一种基于神经网络模型的心电信号质量判别方法
【技术领域】
[0001] 本发明属于医疗器械技术领域，具体涉及一种基于神经网络模型的心电信号质量 判别方法。
【背景技术】
[0002] 心电信号常常会受到严重的噪音和假象干扰，而滤波算法很多时候并不能很好得 去除这些干扰，特别是因为干扰信号和心电信号往往具有相似的频率成分及相近的形态。 因此干扰会降低心电信号质量，并影响基于心电的自动疾病诊断从而引起较多的假报警 (假阳性)情况。比如心电信号太差会引起I⑶中大量的假报警，I⑶中的假报警甚至可能高 达 86 %。
[0003] 随着人类预期寿命的逐渐提高，现代社会健康老龄化将成为全球重点。世界卫生 组织估计到2050年全世界60岁以上人口将达到20亿，并且80 %的老年人将生活在低收入和 中等收入国家。心血管疾病等慢性病将成为一个很大的负担并严重影响老年人的生活质 量。移动医疗和可穿戴式医疗设备将越来越广泛地用于慢性病的预防和管理。未来移动医 疗将提供高质、低价、方便的健康管理方案。比如Holter因其可以在不影响日常生活的情况 下方便地使用，而被广泛用于长程的心电监护。Holter的动态监测功能使得其可以在临床 使用中达到24小时甚至长达数天的连续监测。现代通讯手段使得心电信号可以很方便得存 储并近乎实时得传输到医护人员的电脑上或其他移动终端上。但是，动态下的Holter信号 会受到比较严重的噪音的假象干扰。被噪音污染的Holter信号对自动甚至人工疾病诊断造 成很大困难。
[0004] 通过实时对心电信号质量进行评估，用户可以即时知道所获取的心电信号的质量 如何。如果，信号质量太差，用户将得到提醒，并重新测量信号，或检查电极的联结，或检查 其他可能造成的噪音影响。
[0005] 从近期一些文献或者专利技术中可以查阅到有关心电信号质量评估技术的研究， 但是这些研究都是基于特征点提取的，也即首先通过一种算法提取心电信号的特征点，比 如多数情况下是R波点或者是QRS波群，然后通过对特征点提取结果的分析、QRS波形的分析 等获取对信号质量的描述;但特征提取结果的重要影响因素之一便是信号质量水平，信号 质量问题会对特征提取造成误差，通过特征提取结果对信号质量水平进行判断也带来误 差，这些误差都是向后积累的，最终造成分析结果的不精确，甚至是错误。
[0006] 另外，信号质量水平不是简单的好与不好的区别，具有明显的模糊性质，这符合人 类本身对于信号质量的认知方式。对于一例特定的信号，其可能含有多种影响质量的因素， 怎样将它归类到与其更为相似的一种类别中，以往的处理方式很难做到这一点。
【发明内容】
[0007] 针对现有技术所存在的上述技术问题，本发明提供了一种基于神经网络模型的心 电信号质量判别方法，能够有效的判断心电信号质量是否满足可接受要求，大大降低了由 于信号质量较低带来的诊断结果错误。
[0008] 一种基于神经网络模型的心电信号质量判别方法，包括如下步骤：
[0009] (1)采集基于独立导联通道的m组心电信号段，m为大于1的自然数;通过人工对这 些心电信号段的质量进行〇或1标记，1表示满足接受要求，〇表示不满足接受要求；
[0010] (2)对于任一组心电信号段，计算该心电信号段的QRS能量比值、信号峰度和基线 能量比值，并将这三个特征指标组成该心电信号段的特征序列；
[0011] (3)根据对应求得的m组特征序列通过人工神经网络学习算法进行训练，得到关于 心电信号质量的判别模型;进而根据用户日常检测得到的单通道心电信号段利用所述的判 别模型对该单通道心电信号段的质量进行判别，从而判断出该单通道心电信号段的质量是 否满足接受要求。
[0012] 所述的步骤(2)中通过以下算式计算心电信号段的QRS能量比值：
[0014]其中：P(f)为心电信号段的功率谱密度函数，S为心电信号段的QRS能量比值，f为 频率。
[0015]所述的步骤(2)中通过以下算式计算心电信号段的信号峰度：
[0017] 其中：X(i)为心电信号段中的第i个采样值，N为心电信号段中的采样点个数，μ为 心电信号段的平均采样值，Κ为心电信号段的信号峰度。
[0018] 所述的步骤(2)中通过以下算式计算心电信号段的基线能量比值：
