[发明专利]一种从10秒心电图中识别房颤和房性早搏的方法

摘要

本发明公开了一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，涉及医疗检查技术领域。该从10秒心电图中识别房颤和房性早搏的方法，通过定义一组基于心率变化和P波的特征参数，所得特征组合能更好区别房颤与其他心律，同时这些特征参数对噪音干扰更不敏感，本发明定义了一组基于P波的特征参数，进一步提高了准确率，同时利用了心电图信号的质量信息，使PAC的识别更为准确。

主权项

1.一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：具体包括以下步骤：S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；S2、采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，再采用基于逻辑回归算法的机器学习技术识别PVC，可选取一组对PVC心跳具有独一性的特征组合，并且所设计的特征参数对噪音干扰较不敏感，使算法性能较同类技术得到较大提升；S3、从第二个QRS开始，逐个查看各QRS，首先查看该QRS和前一个QRS的信号质量是否高于选定阈值，如果两个QRS中有一个低于阈值，丢弃该QRS，接着查看下一个QRS，QRS的信号质量基于S1中获得的各QRS概率值，再查看该QRS和前一个QRS是否为PVC，如果两个QRS中有一个是PVC，丢弃该QRS，接着查看下一个QRS，在前两个条件均满足时，计算该QRS和前一个QRS的间期，由此算得瞬时心率；S4、计算前一步骤获得的众心率的标准差，作为第1个特征参数，并计算前一步骤获得的众心率的RMSSD作为第2个特征参数，然后利用K平均聚类算法将S3中获得的心率聚合成两类，分别计算两个聚类中心率的标准差，再以两个聚类中心率的数目为权值，计算所有心率的加权标准差，该加权心率标准差作为第3个特征参数，另外，选取两个聚类中心率标准差较小的一个聚类，以其心率标准差为第4个特征参数；S5、根据S1中获得的各QRS概率值判断各QRS信号质量是否高于阈值，如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用，同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第5个特征参数，利用前面中获得的PR间期，计算所有PR间期的标准差作为第6个特征参数，另计算PR间期的相对标准差作为第7个特征参数；S6、利用K平均聚类算法将S5中获得的PR间期聚合成两类，分别计算两个聚类中PR间期的标准差，选取两个聚类中PR间期标准差较小的一个聚类，以其PR间期标准差为第8个特征参数，另外选取两个聚类中PR间期标准差较小的一个聚类，计算PR间期相对标准差作为第9个特征参数，然后计算心电图中PVC占全部QRS的比值，作为第10个特征参数。计算心电图中各QRS的平均宽度，作为第11个特征参数；S7、选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒，然后对各个10秒心电图片段按前述步骤进行处理，获得一个判别房颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，对各心电图片段，与专家标记进行比对，判断其是否为房颤；S8、将S7获得的特征参数矩阵和是否为房颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛，训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K‑1份做训练，剩下1份做验证，如此重复N次，全部训练完成后对所得N个模型做平均，得到最终模型，最后，以F1分数为指标选取概率阈值，在阈值以下，认为非房颤，阈值以上，认为是房颤；S9、对任一新的待分析的10秒心电片段，采用S1至S6的方法进行处理，获得该心电图的房颤特征参数组合，采用前步中训练获得的模型进行分类，获得其房颤的概率，再利用前一步骤中确定的概率阈值最终决定该心电图是否为房颤。