一种具有心电信号质量判别功能的心电监测系统的制作方法
【技术领域】
[0001] 本发明属于医疗设备技术领域，具体涉及一种具有心电信号质量判别功能的心电 监测系统。
【背景技术】
[0002] 心电信号常常会受到严重的噪音和假象干扰，而滤波算法很多时候并不能很好得 去除这些干扰，特别是因为干扰信号和心电信号往往具有相似的频率成分及相近的形态。 因此干扰会降低心电信号质量，并影响基于心电的自动疾病诊断从而引起较多的假报警 (假阳性)情况。比如心电信号太差会引起I⑶中大量的假报警，I⑶中的假报警甚至可能高 达 86 %。
[0003] 随着人类预期寿命的逐渐提高，现代社会健康老龄化将成为全球重点。世界卫生 组织估计到2050年全世界60岁以上人口将达到20亿，并且80 %的老年人将生活在低收入和 中等收入国家。心血管疾病等慢性病将成为一个很大的负担并严重影响老年人的生活质 量。移动医疗和可穿戴式医疗设备将越来越广泛地用于慢性病的预防和管理。未来移动医 疗将提供高质、低价、方便的健康管理方案。比如Holter因其可以在不影响日常生活的情况 下方便地使用，而被广泛用于长程的心电监护。Holter的动态监测功能使得其可以在临床 使用中达到24小时甚至长达数天的连续监测。现代通讯手段使得心电信号可以很方便得存 储并近乎实时得传输到医护人员的电脑上或其他移动终端上。但是，动态下的Holter信号 会受到比较严重的噪音的假象干扰，被噪音污染的Holter信号对自动甚至人工疾病诊断造 成很大困难。
[0004] 通过实时对心电信号质量进行评估，用户可以即时知道所获取的心电信号的质量 如何。如果，信号质量太差，用户将得到提醒，并重新测量信号，或检查电极的联结，或检查 其他可能造成的噪音影响。
[0005] 从近期一些文献或者专利技术中可以查阅到有关心电信号质量评估技术的研究， 但是这些研究都是基于特征点提取的，也即首先通过一种算法提取心电信号的特征点，比 如多数情况下是R波点或者是QRS波群，然后通过对特征点提取结果的分析、QRS波形的分析 等获取对信号质量的描述;但特征提取结果的重要影响因素之一便是信号质量水平，信号 质量问题会对特征提取造成误差，通过特征提取结果对信号质量水平进行判断也带来误 差，这些误差都是向后积累的，最终造成分析结果的不精确，甚至是错误。
[0006] 另外，信号质量水平不是简单的好与不好的区别，具有明显的模糊性质，这符合人 类本身对于信号质量的认知方式。对于一例特定的信号，其可能含有多种影响质量的因素， 怎样将它归类到与其更为相似的一种类别中，以往的处理方式很难做到这一点。
【发明内容】
[0007] 针对现有技术所存在的上述技术问题，本发明提供了一种具有心电信号质量判别 功能的心电监测系统，能够有效的判断心电信号质量是否满足可接受要求，大大降低了由 于信号质量较低带来的诊断结果错误。
[0008] 一种具有心电信号质量判别功能的心电监测系统，包括心电监测器和智能终端， 所述的心电监测器与智能终端通过无线通讯连接；
[0009] 所述的心电监测器包括监测器主体和若干个心电采集电极，所述的监测器主体内 设有主控模块、信号调理模块和蓝牙通讯模块;心电采集电极与信号调理模块连接，信号调 理模块与主控模块连接，主控模块与蓝牙通讯模块连接;所述的心电采集电极用于拾取人 体表的微弱心电信号，送入信号调理模块经过放大滤波处理后，由主控模块进行采样和数 字信号处理，然后通过蓝牙通讯模块将心电信号传输给智能终端；
[0010]所述的智能终端包括蓝牙通讯模块和处理器，所述的处理器包括：
[0011]信号采集模块，用于通过智能终端内的蓝牙通讯模块收集心电监测器提供的心电 数据;所述的心电数据为心电监测器预先采集得到基于独立导联通道的m组心电信号段或 用户日常检测时心电监测器采集得到单通道的心电信号段;所述m组心电信号段的质量通 过人工被标记为〇或1，1表示满足接受要求，〇表示不满足接受要求，m为大于1的自然数；
[0012] 特征提取模块，用于对所述的心电数据进行特征提取即对于任一心电信号段通过 计算得到该心电信号段的QRS能量比值、信号峰度和基线能量比值，并将这三个特征指标组 成该心电信号段的特征序列；
[0013] 神经网络训练模块，用于根据与上述m组心电信号段对应提取得到的m组特征序列 通过人工神经网络学习算法进行训练，得到关于心电信号质量的判别模型；
[0014] 判别模块，用于将用户日常检测得到的单通道心电信号段所对应的特征序列代入 上述判别模型中得到对应关于心电信号质量的输出结果，进而根据该输出结果判断出该单 通道心电信号段的质量是否满足接受要求。
[0015]所述的特征提取模块通过以下算式计算心电信号段的QRS能量比值：
[0017] 其中：P(f)为心电信号段的功率谱密度函数，S为心电信号段的QRS能量比值，f为 频率。
[0018] 所述的特征提取模块通过以下算式计算心电信号段的信号峰度：
[0020] 其中：x(i)为心电信号段中的第i个采样值，N为心电信号段中的采样点个数，μ为 心电信号段的平均采样值，Κ为心电信号段的信号峰度。
[0021] 所述的特征提取模块通过以下算式计算心电信号段的基线能量比值：
[0023] 其中：P(f)为心电信号段的功率谱密度函数，B为心电信号段的基线能量比值，f为 频率。
[0024] 所述的神经网络训练模块所采用的人工神经网络学习算法以梯度下降法作为优 化方向。
[0025]所述的神经网络训练模块通过人工神经网络学习算法进行训练的具体过程如下：
[0026] (1)将m组特征序列分为训练集和测试集且训练集大于测试集；
[0027] (2)初始化构建一个由输入层、隐藏层和输出层组成的神经网络；
[0028] (3)从训练集中任取一特征序列代入上述神经网络计算得到对应关于心电信号质 量的输出结果，计算该输出结果与该特征序列所对应的人工标记质量之间的累积误差；
[0029] (4)根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏 层与输出层之间的权重进行修正，进而从训练集中任取下一特征序列代入修正后的神经网 络；
[0030] (5)根据步骤(3)和(4)遍历训练集中的所有特征序列，取累积误差最小时所对应 的神经网络为判别模型。
[0031 ]所述的神经网络训练模块初始化构建的神经网络中输入层由3个神经元组成，隐 藏层由4个神经元组成，输出层由1个神经元组成。
[0032 ]所述的神经网络训练模块初始化构建的神经网络中神经元函数g (z)的表达式如 下：
[0034]其中：z为函数的自变量。
[0035] 所述的神经网络训练模块对于训练得到的判别模型，将测试集中的特征序列逐个 代入该判别模型得到对应关于心电信号质量的输出结果，使每一特征序列所对应的输出结 果与人工标记质量进行比较，若测试集的正确率大于等于阈值的话，则该判别模型最终确 定;若测试集的正确率小于阈值的话，则利用心电监测器采集更多的心电信号段样本，经过 特征提取模块得到更多数量的特征序列作为神经网络的输入进行训练。
[0036] 所述的智能终端可以为智能手机、