一种从10秒心电图中识别二度房室传导阻滞的方法技术

本发明专利技术公开了一种从10秒心电图中识别二度房室传导阻滞的方法，包括以下步骤：对原始心电信号进行处理，以提取二度房室传导阻滞特征；利用已标记心电数据库训练用于判断各心电图信号是否为二度房室传导阻滞的逻辑回归模型；利用训练好的模型求得各心电图信号为二度房室传导阻滞的概率。本发明专利技术利用提取出的特征训练机器学习模型，使二度房室传导阻滞检测技术具有更好的准确性与鲁棒性；在提取特征时，本发明专利技术选取高质量、非PVC的QRS波计算心率特征，同时提取了多种P波特征，从而有效防止了窦性心律失常、房性或室行早搏、噪音干扰等导致假阳性二度房室传导阻滞被检出。

A method of identifying second degree atrioventricular block from 10 seconds electrocardiogram

The invention discloses a method for identifying second degree atrioventricular block from 10 seconds ECG, which includes the following steps: processing the original ECG signal to extract the characteristics of second degree atrioventricular block; using the marked ECG database training to determine whether the ECG signal is second degree atrioventricular block; using the trained model to obtain each ECG signal; The signal is the probability of second degree atrioventricular block. The invention uses the extracted feature training machine learning model to make the detection technology of second degree atrioventricular conduction block have better accuracy and robustness; when extracting features, the invention calculates the heart rate characteristics by selecting high-quality, non-PVC QRS wave, and extracts a variety of P wave characteristics, thereby effectively preventing false Yang caused by sinus arrhythmia, atrial or ventricular premature beats, noise interference, etc. Sexual second degree atrioventricular block was detected.

【技术实现步骤摘要】
一种从10秒心电图中识别二度房室传导阻滞的方法
本专利技术涉及医疗
，尤其涉及一种从10秒心电图中识别二度房室传导阻滞的方法。
技术介绍
电激动从心房传至心室过程中，有时会有部分传导终端(即有心室脱漏现象)，这称为二度房室传导阻滞。二度房室传导阻滞分为二度I型(文氏型)和二度II型(莫氏型)。文氏型的心电图表现为PR间期逐渐延长直至QRS波群脱落，莫氏型的心电图表现为PR间期固定，每隔一个或数个心动周期出现一个或数个心室漏搏。二度房室传导阻滞在临床上十分常见，且后果可能会十分严重。心室漏搏的次数越多，心室率越慢，预后越差。当前对二度房室传导阻滞的自动分析研究的较少，公开的技术主要使用基于心率的简单规则，准确性较差。比如公开号为CN1110121A的专利技术专利：佩带式超小型心脏保护系统及方法中检查RR间期是否为平均RR间期的1.9-2.1倍，如果是则表明心室漏搏发生，即可能发生了二度房室传导阻滞。由于许多二度房室传导阻滞发生漏博时的RR间期会小于平均RR间期的1.9倍，这样的方法可能会有大量遗漏；同时由于窦性心率失常、房性早搏(PAC)、室性早搏(PVC)、噪音干扰等，许多非二度房室传导阻滞的心电图也可能有RR间期为平均RR间期1.9-2.1倍的情况，因而此方法易导致大量假阳性二度房室传导阻滞被检测出。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种从10秒心电图中识别二度房室传导阻滞的方法。本专利技术采用的技术方案是：一种从10秒心电图中识别二度房室传导阻滞的方法，其特征在于，包括以下步骤：(1)预处理心电图信号，进行除噪，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；(2)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，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；(3)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；同时，对QRS波附近的区域进行直线化处理，以突出T波部分；(4)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，该方法能够在各种心律失常情况下和噪音干扰下更稳健可靠的提取P波，同时可以更准确的判断P波是否可见；该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，相对同类技术范围大为拓展，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；通过基于聚类算法的模糊搜索的方法，该方法不通过人为定义的规则确定P波位置，因此算法性能更优鲁棒性更佳；(5)采用基于逻辑回归算法的机器学习技术识别PVC，该方法选取了一组对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；(6)从第二个QRS开始，逐个查看各QRS；a.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的信号质量基于步骤(2)中获得的各QRS概率值；b.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；c.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；(7)计算步骤(6)获得的众心率的平均值，作为第1个特征参数；(8)利用K平均聚类算法将第(6)步骤中获得的心率聚合成两类，分别计算两个聚类中心率的数目、平均值和标准差，如此获得7个特征，分别为平均心率较低的一个聚类的心率数目、心率平均值、心率标准差，平均心率较高的一个聚类的心率数目、心率平均值、心率标准差，平均心率较高的一个聚类的心率平均值与心率较低的一个聚类的心率平均值的比值；(9)根据步骤(2)中获得的各QRS概率值判断各QRS信号质量是否高于阈值；如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用；同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第9个特征参数；(10)利用步骤(9)中获得的PR间期，计算所有PR间期的平均值和标准差分别作为第10个和第11个特征参数；(11)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；(12)对各个10秒心电图片段按按步骤(1)-步骤(10)进行处理，获得一个判别二度房室传导阻滞的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，列数为步骤(1)-步骤(10)中获得的二度房室传导阻滞特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为二度房室传导阻滞；(13)将步骤(12)获得的特征参数矩阵和是否为二度房室传导阻滞的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非二度房室传导阻滞，阈值以上，认为是二度房室传导阻滞；(14)对任一新的待分析的10秒心电片段，采用步骤(01)至步骤(10)的方法进行处理，获得该心电图的二度房室传导阻滞特征参数组合；采用步骤(13)中训练获得的模型进行分类，获得其二度房室传导阻滞的概率，再利用步骤(13)中确定的概率阈值最终决定该心电图是否为二度房室传导阻滞。本专利技术的原理是：为了防止房性或室性早搏及噪音干扰导致假阳性二度房室传导阻滞被检出，本专利技术首先选取高质量、非PVC的QRS波，并利用这些QRS计算心电图的心率特征。这些心率特征包括心电图平均心率，将所有心率分成两个聚类后各自的心率数目和平均心率，以及两个聚类平均心率的比值等。具体步骤如步骤(7)和步骤(8)所述。另外，在二度房室传导阻滞中，PR间期往往较大，且在文氏型中PR间期会逐渐延长。因此，P波异常是二度房室传导阻滞的重要特征。本专利技术提取了多种P波特征，如非PVCQRS中能检出P波的QRS波的数目，非PVCQRS的PR间期的平均值与标准差等。具体步骤如步骤(9)和步骤(10)所述。最后，与现有技术不同的是，本专利技术利用前述特征训练出机器学习模型，使检测技术具有更好的准确性与鲁棒性。具体步骤如步骤(11)至步骤(14)所述。本专利技术的优点是：本专利技术利用提取出的特征训练机器学习模型，使二度房室传导阻滞检测技术具有更好的准确性与鲁棒性；在提取特征时，本专利技术选取高质量、非PVC的QRS波计算心率特征，同时提取了多种P波特征，从而有效防止了窦性心律失常、房性或室行早搏、噪音干扰等导致假阳性二度房室传导阻滞被检出。附图说明图1为对原始心电信号进行处理，以提取二度房室传导阻滞特征的流程图。图2为利用已标记心电数据库训练用于判断各心电图信号是否为二度房室传导阻滞的逻辑回归模型的流程图。图3为利用训练好的模型求得各心电图信号为二度房室传导阻滞的概率的流程图。本文档来自技高网...

