一种心电信号的质量评估方法

本发明涉及心电信号处理技术领域，具体涉及一种心电信号的质量评估方法。

背景技术：

心电(ecg)信号作为心脏活动的全面反映，具有非常重要的意义。传统心电图需要医生根据患者心电信号波形的表征信息进行分析，但是由于受到各种噪声、干扰的影响，会产生大量质量较差的心电记录，这些会极大地增加医生的工作量甚至造成错误分析，因此，需要对心电信号的质量进行自动评估。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种结合深度残差收缩网络和卷积神经网络，极大的提升12导联心电信号质量评估的准确率的方法。

本发明克服其技术问题所采用的技术方案是：

一种心电信号的质量评估方法，包括如下步骤：

a)通过心电采集装置获得12导联心电信号e(t)；

b)将获得的心电信号e(t)分段，将分段后的心电信号片段标记为可接受类及不可接受类；

c)计算机使用biosppy工具包中的hamiltonsegmenter进行r峰检测获得包含多个元素的统计特征矩阵staf；

d)通过s变换将步骤b)中分段标记好的心电信号e(t)的片段转化为时频域的二维图像，将该二维图像表示为矩阵s(τ,f)；

e)将矩阵s(τ,f)输入到残差收缩网络，获得收缩特征，将收缩特征输入到卷积神经网络中，获得深度特征矩阵depf；

f)将统计特征矩阵staf与深度特征矩阵depf通过flatten层变为一维向量拼接在一起，将拼接后的矩阵通过dense层和softmax函数获得质量评估结果。

进一步的，步骤b)中心电信号e(t)切分为10s的等长片段，根据2011physionet/computingincardiology挑战赛的注解标准将分段后的心电信号标记为可接受类及不可接受类。

进一步的，步骤c)中统计特征矩阵staf中的特征包括：

c-1)将最大r峰间期作为ecg记录的质量指标1；

c-2)将最小r峰间期作为ecg记录的质量指标2；

c-3)将平均r峰间期作为ecg记录的质量指标3；

c-4)将r峰间期标准差作为ecg记录的质量指标4；

c-5)将相邻r峰间期差距大于50ms的比率pnn50作为ecg记录的质量指标5；

c-6)将r峰密度作为ecg记录的质量指标6；

c-7)将相邻r峰间期差值的均方根rmssd作为ecg记录的质量指标7；

c-8)将rr间期采样熵作为ecg记录的质量指标8。

进一步的，步骤d)中通过公式计算得到时频谱矩阵s(τ,f)，式中x(t)为待分析的心电信号，τ为时移因子，p为有理数，i为虚数单位，t为时间，e为无理数，f为频率。

进一步的，步骤e)中使用softmax函数通过公式计算得到对样本进行预测为正类或者负类的概率s(xi)，式中为第i个样本预测为正和负的权重，i＝1,2，为样本预测为正的权重，为样本预测为负的权重，通过公式

计算得到残差收缩网络和卷积神经网络使用的双比例损失函数l2，式中m为正类样本数，n为负类样本数。

进一步的，步骤e)中通过公式得到残差网络的残差块的残差路径x加入软阈值化单元后的输出特征y，式中τ为阈值，通过公式得到软阈值化的输出对于输入的导数为x的偏导数，为y的偏导数。

本发明的有益效果是：将通过s变换获得的时频图，通过深度残差收缩网络和卷积神经网络的集成神经网络获得深度特征，与提取的统计特征结合，使用提出的双比例损失函数，提取出深度特征，并与统计特征相结合对心电信号的质量进行评估，来解决实际应用中心电信号质量较差的问题，能够极大的提升12导联心电信号质量评估的准确率。残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种心电信号的质量评估方法，包括如下步骤：

