本發(fā)明涉及醫(yī)療電子技術(shù)領(lǐng)域，具體地講，涉及一種室性早搏識別方法及室性早搏識別系統(tǒng)。

背景技術(shù)：

室性早搏(Premature Ventricular Contraction，PVC)是提早發(fā)生的起源于心室的異常心跳，也是臨床常見的心律失常之一。因此，能夠正確檢測、自動識別PVC具有非常重要的臨床意義。

目前，關(guān)于PVC自動分類或者PVC分類的方法已有很多，例如支持向量機、神經(jīng)網(wǎng)絡(luò)、小波變換、模板匹配等方法。在上述研究方法中，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法運算量大、訓(xùn)練時間較長，難以實現(xiàn)實時檢測。而對于小波變換方法，如何選擇一個適當(dāng)?shù)男〔ɑ茄芯空咝枰鉀Q的一個難題。此外，針對模板匹配方法，由于不同病人間心電圖具有差異，即使對于同一個病人在不同時刻其心電圖也是有所差異的，因此在利用模板匹配方法識別PVC中，如何尋找一個比較完整的模板庫是研究者需要著重考慮的一個問題。

因此，現(xiàn)有技術(shù)還有待于改進和發(fā)展。

技術(shù)實現(xiàn)要素：

為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出一種PVC識別方法，使得PVC識別靈敏度更好、性能更優(yōu)、準(zhǔn)確率更高。

本發(fā)明解決上述問題所提出的技術(shù)方案如下：

本發(fā)明的一個目的在于提供一種室性早搏識別方法，包括：

接收心電圖(Electrocardiogram，ECG)信號；

對接收的心電圖信號進行預(yù)處理，以獲得預(yù)處理后的心電圖信號；

采用若干個分類模型對所述預(yù)處理后的心電圖信號進行分類，獲得若干個原始概率值，其中，所述分類模型為導(dǎo)聯(lián)神經(jīng)卷積網(wǎng)絡(luò)(Lead Convolutional Neural Network，LCNN)分類模型；

根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。

進一步地，對接收的心電圖信號進行0.5Hz-40Hz的帶通濾波預(yù)處理，以獲得所述預(yù)處理后的心電圖信號。

進一步地，根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定的室性早搏的心電圖信號的具體方法包括：

采用預(yù)定的融合決策規(guī)則對所述若干個原始概率值進行融合決策，以獲得綜合概率值；

判斷所述綜合概率值是否大于一預(yù)定閾值；其中，若所述綜合概率值大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號；若所述綜合概率值不大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號。

進一步地，若所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號，則所述室性早搏識別方法還包括：

提取所述預(yù)處理后的心電圖信號的特征參數(shù)；

根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號。

進一步地，所述提取的特征參數(shù)包括：QRS波的寬度、RR間期、T波方向以及QRS主波方向。

進一步地，根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號的具體方法包括：

判斷所述QRS波的寬度是否不小于0.1秒；若所述QRS波的寬度小于0.1秒，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述QRS波的寬度不小于0.1秒，則判斷所述RR間期是否不小于正常RR期間的兩倍；若所述RR間期小于正常RR期間的兩倍，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述RR間期不小于正常RR期間的兩倍，則判斷所述預(yù)處理后的心電圖 信號是否提前出現(xiàn)QRS-T波；若所述預(yù)處理后的心電圖信號未提前出現(xiàn)QRS-T波，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述預(yù)處理后的心電圖信號提前出現(xiàn)QRS-T波，則判斷所述T波方向與所述QRS主波方向是否相反；若所述T波方向與所述QRS主波方向未相反，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述T波方向與所述QRS主波方向相反，則所述預(yù)處理后的心電圖信號為室性早搏的心電圖信號。

本發(fā)明還提供了一種室性早搏識別系統(tǒng)，包括

接收模塊，被構(gòu)造為接收心電圖信號；

預(yù)處理模塊，被構(gòu)造為對所述心電圖信號進行預(yù)處理，以獲得預(yù)處理后的心電圖信號；

分類模塊，被構(gòu)造為采用若干個分類模型對所述預(yù)處理后的心電圖信號進行分類，以獲得若干個原始概率值，其中，所述分類模型為導(dǎo)聯(lián)神經(jīng)卷積網(wǎng)絡(luò)分類模型；

