基于形态学滤波和小波阈值的心电异常判别系统及方法
阅读说明：本技术 基于形态学滤波和小波阈值的心电异常判别系统及方法 (Electrocardio abnormity discrimination system and method based on morphological filtering and wavelet threshold ) 是由 骆源 李婷 于 2020-12-11 设计创作，主要内容包括：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s-0；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s-0进行两次滤波得到基线漂移信号s-2,对s-2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。(The invention provides an electrocardio abnormality distinguishing system based on morphological filtering and wavelet threshold, which is characterized by comprising the following steps: the data expansion module expands the multi-group lead data to obtain electrocardiosignals s 0 (ii) a The baseline drift processing module uses an improved morphological filtering method to input electrocardiosignals s 0 Filtering twice to obtain baseline drift signal s 2 To s to 2 Giving a weight w, and subtracting the weight w from the original signal to obtain an output signal s; the denoising module filters different scale coefficients after wavelet decomposition by using a soft and hard threshold combination method based on the electrocardiosignal s output by the baseline drift processing module, and obtains a signal t for noise filtering through wavelet reconstruction; the judging module shortens the signal length and reserves effective information through downsampling based on the electrocardiosignal t output by the denoising module. The invention adds an adaptive mechanism after the two times of filtering are finished, and selects and weights structural elementsAnd (4) processing, thus performing cyclic tuning, and combining a discrimination technology to obtain a final abnormal discrimination result.)
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。
根据上述分析，关于心电信号波形特征的提取与分析、心律失常等心电信号异常情况的诊断的研究成果已十分丰富，但基于12导联心电信号数据做分析，深度挖掘患者心电信号特有特征的研究和分析并不多。随着病人的病情发展，患者的心电信号可体现出复杂的表现。充分挖掘正常人与心电信号异常病人的心电信号特征差异，建立针对患者的更准确和完善的心电信号异常判别系统，具有一定的意义。
那么，如何解决心电信号中噪声和基线漂移问题对心电信号异常判别系统判别准确性的提高以及由于以往针对12导联心电信号的研究资料不充分无法解决12导联心电信号数据与单导联数据的差异问题，均是现在迫切需要解决的。
发明内容
