一种基于单导联心电信号时频特征的房颤检测方法

摘要

一种基于单导联心电信号时频特征的房颤检测方法，属于信息处理技术与医疗健康的交叉领域。本发明的一个显著特点就是针对具有较高噪声的单导联心电信号，利用皮尔逊相关性系数对同一信号内部的各个心跳波形进行简单的聚类，进而采用平均法消除心跳波形的噪声干扰，进而找出信号的代表性心跳波形，然后基于Matching Pursuits算法提取代表性波形的时频特征，用于整条心电信号的分类。此外，本发明还整合了RR间期的特征(结合了心率变异性特征和心跳波形的时频特征)，因而兼具基于心房活动和基于心室反应两种方法的特点，具有较高的准确率、很好的鲁棒性。

说明书

技术领域

本发明属于信息处理技术与医疗健康的交叉领域，涉及一种单导联心电信号的分类方法，尤其涉及一种基于单导联心电信号时频特征的房颤检测方法。

背景技术

心房颤动(简称房颤)是最常见的持续性心率失常，在一般人群中的发病率为1～2％。随着年龄的增加，房颤的发病率也不断增加，75岁以上人群可达10％。房颤会增加包括猝死、中风、心衰以及冠心病等多种疾病的发病风险，对人们的生命健康构成严重的威胁。

由于部分房颤是阵发性的，而且在早期可能没有任何明显症状，因此容易在早期被忽视，从而延误了病情。当前兴起的单导联可穿戴心电检测设备对于该问题的解决带来了契机。这类设备具有体积小、成本低廉的特点，可以封装入手环等小型设备中，适合长期佩戴，不影响患者的日常活动，有望在未来实现大量普及。然而，这类设备所采集的大量数据是人工分析所无法负担的，必须借助自动化的技术进行分析和诊断。在自动化方法的设计中，必须考虑这类数据的两大特点：

(1)信号可能具有较高的噪声干扰；

(2)信号可能涉及多种心率失常症状。

目前房颤的自动化识别方法主要分为两类：基于心房活动的方法和基于心室反应的方法。基于心房活动的方法根据TQ间期中P波或F波是否存在进行判断。对于噪声干扰比较小的信号，这类方法通常可以取得比较高的精度；但是对于噪声较高的信号，这类方法的精度将会有显著的下降。基于心室反应的方法主要根据心跳与心跳之间的间期(即RR间期)的可预测性进行判断。由于RR间期由心电信号中幅度最大的R波推导而来，其对于噪声的抗干扰能力是比较强的。但是，由于RR间期内所蕴含的信息十分有限，对于区分房颤和其他多种心律失常状况的能力是不足的。

发明内容

本发明的目的是为了解决现有技术中房颤检测精度低及难以将房颤与其他心律失常状况区分的问题，提供一种基于单导联心电信号时频特征的房颤检测方法，该方法整合了RR间期特征和心跳波形特征，兼具基于心房活动和基于心室反应两种方法的优点。

本发明采用基于信号能量时域变化的方法，判断信号头部是否相比信号的主体遭受了更强的噪声干扰，进而删除具有过高噪声的头部，可以明显提高后续Pan-Tompkins算法识别R波位点的精度。本发明的一个显著特点就是针对具有较高噪声的单导联心电信号，利用皮尔逊相关性系数对同一信号内部的各个心跳波形进行简单的聚类，进而采用平均法消除心跳波形的噪声干扰，进而找出信号的代表性心跳波形，然后基于Matching Pursuits算法提取代表性波形的时频特征，用于整条心电信号的分类。此外，本发明还整合了RR间期的特征(结合了心率变异性特征和心跳波形的时频特征)，因而兼具基于心房活动和基于心室反应两种方法的特点，具有较高的准确率、很好的鲁棒性。可用于具有较高噪声的单导联体表心电信号的辅助检测。

