心电信号越界怎么回事_一种心电信号处理方法

一种心电信号处理方法

【技术领域】

[0001] 本发明涉及心电信号技术领域，尤其涉及一种心电信号处理方法。

【背景技术】

[0002] 心电信号(Electrocardiography，ECG)是人类心脏进行生理活动时，通过体表电 极采集所得的时变电位信号，包含了丰富的生物学信息。作为最早被研宄并应用于临床医 学的数据指标之一，心电信号具有重要的科研价值与实际意义，可有效检验、预测与心脏相 关的多种疾病，近年来获得了越来越多的重视。但另一方面，心电信号具有样本维度高，样 本量相对较少，特征空间呈非线性关系等特点，其分析难度较高。目前一般使用机器学习算 法进行处理。

[0003] 如图1所示，在一个正常的心动周期中，所产生的心电信号可视作由P波、QRS波 群、T波及U波4种基本波形组成。现有基于心电信号的疾病检测算法，通常包含两个主要 部分：(1).特征提取：检测定位输入信号的4种基本波形，以此获取预定义的特征信息。常 用的波形检测算法包括峰值检测、小波分析等。而所提取特征一般包括：4种基本波形的时 长与形态(如幅度、变化率等)、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。 (2).分类预测：使用机器学习方法对所提取的特征信息进行分类，以判定是否患有特定疾 病。常用算法包括主成份分析(PrincipalComponentAnalysis，PCA)、自回归滑动平均 模型(AutoregressiveMovingAverageModel，ARMA)、以及支持向量机(SupportVector Machine，SVM)等。

[0004] 人工神经网络(ArtificialNeuralNetwork，ANN)是人工智能与机器学习领域中 的一种重要分析方法。现有基于ANN的疾病检测算法，一般使用原始心电信号或其特征数 据作为输入，并将特定疾病作为分类输出。与其它机器学习算法相比，基于ANN的检测方法 对基本波形定位精度要求较低，泛化性能良好，且可同时判定多种目标疾病状态。但另一方 面，由于心电信号维度较高，传统ANN所需的网络结构庞大，训练极为复杂且效果不佳。因 此限制了其使用。为避免上述问题，近年来学术界对ANN进行了有效扩展，提出了多隐含层 深度学习

[0005] 现有基于特征提取与机器学习的心电信号疾病检测方法，其缺点在于：

[0006] 第一，特征提取严重依赖于4种基本波形的检测与定位。若波形定位不准确，则所 提取的特征信息也将有所偏差，导致分类性能显著下降。而心电信号由人体实际生理过程 产生，其在每个心动周期中的数据都包含一定的差异，且由于目标个体、采集方法等原因可 能导致多种失真，造成预设的波形定位算法失效。从而影响检测结果。

[0007]第二，目前使用的心电信号特征，如基本波形时长、波形间期时长等，均由人工挑 选，而并不完全合理。一方面，部分特征(如U波等)的形成机理尚不明晰，难以说明其是 否包含独特的生理状态信息，亦可能仅是冗余数据或噪声。另一方面，某些重要特征可能被 人为忽略，导致提取结果无法涵盖心电信号中的所有有效信息，造成检测算法性能下降。

[0008] 第三，医用心电信号采集频率应达400Hz以上，且需连续获取30Sec.的数据，从而 产生至少12000个数据点。其信号分析属于非线性高维机器学习问题。若分类算法缺少稀 疏化限制，则极易产生定域性(Locality)问题，导致泛化性能严重下降，所需训练样本数 显著上升。而稀疏化是很多现有机器学习算法所不具备的。

[0009] 现有基于ANN的疾病检测方法，其缺点在于：

[0010] 第一，传统ANN-般仅具有1个隐含层，属于浅架构(ShallowArchitecture)。对 于心电信号一类的非线性特征空间问题，需大量隐层节点才能进行有效建模，且其数量随 输入节点的增加呈指数增长。而另一方面，心电信号维数(亦即ANN输入节点数)较高，其 所需的架构规模往往远超合理范围，且用于训练的样本数量也将极为庞大。导致检测方法 难以实际应用。

[0011] 第二，传统ANN通常使用反向传播算法(BackpropagationAlgorithm，BP)进行训 练，可在浅架构中获得良好的参数优化效果。但对于包含多个隐含层的深度学习ANN网络， 则难以获得令人满意的结果。从而影响了疾病检测准确率。

【发明内容】

[0012] 本发明要解决的技术问题在于，针对上述现有技术方法中心电信号疾病检测效果 不佳且冗余信号过多，以及ANN疾病监测所需网络结构庞大，训练复杂并效果不佳的问题， 提供了一种心电信号处理方法。

[0013] 本发明解决其技术问题所采用的方法是：提供一种心电信号处理方法，包括以下 步骤：

[0014] A、采集原始心电信号集0，对其进行预处理以构成输入心电信号集0 所述步 骤A包括以下子步骤：

[0015] B、提取所述输入心电信号集0'的样本F'，将所述样本F'输入至人工神经网 络的输入层以转化为输入层信号集％，并根据自编码算法训练所述人工神经网络的隐含 层，使所述输入层信号集％通过所述隐含层输出自学习集◎;

[0016] C、检测所述自学习集0)的标签矢量G，若所述标签矢量G中所包括的独立状态为 2个，则使用逻辑回归输出节点；若所述标签矢量G中所包括的独立状态大于2个，则使用 Softmax回归输出节点；

[0017] D、根据所输出的节点对所述人工神经网络的输入层、隐含层及输出层进行栈式叠 加，以构成完整的心电信号疾病监测人工神经网络。

[0018] 在本发明所述的心电信号处理方法中，所述步骤A包括以下子步骤：

[0019] A1、采集原始心电信号的样本F，设置所述样本F对应的标签矢量G，从而构成所述 原始心电信号集? = {坑，GD，(F2,G2)，…的，GD，…(Fm，Gm)}，其中，Fi为所采集到的 第i个样本，heF，G,为对应的第i个标签矢量，G,eG，所述原始心电信号集0的维度 为D;

[0020] A2、使用特征标准化对所述原始心电信号集0进行