重构后的信号为r^z，其中z＝1、……、g。其中，所述的小波分解可以利用haar小波基进行小波分解。

(b3)计算r^z与原始信号py的能量之比r^z，并将其作为提取的基于小波变换的特征，这里的原始信号py为第y次采样的经过预处理的心电信号py；其中，z＝1、……、g，如公式(5)所示。

在步骤s23中，为了提高分类效果，本实施例利用核方法(kernel)将高维空间的内积运算转为低维原始空间的核函数计算。高维空间的内积运算公式如公式(6)所示，其中，φ为原始空间至高维空间的映射，k为核函数，<>为内积，x为提取的特征，t为心电信号的特征模板。

k(x,t)＝<φ(x),φ(t)>(6)

高斯核函数为最常用的核函数之一，如公式(7)所示，其中σ为方差。

k(x,t)＝exp(-|x-t|²/2σ²)(7)

基于核函数的距离公式的推导过程如下所示：

提取的各个特征与特征模板在高维空间的距离如公式(8)所示。

利用公式(7)和公式(8)对所述步骤s22提取的所有特征进行处理，处理后的所有特征组成所述特征向量，通过特征向量表征心电信号，方便后续结合其他参数或手段进行分析和研究。

本实施例通过核方法将样本映射到一个高维特征空间的同时，避免了在高维空间中计算的“维数灾难”。

本实施例例举了三种特征，一般来说，采用的特征越多，表征的准确性越高。本领域技术人员知晓，还可以利用更多特征来表征，如基于希尔伯特变换的特征等。

本发明实施例提出了一种心电信号的处理系统，如图3所示，包括预处理模块、提取模块和处理模块。

预处理模块用于对心电信号进行预处理，以滤除心电信号中的噪声信号；

提取模块与预处理模块相连，用于从经过预处理的心电信号中提取用于表征心电信号的特征；

处理模块与提取模块相连，用于采用核方法对提取的所述特征进行处理，得到特征向量，用以表征心电信号。

其中，在预处理模块中，所述预处理包括滤除心电信号的基线漂移。本实施例利用中值滤波从心电信号中提取基线，将提取的基线从心电信号中减去，以滤除心电信号的基线漂移，从而滤除心电信号中的噪声信号，提高处理的准确率。

所述预处理还可以包括降低心电信号的采样频率。以qrs波为例，通常情况下qrs波的时间范围约为0.04s-0.12s，即频率范围为8.33hz-25hz。更高频率的信号多为噪声。当对心电信号降采样，例如降到50hz时，根据采样定理，保留的心电信号的最大有效频率为25hz。这样既能保留完整的心电信号，又能去除高频噪声，还能减少计算量。优选地，将心电信号降采样为50hz的信号。

当所述预处理包括降低心电信号的采样频率和滤除心电信号的基线漂移时，降低心电信号的采样频率在滤除心电信号的基线漂移之前进行，减少了计算量，提高了处理效率；并且滤除了高频噪声，进一步提高了表征的准确率。

在提取模块中，所述特征可以包括基于样本熵的特征、基于延迟算法的特征和基于小波变换的特征这三种特征中一种或多种。下面对这三种特征的提取过程分别进行说明。

设第y次采样的经过预处理的心电信号为py，py也称为第y个样本点，y为该样本点的采样序号，其中，y＝1、……、n，n为样本点的个数，n为大于等于3的自然数，心电信号的采样频率为fs，如果心电信号经过降低心电信号的采样频率的预处理，这里的心电信号的采样频率fs为降低后的采用频率，例如fs＝50hz。

(1)基于样本熵的特征：

(a1)设嵌入维数为m，m为大于等于1的自然数，一般来说，m小于等于n-2,例如m＝2；按样本点的采样序号建立一组m维向量x^m(i)＝[pi，pi+1，……，pi+m-1]，1≤i≤n-m，所有m维向量x^m(i)组成向量组x^m。

(b1)在向量组x^m中计算任意两个m维向量x^m(i)与x^m(j)组成的向量对之间的距离，该距离定义为所述两个m维向量x^m(i)与x^m(j)中对应元素之差最大的值，如公式(1)所示。

