一种心电信号处理方法及装置制造方法
【专利摘要】本发明实施例公开了一种心电信号处理方法及装置,所述方法包括:对包含参考特征类别心电信号的样本数据除噪处理得到滤波心电信号,所述样本数据包括训练用样本数据和测试用样本数据,基于多心电周期融合方法对所述滤波心电信号进行特征提取得到特征心电信号,对所述特征心电信号进行数据归一化处理得到标准心电信号,根据训练用样本数据对应的标准心电信号训练BP神经网络,得到训练后BP神经网络,将测试用样本数据对应的标准心电信号注入所述训练后BP神经网络,获取所述测试用样本数据对应的标准信号的分类结果,本发明实施例可以提高特征心电信号提取和分类的全面性、准确性。
【专利说明】-种心电信号处理方法及装置
【技术领域】
[0001] 本发明涉及信号处理【技术领域】,尤其涉及一种也电信号处理方法及装置。
【背景技术】
[0002] 也电信号是也脏电活动在体表的综合表现。也电信号处理的目的是根据也电信号 的特征推断也血管系统的状态,并据之做出辅助的医学决策。
[0003] 也电信号处理方法包括两个部分,也电信号的特征提取和分类器设计。也电信号 的特征提取主要有小波变换法和特征参数估计法,但W上方法仅针对一个也电周期内重要 特征波段进行特征提取,在分类器设计方面使主要有支持向量机、线性判决和自组织映射, W上也电信号处理方法中,特征也电信号提取和分类的全面性和准确性均有待提高。
【发明内容】
[0004] 本发明实施例提供一种也电信号处理方法及装置,可W提高特征也电信号提取和 分类的全面性、准确性。
[0005] 本发明实施例提供了一种也电信号处理方法,其可包括:
[0006] 对包含参考特征类别也电信号的样本数据除噪处理得到滤波也电信号,所述样本 数据包括训练用样本数据和测试用样本数据;
[0007] 基于多也电周期融合方法对所述滤波也电信号进行特征提取得到特征也电信 口 可;
[0008] 对所述特征也电信号进行数据归一化处理得到标准也电信号;
[0009] 根据训练用样本数据对应的标准也电信号训练BP神经网络,得到训练后BP神经 网络;
[0010] 将测试用样本数据对应的标准也电信号注入所述训练后BP神经网络,获取所述 测试用样本数据对应的标准信号的分类结果。
[0011] 本发明实施例提供了一种也电信号处理装置,其可包括:
[0012] 信号去噪单元,用于对包含参考特征类别也电信号的样本数据除噪处理得到滤波 也电信号,所述样本数据包括训练用样本数据和测试用样本数据;
[0013] 特征提取单元,基于多也电周期融合方法对所述滤波也电信号进行特征提取得到 特征也电信号;
[0014] 归一化处理单元,用于对所述特征也电信号进行数据归一化处理得到标准也电信 口 可;
[0015] 训练单元,用于根据训练用样本数据对应的标准也电信号训练BP神经网络,得到 训练后BP神经网络;
[0016] 分类单元,用于将测试用样本数据对应的标准也电信号注入所述训练后BP神经 网络,获取所述测试用样本数据对应的标准信号的分类结果。
[0017] 由上可见,本发明实施例对也电信号样本数据去噪处理、多周期融合特征提取、归 一化处理后得到标准也电信号,使用训练用样本数据对应的标准也电信号训练BP神经网 络,并用训练后BP神经网络对测试用样本数据对应的标准也电信号进行分类,此方法可W 提高特征也电信号提取和分类的全面性、准确性。
【专利附图】
【附图说明】
[0018] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本 发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可W 根据该些附图获得其他的附图。
[0019] 图1为本发明提供的一种也电信号处理方法的第一实施例的流程示意图;
[0020] 图2为本发明提供的一种也电信号处理方法的第二实施例的流程示意图;
[0021] 图3为本发明提供的一种也电信号处理方法的第H实施例的流程示意图;
[0022] 图4为本发明提供的一种也电信号处理方法的第四实施例的流程示意图;
