具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请的技术方案做进一步详细描述。

如图1所示，为本申请实施例的生理参数处理方法的流程图。该方法可由医疗设备执行，其中生理参数包括心率数据。该医疗设备可以是具有动态心电采集功能的设备，例如holter、可穿戴动态心电记录仪等，也可以是单独的数据处理设备，例如，手机等移动终端、计算机等，该方法包括以下步骤：

步骤110：获取动态心电图数据，并对动态心电图数据进行预处理。

动态心电图数据可以通过佩戴动态心电采集盒的方式来进行采集，或者动态心电图数据可以直接使用MIT-BIH心律失常标准数据库中的数据。对动态心电图数据进行预处理，去除动态心电图数据所受的一些噪声和伪迹的影响，例如工频噪声、基线漂移和肌电噪声等。

预处理可以包括滤波，例如使用基本的数字滤波器，也可使用小波自适应阈值的方式。

步骤120：对预处理后的动态心电图数据进行检测，以得到其中的心搏。

对预处理后的动态心电图数据进行检测，以得到其中的心搏，即识别动态心电图数据中的心搏，其中QRS波是心电信号的主要成分，从而检测包括QRS波的识别和定位。在一些实施例中，QRS波检测的方法包括差分阈值法、小波模极大值法等。

步骤130：使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果。

使用模板匹配，对所有心搏进行聚类分析，具体地，初始化若干个心拍模板，计算每个心搏与某个心搏模板之间的相似性指标，若相似性指标满足阈值要求，即大于或等于预设阈值，则该心搏与该心搏模板是匹配的，若相似性指标不满足阈值要求，则新建模板或更新模板，直到分析完所有心搏。

聚类结果包括每个心搏所从属的模板以及从属模板的心搏个数。心搏个数的倒数表示该心搏的匹配度。例如，假设心搏个数为n，则1/n为该心搏的匹配度，在一些实施例中，可以用百分比的形式表示。

一般而言，一条动态心电图占主导数量的是窦性心搏，也就是说，24小时的心电信号中通常总有一段心搏是窦性心搏，因而，心搏聚类后，可得到心搏的相似性指标，并且数量占多的心搏直接分类为正常心搏，即聚类结果中从属模板的心搏个数最大的心搏直接为正常窦性心搏，这样可以减少一部分心拍的后续处理，减少运算量，提供运算效率。

步骤140：对聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对待分类的心搏进行分类。

对聚类结果进行伪差检测，被标记为伪差的心搏不进行后续的分类，未被标记为伪差的心搏确定待分类的心搏，进而使用神经网络对待分类的心搏进行分类。在心搏进行分类之前，进行伪差检测，排除干扰对心搏分类的影响，降低信号质量不好的心搏被误判为室性心搏，间接提高分类的准确率。

本实施例中，通过对动态心电图数据进行预处理、检测，得到其中的心搏，进而使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果，随后，通过对聚类结果进行伪差检测，确定待分类的心搏，使用神经网络对待分类的心搏进行分类，提高心律分类的准确率。

在一些实施例中，如图2所示，在步骤140中，对聚类结果进行伪差检测，确定待分类的心搏，包括：

步骤141：获取预设时间区间内的心搏数据。

预设时间区间可以是当前心搏前后一段时间，例如，当前心搏前后4秒的一段时间。

步骤142：确定预设时间区间内的心搏匹配度。

其中预设时间区间内的心搏匹配度为预设时间区间内每个心搏的匹配度之和。

如上所述，聚类结果中的心搏个数的倒数表示心搏的匹配度，即聚类结果中的心搏个数的倒数表示单个心搏的匹配度。

步骤143：若预设时间区间内的心搏匹配度满足预设值，则预设时间区间内的心搏确定为待分类的心搏。

若该预设时间区间内的心搏匹配度没满足预设值，则该预设时间区间内的心搏数据标记为伪差，不进行后续的分类，若该预设时间区间内的心搏匹配度满足预设值，则该预设时间区间内的心搏数据确定为待分类的心搏，这样可以排除一些噪声的干扰，降低一些信号质量不好的心搏被误判为室性心搏，并且这种计算方式实现简单，可以降低一些不必要的运算。

