本发明属于心电信号特征识别领域，涉及一种基于de算法的心电信号pt波区间特征提取方法及相关装置。
背景技术：
1、心电信号是心脏肌肉在收缩和舒张时产生的微弱电流。这些电信号可以通过皮肤表面的电极被检测到，然后被放大和记录下来，形成心电图(ecg)。通过分析心电信号的形态和特征，医生可以判断心脏的健康状况，诊断心脏疾病，并制定相应的治疗方案，同时心电信号在医疗器械中有着重要的作用，特别是在像心脏辅助装置iabp(主动脉内球囊反搏装置)这样的设备中。
2、iabp设备的原理是通过监测心电信号的节律和变化，可以精确地确定心脏的收缩和舒张时机，从而帮助调节心脏的节律和提高心脏的血液供应。iabp设备最重要的功能便是控制球囊充放气时机的触发模式，市面上的iabp设备共有四种触发模式可供选择，分别为心电触发、压力触发、固有频率以及起搏模式，其中心电触发和压力触发最为常用。心电触发模式需要实时采集心电(ecg)信号并识别其特征波形，因此心电信号特征检测是iabp设备十分重要的组成部分。由于p波代表着心脏开始收缩，t波则代表心脏收缩结束即将进入舒张期，而球囊需要在心脏收缩时放气，舒张时充气，因此需要在tp间期保持球囊充气，rt间期保持球囊放气，由于p波，t波波形能量低、形态复杂，极易受到噪声干扰，因此实时检测难度很大。
3、关于心电信号的特征识别，国内外有很多经典算法，比如常规的阈值检测法，一些经典的r峰检测算法包括pan-tompkins算法和基于滤波器的方法，小波变换法、经验模态分析，基于机器学习的方法等。pan-tompkins是pan和tompkins提出的一种具有自适应双阈值的qrs波检测算法，能够用于实时检测r波，检测依据主要是基于r波的幅值，斜率，时间信息，算法由r波增强，r波综合决策两部分组成，该算法首先对r波特征进行增强，随后采用双阈值技术和搜索回溯技术进行漏检，该算法的优势是通过斜率、幅度和宽度信息来对r波进行了有效地检测，但该算法在抑制噪声干扰的能力有所不足。ecg信号中的p波，t波。由于其波形能量低、形态复杂，极易受到噪声干扰，导致常规算法如阈值检测，pan-tompkins算法等无法对其进行识别，小波变换方法对于信号低频成分具有时间局部化程度高的优点，在对于低频成分的奇异点检测有着较好的效果，因此被研究工作者广泛用于ecg信号中低频成分p，t波检测，熊鹏等利用连续小波变换的多尺度信息，提取心电信号中的p波和t波的主要成分。通过融合平稳小波对p波和t波候选段进行平滑处理，有效消除波形中的锯齿状毛刺，以提高峰值点的准确检测。最后，对p波和t波的过零点进行时移修正，确保它们在还原到原始信号时能够准确对应其峰值点，从而显著提高了p波和t波的检测精度，但由于小波变换要对一段信号进行多尺度分解，需要的数据点数较多，计算复杂度较高。emd是一种自适应分解方法，不需要预定义的基函数或滤波器。它通过将信号数据本身分解成具有不同时间尺度的imf来适应信号的局部特征，zine-eddine等使用emd法用于qrs波群检测并使用mit/bih数据库中的所有ecg信号作为评估集，取得了良好的准确性和鲁棒性，emd方法的优点是具有自适应性不需要预定义的基函数或滤波器。它通过将信号数据本身分解成具有不同时间尺度的imf来适应信号的局部特征，并且emd方法还具有信号分解的完备性，把各个分量相加能够获得原信号。但emd方法并不像小波分析或者神经网络那样，有固定的数学模型，因此它的一些重要性质仍还没有通过缜密的数学方法证明出。而且对模态分量imf的定义也尚未统一，在分解出imf的过程中需要迭代很多次，而停止迭代的条件缺乏一个标准，所以不同的停止迭代的条件得到的imf也是不同的，同时emd法与小波变换法都需要对一段含有大量数据的信号进行处理，导致实时性比较差。机器学习是人工智能(ai)领域的技术，机器学习的核心思想是利用数据来训练模型，使其能够对新数据进行预测、分类、识别或决策。shweta jain等使用遗传算法通过模拟自然界的交叉、变异和选择等进化过程来搜索最优的自适应滤波器的参数，以提高qrs峰值的检测性能，并证明了该方法准确性和灵敏度方面表现出色。机器学习的方法对ecg信号进行特征识别具有自动特征提取，快速处理大规模数据，高度准确分类和检测等优势。但机器学习的方法往往实现较为复杂，对于硬件平台要求较高。
4、由于iabp这类医疗器械对于心电信号实时性要求高，而p波，t波波形能量低、形态复杂，极易受到噪声干扰，因此实时检测难度很大。
技术实现思路
