一種基于神經網絡模型的心電信號質量判別方法
【技術領域】
[0001] 本發明屬于醫療器械技術領域，具體涉及一種基于神經網絡模型的心電信號質量 判別方法。
【背景技術】
[0002] 心電信號常常會受到嚴重的噪音和假象干擾，而濾波算法很多時候并不能很好得 去除這些干擾，特別是因為干擾信號和心電信號往往具有相似的頻率成分及相近的形態。 因此干擾會降低心電信號質量，并影響基于心電的自動疾病診斷從而引起較多的假報警 (假陽性)情況。比如心電信號太差會引起I⑶中大量的假報警，I⑶中的假報警甚至可能高 達 86 %。
[0003] 隨著人類預期壽命的逐漸提高，現代社會健康老齡化將成為全球重點。世界衛生 組織估計到2050年全世界60歲以上人口將達到20億，并且80 %的老年人將生活在低收入和 中等收入國家。心血管疾病等慢性病將成為一個很大的負擔并嚴重影響老年人的生活質 量。移動醫療和可穿戴式醫療設備將越來越廣泛地用于慢性病的預防和管理。未來移動醫 療將提供高質、低價、方便的健康管理方案。比如Holter因其可以在不影響日常生活的情況 下方便地使用，而被廣泛用于長程的心電監護。Holter的動態監測功能使得其可以在臨床 使用中達到24小時甚至長達數天的連續監測。現代通訊手段使得心電信號可以很方便得存 儲并近乎實時得傳輸到醫護人員的電腦上或其他移動終端上。但是，動態下的Holter信號 會受到比較嚴重的噪音的假象干擾。被噪音污染的Holter信號對自動甚至人工疾病診斷造 成很大困難。
[0004] 通過實時對心電信號質量進行評估，用戶可以即時知道所獲取的心電信號的質量 如何。如果，信號質量太差，用戶將得到提醒，并重新測量信號，或檢查電極的聯結，或檢查 其他可能造成的噪音影響。
[0005] 從近期一些文獻或者專利技術中可以查閱到有關心電信號質量評估技術的研究， 但是這些研究都是基于特征點提取的，也即首先通過一種算法提取心電信號的特征點，比 如多數情況下是R波點或者是QRS波群，然后通過對特征點提取結果的分析、QRS波形的分析 等獲取對信號質量的描述;但特征提取結果的重要影響因素之一便是信號質量水平，信號 質量問題會對特征提取造成誤差，通過特征提取結果對信號質量水平進行判斷也帶來誤 差，這些誤差都是向后積累的，最終造成分析結果的不精確，甚至是錯誤。
[0006] 另外，信號質量水平不是簡單的好與不好的區別，具有明顯的模糊性質，這符合人 類本身對于信號質量的認知方式。對于一例特定的信號，其可能含有多種影響質量的因素， 怎樣將它歸類到與其更為相似的一種類別中，以往的處理方式很難做到這一點。

【發明內容】

[0007] 針對現有技術所存在的上述技術問題，本發明提供了一種基于神經網絡模型的心 電信號質量判別方法，能夠有效的判斷心電信號質量是否滿足可接受要求，大大降低了由 于信號質量較低帶來的診斷結果錯誤。
[0008] 一種基于神經網絡模型的心電信號質量判別方法，包括如下步驟：
[0009] (1)采集基于獨立導聯通道的m組心電信號段，m為大于1的自然數;通過人工對這 些心電信號段的質量進行〇或1標記，1表示滿足接受要求，〇表示不滿足接受要求；
[0010] (2)對于任一組心電信號段，計算該心電信號段的QRS能量比值、信號峰度和基線 能量比值，并將這三個特征指標組成該心電信號段的特征序列；
[0011] (3)根據對應求得的m組特征序列通過人工神經網絡學習算法進行訓練，得到關于 心電信號質量的判別模型;進而根據用戶日常檢測得到的單通道心電信號段利用所述的判 別模型對該單通道心電信號段的質量進行判別，從而判斷出該單通道心電信號段的質量是 否滿足接受要求。
[0012] 所述的步驟(2)中通過以下算式計算心電信號段的QRS能量比值：
[0014]其中：P(f)為心電信號段的功率譜密度函數，S為心電信號段的QRS能量比值，f為 頻率。
[0015]所述的步驟(2)中通過以下算式計算心電信號段的信號峰度：
[0017] 其中：X(i)為心電信號段中的第i個采樣值，N為心電信號段中的采樣點個數，μ為 心電信號段的平均采樣值，Κ為心電信號段的信號峰度。