[0020]其中：P(f)为心电信号段的功率谱密度函数，Β为心电信号段的基线能量比值，f为 频率。
[0021 ]所述的人工神经网络学习算法以梯度下降法作为优化方向。
[0022]所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下：
[0023] 3.1将m组特征序列分为训练集和测试集且训练集大于测试集；
[0024] 3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络；
[0025] 3.3从训练集中任取一特征序列代入上述神经网络计算得到对应关于心电信号质 量的输出结果，计算该输出结果与该特征序列所对应的人工标记质量之间的累积误差；
[0026] 3.4根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏 层与输出层之间的权重进行修正，进而从训练集中任取下一特征序列代入修正后的神经网 络；
[0027] 3.5根据步骤3.3和3.4遍历训练集中的所有特征序列，取累积误差最小时所对应 的神经网络为判别模型。
[0028] 所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成，隐藏层由4个 神经元组成，输出层由1个神经元组成。
[0029]所述步骤3.2中初始化构建的神经网络中神经元函数g(z)的表达式如下：
[0031]其中：z为函数的自变量。
[0032] 所述的步骤(3)中对于训练得到的判别模型，将测试集中的特征序列逐个代入该 判别模型得到对应关于心电信号质量的输出结果，使每一特征序列所对应的输出结果与人 工标记质量进行比较，若测试集的正确率大于等于阈值的话，则该判别模型最终确定;若测 试集的正确率小于阈值的话，则通过采集更多的心电信号段根据步骤(1)~(2)增加特征序 列的数量作为神经网络的输入。
[0033] 所述的步骤(3)中根据用户日常检测得到的单通道心电信号段利用判别模型对该 单通道心电信号段质量进行判别的具体过程为:首先，计算出该单通道心电信号段的QRS能 量比值、信号峰度和基线能量比值并组成特征序列;然后，将该特征序列代入判别模型中得 到对应关于心电信号质量的输出结果;最后，根据该输出结果判断出该单通道心电信号段 的质量是否满足接受要求。
[0034] 本发明心电信号质量判别方法通过功率谱密度求积分和峰态系数的技术手段在 学习前将独立单通道的心电信号转化为QRS能量比值、信号峰度和基线能量比值三个特征 值，进而根据特征值利用人工神经网络学习算法以梯度下降的优化方式将判别模型准确的 建立，通过对系统模型的还原，实现了心电信号质量的判别方法，进而有效的对心电信号是 否能用来进行诊断做出了甄别。
【附图说明】
[0035] 图1为本发明心电信号质量判别方法的步骤流程示意图。
[0036] 图2为本发明心电信号质量判别方法中的人工神经网络模型示意图。
【具体实施方式】
[0037] 为了更为具体地描述本发明，下面结合附图及【具体实施方式】对本发明的技术方案 进行详细说明。
[0038] 如图1所示，本发明心电信号质量判别方法包括如下步骤：
[0039] (1)训练样本集构建。
[0040]用于算法分析的数据库是来源于CinC Challenge 2011(以下简称为CinC)<XinC 数据库中包含1000个10秒时长的12通道标准医用记录。标准医用12通道中，只有8个通道是 独立。因此，我们对每个记录选取8个通道，分别为:通道I，II，VI，V2，V3，V4，V5，V6。由此构 成的数据库包含8000个单通道心电记录。每个单通道记录再经由人工评判，根据其信号质 量标注为可接受和不可接受两种。
[0041] (2)心电信号质量特征提取。
[0042] 2.1计算QRS能量比值;该特征定义为QRS波形能量与心电信号的能量的比值。
[0043]首先对心电信号做频谱分析，然后计算5-15Hz频段的能量和5-40Hz频段能量的相 对比值。其中5-15Hz大致对应于QRS波形的能量，5-40Hz大约相当于心电信号整体的能量； 如以下公式所示：
[0045] QRS