[发明专利]一种从10秒心电图中识别房颤和房性早搏的方法

说明书

本发明公开了一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，涉及医疗检查技术领域。该从10秒心电图中识别房颤和房性早搏的方法，通过定义一组基于心率变化和P波的特征参数，所得特征组合能更好区别房颤与其他心律，同时这些特征参数对噪音干扰更不敏感，本发明定义了一组基于P波的特征参数，进一步提高了准确率，同时利用了心电图信号的质量信息，使PAC的识别更为准确。

技术领域

本发明涉及医疗检查技术领域，具体为一种从10秒心电图中识别房颤和房性早搏的方法。

背景技术

目前在对心电图上的房颤和房性早搏进行识别时，由于准确识别P波难度较大，同类技术通常依赖于心电图RR间期，其中连续差异均方根(RMSSD)，转折点比率(TPR)和香农熵(SE)这三个参数最为重要，，规定当这三个参数值同时超过各自阈值时，心电图为房颤，这些参数全部源自心电图RR间期，由于房性早搏(PAC)、室性早搏(PVC)、窦性心律失常和二度房室传导阻滞等均可能导致RR间期不规则，因而完全依赖于RR间期的算法易于导致大量假房颤被检测出，比如，分别使用设备AliveCor与Microlife WatchBP对2052个病人检测房颤，各自的阳性预测值(即诊断为阳性中有病的概率)分别只有59.26％和42.55％，其原因都在于将部分房性早搏、室性早搏或窦性心律失常错误检测成了房颤。

另外，现有技术在检测房性早搏时易受噪音影响，比如，肌电信号、电极移位等噪音易产生形似QRS的波形，当这类波形被错误检测为QRS时，与前一个QRS的间期将明显小于正常的RR间期，因而它会有较大可能性被错误检测成房性早搏。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种从10秒心电图中识别房颤和房性早搏的方法，解决了现有技术在检测房性早搏时易受噪音影响，会有较大可能性被错误检测成房性早搏，同时会大大降低PAC的识别准确性的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：

S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；

S2、采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，再采用基于逻辑回归算法的机器学习技术识别PVC，可选取一组对PVC心跳具有独一性的特征组合，并且所设计的特征参数对噪音干扰较不敏感，使算法性能较同类技术得到较大提升；

S3、从第二个QRS开始，逐个查看各QRS，首先查看该QRS和前一个QRS的信号质量是否高于选定阈值，如果两个QRS中有一个低于阈值，丢弃该QRS，接着查看下一个QRS，QRS的信号质量基于S1中获得的各QRS概率值，再查看该QRS和前一个QRS是否为PVC，如果两个QRS中有一个是PVC，丢弃该QRS，接着查看下一个QRS，在前两个条件均满足时，计算该QRS和前一个QRS的间期，由此算得瞬时心率；

S4、计算前一步骤获得的众心率的标准差，作为第1个特征参数，并计算前一步骤获得的众心率的RMSSD作为第2个特征参数，然后利用K平均聚类算法将S3中获得的心率聚合成两类，分别计算两个聚类中心率的标准差，再以两个聚类中心率的数目为权值，计算所有心率的加权标准差，该加权心率标准差作为第3个特征参数，另外，选取两个聚类中心率标准差较小的一个聚类，以其心率标准差为第4个特征参数；