識別模塊，被構(gòu)造為根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。

進一步地，所述識別模塊進一步被構(gòu)造為采用預(yù)定的融合決策規(guī)則對所述若干個原始概率值進行融合決策，以獲得綜合概率值，并判斷所述綜合概率值是否大于一預(yù)定閾值；

其中，若所述識別模塊判斷為所述綜合概率值大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號；若所述識別模塊判斷為所述綜合概率值不大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號。

進一步地，所述室性早搏識別系統(tǒng)還包括：再識別模塊，被構(gòu)造為若所述識別模塊識別所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號，則提取所述預(yù)處理后的心電圖信號的特征參數(shù)，并根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號；

其中，所述提取的特征參數(shù)包括：QRS波的寬度、RR間期、T波方向以及QRS主波方向。

進一步地，所述再識別模塊進一步被構(gòu)造為判斷所述QRS波的寬度是否不小于0.1秒；若所述再識別模塊判斷所述QRS波的寬度小于0.1秒，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述再識別模塊判斷所述QRS波的寬度不小于0.1秒，則所述再識別模塊進一步被構(gòu)造為判斷所述RR間期是否不小于正常RR期間的兩倍；若所述再識別模塊判斷為所述RR間期小于正常RR期間的兩倍，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述再識別模塊判斷為所述RR間期不小于正常RR期間的兩倍，則所述再識別模塊進一步被構(gòu)造為判斷所述預(yù)處理后的心電圖信號是否提前出現(xiàn)QRS-T波；若所述再識別模塊判斷為所述預(yù)處理后的心電圖信號未提前出現(xiàn)QRS-T波，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述再識別模塊判斷為所述預(yù)處理后的心電圖信號提前出現(xiàn)QRS-T波，則所述再識別模塊進一步被構(gòu)造為判斷所述T波方向與所述QRS主波方向是否相反；若所述再識別模塊判斷為所述T波方向與所述QRS主波方向未相反，則所述預(yù)處理后的心電圖信號為非室性早搏的心電圖信號；

若所述再識別模塊判斷為所述T波方向與所述QRS主波方向相反，則所述預(yù)處理后的心電圖信號為室性早搏的心電圖信號。

本發(fā)明提出的室性早搏識別方法以及室性早搏識別系統(tǒng)，采用多個分類模型進行分類，利用集成學(xué)習(xí)中各分類模型之間分類結(jié)果的差異性來提升整個識別方法的分類性能；同時LCNN作為集成學(xué)習(xí)的基分類模型，使得PVC識別靈敏度更好、性能更優(yōu)、準(zhǔn)確率更高。

附圖說明

通過結(jié)合附圖進行的以下描述，本發(fā)明的實施例的上述和其它方面、特點和優(yōu)點將變得更加清楚，附圖中：

圖1是根據(jù)本發(fā)明的第一實施例的室性早搏識別方法的流程圖；

圖2是根據(jù)本發(fā)明的第二實施例的室性早搏識別方法的流程圖；

圖3是根據(jù)本發(fā)明的第三實施例的室性早搏識別系統(tǒng)的模塊圖。

具體實施方式

以下，將參照附圖來詳細描述本發(fā)明的實施例。然而，可以以許多不同的形式來實施本發(fā)明，并且本發(fā)明不應(yīng)該被解釋為限制于這里闡述的具體實施例。相反，提供這些實施例是為了解釋本發(fā)明的原理及其實際應(yīng)用，從而使本領(lǐng)域的其他技術(shù)人員能夠理解本發(fā)明的各種實施例和適合于特定預(yù)期應(yīng)用的各種修改。

