CN107622259B - 一种t波检测方法、心电数据分析方法及装置 - Google Patents

Abstract

本发明提出了一种基于滑动窗积分面积的T波检测方法。对搜索窗口边界设置规则进行了改进，使之具有自适应性。首先，基于有人工标注的MIT QT数据库使用k‑means聚类的方法分析RR间隔和RTon间隔之间的关系（从R峰到T波的起点）以及RR间隔与RToff间隔之间的关系（来自R峰值到T波的终点）之后产生三个分段函数。然后，使用网格搜索确定适合滑动窗积分面积法的参数组合。最后，我们在QT数据库和有新标注的欧洲ST‑T数据库上评估该方法的有效性，选用100ms作为真阳性的时间容限，并使用传统的滑动窗口积分面积法作为对照的方法。

Description

一种T波检测方法、心电数据分析方法及装置

技术领域

本发明涉及一种T波检测方法、心电数据分析方法及装置。

背景技术

心电数据主要包括以P波，QRS波和T波等几种波形为特征的心电图(ECG)，通过合理解读心电图，可以提供临床诊断的基本生理以及病理资料。近年来，许多可戴式监测装置的出现使得在日常生活中监测ECG信号成为可能，因此每天会产生大量的ECG数据，但让医生去手动查看或诊断每个ECG信号是不可能的。因此，发展准确的自动分析心电信号的方法至关重要，特别是对于移动ECG监测来说。

心电图主要包括P波，QRS波和T波等几种波形，以及不同波形起点和终点之间的时间间隔信息，然而，由于T波形态具有大的变化，精确或鲁棒的T波检测(包括T波的起点和终点)仍具有挑战性。虽然目前已有许多基于不同技术的T波检测方法，但其中基于小波变换的检测方法对噪声敏感，极易受噪声影响；基于数学模型的方法需要建立鲁棒性的通用ECG模板，但是当波形变化很大时，建立通用模板是不可能的。

Zhang等人首先提出了滑动窗积分面积方法来检测T波终点并在QT数据库上确认了该方法的有效性。随后，Song等人改进了这种方法用来检测T波起点。但无论Zhang团队还是Song团队提出的滑动窗积分方法，在参数设置上是非自适应的，他们采用的是经验值，并没有包括参数优化步骤，这使得现有的滑动窗积分区域方法在应用上具有局限性。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于滑动窗积分面积的T波检测方法，应用于心电数据检测，将数据挖掘技术k均值聚类，用于设置搜索边界，并使用网格搜索策略优化参数，在QT数据库和欧洲ST-T数据库上测试显示改进方法具有更好的性能。

本发明的技术方案为：

一种基于滑动窗积分面积的T波检测方法，应用于心电数据检测，包括：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点/终点即为T波的起点/终点。

进一步的，确定所述变量参数组合包括：

使用QT数据库进行训练，得到F1测度值最高时选择该参数组合，F1测度为：

其中，TP为真阳性，FP为假阳性FP，FN为假阴性。

进一步的，所述聚类方法采用k-means均值聚类方法，采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数包括：

采用k-means均值聚类方法获得RR间隔和RT_on间隔的范围，以及RR间隔与RT_off间隔的范围；

根据RR间隔和RT_on间隔的范围建立滑动窗搜索边界的起点决定函数；

根据RR间隔与RT_off间隔的范围建立滑动窗搜索边界的终点决定函数；

其中RT_on间隔指R峰和T波起点之间的时间间隔，RT_off间隔指R峰和T波终点之间的时间间隔。

进一步的，利用网格搜索方法选择所述滑动窗搜索边界的起点决定函数中的变量参数组合；利用网格搜索方法选择所述滑动窗搜索边界的终点决定函数中的变量参数组合。

在上述T波检测方法的基础上，本发明还提出了一种心电数据分析方法，包括：接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

