CN109077719A

CN109077719A - 信号识别方法、装置、设备和存储介质

Info

Publication number: CN109077719A
Application number: CN201810729612.2A
Authority: CN
Inventors: 胡静
Original assignee: Guangzhou Shiyuan Electronics Thecnology Co Ltd
Current assignee: Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date: 2018-07-05
Filing date: 2018-07-05
Publication date: 2018-12-25

Abstract

本发明实施例公开了一种信号识别方法、装置、设备和存储介质，该方法包括：提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。

Description

信号识别方法、装置、设备和存储介质

技术领域

本发明涉及信号处理技术，尤其涉及一种信号识别方法、装置、设备和存储介质。

背景技术

心房颤动简称房颤，是临床最常见的一种心律失常疾病，减少房颤的发病率和死亡率具有重要的临床意义和社会意义。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题。现有技术中通过RR间期不规则作为标准来判断房颤是否发作，然而，RR间期绝对不规则也是其他心律信号的表现之一。判断标准单一导致判断结果不准确。

发明内容

本发明实施例提供一种信号识别方法、装置、设备和存储介质，应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。

第一方面，本发明实施例提供了一种信号识别方法，该方法包括：

提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；

提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；

将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；

将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

第二方面，本发明实施例还提供了一种信号识别装置，该装置包括：

第一提取模块，用于提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；

第二提取模块，用于提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；

模型参数获取模块，用于将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；

信号识别模块，用于将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的信号识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的信号识别方法。

本发明实施例中，通过提取心电信号的第一特征参数，第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得，提取心电信号的第二特征参数，第二特征参数为根据设定的转折点曲率算法提取获得；将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。应用本发明实施例中提供的方法进行信号识别，提高了信号识别的速度和准确度；经过预处理的波形更光滑，预处理消除了高频噪声，更方便准确的提取有效信息；应用本发明实施例中提供的特征参数，能得到更精确的模型参数值，应用支持向量机模型对待检测信号进行识别，更加能够表征房颤发作的特性，更适合实际应用场景；将该结果在显示设备上显示，作为个人或医生检测或诊断的基础。

附图说明

图1是本发明实施例一中的一种信号识别方法的流程图；

图2a是本发明实施例二中的一种信号识别方法的流程图；

图2b是本发明实施例二中所适用的一种实际采集到的心电信号的波形图；

图2c是本发明实施例二中所适用的一种预处理后的心电信号的波形图；

图3是本发明实施例三中的一种信号识别方法的流程图；

图4是本发明实施例四中的一种信号识别装置的结构示意图；

图5是本发明实施例五中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

心电信号(Electrocardiogram，ECG)是指，心脏活动时心肌激动产生的生物电信号。通过识别心电信号，可以识别房颤、其他心律(除房颤外的异常节律)、正常窦性心律和噪声等不同的心电信号。房颤是指心房颤动，是临床最常见的一种心律失常疾病，紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，导致较高的致残率和死亡率。因此，准确识别心电信号有重要的意义。

在一个具体的例子中，心电信号显示在心电图机上，心电图机上显示的心电信号由一系列的波组成，每个波组代表着一个心动周期，一个波组包括P波、QRS波和T波。P波是心房除极波，是每一个波组中的第一波，反映了左右心房的除极过程；典型的QRS波包括三个紧密相连的波，第一个向下的波称为Q波，继Q波之后的一个高尖的直立波称为R波，R波后向下的波称为S波，因其紧密相连，且反映了心室电激动过程，故统称为QRS波，反映了左右心室的除极过程。T波位于S-T段之后，是一个比较低而占时较长的波，它是心室复极所产生的。U波是紧接T波后0.02～0.04s出现的一个低频、低振幅波，方向与T波一致，是心室复极的一部分。

实施例一

图1为本发明实施例一提供的一种信号识别方法的流程图，本实施例可适用于识别待检测信号的情况，该方法可以由本发明实施例提供的信号识别装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：

S110、提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得。

具体的，提取心电信号的第一特征参数，其中，第一特征参数可以是ECG的统计特征。可选的，所述第一特征参数包括：心电信号波的数量、平均值、最大值、最小值、中位数和方差。

