本发明专利技术提供了一种基于高维模糊识别的心电信号质量评估方法和装置。本发明专利技术可以获得从不同角度描述心电信号质量的高维模式特征集，包括时域特征子集、频域特征子集、多尺度域特征子集和非线性分析特征子集，每个子集包含有多种不同的量化指标，然后通过具有模糊聚类特性的竞争性网络，将上述高维模式特征集所描述的心电信号映射入不同的特征区域，从而获得对心电信号质量水平的分类。
【技术实现步骤摘要】
本专利技术涉及一种心电信号质量评估方法和装置，涉及智能医学仪器领域。
技术介绍
心电信号是临床上进行心脏功能检测的常用手段。随着医疗技术的进步，各类心电监护设备大量涌入市场，这些监护设备的技术基础是对心电信号的自动分析。心电信号属于强噪声背景下的微弱信号，噪声对信号形态、包含成分等的影响，会严重干扰信号特征的识别和类别的辨识，而信号特征是对其进行自动分析的基础，由于噪声、伪迹、运动干扰以及其他病理特征等而导致的心电信号质量问题，是影响信号特征提取精度的重要因素。针对心电信号包含的各种质量问题，以往所采取的手段往往是通过数字滤波的方式进行去除噪声和基线漂移，但从实际情况来看，由同一种设备所采集的信号，其质量水平参差不齐，有些信号基本不含有任何干扰，通过这些去除噪声和漂移的方式处理之后，会造成真实信号的改变；同时，也有很多信号含有大量的干扰，通过如上的处理方式可能并不能获得有效的改善。不管是对真实的信号造成改变，还是不能完全排除掉干扰的影响，都会对后续的分析引入影响，从而造成分析结果的不准确。从近期一些文献或者专利技术中可以查阅到有关心电信号质量评估技术的研究， 但是这些研究都是基于特征点提取的，也即首先通过一种算法提取心电信号的特征点，比如多数情况下是R波点或者是QRS波群，然后通过对特征点提取结果的分析、QRS波形的分析等获取对信号质量的描述，而本专利技术认为，特征提取结果的重要影响因素之一便是信号质量水平，信号质量问题会对特征提取造成误差，通过特征提取结果对信号质量水平进行判断也带来误差，这些误差都是向后积累的，最终造成分析结果的不精确，甚至是错误。另外，信号质量水平不是简单的好与不好的区别，具有明显的模糊性质，这符合人类本身对于信号质量的认知方式。对于一例特定的信号，其可能含有多种影响质量的因素， 怎样将它归类到与其更为相似的一种类别中，以往的处理方式很难做到这一点。因此，目前需要一种能够基于心电信号本身的、不依赖于特征点提取的心电信号质量评估方法，且具有模糊的分析特征，能够根据信号的主要特征来归类其质量水平，并最终使用这种评估结果，分别予以不同的处理，以获得更为精确的特征提取结果和最终的参数计算结果等。本专利技术的基于高位模式模糊识别的心电信号质量评估方法和装置正是在此技术背景下而获得的。
技术实现思路
本专利技术的目的在于提供一种心电信号的质量评估方法和装置，该方法和装置从心电信号多个维度的特征出发，通过模糊识别的方式获得对心电信号质量的评估结果。本专利技术采用以下技术措施实现以上目的一种基于高维模糊识别的心电信号质量评估方法，它包括如下步骤(1)初始化长度为N的队列Q ；(2)按照一定的采样率fs采集N点心电信号分析数据X(n)进入队列Q ；(3)使用噪声去除方法和基线漂移去除方法对χ (η)进行预处理得到序列y (η)；(4)对序列y (η)计算高维模式特征集S ；(5)使用基于高维模式模糊识别的算法对特征集S进行处理，获取对分析数据 X (η)的质量评估结果；(6)重新按照4采样率采集m点心电信号分析数据χ' (n)，按照先进先出方式进入队列Q，更新分析数据χ (η)，重新进入步骤C3)执行；(7)响应结束事件，结束分析进程。其中，步骤(4)所述的高维模式特征集S包括时域特征子集St、频域特征子集&、 多尺度域特征子集^11、非线性分析特征子集&。其中，时域特征子集St包括如下特征 (1)方差权利要求1.