进一步的，对所接收的心电数据进行滤波降噪。

进一步的，所述滤波降噪的方法包括中值滤波、小波滤波或限幅滤波。

本发明还提出了一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

进一步的，本发明的又一种技术方案是一种心电数据分析装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

本发明还提出了另一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点/终点即为T波的起点/终点。

进一步的，本发明的又一种技术方案是一种基于滑动窗积分面积的T波检测装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点/终点即为T波的起点/终点。

本发明的有益效果：

本发明提出了一种改进的滑动窗积分面积方法用于T波的起点和终点检测，并且具有自适应的参数设置，将数据挖掘技术k均值聚类，用于设置搜索边界，并使用网格搜索策略优化参数。在QT数据库和欧洲ST-T数据库上测试显示改进方法具有更好的性能。

本发明中对于QT数据库T波起点检测，使得第一通道的F1测度从54.70％提高到70.46％，第二通道的F1测度从54.05％提高到72.94％。对于QT数据库T波终点检测，两个ECG通道的F1测度分别由87.83％提高到93.73％和由86.73％提高到94.75％。当在欧洲ST-T数据库上检测时，对于T波起点检测，第一通道的F1测度由41.02％提高到84.13％，第二通道的F1测度从44.33％提高到87.62％。对于T波终点检测，第一通道的F1测度从98.83％提高到99.57％，第二通道的F1测度从91.76％提高到98.29％。在两个数据库的检测上，本发明提出的方法在F1测度上都高于传统方法的F1测度。

附图说明

图1为本发明标注的T波起点/终点与R波峰值时间间隔的概率密度分布曲线(A)QT数据库(B)欧洲ST-T数据库；

图2.为现有的SWIA方法用于T波起点检测的说明

图3.为现有的SWIA方法用于T波终点检测的说明

图4 T波特征点的聚类结果:(A)T波起点的聚类信息，(B)T波终点的聚类信息

图5 T波起点和终点检测方法的流程图

图6实心点标记的(·and·)是我们改进方法的结果，空心圈标注的(O and O)是传统方法的结果，阴影部分是可接受为"TP"的情况.(A)e0107；(B)e0111；(C)e0118.

具体实施方式：

下面结合附图与实施例对本发明作进一步说明：

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明在两个数据库上给出具体应用，包括QT数据库和欧洲ST-T数据库，QT数据库提供105个15分钟的采样率250Hz的双通道ECG记录，该数据库中共有带有人工标注T波起点的43个记录和带有人工标注T波终点的103个记录。在每个有标注的记录中通常有30到100个代表性的节拍被标注。表1给出了总结的QT数据库的标注信息。

欧洲ST-T数据库旨在用于分析ST段和T波变化相关方法的评估。该数据库由90个2小时2通道的采样率250Hz的心电图记录，它没有T波起点和终点的人工标注信息。因此在这项研究中，我们选取了23个记录的前5分钟信号，由一个有经验的临床专家来人工标注T波的起点和终点。如果前5分钟的记录中有严重的信号质量问题，就使用5分钟后的记录。表1给出了欧洲ST-T数据库详细的标注信息。

为了验证两个数据库之间标注信息的一致性，我们分析了两个数据库T波起点/终点与R波峰值位置之间的时间间隔。图1给出了两个数据库中这些时间间隔的概率密度分布。如图1所示，我们人工标注的欧洲ST-T数据库的T波起点/终点与QT数据库中的注释具有相似的概率密度分布。

表1.QT数据库和欧洲ST-T数据库标注信息的总结

说明：其中Dis_qrs表示当前节拍的T波起点/终点与R波位置之间的时间间隔,

SD表示标准差.

关于QT数据库的详细的标注信息的说明来自网页：

https://www.physionet.org/physiobank/database/qtdb/doc/index.shtml.

