心电信号质量判别方法、系统、终端及介质技术方案

本发明专利技术提供一种心电信号质量判别方法、系统、终端及介质，通过对采集的心电信号进行预处理去除心电信号中的工频干扰以及基线，并对在预处理后的心电信号中截取的设定长度的数据进行特征提取处理，再将特征数据输入到构建信号质量分类模型中获得对应质量分类结果，并进行分数映射获得对应所述心电信号的信号质量评分，以供后续对该心电信号的质量进行判别。本发明专利技术不仅降低算法复杂度以及大大节省了计算时间，还能够在保证识别效果好的前提下保证信号识别的实时性，进而可以适应更多的场景与更多的设备，并且还能够满足后续不同的应用和算法对信号质量阈值判断更精确的需求。和算法对信号质量阈值判断更精确的需求。和算法对信号质量阈值判断更精确的需求。

【技术实现步骤摘要】
心电信号质量判别方法、系统、终端及介质


[0001]本专利技术涉及电信号处理领域，特别是涉及一种心电信号质量判别方法、系统、终端及介质。

技术介绍

[0002]心电图(ECG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。心肌细胞膜是半透膜，静息状态时，膜外排列一定数量带正电荷的阳离子，膜内排列相同数量带负电荷的阴离子，膜外电位高于膜内，称为极化状态。静息状态下，由于心脏各部位心肌细胞都处于极化状态，没有电位差，电流记录仪描记的电位曲线平直，即为体表心电图的等电位线。心肌细胞在受到一定强度的刺激时，细胞膜通透性发生改变，大量阳离子短时间内涌入膜内，使膜内电位由负变正，这个过程称为除极。对整体心脏来说，心肌细胞从心内膜向心外膜顺序除极过程中的电位变化，由电流记录仪描记的电位曲线称为除极波，即体表心电图上心房的P波和心室的QRS波(心电图的一个波群)。细胞除极完成后，细胞膜又排出大量阳离子，使膜内电位由正变负，恢复到原来的极化状态，此过程由心外膜向心内膜进行，称为复极。同样心肌细胞复极过程中的电位变化，由电流记录仪描记出称为复极波。由于复极过程相对缓慢，复极波较除极波低。心房的复极波低、且埋于心室的除极波中，体表心电图不易辨认。心室的复极波在体表心电图上表现为T波。整个心肌细胞全部复极后，再次恢复极化状态，各部位心肌细胞间没有电位差，体表心电图记录到等电位线。
[0003]在理想状态下，心电图的每一个波形都包含了很多的生理信息，每一个波形都会由1个P波，1个T波以及1个QRS波组成，对这些生理信息进行分析可以辅助疾病的治疗。通过先进的机器学习技术，结合数据特点并加以分析，用机器得出一个初步的诊断结果并配合门诊医生的意见，可以给医生减少大量的压力的同时，大大提高疾病诊断的效率。
[0004]随着智慧医疗以及穿戴设备的发展，大众对自己身体状态的关注度显著提升，随时随地且便携方便快捷的对身体状态做检测并给出初步的评估是很有必要的。然而，为了能够随时随地采集，现在的穿戴设备上普遍使用的是干电极。湿电极相较于干电极而言，采集的信号会更加稳定且信噪比较高，但是只适用于单次采集，因为每采集一次都需要涂抹导电膏等。干电极的优势就是能够满足随时随地采集信号，但相应的信号也会比湿电极差一点。
[0005]干电极的采集容易受到很多因素的干扰，噪声类别主要有以下三类：1、静态噪声，具体来说就是电子元器件本身带来的干扰，测量电极的材料被氧化等。2、运动引起的非静止状态噪声，呼吸或者运动等。3、工频干扰，具体指由电力系统引起的一种干扰。频率一般为50Hz或60Hz，根据不同交流电工频频率而定。主要表现为信号测量时出现的正弦波或其他信号与正弦波的叠加。一个信噪比很低的信号或者完全被噪声淹没了的信号中的生理信息是会被严重破坏的，所以从这样的信号中得出的结果是不准确的，或者说是不能被认可的，这个结果不但不能帮助医生的诊断，还会给医生一个错误的信息。因此，对心电信号进行信号质量的判断势在必行，此举能够减少利用心电信号诊断治疗的误诊。
[0006]目前针对心电信号质量评估方面已经提出了一些方法与技术，以此来帮助提高最后结果的可靠性。常见的方法如先对信号做S变换得出时频图，再利用深度学习网络CNN或它的其他变体来进行深度特征提取并对信号质量做出判断。该方法使用的是深度学习，占用的计算资源是非常大的，且对硬件资源要求高。现有技术中有的方案通过计算心电信号的二维时频图并使用卷积神经网络进行特征提取，两种相结合达到较好的效果。需要经过复杂的时频转换，需要大量的计算时间和资源，对硬件要求高。卷积神经网络提取特征比较抽象，很难解释这些特征的具体作用。再如现有技术中有的方案通过计算信号基线得出斜率并与斜率阈值进行比较来判断信号质量，这个方法的不足在于应用到穿戴设备上时，干电极方式采集的心电信号基线漂移是很常见的，该方法会导致穿戴设备采集的大量心电信号都是无效的。且对数据使用了很多硬阈值判断，如：斜率阈值，RR间期阈值等，判断的依据特征不够丰富，无法完整的提取信号中有用的信息，使信号质量评估的结果不够准确科学。
[0007]综上所述，目前现有技术具有心电信号的质量评估结果不准确以及未能定量评估的问题，还存在占用内存和计算时间过大，且实时性较差、适应场景较少的缺陷。