本实施例中，通过预设时间区间内的心搏匹配度为预设时间区间内每个心搏的匹配度之和，在该预设时间区间内的心搏匹配度满足预设值，则该预设时间区间内的心搏数据确定为待分类的心搏，这样可以排除一些噪声的干扰，降低一些信号质量不好的心搏被误判为室性心搏，并且这种计算方式实现简单，可以降低一些不必要的运算。

确定待分类的心搏后，使用神经网络对该待分类的心搏进行分类，提高检测心搏的准确率。如图3所示，在一些实施例中，该方法还包括：

步骤150：构建神经网络分类器。

其中，神经网络分类器包括输入层、隐含层和输出层。

其中输入层的输入变量包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差中的一种或多种，隐含层神经元数量为3，输出层神经元数量为2。

其中，输入层的输入变量采用时域特征，QRS波宽度、当前RR间期与前一RR间期的比值和T波方向能在一定程度上表征室性心搏的发生，因为室性心搏发生时其QRS波一般较正常窦性心搏宽大，T波方向与正常窦性心搏主波相反，且有些有早搏现象。另外，待分类心搏与模板心搏的幅值差和宽度差能够反映心搏之间的形态差异。其中，模板心搏可以正常窦性心搏，可以通过上述步骤130来实现，即使用模板匹配的方式检测出该正常窦性心搏。

上述输入层的输入变量采用时域特征，采用时域的方式进行提取，计算量小，当然，也可以采用频域特征，采用变换域的方式进行提取，例如，FFT的频域特征提取，小波变换法提取小波分量，以及计算信息熵等，本申请对此并不作限定。

隐含层神经元数量的选取是相对复杂的，基于N＝(N_in+max(N_out,N_Class))/2，其中N表示隐含层神经元数量，N_in表示输入变量的数量，N_out表示输出量的数量，N_Class表示分类数量。本申请中的神经网络完成的是两分类问题，根据上述输入变量的数量，隐含层神经元数量N大致为3。

由于本申请的神经网络完成的是两分类问题，从而输出层神经元数量为2。

步骤160：将利用模糊处理后的输入变量输入到输入层，以执行网络训练。

神经网络分类器构建后，利用模糊处理后的输入变量输入到输入层，执行网络训练，确定网络相关参数。

需要说明的是，本实施例中的步骤150和160与上述实施例中的步骤不一定按照所标的数字顺序执行，例如，步骤150可以与步骤130同时执行。

本实施例中，通过待分类心搏与模板心搏的幅值差和宽度差作为输入变量，能够更好地反映心搏与模板之间的差异性，从而有助于进一步提升心律失常分类的准确性。

在一些实施例中，模糊处理采用模糊隶属度函数，模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。

网络的各个输入数据常常具有不同的物理意义和不同的量纲，将输入变量转化为[0,1]范围的小数后，可以减小各分量由于量纲的不同所带来的差异，使各分量具有同等重要的地位。本实施例中，采用模糊隶属函数对输入变量进行模糊化，模仿临床上医生对心电图基于经验的判别行为，更具有现实意义，简化输入变量由量纲的不同对分类模型带来的差异性影响，进一步提高心率分量的准确率。在其他实施例中，也可以采用归一化的方法来实现模糊处理。

本实施例中，通过构建神经网络分类器，实现使用神经网络对待分类的心搏进行分类，提高检测心搏的正确率。

下面对网络训练的过程进行描述。具体地，在步骤160中，执行网络训练的过程中，首先，初始化输入层到隐含层的权向量和隐含层到输出层的权向量、误差函数e、计算精度值以及最大训练次数M，其中输入层到隐含层的权向量和隐含层到输出层的权向量分别为(0,1)内的随机数，选取正常心搏和至少一种室性心搏作为训练样本，其中训练样本的选取选择随机法，输入标记为X₀,X₁,…,X₅，目标输出为d₀，d₁。