(c1)给定距离阈值d_thre，统计任意两个向量组成的向量对之间的距离小于距离阈值d_thre的向量对的数量n^m，并求出其与向量对总数n-m-1的比b^m，如公式(2)所示。

b^m＝n^m/(n-m-1)(2)

其中，距离阈值d_thre可以为心电信号的方差的0.2倍。

方差的计算公式为其中x对应为各个样本点，μ对应为样本均值，n为样本的个数。

(d1)增加嵌入维数的值为m+1，按样本点的采样序号建立一组m+1维向量x^m+1(i)＝[pi，pi+1，...，pi+m]，i的取值为1≤i≤n-m，所有m+1维向量x^m+1(i)组成向量组x^m+1，对向量组x^m+1重复步骤(b1)和步骤(c1)，得到b^m+1。

(e1)计算样本熵sampen，并将计算的结果作为提取的基于样本熵的特征，如公式(3)所示。

sampen＝ln(b^m)/ln(b^m+1)(3)

(2)基于延迟算法的特征：

(a2)给定心电信号的延时长度t＝fs×h，0<h<1，例如，h为0.5；建立一组第y次采样的经过预处理的心电信号py的延时信号dy，dy＝py+t；这里的第y次采样的经过预处理的心电信号py简称为原始信号py；

(b2)根据原始信号py和延迟信号dy建立相空间，相空间的横坐标为原始信号py，纵坐标为延迟信号dy；

(c2)在相空间中绘制心电信号曲线；

(d2)将相空间分割成n×n的网格，例如40×40的网格，统计心电信号曲线所经过的网格数量n；

(e2)计算心电信号曲线所经过的网格数量占总网格数量之比nr，并将其作为提取的基于延迟算法的特征，如公式(4)所示。

nr＝n/(n×n)(4)

(3)基于小波变换的特征：

(a3)对心电信号进行g层小波分解，g为大于等于2的自然数，例如g为3，g的取值只要满足第g层的高频细节部分能够重构qrs波即可，然后对每层小波分解得到的信号重构其高频细节部分。设第z层小波分解信号重构后的信号为r^z，其中z＝1、……、g。其中，所述的小波分解可以利用haar小波基进行小波分解。

(b3)计算r^z与原始信号py的能量之比r^z，并将其作为提取的基于小波变换的特征，这里的原始信号py为第y次采样的经过预处理的心电信号py；其中，z＝1、……、g，如公式(5)所示。

在处理模块进行处理时，为了提高分类效果，本实施例利用核方法(kernel)将高维空间的内积运算转为低维原始空间的核函数计算。高维空间的内积运算公式如公式(6)所示，其中，φ为原始空间至高维空间的映射，k为核函数，<>为内积，x为提取的特征，t为心电信号的特征模板。

k(x,t)＝<φ(x),φ(t)>(6)

高斯核为最常用的核函数之一，如公式(7)所示，其中σ为方差。

k(x,t)＝exp(-|x-t|²/2σ²)(7)

基于核函数的距离公式的推导过程如下所示：

提取的各个特征与特征模板在高维空间的距离如公式(8)所示。

利用公式(7)和公式(8)对所述步骤s22提取的所有特征进行处理，处理后的所有特征组成所述特征向量，通过特征向量表征心电信号，方便后续结合其他参数或手段进行分析和研究。

本实施例通过核方法将样本映射到一个高维特征空间的同时，避免了在高维空间中计算的“维数灾难”。

本实施例例举了三种特征，一般来说，采用的特征越多，表征的准确性越高。本领域技术人员知晓，还可以利用更多特征来表征，如基于希尔伯特变换的特征等。

本发明实施例还提出了一种存储介质，该存储介质中存储有执行前述方法的计算机程序。

本发明实施例还提出了一种处理器，所述处理器运行执行如前所述方法的计算机程序。

本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上，对本发明的实施方式进行了说明。但是，本发明不限定于上述实施方式。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。