【技术保护点】
1.一种从10秒心电图中识别二度房室传导阻滞的方法，其特征在于，包括以下步骤：(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；(2)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，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；(3)采用基于瞬时心率的动态确定的搜索窗查找T波，同时，对QRS波附近的区域进行直线化处理，以突出T波部分；(4)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，该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；(5)采用基于逻辑回归算法的机器学习技术识别PVC，该方法选取了一组对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；(6)从第二个QRS开始，逐个查看各QRS；a.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的信号质量基于步骤(2)中获得的各QRS概率值；b.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；c.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；(7)计算步骤(6)获得的众心率的平均值，作为第1个特征参数；(8)利用K平均聚类算法将第(6)步骤中获得的心率聚合成两类，分别计算两个聚类中心率的数目、平均值和标准差，如此获得7个特征，分别为平均心率较低的一个聚类的心率数目、心率平均值、心率标准差，平均心率较高的一个聚类的心率数目、心率平均值、心率标准差，平均心率较高的一个聚类的心率平均值与心率较低的一个聚类的心率平均值的比值；(9)根据步骤(2)中获得的各QRS概率值判断各QRS信号质量是否高于阈值；如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用；同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第9个特征参数；(10)利用步骤(9)中获得的PR间期，计算所有PR间期的平均值和标准差分别作为第10个和第11个特征参数；(11)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；(12)对各个10秒心电图片段按按步骤(1)‑步骤(10)进行处理，获得一个判别二度房室传导阻滞的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，列数为步骤(1)‑步骤(10)中获得的二度房室传导阻滞特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为二度房室传导阻滞；(13)将步骤(12)获得的特征参数矩阵和是否为二度房室传导阻滞的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K‑1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非二度房室传导阻滞，阈值以上，认为是二度房室传导阻滞；(14)对任一新的待分析的10秒心电片段，采用步骤(01)至步骤(10)的方法进行处理，获得该心电图的二度房室传导阻滞特征参数组合；采用步骤(13)中训练获得的模型进行分类，获得其二度房室传导阻滞的概率，再利用步骤(13)中确定的概率阈值最终决定该心电图是否为二度房室传导阻滞。...

【技术特征摘要】
1.一种从10秒心电图中识别二度房室传导阻滞的方法，其特征在于，包括以下步骤：(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；(2)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，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；(3)采用基于瞬时心率的动态确定的搜索窗查找T波，同时，对QRS波附近的区域进行直线化处理，以突出T波部分；(4)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，该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；(5)采用基于逻辑回归算法的机器学习技术识别PVC，该方法选取了一组对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；(6)从第二个QRS开始，逐个查看各QRS；a.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的信号质量基于步骤(2)中获得的各QRS概率值；b.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；c.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；(7)计算步骤(6)获得的众心率的平均值，作为第1个特征参数；(8)利用K平均聚类算法将第(6)步骤中获得的心率聚合成两类，分别计算两个聚类中心率的数目、平均值和标准差，如此获得7个特征，分别为平均心率较低的一个聚类的心率数目、心率平均值、心率标准差，平均心率较...

【专利技术属性】
技术研发人员：夏鹤年，张雷刚，何红，时海西，周星，毕光涛，陈元凤，纪迎兵，朱健，鹿莉莉，高勇，
申请(专利权)人：苏州哈特智能医疗科技有限公司，
类型：发明
国别省市：江苏,32