一种心电信号分类方法及系统

1.本发明涉及信号处理技术领域，具体是涉及一种心电信号分类方法及系统。


背景技术：

2.ecg(electrocardiogram，心电图)可用来记录心脏每一心动周期所产生的电活动变化图形，已被作为诊断心血管疾病的重要辅助工具。ecg的本质是一种时间序列，即构成ecg信号的各个电压数值按照其发生时间的先后顺序进行排列形成的随机变量，目前研究人员针对ecg分类问题提出一系列方法均是直接对ecg信号进行建模分析，不能充分挖掘ecg信号的内在特征，使得ecg信号的分类准确度得不到有效保证。


技术实现要素：

3.本发明提供一种心电信号分类方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
4.本发明实施例提供一种心电信号分类方法，所述方法包括：
5.根据采集到的待测ecg信号，获取rgb颜色空间下的三个单通道时间序列；
6.将所述三个单通道时间序列对应转换为三个单通道图像，再将所述三个单通道图像进行叠加，得到待测ecg图像；
7.利用resnet50v2网络从所述待测ecg图像中提取出第一特征结果；
8.利用densenet121网络从所述待测ecg图像中提取出第二特征结果；
9.对所述第一特征结果和所述第二特征结果进行特征融合，再利用多层感知器对融合后的特征结果进行预测，得到所述待测ecg信号的分类结果。
10.进一步地，所述根据采集到的待测ecg信号，获取rgb颜色空间下的三个单通道时间序列包括：
11.将采集到的待测ecg信号指定为rgb颜色空间下的红色通道时间序列；
12.将所述待测ecg信号进行平滑降噪处理，得到初始降噪信号；
13.计算所述初始降噪信号与所述待测ecg信号之间的差值绝对值，再将生成的差值信号进行平滑降噪处理，得到rgb颜色空间下的绿色通道时间序列；
14.将所述绿色通道时间序列进行平滑降噪处理，得到rgb颜色空间下的蓝色通道时间序列。
15.进一步地，所述将三个单通道时间序列对应转换为三个单通道图像，再将所述三个单通道图像进行叠加，得到待测ecg图像包括：
16.利用平铺算法将所述红色通道时间序列转换为红色通道图像；
17.利用格拉姆角场算法将所述绿色通道时间序列转换为绿色通道图像；
18.利用递归图算法将所述蓝色通道时间序列转换为蓝色通道图像；
19.将所述红色通道图像、所述绿色通道图像和所述蓝色通道图像进行叠加重组，得到待测ecg图像。
20.进一步地，所述利用平铺算法将所述红色通道时间序列转换为红色通道图像包括：
21.按照预先设定的时间间隔对所述红色通道时间序列进行按序切分处理，得到带有切分标记的若干个子序列；
22.将所述若干个子序列对应转换为若干个列向量，按照切分标记由小到大的顺序对所述若干个列向量进行组合得到平铺矩阵，再将所述平铺矩阵转换为红色通道图像。
23.进一步地，所述利用格拉姆角场算法将所述绿色通道时间序列转换为绿色通道图像包括：
24.将所述绿色通道时间序列转换到直角坐标系内进行表示，其中所述直角坐标系以时间为横坐标和以电压为纵坐标；
25.将所述绿色通道时间序列进行归一化处理后转换到极坐标系内进行表示，其中所述极坐标系以角度为横坐标和以序列时间戳为纵坐标；
26.对落在所述极坐标系内的各个已知点之间进行角度和的三角函数变换，生成表征所述绿色通道时间序列的格拉姆角和场矩阵，再将所述格拉姆角和场矩阵转换为绿色通道图像。
27.进一步地，所述利用递归图算法将所述蓝色通道时间序列转换为蓝色通道图像包括：
28.对所述蓝色通道时间序列进行相空间重构，得到相空间轨迹；
29.对所述相空间轨迹上的各个已知点之间进行欧几里得距离计算，生成表征所述蓝色通道时间序列的递归矩阵，再将所述递归矩阵转换为蓝色通道图像。
30.进一步地，所述第一特征结果包括第一qrs波群特征矩阵和第一各心拍前后rr间期特征矩阵，所述第二特征结果包括第二qrs波群特征矩阵和第二各心拍前后rr间期特征矩阵。
31.进一步地，所述对第一特征结果和第二特征结果进行特征融合包括：
32.利用卷积算法分别将所述第一特征结果和所述第二特征结果进行预处理，得到相同维度下的第一特征结果和第二特征结果；
33.将所述相同维度下的第一特征结果和第二特征结果进行叠加组合，得到融合后的特征结果。
34.另外，本发明实施例还提供一种心电信号分类方法系统，所述系统包括：
35.至少一个处理器；
36.至少一个存储器，用于存储至少一个程序；
37.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实现上述任一项所述的心电信号分类方法。
38.本发明至少具有以下有益效果：通过将以一维时间序列形式呈现的待测ecg信号转换为二维的待测ecg图像，可以保留该待测ecg信号在时间上的依赖性和相关性，再利用两个神经网络对该待测ecg图像进行特征提取，可以充分挖掘到该待测ecg信号所包含的内在特征，进而提高多层感知器对该待测ecg信号的分类准确度。通过引入平滑降噪方法对该待测ecg信号进行预处理，可以提高该待测ecg信号的平滑性以降低噪音干扰。
附图说明
39.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
