[发明专利]一种用于判断心律失常的信号处理方法及系统

说明书

本发明提供一种用于判断心律失常的信号处理方法及系统。所述用于判断心律失常的信号处理方法包括如下步骤：获取生命体征信号；将生命体征信号进行结构化处理去除体动噪声；构建基于BCG样本信号的J峰的特征集合的信号检测模型；将去除体动噪声后的生命体征信号输入到信号检测模型中进行信号处理获得心律失常发生的概率数据。本发明所述的用于判断心律失常的信号处理方法，采集的是生命体征信号，对生命体征信号进行结构化处理去除信号噪声，并输入到信号检测模型中以获得心律失常发生的概率数据，从而便于更准确的判断测试者心律是否失常。

技术领域

本发明涉及心率信号研究领域，特别是涉及一种用于判断心律失常的信号处理方法及系统。

背景技术

心律失常是由于窦房结激动异常或激动产生于窦房结以外，激动的传导缓慢、阻滞或经异常通道传导，即心脏活动的起源和/或传导障碍导致心脏搏动的频率和/或节律异常，是心血管疾病中重要的一组疾病。对人体的心跳信息进行评估是检测心律失常的前提和基础。传统的医用检测心律失常方法主要是以医院为应用场景的基于心电图(ECG)的检测方法，且该方法多局限于单一纬度的经验统计，未结合多维特征来对信号检测模型进行有效训练，因此可能存在心律失常发生的概率数据判决不够准确的问题，从而会影响心律失常判断的准确性。

发明内容

为克服相关技术中存在的问题，本发明实施例提供了一种用于判断心律失常的信号处理方法包括如下步骤：

获取生命体征信号；

将生命体征信号进行结构化处理去除体动噪声；

构建基于BCG样本信号的J峰的多维特征集合的信号检测模型，包括以下步骤：

对BCG样本信号进行心博初筛获得初筛BCG样本信号，并对初筛BCG样本信号的进行J峰定位；

构建基于特征提取的Wide模型：根据初筛BCG样本信号的J峰定位，提取出心博间期；采用特征工程方法提取心博间期的多维特征以获得多维度特征集合，构建基于多纬度特征集合的Wide模型；

构建基于深度学习的Deep模型：根据VGG网络构建Base Convolution结构；根据残差网络构建Skip-Connection结构；将Base Convolution结构以及Skip-Connection结构相连接构建出基于深度学习的Deep模型；

通过全连接层同时连接Wide模型的输出和Deep模型的输出，构建出信号检测模型；

将去除体动噪声后的生命体征信号输入到信号检测模型中进行信号处理获得心律失常发生的概率数据。

本发明实施例所述的用于判断心律失常的信号处理方法，通过对采集的生命体征信号进行结构化处理去除信号噪声，将去除噪声后的生命体征信号输入到信号检测模型中进行分析以获得心律失常发生的概率数据，从而便于更准确的判断测试者心律是否失常。

在一个可选的实施例中，将生命体征信号进行结构化处理去除体动噪声的步骤包括：

将生命体征信号进行结构化处理去除体动噪声的步骤包括：

将采集到的生命体征信号按照固定时长进行分窗；

判断每个时间窗内是否存在体动噪声，如检测到某个时间窗内的生命体征信号存在体动噪声，则剔除对应时间窗内的生命体征信号，并通过箱型图插值方法填补对应时间窗内的信号。

在一个可选的实施例中，判断每个时间窗内是否存在体动噪声的方法为：对当前时间窗内的生命体征信号进行等间隔切分，对切分后的信号进行分布统计，若分布符合正态分布则判为无体动噪声，若分布符合拉普拉斯分布则判为体动噪声。

在一个可选的实施例中，所述心博初筛的方法为：根据形态学特征筛选条件筛选出每个时间窗内的所有BCG样本信号，获得时间域BCG样本信号的形态函数。