用于心电图识别与分类的方法和设备
2019-11-22

用于心电图识别与分类的方法和设备

本发明揭示了一种用于心电图识别与分类的方法和设备,该方法和设备获取由心电图诊断仪得到的QRS波群队列,由此可获得每个QRS波起点、终点、斜率及其R波位置,Q波、R波和S波的振幅和方向;相邻两个R波的间隔;QRS波的形态模式,包括QRS波切迹和QRS波粗钝等。本发明还揭示了充分借鉴专家思维过程的用于心电图诊断仪的模式分类方法。本发明以较小的运算量实现了有效的ECG特征识别和模式分类方法和设备。

用于心电图识别与分类的方法和设备技术领域本发明涉及心电图(Electrocardiogram,ECG)诊断仪领域,更具体地说,涉及用于心电图(ECG)诊断仪的特征识别与模式分类方法和设备。背景技术我国社会的医疗模式正在发生深刻的转变,需要从以大、中医院为中心的医疗模式,逐步过渡到以个人为中心、以家庭为单位、以社区为范围,集医疗、预防、保健管理于一体,注重早期诊断与治疗的卫生服务,以提高全民生活质量、减少不必要的花费。国务院《关于发展城市社区卫生服务的指导意见》提出到2010年实现"人人享有基本医疗和公共卫生服务,,的蓝图。因此,医疗保健设备的"无线化"、"便携式"、"家庭化,,是必然的发展方向,如用于心、肺音的听诊,脑电、心电信号的识别的无线可佩戴设备。生活中,心脑血管疾病具有起病急骤、难以预测的特点,已经成为威胁21世纪人类生命健康最严重、最常见的疾病。例如许多心脏疾病常常突发于医院之外,病人被送达医院时相应症状的发作已经停止,没有ECG记录,此时医生并不能够做出诊断。使用"可佩戴无线ECG诊断仪"就能够及时记录疾病发作时的ECG,并将其通过短距离无线通信方式传输到掌上计算机,捕获异常情况。一旦有危险,相关信息可通过无线通信网络传送到医院或急救中心,通知医生进行"家访"或让患者/家属及时到医院治疗,而病人在到达急诊室之前就能够得到初步诊断,社会和经济效益会十分巨大。通常,将采集的心电数据进行预处理后,即进入心电图波形检测和提取特征信息的阶段。心电图特征信息提取算法的准确与否是自动分析系统研究过程中的核心问题,分析结果的准确性取决于特征提取的准确性和可靠性。在心电图中,一组顺序发生的P波、QRS波、T波以及U波,代表一个完整的心动周期(也称为一个心拍),心电图正是由一次又一次周而复始的心动周期组成的。一个心电周期中所包含的心电特征信息如图1所示。ECG计算机识别的核心问题是ECG的特征信号如P波、QRS波和T波的识别和异常情况的分类。QRS波的识别是前提,而精确检测QRS波的主波R波是识别整个QRS波的基础。ECG诊断仪这样的设备要求在只有较小内存空间的情况下有更强的实时性,因而波形识别面临着更大的挑战,进一步研究已有ECG识别算法并针对可佩戴设备的特别的需求来设计新算法成为必然要求。有关的研究方法有很多,包括小波分析、人工神经网络、微分阈值、知识库、句法分析、马尔柯夫过程、数学形态学、句法分析、支持向量机、人工免疫算法等,并构成诊断系统。由于模型的简化、信号的干扰、特征的模糊、信息的不全,以及缺乏对形态的分析能力等方面的原因,目前计算机检测的准确率远未达到临床心血管医生目测的水平。如果不以"百分之百"准确为目标(这是社区医疗等应用可接受的实际情况),上述方法的检测效果均可以,但大部分方法的测试范围都是局部的,难以推广到更大范围,它们有这些共同之处:与斜率、振幅等直观参数有关或对它们有依赖;对医生的经验重视不够;计算复杂;实时性不够。下面是主要方法的特点的归納。直观参数经验计算复杂度实时性测试范围QRS波检测1)阈值法显式 部分利用 普通 较好 全部 好2)句法法隐式 不讨i仑 高 较差 部分 好3)小波法隐式 不讨论 高 较差 全部 好4)形态学法隐式 不讨论 高/一般 较差 部分 好5)隐马尔可夫模型法 隐式 不讨论 高 较差 部分 好6)神经网络法 隐式 不讨论- 高 较差 部分 好7)知识库法显式 部分利用 高 较差 部分 好这些方法主要着眼于QRS波的检测这一基础和前提工作。