a)通过心电采集装置获得12导联心电信号e(t)。

b)将获得的心电信号e(t)分段，将分段后的心电信号片段标记为可接受类及不可接受类。

c)计算机使用biosppy工具包中的hamiltonsegmenter进行r峰检测获得包含多个元素的统计特征矩阵staf。

d)通过s变换将步骤b)中分段标记好的心电信号e(t)的片段转化为时频域的二维图像，将该二维图像表示为矩阵s(τ,f)。

e)将矩阵s(τ,f)输入到残差收缩网络，获得收缩特征，将收缩特征输入到卷积神经网络中，获得深度特征矩阵depf。

f)将统计特征矩阵staf与深度特征矩阵depf通过flatten层变为一维向量拼接在一起，将拼接后的矩阵通过dense层和softmax函数获得质量评估结果。将通过s变换获得的时频图，通过深度残差收缩网络和卷积神经网络的集成神经网络获得深度特征，与提取的统计特征结合，使用提出的双比例损失函数，提取出深度特征，并与统计特征相结合对心电信号的质量进行评估，来解决实际应用中心电信号质量较差的问题，能够极大的提升12导联心电信号质量评估的准确率。残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。

实施例1：

步骤b)中心电信号e(t)切分为10s的等长片段，根据2011physionet/computingincardiology挑战赛的注解标准将分段后的心电信号标记为可接受类及不可接受类。

实施例2：

步骤c)中统计特征矩阵staf中的特征包括：

c-1)将最大r峰间期作为ecg记录的质量指标1。

c-2)将最小r峰间期作为ecg记录的质量指标2。

c-3)将平均r峰间期作为ecg记录的质量指标3。

c-4)将r峰间期标准差作为ecg记录的质量指标4。

c-5)将相邻r峰间期差距大于50ms的比率pnn50作为ecg记录的质量指标5。

c-6)将r峰密度(即r峰个数/记录长度)作为ecg记录的质量指标6。

c-7)将相邻r峰间期差值的均方根rmssd作为ecg记录的质量指标7。

c-8)将将衡量r峰间期变化混乱度的rr间期采样熵作为ecg记录的质量指标8。

因为共有12个导联，每个导联提取8个特征，故可以得到12×8的特征矩阵staf。

实施例3：

步骤d)中的s变换是小波变换和短时傅里叶变换的继承和发展，既能保持较高的高频时间分辨率，又能保持较高的低频频率分辨率。s变换的公式为：通过该计算得到时频谱矩阵s(τ,f)，式中x(t)为待分析的心电信号，τ为时移因子，p为有理数，i为虚数单位，t为时间，e为无理数，f为频率。

实施例4：

步骤e)中残差收缩网络和卷积神经网络使用的损失函数为本发明提出的双比例损失函数，其中双比例是指的样本数量比重和类别概率比。具体为：使用softmax函数通过公式计算得到对样本进行预测为正类或者负类的概率s(xi)，式中为第i个样本预测为正和负的权重，i＝1,2，为样本预测为正的权重，为样本预测为负的权重，通过公式计算得到残差收缩网络和卷积神经网络使用的双比例损失函数l2，式中m为正类样本数，n为负类样本数。该双比例函数l2适用于样本类别差距较大的场景，样本类别数量比重元素能够弥补因样本差距过大造成权重失衡的问题，同时类别概率比元素能够加大样本之间的界限，使样本分类更加准确。

实施例5：

步骤e)中的残差收缩网络是在残差网络的基础上进行改进的一种网络结构。是将残差块的残差路径部分加入软阈值化单元，将绝对值小于某个阈值的特征删除掉，将绝对值比这个阈值大的特征向着零的方向进行收缩。公式如下：通过该公式得到残差网络的残差块的残差路径x加入软阈值化单元后的输出特征y，式中τ为阈值，通过公式得到软阈值化的输出对于输入的导数为x的偏导数，为y的偏导数。通过上式我们可以知道，软阈值化的导数要么是1，要么是0，与激活函数relu的性质是相同的，能够在一定程度上防止梯度弥散和梯度爆炸。

残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。