[發明專利]基于直方圖的自適應閾值R峰檢測、心律分類方法及裝置

有效

• 申請號: 202211068196.9
• 申請日: 2022-09-02
• 公開（公告）號: CN115120248B
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 羅實;李煒銘;邵研;王永恒
• 申請（專利權）人: 之江實驗室
• 主分類號: A61B5/352
• 分類號: A61B5/352;A61B5/00;A61B5/024;A61B5/0245
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝;楊小凡

本發明公開了基于直方圖的自適應閾值R峰檢測、心律分類方法及裝置，通過計算心電信號的最大、最小值，若最小值的絕對值大于最大值，則將預處理后的心電信號進行水平翻轉；提取心電信號的極大值作為候選R峰；統計R峰的直方圖分布；根據人體極限心率范圍及心電信號時長，確定R峰的數量范圍，并截取相應的直方圖范圍；根據最大類間方差法確定直方圖分割閾值，從而得到R峰閾值；取高于閾值的R峰；根據人體極限心率范圍，確定R峰間隔閾值，過濾小于間隔閾值的R峰，得到最終的R峰。根據R峰值，計算時域特征，再將時域特征轉換為頻域特征，將時域特征和頻域特征作為心電信號特征指標；將心電信號特征指標輸入心電識別模型獲得心律分類結果。

技術領域

本發明涉及數字信號處理領域，尤其是涉及基于直方圖的自適應閾值R峰檢測、心律分類方法及裝置。

背景技術

目前國內外對于心律分類主要采用兩種方案，一種是基于心電信號的波形結構的分類，具體方法有模板匹配、結構描述等；另一種是基于心電信號特征的分類，細分為人工特征和機器學習自動特征，比如卷積神經網絡（CNN）。前者依據人為經驗和知識提取心電信號中的顯著特征，魯棒性較好；而后者以數據驅動自動地學習特征，通常準確率更高，但若數據量不夠大，很容易出現過擬合，因此在數據量不足的情況下采用人工特征是更為穩妥的方案。心率變異性（HRV）是最常用的人工特征，HRV指的是連續心動周期（R-R間期）的微小變化或連續瞬時心率的微小漲落。HRV的準確性取決于R峰檢測的準確性，常用方法有差分閾值法（吳建, 李康, 龐宇, 等. 基于差分閾值與模板匹配的心電R波提取算法[J]. 重慶郵電大學學報自然科學版, 2016, 27(3): 372-376.）、Pan-Tompkins法（Pan J, TompkinsW J. A real-time QRS detection algorithm[J]. IEEE transactions on biomedicalengineering, 1985 (3): 230-236.），但在非正常的心電信號上經常會出現漏檢和錯檢，普適性較差，從而導致心律分類的準確率不高。

發明內容

為解決現有技術的不足，實現提高心律分類的準確率及效率的目的，本發明采用如下的技術方案：

一種基于直方圖的自適應閾值R峰檢測方法，包括如下步驟：

步驟S401：計算預處理后的心電信號的最大值與最小值，若最小值的絕對值大于最大值，則將預處理后的心電信號進行水平翻轉；

步驟S402：提取所有預處理后的心電信號的極大值，作為候選的R峰；

步驟S403：統計R峰的直方圖分布；根據人體極限心率范圍及心電信號時長，確定R峰的數量范圍，并截取相應的直方圖范圍；根據最大類間方差法（OTSU）確定直方圖分割閾值，從而得到R峰閾值；

步驟S404：取高于閾值的R峰；

步驟S405：根據人體極限心率范圍，確定R峰間隔閾值，過濾間隔小于間隔閾值的R峰，得到最終的R峰。

進一步地，所述步驟S403中的最大類間方差法，設直方圖的最佳閾值為Ｔ，Ｔ將直方圖分為前景和背景，其中前景區間數量占比為，平均分布值為；背景區間占比為，平均分布值為；則直方圖的平均分布值為，類間方差為，窮舉T計算所有的類間方差，使方差最大的T就是分割閾值，即R峰閾值。

一種基于直方圖的自適應閾值R峰檢測的心律分類方法，包括如下步驟：

步驟S101：獲取待檢測人員的心電信號；

步驟S102：對心電信號進行數據預處理，得到預處理后的心電信號；

步驟S103：提取預處理后的心電信號特征指標，包括如下步驟：

步驟S301：通過預處理后的心電信號，采用所述的基于直方圖的自適應閾值R峰檢測方法，檢測R峰；