[发明专利]基于自适应集合经验模态分解的心电信号特征点识别方法

说明书

本发明提供了一种基于自适应集合经验模态分解的心电信号特征点识别方法，该方法首先依据待识别心电信号自身特点自适应地计算结合经验模态分解的两个参数R_atio和N_EEMD，根据确定的参数对待识别心电信号进行AEEMD降噪处理得到心电降噪信号，并将心电信号的AEEMD降噪处理和特征点识别相结合，从AEEMD降噪过程中得到的各阶层固有模态函数分量中提取出QRS波形能量占比较大的阶层加以叠加作为检测层，并进行差分运算后，采用自适应的分段划分方式进行分段处理得到心电差分分段信号，最后结合心电降噪信号和心电差分分段信号，根据心电信号中各特征点间的距离和波形斜率关系实现对待识别心电信号中的QRS波的定位识别，能够优化识别计算量，提升识别效率，提高识别准确性。

技术领域

本发明涉及生理信号采集和分析技术领域，具体涉及一种基于自适应集合经验模态分解的心电信号特征点识别方法。

背景技术

对于临床上实时采集得到的复杂性高的病理心电信号，往往因噪声的存在和复杂的病理状态造成信号特征被淹没或信号严重形变而无法准确定位特征点。

在心电信号的采集过程中存在的较典型噪声一般有工频干扰、基线漂移和高频干扰等。这些噪声的存在会严重影响信号特征点的识别和临床上基于信号特征点信息的诊断。心电信号的降噪方法主要有以傅里叶变换为依托的频域滤波法、时频域中的小波分析法以及希尔伯特-黄变换法等。小波变换法虽因其独特的优势得到了广泛的应用，但小波基的选择问题却无确切的理论依托。EMD(Empirical Mode Decomposition，经验模态分解)虽解决了小波变换中小波基函数的选择难题，但是在EMD中存在着端点效应和模态混叠的问题。EEMD(Ensemble Empirical Mode Decomposition，集合经验模态分解)利用白噪声的特性解决了信号高频和低频处极值点分布不均的问题，减少了极值点的错判率，有效地抑制了EMD中存在的模态混叠问题。EEMD有两个重要参数，即(1)加入白噪声的量R_atio：加入的白噪声的幅值标准差与原始信号的标准差幅值的比值；(2)集合平均次数N_EEMD。因两个重要参数在EEMD中根据经验值选取，故相应的实验结果的最佳状态存在一定程度的随机不确定性。

典型的心电信号及其特征点分布如图1所示。心电信号的QRS波是反映心脏生理活动的主要波段，对心电信号的QRS波的识别主要有时域差分阈值法、基于幅值、斜率和角度等的时域判别法、基于神经网络的方法、基于小波变换，EMD、希尔伯特黄变换等方法将信号分解后在特定层检测特征波形的方法。考虑到临床上病理信号自身的复杂性和多变性，如R波倒置、窦性心动过缓中QRS宽度变大，RR间隔增宽、窦性或室上性心动过速中QRS宽度变小，RR间隔大幅减小、束支阻滞中，QRS波段变宽，部分RR间期相对变小等，对这些病理性ECG的检测，阈值法检测QRS波对倒置R波、高T波或因RR间期改变等造成的漏检误检的自适应能力并未达到理想状态；基于幅值、斜率和角度等的时域判别法中往往会因噪声的存在造成斜率、角度等参量的计算误差较大；基于神经网络的方法往往因样本量的限制不能达到满意的应用效果；基于小波变换、经验模态分解、希尔伯特黄变换等方法往往因主观经验误差造成的信号分解误差或影响特征点的识别效率。

可见，现有技术对病理性心电信号特征点识别中，因噪声或病理性信号的多变性会造成特征点识别困难、识别效率低、识别准确性不佳的问题。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种基于自适应集合经验模态分解的心电信号特征点识别方法，用以解决现有技术的心电信号特征点识别中因噪声或病理性信号的多变性造成的特征点识别困难、识别效率低、识别准确性不佳的问题。

为实现上述目的，本发明采用了如下技术方案：

基于自适应集合经验模态分解的心电信号特征点识别方法，用于对心电信号中的R点、Q点和S点进行识别，以定位识别出待识别心电信号中的QRS波；该方法包括如下步骤：