根据心电信号的波形信息、心电信号的波序列以及设定的运算算子确定第一特征参数。其中，心电信号的波形信息可以是波峰位置、波谷位置和波间期。可选的，波间期是指，同一个波形的不同波峰之间的时间差，或者不同波形的波峰之间的时间差，这里不形成具体限定，根据实际的应用情况而定。心电信号的波序列可以是多个心电信号组成的离散序列，设定的运算算子可以是sum、Mean、Max、Min、Median和Var等。

在一个具体的例子中，用令X_P、X_Q、X_R、X_S和X_T表示P波、Q波、R波、S波和T波的序列，以R波为例，计算R波的数量Num、平均值Mean、最大值Max、最小值Min、中位数Median和方差Var，其中，平均值、最大值、最小值、中位数和方差，均是对信号幅值而言，幅值可以是电压。用一个具体的例子说明第一特征参数的计算过程。

Num_R＝Num(X_R)＝sum(X_R)

Mean_R＝Mean(X_R)

Max_R＝Max(X_R)

Min_R＝Min(X_R)

Median_R＝Median(X_R)

Var_R＝Var(X_R)

同理，Q波、R波、S波和T波的第一特征参数的获取过程与P波的第一特征参数的获得过程相同，在此不赘述。

S120、提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得。

其中，以R波为例，第二特征参数可以包括RR间期差△RR的离散度特征参数，根据离散度特征参数计算设定长度的△RR间期随机排列的序列中，通过计算转折点出现的置信区间确定第二特征参数。同理，P波、Q波、R波、S波和T波相关的第二特征参数的获取过程与P波的第二特征参数的获取过程相同，在此不赘述。

S130、将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数。

在一个具体的例子中，将第一特征参数和第二特征参数作为支持向量机(SupportVector Machine，SVM)的输入样本x，将“房颤”、“其他异常节律”、“正常窦性节律”和“噪声”标记为SVM的输出y，(x，y)共同组成SVM的训练样本对，进行SVM训练，获取SVM的模型参数。

S140、将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

具体的，应用获取到的支持向量机模型，将待检测信号输入支持向量机模型进行训练，根据训练结果识别待检测信号。

可选的，所述将待检测信号输入所述支持向量机模型进行训练，识别待检测信号之后，还包括：将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。其中，识别结果可以是房颤信号、其他心律(除房颤外的异常节律)、正常窦性心律和噪声这四种不同的心电信号。应用本发明实施例中提供的方法，更加能够表征房颤发作的特性，更适合实际应用场景。

将该结果在显示设备上显示，作为个人或医生检测或诊断的基础。在一个具体的例子中，显示设备可以是包含心电模块的单导联心电贴、多体征设备或监护仪设备等。

本发明实施例提供的技术方案为检测房颤提供了很好的选择，可以运行在便携式心电图仪或房颤检测装置上。通过细分房颤检测的目标分类，将简单的房颤、非房颤分类为更为细致的房颤、其他异常节律、正常窦性节律和噪声，能够更精准地辅助医生进行专业的判断，也更加地实用。

本发明实施例中，通过提取心电信号的第一特征参数，第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得，提取心电信号的第二特征参数，第二特征参数为根据设定的转折点曲率算法提取获得；将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。

实施例二

图2a为本发明实施例二提供的一种信号识别方法的流程图，本实施例在上述实施例的基础上实现。参考图2a，该方法具体可以包括如下步骤：

S210、获取心电信号并进行预处理。

具体的，通过专用的信号采集设备对心电信号进行采集，专用的信号采集设备可以是心电图机，对采集后的信号进行预处理。在一个具体的例子中，利用多通道同步数据采集将处理的人体心脏信号、背景噪声和心电信号进行采集和存储。首先，通过心电导联和传感器获得心电数据，通过模拟电路对采集的信号进行阻抗匹配、过滤和放大等处理。然后，由模数转换器把人体生理参数的模拟信号转化为数字信号，由存储器存储。图2b示出了一种实际采集到的心电信号的波形图，其中，心电信号中包含各种噪声，波形粗糙，不光滑，导致QRS波中蕴含的有用信息难以提取。采用低通数字滤波器(巴特沃斯滤波器)进行低通滤波，滤除高频噪声(300Hz以上)，得到滤波后的心电信号。

S220、确定处理后的心电信号的波形信息。

示例性的，采用小波变换技术提取心电信号中的P波和QRS波的波形信息，可选的，波形信息包括PR间期、RR间期和QT间期。通过TP和PQ基线获得心电信号的基准点，即P波，Q波，R波，S波和T波的波峰的位置，并计算得到PR间期，RR间期、QT间期等。可选的，间期是指两个波峰之间的时间间隔，例如，PR间期是指，P波的波峰和R波的波峰之间的时间间隔。图2c示出了一种预处理后的心电信号的波形图，通过图2c可以看出，经过预处理的波形更光滑。

