一种心电图低电压T波终点定位方法技术

一种心电图低电压T波终点定位方法，所述方法包括以下步骤：步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；步骤二：心电样本数据4个等级干扰的识别；本发明专利技术在于对低平T波非线性变换的放大重构，增强了低平T波终点的细节特征，根据构建的样本心搏叠加波，结合样本心搏和叠加波的重构操作，聚类分析成两类心搏，增加的两种状态引入了医学信息，解决了两类心搏数据对应的提取特征高度相似问题，最后提取形态特征群、统计特征群、信息特征群分别建模预测，在实际应用场景下实现了对心搏低平T波终点的准确定位。现了对心搏低平T波终点的准确定位。现了对心搏低平T波终点的准确定位。

【技术实现步骤摘要】
一种心电图低电压T波终点定位方法


[0001]本专利技术涉及一种心电图低电压T波终点定位方法，具体的说，为一种基于波形重构和叠加波聚类技术的心电图低电压T波终点定位方法，属于心电图T波定位


技术介绍

[0002]临床上很多心律失常呈阵发性、持续时间短等特点，就诊时心律失常可能已经终止，常规心电图检查往往难以捕获。而小型化、便携式的单导联心电设备可实现连续、长时程的心电监护，逐渐成为一种新的心电监护解决方案。随着近年来人工智能技术的快速发展，利用AI设计单导联心电算法帮助医生进行辅助诊断已经成为了必然趋势。心电图波形一个完整心搏周期主要是P波、QRS波群和T波组成，每种波都反映了心脏心房和心室中兴奋波的动态传导，以及异位搏动情况的丰富信息，准确检测各波形位置是心率计算和异常诊断的关键。
[0003]目前各领域专家学者通过不同的方法进行了心搏各波形位置检测，其中对T波检测的方法集中在切线法、斜率阈值法、小波变换法、数学形态法等方面。T波常见的形态有T波倒置、T波双向和T波低平等，由于T波是心电信号中的低幅低频波，易受基线漂移、肌电干扰等噪声影响，其终点检测的方法研究始终是心电图识别技术中的难点问题，特别是对变化比较敏感的低平T波（如图1），其斜率更不明显，容易淹没在噪声中，这就使得众多T波终点定位算法失去了对低平T波终点检测的准确性，进而直接影响QT间期、尼亚加拉状T波等的测量，导致对常见类型心电图心搏的识别造成困难。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术提供了一种心电图低电压T波终点定位方法，包括以下步骤：步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；步骤二：心电样本数据4个等级干扰的识别；步骤三：样本心搏叠加波构建，样本心搏叠加波构建，为后续步骤非线性变换重构的低平T波聚类分析初始模板建立基础，针对预处理后的心电样本，基于正则化最小二乘回归学习方法定位R波位置，以检测到的R波位置为中心，向前向后截取一定数量采样点的固定窗口对样本进行分割，共分割得到LA个心搏，根据上一步骤的干扰识别，对只有1级和2级干扰级别的L个心搏进行聚类分析，共分为四个阶段，以获取心搏数量最多的两类心搏构建叠加波；步骤四：筛选心搏低平T波样本；并对其所有心搏划分T波终点搜索区域；步骤五：心搏T波终点搜索区域单独进行低通滤波消除干扰；针对低平T波样本叠加波及其所有单个心搏的T波终点搜索区域单独进行低通滤波，再次消除肌电干扰和工频干扰；
步骤六：低平T波样本所有心搏及叠加波T波终点搜索区域的重构；步骤七：重构后的心搏T波终点搜索区域聚类分析；步骤八：心搏T波终点搜索区域波形特征提取；样本所有重构后的心搏T波终点搜索区域进行特征提取，描述每个心搏搜索区域数据有意义的属性，该特征集包括了形态特征群、统计特征群、信息特征群;步骤九：模型训练；根据上述步骤八提取的心搏T波终点搜索区域的形态特征群、统计特征群、信息特征群，结合对应的T波终点到T波顶点的距离标签，将训练集中叠加波相似的心搏、不相似的心搏，分别输入到随机森林模型中进行训练，得到两种T波终点定位模型；步骤十：模型评估。