针对现有技术中的缺陷，本发明的目的是提供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，提供一个基于医用级12导联心电信号数据和心电图机测量的11个测量值，能够对心电信号是否异常进行快速判别的分析系统。
根据本发明提供的一种基于形态学滤波和小波阈值的心电异常判别系统，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，对基线漂移信号s2赋予权重w，从心电信号中去除加权的基线漂移信号ws2得到输出心电信号s；
去噪模块：基于基线漂移处理模块输出的心电信号s，使用小波变换方法分解信号s，并使用软硬阈值结合的方法过滤不同尺度系数，通过小波重构方法获取输出滤除噪声的心电信号t；
判别模块：基于去噪模块输出的心电信号t,对心电信号进行下采样，缩短心电信号的长度并保留有效信息，通过多个子模块进行共同调优，获取最终异常判别结果。
优选地，数据扩展模块是基于心电信号序列数据，通过波形检测检测到第一个和最后一个R波波峰位置之后，将数据拼接，获取更长的心电信号序列数据。
优选地，基线漂移处理模块中改进的形态学滤波方法为一次滤波运算为对心电信号s0同时进行开闭和闭开运算，将运算结果做算数平均；具体通过两次滤波运算后再基于误差阈值的形态学滤波自适应心电信号基线处理。
优选地，去噪模块中使用的小波阈值处理具体为：对基线漂移去噪模块输出的心电信号s使用小波函数Daubechies8进行6个尺度的分解，对1、2尺度上的系数使用软阈值方法处理，对3、4尺度上的系数使用硬阈值方法处理，并保留5、6尺度上的系数。
优选地，判别模块包括子模块1和子模块2，子模块1中使用ResNet网络和注意力机制对心电信号t进行特征提取，获取异常判别概率；子模块2中使用线性分析心电图机的11个测量数据，获取异常判别概率。
优选地，子模块1中对心电信号t进行特征提取时，在注意力机制中对输入特征进行了两次维度转换。
优选地，子模块1和子模块2的输出通过线性和sigmoid函数转换。
根据本发明提供的一种基于形态学滤波和小波阈值的心电异常判别方法，包括如下步骤：
步骤1：通过心电图机获取多组导联数据；
步骤2：基于心电图机提供的多组导联数据进行扩展，获取心电信号s0；
步骤3：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，对基线漂移信号s2赋予权重w，基于均方误差更新权重；
步骤4：从心电信号中去除加权的基线漂移信号ws2得到输出心电信号s；
步骤5：基于基线漂移处理模块输出的心电信号s，使用小波变换方法分解信号s，并使用软硬阈值结合的方法过滤不同尺度系数，通过小波重构方法获取输出滤除噪声的心电信号t；
步骤6：基于去噪模块输出的心电信号t,对心电信号进行下采样，缩短心电信号的长度并保留有效信息，通过多个子模块进行共同调优，获取最终异常判别结果。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在前期心电信号数据预处理优化技术中，对形态学滤波方法加以改进，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对基线漂移信号赋予权重，即利用权重控制形态学滤波的对基线漂移的过滤程度，从而进行循环调优，可以在有效去除基线漂移的同时避免心电信号的失真。
2、本发明通过使用软硬阈值结合的方法对信号进行小波分解后的不同尺度系数做处理，去除噪声影响，在去除噪声的同时也较好的保留了心电信号重要的波形信息。
3、本发明针对心电信号数据不稳定、质量不高的情况，主要是噪声和基线漂移等问题，采取小波变换结合软硬阈值处理、改进的形态学滤波等心电信号数据预处理技术，可以有效地对心电信号数据进行清洗，从而得到比较稳定的心电信号波形信号，提高了心电信号数据的质量。
4、本发明充分利用ResNet网络在实际分类中展现的深度神经网络强大的特征提取效果，结合进行了维度转换的注意力机制，经过前期心电信号数据预处理，解决了ECG信号容易受到噪声和基线漂移等主要问题的影响，心电信号波形更加稳定，可以达到较好的预测效果。
5、本发明中的ResNet网络模块分析参数基于12导联心电信号数据训练得到，并且这里结合线性模型，加入11个心电测量值共同进行模型训练和异常诊断，对参数进行共同调优，可以充分提高系统的异常判别能力。
附图说明
通过阅读参照以下附图对对心电信号异常判别系统和心电信号基线漂移和去噪模块非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中的基于改进形态学滤波和小波阈值的心电信号处理方法流程图；
图2为本发明中的心电信号异常判别系统说明图；
图3为本发明中的心电信号基线漂移处理和去噪模块详细说明图；