为实现上述目的，本发明采取的技术方案如下：

一种基于单导联心电信号时频特征的房颤检测方法，所述方法包括如下步骤：

步骤一：针对单导联体表心电信号，先进行预处理操作，去除心电信号中的基线漂移和部分噪声干扰；

步骤二：基于滑窗的方法计算信号能量在时域上的变化，寻找第一个能量不高于其后各窗口能量的中位值的窗口，若该窗口存在，则将其之前的各窗口所对应的部分从信号中去除，进行步骤三；若该窗口不存在，则信号被认为噪声过高，从而检测流程结束；

步骤三：采用Pan-Tompkins算法，识别心电信号中的R波位点，以R波位点为基准，截取心电信号中的各心跳波形；

步骤四：对R波位点做差分运算，得到心电信号中的RR间期序列；

步骤五：计算同一心电信号内各心跳波形两两之间的皮尔逊相关性系数，然后根据相关性的强弱对心跳波形进行分组，计算最大两个分组各自内部心跳的平均波形，以此作为该心电信号的代表性波形；

步骤六：对于训练集或其子集中各个样本的代表性波形，采用Matching Pursuits算法基于Symmlet 8小波包字典对心电信号的代表性波形进行解构，迭代次数为30次，统计小波包字典中各原子波形在各心电信号分解中的系数的1-范数平均值，并以此进行排序，然后选取排名在前30的原子波形构成参考字典；

步骤七：构建一个样本的特征向量，包括RR间期平均值、RR间期标准差、利用MP算法基于步骤六得到的参考字典对其特征波形解构所得的系数和标准化余项；

步骤八：基于以上步骤所提取的特征向量，利用KNN算法在训练集上进行训练，得到分类模型。

本发明相对于现有技术的有益效果是：本发明采用基于信号能量时域变化的方法，判断信号头部是否相比信号的主体遭受了更强的噪声干扰，进而删除具有过高噪声的头部，明显提高了后续Pan-Tompkins算法识别R波位点的精度。

本发明的一个显著特点就是针对具有较高噪声的单导联心电信号，利用皮尔逊相关性系数对同一信号内部的各个心跳波形进行简单的聚类，进而采用平均法消除心跳波形的噪声干扰，进而找出信号的代表性心跳波形，然后基于Matching Pursuits算法提取代表性波形的时频特征，用于整条心电信号的分类，此外，本发明还整合了RR间期的特征，因而兼具基于心房活动和基于心室反应两种方法的特点，具有较高的准确率、很好的鲁棒性。

附图说明

图1为本发明技术方案的流程图；

图2为各类心电信号示例图；

图3为高噪声头部删除对Pan-Tompkins算法结果影响的示意图；

图4为特征向量构成的示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

具体实施方式一：本实施方式记载的是一种基于单导联心电信号时频特征的房颤检测方法，将原始心电信号分成正常窦性心律、房颤、其他心律失常或噪声过高四类，所述方法包括如下步骤：

步骤一：针对单导联体表心电信号(信号长度在10～60秒区间内)，先进行预处理操作，去除心电信号中的基线漂移和部分噪声干扰；

步骤二：基于滑窗的方法计算信号能量在时域上的变化，寻找第一个能量不高于其后各窗口能量的中位值的窗口，若该窗口存在，则将其之前的各窗口所对应的部分从信号中去除，进行步骤三；若该窗口不存在，则信号被认为噪声过高，从而检测流程结束；

步骤三：采用Pan-Tompkins算法，识别心电信号中的R波位点，以R波位点为基准，截取心电信号中的各心跳波形；

步骤四：对R波位点做差分运算，得到心电信号中的RR间期序列；

步骤五：计算同一心电信号内各心跳波形两两之间的皮尔逊相关性系数，然后根据相关性的强弱对心跳波形进行分组，计算最大两个分组各自内部心跳的平均波形，以此作为该心电信号的代表性波形；

步骤六：对于训练集或其子集中各个样本的代表性波形，采用Matching Pursuits(MP)算法基于Symmlet 8小波包字典对心电信号的代表性波形进行解构，迭代次数为30次，统计小波包字典中各原子波形在各心电信号分解中的系数的1-范数平均值，并以此进行排序，然后选取排名在前30的原子波形构成参考字典；