综合考虑测试范围和QRS波检测结果,阈值法和小波法是最好的,但小波法计算复杂,而阈值法考虑的参数比较有限。综合而言,目前没有满足实际ECG特征识别与模式分类要求的具体方法。宜在充分重视和吸收医生的思维过程和经验、降低计算复杂性方面寻找解决途径。发明内容本发明旨在提供一种适用于ECG诊断仪的特征识别和模式分类方法,能以较低的计算量实现有效的ECG识别与诊断。根据本发明的一方面,提供一种用于心电图识别和分类的方法,该方法获得每个QRS波起点和终点以及其R波位置P(k),由此获得每个QRS波斜率,Q波、R波和S波的振幅和方向;相邻两个R波的间隔;诸如QRS波切迹和QRS波粗钝的QRS波的形态模式;其中,所述方法包括:波形计算步骤,分别计算R波、Q波和S波的振幅,QRS波的斜率,相邻两个R波的间隔;形态识别步骤,根据波形计算步骤计算的R波、Q波和S波的振幅,对R波、Q波和S波进行识别;QRS波形态识别步骤,识别QRS波的形态特征。上述的波形计算步骤包括:R波振幅计算子步骤,计算R波的振幅Rs;Q波振幅计算子步骤,在区间范围内搜索幅值最小的点并计算Q波振幅Qs;S波振幅计算子步骤,在区间范围内搜索幅值最小的点并计算S波振幅Ss;r'波振幅计算子步骤,在区间范围内搜索幅值最大的点Ar'),并计算r'波的振幅r's;斜率计算子步骤,计算QRS波的斜率;以及间隔计算子步骤,计算相邻两个R波的间隔。其中,根据形态识别步骤的结果对QRS波形态进行识别,其中,该QRS波形态识别步骤包括判断QRS波切迹和QRS波粗钝。根据本发明的第二方面,提供一种用于心电图识别和分类的设备,该设备获得每个QRS波起点和终点以及其R波位置P(k),由此获得每个QRS波斜率,Q波、R波和S波的振幅和方向;相邻两个R波的间隔;诸如QRS波切迹和QRS波粗钝的QRS波的形态模式;其中,所述设备包括:波形计算装置,分别计算R波、Q波和S波的振幅,QRS波的斜率,相邻两个R波的间隔;形态识别装置,根据波形计算装置计算的R波、Q波和S波的振幅,对R波、Q波和S波进〗亍识别;QRS波形态识别装置,识另'jQRS波的形态特征。其中,上述的波形计算装置包括:R波振幅计算子装置,计算R波的振幅Rs;Q波振幅计算子装置,在区间范围内搜索幅值最小的点/(《),并计算Q波振幅QS;S波振幅计算子装置,在区间范围内搜索幅值最大的点/(O,并计算r'波的振幅r's;斜率计算子装置,计算QRS波的斜率;以及间隔计算子装置,计算相邻两个R波的间隔。该QRS波形态识别装置根据形态识别装置的结果对QRS波形态进行识别。该QRS波形态识别装置判断QRS波切迹和QRS波粗钝。采用本发明的技术方案,充分借助对于源自医生思维和经验的QRS波群的形态特征的识别过程,实现了以较小的工作量实现了达到较高的ECG特征识别准确率的效果,为ECG诊断仪的应用提供了良好的基础。附图说明本发明上述的以及其他的特征、性质和优势将通过下面结合附图对实施例的描述而变得更加明显,在附图中,相同的附图标记始终表示相同的特征,其中:图1是典型的ECG的波形特征;图2是ECG的形态特征;图3是根据本发明的用于ECG识别与分类方法的过程框图;图4是根据本发明的用于ECG识别与分类设备的功能框图。具体实施方式由于现行的算法计算量巨大,无法在设备上得到应用,因此本发明旨在充分重视医生的思维过程并吸收医生的经验、在降低计算复杂性方面寻找解决途径。在ECG中,就QRS波形态而言,常见的有二十余种。所谓不同的形态,是指QRS波中存在不同的成份。譬如QRS波只有向下的波,那么就称为QS波;另外,相同的成份在不同的ECG中也会有不同的表现形式,在医学上,通常用小写的q、r、s来表示QRS波中振幅相对较小的成份,如图2所示。