[发明专利]基于形态学滤波和小波阈值的心电异常判别系统及方法

说明书

本发明提供了一种基于形态学滤波和小波阈值的心电异常判别系统，其特征在于，包括：数据扩展模块将多组导联数据进行扩展获取心电信号s₀；基线漂移处理模块使用改进的形态学滤波方法对输入的心电信号s₀进行两次滤波得到基线漂移信号s₂，对s₂赋予权重w，与原信号相减得到输出信号s；去噪模块基于基线漂移处理模块输出的心电信号s使用软硬阈值结合的方法过滤小波分解后的不同尺度系数，通过小波重构获取滤除噪声的信号t；判别模块基于去噪模块输出的心电信号t，通过下采样缩短信号长度并保留有效信息。本发明通过在两次滤波结束之后加入自适应机制，通过对结构元素的选择和赋予权重处理，从而进行循环调优，结合判别技术获取最终的异常判别结果。

技术领域

本发明涉及医学数据智能分析技术领域，具体地，涉及一种基于形态学滤波和小波阈值的心电异常判别系统及方法，尤其涉及一种基于改进形态学滤波和小波阈值的心电信号处理方法和心电异常判别系统。

背景技术

心肌细胞内外带有正电荷的阳性离子和带有负电荷的阴性离子会由于心肌细胞的活动而产生电极差，从而生成电信号。利用这个原理，心电信号可通过机器测得每一次心脏跳动时产生的电信号。爱因托芬于1903年记录了第一份心电图，定义并命名了心电信号中的各类波形(P波、Q波、R波、S波、T波、U波)。威尔逊于1933年完成了单极胸导联的心电图记录，1954年由美国心脏学会提出，统一使用标准12导联心电图，包括了胸导联和肢导联，广泛应用于现在的检测中。

基于深度学习的心电信号数据分析，大部分研究都集中在标准数据库MIT-BIH、欧盟ST-T数据库、AHA心律失常数据库等为基础的单导联、简单的心律失常的诊断。Weijia Lu等人基于MIT-BIH恶性室性心律失常数据库，利用卷积网络并结合自编码器对正常心律和四种心律失常进行分类；吴恩达团队于2019年发表了利用深度神经网络对窦性心律、噪声以及10种心律失常进行分类的研究，使用了来自5万多名患者的单导联心电图数据。而12导联心电信号能够检测出一些单导联心电信号无法检测出的病症，具有极大的临床意义。

传统的临床实践中，12导联心电信号可以准确诊断包括房室阻滞，心肌缺血等复杂心脏病理状态，因而已成为主要的心脏活动检测手段。但由于12导联心电信号电子化标准数据获取难度高，专业标注方法复杂而使算法实验和创新未能快速推进。前期基于规则(Rule-Based)和传统机器学习的心电信号算法多局限于对P波、Q波、S波及T波进行分析，而难以将心电信号作为一个完整的波群来分析，导致其处理临床数据能力的不足，心电信号形分析依旧需要医师的专业经验验证。在这里，基于完整的12导联心电信号数据集，可展开更深入的研究。

随着深度学习方法的进步和计算机性能的提升，基于深度学习的医学图像及信息分析方法有了非常大的进展。小波变换是一种强大的时频分析和信号编码工具，被广泛用于非平稳信号的分析。它在生物信号处理中特别有用。良好的时频局部化性质是小波变换的一个最重要的特点，对于处理时变等信号数据具有独特的优越性。形态学滤波具有计算简单的优点，处理心电基线漂移也有着较好的效果。以及结合注意力机制的深度神经网络更加善于捕捉局部特征，具有非常不错的学习能力。

经过检索，专利文献CN102973264A公开了一种基于形态学多分辨率分解的心电信号预处理方法，具体是使用形态学多分辨率分解的方法，做一次滤波运算，开运算和闭运算的结构元素不一样，使用原信号减去滤波后信号得到处理后的信号，然后使用提升方法构造形态学多分辨率，对信号进行了多层分解。但是该现有技术并没有结合深度神经网络的学习能力去对心电信号的异常进行判别。

经过检索，专利文献CN103405227A公开了一种基于双层形态学滤波的心电信号预处理方法，具体为采用形态学滤波和小波变换结合方法做心电信号处理，两次滤波运算后得到基线信号，用原信号减去基线信号得到处理后信号；第一次滤波选取三角形结构元素，第二次滤波选取直线型结构元素；选取Daubechies5，分解层次为3，使用软阈值方式处理系数，去除噪声。同样的，该现有技术也没有结合深度神经网络的学习能力去对心电信号的异常进行判别。