SWAI(滑动窗积分面积)方法是通过计算滑动窗内ECG波形的面积来检测T波起点和终点(以正常形态的T波来进行算法说明)。当预先固定的搜索范围内滑动窗的面积达到最大值时，当前滑动窗口内的T波起点/终点就被检测到。接下来我们举例(以正向T波为例)来说明方法的机理(见图2和图3)。此外实际的处理中，由于我们事先不知道T波的形态类型，所以在接下来的计算中需要设置一个阈值r来决定T波的波形形态。

图2说明T波起点的检测机理。首先，定位R波峰值，接着基于当前RR间隔的值来确定T波起点搜索窗的左边界t1和右边界t2：

其中RR_i是第i个RR间隔，Ri是R峰的第i个位置。在固定滑动窗口[t,t+w]内，At定义如下：

其中w＝0.12s是窗口宽度，t是从t1到t2，Sj是第j个采样点的波形幅度，是局部平均幅度(其中p＝0.016s的窗口)，并且是定义为：

如图2所示，当t＝t_on时，At达到其最大值。

图3显示了T波终点的检测。首先，定位R波峰值的位置，接着基于当前RR间隔的值确定T波终点搜索范围的左边界t3和右边界t4：

然后，在固定滑动窗口[t-w t]内，计算波形面积At：

其中w＝0.128s，t是从t3到t4，Sj，已经在等式(2)中说明。如图3所示当t＝tend时，At达到其最大值。

在使用SWIA方法时一个关键问题是准确地确定搜索边界，但是搜索边界的设置与RR间隔的大小密切相关。传统的SWIA方法使用两个分段函数与预定义的参数来设置搜索边界。为了更准确地建模RR间隔与搜索边界之间的关系，我们使用聚类方法来分析，具体优选k均值聚类来分析RR间隔和RT_on(RT_on：表示R峰和T波起始之间的时间间隔)之间的关系以及RR间隔和RT_off(RT_off：表示R峰和T波偏移之间的时间间隔)之间的关系。

图4显示具有最优k均值聚类(k＝3)的散点图。RR间隔和RT_on之间以及RR间隔和RT_off之间的关系如下所示：

因此，用于确定T的搜索边界的三个分段函数波起点和终点检测获得的决定函数如下：

然后，使用网格搜索方法来确定函数(8)和(9)中参数的最佳组合。T波起点的变量参数组合是ald＝0.4,alu＝0.2,ard＝0.32,aru＝0.32,amd＝0.3,amu＝0.0

T波终点的变量参数组合是ald＝0.2,alu＝0.1,ard＝0.1,aru＝0.0,amd＝0.0,amu＝0.1.

对于T波起点检测，我们设置r＝6；对于T波终点检测，我们设置r＝5。

表2.检测T波的参数设置信息

本发明的方法可以根据图5所示，以100ms的阈值来确定检测的真阳性(TP)，假阳性(FP)和假阴性(FN)。使用灵敏度(Se)，正向预测值(P+)和F1测度作为评价指标：

图6给出了所提出的方法以及传统方法的检测实例。

我们首先在QT数据库上测试了本发明提出的方法，与Song的T波起点检测方法和Zhang的T波终点检测方法作比较。

表3分别给出了QT的起点和终点检测结果数据库，使用两个ECG通道信号(第一和第二通道)。

如表3所示，本发明提出的方法显著提高了起点和终点检测的检测精度。对于T波起点检测，第一通道的F1测度从54.70％提高到70.46％，第二通道的F1测度从54.05％提高到72.94％。对于T波终点检测，第一通道的F1测度从87.83％提高到93.73％，第二通道的F1从86.73％提高到94.75％分别。此外，还分析了检测误差。如预期，改善的SWIA方法报告的检测误差小于传统方法，除了第二个ECG通道的T波终点检测稍微增加(传统的0.027±31.85ms vs.改善2.45±33.98ms)。但值得注意的是，所有Se，P+和F1指数均有所上升从～86％～～94％。