[0018] 所述的步驟(2)中通過以下算式計算心電信號段的基線能量比值：
[0020]其中：P(f)為心電信號段的功率譜密度函數，Β為心電信號段的基線能量比值，f為 頻率。
[0021 ]所述的人工神經網絡學習算法以梯度下降法作為優化方向。
[0022]所述的步驟(3)中通過人工神經網絡學習算法進行訓練的具體過程如下：
[0023] 3.1將m組特征序列分為訓練集和測試集且訓練集大于測試集；
[0024] 3.2初始化構建一個由輸入層、隱藏層和輸出層組成的神經網絡；
[0025] 3.3從訓練集中任取一特征序列代入上述神經網絡計算得到對應關于心電信號質 量的輸出結果，計算該輸出結果與該特征序列所對應的人工標記質量之間的累積誤差；
[0026] 3.4根據該累積誤差通過梯度下降法對神經網絡中輸入層與隱藏層之間以及隱藏 層與輸出層之間的權重進行修正，進而從訓練集中任取下一特征序列代入修正后的神經網 絡；
[0027] 3.5根據步驟3.3和3.4遍歷訓練集中的所有特征序列，取累積誤差最小時所對應 的神經網絡為判別模型。
[0028] 所述步驟3.2中初始化構建的神經網絡中輸入層由3個神經元組成，隱藏層由4個 神經元組成，輸出層由1個神經元組成。
[0029]所述步驟3.2中初始化構建的神經網絡中神經元函數g(z)的表達式如下：
[0031]其中：z為函數的自變量。
[0032] 所述的步驟(3)中對于訓練得到的判別模型，將測試集中的特征序列逐個代入該 判別模型得到對應關于心電信號質量的輸出結果，使每一特征序列所對應的輸出結果與人 工標記質量進行比較，若測試集的正確率大于等于閾值的話，則該判別模型最終確定;若測 試集的正確率小于閾值的話，則通過采集更多的心電信號段根據步驟(1)~(2)增加特征序 列的數量作為神經網絡的輸入。
[0033] 所述的步驟(3)中根據用戶日常檢測得到的單通道心電信號段利用判別模型對該 單通道心電信號段質量進行判別的具體過程為:首先，計算出該單通道心電信號段的QRS能 量比值、信號峰度和基線能量比值并組成特征序列;然后，將該特征序列代入判別模型中得 到對應關于心電信號質量的輸出結果;最后，根據該輸出結果判斷出該單通道心電信號段 的質量是否滿足接受要求。
[0034] 本發明心電信號質量判別方法通過功率譜密度求積分和峰態系數的技術手段在 學習前將獨立單通道的心電信號轉化為QRS能量比值、信號峰度和基線能量比值三個特征 值，進而根據特征值利用人工神經網絡學習算法以梯度下降的優化方式將判別模型準確的 建立，通過對系統模型的還原，實現了心電信號質量的判別方法，進而有效的對心電信號是 否能用來進行診斷做出了甄別。
【附圖說明】
[0035] 圖1為本發明心電信號質量判別方法的步驟流程示意圖。
[0036] 圖2為本發明心電信號質量判別方法中的人工神經網絡模型示意圖。
【具體實施方式】
[0037] 為了更為具體地描述本發明，下面結合附圖及【具體實施方式】對本發明的技術方案 進行詳細說明。
[0038] 如圖1所示，本發明心電信號質量判別方法包括如下步驟：
[0039] (1)訓練樣本集構建。
[0040]用于算法分析的數據庫是來源于CinC Challenge 2011(以下簡稱為CinC)<XinC 數據庫中包含1000個10秒時長的12通道標準醫用記錄。標準醫用12通道中，只有8個通道是 獨立。因此，我們對每個記錄選取8個通道，分別為:通道I，II，VI，V2，V3，V4，V5，V6。由此構 成的數據庫包含8000個單通道心電記錄。每個單通道記錄再經由人工評判，根據其信號質 量標注為可接受和不可接受兩種。
[0041] (2)心電信號質量特征提取。
[0042] 2.1計算QRS能量比值;該特征定義為QRS波形能量與心電信號的能量的比值。
[0043]首先對心電信號做頻譜分析，然后計算5-15Hz頻段的能量和5-40Hz頻段能量的相 對比值。其中5-15Hz大致對應于QRS波形的能量，5-40Hz大約相當于心電信號整體的能量； 如以下公式所示：
[0045] QRS