<第一實施例>

圖1是根據(jù)本發(fā)明的第一實施例的室性早搏識別方法的流程圖。

參照圖1，在步驟S1中，接收心電圖信號。

在本實施例中，所述心電圖信號可采集自中國心血管疾病數(shù)據(jù)庫(Chinese Cardiovascular Disease Database，簡稱CCDD)，但本發(fā)明并不限制于此。

在步驟S2中，對所述心電圖信號進行預(yù)處理，獲得預(yù)處理后的心電圖信號。

一般，接收的心電圖信號中會包含工頻、肌電、基線漂移等噪聲。工頻噪聲會對心電圖信號中細小轉(zhuǎn)折產(chǎn)生影響，從而使得所述心電圖信號的特征出現(xiàn)變化而影響所述心電圖信號對于病情的診斷，其頻率固定為50Hz?；€漂移一般由人體呼吸和電極移動所引起，會引起心電圖信號的基準(zhǔn)線呈現(xiàn)上下漂移的情況，其頻率低于10Hz。肌電干擾主要是由人體肌肉顫動所致，其頻率一般在5Hz～2kHz之間。其中，基線漂移對心電圖信號的影響最大。本發(fā)明為了減少噪聲干擾，對接收的心電圖信號進行預(yù)先的濾波處理，例如，對接收的心電圖信號進行0.5Hz-40Hz的帶通濾波預(yù)處理。

在步驟S3中，采用若干個分類模型對所述預(yù)處理后的心電圖信號進行分類，獲得若干個原始概率值，其中，鑒于LCNN訓(xùn)練參數(shù)少、自適應(yīng)強、結(jié)構(gòu)簡單等優(yōu)良特性，若干個分類模型以LCNN作為基分類模型。

在步驟S4中，根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。

具體的，采用預(yù)定的融合決策規(guī)則對所述若干個原始概率值進行融合決策，以獲得綜合概率值；判斷所述綜合概率值是否大于一預(yù)定閾值；其中，若所述綜合概率值大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號；若所述綜合概率值不大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號。

在本實施例中，步驟S3、S4采用的是基于集成學(xué)習(xí)的方法來進行PVC識別，其中，選用合適的分類模型決定了集成學(xué)習(xí)方法有效性，一般為了提升集成效果，選用的若干分類模型中的每個分類模型必須滿足以下幾點：1、每個分類模型的錯誤概率不能高于0.5；2、每個分類模型之間的性能要有較大的差別。下面通過一個具體的示例對本實施例的技術(shù)方案進行描述。

首先，所述心電圖信號從CCDD的記錄中獲得，取自該數(shù)據(jù)庫的若干心電圖信號經(jīng)過0.5～40Hz的帶通濾波進行去噪處理。

將預(yù)處理后的若干心電圖信號作為訓(xùn)練樣本，具體的，作為一個示例，選取35840條預(yù)處理后的心電圖信號作為訓(xùn)練樣本(其中包括3112條PVC)；在35840條預(yù)處理后的心電圖信號中選取141046條心電圖信號(其中包括2148條PVC)作為測試樣本。鑒于LCNN訓(xùn)練參數(shù)少、自適應(yīng)強、結(jié)構(gòu)簡單等優(yōu)良特性，將LCNN作為集成學(xué)習(xí)的基分類模型，這里選取6個以LCNN為基的分類模型進行分類，其中，這6個LCNN模型是從已訓(xùn)練好的若干LCNN模型中挑選出來的錯誤概率比較低而且各模型間差異性較大的6個模型。這6個LCNN模型的3層取樣核均為1*3，3個卷積核分別為1*18、1*10、1*5。

為了將所述6個LCNN模型構(gòu)造成不同的分類模型，在6個LCNN模型中有3個LCNN模型的結(jié)構(gòu)為[15，20，15，50，1]，其中，15、20、15分別表示3個卷積單元的特征面?zhèn)€數(shù)，50和1分別表示兩個全連接層的神經(jīng)元個數(shù)。由于訓(xùn)練樣本中PVC與非室性早搏(NPVC)取樣條數(shù)不相同，為了解決取樣條數(shù)帶來的不平衡性，在這3個LCNN模型的損失函數(shù)中對每一個類別設(shè)置不同的錯分代價，其中，有2個的錯分代價比為3:1，即NPVC與PVC的錯分代價之比為3:1；雖然這2個LCNN模型結(jié)構(gòu)和錯分代價比相同，但是其訓(xùn)練初始值不一樣，所以這2個LCNN模型也不一樣；而另一個LCNN模型的錯分代價比為1:4。

