一种心电信号质量的检测方法

技术领域

本申请属于智能医学领域，尤其涉及一种心电信号质量评估方法、装置及计算机可读介质。

背景技术

心电图(ECG)以电信号的形式表示心脏的周期性活动，是临床上明确心血管病最常用也是最主要的检查，连续监测24小时心电信号得到的动态心电图更能对诊断各种心血管病提供精确可靠的依据。

随着健康监测设备发展，除了医院使用Holter心电监测仪捕捉或监测患者心电信号，大量不同形式的可穿戴心电监测设备在市场上迅速扩散和使用。然而长期的可穿戴ECG监测是以牺牲信号质量为代价的，ECG信号的局部结构和特征通常会被不同的噪声(基线漂移、工频干扰、突变和运动伪影等)破坏与掩盖。在研究人员开发的各种计算机辅助诊断(CAD)系统中，若将未处理的ECG信号作为自动诊断算法的输入，可能会导致原始数据扭曲和变形，若抑制ECG信号的噪声，质量较好的信号局部波形形态可能也会被改变，严重影响了信号的特征提取和分类识别，导致错误医学结论的可能性升高。对ECG信号进行质量评估，去除一些质量不可接受的ECG信号，在健康监测和可靠的心血管病诊断中发挥着重要作用。

目前的ECG信号质量检测，通常是通过执行目视检查来识别和删除心电信号的损坏片段，然而手动质量控制对于长记录是不可扩展的，效率低下，因此需要自动化的实现方式来进行长期心电图质量检测。

发明内容

因此本申请提供一种心电信号质量检测方法、装置及计算机可读介质，用于准确、快速、高效的对心电信号进行自动化质量检测，以去除质量不可接受的ECG信号。

为实现上述效果，本申请公开了一种心电信号质量的检测方法，包括如下步骤：

（1）.获取待处理的目标心电信号；

（2）.对所述目标心电信号进行特征提取，得到对应的目标信号特征；

（3）.利用预先构建的信号质量检测模型，基于所述目标信号特征对所述目标心电信号进行质量检测处理，得到所述目标心电信号的信号质量检测结果；

其中，所述信号质量检测模型为：建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练所得的模型。

进一步的，在获取待处理的目标心电信号之前，还包括：构建所述信号质量检测模型；

构建所述信号质量检测模型的过程包括：

使用极限学习机，建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型；

通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻，并通过使用鲸鱼优化算法引导粒子群优化算法中的粒子位置，对极限学习机进行特征选择优化和隐藏神经元数量调整；

基于特征选择优化和隐藏神经元数量调整的结果训练分类模型；

其中，粒子群中的每个粒子在搜寻空间中对应的每个位置，代表特征选择和隐藏神经元数量的一种状态。

进一步的，所述使用极限学习机，建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，包括：

获取多个用于模型训练的心电信号样本；

提取各个心电信号样本的样本特征，得到心电信号样本的多维度特征；

使用极限学习机，建立对应于心电信号样本的多维度特征的分类模型。

进一步的，所述获取多个用于模型训练的心电信号样本，包括：

对心电图中的原始心电信号进行重采样、分割、滤波和归一化处理，得到多个完成滤波和归一化的心电信号段，作为多个心电信号样本。

进一步的，所述提取各个心电信号样本的样本特征，得到心电信号样本的多维度特征，包括：

提取各个心电信号样本分别对应的多种预设类型的时域特征和多种预设类型的频域特征，得到各个心电信号样本分别对应的多维度特征。

本发明的有益效果在于：

本申请提供的心电信号质量检测方法、装置及计算机可读介质，预先建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练，最终构建得到基于信号质量分类的信号质量检测模型，来用于对心电信号进行质量检测。从而，本申请可实现心电信号的自动化质量检测，无需依赖目视检查等人工检测方式，且通过特征选择优化与隐藏神经元数量调整提升了模型性能，相应提升了基于模型的心电信号质量检测速度和准确率。

具体实施方式

下面将更详细地描述本申请的实施例。本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

一种心电信号质量的检测方法，包括如下步骤：

（1）.获取待处理的目标心电信号；

（2）.对所述目标心电信号进行特征提取，得到对应的目标信号特征；

（3）.利用预先构建的信号质量检测模型，基于所述目标信号特征对所述目标心电信号进行质量检测处理，得到所述目标心电信号的信号质量检测结果；

其中，所述信号质量检测模型为：建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练所得的模型。

进一步的，在获取待处理的目标心电信号之前，还包括：构建所述信号质量检测模型；

构建所述信号质量检测模型的过程包括：

使用极限学习机，建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型；

通过使用粒子群优化算法对粒子群中的粒子进行位置移动与最优粒子搜寻，并通过使用鲸鱼优化算法引导粒子群优化算法中的粒子位置，对极限学习机进行特征选择优化和隐藏神经元数量调整；

基于特征选择优化和隐藏神经元数量调整的结果训练分类模型；

其中，粒子群中的每个粒子在搜寻空间中对应的每个位置，代表特征选择和隐藏神经元数量的一种状态。

进一步的，所述使用极限学习机，建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，包括：

获取多个用于模型训练的心电信号样本；

提取各个心电信号样本的样本特征，得到心电信号样本的多维度特征；

使用极限学习机，建立对应于心电信号样本的多维度特征的分类模型。

进一步的，所述获取多个用于模型训练的心电信号样本，包括：

对心电图中的原始心电信号进行重采样、分割、滤波和归一化处理，得到多个完成滤波和归一化的心电信号段，作为多个心电信号样本。

进一步的，所述提取各个心电信号样本的样本特征，得到心电信号样本的多维度特征，包括：

提取各个心电信号样本分别对应的多种预设类型的时域特征和多种预设类型的频域特征，得到各个心电信号样本分别对应的多维度特征。

本申请的心电信号质量检测方法具体包括如下流程：

步骤1、获取待处理的目标心电信号。

可通过对待进行质量检测的心电图中的原始心电信号，进行重采样、分割、滤波和归一化等一系列处理，得到待进行质量检测的各个ECG信号段，该待进行质量检测的各个ECG信号段即可视为待处理的目标心电信号。

步骤2、对目标心电信号进行特征提取，得到对应的目标信号特征。

具体可提取目标心电信号的多种预设类型的时域特征和频域特征，作为目标心电信号的目标信号特征。提取过程与上文针对训练样本的特征提取过程类似，具体可参见上文对训练样本的特征提取过程的说明，不再详述。

步骤3、利用预先构建的信号质量检测模型，基于上述的目标信号特征对目标心电信号进行质量检测处理，得到目标心电信号的信号质量检测结果。

之后，将目标心电信号对应的目标信号特征，如目标心电信号对应的各种类型时域特征和各种类型频域特征，输入信号质量检测模型，由模型基于训练阶段确定出的特征选择结果和相应数量的隐藏神经元，对输入的各种特征进行处理，实现对目标心电信号的质量分类，确定其质量类别为“可接受”还是“不可接受”，从而实现对目标心电信号的质量检测。

综上所述，本申请提供的心电信号质量检测方法，预先建立用于基于心电信号的多维度特征进行心电信号质量分类的分类模型，并通过对所建模型进行特征选择优化与隐藏神经元数量调整及此基础上的模型训练，最终构建得到基于信号质量分类的信号质量检测模型，来用于对心电信号进行质量检测。从而，本申请可实现心电信号的自动化质量检测，无需依赖目视检查等人工检测方式，且通过特征选择优化与隐藏神经元数量调整提升了模型性能，相应提升了基于模型的心电信号质量检测速度和准确率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的具有类似功能的技术特征进行互相替换而形成的技术方案。