表3.QT数据库的T波检测结果

表4给出了欧洲ST-T数据库的起点和终点检测的结果。使用本发明提出的方法能更为显著地改进T波起点检测。第一通道的F1测度从41.02％提高到84.13％，第二通道的F1测度从44.33％到87.62％。两通道的平均检测误差分别从19.52ms显著下降到7.04ms，从26.27ms显著下降到6.35ms。虽对终点检测性能的改进是轻微的但我们的改进还是有效的，因为两通道的F1测度分别从98.83％提高到99.57％，从91.76％提高到98.29％。然而，当运行新方法时平均检测误差略有增加但这不是问题的关键。

表4.欧洲数据库的T波检测信息

从表3-4可以看出，对于T波起点和终点的检测，本发明提出的方法比传统方法有更好的性能，这表明包括使用聚类技术用于SWAI方法中搜索边界的设置有助于提高检测的精度。聚类技术是一种基于统计的技术，它通过定量分析和比较多重特征发现独立部分属于不同的群体。此外我们注意到，T波起点的检测，传统的SWIA和改进版本都没有得到比检测T波终点更好的性能。一个可能的原因是聚类方法确定搜索边界是基于统计的技术。因此，聚类结果的准确性与数据量的大小有关。但是，QT数据库中标注的T波起点远远小于标注的T波终点的数量(1371对3452)。因此，通过RR间期和RTon之间的聚类分析发现的关系不强(见图4(A))与RR间期和RToff之间的关系(见图4(B))。本发明的SWIA与传统SWIA之间的显着差异在于本发明可以更广泛和自适应地确定搜索窗口，它通过使用k-means聚类和网格搜索策略来实现边界。但是，传统的SWIA只使用预先定义的参数，没有给出任何详细的说明。

此外，我们也注意到改进的方法检测的T波终点的标准偏差为25.82ms，传统SWIA检测的为21.19ms。他们都是小于通用标准中提出的可接受阈值(30.6ms)心电图工作组(CSE)。而Martinez等人在QT数据库评估基于小波的方法来检测T波时也采用了和Zhang一样的方法计算指标。在另外，基于低通微分方法，基于隐马尔可夫模型的方法，部分吉布斯样本和贝叶斯方法和TU复合体分析方法也采用相同的方法在QT数据库上验证给出其结果来计算指数(表5给出了他们的结果)。但是，当计算Se和P+时，他们没有给出他们的时间容限，也并没有声明如何处理计算时错误误差的平均值和标准偏差。为了与他们的结果进行比较，我们也采用相同的方法来计算一些指标，使用标注的特征点减去检测点，之后得到误差的平均值和标准偏差。基于两通道的信号，每个特征点都被定位两次，因此可以得到两个位置。然后，我们选择误差较小的检测的位置。如果误差的绝对值大于100ms，我们就忽略当前节拍的误差。此外，上述方法具有相似性，它们的训练集和测试集的数据都来自相同的数据库。但是，在本发明中，QT数据库被选为训练集，欧洲ST-T数据库仅作为测试集。本发明使用F1测度作为最终决定性指标而不是使用误差的平均值和偏差作为决定性指标。为了更多明确地显示本发明的结果，还计算了注释和通过方法自动检测之间的误差，以及计算了误差集中误差值小于或等于100ms数据的平均值和标准偏差绝对值。

表5.使用QT数据库检测的T波终点检测方法比较(采样率250Hz)unknown:不知道的

在上述方法的基础上，本发明的另一实施例是一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点与终点即为T波的起点与终点。

进一步的，本发明的再一实施例是一种基于滑动窗积分面积的T波检测装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点与终点即为T波的起点与终点。

在本发明提出的T波检测方法上，还可以延伸出一种心电数据分析方法，包括：接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

在处理心电数据之前，可以对所接收的心电数据进行滤波降噪。

滤波降噪的方法包括中值滤波、小波滤波或限幅滤波，但不限于上述滤波降噪方法。

在该种心电数据分析方法的基础上，本发明又提出了一种存储装置，存储有多条指令，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