除此之外，在另外3個LCNN模型的中，其中，1個LCNN模型結(jié)構(gòu)為[8，14，20，50，2]，其錯分代價比為4:1，另2個LCNN模型的結(jié)構(gòu)為[10，15，20，50，2]，它們的錯分代價比分別為4:1和3:1。

選取好分類模型后，將訓(xùn)練樣本均輸入到6個LCNN模型中進行獨立并行訓(xùn)練，經(jīng)過學(xué)習(xí)后，再將測試樣本均通過這6個LCNN模型進行獨立測試得到6個原始概率值。

本實施例中，選取的分類模型的個數(shù)以及其構(gòu)造方法僅僅是作為示例示出， 不用對本發(fā)明進行限制，在其他實施例中，也可以選擇不同的分類模型個數(shù)以及不同的分類模型的構(gòu)造方法。

具體的，作為一個示例，用t_mj表示第m個分類模型得到屬于第j類的原始概率值(j＝0，1，其中0表示NPVC類，1表示PVC類)，這樣通過每一個分類模型均可以得到一個原始概率值，即如果t_m1大于0.5，則第m個分類模型將所述測試樣本判定為PVC類。但是，為了得到一個更可靠的識別結(jié)果，這里通過采用某種融合規(guī)則對6個LCNN模型輸出的6個原始概率值進行融合決策得到一個更可靠的綜合概率值。

具體的，作為一個示例，采用均值融合規(guī)則，也可采用其他的融合規(guī)則如乘法規(guī)則、加權(quán)平均、取最大值等，融合規(guī)則為本領(lǐng)域技術(shù)人員所公知的技術(shù)，這里不再贅述，對6個LCNN模型的原始概率值進行融合得到綜合概率值P_j，其公式如下：

P_j＝(1/6)*∑⁶_m＝1t_mj，j＝0，1

P_j表示6個LCNN模型最終融合概率，即樣本屬于第j類的概率。若P_j大于0.5，則樣本屬于1類即PVC類，否則樣本屬于0類即NPVC類。對測試樣本進行判斷后的結(jié)果如下表所示：

表1

在本實施例中，采用Sp為特異性、Se為靈敏度、Acc為準(zhǔn)確率、γ為綜合指標(biāo)約登指數(shù)、Gm為幾何平均這幾個參數(shù)來度量分類效果的優(yōu)劣，它們各自的定義如下所示：

Acc＝(TP+TN)/(TP+TN+FP+FN)

Se＝TP/(TP+FN)

Sp＝TN/(TN+FP)

γ＝Se+Sp-1

其中，TP為陽性樣本被算法檢測為陽性的數(shù)量；TN為陰性樣本被算法檢測為陰性的數(shù)量；FN為陽性樣本被錯誤檢測為陰性的數(shù)量；FP為陰性樣本被檢測為陽性的數(shù)量。從表中可以看出，其中，2148條PVC中被正確識別為PVC的為1380條，利用本實施例提供的識別方法，其識別準(zhǔn)確率可以達到98.47％。

綜上所述，本發(fā)明第一實施例采用基于集成學(xué)習(xí)的方法對心電圖信號進行PVC識別，集成學(xué)習(xí)中將LCNN作為基分類模型使得PVC識別準(zhǔn)確率更高。

<第二實施例>

圖2是根據(jù)本發(fā)明的第一實施例的室性早搏識別方法的流程圖。

參照圖2，在步驟S1中，接收心電圖信號。

在本實施例中，所述心電圖信號可采集自中國心血管疾病數(shù)據(jù)庫(Chinese Cardiovascular Disease Database，簡稱CCDD)，但本發(fā)明并不限制于此。

