[发明专利]一种基于自编码器的心电信号质量评估方法

说明书

本发明涉及信号质量评估技术领域，尤其涉及一种基于自编码器的心电信号质量评估方法，包括：获取原始心电信号，进行多层滤波预处理；将预处理后的信号分割为多个固定长度的片段，并对每个信号片段的信号点进行筛选，得到一批初筛心电信号；利用所述初筛心电信号对预先构建的自编码器模型进行训练，使自编码器模型学习心电信号的普遍规律；将待评估原始信号输入训练好的自编码器模型进行信号重构，并计算不可信度；基于重构信号和所述不可信度计算待评估原始信号的质量分数。本发明能够对信号进行自适应连续质量评价，且评估准确性高。

技术领域

本发明涉及信号质量评估技术领域，更具体的说是涉及一种基于自编码器的心电信号质量评估方法。

背景技术

随着嵌入传感器的穿戴式、握持式产品的广泛应用，传感器信号数据处理过程中，质量评估是不可或缺一个重要环节。对于穿戴式、握持式ECG采集设备/产品，使得记录长期动态心电信号成为可能，弥补了传统心电图只能在短期和静息状态下采集的不足，但是由于采集环境不能达到医学要求水平，难免存在复杂噪声，又因心电信号是复杂且微弱的信号，很容易受各种噪声影响，比如在手持或腕部佩戴场景下，心电信号容易受到肌电和运动等噪声影响，导致基于心电信号的后续功能检测准确率降低。

目前很多心电信号质量评估算法基于心电特征完成计算判断，但是当人体发生生理变化时，其心电特征也会发生变异，基于特征的信号质量评估很容易把病变下心电信号数据当作噪声或异类过滤，进而造成具有重要诊断价值信号片段等损失，固然很难获取到精确的评价估计。另外，一些不易避免但程度在可接受范围内的环境噪声(如基线漂移等)也会导致心电信号特征发生明显变异。由此可见，仅仅依靠抽取心电信号特征很难应对这些问题。

此外，在心电信号质量评估领域，很多方法把这一技术做成了二分类或多分类任务。这种算法本质上是学习不同质量的心电信号分布，受制于训练数据规模和标签集，不能探查到心电信号和噪声信号的普遍规律。而采用深度学习方法对于心电信号质量进行多分类，依赖于对心电信号质量标注的标签，而标签的标注标准不仅因人而异，而且在不同场景中需要的心电信号质量的要求也不同，有的检测场景需要清晰准确的P波、ST波、QRS波簇等波(簇)，有的场景则仅仅要求R-peak清晰准确，因此很难打造一套稳定且通用性高的心电信号质量评价模型。

因此，如何对信号进行自适应连续质量评价，且提高准确度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于自编码器的心电信号质量评估方法，能够对信号进行自适应连续质量评价，且评估准确性高。

为了实现上述目的，本发明采用如下技术方案：

一种基于自编码器的心电信号质量评估方法，包括：

获取原始心电信号，进行多层滤波预处理；

将预处理后的信号分割为多个固定长度的片段，并对每个信号片段的信号点进行筛选，得到一批初筛心电信号；

利用所述初筛心电信号对预先构建的自编码器模型进行训练，使自编码器模型学习心电信号的普遍规律；

将待评估原始信号输入训练好的自编码器模型进行信号重构，并计算信号的不可信度；

基于重构信号和所述不可信度计算待评估原始信号的质量分数。

进一步的，对原始心电信号的预处理至少包括：去除基线漂移、工频信号过滤和高频信号降噪。

进一步的，对信号片段的筛选依据为：判断每个信号片段中幅值超出阈值的信号点占比，若信号点占比超出预设比值，则将该占比下的信号点滤除。