一种动态心电图数据处理方法及系统与流程

本发明涉及动态心电图分析，尤其涉及一种动态心电图数据处理方法及系统。

背景技术：

1、动态心电图是通过实时监测和分析心电图数据，动态心电图分析技术领域的核心在于提取、处理和解释心电信号，以便于诊断心脏疾病、监控心脏健康状况，以及评估治疗效果。同时能够捕捉到在静态心电图检查中可能未被发现的心律不齐、心跳间期的异常以及其他心脏问题。

2、动态心电图数据处理方法是指对心电图数据进行收集、分析和解释的一系列技术步骤。目的是为了实时或准实时地监测心脏活动，从而能够即时发现心律不齐、心脏疾病的迹象或评估心脏疗法的效果。使医生可以获得更深入的心脏健康信息，做出更准确的诊断，并及时调整治疗方案。效果上，动态心电图数据处理旨在提高心脏疾病诊断的准确性和及时性，为患者提供个性化的医疗解决建议。

3、尽管现有动态心电图技术在实时捕捉心电数据、监测心脏健康状况以及评估治疗效果方面已经取得显著进展。然而，传统方法主要关注线性特征和周期性模式，难以准确识别早期心律异常或微妙的非线性变化，影响了诊断的准确性和早期预警能力。此外，在面对大规模心电图数据时，现有技术缺乏足够灵敏和精确的生物信息学特征提取能力，导致心脏疾病早期诊断和治疗建议的制定具有一定程度的局限性。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种动态心电图数据处理方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：一种动态心电图数据处理方法，包括以下步骤；

3、s1：对获取的动态心电图数据进行分段，调整每段信号强度，同时对每段的能量分布进行计算，并判断其稳定性，生成稳定性调整后的心电图数据段；

4、s2：针对所述稳定性调整后的心电图数据段，设置每段动态心电图数据的参数初始值，并根据每段特性进行参数调整，反映心电信号的变化，生成参数更新记录；

5、s3：利用所述参数更新记录，针对多种心律异常情况设定特征，分析心电信号的变化趋势，并将信号变化与特征匹配，识别潜在心律异常，生成心律异常分析记录；

6、s4：基于所述心律异常的识别记录，对心电图数据段进行模式匹配，将其与已知心律异常模式进行对比，通过计算每个匹配结果的相似度，识别与心电信号同类的心律异常模式，生成心律异常模式相似度分析结果；

7、s5：利用所述心律异常模式相似度分析结果，分析具有相似度的心律异常模式，构建每种心律异常的特征向量，并识别心电信号中的心律异常特征，生成心律异常类型的分析结果；

8、s6：对所述心律异常类型的分析结果进行分析，测定心电信号在每个区段的变异性指标，分析指标的变化规律，揭示信号中的非线性特征及隐藏的异常模式，生成信号复杂度分析结果。

9、本发明改进有，所述稳定性调整后的心电图数据段包括调整后的信号幅度、信号稳定性评级和每段能量分布特征，所述参数更新记录包括调整的时间窗口大小、信号频率响应调整值和信号变异性调整指数，所述心律异常分析记录包括心律异常预测概率、异常特征强度判断和异常趋势指示符，所述心律异常模式相似度分析结果包括心律异常匹配评分、匹配的模式标识和模式相似度等级，所述心律异常类型的分析结果包括心律异常类型确认、异常特征向量匹配度和异常类别识别置信度，所述信号复杂度分析结果包括信号的变异性指标明细、区段非线性特征概述和潜在异常模式信号特性。

10、本发明改进有，对获取的动态心电图数据进行分段，调整每段信号强度，同时对每段的能量分布进行计算，并判断其稳定性，生成稳定性调整后的心电图数据段的具体步骤如下；

11、s101：对获取的动态心电图数据进行分段，逐段调节信号强度，计算每段的能量分布，得到调整后的信号段落；

12、s102：对每个所述调整后的信号段落进行分析，判断信号峰值、均值以及能量分布的稳定性，进行信号强度的迭代调整，输出信号强度和稳定性优化的段落；

13、s103：基于所述信号强度和稳定性优化的段落，通过比较调整前后的能量分布差异，分析每段动态心电图数据的稳定性，生成稳定性调整后的心电图数据段。

14、本发明改进有，针对所述稳定性调整后的心电图数据段，设置每段动态心电图数据的参数初始值，并根据每段特性进行参数调整，反映心电信号的变化，生成参数更新记录的具体步骤如下；