40.图1是本发明实施例中的一种心电信号分类方法的流程示意图；
41.图2是本发明实施例中的五类心电信号的具体示意图。
具体实施方式
42.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
43.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
44.请参考图1，图1是本发明实施例提供的一种心电信号分类方法的流程示意图，所述方法包括如下步骤：
45.s101、根据采集到的待测ecg信号，获取rgb颜色空间下的三个单通道时间序列。
46.在此步骤s101中，首先将采集到的待测ecg信号指定为rgb颜色空间下的红色通道时间序列；其次，将所述待测ecg信号进行平滑降噪处理，得到初始降噪信号；接着计算所述初始降噪信号与所述待测ecg信号之间的差值绝对值，再将生成的差值信号进行平滑降噪处理，得到rgb颜色空间下的绿色通道时间序列；最后将所述绿色通道时间序列进行平滑降噪处理，得到rgb颜色空间下的蓝色通道时间序列。
47.为了在不改变待处理信号趋势的情况下降低该待处理信号所受到的噪音干扰，本发明在对各个不同信号进行平滑降噪处理时提出采用savitzky-golay算法，相应的计算公式如下：
[0048][0049]
其中，为在待处理信号中被第j个窗口所选择的小部分待处理信号所对应的降噪结果，ci为第j个窗口内的第i个数值所采用的平滑系数，y
j,i
为第j个窗口内的第i个数值，n为滤波窗口的宽度且n＝2m+1。
[0050]
s102、将所述三个单通道时间序列对应转换为三个单通道图像，再将所述三个单通道图像进行叠加，得到待测ecg图像。
[0051]
在此步骤s102中，由于平铺算法、格拉姆角场算法和递归图算法均可用于将一维时间序列转换为二维图像输出，其中平铺算法可以克服ecg信号在连续时间段内存在数值离散的问题，格拉姆角场算法可以保持ecg信号中的静态特征，递归图算法可以保持ecg信号中的动态特征，本发明为了尽可能地获取到ecg信号所涵盖的特征，提出同时采用以上三种算法来配合执行最终的待测ecg图像的获取，具体实施过程包括：利用平铺算法将所述红色通道时间序列转换为红色通道图像；利用格拉姆角场算法将所述绿色通道时间序列转换
为绿色通道图像；利用递归图算法将所述蓝色通道时间序列转换为蓝色通道图像；将所述红色通道图像、所述绿色通道图像和所述蓝色通道图像进行叠加重组，得到待测ecg图像。
[0052]
在本发明实施例中，所述利用平铺算法将所述红色通道时间序列转换为红色通道图像，包括：首先按照预先设定的时间间隔对所述红色通道时间序列进行按序切分处理，得到带有切分标记的若干个子序列；其次将所述若干个子序列对应转换为若干个列向量，按照切分标记由小到大的顺序对所述若干个列向量进行组合得到平铺矩阵，再将所述平铺矩阵转换为红色通道图像。
[0053]
在本发明实施例中，所述利用格拉姆角场算法将所述绿色通道时间序列转换为绿色通道图像，包括如下步骤：
[0054]
(1)假设所述绿色通道时间序列为x＝{x1,x2,x3,...,xn}，表示所述绿色通道时间序列是由n个时刻所对应的电压幅值组成的；
[0055]
(2)将所述绿色通道时间序列转换到直角坐标系内进行表示，其中所述直角坐标系以时间为横坐标和以电压为纵坐标；
[0056]
(3)将所述绿色通道时间序列进行归一化处理后，得到当前绿色通道时间序列为
[0057]
(4)将所述当前绿色通道时间序列转换到极坐标系内进行表示，其中所述极坐标系以角度为横坐标和以序列时间戳为纵坐标，对应的转换公式为：
[0058][0059]
(5)对落在所述极坐标系内的各个已知点之间进行角度和的三角函数变换，生成表征所述绿色通道时间序列的格拉姆角和场矩阵，再将所述格拉姆角和场矩阵转换为绿色通道图像，其中的所述格拉姆角和场矩阵为：
[0060][0061]
式中，为所述当前绿色通道时间序列中第i个时刻的归一化数值所对应的角度值，ri为该第i个时刻的归一化数值所对应的序列时间戳，所述格拉姆角和场矩阵gasf为n行
×
n列的矩阵。
[0062]
在本发明实施例中，所述利用递归图算法将所述蓝色通道时间序列转换为蓝色通道图像，包括如下步骤：
[0063]
(1)假设所述蓝色通道时间序列为z＝{z1,z2,z3,...,zn}，表示所述蓝色通道时间序列是由n个时刻所对应的电压幅值组成的；
[0064]
(2)设定时间延迟间隔为1秒，对所述蓝色通道时间序列进行相空间重构，得到相空间轨迹为：
[0065][0066]
(3)对所述相空间轨迹上的各个已知点之间进行欧几里得距离计算，生成表征所述蓝色通道时间序列的递归矩阵，再将所述递归矩阵转换为蓝色通道图像，其中的所述递
归矩阵为：
[0067][0068]
式中，q为相空间轨迹，为电压幅值点zi指向电压幅值点z
i+1
的向量，指的是向量与向量之间的欧几里得距离。
[0069]
s103、利用resnet50v2网络从所述待测ecg图像中提取出第一特征结果。
[0070]
