[发明专利]识别心电波图像交界性逸搏方法、装置、系统和电子设备

权利要求书

1.一种识别心电波图像交界性逸搏的方法，其特征在于，包括：

获取预定时间长度的心电波图像；

识别所述心电波图像中的特征点和特征波；

基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别;

所述基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别，包括：

对所述心电波图像进行分段，得到多个心拍；

基于预设的规则模型和机器学习模型对每个所述心拍进行识别，得到与每个所述心拍对应的识别结果；

基于所有心拍的识别结果，得到交界性逸搏次数和其他逸搏次数；

若所述心电波图像的心率小于预定频率且所述其他逸搏次数小于预定次数，则基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度;

所述基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度，包括：

基于交界性逸搏次数和心拍总数得到交界性逸搏所占比；

确定与所述交界性逸搏所占比相对应的数值范围；

确定与所述数值范围相对应的疑似度系数；

将所述疑似度系数输入疑似度模型，得到所述心电波图像的交界性逸搏疑似度。

2.根据权利要求1所述的方法，其特征在于，

所述特征点至少包括：P点、Q点、R点和S点；

所述特征波至少包括：P波和QRS波群；其中，所述QRS波群包括Q波、R波和S波。

3.根据权利要求1所述的方法，其特征在于，所述识别所述心电波图像中的特征点和特征波，包括：

基于B-样条双正交小波和一阶差分对所述心电波图像进行识别，得到特征点的位置数据；

基于得到的特征点的位置数据得到特征波。

4.根据权利要求1所述的方法，其特征在于，所述基于预设的规则模型和机器学习模型对每个所述心拍进行识别得到与每个所述心拍对应的识别结果，包括：

基于规则模型对首个心拍进行识别，得到基于规则模型的识别结果；

基于机器学习模型对首个心拍进行识别，得到基于机器学习模型的识别结果；

若基于所述规则模型和机器学习模型的识别结果均为交界性逸搏，则得出所述首个心拍的识别结果为交界性逸搏；

依次基于所述规则模型和所述机器学习模型对下一个心拍进行识别，如此循环，直到得到最后一个心拍的识别结果。

5.根据权利要求1所述的方法，其特征在于，根据预设的规则模型对一个心拍进行识别得到识别结果，包括：

基于当前心拍的特征点和特征波，计算RR间期、QRS时间、P波高度、R波高度和PR波高度比；

判断所述RR间期是否异常；

若RR间期异常，且RR间期大于第一预设时间、QRS时间小于第二预设时间、PR波高度比不大于预设比值，则得出当前心拍的识别结果为交界性逸搏；

若RR间期异常，且RR间期大于第一预设时间、QRS时间小于第二预设时间、PR波高度比大于预设比值，则得出当前心拍的识别结果为其他逸搏。

6.根据权利要求5所述的方法，其特征在于，所述判断所述RR间期是否异常，包括：

基于所有心拍的RR间期进行平均计算，得到RR间期均值；

若当前心拍的RR间期大于所述RR间期均值的第一预设倍数且小于所述RR间期均值的第二预设倍数，则判定当前心拍异常；否则，判定当前心拍正常。

7.根据权利要求1所述的方法，其特征在于，根据机器学习模型对一个心拍进行识别得到识别结果，包括：

对心拍进行特征提取，得到特征参数，其中，特征参数包括：RR间期、均方根、偏度、峰度和小波系数;

对每个特征参数进行标准化处理；

对标准化处理后的多个特征参数进行降维处理；

基于最小二乘支持向量机对将降维处理后的特征参数进行计算，得到识别结果。