[0005]作为优选：所述步骤二中的4个等级干扰的识别方法如下：首先将预处理后的心电样本数据按照n秒钟长度切片，再进行间隔m个点的下采样，获得心电数据X，并对其进行标注得到y；其次，对心电数据X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF；再次，训练卷积神经网络，设计一个包含四层卷积层的一维卷积神经网络来提取特征，同时在每第二个卷积层之后加一个Maxpooling层用来筛选特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为C和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别概率的一维向量Xout，设定学习率Lr、损失函数Loss，用Adam优化器进行训练，直到模型收敛；最后，导入测试数据进行4个等级干扰的识别，对比最终输出的4个概率Xp，取其中最高概率对应的等级作为n秒钟的干扰等级，公式如下：。
[0006]作为优选：所述步骤三中的四个阶段分别为：第一阶段，在对样本L个心搏进行聚类前，首先需要产生模板心搏，将目标心搏与模板心搏进行相似度距离计算，相似度距离满足一定阈值条件的目标心搏匹配归入相应模板类别，选取相似度距离阈值TH，从样本的L个心搏中随机抽取LS个心搏，并选择第一个心搏作为第一个模板心搏类型，计算第二个心搏到的相似度距离，如果满足
＞TH，则将匹配归入该类别，否则以为新建模板心搏，继续计算下一个心搏与已有的若干个模板心搏间相似度距离(j=0,1,2,
…
)，若满足，且＞TH，则将该心搏匹配归于模板类别， 否则以为新建模板心搏类别，重复此步骤，直至完成随机LS个心搏的聚类，最后对随机的LS个心搏模板分类结果进行统计排序，选取心搏匹配个数最多的模板类别，将LS个心搏中属于的所有心搏数据做平均，得到一个平均模板心搏；第二阶段，对样本L个心搏第一次进行聚类，获取心搏匹配个数最多的一类，将上一阶段得到的平均模板心搏作为第一个心搏模板类型，重复第一阶段的心搏匹配模板的步骤，直到所有L个心搏匹配完毕，最后对全部L个模板心搏分类结果进行统计排序，得到心搏匹配个数最多的模板类别，获取其匹配的心搏集合及个数；第三阶段，样本中全部L个心搏去掉上一阶段最多一类个心搏后，再对剩余个的心搏第二次进行聚类，对个心搏重复第一阶段步骤，得到随机抽取心搏匹配个数最多的模板类别，接着对个心搏重复第二阶段步骤，得到匹配个数最多的模板类别，获取其匹配心搏集合及其个数，将第二阶段和第三阶段获得的心搏集合、合并为一个心搏集合；第四阶段，针对每个心电样本构建独特的心搏叠加波，将上述阶段获取的样本心搏集合用来构建叠加波，所有用于构建的心搏以R波位置为基准点向前向后对齐，并对每个心搏采样点对应的振幅幅值进行排序，截取第15百分位至第85百分位对应的心搏幅值求和取平均，作为当前采样点对应的叠加波振幅幅值，以此来构建叠加波，公式如下：
[0007]其中m是当前心搏的第m个采样点，和分别是每个心搏当前采样点对应的振幅幅值排序之后处于在15%和85%的位置，是叠加波第m个采样点的幅值，是第m个采样点处于第i百分位的心搏幅值。
[0008]作为优选：所述步骤四的具体方法为：针对样本所有心搏及上一步骤构建的样本叠加波，进行T波顶点的检测，选取T波顶点幅值阈值，筛选叠加波T波顶点绝对值最大值小于的心电样本，定义为低平T波样本，共筛选出份训练集和份测试集的低平T波单导联ECG样本，其中包括了窦性节律样本、室上性心律失常样本、室性心律失常样本、房扑房颤样本、传导阻滞样本等，然后以样本各心搏T波顶点为基准点，设定对应心搏低平T波终点的搜索区域为：。
[0009]作为优选：所述步骤五的具体方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图低电压T波终点定位方法，其特征在于：所述方法包括以下步骤：步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；步骤二：心电样本数据4个等级干扰的识别；步骤三：样本心搏叠加波构建，样本心搏叠加波构建，为后续步骤非线性变换重构的低平T波聚类分析初始模板建立基础，针对预处理后的心电样本，基于正则化最小二乘回归学习方法定位R波位置，以检测到的R波位置为中心，向前向后截取一定数量采样点的固定窗口对样本进行分割，共分割得到LA个心搏，根据上一步骤的干扰识别，对只有1级和2级干扰级别的L个心搏进行聚类分析，共分为四个阶段，以获取心搏数量最多的两类心搏构建叠加波；步骤四：筛选心搏低平T波样本；并对其所有心搏划分T波终点搜索区域；步骤五：心搏T波终点搜索区域单独进行低