例如针对qRs、rS以及QRS波切迹(所谓切迹,是指一个波形在参考水平线的同一侧出现2个或2个以上的转折点),检测步骤如下:第一,根据QRS波的主峰方向来决定本波形究竟是大R波还是大S波。若主峰方向为正,则是大R波;反之,若主峰方向为负,则是大S波;第二,若是大R波,则分别在和的两个区间里寻找转折点,若是大S波则不执行该步骤及下面的步骤;第三,在找到转折点之后,检查该点是否与主峰位于QRS波的参考水平线的同一侧。以第一个区间为例,如果该点在参考水平线的下方,那么该点就是Q点,否则就是切迹。同样,能够确定第二个区间里的形态。形态特征与时频分析方法各有适用之处,但迄今为止缺乏针对形态的专门研究、讨论和分析。有经验的医生凭记忆中的模板能迅速判断ECG反映了什么病症,实际上是一个分层的、由粗而细的综合和分析过程。医生依据的是已知异常的ECG模式,并将它们与当时得到的ECG进行比较、对照,这里没有通常意义下的数值计算或数据处理,难以拆成微小逻辑步骤,而是一个综合的、宏观的特征识别与匹配过程:扫;f见心电图记录,定位P波、QRS波和T波等特征波型;测量P-P或R-R间隔;观察波形的斜率、幅值和拐点等各种形态;或用分MJi行比较;将异常波型与相应特征波型比较,得出结论。基于上述的判断原理和过程,本发明提供如下的方案来以较低的计算量实现有效的ECG特征识别。参考图3,其揭示了本发明的用于ECG识别与分类的方法的过程框图。该方法首先获取QRS波群队列R(k),其中包含了每个QRS波起点和终点以及其R波位置P(k),之后基于所述信息提取QRS波的形态特征,包括如下的步骤:102.分别计算R波、Q波和S波的振幅。参考图3所示,该步骤102进一步包括如下几个过程:120.计算R波的振幅Rs;122.在区间范围内搜索幅值最小的点/W,并计算Q波#>幅Qs;124.在区间范围内搜索幅值最大的点,(。,并计算r'波的4展幅r's;128.斜率计算子步骤,计算QRS波的斜率;以及129.间隔计算子步骤,计算相邻两个R波的间隔。104.根据波形计算步骤计算的R波、Q波和S波的振幅,对R波、Q波和S波进行识别。参考图3所示,该步骤104进一步包括如下的子步骤:R波识别子步骤140,如果^〉0,并且^》max(Os,&),则判定为大R波;如果&>0,但不满足/?"max(^,&),则为小r波;如果&<0则直接判定为QS波;Q波识别子步骤142,判定为小q波或大Q波;否则认为形态上不存在Q波;以及S波识别子步骤144,判定为小S波或大S波;判定是否存在"';否则认为不存在S波。106.识别QRS波的形态特征。QRS波的形态特征包括多种,这些都是本领域中的技术人员所熟知的内容。并且,对于QRS波的形态特征的识别,也是在医生的人工判断中所利用的重要依据。现有的自动识别技术中,由于没有利用到这些形态特征,因此使得判断依据不完整,并且准确性较低。本发明正式在自动QRS波识别的过程中加入了这些形态特征的识别因素,使得准确率大为提高。根据一个例子,该识别QRS波的形态特征的步骤包括基于预定区间内波形的拐点数量判定是否存在QRS波切迹。根据一实施例,该步骤106包括搜索l/("/")]区间内的所有拐点,如果其数量大于等于2,则认为存在QRS波切迹,否则认为不存在QRS波切迹。根据另一个例子,该识别QRS波的形态特征的步骤包括基于预定区间内波形的极值点判断QRS波是否为粗钝;以及,如果所有极值点依次为极大值点与极小值点间隔出现,把一对极大值点与极小值称为一组,如果组数大于2,那么认为该QRS波为锯齿型波(F波)。参考图4,与图3所示的方法对应,其揭示了本发明的用于ECG识别与分类的设备的结构框图。该方法首先获取QRS波群队列R(k),其中包含了每个QRS波起点和终点以及其R波位置P(k),之后基于信息提取QRS波的形态特征,该设备包括:波形计算装置202,分别计算R波、Q波和S波的振幅。