在步驟S2中，對所述心電圖信號進行預(yù)處理，獲得預(yù)處理后的心電圖信號。

一般，接收的心電圖信號中會包含工頻、基電、基線漂移等噪聲。工頻噪聲會對心電圖信號中細小轉(zhuǎn)折產(chǎn)生影響，從而使得所述心電圖信號的特征出現(xiàn)變化而影響所述心電圖信號對于病情的診斷，其頻率固定為50Hz。基線漂移一般由人體呼吸和電極移動所引起，會引起心電圖信號的基準(zhǔn)線呈現(xiàn)上下漂移的情況，其頻率低于10Hz。肌電干擾主要是由人體肌肉顫動所致，其頻率一般在5Hz～2kHz之間。其中，基線漂移對心電圖信號的影響最大。本發(fā)明為了減少噪聲干擾，對接收的心電圖信號進行預(yù)先的濾波處理，例如，對接收的心電圖信號進行0.5Hz-40Hz的帶通濾波預(yù)處理。

在步驟S3中，采用若干個分類模型對所述預(yù)處理后的心電圖信號進行分類，獲得若干個原始概率值，其中若干個分類模型以LCNN作為基分類模型。

在步驟S4中，根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。

具體的，采用預(yù)定的融合決策規(guī)則對所述若干個原始概率值進行融合決策，以獲得綜合概率值；判斷所述綜合概率值是否大于一預(yù)定閾值；其中，若所述 綜合概率值大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號；若所述綜合概率值不大于所述預(yù)定閾值，則所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號。

在本實施例中，步驟S3、S4采用的是基于集成學(xué)習(xí)的方法來進行PVC識別，其中，選用合適的分類模型決定了集成學(xué)習(xí)方法有效性，一般為了提升集成效果，選用的若干分類模型中的每個分類模型必須滿足以下幾點：1、每個分類模型的錯誤概率不能高于0.5；2、每個分類模型之間的性能要有較大的差別。下面通過一個具體的示例對本實施例的技術(shù)方案進行描述。

首先，所述心電圖信號從CCDD的記錄中獲得，取自該數(shù)據(jù)庫的若干心電圖信號經(jīng)過0.5～40Hz的帶通濾波進行去噪處理。

將預(yù)處理后的若干心電圖信號作為訓(xùn)練樣本，具體的，作為一個示例，選取35840條預(yù)處理后的心電圖信號作為訓(xùn)練樣本(其中包括3112條PVC)；在35840條預(yù)處理后的心電圖信號中選取141046條心電圖信號(其中包括2148條PVC)作為測試樣本。鑒于LCNN訓(xùn)練參數(shù)少、自適應(yīng)強、結(jié)構(gòu)簡單等優(yōu)良特性，將LCNN作為集成學(xué)習(xí)的基分類模型，這里選取6個以LCNN為基的分類模型進行分類，其中，這6個LCNN模型是從已訓(xùn)練好的若干LCNN模型中挑選出來的錯誤概率比較低而且各模型間差異性較大的6個模型。這6個LCNN模型的3層取樣核均為1*3，3個卷積核分別為1*18、1*10、1*5。

為了將所述6個LCNN模型構(gòu)造成不同的分類模型，在6個LCNN模型中有3個LCNN模型的結(jié)構(gòu)為[15，20，15，50，1]，其中，15、20、15分別表示3個卷積單元的特征面?zhèn)€數(shù)，50和1分別表示兩個全連接層的神經(jīng)元個數(shù)。由于訓(xùn)練樣本中PVC與非室性早搏(NPVC)取樣條數(shù)不相同，為了解決取樣條數(shù)帶來的不平衡性，在這3個LCNN模型的損失函數(shù)中對每一個類別設(shè)置不同的錯分代價，其中，有2個的錯分代價比為3:1，即NPVC與PVC的錯分代價之比為3:1；雖然這2個LCNN模型結(jié)構(gòu)和錯分代價比相同，但是其訓(xùn)練初始值不一樣，所以這2個LCNN模型也不一樣；而另一個LCNN模型的錯分代價比為1:4。