随后，输入每个训练样本进行训练，计算网络中每一层的实际输出Y_i＝f(W_ijX_ij+θ_i)，W_ij为层与层之间的权值，θ_i为偏置值，在本实施例中，θ_i设为0。

随后，根据每一层的实际输出修正权值，以继续训练，具体地，根据如下公式，从输出节点开始到隐含层，修改各权值。

W_ij(t+1)＝W_ij(t)+ηδ_jX_ij+a(W_ij(t)-W_ij(t-1))

其中，η为学习速度，a为惯量系数取值(0,1)。

当j为输出层节点时，反传误差为：

δ_j＝Y_i(1-Y_i)(d_j-Y_i)。

随后，对所有训练样本训练完成后，确定误差，所有训练样本训练完成后，表示一次训练周期结束，误差为：

最后，若误差小于或等于初始化的误差函数e，或达到最大训练此时，则结束训练或者开始下一个训练周期，直到训练完成，从而确定网络相关参数。

基于上述训练完成所确定的网络相关参数，使用神经网络对待分类的心搏进行分类，在一些实施例中，使用神经网络对待分类的心搏进行分类包括：

首先，对待分类的心搏进行特征提取，其中提取的特征包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差。

其中，模板心搏可以正常窦性心搏，可以通过上述步骤130来实现，即使用模板匹配的方式检测出该正常窦性心搏。

随后，将提取的特征进行模糊处理，并作为输入变量输入到神经网络分类器，得到分类结果。

在一些实施例中，模糊处理采用模糊隶属度函数，模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。

如图4所示，为本申请实施例的生理参数处理装置的结构示意图，该装置400包括预处理模块410、心搏检测模块420、心搏聚类模块430、伪差检测模块440和心搏分类模块450。

预处理模块410用于获取动态心电图数据，并对动态心电图数据进行预处理。

心搏检测模块420，用于对预处理后的动态心电图数据进行检测，以得到其中的心搏。

心搏聚类模块430用于使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果。

伪差检测模块440用于对聚类结果进行伪差检测，确定待分类的心搏。

心搏分类模块450用于使用神经网络对待分类的心搏进行分类。

本实施例中，通过对动态心电图数据进行预处理、检测，得到其中的心搏，进而使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果，随后，通过对聚类结果进行伪差检测，确定待分类的心搏，使用神经网络对待分类的心搏进行分类，提高心律分类的准确率。

本实施例中的心律数据处理装置实现本申请上述实施例中任一个以及任意不冲突的组合所提供的心率数据处理方法。关于心率数据处理方法详见上述实施例的说明，在此不再说明。

在一些实施例中，聚类结果包括每个心搏所从属的模板以及从属模板的心搏个数，其中心搏个数的倒数表示心搏的匹配度；

伪差检测模块440具体用于：

获取预设时间区间内的心搏数据；

确定预设时间区间内的心搏匹配度，其中预设时间区间内的心搏匹配度为预设时间区间内每个心搏的匹配度之和；

若预设时间区间内的心搏匹配度满足预设值，则预设时间区间内的心搏确定为待分类的心搏。

在一些实施例中，心搏分类模块450还用于：

构建神经网络分类器，其中输入层的输入变量包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差，隐含层神经元数量为3，输出层神经元数量为2；

将利用模糊处理后的输入变量输入到输入层，以执行网络训练。

在一些实施例中，模糊处理采用模糊隶属度函数，模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。

在一些实施例中，心搏分类模块450具体用于：

对待分类的心搏进行特征提取，其中提取的特征包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差；

将提取的特征进行模糊处理，并作为输入变量输入到所述神经网络分类器中，得到分类结果。

如图5所示，为本申请实施例的医疗设备的结构示意图。该医疗设备可以是具有动态心电采集功能的设备，例如holter、可穿戴动态心电记录仪等。该医疗设备500包括处理器510、动态心电采集盒520和存储器530，动态心电采集盒520和存储器530与处理器510连接。

动态心电采集盒520用于采集动态心电图数据。

存储器530用于存储上述实施例中的动态心电图数据和神经网络相关参数。存储器530可以包括只读存储器和/或随机存取存储器等，并向处理器510提供指令和数据。存储器530的一部分还可以包括非易失性随机存取存储器(NVRAM)。