参考图4所示,该波形计算装置202进一步包括如下几个部件:R波振幅计算子装置220,计算R波的振幅Rs;Q波振幅计算子装置222,在区间范围内搜索幅值最小的点/(《),并计算Q波振幅Qs;S波振幅计算子装置224,在区间范围内搜索幅值最小的点Z"),并计算S波振幅Ss;r'波振幅计算子装置226,在区间内的所有拐点,如果其数量大于等于2,则认为存在QRS波切迹,否则认为不存在QRS波切迹。根据另一实施例,该识别QRS波的形态特征的步骤包括基于预定区间内波形的极值点判断QRS波是否为粗钝;以及,如果所有极值点依次为极大值点与极小值点间隔出现,把一对极大值点与极小值称为一组,如果组数大于2,那么认为该QRS波为锯齿型波(F波)。根据上述的特征识别方法,可以较好的提取出形态特征参数,为加入了形态特征参数的心律失常判别规则提供了必要的信息。举例说明,对于室性期前收缩:1)QRS波20.10s;2)R-早R-R间期-2倍正常的R-R间期;即代偿间期完全;3)V1导联呈rSR',RSR'和Rsr',且左边的R(或「)波的振幅>右边的R(或r)波的振幅;或V6导联呈rS形;4)形态参数:1)QRS波畸形;2)ST段斜率与QRS波主波相反;3)T波方向与QRS波主波相反。作为本发明的ECG识别与分类方法及设备的一个扩展,还可以加入P波识别的部分。在当前的心电图自动分析研究中,幅度很小、更容易被干扰的P波存在着定位难和易误判的问题,同时测试样本数少、测试数据不统一,其自动识别一直是尤为困难的工作。从观测数据出发寻找规律、训练学习、进行预测是本发明中对于P波进行识别的基本思路。先在MIT/BIH数据库QRS波心拍注释的基础上,由专家对样本的每个P波波峰点进行确认,形成标志注的P波数据。然后使用支撑向量机(SVM)进行自动学习和识别。在样本选择上,使用注释过的MIT/BIH数据样本的前面部分(比如三分之二)的数据作为训练样本,剩下的作为测试样本。以每个P波波峰点为中心,截取波形数据,作为训练用的正样本;另以P波波峰前后三个、六个点为中心截取数据作为负样本,这样每个MIT/BIH数据样本可以产生上万个左右训练波形,并测试。为了降低算法的复杂度和克服过训练的问题,在训练前使用层次聚类对进行了样本篩选。最后,使用SVM训练后的算法对测试样本进行识别,使用多项式、径向基和Sigmoid三类核函数进行比较,寻找最优的P波识别算法。研究发现,原始波形数据虽然能够表征完整的P波,但是由于P波的本身特征不明显,在形成90%以上的识别率的同时,也会造成较高的误诊率;通过使用滤波增强、取特征点等方法,突出P波特征,减少了SVM算法的误诊率。采用本发明的技术方案,充分借助对于源自医生思维和经验的QRS波群的形态特征的识别过程,实现了以较小的工作量实现了达到较高的ECG特征识别准确率的效果,为ECG诊断仪的应用提供了良好的基础。本领域的技术人员能够理解,前述实施例所描述的各个步骤可以通过计算机硬件、计算机软件或两者的组合来实现。为了清楚说明硬件和软件间的互换性,各种说明性的组件、框图、模块、电路和步骤一般按照其功能性进行了阐述。这些功能性究竟作为硬件或软件来实现取决于整个系统所采用的特定的应用系统的设计。技术人员可以认识到在这些情况下硬件和软件的交互性,以及怎样最好地实现每个特定应用所述功能。技术人员可能以对于每个特定应用不同的方式来实现所述功能,但这种实现不应被解释为造成背离本发明的范围。结合这里所描述的实施例来描述的各种步骤的实现或执行可以用:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、场可编程门阵列(FPGA)或其它可编程逻辑器件、离散门或晶体管逻辑、离散硬件组件或者为执行这里所述功能而设计的任意组合。通用处理器可能是微处理器,处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器也可能用计算设备的组合来实现,如,DSP和微处理器的组合、多个微处理器、结合DSP内核的一个或多个微处理器或者任意其它这种配置。尽管以上描述了本发明的较佳实施例,但本发明不仅限于此。本领域的熟练的技术人员可以在以上描述的基础上进行各种变化和改变。不脱离发明精神的各种改变和变化都应落在本发明的保护范围之内。发明的保护范围由所附的权利要求书来限定。

