一种基于拍内特征子波复杂网络的室性早搏检测方法

本发明涉及一种心电信号处理技术，属于长时程心电监护设备、医疗监护，具体涉及一种基于拍内特征子波复杂网络的室性早搏检测方法。

背景技术：

1、心脏作为人体至关重要的器官，心脏疾病能显著地影响人体身心健康。据《中国心血管健康与疾病报告2021》报告，心血管病在中国城乡居民疾病死亡构成比中占首位，且处于持续增长阶段。目前我国心律失常患者约有2000万人，其发病率呈现出逐年增高的趋势。长期心律失常会增加死亡风险，早期发现心脏异常，结合适当治疗，有助于提高患者的康复率。室性早搏(premature ventricular contractions,pvcs)是最常见的心律失常类型之一，常见于冠心病、心肌病和风湿性心脏病等疾病中。严重器质性心脏病患者，长期频繁的室性早搏可引起心绞痛、低血压或心力衰竭。

2、心电图是一种广泛用于诊断心脏相关疾病的工具，包含了大量反映心脏各部位状态的生理和病理信息，通过它可以检测心血管疾病引起的异常。长程动态心电监测可以捕获常规不易发现的偶发性、短阵性心电异常，明确心律失常的类型、发生频率以及风险程度等，但由于长时程心电数据量十分庞大，极大增加了医生的负担。随着心电信号自动分析技术的不断进步，心电信号预识别的功能大大减轻了医生诊断的工作量，帮助医务人员及时发现心律失常的异常现象。目前常用于心律失常检测算法中的心电信号特征选择包括心拍波形特征如qrs波宽度、r波高度和宽度、rr间期等，或是高阶统计量提取的非线性特征，这类手动提取特征可解释性强，但存在检测率易受噪声影响，鲁棒性差的问题，亟待解决。

技术实现思路

1、技术问题：

2、针对以上问题，本发明提供了一种基于拍内特征子波复杂网络的室性早搏检测方法及应用，用于实现长时程、抗噪、精准的心电信号分类，有效地提高心电信号自动分析的准确性，辅助医生诊断。本发明通过去趋势处理消除了长时程心电信号在不同状态下的区域性差异，通过去微小波动处理和符号动力学编码降低了心电信号分析的对噪声的敏感度；通过构建拍内特征子波复杂网络，利用复杂网络拓扑结构的特征反映心拍内部特征序列动力特性，提取更典型、反映本质的心电信号特征，提高检测准确率和鲁棒性。

3、技术方案：

4、为实现上述目的，本发明采用如下技术方案：一种基于拍内特征子波复杂网络的室性早搏检测方法及应用，包括以下步骤：

5、s1，心电信号预处理，包括去噪处理和qrs检测；

6、s2，心拍分割，将经过预处理后的心电信号以r波为基准点，分别向前向后以固定长度的窗口大小截取心拍信号；心拍内部子波分割，将每一段心电信号内部分为8段心电采样点序列；

7、s3，计算心拍内部每一段心电采样点序列的特征；

8、s4，特征去趋势处理，用以消除长时程的心电数据中不同状态下特征的区域性差异；并进行特征去微小波动处理，用以消除特征值的波动对后续编码的干扰；

9、s5，符号动力学编码，利用符号动力学对心拍内部特征序列进行编码，形成编码序列以便后续分析；

10、s6，构建拍内特征子波复杂网络，将心拍内部特征编码序列映射为复杂网络；

11、s7，计算复杂网络的特征参数，所述特征可以为复杂网络的边缘度、图能量、自我循环数量、节点平均度、大小为3的循环数量、大小为4的循环数量、图形链接密度、平均节点接近中心性和平均节点聚类系数等；

12、s8，采用上述提取的心电特征，基于机器学习方法训练早搏/非早搏分类模型。

13、作为本发明的一种改进，所述步骤s1中，采用fir低通滤波器提取基线漂移，去除原始信号中的基线漂移；再采用fft带通滤波器对去除基线漂移的信号进行滤波处理。心电信号预处理的qrs检测，采用pan-tompkins方法进行qrs波检测获取r波位置。

14、作为本发明的一种改进，所述步骤s2中，心拍分割对经过去噪处理后的心电信号进行心拍分割，以r波位置为基准点向前截取0.1s以保证截取到完整的qrs波，向后截取0.4s长度，保留完整的t波同时避免截取到下一个心拍。

15、作为本发明的一种改进，所述步骤s2中，将上述截取的第n段心电信号内部按照波形进行8段的子波分割，包括以p波波峰为分界的p波前段和后段、pr间期、qrs波群中以r波波峰为界的qr波和rs波、st间期、t波波峰为分界的t波前段和后段，按时间顺序记为为第n个心拍内部第i段心电采样点序列，其中1≤i≤8。

16、作为本发明的一种改进，所述步骤s3中，计算心拍内部每一段心电采样点序列的特征，可以选择形态特征如峰峰值、偏度、翘度等，也可以选择统计学特征如平均值、标准差等，记为为第n个心拍内部第i段心电采样点序列的特征，其中1≤i≤8。

17、作为本发明的一种改进，所述步骤s4中，对第n个心拍第i段心电采样点序列的特征值进行去趋势处理，计算局部特征均值(以当前特征值对应的心拍序号n分别向前、向后选取1个心拍内部对应采样点序列的特征值以连续3个特征值计算当前心拍对应采样点序列的局部特征均值)，以当前特征值减去局部特征均值作为特征值的取值，其计算公式为其中1≤i≤8。