S230、提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得。

S240、提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得。

S250、将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数。

S260、将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

本发明实施例中，在提取心电信号的第一特征参数之前，首先获取心电信号并进行预处理，确定处理后的心电信号的波形信息。消除了高频噪声，更准确的提取有效信息。

示例性的，提取心电信号中的第二特征参数可以通过如下方式实现：根据设定的转折点曲率算法提取所述RR间期的间隔离散度特征参数、所述PR期间的间隔离散度特征参数和所述QT间期的间隔离散度特征参数。

第一、根据设定的转折点曲率算法提取RR间期的间隔离散度特征参数。

在一个具体的例子中，设计转折点曲率算法提取RR间期差△RR的离散度特征参数。假设三个相邻的△RR间期为a1，a2，a3，a1>a2>a3，那么这三个△RR间期有6种排列方式如下，(a1，a3，a2)、(a2，a1，a3)、(a3，a1，a2)、(a2，a3，a1)这4种为转折点，(a1，a2，a3)、(a3，a2，a1)这2种为非转折点，即转折点出现的概率为2/3。那么，在一个长度为l的△RR间期随机排列的序列中，计算转折点出现的置信区间为TPR_RR，其中，均值为(2l-4)/3，标准差为置信区间

第二、根据设定的转折点曲率算法提取PR期间的间隔离散度特征参数。

示例性的，设计转折点曲率算法提取PR间期差△PR的离散度特征。假设三个相邻的△PR间期为b1，b2，b3，b1>b2>b3，那么这三个△PR间期有6种排列方式如下，(b1，b3，b2)、(b2，b1，b3)、(b3，b1，b2)、(b2，b3，b1)这4种为转折点，(b1，b2，b3)、(b3，b2，b1)这2种为非转折点，即转折点出现的概率为2/3。那么，在一个长度为l的△PR间期随机排列的序列中，计算转折点出现的置信区间为TPR_PR，其中，均值为(2l-4)/3，标准差为置信区间

第三、根据设定的转折点曲率算法提取QT间期的间隔离散度特征参数。

在一个具体的例子中，设计转折点曲率算法提取QT间期差△QT的离散度特征，假设三个相邻的△QT间期为c1，c2，c3，c1>c2>c3，那么这三个△QT间期有6种排列方式如下，(c1，c3，c2)，(c2，c1，c3)，(c3，c1，c2)，(c2，c3，c1)这4种为转折点，(c1，c2，c3)，(c3，c2，c1)这2种为非转折点，即转折点出现的概率为2/3。那么，在一个长度为l的△QT间期随机排列的序列中，计算转折点出现的置信区间为TPR_QT，其中，均值为(2l-4)/3，标准差为置信区间

将上述RR间期的间隔离散度特征参数、所述PR期间的间隔离散度特征参数和所述QT间期的间隔离散度特征参数作为支持向量机模型的输入样本，提高了模型参数确定的准确性。需要说明的是，上述间隔离散度特征参数的计算只是用来示例，并不对本发明的技术方案形成限定。

实施例三

图3为本发明实施例三提供的一种信号识别方法的流程图，本实施例在上述实施例的基础上实现。参考图3，该方法具体可以包括如下步骤：

S310、提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得。

S320、提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得。

S330、将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数。

S340、根据所述支持向量机模型的模型参数确定所述支持向量机模型。

其中，支持向量机模型是与相关的学习算法有关的监督学习模型，可以分析数据模式和识别模式，用于分类和回归分析。本发明实施例中的支持向量机的模型确定过程如下：根据输入的心电信号提取第一特征参数和第二特征参数，通过训练样本建立SVM分类模型。

首先，针对给定样本对{(xi，yi)，xi∈R_N，yi＝{0，1，2，3}}，xi为训练样本，R_N为样本数。在支持向量机模型参数的确定过程中，xi是对原始心电信号处理后确定的第一特征参数和第二特征参数作为的训练样本；yi待判决样本，也即，为设定的心律信号种类，例如y1为房颤信号、y2为其他节律信号、y3为正常窦性心律、y4为心律。接下来对支持向量机模型训练过程中的常用参数进行介绍。

