The patent of the invention discloses a dynamic ECG quality assessment method based on time-frequency two-dimensional image and machine learning. By transforming one-dimensional ECG signal into two-dimensional time-frequency image and feeding the obtained two-dimensional time-frequency map to machine learning system for training, an automatic and accurate signal quality assessment model for selecting useful wearable ECG signals is obtained, which can be transmitted. Classification of incoming time-frequency images and classification of signal quality levels can not only effectively suppress noisy ECG signals without clinical diagnostic value, but also further classify ECG segments with clinical diagnostic value, thus providing more intuitive and detailed feedback information of signal quality.
【技术实现步骤摘要】
基于时频二维图像和机器学习的动态心电质量评估方法所属领域本专利技术属于动态心电信号处理领域，具体涉及一种基于时频二维图像和机器学习的动态心电质量评估方法。
技术介绍
心脏病是导致人类死亡的“头号杀手”。根据最新的世界卫生组织报告，2012年约有1750万人死于心血管疾病，占全球死亡人数的30％，预计到2030年死亡人数将上升至2300万。因此，作为心脏电生理活动的常规检测方法，心电(ECG)信号分析在临床上具有重要意义。近年来可穿戴技术的进步使得记录长期动态心电信号成为可能，长时间动态信号记录弥补了传统心电图只能在短期和静息状态下分析心电图的缺点，使得日常活动状态下的心电监测成为可能，但是动态心电信号是复杂且微弱的信号，很容易湮灭在各种噪声中。在强运动伪迹的影响下，动态心电信号质量明显下降，噪声干扰类型的多样和噪声强度的不可预期，极大影响心血管疾病的检测和诊断。因此，动态心电处理尤其需要对信号进行质量评估判断，做到去伪存真、去粗留精，把那些没有临床诊断价值的噪声信号滤除，把相对清晰、能够作为临床诊断重要参考的信号段准确拣选出来提供给医生，从而提高疾病诊断的效率和准确率。...
【技术保护点】
1.基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于，包括以下步骤：S1，获取原始动态心电数据信号；S2，通过信号质量标记拾取心电数据信号片段并划分类型；S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；S5，将待分类的心电测试信号处理成为时频二维图像；S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。
【技术特征摘要】
1.基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于，包括以下步骤：S1，获取原始动态心电数据信号；S2，通过信号质量标记拾取心电数据信号片段并划分类型；S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；S5，将待分类的心电测试信号处理成为时频二维图像；S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。2.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S1中，原始动态心电数据信号通过但不限于穿戴式心电设备获取，所述信号在运动状态下获取。3.如权利要求1所述的基于时频二维图像和机器学习的动态心电质量评估方法，其特征在于所述步骤S2中心电信号的划分类型为：具有良好信号质量的A型，信号质量较差的B型和纯粹的噪声...
【专利技术属性】
技术研发人员：刘澄玉，赵钟瑶，赵莉娜，李建清，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。