存储器530存储有指令，该指令被执行时，通过动态心电采集盒520，处理器510用于实现本申请上述实施例中任一个以及任意不冲突的组合所提供的心率数据处理方法。关于心率数据处理方法详见上述实施例的说明，在此不再说明。

具体地，处理器510用于：

对预处理后的动态心电图数据进行检测，以得到其中的心搏；

使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；

对聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对待分类的心搏进行分类。

处理器510可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过处理器510中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器510可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

在一些实施例中，聚类结果包括每个心搏所从属的模板以及从属模板的心搏个数，其中心搏个数的倒数表示心搏的匹配度。处理器510具体用于：

获取预设时间区间内的心搏数据；

确定预设时间区间内的心搏匹配度，其中预设时间区间内的心搏匹配度为预设时间区间内每个心搏的匹配度之和；

若预设时间区间内的心搏匹配度满足预设值，则预设时间区间内的心搏确定为待分类的心搏。

在一些实施例中，处理器510还具体用于：

构建神经网络分类器，其中输入层的输入变量包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差，隐含层神经元数量为3，输出层神经元数量为2；

将利用模糊处理后的输入变量输入到输入层，以执行网络训练。

在一些实施例中，模糊处理采用模糊隶属度函数，模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。

在一些实施例中，处理器510具体用于：

对待分类的心搏进行特征提取，其中提取的特征包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差中的一种或多种；

将提取的特征进行模糊处理，并作为输入变量输入到所述神经网络分类器中，得到分类结果。

如图6所示，为本申请实施例的医疗设备的另一结构示意图，该医疗设备600可以为单独的数据处理设备，例如，手机等移动终端、计算机等，与动态心电采集盒连接，例如上述实施例的动态心电采集盒520，也可以不与动态心电采集盒连接，使用MIT-BIH心律失常标准数据库中的数据。该医疗设备600用于处理心率数据。

该医疗设备600包括存储器610、处理器620和通信电路630。存储器610连接于处理器620。

存储器610可以包括只读存储器和/或随机存取存储器等，并向处理器620提供指令和数据。存储器610的一部分还可以包括非易失性随机存取存储器(NVRAM)。存储器610存储有指令，该指令被执行时，实现本申请上述实施例中任一个以及任意不冲突的组合所提供的盆底训练设备的参数设置方法。

通信电路630用于发送和接收数据，是该终端设备300与外部设备进行通信的接口。

处理器620通过通信电路630执行本申请上述实施例的盆底训练设备的参数设置方法。具体地，在存储器610中的指令执行时，处理器620用于：

对预处理后的动态心电图数据进行检测，以得到其中的心搏；

使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；

对聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对待分类的心搏进行分类。

处理器620可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过处理器620中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器620可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

在一些实施例中，聚类结果包括每个心搏所从属的模板以及从属模板的心搏个数，其中心搏个数的倒数表示心搏的匹配度。处理器620具体用于：

获取预设时间区间内的心搏数据；

确定预设时间区间内的心搏匹配度，其中预设时间区间内的心搏匹配度为预设时间区间内每个心搏的匹配度之和；

若预设时间区间内的心搏匹配度满足预设值，则预设时间区间内的心搏确定为待分类的心搏。

在一些实施例中，处理器620还具体用于：

构建神经网络分类器，其中输入层的输入变量包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差，隐含层神经元数量为3，输出层神经元数量为2；

将利用模糊处理后的输入变量输入到输入层，以执行网络训练。

在一些实施例中，模糊处理采用模糊隶属度函数，模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。

在一些实施例中，处理器620具体用于：

对待分类的心搏进行特征提取，其中提取的特征包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差中的一种或多种；

将提取的特征进行模糊处理，并作为输入变量输入到所述神经网络分类器中，得到分类结果。

所属领域的技术人员易知，可在保持本申请的教示内容的同时对装置及方法作出诸多修改及变动。因此，以上公开内容应被视为仅受随附权利要求书的范围的限制。