[0023] 图5为本发明提供的一种也电信号处理装置的实施例的结构示意图。
【具体实施方式】
[0024] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本发明保护的范围。
[00巧]参见图1至图4,是本发明实施例提供的也电信号处理方法的第一至第H实施例 流程示意图。本实施例中所描述的也电信号处理方法,包括步骤:
[0026] 步骤S101,对包含参考特征类别也电信号的样本数据除噪处理得到滤波也电信 号,所述样本数据包括训练用样本数据和测试用样本数据;
[0027] 具体实施例中,如图2所示,本发明实施例步骤S101对所述训练用也电信号样本 数据除噪处理具体可W通过W下步骤实现:
[0028] S1011,提取所述样本数据中的高频干扰信号;
[0029] S1012,采用形态学函数中的开运算和闭运算函数提取所述样本数据中的基线漂 移信号;
[0030] S1013,通过自适应滤波器滤除所述样本数据中的高频干扰信号和所述基线漂移 信号,得到滤波也电信号。
[0031] 具体实现中,所述自适应滤波器可W为0. 5-45化的己特沃夫带通滤波器,所述己 特沃夫带通滤波器可采用小波变换算法去除基线漂移。
[0032] 步骤S102,基于多也电周期融合方法对所述滤波也电信号进行特征提取得到特征 也电信号;
[0033] 在一些可行的实施例中,如图3所示,本发明实施例步骤S102基于多也电周期 融合方法对所述滤波也电信号进行特征提取得到特征也电信号具体可W通过W下步骤实 现:
[0034] S1021,将所述滤波也电信号注入自回归滑动平均模型ARMA模型,所述自回归滑 动平均模型ARM模型生成W ARM系数为特征的也电信号特征向量集;
[00巧]具体实现中,所述ARM模型的单通道通用形式是 + 化 1>'(义'一1) + ?.. + -1) + ?. - + 6/".v(A:-尸) (1 )
[0036] =却/() + 句却/( -1) H-----1- h.e{k - /) H-----h h^eik - q)
[0037] 式中,所述y(k)为所述也电信号特征向量集啡和bi(i = 1、2、…口 ;j = 1、2、… q)分别为AR系数和M系数;P和q分别为AR阶次和M阶次;e似为ARM预测误差。
[0038] S1022,获取所述也电信号特征向量集,对所述也电特征向量集进行白化处理,得 到特征也电信号;
[0039] 步骤S103,对所述特征也电信号进行数据归一化处理得到标准也电信号;
[0040] 在一些可行的实施例中,如图4所示,本发明实施例步骤S103对所述特征也电信 号进行数据归一化处理具体可W通过W下步骤实现:
[0041] S1031,确定所述特征也电信号中的一个导联也电信号;
[0042] S1032,检测所述导联也电信号所在的也电信号序列的R波波峰点,W所述R波的 波峰点为分界线,将所述特征也电信号分解成多周期也电信号组;
[0043] S1033,对所述多周期也电信号组同时在横轴时间轴和纵轴电压轴上进行最大最 小归一化处理得到标准也电信号。
[0044] 步骤S104,根据训练用样本数据对应的标准也电信号训练BP神经网络,得到训练 后BP神经网络。
[0045] 在一些可行的实施例中,本发明实施例步骤S104所描述的根据训练用样本数据 对应的标准也电信号训练BP神经网络,得到训练后BP神经网络可W通过W下步骤实现:
[0046] S1041,网络初始化,根据系统输入输出也电信号序列化Y)确定网络输入层节点 数n、隐含层节点数1,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接 权值《^和《 A,初始化隐含层阔值a,输出层阔值b,给定学习速率和神经元激励函数。
[0047] S1042,隐含层输出计算。根据输入向量X,输入层和隐含层间连接权值W及 隐含层阔值a,计算隐含层输出H。
[0048]
【权利要求】
