基于进化型小波域维纳去卷积的心电特征提取方法

专利名称：基于进化型小波域维纳去卷积的心电特征提取方法
技术领域：
本发明涉及一种心电数据的特征提取方法，属于生物医学工程技术领域。
背景技术：
心电信号的特征提取是心脏疾病检测的最有力手段之一。通常用于心电信号特征提取的算法有以下几种长度变换和能量变换、隐马尔可夫模型、人工神经网络和小波变换。但是上述方法都有一定的缺陷长度变换和能量变换无法准确检测出异常QRS波群的特征信息；隐马尔可夫模型对偶发的异常心电常波形以及孤立P波的检测无能为力；人工神经网络方法同样对异常心电波形的检测缺乏有效性；小波变换方法对病态心电信号的检测优于上述方法，但对心电波形非稳态变化的检测，特别是在低信噪比情况下，仍然不能令人满意。
近年来，为了解决上述方法的缺陷，许多学者进行了深入广泛的研究。Messadeg等人通过将隐马尔可夫模型和小波变换技术相结合，用于心电信号的特征分类；Yu和他同事采用独立分量分析和人工神经网络结合的方法实现心电特征的提取和分类；Liu利用了自适应小波变换和模糊逻辑原理实现心电信号R峰定位，等等。可以看出，上述学者都不再是单纯采用一种理论或方法，而是通过多种方法之间互相弥补，实现优化匹配。但另一方面，这些新的尝试虽然解决了原先心电特征提取的部分问题，但是由于还不够完善，所以存在很多需要改进的地方。

发明内容
本发明的主旨是针对远程心电监护中多位患者需要同时在线监控，及时准确的进行心脏疾病检测的问题，提出一种高效准确的心电数据特征提取方法，以克服现有技术中远程心电监护中心脏疾病检测的缺陷。本发明能够大大提高心脏疾病识别的效率和准确度，从而降低医生的工作压力，也因此使得更多心脏疾病患者能够接受准确有效的监护和治疗。
为此，本发明采用如下的技术方案一种基于进化型小波域维纳去卷积的心电特征提取方法，包括下列步骤(1)根据心电信号的采样频率，选择形态学结构算子，利用数学形态学方法去除原始心电信号中的基线漂移；(2)初始化维纳滤波器，尺度参数 能量参数 和迭代步长(βp)，取基漂滤除后心电信号，进行第1尺度下的小波变换，获取低频部分的有用信号，以及高频部分的噪声信号，求出有用信号和噪声信号的功率谱以及两者之间的互功率谱，以此构造非因果维纳滤波器，作为初始化维纳去卷积算子向 (3)QRS复合波特征增强采用正交离散小波来分解预处理后的心电信号，根据心电信号和QRS复合波的频率范围，进行两次或两次以上的小波变换以获取QRS波群所在的特征子频带；将维纳去卷积算子向量 作用于QRS波群所在的子频带，而后计算总能量误差 如果误差值小于设定阈值，停止运算；否则，利用最陡下降梯度基方法，更新维纳去卷积算子向量 能量参数 以及尺度参数 继续运算直到找到满意的维纳去卷积算子向量 (4)P波和T波特征增强利用步骤(3)得到的QRS复合波的位置信息，将QRS波群用基线替代；采用正交离散小波来分解移除QRS波群的心电信号，根据所得心电信号和P波、T波的频率范围，进行两次或两次以上的小波变换以获取P波和T波所在的特征子频带；将维纳去卷积算子向量 作用于P波和T波所在的特征子频带，而后计算总能量误差 如果误差值小于设定阈值，停止运算；否则，利用最陡下降梯度基方法，更新维纳去卷积算子向量 能量参数 以及尺度参数 继续运算直到找到满意的维纳去卷积算子向量 (5)检测QRS波群特征位置点取步骤(3)得到的特征增强后的QRS子频带信号，首先检测R峰位置，而后根据R峰位置，找出R峰前后第一个谷点和峰点；而后根据下列准则定位特征点如果R峰有一个峰点一个谷点，那么峰点为QRS波群起点，谷点为Q波拐点；如果R峰前只有一个谷点，那么该波群为RS波群，该谷点为RS波群起点；R峰后的谷点为S波拐点，峰点为波群终止点；(6)检测P、T波特征位置点取步骤(4)得到的特征增强后的P波、T波子频带信号，检测P波和T波的峰值点位置，而后分别找出P波和T波峰值点前的第一个谷点，即为P波和T波的起始点；找出P波和T波峰值点后的第一个谷点，即为P波和T波的终止点。