技术实现思路

[0008]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种心电信号质量判别方法、系统、终端及介质，用于解决以上现有技术问题。
[0009]为实现上述目的及其他相关目的，本专利技术提供一种心电信号质量判别方法，所述方法包括：对采集的心电信号进行预处理，以去除心电信号中的工频干扰以及基线；对在预处理后的心电信号中截取的设定长度的数据进行特征提取处理，获得对应的特征数据；基于构建的信号质量分类模型，根据输入的特征数据获得对应判断为一质量类别的质量分类结果；对所述质量分类结果进行分数映射，获得对应所述心电信号的信号质量评分，以供对该心电信号的质量进行判别。
[0010]于本专利技术的一实施例中，所述信号质量分类模型的构建方式包括：对数据集中分别标注有质量分类结果标签的各心电信号进行预处理，以去除心电信号中的工频干扰以及基线；对在预处理后的各心电信号中分别截取的设定长度的数据分别进行特征提取处理，获得对应的特征数据；基于各心电信号的特征数据以及质量分类结果标签训练分类模型，获得所述信号质量分类模型，以供输入心电信号的特征数据以及输出对应判断为一质量类别的质量分类结果；其中，所述质量分类结果包括：第一信号质量类别的概率值、第二信号质量类别的概率值以及第三信号质量类别的概率值；所述第二信号质量类别的信号质量差于所述第一信号质量类别的信号质量且优于所述第三信号质量类别的信号质量；其中，所述质量分类结果标签的类型包括：对应判断为第一信号质量类别的质量分类结果标签、对应判断为第二信号质量类别的质量分类结果标签以及对应判断为第三信号质量类别的质量分类结果标签。
[0011]于本专利技术的一实施例中，特征提取处理的方式包括：在预处理后的心电信号中截取的设定长度的数据进行归一化，并将归一化后的数据进行波形与统计特征计算，获得对应的特征数据；其中，所述特征数据包括：信号偏度、峰度、标准差、均值、均方根、平均绝对误差、平均绝对值、脉冲因子、变异系数、波形因子、信号长度、峰谷值、峰值因子、小峰个数、上异常值以及下异常值。
[0012]于本专利技术的一实施例中，基于利用半监督学习算法以及多个标注有质量分类结果标签的心电信号进行训练获得的网络模型，判别数据集中难分辨类别的心电信号需标注的质量分类结果标签。
[0013]于本专利技术的一实施例中，所述对所述质量分类结果进行分数映射，获得对应所述心电信号的信号质量评分包括：基于判断的质量类别所对应的映射函数，根据由所述质量分类结果中除判断的质量类别之外的另外两个类别的概率值获得的计算值计算位于对应质量类别的分数区间内的信号质量评分。
[0014]于本专利技术的一实施例中，所述映射函数采用sigmoid函数或近似sig本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电信号质量判别方法，其特征在于，所述方法包括：对采集的心电信号进行预处理，以去除心电信号中的工频干扰以及基线；对在预处理后的心电信号中截取的设定长度的数据进行特征提取处理，获得对应的特征数据；基于构建的信号质量分类模型，根据输入的特征数据获得对应判断为一质量类别的质量分类结果；对所述质量分类结果进行分数映射，获得对应所述心电信号的信号质量评分，以供对该心电信号的质量进行判别。2.根据权利要求1中所述的心电信号质量判别方法，其特征在于，所述信号质量分类模型的构建方式包括：对数据集中分别标注有质量分类结果标签的各心电信号进行预处理，以去除心电信号中的工频干扰以及基线；对在预处理后的各心电信号中分别截取的设定长度的数据分别进行特征提取处理，获得对应的特征数据；基于各心电信号的特征数据以及质量分类结果标签训练分类模型，获得所述信号质量分类模型，以供输入心电信号的特征数据以及输出对应判断为一质量类别的质量分类结果；其中，所述质量分类结果包括：第一信号质量类别的概率值、第二信号质量类别的概率值以及第三信号质量类别的概率值；所述第二信号质量类别的信号质量差于所述第一信号质量类别的信号质量且优于所述第三信号质量类别的信号质量；其中，所述质量分类结果标签的类型包括：对应判断为第一信号质量类别的质量分类结果标签、对应判断为第二信号质量类别的质量分类结果标签以及对应判断为第三信号质量类别的质量分类结果标签。3.根据权利要求1或2中所述的心电信号质量判别方法，其特征在于，特征提取处理的方式包括：在预处理后的心电信号中截取的设定长度的数据进行归一化，并将归一化后的数据进行波形与统计特征计算，获得对应的特征数据；其中，所述特征数据包括：信号偏度、峰度、标准差、均值、均方根、平均绝对误差、平均绝对值、脉冲因子、变异系数、波形因子、信号长度、峰谷值、峰值因子、小峰个数、上异常值以及下异常值。4.根据权利要求2中所述的心电信号质量判别方法，其特征在于，基于利用半监督学习算法以及多个标注有质量分类结果标签的心电信号进行训练获得的网络模型，判别数据集中难分辨类别的心电信号需标注的质量分类结果标签。5.根据权利要求2中所述的心电信号质量判别方法，其特征在于，所述对所述质量分类结果进行分数映射，获得对应所述心电信号的信号质量评分包括：基于判断的质量类别所对应的映射函数，根据由所述质量分类结果中除判断的质量类别之外的另外两个类别的概率值获得的计算值计算位于对应...

【专利技术属性】
技术研发人员：吴淑君，邓遂，吴侃，汪志伟，吴平平，程志航，张广洁，
申请(专利权)人：芯原微电子上海股份有限公司芯原微电子海南有限公司芯原科技上海有限公司，
类型：发明
国别省市：