(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910208965.2
(22)申请日 2019.03.19
(71)申请人 苏州哈特智能医疗科技有限公司
地址 215151 江苏省苏州市高新区鸿禧路
32号F-1厂房301室
(72)发明人 夏鹤年　张雷刚　时海西　何红　
刘伍　朱健　周星　毕光涛　
陈元凤　纪迎兵　高勇　
(74)专利代理机构 北京青松知识产权代理事务
所(特殊普通合伙) 11384
代理人 郑青松
(51)Int.Cl.
A61B 5/0402(2006.01)
(54)发明名称
一种检测单导联10秒心电图噪音干扰程度
的方法
(57)摘要
本发明公开了一种检测单导联10秒心电图
噪音干扰程度的方法，包括以下步骤：对原始心
电信号进行处理，以提取噪音识别特征；利用已
知心电数据库训练用于判断各心电图信号是否
为噪音污染的逻辑回归模型；利用训练好的模型
求得各心电图信号为噪音污染的概率。

本发明利
用包含多种心律失常的MIT -BIH数据库以及MIT -
BIH Noise Stress Test Database，经过反复试
验，选取了一组可有效衡量心电图噪音干扰程度
的特征参数，从而能更安全有效的滤除被严重干
扰的心电图，避免误警报。

本发明利用前述特征
训练逻辑回归算法模型，使检测技术具有更好的
准确性与鲁棒性。

权利要求书1页 说明书4页 附图2页CN 109846473 A 2019.06.07
C N 109846473
A
权　利　要　求　书1/1页CN 109846473 A
1.一种检测单导联10秒心电图噪音干扰程度的方法，其特征在于，包括以下步骤：
(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；
(2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；
(3)采用基于瞬时心率的动态确定的搜索窗查找T波，同时，对QRS波附近的区域进行直线化处理，以突出T波部分；
(4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；
(5)对每个QRS，选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号，也即该心电图在当前QRS与下一个QRS之间的基线；计算基线的电压平均变化速率作为第1个特征，计算方式为：平均值{绝对值{s[n]-s[n-1]}}，其中n为从1到N的所有整数，N是这段基线的长度；
(6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值，作为第2个特征；
(7)计算各QRS幅值的平均值，即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值；如果平均值小于某选定阈值，第3个特征值为1，表示该QRS电压较小，反之第3个特征值为0；如果平均值小于某更小的阈值，第4个特征值为1，表示该QRS电压非常小，反之第4个特征值为0；
(8)将MIT-BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段，每个心电图片段10秒；
(9)对各个10秒心电图片段按步骤(1)-步骤(7)进行处理，获得一个判别噪音程度的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(7)中获得的特征参数的数目；
(10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N 个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为心电图的噪音污染程度可接受，阈值以上，认为心电图的噪音污染程度不可接受；
(11)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(7)的方法进行处理，获得该心电图的噪音判别特征参数组合；采用步骤(10)中训练获得的模型进行分类，获得其为完全噪音的概率；这个概率值可用来判断信号的噪音污染程度，概率越大表明噪音污染程度越大；最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否可接受。

2。