一种运动过程中异常心电信号的识别方法技术

本发明专利技术公开一种运动过程中异常心电信号的识别方法，提出一种改进的EEMD算法，通过扰动插值的方法改变心电信号部分波段的陡性，以便更好的进行噪声辅助分析，解决了模态混叠问题；通过傅里叶变换自动划分心拍；搭建适用于心拍分类的VIT模型实现高准确率；相较现有技术，本方法处理心电数据更具灵活性和实用性，改进的EEMD算法能够为分类模型提供更高质量的数据，通过傅里叶变换划分心拍使其更具灵活性和准确性，搭建的VIT模型能够更好的对心电信号的二维频域特征进行学习捕捉，达到更好的分类效果，从而实现异常心电信号的精准动态识别，可很好地应用在目前移动电子测量设备中以实现异常监测，对进一步促进心电信号处理领域发展具有重要意义。发展具有重要意义。发展具有重要意义。

【技术实现步骤摘要】
一种运动过程中异常心电信号的识别方法


[0001]本专利技术属于动态心电信号处理的
，具体涉及一种运动过程中异常心电信号的识别方法。

技术介绍

[0002]随着心血管类疾病日益增长的患病率，其逐渐成为研究的热点课题。对于心血管类疾病主要通过心电图(ECG)进行检测，心电图是一种电位波形图，描绘了心脏激动过程中体表上产生周期性的电变化活动。目前常规的心电诊断技术仍是医生通过静态心电图结合临床经验来判断患者是否异常，但是伴随着移动智能设备的快速发展，实时的心电信号异常检测任务亟待解决。比如通过电子手环可以实时监测人体的心电信号，若能动态的对这些信号进行异常识别，便可以实现预防心血管类疾病的功能。
[0003]在心电信号异常识别的研究中，主要可以分为三个板块：(i)心电信号去噪，主要应用经验模态分解(EMD)、小波阈值去噪以及滤波器等方法；
[0004](ii)心电信号特征提取，时域特征一般提取QRS波群相关特征，频域特征常通过傅里叶变换、小波变换等信号处理方法；(iii)心电信号分类算法，主要应用机器学习和深度学习分类算法。
[0005]数据质量对分类效果具有直接的影响。EMD方法是信号去噪的常用方法之一，目前研究人员在使用EMD对心电信号进行去噪时，会结合阈值去噪方法对分解后得到的IMF分量系数进行筛选进而重构实现去噪。但是这个过程中往往忽略掉EMD在心电信号上分解时存在的模态混叠问题，即使通过加入白噪声的EEMD方法也无法解决，这是由于QRS波群过窄且过陡的性质，加入的白噪声会被其覆盖。IMF分量中模态混叠问题的存在，会导致后续确定阈值时存在偏差，影响去噪效果，亟需一种新的分解方法来解决EEMD在心电信号分解上的模态混叠问题。
[0006]近几年来，研究人员不再局限于序列数据分析，而是提取其二维特征，比如转化为二维图像或者通过相关信号分析手段提取频域二维特征，然后构建基于CNN的图分类模型。深度学习是近年来机器学习领域的热点课题，在自然语言处理和计算机视觉领域取得了重要的成果，其中2017年提出的基于自注意力机制的Transformer模型大放异彩，在自然语言处理上效果显著。近两年，研究人员逐渐将其迁入到计算机视觉领域，提出了Vision Transformer(VIT)模型，也证明其在大批量数据集上表现良好。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种运动过程中异常心电信号的识别方法，能够解决EEMD算法在心电信号分解上的模态混叠问题，通过傅里叶变换自动划分心拍，实现高准确率。
[0008]实现本专利技术的技术方案如下：
[0009]一种运动过程中异常心电信号的识别方法，包括以下步骤：
[0010]步骤1：获取用于训练和测试的运动过程中的心电信号，获得心电信号的类别标签，并对其进行数据预处理；
[0011]步骤1.1：设计改进EEMD算法，对心电信号进行分解；
[0012]步骤1.2：通过阈值和阈值函数对分解后的IMF分量进行去噪，并重构得到去噪信号；
[0013]步骤2：心拍自动划分；
[0014]步骤2.1：对去噪后的心电信号进行傅里叶变换，得到该心电信号的周期特征；
[0015]步骤2.2：通过差分法定位R波位置后进行心拍划分；
[0016]步骤3：构建VIT分类模型，提取步骤2划分后的心拍的频域特征输入到分类模型中进行训练并分类；
[0017]步骤3.1：提取心拍序列的二维频域特征；
[0018]步骤3.2：搭建Vision Transformer分类模型；
[0019]步骤3.3：将训练数据集划分为80％的训练集、20％的验证集，将训练集输入到VIT模型中进行训练，通过验证集对模型进行调参，得到分类模型；