除此之外，在另外3個LCNN模型的中，其中，1個LCNN模型結(jié)構(gòu)為[8，14，20，50，2]，其錯分代價比為4:1，另2個LCNN模型的結(jié)構(gòu)為[10，15，20，50，2]，它們的錯分代價比分別為4:1和3:1。

選取好分類模型后，將訓(xùn)練樣本均輸入到6個LCNN模型中進行獨立并行 訓(xùn)練，經(jīng)過學(xué)習(xí)后，再將測試樣本均通過這6個LCNN模型進行獨立測試得到6個原始概率值。

本實施例中，選取的分類模型的個數(shù)以及其構(gòu)造方法僅僅是作為示例示出，不用對本發(fā)明進行限制，在其他實施例中，也可以選擇不同的分類模型個數(shù)以及不同的分類模型的構(gòu)造方法。

具體的，作為一個示例，用t_mj表示第m個分類模型得到屬于第j類的原始概率值(j＝0，1，其中0表示NPVC類，1表示PVC類)，這樣通過每一個分類模型均可以得到一個原始概率值，即如果t_m1大于0.5，則第m個分類模型將所述測試樣本判定為PVC類。但是，為了得到一個更可靠的識別結(jié)果，這里通過采用某種融合規(guī)則對6個LCNN模型輸出的6個原始概率值進行融合決策得到一個更可靠的綜合概率值。

具體的，采用均值融合規(guī)則，也可采用其他的融合規(guī)則如乘法規(guī)則、加權(quán)平均、取最大值等，融合規(guī)則為本領(lǐng)域技術(shù)人員所公知的技術(shù)，這里不再贅述，對6個LCNN模型的原始概率值進行融合得到綜合概率值P_j，其公式如下：P_j＝(1/6)*∑⁶_m＝1t_mj，j＝0，1

P_j表示6個LCNN模型最終融合概率，即樣本屬于第j類的概率。若P_j大于0.5，則樣本屬于1類即PVC類，否則樣本屬于0類即NPVC類。對測試樣本進行判斷后的結(jié)果如下表所示：

表1

在本實施例中，采用Sp為特異性、Se為靈敏度、Acc為準(zhǔn)確率、γ為綜合指標(biāo)約登指數(shù)、Gm為幾何平均這幾個參數(shù)來度量分類效果的優(yōu)劣，它們各自的定義如下所示：

Acc＝(TP+TN)/(TP+TN+FP+FN)

Se＝TP/(TP+FN)

Sp＝TN/(TN+FP)

γ＝Se+Sp-1

其中，TP為陽性樣本被算法檢測為陽性的數(shù)量；TN為陰性樣本被算法檢測為陰性的數(shù)量；FN為陽性樣本被錯誤檢測為陰性的數(shù)量；FP為陰性樣本被檢測為陽性的數(shù)量。從表中可以看出，利用本實施例提供的識別方法，其識別準(zhǔn)確率可以達到98.47％。一般情況下，約登指數(shù)γ和幾何平均Gm越大，分類性能越好。

從表1可以看出，經(jīng)6個LCNN模型進行并行分類然后進行融合決策后，得到的靈敏度還比較低，其中實際為PVC被判為NPVC的測試樣本條數(shù)為768條，即有較多的PVC樣本被判成了非PVC。因此在本實施例中考慮采用其診斷規(guī)則對NPVC測試樣本進行再一次的識別，以達到提升靈敏度的目的。

繼續(xù)參照圖2，在步驟S4中，若所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號，則進入步驟S5。

在步驟S5中，提取所述預(yù)處理后的心電圖信號的特征參數(shù)，在本實施例中，所述提取的特征參數(shù)為QRS波的寬度、RR間期、T波方向以及QRS主波方向。

其中，QRS波的寬度定義為Q波與S波之間的寬度，RR間期表示的是當(dāng)前R波與前一個R波之間的間期。

在步驟S6中，根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號。其中，在步驟S6中，根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號具體方法包括：