18、作为本发明的一种改进，所述步骤s4中，采用分段函数映射后的取值来去除第n个心拍第i段心电采样点序列的特征值微小波动的干扰。计算局部特征均值局部特征标准差(以当前特征值对应的心拍序号n分别向前、向后截取1个心拍内部对应采样点序列的特征值以连续3个特征值计算当前心拍对应采样点序列的局部特征均值和局部特征标准差)。当特征值与局部均值的距离小于或等于局部标准差时，对应特征值取为局部均值大小；当特征值与局部均值的距离大于局部标准差时，对应特征值不变。上述过程可以理解为特征值通过分段函数映射后进行取值，如图2所示，其计算公式为：其中1≤i≤8。

19、作为本发明的一种改进，所述步骤s5中，利用符号动力学对第n个心拍内部特征序列进行编码，将原始单值特征转化为仅包含有限取值的符号序列，是一个粗粒化过程，降低了信号分析的噪声敏感度。编码过程利用有限长的符号将特征序列形成编码序列以便后续分析,为第n个心拍内部第i段心电采样点序列的特征编码值，其中1≤i≤8。对于给定的数据长度为l的特征值序列可以通过下式将其转换为符号序列其计算公式为：其中l表示符号集长度，通常在2-6之间选择；{xi}(1≤i≤l-1)为设定的门限值的集合。

20、作为本发明的一种改进，所述步骤s6中，构建心拍内部特征复杂网络，将第n个心拍内部特征编码序列映射为复杂网络。首先，根据长度m对编码序列进行划分，取一系列嵌入向量其中然后，每个zi映射到一段序数模式si＝{s1,s2,...,sm}，其中满足sj∈{1,2,...,m}(1≤j≤m)且都有当zi中存在相同的数值时，序数序号由出现的顺序决定，满足因此，将一系列嵌入向量映射为一系列序数模式序列将这一系列序数模式序列中包括的所有不同的序数模式集合记为集合下一步构建复杂网络，集合中每个不同的序数模式对应于网络中一个节点，网络连边顺序取决于在序数模式序列中出现的顺序，两节点之间的连边表示该序数模式在内是相邻的。

21、作为本发明的一种改进，所述步骤s7中边缘度计算公式为：smetric＝∑deg(ni)×deg(nj)；smetric表示复杂网络中任意相连接的两个节点度的乘积之和；deg(ni)表示节点i的度，是与该节点连接的节点数目，也是该节点拥有的邻边数目。

22、作为本发明的一种改进，所述步骤s7中图能量计算公式为：其中λi表示复杂网络的邻接矩阵特征值；|λi|表示特征值的绝对值，即实分量部分的绝对值；nadj表示复杂网络的邻接矩阵特征值的个数。

23、作为本发明的一种改进，所述步骤s7中自我循环数量计算公式为：selfloops＝∑diag(adj)；其中adj为复杂网络的邻接矩阵；diag(adj)为邻接矩阵的对角元素。

24、作为本发明的一种改进，所述步骤s7中节点平均度计算公式为：其中nedge为复杂网络中连边数量；nnodes为复杂网络中节点数量。

25、作为本发明的一种改进，所述步骤s7中网络中大小为3的循环数量计算公式为：cycles3＝trace(adj3)/6；其中adj为复杂网络的邻接矩阵；trace(adj3)为邻接矩阵三次方的对角线元素之和。

26、作为本发明的一种改进，所述步骤s7中网络中大小为4的循环数量计算公式为：cycles4＝[trace(adj4)-2nedge-4conntriples(adj)-8cycles3(adj)]/8；其中adj为复杂网络的邻接矩阵；trace(adj4)为邻接矩阵四次方的对角线元素之和；nedge为复杂网络中连边数量；conntriples(adj)为复杂网络中连接的三节点子图的数量。

27、作为本发明的一种改进，所述步骤s7中图形链接密度计算公式为：其中nedge为复杂网络中连边数量；nnodes为复杂网络中节点数量。

28、作为本发明的一种改进，所述步骤s7中节点接近中心性计算公式为：其中dis(ni,nj)表示节点i与j间的距离；k表述与节点i相连的邻居节点的数量。因此，平均节点接近中心性的计算公式为：其中closeness(ni)表示节点i的节点接近中心性；nnodes表示复杂网络中节点的数量。

29、作为本发明的一种改进，所述步骤s7中节点聚类系数计算公式为：其中clustcoeffi表示节点i的聚类系数；deg(ni)表示节点i的度，即与该节点连接的节点数目；ei表示与节点i相连的deg(ni)个其他节点之间实际存在的边数。因此，平均节点聚类系数计算公式为：其中clustcoeffi表示节点i的聚类系数；nnodes表示复杂网络中节点的数量。

30、有益效果：

31、1、本发明的特征去趋势处理，消除了长时程的心电信号特征在不同状态下的区域性差异，同时也解决了由于个体差异导致的心电信号特征差异而造成的分类准确率下降问题。

32、2、本发明的特征去微小波动处理，消除了微小波动对后续特征编码的影响。对特征进行符号动力学编码，是一个粗粒化过程，提高了信号分析的抗噪能力，提升特征分类的准确性。

33、3、复杂网络着重体现元素之间相互作用关系的拓扑结构，更易凸显结构全局性特征。从复杂网络这一全新视角出发，将一个心拍周期内特征随时间变化的过程映射至复杂网络拓扑结构，深入认识心拍内部特征序列动力特性，提取有效的、本质的心电信号特征，提高了检测的准确率。