图4为本发明中的判别模块残差结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1-图4所示，本发明的目的是提供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。
根据本发明提供的一种基于形态学滤波和小波阈值的心电异常判别方法，包括如下步骤：
步骤1：通过心电图机获取多组导联数据；
步骤2：基于心电图机提供的多组导联数据进行扩展，获取心电信号s0；
步骤3：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，对基线漂移信号s2赋予权重w，基于均方误差更新权重；
步骤4：从心电信号中去除加权的基线漂移信号ws2得到输出心电信号s；
步骤5：基于基线漂移处理模块输出的心电信号s，使用小波变换方法分解信号s，并使用软硬阈值结合的方法过滤不同尺度系数，通过小波重构方法获取输出滤除噪声的心电信号t；
步骤6：基于去噪模块输出的心电信号t,对心电信号进行下采样，缩短心电信号的长度并保留有效信息，通过多个子模块进行共同调优，获取最终异常判别结果。
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，基于心电图机提供的xml文件，xml为一种可拓展标记语言，可以对数据进行存储和传输，将xml中心电信号的12导联数据记为S＝S1∪S2∪…∪S12，Si为第i个导联的数据，每个患者均拥有12个导联的心电信号数据。其中每个导联数据为心电波形的数据序列，每一个整数大小代表了心电电压值，决定了心电波形的幅值大小。数据每秒采样率为500次，即每0.002秒采集一个数据，每个导联收集了10秒心电信号数据，共5000个电压值。例如：S1＝(x11,x12,…,x1n),n＝5000.x1i为I导联的i个测量电压值。基于心电信号数据，每位患者有11个心电测量值，依次为：心率；R-R间期；P-R间期；QRS时限；QT间期；矫正QT间期(QTC)；心电轴(deg)；V5导联的R波振幅(RV5)；V6导联的R波振幅(RV6)；V1导联的S波振幅(SV1)；V5导联的R波与V1导联的S波的振幅之和(R+S)。记为F1＝(f11,f12,…,f1n),n＝11。
并记yi为第i个用户的标签(是否为正常心电信号)，yi∈{0,1}，1代表第i个患者的心电信号为异常心电信号，0代表第i个患者的心电信号为正常心电信号。
数据扩展模块：将各导联数据根据波形检测方法获取第一个和最后一个R波波峰位置之后，对数据进行截取和4次复制并拼接，获取更长的心电序列数据s0。这里使用的波形检测方法为基于差分阈值算法检测心电信号的QRS波，获取第一个R波的波峰和最后一个R波的波峰位置。
具体是：基于心电信号序列数据，通过波形检测方法检测到各导联第一个和最后一个R波波峰位置，将数据复制拼接，获取更长的心电信号序列数据。如针对I导联数据：S1＝(x11,x12,…,x1n),n＝5000,设检测到第一个R波波峰位置为x1k,最后一个R波波峰位置为x1m,将同一患者的I导联数据进行4次复制，拼接得到S′1＝(x1k,x12,…,x1m,…,x1k,x12,…,x1m),取S′1的长度为8000。
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，对基线漂移信号s2赋予权重w,从心电信号中去除加权的基线漂移信号ws2得到输出信号s。
具体是：心电信号一般会有较大的基线漂移问题，在检测与识别心电信号数据前，先采用形态学滤波器来处理基线漂移问题。形态学运算主要是分析对象的结构和形状，膨胀、腐蚀、开启和闭合是基本的几个形态学操作。开启运算时先进行腐蚀操作，然后进行膨胀操作，闭合运算操作相反。
定义输入数据序列为p(n)，结构元素为q(n)，分别为集合P1＝{0,1,…,N-1}和Q2＝{0,1,…,M-1}上的一维离散函数，其中N＞＞M.
p(n)关于q(n)的腐蚀运算为：
p(n)关于q(n)的膨胀运算为：
p(n)关于q(n)的开启运算为：
p(n)关于q(n)的闭合运算为：
开闭运算组合和闭开运算组合分别为：
在这里选取开闭运算和闭开运算的组合并进行平均来进行基线漂移去除：
令s0(n)＝S′1＝(x1k,x12,…,x1m,x1k,x12,…,x1m)，对比直线或三角形结构元素，半圆结构元素去除基线漂移效果较好，在这里选取半圆结构元素q1:选取r＝0.5,这里基于R波宽度，选取结构元素的宽度即采样点数为20，进行第一次运算：
选取半圆结构元素q2:选取r＝1,这里基于P波和T波宽度，选取结构元素的宽度即采样点数为75，进行第二次运算：
对s2(n)赋予权重w，获取输出信号：
s(n)＝s0(n)-w*s2(n).