在上述的心电特征提取方法中，最陡下降梯度基方法采用的公式可以是W^p+1=W^p-βp▿W^pϵj(W^p,α^p,γ^p)]]>α^p+1=α^p-βp▿α^pϵj(W^p,α^p,γ^p),]]>式中，γ^p+1=γ^p-βp▿γ^pϵj(W^p,α^p,γ^p)]]>βp为第p次迭代时的步长，为梯度算子。
本发明的技术方案的实质性特征是①心电数据预处理选择适当的数学形态学算子去除心电信号中的基线漂移；②QRS波群的特征提取通过小波变换方法提取出经过预处理后心电信号中QRS波群所属的子频带，再对该子频带信号运用进化型维纳去卷积方法，提取QRS波群的特征点位置。③P波和T波的特征提取根据第一步得到的QRS波群的特征点位置信息，将QRS复合波所在的时间段用基线代替，以避免在P波和T波特征提取时的频域干扰。而后采用小波变换，对去除QRS波群后的心电信号作P波、T波的子频带提取，最后将得到的子频带运用进化型维纳去卷积方法，直到提取出准确的P波、T波特征点位置。
本发明提出了基于进化型小波域维纳去卷积新技术来实现心电特征提取的新思路利用小波变换时频定位的优势，将特征波形分割到各个子频带，而后利用进化型维纳去卷积新技术对特征子频带信号进行迭代处理，直到找到满意的特征点位置信息。采用该方法，可以将在原始心电数据中不显著的关键位置点突出转变为明显的峰点或者谷点，这样就可以为特征检测提供有力的基础。


图1心电波形的特征信息及定义。
图2基于数学形态学方法的心电基线漂移滤除示意图，图2(a)为原始心电信号；图2(b)为滤除基线漂移后的心电信号。
图3 QRS波群的特征增强结果示意图，图3(a)为QRS波群特征增强前的心电信号；图3(b)为QRS波群特征增强后的心电信号。
图4 P波和T波的特征增强结果示意图，图4(a)为QRS波群移出后的心电信号；图4(b)为P波和T波特征增强后的心电信号。
具体实施例方式
在对本发明做进一步详述之前，先对心电波形的主要特征、数学形态学理论、心电信号离散小波变换的性质、进化型小波域维纳去卷积技术等现有知识做介绍。
心电波形的主要特征心电信号是最主要的生理信号之一，它反映了心脏的活动，主要有3个部分组成P波代表心房除极的第一个偏转；QRS复合波由心室除极产生；心室复极产生了T波。因为这些波在时间域和频率域具有特别的形状，所以，通过对ECG信号的观察，能够发现心脏的异常情况。图1给出了心电图的基本成份，以及各项心电特征的定义。本发明的目的就是要找出一种准确有效的特征检测方法，提取出图中所示的特征信息。
数学形态学理论数学形态学滤波是一种非线性的信号变换，用于改变信号的局部几何特性。它的理论基础源于图像分析中集合论的基本操作方法，即数学形态学方法，该理论最早是由Matheron和Serra提出的。在这个理论中，所有信号都被看成欧几里德几何空间中具有一定尺度的集合，而形态学方法就可以被看作是一种通过信号变换来获得信号几何结构定量信息的集合操作。对于被看作集合的二元信号，以某个结构元素对其进行腐蚀和膨胀是最基本的形态学操作。假设给定一个形态学结构元素B，它对信号X的膨胀和腐蚀运算可以分别定义为
X⊕B=∪b∈BXb∪b∈B{P|p=x+b,b∈B,x∈X}---(1)]]> 对于原始的心电信号，膨胀运算(公式1)是用于去除频率高于基线漂移的心电成份的波峰，而腐蚀运算(公式2)则是用于除去频率高于基线漂移的心电成份的波谷，膨胀和腐蚀的综合效果就是取得心电信号中的基线漂移。因此，可以将去除基线漂移的过程定义为PVE(X)＝X-(XB)□B(3)心电信号离散小波变换的性质对于离散信号x(n)的离散小波系数Xj(n)可以通过一个双通道的正交滤波器组得到Xj(n)＝hj(n)*x(n)，j＝1，...，J(4)这里J是变换尺度的总数；利用高通滤波器h1(n)以及低通滤波器h0(n)，可以计算得到各尺度下的滤波器系数hj(n)h1(n)＝h0(2n)*h0(22n)*h0(23n)*...*h0(2J-1n)h2(n)＝h1(2n)*h0(22n)*h0(23n)*...*h0(2J-1n)h3(n)＝h1(2n)*h0(22n)*h0(23n)*...*h0(2J-2n)(5)于是，公.
