一种心脏异位搏动的分析方法、服务器及系统技术方案

本发明专利技术属于信号处理技术领域，提供了一种心脏异位搏动的分析方法、移动终端及系统，所述方法包括：接收移动终端发送的预处理后的待测用户的心电信号；根据所述预处理后的心电信号，获得特征点；根据所述特征点，获得特征值；用机器学习的方法对MIT‑BIH的心律失常数据库进行训练，获得分类模型；用所述分类模型对由特征值组成的特征向量进行分类，分别判断所测心跳搏动周期是否处于心室性异位搏动状态或是否处于心房性异位搏动状态，进而判断用户是否处于心室性异位搏动状态或心房性异位搏动状态；并将分析结果发给所述移动终端，在移动终端显示分析结果。通过本发明专利技术可提高分析心脏异位搏动的准确性，和该类终端设备的便携性和可穿戴性。

【技术实现步骤摘要】
一种心脏异位搏动的分析方法、服务器及系统
本专利技术属于信号处理
，尤其涉及一种心脏异位搏动的分析方法、服务器及系统。
技术介绍
心律异常按其发生原理，可以区分为冲动形成异常和冲动传导异常两大类。异位搏动就是冲动形成异常的一种典型原因。人体心脏的正常搏动主要依靠心肌细胞的自律性，自律性是指在心肌细胞动作电位的4期存在一个自动去极化并产生新一轮动作电位的过程。人体主要的自律组织是窦房结，其它的自律组织被称为潜在起搏点。正常情况下，窦房结会通过抢险占领和超速驱动压抑两种方式保证自己的正常起搏点地位。潜在起搏点可以在窦房结发生功能障碍时保证心脏能以较低的频率搏动，保证循环系统不至于瘫痪，但同时也是危险因素之一，当其自律性超过窦房结时，即：异位搏动，便会出现心律失常。所以心脏异位搏动的检测对心律失常的判断有着重要的作用，心脏异位搏动的辅助检查方法主要是分析用户心电图的心电波形态，目前的检测分析方法准确率不高，且都是大型的医院才有条件检查，不方便检查。故，有必要提出一种新的技术方案，以解决上述技术问题。
技术实现思路
鉴于此，本专利技术实施例提供一种判断心脏异位搏动的分析方法、服务器及系统，以提高分析心脏异位搏动的准确性。本专利技术实施例的第一方面，提供一种心脏异位搏动的分析方法，所述方法包括：接收移动终端发送的预处理后的待测用户的心电信号；根据所述预处理后的心电信号，检测获得所述待测用户的心电信号的特征点；通过所述特征点获得心电信号的特征值，组成特征向量；通过把MIT-BIH的心律失常数据库作为训练样本进行训练，获得分类模型；通过所述分类模型对所述特征向量进行分类，分析判断所述时间段内的心电周期是否存在异位搏动；本专利技术实施例的第二方面，提供一种服务器，所述服务器包括：接收模块，用于接收移动终端发送的预处理后的待测用户的心电信号；本专利技术实施例的第三方面，提供一种心脏异位搏动的分析系统，所述系统包括：心电信号采集盒、移动终端以及服务器；所述心电信号采集盒，用于采集待测用户的心电信号，并将所述心电信号发送给所述移动终端；所述移动终端，用于对接收到的所述心电信号进行预处理，并将预处理后的心电信号发送给所述服务器；所述服务器，用于接收所述移动终端发送的所述预处理后的心电信号；根据所述预处理后的心电信号，获得所述心电信号的特征点如QRS波起点、终点和峰值点，T波峰值点和P波峰值点；根据所述特征点即QRS波起点、峰值点和终点，获得所述心电信号的特征值如QRS波的宽度和梯度；根据所述特征点即QRS波峰值点，T波峰值点和P波峰值点，获得所述心电信号的特征值如RR间期和TP间期；用机器学习的方法对MIT-BIH的心律失常数据库进行训练，获得分类模型；用所述获得的分类模型对由所述特征值即QRS波的宽度和梯度组成的特征向量进行分类，分析判断所述所测心跳搏动周期是否处于心室性异位搏动状态，并统计室性异位搏动心跳个数；根据所述室性异位搏动心跳个数，分析判断所测用户是否处于心室性异位搏动状态；用所述获得的分类模型对由所述特征值即RR间期和TP间期组成的特征向量进行分类，分析判断所述所测心跳搏动周期是否处于心房性异位搏动状态，并统计房性异位搏动心跳个数；根据所述房性异位搏动心跳个数，分析判断所测用户是否处于心房性异位搏动状态。并将分析结果发送给所述移动终端，以使得所述移动终端显示所述分析结果。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例首先通过对MIT-BIH的心律失常数据库进行训练，获得分类模型。然后用所述获得的分类模型对待测用户心电信号的特征值如QRS波宽度和梯度进行分析判断，此过程采用机器学习的方法对组合参数进行分类分析，提高了分析待测用户的心脏异位搏动的准确性和灵敏性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1和图2是本专利技术实施例一提供的心脏异位搏动的分析方法的实现流程图；图3和图4是本专利技术实施例二提供的服务器的组成示意图；图5是本专利技术实施例三提供的心脏异位搏动的分析系统的组成示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例一：图1示出了本专利技术实施例一提供的心室性异位搏动的分析方法的实现流程，所述实现流程详述如下：在步骤S101中，接收移动终端发送的预处理后的待测用户的心电信号；在本专利技术实施例中，服务器接收移动终端发送的预处理后的待测用户的心电信号，所述预处理包括但不限于去基线和滤波处理，所述去基线处理用于去除心电信号中的基线漂移，所述滤波处理用于滤除心电信号中的噪声。在本专利技术实施例中，服务器可以将移动终端发送的预处理后的待测用户的心电信号以日期或者姓名的方式保存在数据库中，以便于学者或专家等进行统计学分析，深入挖掘心电信号隐藏的其他特征。在步骤S102中，根据所述预处理后的心电信号，获得所述待测用户的心电信号的特征点；在本专利技术实施例中，服务器可以通过预处理后的心电信号获得QRS波的起点、终点和峰值点，所述获得QRS波的起点，终点和峰值点的步骤为：步骤一，对QRS波进行长度变换，计算公式：其中，w为长度计算的宽度，i为迭代的样本数，为采样间隔，yk、yk-1分别为QRS波数据中第k和k-1个点的幅值；步骤二，确定步骤一中所述长度变换的两个拐点位置，即为QRS波起点QRSon和终点QRSoff；步骤三，提取QRS波起点和终点之间的最大值点即为峰值点QRSp。在步骤S103中，服务器可以通过所述心电信号的特征点获得QRS波的两个特征值，即QRS波的宽度和QRS波的梯度，所述两个特征值组成特征向量。进一步的，所述获得QRS的宽度Wqrs的表达式为：Wqrs＝QRSoff-QRSon，其中，QRSon为QRS波的起点，QRSoff为QRS波的终点。所述获得QRS波的梯度kqrs的表达式为：其中k1，k2为幅值等于0.7倍峰值的点处的斜率。在步骤S104中，服务器可以通过对所述特征值组成的特征向量进行分类，判断所述心跳搏动周期是否处于心室性异位搏动。所述分类方法为机器学习中的支持向量机，具体实现过程如下：步骤一：通过对训练样本进行训练，获得最佳分类模型，所述训练样本采用MIT-BIH的心律失常数据库；步骤二：用所述步骤一获得的分类模型对所述S103获得的特征向量进行分类，判断该次心跳搏动周期是否处于心室性异位搏动状态，并统计心室性异位搏动心跳个数；步骤三：根据所述获得的心室性异位搏动个数判断该受测用户是否处于室性异位搏动状态。在步骤S105中，接收移动终端发送的预处理后的待测用户的心电信号；在本专利技术实施例中，服务器接收移动终端发送的预处理后的待测用户的心电信号，所述预处理包括但不限于去基线和滤波处理，所述去基线处理用于去除心电信号中的基线漂移，所述滤波处理用于滤除心电信号中的噪声。在本专利技术实施例中，服务器可以将移动终端发送的预处理后的待测用户的心电信号以日期或者姓名的本文档来自技高网...