15、s201：针对所述稳定性调整后的心电图数据段，为每段数据设定一组初始参数，包括信号的基本属性，包括幅度和频率响应，创建初始参数设定记录；

16、s202：根据所述初始参数设定记录，分析每段数据的特征，包括信号的变化幅度和频率特性，进行参数的调整，反映每段信号的特性，形成参数修改记录；

17、s203：依据所述参数修改记录，参照信号变异性、指定频率响应的需求和时间窗口，对每个数据段的参数进行再次调整，反映心电信号的当前变化，得到参数更新记录。

18、本发明改进有，利用所述参数更新记录，针对多种心律异常情况设定特征，分析心电信号的变化趋势，并将信号变化与特征匹配，识别潜在心律异常，生成心律异常分析记录的具体步骤如下；

19、s301：收集所述参数更新记录，针对每种心律异常定义指定的信号特征，通过特征反映心电信号的典型变化，得到心律异常特征定义表；

20、s302：基于所述心律异常特征定义表，分析心电信号在多种时间窗口的变化趋势，结合局部序列比对算法和循环神经网络，将变化与表中的特征匹配，识别与已知心律异常特征相匹配的信号变化，得到心律异常匹配信息；

21、所述局部序列比对算法按照公式i：

22、；

23、计算出心电信号段落与已定义心律异常特征之间的最优局部对齐得分，结合循环神经网络，分析心电信号的时间序列特性并学习其长期依赖关系，综合局部序列比对结果和学习到的模式特征，得到心律异常匹配信息；

24、其中，为参照心电信号特征的序列对齐得分在位置和，为原序列在位置和的最大对齐得分，未参照心电信号特征，为位置的心电信号段落和位置的心律异常特征之间的匹配分数，为分别是qrs复合波宽度、心率波动、波形变异、信号强度的权重系数，权重系数通过分析qrs复合波宽度对心律异常识别准确性的影响程度确定，权重系数通过统计心率波动与每类心律异常之间的相关性强度确定，权重系数通过评估波形变异度在多种心律异常识别中的区分能力确定，权重系数通过对比信号强度在正常心电图与异常心电图中的差异确定，为qrs复合波的宽度，为心率的波动性，为波形变异度，为信号强度，为参照心电信号特征的间隙惩罚值；

25、s303：将所述心律异常匹配信息中的内容汇总，分析每种心律异常特征出现的频率和强度，依此识别潜在的心律异常类型，生成心律异常分析记录。

26、本发明改进有，基于所述心律异常的识别记录，对心电图数据段进行模式匹配，将其与已知心律异常模式进行对比，通过计算每个匹配结果的相似度，识别与心电信号同类的心律异常模式，生成心律异常模式相似度分析结果的具体步骤如下；

27、s401：利用所述心律异常分析记录，整理心电图数据段中已识别的心律异常信息，包括异常类型和其信号特征，得到心律异常识别信息表；

28、s402：根据所述心律异常识别信息表，对每个心电图数据段进行模式匹配，与数据库中已知的心律异常模式进行对比，记录每种模式的匹配度，得到模式匹配度记录表；

29、s403：分析所述模式匹配度记录表，计算每个匹配结果的相似度，筛选与心电信号匹配的心律异常模式，生成心律异常模式相似度分析结果。

30、本发明改进有，利用所述心律异常模式相似度分析结果，分析具有相似度的心律异常模式，构建每种心律异常的特征向量，并识别心电信号中的心律异常特征，生成心律异常类型的分析结果的具体步骤如下；