Description

Description

用于心电图识别与分类的方法和设备技术领域本发明涉及心电图(Electrocardiogram,ECG)诊断仪领域,更具体地说,涉及用于心电图(ECG)诊断仪的特征识别与模式分类方法和设备。背景技术我国社会的医疗模式正在发生深刻的转变,需要从以大、中医院为中心的医疗模式,逐步过渡到以个人为中心、以家庭为单位、以社区为范围,集医疗、预防、保健管理于一体,注重早期诊断与治疗的卫生服务,以提高全民生活质量、减少不必要的花费。国务院《关于发展城市社区卫生服务的指导意见》提出到2010年实现"人人享有基本医疗和公共卫生服务,,的蓝图。因此,医疗保健设备的"无线化"、"便携式"、"家庭化,,是必然的发展方向,如用于心、肺音的听诊,脑电、心电信号的识别的无线可佩戴设备。生活中,心脑血管疾病具有起病急骤、难以预测的特点,已经成为威胁21世纪人类生命健康最严重、最常见的疾病。例如许多心脏疾病常常突发于医院之外,病人被送达医院时相应症状的发作已经停止,没有ECG记录,此时医生并不能够做出诊断。使用"可佩戴无线ECG诊断仪"就能够及时记录疾病发作时的ECG,并将其通过短距离无线通信方式传输到掌上计算机,捕获异常情况。一旦有危险,相关信息可通过无线通信网络传送到医院或急救中心,通知医生进行"家访"或让患者/家属及时到医院治疗,而病人在到达急诊室之前就能够得到初步诊断,社会和经济效益会十分巨大。通常,将采集的心电数据进行预处理后,即进入心电图波形检测和提取特征信息的阶段。心电图特征信息提取算法的准确与否是自动分析系统研究过程中的核心问题,分析结果的准确性取决于特征提取的准确性和可靠性。在心电图中,一组顺序发生的P波、QRS波、T波以及U波,代表一个完整的心动周期(也称为一个心拍),心电图正是由一次又一次周而复始的心动周期组成的。一个心电周期中所包含的心电特征信息如图1所示。ECG计算机识别的核心问题是ECG的特征信号如P波、QRS波和T波的识别和异常情况的分类。QRS波的识别是前提,而精确检测QRS波的主波R波是识别整个QRS波的基础。ECG诊断仪这样的设备要求在只有较小内存空间的情况下有更强的实时性,因而波形识别面临着更大的挑战,进一步研究已有ECG识别算法并针对可佩戴设备的特别的需求来设计新算法成为必然要求。有关的研究方法有很多,包括小波分析、人工神经网络、微分阈值、知识库、句法分析、马尔柯夫过程、数学形态学、句法分析、支持向量机、人工免疫算法等,并构成诊断系统。由于模型的简化、信号的干扰、特征的模糊、信息的不全,以及缺乏对形态的分析能力等方面的原因,目前计算机检测的准确率远未达到临床心血管医生目测的水平。如果不以"百分之百"准确为目标(这是社区医疗等应用可接受的实际情况),上述方法的检测效果均可以,但大部分方法的测试范围都是局部的,难以推广到更大范围,它们有这些共同之处:与斜率、振幅等直观参数有关或对它们有依赖;对医生的经验重视不够;计算复杂;实时性不够。下面是主要方法的特点的归納。直观参数经验计算复杂度实时性测试范围QRS波检测1)阈值法显式 部分利用 普通 较好 全部 好2)句法法隐式 不讨i仑 高 较差 部分 好3)小波法隐式 不讨论 高 较差 全部 好4)形态学法隐式 不讨论 高/一般 较差 部分 好5)隐马尔可夫模型法 隐式 不讨论 高 较差 部分 好6)神经网络法 隐式 不讨论- 高 较差 部分 好7)知识库法显式 部分利用 高 较差 部分 好这些方法主要着眼于QRS波的检测这一基础和前提工作。综合考虑测试范围和QRS波检测结果,阈值法和小波法是最好的,但小波法计算复杂,而阈值法考虑的参数比较有限。