【技术保护点】
1.一种心脏异位搏动的分析方法，其特征在于，所述方法包括：接收移动终端发送的预处理后的待测用户的心电信号；对所述预处理后的心电信号进行标记获得特征点，特征点包括QRS波的起点、终点和峰值点，T波的峰值点，P波的峰值点；根据所述特征点即QRS波的起点、终点和峰值点，获得特征值即QRS波的宽度和梯度；根据所述标记点即QRS波峰值点，T波峰值点和P波峰值点，获得特征值如RR间期和TP间期；用机器学习的方法对MIT‑BIH的心律失常数据库进行训练，获得分类模型；用所述获得的分类模型对由所述特征值即QRS波的宽度和梯度组成的特征向量进行分类，分析判断所述所测心跳搏动周期是否处于心室性异位搏动状态，统计室性异位搏动状态个数，并根据所述室性异位搏动心跳个数，分析判断所测用户是否处于心室性异位搏动状态；用所述获得的分类模型对由所述特征值即RR间期和TP间期组成的特征向量进行分类，判断所述所测心跳搏动周期是否处于心房性异位搏动状态，统计房性异位搏动心跳个数，并根据所述房性异位搏动心跳个数，分析判断所测用户是否处于心房性异位搏动状态；将所述判断分析结果发送给所述移动终端，以使得所述移动终端显示所述分析结果。...