进一步的，本发明的再一实施例是一种心电数据分析装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用上述方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

上述P波、Q波、R波和S波的起点与终点位置可以首先采用模式识别的方法，进行特征点选择，然后再通过定位方法获取起点与终点位置。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于滑动窗积分面积的T波检测方法，应用于心电数据检测，其特征在于，包括：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点与终点即为T波的起点与终点；

所述聚类方法为k-means均值聚类方法，采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数包括：

采用k-means均值聚类方法获得RR间隔和RT_on间隔的范围，以及RR间隔与RT_off间隔的范围；

根据聚类结果得到RR间隔和RT_on间隔的范围建立滑动窗搜索边界的起点决定函数；

根据聚类结果得到RR间隔与RT_off间隔的范围建立滑动窗搜索边界的终点决定函数；

其中RT_on间隔指R峰和T波起点之间的时间间隔，RT_off间隔指R峰和T波偏移之间的时间间隔。

2.根据权利要求1所述的方法，其特征在于，利用网格搜索方法选择所述滑动窗搜索边界的起点决定函数中的第一变量参数组合；利用网格搜索方法选择所述滑动窗搜索边界的终点决定函数中的第二变量参数组合。

3.一种心电数据分析方法，包括：接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，其特征在于：采用如权利要求1所述的方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

4.根据权利要求3所述的方法，其特征在于，对所接收的心电数据进行滤波降噪。

5.根据权利要求4所述的方法，其特征在于，所述滤波降噪的方法包括中值滤波、小波滤波或限幅滤波。

6.一种存储装置，其特征在于，存储有多条指令，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用如权利要求1所述的方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

7.一种心电数据分析装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，其特征在于，所述指令由处理器加载并执行以下处理：

接收心电数据，分别检测P波、Q波、R波和S波的起点与终点，采用如权利要求1所述的方法检测T波的起点和终点，利用R波、P波、T波、Q波和S波起点与终点位置，计算各个波之间的心电特征值。

8.一种存储装置，其特征在于，存储有多条指令，所述指令由处理器加载并执行以下处理：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点与终点即为T波的起点与终点；

所述聚类方法为k-means均值聚类方法，采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数包括：

采用k-means均值聚类方法获得RR间隔和RT_on间隔的范围，以及RR间隔与RT_off间隔的范围；

根据聚类结果得到RR间隔和RT_on间隔的范围建立滑动窗搜索边界的起点决定函数；

根据聚类结果得到RR间隔与RT_off间隔的范围建立滑动窗搜索边界的终点决定函数；

其中RT_on间隔指R峰和T波起点之间的时间间隔，RT_off间隔指R峰和T波偏移之间的时间间隔。

9.一种基于滑动窗积分面积的T波检测装置，包括处理器，用于实现各指令；以及存储装置，用于存储多条指令，其特征在于，所述指令由处理器加载并执行以下处理：

采用聚类方法建立用于确定滑动窗搜索边界的决定函数；

使用已知数据库对所述决定函数进行训练，确定决定函数的变量参数组合；

将所述变量参数组合赋予决定函数，根据决定函数确定滑动窗的搜索边界，当搜索边界范围内的滑动窗与心电波形围成的面积达到最大值时，搜索边界的起点与终点即为T波的起点与终点；

所述聚类方法为k-means均值聚类方法，采用k-means均值聚类方法建立用于确定滑动窗搜索边界的决定函数包括：

采用k-means均值聚类方法获得RR间隔和RT_on间隔的范围，以及RR间隔与RT_off间隔的范围；

根据聚类结果得到RR间隔和RT_on间隔的范围建立滑动窗搜索边界的起点决定函数；

根据聚类结果得到RR间隔与RT_off间隔的范围建立滑动窗搜索边界的终点决定函数；

其中RT_on间隔指R峰和T波起点之间的时间间隔，RT_off间隔指R峰和T波偏移之间的时间间隔。