综合而言,目前没有满足实际ECG特征识别与模式分类要求的具体方法。宜在充分重视和吸收医生的思维过程和经验、降低计算复杂性方面寻找解决途径。发明内容本发明旨在提供一种适用于ECG诊断仪的特征识别和模式分类方法,能以较低的计算量实现有效的ECG识别与诊断。根据本发明的一方面,提供一种用于心电图识别和分类的方法,该方法获得每个QRS波起点和终点以及其R波位置P(k),由此获得每个QRS波斜率,Q波、R波和S波的振幅和方向;相邻两个R波的间隔;诸如QRS波切迹和QRS波粗钝的QRS波的形态模式;其中,所述方法包括:波形计算步骤,分别计算R波、Q波和S波的振幅,QRS波的斜率,相邻两个R波的间隔;形态识别步骤,根据波形计算步骤计算的R波、Q波和S波的振幅,对R波、Q波和S波进行识别;QRS波形态识别步骤,识别QRS波的形态特征。上述的波形计算步骤包括:R波振幅计算子步骤,计算R波的振幅Rs;Q波振幅计算子步骤,在区间范围内搜索幅值最小的点并计算Q波振幅Qs;S波振幅计算子步骤,在区间范围内搜索幅值最小的点并计算S波振幅Ss;r'波振幅计算子步骤,在区间范围内搜索幅值最大的点Ar'),并计算r'波的振幅r's;斜率计算子步骤,计算QRS波的斜率;以及间隔计算子步骤,计算相邻两个R波的间隔。其中,根据形态识别步骤的结果对QRS波形态进行识别,其中,该QRS波形态识别步骤包括判断QRS波切迹和QRS波粗钝。根据本发明的第二方面,提供一种用于心电图识别和分类的设备,该设备获得每个QRS波起点和终点以及其R波位置P(k),由此获得每个QRS波斜率,Q波、R波和S波的振幅和方向;相邻两个R波的间隔;诸如QRS波切迹和QRS波粗钝的QRS波的形态模式;其中,所述设备包括:波形计算装置,分别计算R波、Q波和S波的振幅,QRS波的斜率,相邻两个R波的间隔;形态识别装置,根据波形计算装置计算的R波、Q波和S波的振幅,对R波、Q波和S波进〗亍识别;QRS波形态识别装置,识另'jQRS波的形态特征。其中,上述的波形计算装置包括:R波振幅计算子装置,计算R波的振幅Rs;Q波振幅计算子装置,在区间范围内搜索幅值最小的点/(《),并计算Q波振幅QS;S波振幅计算子装置,在区间范围内搜索幅值最大的点/(O,并计算r'波的振幅r's;斜率计算子装置,计算QRS波的斜率;以及间隔计算子装置,计算相邻两个R波的间隔。该QRS波形态识别装置根据形态识别装置的结果对QRS波形态进行识别。该QRS波形态识别装置判断QRS波切迹和QRS波粗钝。采用本发明的技术方案,充分借助对于源自医生思维和经验的QRS波群的形态特征的识别过程,实现了以较小的工作量实现了达到较高的ECG特征识别准确率的效果,为ECG诊断仪的应用提供了良好的基础。附图说明本发明上述的以及其他的特征、性质和优势将通过下面结合附图对实施例的描述而变得更加明显,在附图中,相同的附图标记始终表示相同的特征,其中:图1是典型的ECG的波形特征;图2是ECG的形态特征;图3是根据本发明的用于ECG识别与分类方法的过程框图;图4是根据本发明的用于ECG识别与分类设备的功能框图。具体实施方式由于现行的算法计算量巨大,无法在设备上得到应用,因此本发明旨在充分重视医生的思维过程并吸收医生的经验、在降低计算复杂性方面寻找解决途径。在ECG中,就QRS波形态而言,常见的有二十余种。所谓不同的形态,是指QRS波中存在不同的成份。譬如QRS波只有向下的波,那么就称为QS波;另外,相同的成份在不同的ECG中也会有不同的表现形式,在医学上,通常用小写的q、r、s来表示QRS波中振幅相对较小的成份,如图2所示。例如针对qRs、rS以及QRS波切迹(所谓切迹,是指一个波形在参考水平线的同一侧出现2个或2个以上的转折点),检测步骤如下:第一,根据QRS波的主峰方向来决定本波形究竟是大R波还是大S波。若主峰方向为正,则是大R波;反之,若主峰方向为负,则是大S波;第二,若是大R波,则分别在和的两个区间里寻找转折点,若是大S波则不执行该步骤及下面的步骤;第三,在找到转折点之后,检查该点是否与主峰位于QRS波的参考水平线的同一侧。