一种基于高维模糊识别的心电信号质量评估方法，其特征在于它包括如下步骤(1)初始化长度为N的队列Q；(2)按照一定的采样率fs采集N点心电信号分析数据X(Ii)进入队列Q；(3)使用噪声去除方法和基线漂移去除方法对χ(η)进行预处理得到序列y (η)；(4)对序列y(η)计算高维模式特征集S ；(5)使用基于高维模式模糊识别的算法对特征集S进行处理，获取对分析数据χ(η)的质量评估结果；(6)重新按照4采样率采集m点心电信号分析数据χ'(η)，按照先进先出方式进入队列Q，更新分析数据χ (η)，重新进入步骤( 执行；(7)响应结束事件，结束分析进程。2.根据权利要求1所述的一种基于高维模糊识别的心电信号质量评估方法，其特征在于所述步骤(4)所述的高维模式特征集S包括如下特征子集(1)时域特征子集St；(2)频域特征子集&；(3)多尺度域特征子集；(4)非线性分析特征子集&；其中，时域特征子集St包括方差s2、峰度k、最大值变异指标Va、最小值变异指标V。； 频域特征子集&包括甚低频段能量Evl、低频段能量EpQRS频段能量Effs、工频段能量Ep、 功率谱比值指标民；多尺度特征子集包括=Hurst指数Hi ；非线性分析特征子集&包括 模糊测度熵FuzzyMEn。3.根据权利要求1所述的一种基于高维模糊识别的心电信号质量评估方法，其特征在于所述步骤( 所述的高维模糊模式识别算法为具有模糊特性的竞争性网络算法。4.一种基于高维模糊识别的心电信号质量评估装置，其特征在于，它包括控制模块 1、输入模块2、队列暂存模块3、数字信号调理模块4、高维模式特征集计算模块5、竞争网络模块6和输出模块7 ；其中，控制模块1控制整个装置的运行和数据流动；输入模块2又包括模拟信号采集单元2. 1、模拟信号调理单元2. 2、模拟-数字转换单元2. 3和数字信号输入单元2. 4 ；高维模式特征集计算模块5包括四个并行计算单元时域分析单元5. 1、频域分析单元5. 2、多尺度分析单元5. 3和非线性分析单元5. 4 ；竞争网络模块6包括输入层6. 1 和竞争层6. 2。输入模块2与队列暂存模块3相连，队列暂存模块3与数字信号调理模块4 相连，数字信号调理模块4与高维模式特征集计算模块5中的四个并行计算单元分别相连， 高维模式特征集计算模块5的输出通过竞争网络模块6的输入层6. 1输入到竞争层6. 2，并在竞争层6. 2中映射到不同的区域，该映射信息通过输出模块7输出；高维模式特征集计算模块5输出高维模式特征集S，包括由时域分析单元输出的时域特征子集St、由频域分析单元输出的频域特征子集Sf、由多尺度分析单元输出的多尺度域特征子集^11和由非线性分析单元输出的非线性分析特征子集&。其中，时域特征子集St包括方差s2、峰度k、最大值变异指标Va、最小值变异指标V。；频域特征子集&包括甚低频段能量Evl、低频段能量Ep QRS频段能量Effs、工频段能量&、功率谱比值指标民；多尺度特征子集包括=Hurst指数Hi ；非线性分析特征子集&包括模糊测度熵FuzzyMEn。全文摘要本专利技术提供了一种基于高维模糊识别的心电信号质量评估方法和装置。本专利技术可以获得从不同角度描述心电信号质量的高维模式特征集，包括时域特征子集、频域特征子集、多尺度域特征子集和非线性分析特征子集，每个子集包含有多种不同的量化指标，然后通过具有模糊聚类特性的竞争性网络，将上述高维模式特征集所描述的心电信号映射入不同的特征区域，从而获得对心电信号质量水平的分类。文档编号A61B5/0472GK102512158SQ20111045539公开日2012年6月27日 申请日期2011年12月31本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：杨静，李鹏，王启斌，杨磊，李斌，张明，车文彪，刘澄玉，刘常春，
申请(专利权)人：济南汇医融工科技有限公司，
类型：发明
国别省市：
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。