31、s501：基于所述心律异常模式相似度分析结果，筛选具有相似度的心律异常模式，对模式特征进行归类，得到初始心律异常模式分类结果；

32、s502：针对所述初始心律异常模式分类结果，分析每类心律异常的特征向量，包括其频率、幅度和时间特性多种因素，得到特征向量模型；

33、s503：利用所述特征向量模型，通过比较心电信号与心律异常特征向量的相似度，识别心电信号中的心律异常特征，生成心律异常类型的分析结果。

34、本发明改进有，对所述心律异常类型的分析结果进行分析，测定心电信号在每个区段的变异性指标，分析指标的变化规律，揭示信号中的非线性特征及隐藏的异常模式，生成信号复杂度分析结果的具体步骤如下；

35、s601：基于所述心律异常类型的分析结果，对心电图数据进行预处理，采用盒维数算法，分析心电信号的复杂度和自相似性，参照信号的分形维数，结合机器学习算法，识别和分类心电信号中的心律异常模式，得到变异性指标测定结果；

36、所述盒维数算法按照公式ii：

37、；

38、计算心电信号的分形维数，生成心电信号的复杂度和自相似性值；

39、其中，为心电信号的分形维数，为在尺度下，覆盖心电信号所需的最小盒子数量，为盒子的边长，为心率，为校正qt间期，评估心电信号中qt间期的长度调整，为st段偏移，为p波持续时间，为权重系数，分别对应心率、校正qt间期、st段偏移、p波持续时间的重要性，权重系数通过对历史心电图数据进行回归分析，评估qrs复合波宽度在心律异常检测中的贡献度确定，权重系数通过分析心率波动与已知心律异常类型之间的相关性，使用皮尔森相关系数分析确定，权重系数通过对心电信号中波形变异的多个案例研究，分析其在区分多种心律异常情况中的作用，采用方差分析确定，权重系数通过研究信号强度在正常与异常心电图之间的差异，应用决策树分类器对比分析结果，选择最优阈值确定；

40、s602：对所述变异性指标测定结果进行迭代分析，分析心电信号变异性指标的变化规律，识别信号的非线性特征，得到非线性特征分析结果；

41、s603：根据所述非线性特征分析结果，揭示心电信号中的隐藏异常模式，通过对比分析，确定模式与已知心律异常的关系，生成信号复杂度分析结果。

42、一种动态心电图数据处理系统，所述系统包括：

43、数据分段模块将动态心电图数据依据时间序列或数据点数量切割成若干数据段，每个段落包括的数据量可独立进行信号分析，获取数据段落集合；

44、稳定性分析模块对所述数据段落集合中的每个段落执行信号强度调整，计算能量分布，并对每段进行稳定性判断，生成稳定性分析结果；

45、参数调整模块根据所述稳定性分析结果为每个数据段设定初始参数，并依据每段的信号特性进行参数调整，反映心电信号的变化特性，得到参数更新记录；

46、心律异常特征匹配模块利用所述参数更新记录，针对已定义的心律异常特征，分析心电信号变化，并将变化与特征进行匹配，识别匹配的心律异常，构建心律异常分析记录；

47、模式相似度分析模块基于所述心律异常分析记录，执行心电图数据段与已知心律异常模式的比对，计算匹配的相似度，筛选与心电信号匹配的心律异常模式，生成相似度分析结果；

48、特征向量构建模块对所述相似度分析结果中筛选的心律异常模式进行分析，归纳每种心律异常的特征向量，包括频率、幅度和时间多种特性，得到心律异常特征向量集；

49、信号复杂度分析模块基于心律异常特征向量集，测定心电信号在每个区段的变异性指标，分析变化规律，揭示信号中的非线性特征及潜在异常模式，建立信号复杂度分析结果。

50、与现有技术相比，本发明的优点和积极效果在于：

51、本发明中，通过对心电图信号进行基于深度学习的生物信息学特征提取，在早期心律异常的检测中，能够识别心电图信号中的复杂模式和特征，提高了心律异常识别的准确性和灵敏度。为心律异常的精确分类提供了强大的支持。采用分形维数理论对动态心电图数据进行深入分析，揭示了心电信号的非线性特性和自相似性。不仅增强了对心电图分析的理论深度，而且通过量化心电信号的复杂度，为揭示和识别隐藏的心律异常模式提供了另外的途径。也为早期诊断和治疗建议的制定带来了新的可能性。