.
.
hJ(n)＝h1(2n)式(4)中各尺度下的小波系数可以以矩阵和向量的形式表示为Xj＝Hjx，j＝1，...，J(6)这里的Hj是卷积型矩阵，x是信号向量。
对于给定的心电信号x，在时域上，它的功率谱密度的大小与频率的倒数(1/f)成正比，因此心电小波系数的方差可以表示为Vxj=varXj=σ22-jγ---(7)]]>这里σ2是与信号方差σx2以及分析滤波器h0(n)相关的常数，γ是尺度参数，且0≤γ≤2。
对公式(7)两边取对数，可以得到小波系数的对数值是线性变化的，即log2(Vxj)=-[γlog2(2)]j+log2(σ2)=-γj+α---(8)]]>这里α＝log2(σ2)被定义为能量参数。
进化型小波域维纳去卷积技术维纳去卷积技术通常被用于光学信号的谱分析中。本发明将传统的维纳去卷积方法经过改进，形成小波域特有的进化型维纳去卷积技术，以此充分利用小波变换在Besov空间的时频分辨率特性，实现心电信号中特征信息的充分增强。进化型小波域维纳去卷积技术的核心思想描述如下。
现实世界中的任意信号y(t)都可以看作有用信号x(t)和干扰信号g(t)卷积的结果，可以表示为y(t)=x(t)⊗g(t)=∫-∞+∞x(t)g(t-τ)dτ---(9)]]>卷积的结果导致了信号波形变宽，这就带来了相邻波形的互相重叠，从而引起信号特征信息的模糊。
为了得到有用信号x(t)，需要找到一个函数来抵消干扰函数g(t)的作用，也就是找出一个函数 来满足如下关系(δ(t)是单位冲击函数)g(t)w^(t)=δ(t)---(10)]]>于是可以通过公式(9)和(10)得到公式(11)。
y(t)w^(t)=∫-∞+∞x(t)δ(t-τ)dτ=x(t)---(11)]]>为了进一步描述的方便，将上述出现的连续信号x(t)、g(t)、 y(t)和δ(t)改写为对应的离散形式x(n)、g(n)、 y(n)和δ(n)。这样，就可以以矩阵和向量的形式表示公式(10)。
Gw^=δ---(12)]]>这里 是去卷积算子 的向量表示，本发明中，为了提高算法的效果和效率，将 设计为维纳去卷积算子。G是g(n)的矩阵表示，且δ＝
T。
对应的，公式(11)可以被改写为x^=Yw^---(13)]]>这里 是x(n)的向量表示，而Y是y(n)的矩阵表示。
由此，利用公式(6)和公式(13)可以得到各尺度下的小波系数X^j=HjYw^---(14)]]>为了得到最优的维纳去卷积算子 在 的进化生成过程中定义了两个误差判据，通过公式(12)可以得到第一个误差判据 定义如下eδ(w^)=Gw^-δ---(15)]]>而后，利用1/f信号的小波系数的性质(公式8)可以得到对应于各尺度的另一个误差判据 j＝1，...，Jexj(w^,α^,γ^)=log2(Vxj)-(-jγ^+α^)---(16)]]>这里VXJ为
Vxj=(HjYw^)THjYw^=(Djw^)T(Djw^)=w^TDjTDjw^=w^TCjw^---(17)]]>这样，通过应用公式(15)和公式(16)的误差判据，可以得到各尺度下的总能量误差判据ϵj(w^,α^,γ^)=(exj(w^,α^,γ^))2+(eδ(w^))T(eδ(w^))---(18)]]>通过求解总能量误差的最小值，就能得到最优维纳去卷积算子 总能量误差 的最小值可以通过梯度基最小化技术进行求解。本发明中为了提高算法收敛速度，采用了最陡下降梯度基算法，即w^p+1=w^p-βp▿w^pϵj(w^p,α^p,γ^p)]]>α^p+1=α^p-βp▿α^pϵj(w^p,α^p,γ^p)---(19)]]>γ^p+1=γ^p-βp▿γ^pϵj(w^p,α^p,γ^p)]]>这里的βp第p次迭代时的步长，为梯度算子。