步骤七：构建一个样本的特征向量，包括RR间期平均值、RR间期标准差、利用MP算法基于步骤六得到的参考字典对其特征波形解构所得的系数和标准化余项；

步骤八：基于以上步骤所提取的特征向量，利用KNN算法在训练集上进行训练，得到分类模型。

具体实施方式二：具体实施方式一所述的基于单导联心电信号时频特征的房颤检测方法，所述步骤二的具体步骤如下：

(1)将心电信号划分成一系列的窗口，每个窗口长度为1.8秒，相邻窗口间有0.9秒的重叠区域；

(2)计算每个窗口中信号的能量，其公式如下：

其中，x为窗口内的离散信号序列，x[n]表示窗口内第n个采样点的值，T为窗口时长，N表示窗口内采样点的数量；

(3)从第一个窗口开始，将其能量与该信号内各窗口能量的中位值进行比较，直到找到一个窗口使得其能量不高于其后各窗口的中位能量；设该窗口在各窗口中的序号为h，则：

h＝min{i|i∈{1，2，...，N-1}∧E_i≤median{E_i+1，...，E_N}}，

其中，N表示窗口总数，E_i表示窗口i的能量，median为求中位数运算，min为求最小值运算；

(4)若窗口h存在，则将其之前的各窗口(1,2,…,h-1)所对应的部分从信号中去除；若窗口h不存在，则信号被认为噪声过高，从而检测流程结束。

具体实施方式三：具体实施方式一所述的基于单导联心电信号时频特征的房颤检测方法，所述步骤五的具体步骤如下：

(1)定义组内相似度下限，即组内心跳波形的最小皮尔逊相关性系数，取值为0.8左右(可视信号噪声强度进行调整)；

(2)计算同一信号内各心跳波形之间的皮尔逊相关性系数，公式如下

其中，X和Y分别表示两个心跳波形所对应的采样点序列，E表示数学期望，μ_X表示X中各采样点的平均值，μ_Y表示Y中各采样点的平均值，σ_X表示X中各采样点的标准差，σ_Y表示Y中各采样点的标准差，从而获得一个相关性矩阵，矩阵的长和宽与心跳的数量一致；

(3)依次寻找第一个未被分组的心跳波形，如果没有未被分组的心跳，则执行第(5)步，如果有未被分组的心跳，则执行第(4)步；

(4)寻找该心跳与皮尔逊相关性矩阵中所在行中所有数值大于组内相似度下限的元素，将对应的心跳波形划分入一个新的分组，并将当前心跳于矩阵中所在行和列的数值清零，并返回第(3)步；

(5)选取包含心跳最多的两个分组，分别对其内部的各心跳波形求平均值波形，将获得的平均波形作为该分组的代表性波形，这两个分组的代表性波形将作为该信号的代表性波形；如果分组只有一个，则将其代表性波形复制两份，作为该信号的代表性波形。

