[发明专利]心电噪声识别模型训练及心电噪声检测方法、装置

说明书

本发明公开了一种心电噪声识别模型训练及心电噪声检测方法、装置，心电噪声识别模型训练方法包括：获取心电记录数据作为心电噪声识别模型的训练数据，心电记录数据包括不含噪声的干净段数据及包含噪声的噪声段数据；计算训练数据的心电噪声参数；根据心电噪声参数构建噪声特征向量；将噪声特征向量输入神经网络模型进行训练，得到心电噪声识别模型。通过该方法训练的心电噪声识别模型可以更快更准确地分析出每个心拍是否存在噪声，避免了将由噪声导致的低信噪比误判为心律失常。

技术领域

本发明涉及数据处理技术领域，具体涉及一种心电噪声识别模型训练及心电噪声检测方法、装置。

背景技术

心电信号是检测心律失常的重要途径，但是心电信号容易受肌电干扰、运动伪差、基线漂移、工频共模干扰等的影响，当心电信号被噪声干扰后导致信噪比降低，低信噪比的心拍容易被误判为心律失常，为患者和医护人员带来不必要的麻烦。目前，得到一份心电检测结果，大多直接交由医生进行分析，医生需要先凭借自身经验判断心电检测结果是否被噪声影响，再通过心电检测结果提取有关患者身体状况的信息。仅通过医生经验判断心电检测结果是否被噪声影响不仅浪费时间，且通过肉眼难以对细微的偏差进行准确判断，容易出现误判。因此，更加快速准确的判断心电记录是否存在噪声，是目前亟待解决的问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的通过医生经验判断心电检测结果是否被噪声影响不仅浪费时间，且通过肉眼难以对细微的偏差进行准确判断，容易出现误判缺陷，从而提供一种心电噪声识别模型训练及心电噪声检测方法、装置。

本发明第一方面提供一种心电噪声识别模型训练方法，包括：获取心电记录数据作为心电噪声识别模型的训练数据，心电记录数据包括不含噪声的干净段数据及包含噪声的噪声段数据；计算训练数据的心电噪声参数，根据心电噪声参数构建噪声特征向量；将噪声特征向量输入神经网络模型进行训练，得到心电噪声识别模型。

在一可选实施例中，该心电噪声识别模型训练方法所需的心电噪声参数包括TP段高频噪声特征参数，TP段高频噪声特征参数包括：TP段最大值、TP段平均值、TP幅度均值与QRS区域幅度均值的比值；计算训练数据的心电噪声参数，包括：通过IIR零相位滤波方法滤除训练数据的第一频率的工频干扰，得到滤波后的第一心电序列{s₁(n)}；对滤波后的第一心电序列进行中值滤波和小波变换获得平滑的基线漂移序列{b(n)}，根据第一心电序列{s₁(n)}和基线漂移序列{b(n)}计算得出抑制基线漂移后的第二心电序列{s₂(n)}，s₂(n)＝s₁(n)-b(n)；对第二心电序列{s₂(n)}进行QRS波群检测，获得R波峰点位置序列{R(n)}；根据R波峰点位置计算TP段的起点位置TP_S(n)和TP段的终点位置TP_N(n)；对第二心电序列{s₂(n)}进行一阶差分运算，得到第三心电序列{s₃(n)}；以第二频率为截止频率对第三心电序列{s₃(n)}进行低通滤波运算，得到第四心电序列{s₄(n)}；根据TP段的起点位置和TP段的终点位置计算得出第四心电序列{s₄(n)}TP段最大值；根据TP段最大值计算得出第一预设窗口内TP段最大值的均方根；根据TP段的起点位置和TP段的终点位置计算得出第四心电序列{s₄(n)}TP段平均值；根据TP段平均值计算得出第一预设窗口内TP段平均值的均方根；根据R波峰点位置计算得出QRS波形区域的起始位置Q(n)和QRS波形区域的结束位置S(n)；根据QRS波形区域的起始位置Q(n)和QRS波形区域的结束位置S(n)计算第四心电序列{s₄(n)}曲线上从QRS波形区域的起始位置Q(n)至QRS波形区域的结束位置S(n)的幅度均值E₂(n)；根据TP段的起点位置TP_S(n)和TP段的终点位置TP_N(n)计算第四心电序列{s₄(n)}曲线上从TP段的起点位置TP_S(n)至TP段的终点位置TP_N(n)的幅度均值E₁(n)；根据E₂(n)和E₁(n)，计算得出TP幅度均值E₁(n)与QRS区域幅度均值E₂(n)的比值；根据TP幅度均值E₁(n)与QRS区域幅度均值E₂(n)的比值计算得出第一预设窗口内TP幅度均值E₁(n)与QRS区域幅度均值E₂(n)的比值的均方根。