[发明专利]基于时频二维图像和机器学习的动态心电质量评估方法

说明书

本发明专利公开了一种基于时频二维图像和机器学习的动态心电质量评估方法，通过将一维心电信号转变为二维时频图像，并将得到的二维时频图馈送到机器学习系统中进行训练，得到一个自动且准确拣选有用穿戴式心电信号的信号质量评估模型，该模型可以对输入的时频图像进行分类，划分信号质量等级，不仅能够有效地抑制无临床诊断价值的噪声心电信号，而且能够进一步对有临床诊断价值的心电片段做进一步信号质量分类，从而提供更为直观细致的信号质量反馈信息。

所属领域

本发明属于动态心电信号处理领域，具体涉及一种基于时频二维图像和机器学习的动态心电质量评估方法。

背景技术

心脏病是导致人类死亡的“头号杀手”。根据最新的世界卫生组织报告，2012年约有1750万人死于心血管疾病，占全球死亡人数的30％，预计到2030年死亡人数将上升至2300万。因此，作为心脏电生理活动的常规检测方法，心电(ECG)信号分析在临床上具有重要意义。

近年来可穿戴技术的进步使得记录长期动态心电信号成为可能，长时间动态信号记录弥补了传统心电图只能在短期和静息状态下分析心电图的缺点，使得日常活动状态下的心电监测成为可能，但是动态心电信号是复杂且微弱的信号，很容易湮灭在各种噪声中。在强运动伪迹的影响下，动态心电信号质量明显下降，噪声干扰类型的多样和噪声强度的不可预期，极大影响心血管疾病的检测和诊断。因此，动态心电处理尤其需要对信号进行质量评估判断，做到去伪存真、去粗留精，把那些没有临床诊断价值的噪声信号滤除，把相对清晰、能够作为临床诊断重要参考的信号段准确拣选出来提供给医生，从而提高疾病诊断的效率和准确率。

心电波形是临床诊断的重要依据，心电信号质量评估是对心电进行临床解读分析的前提和先决条件，但是，当前的计算机心电分析软件对于信号质量评估环节重视不够。虽然，越来越多的学者和研究人员加大了对心电质量技术的研究，但是这些研究大多都是基于特征点提取的，一般都是通过R波、QRS序列的时间特征进行信号质量判断。当病人出现心电波形的病理变化时，信号质量评估很容易把疾病心电数据当作噪声去掉，从而漏掉具有重要诊断价值的信号片段，很难获得准确的评价估计。同时，在这些研究中多是使用简单的特征进行质量评估，性能非常有限，很难获得高精度的评估结果。因而，利用先进的信号处理方法和机器学习算法，设计一种准确度高、稳定性好、可适用于动态心电处理的信号质量评估方法就变得极为迫切和重要。

发明内容

本发明正是针对现有技术中的问题，提供了一种基于时频二维图像和机器学习的动态心电质量评估方法，通过将一维心电信号转变为二维时频图像，并将得到的二维时频图馈送到机器学习系统中进行训练，得到一个自动、可准确拣选动态心电信号有用片段的方法模型。该模型可以对输入的心电二维时频图像进行分类，划分信号质量等级，不仅能够有效地抑制无临床诊断价值的噪声心电信号，而且能够进一步对有临床诊断价值的心电片段做进一步信号质量分类，从而提供更为直观细致的信号质量反馈信息。

为了实现上述目的，本发明采用的技术方案是：基于时频二维图像和机器学习的动态心电质量评估方法，包括以下步骤：

S1，获取原始动态心电数据信号；

S2，通过信号质量标记拾取心电数据信号片段并划分类型；

S3，将步骤S2中的每一段心电信号片段处理成时频二维图像；

S4，将处理后的时频二维图像馈送到机器学习模型中以训练分类模型；

S5，将待分类的心电测试信号处理成为时频二维图像；

S6，将步骤S5中得到的时频二维图像输入到S4得到的分类模型中进行分类，即可输出信号质量等级结果。

作为本发明的一种改进，所述步骤S1中，原始动态心电数据信号通过但不限于穿戴式心电设备获取，所述信号在运动状态下获取。