通滤波消除干扰；针对低平T波样本叠加波及其所有单个心搏的T波终点搜索区域单独进行低通滤波，再次消除肌电干扰和工频干扰；步骤六：低平T波样本所有心搏及叠加波T波终点搜索区域的重构；步骤七：重构后的心搏T波终点搜索区域聚类分析；步骤八：心搏T波终点搜索区域波形特征提取；样本所有重构后的心搏T波终点搜索区域进行特征提取，描述每个心搏搜索区域数据有意义的属性，该特征集包括了形态特征群、统计特征群、信息特征群;步骤九：模型训练；根据上述步骤八提取的心搏T波终点搜索区域的形态特征群、统计特征群、信息特征群，结合对应的T波终点到T波顶点的距离标签，将训练集中叠加波相似的心搏、不相似的心搏，分别输入到随机森林模型中进行训练，得到两种T波终点定位模型；步骤十：模型评估。2.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤二中的4个等级干扰的识别方法如下：首先将预处理后的心电样本数据按照n秒钟长度切片，再进行间隔m个点的下采样，获得心电数据X，并对其进行标注得到y；其次，对心电数据X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF；再次，训练卷积神经网络，设计一个包含四层卷积层的一维卷积神经网络来提取特征，同时在每第二个卷积层之后加一个Maxpooling层用来筛选特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为C和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别概率的一维向量Xout，设定学习率Lr、损失函数Loss，用Adam优化器进行训练，直到模型收敛；最后，导入测试数据进行4个等级干扰的识别，对比最终输出的4个概率Xp，取其中最高概率对应的等级作为n秒钟的干扰等级，公式如下：
。3.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤三中的四个阶段分别为：第一阶段，在对样本L个心搏进行聚类前，首先需要产生模板心搏，将目标心搏与模板心搏进行相似度距离计算，相似度距离满足一定阈值条件的目标心搏匹配归入相应模板类别，选取相似度距离阈值TH，从样本的L个心搏中随机抽取LS个心搏，并选择第一个心搏作为第一个模板心搏类型，计算第二个心搏到的相似度距离，如果满足＞TH，则将匹配归入该类别，否则以为新建模板心搏，继续计算下一个心搏与已有的若干个模板心搏间相似度距离(j=0,1,2,
…
)，若满足，且＞TH，则将该心搏匹配归于模板类别， 否则以为新建模板心搏类别，重复此步骤，直至完成随机LS个心搏的聚类，最后对随机的LS个心搏模板分类结果进行统计排序，选取心搏匹配个数最多的模板类别，将LS个心搏中属于的所有心搏数据做平均，得到一个平均模板心搏；第二阶段，对样本L个心搏第一次进行聚类，获取心搏匹配个数最多的一类，将上一阶段得到的平均模板心搏作为第一个心搏模板类型，重复第一阶段的心搏匹配模板的步骤，直到所有L个心搏匹配完毕，最后对全部L个模板心搏分类结果进行统计排序，得到心搏匹配个数最多的模板类别，获取其匹配的心搏集合及个数；第三阶段，样本中全部L个心搏去掉上一阶段最多一类个心搏后，再对剩余个的心搏第二次进行聚类，对个心搏重复第一阶段步骤，得到随机抽取心搏匹配个数最多的模板类别，接着对个心搏重复第二阶段步骤，得到匹配个数最多的模板类别，获取其匹配心搏集合及其个数，将第二阶段和第三阶段获得的心搏集合、合并为一个心搏集合；第四阶段，针对每个心电样本构建独特的心搏叠加波，将上述阶段获取的样本心搏集合用来构建叠加波，所有用于构建的心搏以R波位置为基准点向前向后对齐，并对每个
心搏采样点对应的振幅幅值进行排序，截取第15百分位至第85百分位对应的心搏幅值求和取平均，作为当前采样点对应的叠加波振幅幅值，以此来构建叠加波，公式如下：其中m是当前心搏的第m个采样点，和分别是每个心搏当前采样点对应的振幅幅值排序之后处于在15%和85%的位置，是叠加波第m个采样点的幅值，是第m个采样点处于第i百分位的心搏幅值。4.根据权利要求1所述的心电图低电压T波终...

【专利技术属性】
技术研发人员：许昆明，符灵建，刘凯歌，杨茂，
申请(专利权)人：浙江好络维医疗技术有限公司，
类型：发明
国别省市：