以第一个区间为例,如果该点在参考水平线的下方,那么该点就是Q点,否则就是切迹。同样,能够确定第二个区间里的形态。形态特征与时频分析方法各有适用之处,但迄今为止缺乏针对形态的专门研究、讨论和分析。有经验的医生凭记忆中的模板能迅速判断ECG反映了什么病症,实际上是一个分层的、由粗而细的综合和分析过程。医生依据的是已知异常的ECG模式,并将它们与当时得到的ECG进行比较、对照,这里没有通常意义下的数值计算或数据处理,难以拆成微小逻辑步骤,而是一个综合的、宏观的特征识别与匹配过程:扫;f见心电图记录,定位P波、QRS波和T波等特征波型;测量P-P或R-R间隔;观察波形的斜率、幅值和拐点等各种形态;或用分MJi行比较;将异常波型与相应特征波型比较,得出结论。基于上述的判断原理和过程,本发明提供如下的方案来以较低的计算量实现有效的ECG特征识别。参考图3,其揭示了本发明的用于ECG识别与分类的方法的过程框图。该方法首先获取QRS波群队列R(k),其中包含了每个QRS波起点和终点以及其R波位置P(k),之后基于所述信息提取QRS波的形态特征,包括如下的步骤:102.分别计算R波、Q波和S波的振幅。参考图3所示,该步骤102进一步包括如下几个过程:120.计算R波的振幅Rs;122.在区间范围内搜索幅值最小的点/W,并计算Q波#>幅Qs;124.在区间范围内搜索幅值最大的点,(。,并计算r'波的4展幅r's;128.斜率计算子步骤,计算QRS波的斜率;以及129.间隔计算子步骤,计算相邻两个R波的间隔。104.根据波形计算步骤计算的R波、Q波和S波的振幅,对R波、Q波和S波进行识别。参考图3所示,该步骤104进一步包括如下的子步骤:R波识别子步骤140,如果^〉0,并且^》max(Os,&),则判定为大R波;如果&>0,但不满足/?"max(^,&),则为小r波;如果&<0则直接判定为QS波;Q波识别子步骤142,判定为小q波或大Q波;否则认为形态上不存在Q波;以及S波识别子步骤144,判定为小S波或大S波;判定是否存在"';否则认为不存在S波。106.识别QRS波的形态特征。QRS波的形态特征包括多种,这些都是本领域中的技术人员所熟知的内容。并且,对于QRS波的形态特征的识别,也是在医生的人工判断中所利用的重要依据。现有的自动识别技术中,由于没有利用到这些形态特征,因此使得判断依据不完整,并且准确性较低。本发明正式在自动QRS波识别的过程中加入了这些形态特征的识别因素,使得准确率大为提高。根据一个例子,该识别QRS波的形态特征的步骤包括基于预定区间内波形的拐点数量判定是否存在QRS波切迹。根据一实施例,该步骤106包括搜索l/("/")]区间内的所有拐点,如果其数量大于等于2,则认为存在QRS波切迹,否则认为不存在QRS波切迹。根据另一个例子,该识别QRS波的形态特征的步骤包括基于预定区间内波形的极值点判断QRS波是否为粗钝;以及,如果所有极值点依次为极大值点与极小值点间隔出现,把一对极大值点与极小值称为一组,如果组数大于2,那么认为该QRS波为锯齿型波(F波)。参考图4,与图3所示的方法对应,其揭示了本发明的用于ECG识别与分类的设备的结构框图。该方法首先获取QRS波群队列R(k),其中包含了每个QRS波起点和终点以及其R波位置P(k),之后基于信息提取QRS波的形态特征,该设备包括:波形计算装置202,分别计算R波、Q波和S波的振幅。参考图4所示,该波形计算装置202进一步包括如下几个部件:R波振幅计算子装置220,计算R波的振幅Rs;Q波振幅计算子装置222,在区间范围内搜索幅值最小的点/(《),并计算Q波振幅Qs;S波振幅计算子装置224,在区间范围内搜索幅值最小的点Z"),并计算S波振幅Ss;r'波振幅计算子装置226,在区间内的所有拐点,如果其数量大于等于2,则认为存在QRS波切迹,否则认为不存在QRS波切迹。