【技术特征摘要】
1.一种心脏异位搏动的分析方法，其特征在于，所述方法包括：接收移动终端发送的预处理后的待测用户的心电信号；对所述预处理后的心电信号进行标记获得特征点，特征点包括QRS波的起点、终点和峰值点，T波的峰值点，P波的峰值点；根据所述特征点即QRS波的起点、终点和峰值点，获得特征值即QRS波的宽度和梯度；根据所述标记点即QRS波峰值点，T波峰值点和P波峰值点，获得特征值如RR间期和TP间期；用机器学习的方法对MIT-BIH的心律失常数据库进行训练，获得分类模型；用所述获得的分类模型对由所述特征值即QRS波的宽度和梯度组成的特征向量进行分类，分析判断所述所测心跳搏动周期是否处于心室性异位搏动状态，统计室性异位搏动状态个数，并根据所述室性异位搏动心跳个数，分析判断所测用户是否处于心室性异位搏动状态；用所述获得的分类模型对由所述特征值即RR间期和TP间期组成的特征向量进行分类，判断所述所测心跳搏动周期是否处于心房性异位搏动状态，统计房性异位搏动心跳个数，并根据所述房性异位搏动心跳个数，分析判断所测用户是否处于心房性异位搏动状态；将所述判断分析结果发送给所述移动终端，以使得所述移动终端显示所述分析结果。2.根据权利要求1所述的方法，其特征在于，所述提取QRS波的起点，终点和峰值点的步骤为：步骤一，对QRS波进行长度变换，计算公式：w为长度计算的宽度，i为迭代的样本数，为采样间隔；步骤二，确定步骤一中所述长度变换的两个拐点位置，即为QRS波起点QRSon和终点QRSoff；步骤三，提取QRS波起点和终点之间的最大值点即为峰值点QRSp。3.根据权利要求1所述的方法，其特征在于，所述获得所述待测用户的特征信号QRS波梯度的表达式为：Wqrs＝QRSoff-QRSon，其中QRSon为QRS波的起点，QRSoff为QRS波的终点。4.根据权利要求1所述的方法，其特征在于，所述获得所述待测用户的特征信号QRS波梯度的表达式为：其中k1，k2为幅值等于0.7倍峰值的点处的斜率。5.根据权利要求1所述的方法，其特征在于，所述提取T波峰值点的方法为滑动平均法，首先用赋零的方法剔除已经确定好的QRS区域，然后用0.1秒的窗口宽度提取T波的峰值点。6.根据权利要求1所述的方法，其特征在于，所述把两个特征信号作为特征向量进行分类，分类方法为机器学习中的支持向量机。7.根据权利要求1所述的方法，其特征在于，所述根据异位搏动心跳个数，分析判断所测用户是否处于异位搏动状态包括：当所述室性异位搏动心跳个数符合某种预设条件时，确定所述待测用户处于心室性异位搏动状态；当所述房性异位搏动心跳个数符合某种预设条件时，确定所述待测用户处于心房性异位搏动状态。8.一种服务器，其特征在于，所述服务器包括心室性异位搏动分析模块和心房性异位搏动分析模块。心室性异位搏动分析模块如下：接收模块，用于接受移动终端发送的预处理后的的待测用户的心电信号；获得模块，用于根据所述预处理后的心电信号，获得所述所测用户心电信号的特征点；进一步的，所述获得模块具体包括：第一提取单元，用于提取QRS波的起点QRSon、终点QRSoff,对QRS波进行长度变换其中，w为长度计算的宽度，i为迭代的样本数，为采样间隔，长度变换的两个拐点处即为QRS波的起点QRSb、终点QRSe；第二提取单元，用于提取QRS波的峰值点QRSp，QRS波起点和终点之间的最大值点即为峰值点QRSp。计算模块，用于获得所述待测用户心电信号的特征值即QRS波的宽度和QRS波的梯度；第一计算单元，用于根据所述QRS波的起点和终点获得QRS波的宽度Wqrs＝QRSoff-QRSon，其中QRSon为QRS波的起点，QRSoff为QRS波的终点；第二计算单元，用于根据所述QRS波的峰值点QRSp获得QRS波的梯度，QRS波梯分析判断模块，用于...

【专利技术属性】
技术研发人员：杨荣骞，付小婷，张磊，吕瑞雪，王之辉，陈秀文，宋传旭，王志刚，
申请(专利权)人：深圳市是源医学科技有限公司，
类型：发明
国别省市：广东,44