本发明的心电特征提取方法具体描述如下1)去除基线漂移。采用数学形态学技术去除原始心电信号中的基线漂移。形态学结构算子的选择应该根据心电信号的采样频率而定。本发明针对360Hz采样频率的心电信号，取125ms的平结构元。
2)参数初始化a)初始化维纳滤波器 取基漂滤除后心电信号，进行第1尺度下的小波变换，获取低频部分的有用信号，以及高频部分的噪声信号，求出有用信号和噪声信号的功率谱以及两者之间的互功率谱，以此构造非因果维纳滤波器，作为初始化滤波器 b)初始化尺度参数 和能量参数 取γ^0=0;]]>α^0=0.]]>c)初始化迭代步长βp为降低运算量，选择迭代步长为常数，βp的选择影响算法的收敛速度，过大导致算法不收敛，过小则算法收敛速度变慢，经过大量实验，选择βp＝0.125既能保证算法收敛，又能保证迭代后信号平滑。
3)QRS复合波的特征增强a)离散小波变换。采用正交离散小波来分解预处理后的心电信号，根据心电信号和QRS复合波的频率范围，进行适当次数的小波变换以获取QRS波群所在的特征子频带；b)小波域进化型维纳去卷积。将维纳去卷积算子向量 作用于QRS波群所在的子频带，而后计算总能量误差 如果误差值小于设定阈值，即ε≤ε0，停止运算；否则，更新维纳去卷积算子向量 能量参数 以及尺度参数 继续运算直到找到满意的维纳去卷积算子向量
4)P波和T波的特征增强a)去除QRS波群。利用上述得到的QRS复合波的位置信息，将QRS波群用基线替代；b)离散小波变换。采用正交离散小波来分解移除QRS波群的心电信号，根据所得心电信号和P波、T波的频率范围，进行适当次数的小波变换以获取P波和T波所在的特征子频带；c)小波域进化型维纳去卷积。采用步骤3)中的算法，直到获得满意的维纳去卷积算子向量 5)特征位置点检测a)QRS波群特征位置点检测取步骤3)得到的特征增强后的QRS子频带信号，首先检测R峰位置，而后根据R峰位置，找出R峰前后第一个谷点和峰点。而后根据下列准则定位特征点如果R峰有一个峰点一个谷点，那么峰点为QRS波群起点，谷点为Q波拐点；如果R峰前只有一个谷点，那么该波群为RS波群，该谷点为RS波群起点；R峰后的谷点为S波拐点，峰点为波群终止点。
b)P、T波特征位置点检测取步骤4)得到的特征增强后的P波、T波子频带信号，检测P波和T波的峰值点位置，而后分别找出P波和T波峰值点前的第一个谷点，即为P波和T波的起始点；找出P波和T波峰值点后的第一个谷点，即为P波和T波的终止点。
图2是采用数学形态学方法进行基漂滤除的结果示意图，本发明针对采样频率为360Hz心电信号，采用了128毫秒的平结构元。
图3是QRS复合波的特征增强的结果示意图，图3(a)是MIT-BIH心率失常数据库中第116号记录经过基漂滤除后的图形，图中标明了R波、P波和T波的位置。通过采用进化型维纳去卷积技术，QRS波群的特征被大大加强了(图3(b))，而P波和T波的幅度则被明显削减了R波变得更加尖锐，QRS波群的起始点变成R峰前的第一个谷点，而QRS波群的终点成为了R峰后一个明显的峰点；P波和T波基本被消除。
图4是P波和T波特征增强的结果示意图。图4(a)是心率失常数据库中第116号记录经过基漂滤除，以及QRS波群移除后的图形。图中也给出了R波、P波和T波的位置，通过采用进化型维纳去卷积技术，P波和T波的特征被大大加强了(图4(b))P波和T波变得更加尖锐，他们的起点变成P波峰值点或者T波峰值点前的第一个谷点，而他们的终止点成为了QRS波P波峰值点或者T波峰值点之后的第一个谷点。
本发明中，采用进化型维纳去卷积技术进行QRS波和P波特征提取的数据取自MIT-BIH心率失常数据库，特征提取的结果及其与传统小波变换进行特征提取的性能对比如表1和表2所示。在T波特征提取时，为了评估心脏疾病检测中与T波终点相关的重要参量-QT间期(表征心室极化和去极化的总时间)的检测性能，采用QT数据库作为数据来源，QT间期的检测结果如表3所示。
