[发明专利]一种基于神经网络模型的心电信号质量判别方法

说明书

技术领域

本发明属于医疗器械技术领域，具体涉及一种基于神经网络模型的心电信号质量判别方法。

背景技术

心电信号常常会受到严重的噪音和假象干扰，而滤波算法很多时候并不能很好得去除这些干扰，特别是因为干扰信号和心电信号往往具有相似的频率成分及相近的形态。因此干扰会降低心电信号质量，并影响基于心电的自动疾病诊断从而引起较多的假报警(假阳性)情况。比如心电信号太差会引起ICU中大量的假报警，ICU中的假报警甚至可能高达86％。

随着人类预期寿命的逐渐提高，现代社会健康老龄化将成为全球重点。世界卫生组织估计到2050年全世界60岁以上人口将达到20亿，并且80％的老年人将生活在低收入和中等收入国家。心血管疾病等慢性病将成为一个很大的负担并严重影响老年人的生活质量。移动医疗和可穿戴式医疗设备将越来越广泛地用于慢性病的预防和管理。未来移动医疗将提供高质、低价、方便的健康管理方案。比如Holter因其可以在不影响日常生活的情况下方便地使用，而被广泛用于长程的心电监护。Holter的动态监测功能使得其可以在临床使用中达到24小时甚至长达数天的连续监测。现代通讯手段使得心电信号可以很方便得存储并近乎实时得传输到医护人员的电脑上或其他移动终端上。但是，动态下的Holter信号会受到比较严重的噪音的假象干扰。被噪音污染的Holter信号对自动甚至人工疾病诊断造成很大困难。

通过实时对心电信号质量进行评估，用户可以即时知道所获取的心电信号的质量如何。如果，信号质量太差，用户将得到提醒，并重新测量信号，或检查电极的联结，或检查其他可能造成的噪音影响。

从近期一些文献或者专利技术中可以查阅到有关心电信号质量评估技术的研究，但是这些研究都是基于特征点提取的，也即首先通过一种算法提取心电信号的特征点，比如多数情况下是R波点或者是QRS波群，然后通过对特征点提取结果的分析、QRS波形的分析等获取对信号质量的描述；但特征提取结果的重要影响因素之一便是信号质量水平，信号质量问题会对特征提取造成误差，通过特征提取结果对信号质量水平进行判断也带来误差，这些误差都是向后积累的，最终造成分析结果的不精确，甚至是错误。

另外，信号质量水平不是简单的好与不好的区别，具有明显的模糊性质，这符合人类本身对于信号质量的认知方式。对于一例特定的信号，其可能含有多种影响质量的因素，怎样将它归类到与其更为相似的一种类别中，以往的处理方式很难做到这一点。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于神经网络模型的心电信号质量判别方法，能够有效的判断心电信号质量是否满足可接受要求，大大降低了由于信号质量较低带来的诊断结果错误。

一种基于神经网络模型的心电信号质量判别方法，包括如下步骤：

(1)采集基于独立导联通道的m组心电信号段，m为大于1的自然数；通过人工对这些心电信号段的质量进行0或1标记，1表示满足接受要求，0表示不满足接受要求；

(2)对于任一组心电信号段，计算该心电信号段的QRS能量比值、信号峰度和基线能量比值，并将这三个特征指标组成该心电信号段的特征序列；

(3)根据对应求得的m组特征序列通过人工神经网络学习算法进行训练，得到关于心电信号质量的判别模型；进而根据用户日常检测得到的单通道心电信号段利用所述的判别模型对该单通道心电信号段的质量进行判别，从而判断出该单通道心电信号段的质量是否满足接受要求。

所述的步骤(2)中通过以下算式计算心电信号段的QRS能量比值：