在本发明实施例中，利用现有的mit-bih心律失常数据库对预先搭建的resnet50v2网络进行训练，使得所述resnet50v2网络通过迭代训练来学习对任意一个ecg图像中所包含的所有r波进行准确识别以及针对每一个r波所在的qrs波群进行准确标记，当所述待测ecg图像输入至训练好的resnet50v2网络中进行特征提取时，可得到所述待测ecg图像所包含的第一qrs波群特征矩阵和第一各心拍前后rr间期特征矩阵。
[0071]
s104、利用densenet121网络从所述待测ecg图像中提取出第二特征结果。
[0072]
在本发明实施例中，利用现有的mit-bih心律失常数据库对预先搭建的densenet121网络进行训练，使得所述densenet121网络通过迭代训练来学习对任意一个ecg图像中所包含的所有r波进行准确识别以及针对每一个r波所在的qrs波群进行准确标记，当所述待测ecg图像输入至训练好的densenet121网络中进行特征提取时，可得到所述待测ecg图像所包含的第二qrs波群特征矩阵和第二各心拍前后rr间期特征矩阵。
[0073]
s105、对所述第一特征结果和所述第二特征结果进行特征融合，再利用多层感知器对融合后的特征结果进行预测，得到所述待测ecg信号的分类结果。
[0074]
在本发明实施例中，所述对第一特征结果和第二特征结果进行特征融合，包括：首先技术人员根据所述resnet50v2网络最终输出特征的维度信息以及所述densenet121网络最终输出特征的维度信息，同时结合多层感知器所输入特征的维度信息，设定用于调整所述第一特征结果的第一卷积核以及用于调整所述第二特征结果的第二卷积核；其次利用卷积算法分别将所述第一特征结果和所述第二特征结果进行预处理，得到相同维度下的第一特征结果和第二特征结果，即对所述第一特征结果与所述第一卷积核进行卷积运算以及对所述第二特征结果与所述第二卷积核进行卷积运算；最后将所述相同维度下的第一特征结果和第二特征结果进行叠加组合，得到融合后的特征结果。
[0075]
在本发明实施例中，利用现有存储的五类心电信号数据集对预先搭建的多层感知器进行训练，使得所述多层感知器通过迭代训练来学习对任意一类心电信号中所包含的r波幅值范围以及r波所在的qrs波群位置范围进行准确获取，其中的五类心电信号包括正常心电信号、室上性心电信号、室性心电信号、融合心电信号和未知心电信号，如图2所示，当融合后的特征结果输入至训练好的多层感知器中进行预测分类时，可得到所述融合后的特征结果所对应的分类结果，且该分类结果应当属于上述五类心电信号中最为匹配的一类心电信号。
[0076]
在本发明实施例中，通过将以一维时间序列形式呈现的待测ecg信号转换为二维的待测ecg图像，可以保留该待测ecg信号在时间上的依赖性和相关性，再利用两个神经网络对该待测ecg图像进行特征提取，可以充分挖掘到该待测ecg信号所包含的内在特征，进
而提高多层感知器对该待测ecg信号的分类准确度。通过引入平滑降噪方法对该待测ecg信号进行预处理，可以提高该待测ecg信号的平滑性以降低噪音干扰。
[0077]
另外，本发明实施例还提供一种心电信号分类系统，所述系统包括：
[0078]
至少一个处理器；
[0079]
至少一个存储器，用于存储至少一个程序；
[0080]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的心电信号分类方法。
[0081]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所实现的功能与上述方法实施例相同，并且所达到的有益效果与上述方法实施例相同。
[0082]
所述处理器可以是中央处理单元(central-processing-unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital-signal-processor，dsp)、专用集成电路(application-specific-integrated-circuit，asic)、现场可编程门阵列(field-programmable-gate-array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述心电信号分类系统的控制中心，利用各种接口和线路连接整个心电信号分类系统可运行装置的各个部分。
[0083]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述心电信号分类系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中：存储程序区用于存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区用于存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart-media-card，smc)，安全数字(secure-digital，sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件或者其他易失性固态存储器件。
[0084]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。