根据另一实施例,该识别QRS波的形态特征的步骤包括基于预定区间内波形的极值点判断QRS波是否为粗钝;以及,如果所有极值点依次为极大值点与极小值点间隔出现,把一对极大值点与极小值称为一组,如果组数大于2,那么认为该QRS波为锯齿型波(F波)。根据上述的特征识别方法,可以较好的提取出形态特征参数,为加入了形态特征参数的心律失常判别规则提供了必要的信息。举例说明,对于室性期前收缩:1)QRS波20.10s;2)R-早R-R间期-2倍正常的R-R间期;即代偿间期完全;3)V1导联呈rSR',RSR'和Rsr',且左边的R(或「)波的振幅>右边的R(或r)波的振幅;或V6导联呈rS形;4)形态参数:1)QRS波畸形;2)ST段斜率与QRS波主波相反;3)T波方向与QRS波主波相反。作为本发明的ECG识别与分类方法及设备的一个扩展,还可以加入P波识别的部分。在当前的心电图自动分析研究中,幅度很小、更容易被干扰的P波存在着定位难和易误判的问题,同时测试样本数少、测试数据不统一,其自动识别一直是尤为困难的工作。从观测数据出发寻找规律、训练学习、进行预测是本发明中对于P波进行识别的基本思路。先在MIT/BIH数据库QRS波心拍注释的基础上,由专家对样本的每个P波波峰点进行确认,形成标志注的P波数据。然后使用支撑向量机(SVM)进行自动学习和识别。在样本选择上,使用注释过的MIT/BIH数据样本的前面部分(比如三分之二)的数据作为训练样本,剩下的作为测试样本。以每个P波波峰点为中心,截取波形数据,作为训练用的正样本;另以P波波峰前后三个、六个点为中心截取数据作为负样本,这样每个MIT/BIH数据样本可以产生上万个左右训练波形,并测试。为了降低算法的复杂度和克服过训练的问题,在训练前使用层次聚类对进行了样本篩选。最后,使用SVM训练后的算法对测试样本进行识别,使用多项式、径向基和Sigmoid三类核函数进行比较,寻找最优的P波识别算法。研究发现,原始波形数据虽然能够表征完整的P波,但是由于P波的本身特征不明显,在形成90%以上的识别率的同时,也会造成较高的误诊率;通过使用滤波增强、取特征点等方法,突出P波特征,减少了SVM算法的误诊率。采用本发明的技术方案,充分借助对于源自医生思维和经验的QRS波群的形态特征的识别过程,实现了以较小的工作量实现了达到较高的ECG特征识别准确率的效果,为ECG诊断仪的应用提供了良好的基础。本领域的技术人员能够理解,前述实施例所描述的各个步骤可以通过计算机硬件、计算机软件或两者的组合来实现。为了清楚说明硬件和软件间的互换性,各种说明性的组件、框图、模块、电路和步骤一般按照其功能性进行了阐述。这些功能性究竟作为硬件或软件来实现取决于整个系统所采用的特定的应用系统的设计。技术人员可以认识到在这些情况下硬件和软件的交互性,以及怎样最好地实现每个特定应用所述功能。技术人员可能以对于每个特定应用不同的方式来实现所述功能,但这种实现不应被解释为造成背离本发明的范围。结合这里所描述的实施例来描述的各种步骤的实现或执行可以用:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、场可编程门阵列(FPGA)或其它可编程逻辑器件、离散门或晶体管逻辑、离散硬件组件或者为执行这里所述功能而设计的任意组合。通用处理器可能是微处理器,处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器也可能用计算设备的组合来实现,如,DSP和微处理器的组合、多个微处理器、结合DSP内核的一个或多个微处理器或者任意其它这种配置。尽管以上描述了本发明的较佳实施例,但本发明不仅限于此。本领域的熟练的技术人员可以在以上描述的基础上进行各种变化和改变。不脱离发明精神的各种改变和变化都应落在本发明的保护范围之内。发明的保护范围由所附的权利要求书来限定。

Description