1. 一种心电信号处理方法,其特征在于,包括以下步骤: 对包含参考特征类别心电信号的样本数据除噪处理得到滤波心电信号,所述样本数据 包括训练用样本数据和测试用样本数据; 基于多心电周期融合方法对所述滤波心电信号进行特征提取得到特征心电信号; 对所述特征心电信号进行数据归一化处理得到标准心电信号; 根据训练用样本数据对应的标准心电信号训练BP神经网络,得到训练后BP神经网 络; 将测试用样本数据对应的标准心电信号注入所述训练后BP神经网络,获取所述测试 用样本数据对应的标准信号的分类结果。
2. 根据权利要求1所述的方法,其特征在于, 所述参考特征类别包括健康特征类别和心肌梗塞特征类别和室性心律失常特征类别 以及对应室性心律失常类别。
3. 根据权利要求1或2所述的方法,其特征在于,所述对包含参考特征类别心电信号的 样本数据除噪处理得到滤波心电信号号包括: 提取所述样本数据中的高频干扰信号; 采用形态学函数中的开运算和闭运算函数提取所述样本数据中的基线漂移信号; 通过自适应滤波器滤除所述样本数据中的高频干扰信号和所述基线漂移信号,得到滤 波心电信号。
4. 根据权利要求1所述的方法,其特征在于,所述基于多心电周期融合方法对所述滤 波心电信号进行特征提取得到特征心电信号包括: 将所述滤波心电信号注入自回归滑动平均模型ARMA模型,所述自回归滑动平均模型 ARMA模型生成以ARMA系数为特征的心电信号特征向量集; 获取所述心电信号特征向量集,对所述心电信号特征向量集进行白化处理,得到特征 心电信号。
5. 根据权利要求1所述的方法,其特征在于,所述对所述特征心电信号进行数据归一 化处理得到标准心电信号包括: 确定所述特征心电信号中的一个导联心电信号; 检测所述导联心电信号所在的心电信号序列的R波波峰点,以所述R波的波峰点为分 界线,将所述特征心电信号分解成多周期心电信号组; 对所述多周期心电信号组同时在横轴时间轴和纵轴电压轴上进行最大最小归一化处 理得到标准心电信号。
6. -种心电信号处理装置,其特征在于,所述装置包括: 信号去噪单元,用于对包含参考特征类别心电信号的样本数据除噪处理得到滤波心电 信号,所述样本数据包括训练用样本数据和测试用样本数据; 特征提取单元,基于多心电周期融合方法对所述滤波心电信号进行特征提取得到特征 心电信号; 归一化处理单元,用于对所述特征心电信号进行数据归一化处理得到标准心电信号; 训练单元,用于根据训练用样本数据对应的标准心电信号训练BP神经网络,得到训练 后BP神经网络; 分类单元,用于将测试用样本数据对应的标准心电信号注入所述训练后BP神经网络, 获取所述测试用样本数据对应的标准信号的分类结果。
7. 根据权利要求6所述的装置,其特征在于,所述信号去噪单元中, 所述训练用样本数据中的所述参考特征类别包括健康特征类别和心肌梗塞特征类别 和室性心律失常特征类别以及对应室性心律失常类别。
8. 根据权利要求6或7所述的装置,其特征在于,所述信号去噪单元,具体用于, 提取所述样本数据中的高频干扰信号; 采用形态学函数中的开运算和闭运算函数提取所述样本数据中的基线漂移信号; 通过自适应滤波器滤除所述样本数据中的高频干扰信号和所述基线漂移信号,得到滤 波心电信号。
9. 根据权利要求6所述的装置,其特征在于,所述特征提取单元,具体用于, 将所述滤波心电信号注入自回归滑动平均模型ARMA模型,所述自回归滑动平均模型 ARMA模型生成以ARMA系数为特征的心电信号特征向量集; 获取所述心电信号特征向量集,对所述心电信号特征向量集进行白化处理,得到特征 心电信号。
10. 根据权利要求6所述的装置,其特征在于,所述归一化处理单元,具体用于, 确定所述特征心电信号中的一个导联心电信号; 检测所述导联心电信号所在的心电信号序列的R波波峰点,以所述R波的波峰点为分 界线,将所述特征心电信号分解成多周期心电信号组; 对所述多周期心电信号组同时在横轴时间轴和纵轴电压轴上进行最大最小归一化处 理得到标准心电信号。
【文档编号】A61B5/0402GK104398252SQ201410617357
【公开日】2015年3月11日 申请日期:2014年11月5日 优先权日:2014年11月5日
【发明者】周丰丰, 赵苗苗, 刘记奎 申请人:深圳先进技术研究院