取s(n)为前5000个序列值，定义心电信号形态学滤波处理的均方误差如下：
由于过度矫正基线漂移可能会导致心电信号失真，根据如下方式实现基于误差阈值的形态学滤波自适应心电信号基线处理。设mse阈值为M,若mse>M，则更新权重值，重新进行形态学滤波处理。具体权重更新方式如下，μ为学习率：
去噪模块：基于基线漂移处理模块输出的心电信号s，使用小波变换方法分解信号s，并使用软硬阈值结合的方法过滤不同尺度系数，通过小波重构方法获取输出滤除噪声的心电信号t。
具体是：小波变换主要分为离散小波变换方法和连续小波变换方法。相比于傅里叶变换，小波变换通过多分辨率分析方式可以更好的表示出信号。
在这里，我们采用上述离散小波变换方法：定义输入的离散信号为经过形态学滤波方法处理过的信号：s[n]＝(x1,x2,…xn),选取Daubechies8小波基函数，将含噪心电信号做6个尺度的小波分解：
(1)使用软阈值方法处理尺度1和尺度2上的系数：
(2)使用硬阈值方法处理尺度3和尺度4上的系数：
其中j为尺度，N为信号长度，wj,k为尺度j上的细节信息。这里保留尺度5和尺度6上的系数，根据处理后的小波系数重构小波信号，得到数据序列：t[n]＝(x1,x2,…xn),n＝5000。
判别模块：基于去噪模块输出的心电信号t,首先对心电信号进行下采样，缩短心电信号的长度并保留有效信息。该模块包括子模块1和子模块2，子模块1中使用ResNet网络和注意力机制对心电信号进行特征提取，获取异常判别概率，这里的注意力机制对输入特征进行第二和第三维度的两次互换；子模块2中使用线性分析心电图机的11个测量数据，获取异常判别概率。对两个子模块进行共同调优，获取异常判别结果。
具体是：ResNet34网络(残差卷积网络)模型主要使用了残差学习方法来解决退化问题，便于调整网络的深度和宽度等，不必担心退化问题。注意力机制的基本思想是将注意力集中在更重要的信息上，忽略无关的信息。因此这里基于ResNet神经网络和改进的注意力机制，给予各导联数据不同的权重(关注度)，可以解决深度神经网络的退化问题，并且注意力机制的全局捕捉联系的能力可以在心电信号数据分析上达到更好的判别效果。本模块基于ResNet34网络和注意力机制分析心电信号12导联数据，基于线性模型分析心电图机测量值，构建心电信号异常判别系统。
通过改进形态学滤波和小波变换结合的方法对心电信号各导联信号进行基线漂移去除和信号分解重构、去除噪声后，将每位患者的各导联数据：t[n]＝(x1,x2,…xn)进行下采样，下采样因子为2。取下采样后的心电信号为：t[m]＝(x1,…,xm),m＝2500，将12导联数据拼接为具有12通道的二维数据，输入到判别模块中。这里使用下采样方法，既可以获取包含大部分心电信号信息的心电信号数据，同时也降低了数据的长度，使得模型训练与最终诊断的速度有所提升。然后使用心电信号的11个测量值F1＝(f11,f12,…,f1n),n＝11,构建线性分类模型，最终将网络的输出特征与线性模型的输出特征拼接结合在一起，再次通过线性转换得到输出值，获得最终判别结果。
网络分析子模块如下：
改进的网络的结构描述：
表1注意力机制-ResNet详细网络结构
⑤⑥⑦⑧层均为残差结构，第⑤层残差结构如图3所示，*3表示该残差块在网络中重复3次。
记ResNet网络最终输出特征值为：y1.
线性分析子模块详细描述如下：
输入为y1和心电图机的11个测量值，F1＝(f11,f12,…,f1n),n＝11：
基于sigmoid函数获取最终诊断结果：
这里两个子模块在训练过程中共同调优，最终建立具有较高准确率的心电信号异常判别系统。
本发明提供了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，以及基于该优化技术，结合改进的ResNet网络和线性模型建立的心电异常判别系统。系统主要包括两个部分，前期的心电信号数据预处理部分包括：数据扩展模块：将各导联数据进行扩展，获取更长的心电序列数据s0；基线漂移处理模块：具体在基线漂移去除模块中，使用形态学滤波方法，对基线漂移信号赋予权重，并根据处理前后数据的均方误差(mse)动态调整滤波运算中的权重值，处理基线漂移问题；去噪模块：然后使用小波变换方法，选取Daubechies8小波函数，对心电信号做6个尺度的分解，结合软阈值和硬阈值规则处理分解系数，去除心电噪声。后期分析部分包括判别模块：对数据序列进行下采样，缩短信号长度，以加快系统训练和分析速度；并基于改进的ResNet网络和注意力机制分析心电信号12导联数据，基于线性模型分析11个心电图机测量值，在训练过程中共同调优，获得最优判别参数。本发明的心电信号异常判别系统滤波方法计算简单，具有自适应性，可以在有效处理基线漂移同时避免心电信号失真。并且基于该预处理优化技术和后期的判别模块，可以准确快速地给出心电信号是否异常的诊断。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于NB-IOT技术的失能老人监护系统