步驟S61：判斷所述QRS波的寬度是否不小于0.1秒。

若所述QRS波的寬度小于0.1秒，則所述心電圖信號為NPVC。若所述QRS波的寬度不小于0.1秒，則進入步驟S62。

步驟S62：判斷所述心電圖信號是否存在完全代償間期；其中，完全代償間期表示的是早搏前后兩竇性心搏相隔的時間為正常心動周期的2倍。

若所述心電圖信號不存在完全代償間期，則所述心電圖信號為NPVC。若所 述心電圖信號存在完全代償間期，則進入步驟S63。

步驟S63：判斷所述心電圖信號是否提前出現(xiàn)QRS-T波。

若所述心電圖信號未提前出現(xiàn)QRS-T波，則所述心電圖信號為NPVC。若所述心電圖信號提前出現(xiàn)QRS-T波，則進入步驟S64。

步驟S64：判斷所述T波與所述QRS主波方向是否相反。

若所述T波與所述QRS主波方向相同，則所述心電圖信號為NPVC。若所述T波與所述QRS主波方向相反，則所述心電圖信號為PVC心電圖信號。

具體的，作為一個示例，采用上述所述心電圖信號特征參數(shù)對表1中的被判定為NPVC的2157條測試樣本再次進行PVC識別。由基于LCNN模型的集成學(xué)習(xí)方法與特征參數(shù)相結(jié)合識別PVC的方法得到的結(jié)果如下表所示

表2

從表中可以看出，其中，2148條PVC中被判為NPVC的條數(shù)從原來的768條減少為335條。因此，根據(jù)特征參數(shù)對所述心電圖信號進行再次識別使得識別靈敏度更高、分類性能更好。

綜上所述，本發(fā)明第二實施例采用基于LCNN模型的集成學(xué)習(xí)的方法與特征參數(shù)結(jié)合對心電圖信號進行PVC識別，使得PVC識別靈敏度更高、整體分類性能更好。

<第三實施例>

圖3是根據(jù)本發(fā)明的第三實施例的室性早搏識別系統(tǒng)的模塊圖。

參照圖3，根據(jù)本發(fā)明的第三實施例的室性早搏識別系統(tǒng)包括接收模塊10、預(yù)處理模塊11、分類模塊12、識別模塊13以及再識別模塊14。

接收模塊10，被構(gòu)造為接收心電圖信號。

預(yù)處理模塊11，被構(gòu)造為對所述心電圖信號進行預(yù)處理，以獲得預(yù)處理后的心電圖信號。

分類模塊12，被構(gòu)造為采用若干個分類模型對所述預(yù)處理后的心電圖信號進行分類，以獲得若干個原始概率值，其中，所述分類模型為導(dǎo)聯(lián)神經(jīng)卷積網(wǎng)絡(luò)分類模型。

識別模塊13，被構(gòu)造為根據(jù)獲得的若干個原始概率值來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。在本實施例中，所述識別模塊13進一步被構(gòu)造為利用上述步驟S4來識別所述預(yù)處理后的心電圖信號是室性早搏的心電圖信號或待確定為室性早搏的心電圖信號。

所述室性早搏識別系統(tǒng)還包括再識別模塊14，被構(gòu)造為若所述識別模塊識別所述預(yù)處理后的心電圖信號是待確定的室性早搏的心電圖信號，則提取所述預(yù)處理后的心電圖信號的特征參數(shù)，并根據(jù)提取的特征參數(shù)來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號；其中，所述提取的特征參數(shù)具體包括的種類請參照上述步驟S5中的描述。

具體的，所述再識別模塊進一步被構(gòu)造為利用上述步驟S6的方法來識別所述預(yù)處理后的心電圖信號是否為室性早搏的心電圖信號。

雖然已經(jīng)參照特定實施例示出并描述了本發(fā)明，但是本領(lǐng)域的技術(shù)人員將理解：在不脫離由權(quán)利要求及其等同物限定的本發(fā)明的精神和范圍的情況下，可在此進行形式和細節(jié)上的各種變化。