[0020]步骤3.4：计算分类模型在测试集上的准确率、召回率和精准率，评价模型的分类效果。
[0021]进一步地，步骤1.1具体为：
[0022](1)得到原始信号采样序列{x(t
n
)},n＝1,2,...,N，其中N为序列长度，计算原始序列的一阶差分序列其中其中
[0023](2)计算一阶差分序列的绝对值的中位数，作为是否进行插值的判断阈值，即
[0024](3)对一阶差分序列的值进行判断，若差分值大于判断阈值，即则在对应原信号位置处开始加入k
g
＝|x(t
n+1
)
‑
x(t
n
)|/θ个扰动插值，g表示插值次数的计数值，插值使用线性插值y(t)＝at+b+ε，其中a＝[x(t
n+1
)
‑
x(t
n
)]/(t
n+1
‑
t
n
)，b＝x(t
n
)
‑
[x(t
n+1
)
‑
x(t
n
)]/(t
n+1
‑
t
n
)t
n
，ε为服从正态分布的随机数，得到插值信号序列K为插值总个数，并记录原信号在插值信号中的位置；
[0025](4)生成与插值信号序列同等长度N+K的高斯白噪声序列，向插值信号序列中加入高斯白噪声，进行噪声辅助分析，得到
[0026](5)计算序列的极值点，通过三次样条插值对分别对上极值点、下极值点拟合上下包络线；
[0027](6)对上下包络线求均值，得到局部均值曲线，就是第一个IMF分量
[0028](7)重复步骤(5)和(6)，直到余项的极值点个数小于2，
得到q个IMF分量，即将信号分解为得到q个IMF分量，即将信号分解为
[0029]进一步地，步骤1.2具体为：
[0030](1)对步骤1.1分解后得到的q个IMF分量，确定出以噪声为主导的分量，计算每个IMF分量的过零率p
i
,i＝1,...,q，然后计算相邻两个IMF分量的过零率比值f
i
’
＝p
i
/p
i+1
,i
’
＝1,..,q
‑
1，当f
i
’
第一次达到极大值点时，定义其为以噪声为主导的分量和以信号为主导的分量的分界处；
[0031](2)对以噪声为主导的IMF分量进行系数筛选，使用通用阈值(2)对以噪声为主导的IMF分量进行系数筛选，使用通用阈值其中N+K为IMF分量的长度，选择软阈值函数：
[0032][0033]对IMF分量系数进行筛选；
[0034](3)根据步骤1.1中(3)记录的原始信号的位置，对去噪后的以噪声为主导的IMF分量和以信号为主导的IMF分量进行相应位置重构，得到去噪信号序列{x
’
(t
n
)},n＝1,2,...,N。
[0035]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动过程中异常心电信号的识别方法，其特征在于，包括以下步骤：步骤1：获取用于训练和测试的运动过程中的心电信号，获得心电信号的类别标签，并对其进行数据预处理；步骤1.1：设计改进EEMD算法，对心电信号进行分解；步骤1.2：通过阈值和阈值函数对分解后的IMF分量进行去噪，并重构得到去噪信号；步骤2：心拍自动划分；步骤2.1：对去噪后的心电信号进行傅里叶变换，得到该心电信号的周期特征；步骤2.2：通过差分法定位R波位置后进行心拍划分；步骤3：构建VIT分类模型，提取步骤2划分后的心拍的频域特征输入到分类模型中进行训练并分类；步骤3.1：提取心拍序列的二维频域特征；步骤3.2：搭建Vision Transformer分类模型；步骤3.3：将训练数据集划分为80％的训练集、20％的验证集，将训练集输入到VIT模型中进行训练，通过验证集对模型进行调参，得到分类模型；步骤3.4：计算分类模型在测试集上的准确率、召回率和精准率，评价模型的分类效果。2.如权利要求1所述的一种运动过程中异常心电信号的识别方法，其特征在于，步骤1.1具体为：(1)得到原始信号采样序列{x(t
n
)},n＝1,2,...,N，其中N为序列长度，计算原始序列的一阶差分序列其中其中(2)计算一阶差分序列的绝对值的中位数，作为是否进行插值的判断阈值，即(3)对一阶差分序列的值进行判断，若差分值大于判断阈值，即则在对应原信号位置处开始加入k
g
＝|x(t
n+1
)
‑
x(t
n
)|/θ个扰动插值，g表示插值次数的计数值，插值使用线性插值y(t)＝at+b+ε，其中a＝[x(t
n+1
)
‑
x(t
n
)]/(t
n+1
‑
t
n
)，b＝x(t
n
)
‑
[x(t
n+1
)
‑
x(t
n
)]/(t
n+1
‑
t
n
)t
n
...

【专利技术属性】
技术研发人员：王宏洲，陈建怡，周志雄，
申请(专利权)人：首都体育学院，
类型：发明
国别省市：