步骤1：将C设置在[C1，C2]区间内，即C∈[C1，C2]，变化步长为Cs，而γ设置在[γ₁，γ₂]区间内，即γ∈[γ₁，γ₂]，变化步长为γ_s。示例C∈[2^-10，2¹⁰]，Cs＝2；γ∈[2^-10，2¹⁰]，γ_s＝2。针对每对参数(C，γ)进行训练，取效果最好的一对参数作为模型参数。

步骤2：针对第一特征参数和第二特征参数的不同组合，将训练数据集分成k份相等的子集，每次将其中k-1份数据作为训练数据，而将另外一份数据作为测试数据。重复k次，根据k次迭代后得到的均方误差平均值来估计期望泛化误差，并获得交叉验证正确率。

步骤3：根据前述第一特征参数和第二特征参数范围进一步细分网格，得到更精确的参数值，根据交叉验证平均正确率排序，选择分类正确率最高的参数组合作为模型的最优参数。

步骤4：将数据重新分成训练集与测试集，利用最优化参数模型训练模型，利用测试数据测试模型性能。

最后，基于训练样本对和训练得到的模型的最优参数，得到训练好的SVM模型。

S350、将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

本发明实施例中，通过将第一特征参数和第二特征参数确定支持向量机模型参数，能得到更精确的模型参数值。

实施例四

图4是本发明实施例四提供的一种信号识别装置的结构示意图，该装置适用于执行本发明实施例提供给的一种信号识别方法。如图4所示，该装置具体可以包括：

第一提取模块410，用于提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；

第二提取模块420，用于提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；

模型参数获取模块430，用于将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；

信号识别模块440，用于将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

进一步的，还包括：

预处理模块，用于在提取心电信号的第一特征参数之前，获取心电信号并进行预处理；

信息确定模块，用于确定处理后的心电信号的波形信息。

进一步的，所述波形信息包括PR间期、RR间期和QT间期；

相应的，第二提取模块420具体用于：

根据设定的转折点曲率算法提取所述RR间期的间隔离散度特征参数、所述PR期间的间隔离散度特征参数和所述QT间期的间隔离散度特征参数。

进一步的，还包括模型确定模块，用于在将待检测信号输入所述支持向量机模型进行训练，识别待检测信号之前，根据所述支持向量机模型的模型参数确定所述支持向量机模型。

进一步的，所述第一特征参数包括：心电信号波的数量、平均值、最大值、最小值、中位数和方差。

进一步的，还包括显示模块，用于在将待检测信号输入所述支持向量机模型进行训练，识别待检测信号之后，将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。

本发明实施例提供的信号识别装置可执行本发明任意实施例提供的信号识别方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的信号识别方法：

也即，所述处理单元执行所述程序时实现：提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

实施例六

本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的信号识别方法：

也即，该程序被处理器执行时实现：提取心电信号的第一特征参数，其中，所述第一特征参数为根据心电信号的波形信息、心电信号的波序列以及设定运算算子提取获得；提取心电信号的第二特征参数，其中，所述第二特征参数为根据设定的转折点曲率算法提取获得；将所述第一特征参数和所述第二特征参数作为支持向量机模型的输入样本，获取所述支持向量机模型的模型参数；将待检测信号输入所述支持向量机模型进行训练，识别待检测信号。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种信号识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述提取心电信号的第一特征参数之前，还包括：

获取心电信号并进行预处理；

确定处理后的心电信号的波形信息。

3.根据权利要求2所述的方法，其特征在于，所述波形信息包括PR间期、RR间期和QT间期；

相应的，所述提取心电信号中的第二特征参数，包括：

4.根据权利要求1所述的方法，其特征在于，将待检测信号输入所述支持向量机模型进行训练，识别待检测信号之前，还包括：

根据所述支持向量机模型的模型参数确定所述支持向量机模型。

5.根据权利要求1所述的方法，其特征在于，所述第一特征参数包括：心电信号波的数量、平均值、最大值、最小值、中位数和方差。

6.根据权利要求1所述的方法，其特征在于，所述将待检测信号输入所述支持向量机模型进行训练，识别待检测信号之后，还包括：

将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。

7.一种信号识别装置，其特征在于，包括：

8.根据权利要求7所述的装置，其特征在于，还包括：

信息确定模块，用于确定处理后的心电信号的波形信息。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。