1、为解决现有技术中存在的问题，本发明的目的在于提供一种基于de算法的心电信号pt波区间特征提取方法及相关装置，本发明针对于心电信号进行特征提取，提取的信息可以作为先验信息对后续的心电信号p、t波峰出现区间预测提供帮助。该方法具有计算复杂度较低，人为参数设置较少，提取特征可靠性较好等优点，有助于保证或提高一些医疗器械的安全性可靠性。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于de算法的心电信号pt波区间特征提取方法，包括：
4、对已采集到的心电信号依次进行一阶差分、归一化、香农能量变换和双向均值滤波，得到预处理后的信号；
5、依次通过第一区间寻峰和第二区间寻峰在所述预处理后的信号中寻找r峰位置；其中，第一区间寻峰的区间大于第二区间寻峰的区间；
6、对预处理后的信号进行截取，保留第二区间寻峰的第一个峰值点和最后一个峰值点之间的数据，得到截取信号；
7、对所述截取信号去除基线漂移并归一化，得到第一数组；
8、对于第一数组中的数据进行相位分配，得到截取数据相位数组；
9、根据截取数据相位数组，提取特征模板；
10、通过de算法(即差分进化算法)优化抛物线拟合所述特征模板的参数，确定优化参数；
11、确定所述优化参数的最优参数，所得最优参数为心电信号pt波区间特征。
12、优选的，所述第一区间寻峰和第二区间寻峰的过程均包括：
13、采用预设长度的滑窗在整个预处理后的信号上移动，当中滑窗正中间的数据点大于整个滑窗上其他所有数据点时，则认为滑窗正中间的数据点极大值点，该极大值点为r峰位置。
14、优选的，对截取区间数据进行相位分配时：为截取区间数据中的每一个数据点分配大小为-π～π的相位，并引入了区间分配比例系数k，具体包括以下过程：
15、对第一数组中一段rr间期中第一个r峰的相位值分配为0；
16、将一段rr间期相位分配拆分为两个区间，其中，第一个区间的数据间隔数n1和rr间期总数据间隔n的关系为n1＝nk，第二个区间数据间隔数n2为n(1-k)；
17、将一段rr间期上的点的相位按第一个区间和第二个区间做等差递增，第一个区间的公差为第二个区间的公差为
18、将每个相位大于等于π的数据点的相位减去2π，至此得到截取数据相位数组。
19、优选的，区间分配比例系数k的取值范围为0.5～0.6。
20、优选的，根据截取数据相位数组，提取特征模板的过程包括：
21、根据所述已采集到的心电信号的采样率确定特征模板的数据点数；
22、确定特征模板的相位分配被拆分后的两个区间，其中，第一个区间的数据间隔数mn1和特征模板总数据间隔mn的关系为mn1＝mn(1-k)，第二个区间数据间隔数mn2为mnk；
23、将特征模板数据第一个点的相位被分配为-π，其他数据点按第一个区间和第二个区间做等差递增，第一个区间的公差为第二个区间的公差为至此得到特征模板的相位数组mphase(i)；
24、模板幅值数组mamplitude(i)中第一个点mamplitude(0)的值等于截取数据相位数组phasecut(i)中所有相位为-π的点对应的第一数组ecgcut(i)的均值，后续数据的幅值分配则以同第二个点，第二个点的幅值分配如下：截取数据相位数组phasecut(i)中相位大于mphase(0)并小于等于mphase(1)的点对应的第一数组ecgcut(i)的值取均值，该均值为特征模板幅值数组第二个点mamplitude(1)的值，特征模板幅值数组其余点的求取方法与第二个点相同，最终得到由特征模板所有数据点数组成的特征模板。
25、优选的，通过de算法优化抛物线拟合所述特征模板的参数，获得优化参数的过程包括：
26、在特征模板上截取寻p波区间；
27、将截取后的寻p波区间幅值数组整体减去寻p波区间幅值的最小值，平移至零线上方，得到平移后的寻p波区间；
28、采用抛物线拟合平移后的寻p波区间，其中，抛物线公式如下：
29、
30、其中a为抛物线对称轴对应的点位，b为抛物线与横轴交点连线所包含点数的一半，x为抛物线上的点；
31、根据所述抛物线确定de算法的目标函数，所述de算法的目标函数公式如下：
32、
33、其中，psize为寻p区间的长度；
34、根据de算法的目标函数确定de算法优化参数为a、b，其中，a取值范围为1-psize，b取值范围为
35、优选的，确定所述优化参数的最优参数的过程包括：
36、生成初始种群，其中，初始种群中每个个体含有a、b这两个参数，初始种群随机产生，生成公式如下：
37、xi，j＝xjmin+rand(0，1)(xjmax-xjmin)
38、其中，i表示初始种群的第i个个体，j表示第j个优化参数，xjmin表示第j个优化参数取值范围的下界，xjmax表示第j个优化参数取值范围的上界；
39、生成变异种群，其中，变异种群中的每个个体是从初始种群中随机选择的三个个体，将这三个个体中的两个个体进行差分操作干扰第三个个体，实现变异，变异个体生成公式如下：
40、vi(g)＝a1(g)+f(a2(g)-a3(g))