具体实施方式四：具体实施方式一或三所述的基于单导联心电信号时频特征的房颤检测方法，所述步骤六的具体步骤如下：

(1)选取训练集的一个子集，子集应包含正常信号、房颤信号和其他异常信号至少各100条；

(2)依据步骤五的具体步骤，计算每条信号的代表性心跳波形；

(3)构建基于5层Symlet 8小波包的Matching Pursuits原子波字典；

(4)利用Matching Pursuits算法基于(3)中构建的原子波字典对上述子集中每条信号的代表性心跳波形进行解构，迭代次数为30次；

(5)统计各原子波在子集信号解构中系数的1-范数平均值，选取其系数1-范数平均值最高的30个原子波构成参考字典。

具体实施方式五：具体实施方式一所述的基于单导联心电信号时频特征的房颤检测方法，步骤七中，所述特征向量的构成：

(a)RR间期的平均值；

(b)RR间期的标准差；

(c)利用MP算法基于参考字典对其特征波形解构所得的系数和标准化余项，其中标准化余项的计算公式如下：

β＝||r||²/||x||²，

r表示余项向量，x表示被解构的心跳波形向量。

实施例1：

本发明提出的一种基于单导联心电信号时频特征的房颤检测方法，其主要流程如图1所示，其中RR间期和信号代表性波形的提取步骤如下：

(1)针对单导联心电信号(如图2所示)，先进行去除基线漂移、采用带通滤波器消除噪声等预处理操作，以减少噪声对信号波形的影响。

(2)将心电信号划分成一系列的窗口，每个窗口长度为1.8秒，相邻窗口间有0.9秒的重叠区域，并计算每个窗口的能量，其公式如下：

其中，x为窗口内的离散信号序列，T为窗口时长。

(3)从第一个窗口开始，将其能量与该信号内各窗口能量的中位值进行比较，直到找到一个窗口使得其能量不高于其后各窗口的中位能量；设该窗口在各窗口中的序号为h，则：

h＝min{i|i∈{1，2，...，N-1}∧E_i≤median{E_i+1，...，E_N}}，

其中，N表示窗口总数，E_i表示窗口i的能量，median为求中位数运算，min为求最小值运算。

(4)将(3)中找到的窗口之前的信号部分从原始信号中删除。该步骤可以提升后续Pan-Tompkins算法识别R波位点的精度，如图3所示。

(5)采用Pan-Tompkins算法，识别心电信号中的R波位点，以R波位点为基准，截取信号中的各心跳波形，心跳波形以R波位点为中心，总时间跨度为0.6秒，由于采样频率可能不同，心跳波形所包含的采样点的数量也会相应不同。

(6)对R波位点做差分运算，得到信号中的RR间期序列。

(7)计算同一信号内各心跳波形之间的皮尔逊相关性系数，获得一个相关性矩阵，矩阵的长和宽与心跳的数量一致。

(8)依次寻找第一个未被分组的心跳波形；如果存在未分组的心跳波形，则顺次执行下一步；如果没有未被分组的心跳，则跳到第(10)步。

(9)寻找该心跳于相似度矩阵中所在行中所有数值大于设定临界值(例如0.8，可视信号噪声强度进行调整)的元素，将对应的心跳波形划分入一。个新的分组，并将当前心跳于矩阵中所在行和列的数值清零，返回第(8)步。

(10)选取包含心跳最多的两个分组，分别对其内部的各心跳波形求平均值，将获得的平均波形作为该分组的代表性波形，这两个分组的代表性波形将作为该信号的代表性波形；如果分组只有一个，则将其代表性波形复制两份，作为该信号的代表性波形。

Matching Pursuits原子波参考字典的构建方法如下：

(1)选取训练集(例如，PhysioNet/Cinc Challenge 2017数据库)的一个子集，子集应包含正常信号、房颤信号和其他异常信号至少各100条，每条信号的长度在10～60秒区间内，计算每条信号的代表性心跳波形。

(2)利用基于5层Symlet 8小波包的Matching Pursuits原子波字典，然后利用Matching Pursuits算法基于构建的原子波字典对上述子集中每条信号的代表性心跳波形进行解构，迭代次数为30次。

(3)统计各原子波在子集信号解构中系数的1-范数平均值，选取其系数1-范数平均值最高的30个原子波构成参考字典。

信号特征的提取步骤如下：

(1)计算信号的RR间期平均值；

(2)计算信号的RR间期标准差；

(3)利用MP算法基于参考字典对其特征波形解构所得的系数和标准化余项，其中标准化余项的计算公式如下：

β＝||r||²/||x||²，

r表示余项向量，x表示被解构的心跳波形向量。

最后得到的信号特征向量如图4所示。

在模型训练阶段中，采用KNN分类器通常可以具有较高的精度，同时该模型具有训练时间短，易于随训练集的扩展而不断更新的特点。此外，通过叠加主成分分析(PCA)可以避免产生过拟合，提升模型的通用性。