表1 QRS复合波特征提取结果

表2 P波特征提取结果

表3 QT间期检测结果

权利要求
1.一种基于进化型小波域维纳去卷积的心电特征提取方法，其特征在于，包括下列步骤(1)根据心电信号的采样频率，选择形态学结构算子，利用数学形态学方法去除原始心电信号中的基线漂移；(2)初始化维纳滤波器，尺度参数 、能量参数 和迭代步长(βp)，取基漂滤除后心电信号，进行第1尺度下的小波变换，获取低频部分的有用信号，以及高频部分的噪声信号，求出有用信号和噪声信号的功率谱以及两者之间的互功率谱，以此构造非因果维纳滤波器，作为初始化维纳去卷积算子向量 (3)QRS复合波特征增强采用正交离散小波来分解预处理后的心电信号，根据心电信号和QRS复合波的频率范围，进行两次或两次以上的小波变换以获取QRS波群所在的特征子频带；将维纳去卷积算子向量 作用于QRS波群所在的子频带，而后计算总能量误差 如果误差值小于设定阈值，停止运算；否则，利用最陡下降梯度基方法，更新维纳去卷积算子向量 、能量参数 以及尺度参数 ，继续运算直到找到满意的维纳去卷积算子向量 (4)P波和T波特征增强利用步骤(3)得到的QRS复合波的位置信息，将QRS波群用基线替代；采用正交离散小波来分解移除QRS波群的心电信号，根据所得心电信号和P波、T波的频率范围，进行两次或两次以上的小波变换以获取P波和T波所在的特征子频带；将维纳去卷积算子向量 作用于P波和T波所在的特征子频带，而后计算总能量误差 ，如果误差值小于设定阈值，停止运算；否则，利用最陡下降梯度基方法，更新维纳去卷积算子向量 、能量参数 以及尺度参数 ，继续运算直到找到满意的维纳去卷积算子向量 (5)检测QRS波群特征位置点取步骤(3)得到的特征增强后的QRS子频带信号，首先检测R峰位置，而后根据R峰位置，找出R峰前后第一个谷点和峰点；而后根据下列准则定位特征点如果R峰有一个峰点一个谷点，那么峰点为QRS波群起点，谷点为Q波拐点；如果R峰前只有一个谷点，那么该波群为RS波群，该谷点为RS波群起点；R峰后的谷点为S波拐点，峰点为波群终止点；(6)检测P、T波特征位置点取步骤(4)得到的特征增强后的P波、T波子频带信号，检测P波和T波的峰值点位置，而后分别找出P波和T波峰值点前的第一个谷点，即为P波和T波的起始点；找出P波和T波峰值点后的第一个谷点，即为P波和T波的终止点。
2.根据权利要求1所述的基于进化型小波域维纳去卷积的心电特征提取方法，其特征在于，所述最陡下降梯度基方法采用的公式为W^p+1=W^p-βp▿W^pϵj(W^p,α^p,γ^p)α^p+1=α^p-βp▿α^pϵj(W^p,α^p,γ^p),γ^p+1=γ^p-βp▿γ^pϵj(W^p,α^p,γ^p)]]>式中，βp为第p次迭代时的步长，为梯度算子。
全文摘要
本发明涉及一种心电数据的特征提取方法，包括下列步骤①心电数据预处理；②QRS波群的特征提取通过小波变换方法提取出经过预处理后心电信号中QRS波群所属的子频带，再对该子频带信号运用进化型维纳去卷积方法，提取QRS波群的特征点位置。③P波和T波的特征提取根据第一步得到的QRS波群的特征点位置信息，将QRS复合波所在的时间段用基线代替。而后采用小波变换，对去除QRS波群后的心电信号作P波、T波的子频带提取，最后将得到的子频带运用进化型维纳去卷积方法，直到提取出准确的P波、T波特征点位置。采用本发明，可以将原始心电数据中不显著的关键位置点突出转变为明显的峰点或者谷点，这样就可以为特征检测提供有力的基础。
文档编号G06F17/00GK101088456SQ20071005802
公开日2007年12月19日 申请日期2007年7月13日 优先权日2007年7月13日
发明者周仲兴, 明东, 万柏坤, 程龙龙 申请人:天津大学