41、其中，vi(g)表示第g代变异种群中的第i个个体，a1(g)、a2(g)、a3(g)为第g代初始种群中随机选择的三个个体；
42、对于初始种群中的每个个体和它所生成的子代变异个体的优化参数进行交叉，生成交叉个体，交叉个体生成公式如下：
43、
44、其中，jrand是随机的优化分量以确保至少有一个分量进行交叉；
45、对交叉个体通过边界条件处理，以使交叉种群中的个体两个优化参数在范围之内；具体做法包括，当参数小于范围最小值时，参数值取参数范围的最小值，当参数大于范围最大值时，参数值取参数范围的最大值；
46、通过对初始种群和交叉种群求目标函数值，一一比对两个种群中对应序列的个体，保留目标函数值较小的个体作为新一代初始种群的个体；按上述流程进行迭代，获得所述最优参数。
47、本发明还提供了一种基于de算法的心电信号pt波区间特征提取系统，包括：
48、数据预处理模块：用于对已采集到的心电信号依次进行一阶差分、归一化、香农能量变换和双向均值滤波，得到预处理后的信号；
49、寻峰模块：用于依次通过第一区间寻峰和第二区间寻峰在所述预处理后的信号中寻找r峰位置；其中，第一区间寻峰的区间大于第二区间寻峰的区间；
50、信号截取模块：用于对预处理后的信号进行截取，保留第二区间寻峰的第一个峰值点和最后一个峰值点之间的数据，得到截取信号；
51、截取信号处理模块：用于对所述截取信号去除基线漂移并归一化，得到第一数组；
52、相位分配模块：用于对于第一数组中的数据进行相位分配，得到截取数据相位数组；
53、特征模板提取模块：用于根据截取数据相位数组，提取特征模板；
54、优化参数确定模块：用于通过de算法优化抛物线拟合所述特征模板的参数，确定优化参数；
55、参数优化模块：用于确定所述优化参数的最优参数，所得最优参数为心电信号pt波区间特征。
56、本发明还提供了一种电子设备，包括：
57、一个或多个处理器；
58、存储装置，其上存储有一个或多个程序；
59、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明如上所述的基于de算法的心电信号pt波区间特征提取方法。
60、本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的基于de算法的心电信号pt波区间特征提取方法。
61、本发明具有如下有益效果：
62、本发明首先对采集到的心电信号进行一阶差分、归一化、香农能量变换、双向均值滤波，随后进行两次区间寻峰确定r峰位置。根据寻峰结果对区间进行截取。对截取后的心电信号去除基线漂移并归一化后进行相位分配，根据分配相位的结果提取特征模板。最后通过de算法优化抛物线拟合特征模板的参数，得到的参数即p，t波波峰寻峰区间以及波峰大致位置。因为是根据患者的心电信号提取的特征模板，该特征模板具有该患者的心电特征波形分布信息，因此最终的优化参数可作为先验信息预测后续pt波的寻峰区间，有助于保证或提高一些需要实时监测心电信号并进行特征识别的医疗器械工作时的安全性可靠性。
1.一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，包括：
2.根据权利要求1所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，所述第一区间寻峰和第二区间寻峰的过程均包括：
3.根据权利要求1所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，对截取区间数据进行相位分配时：为截取区间数据中的每一个数据点分配大小为-π～π的相位，并引入了区间分配比例系数k，具体包括以下过程：
4.根据权利要求3所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，区间分配比例系数k的取值范围为0.5～0.6。
5.根据权利要求1所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，根据截取数据相位数组，提取特征模板的过程包括：
6.根据权利要求5所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，通过de算法优化抛物线拟合所述特征模板的参数，获得优化参数的过程包括：
7.根据权利要求6所述的一种基于de算法的心电信号pt波区间特征提取方法，其特征在于，确定所述优化参数的最优参数的过程包括：
8.一种基于de算法的心电信号pt波区间特征提取系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的基于de算法的心电信号pt波区间特征提取方法。
