一种基于经典统计方法实现的纸质心电图数字化方法

1.本技术涉及心电图数字化领域，具体涉及一种基于经典统计方法实现的纸质心电图数字化方法。


背景技术：

2.心电图在心脏相关疾病研究方面具有重要的参考价值。然而，一些心电图是通过纸张记录的，这可能会产生很大的噪声。将纸质心电图记录数字化为高质量信号对于进一步分析至关重要。数字化后的心电信号不仅有利于医院对病人信息的管理、临床医生的教学和科研，医生还可以利用获得的大量数据对心脏疾病做更加精细化的量化统计分析和诊断，发掘出更多、更准的临床诊断标准，提高对病人病情诊断准确性，提供更好的治疗方案。
3.然而，目前纸质心电图数字化的工作仍然存在一些困难。在纸质心电图的采集过程中，部分区域可能会产生一定的噪声，这些噪声会使获取的图像中局部区域的像素值大小发生改变，极大的影响到数字化的结果。此外，对于一些不具备机器扫描条件的用户，只能手动拍摄心电图，导致图片存在轻微褶皱和阴影，从而产生更大的噪声。
4.现有技术方案包括以下步骤：获取心电图的图像；从图像中提取感兴趣区域，并由感兴趣区域中提取心电图波形；利用分割网络将心电图波形的背景和波形进行分离，且采用水平投射与垂直投射将不同导联波形进行分割，获取不同导联对应的心电图。而现有技术存在相关技术较本技术结构复杂，数字化效率略低；以及相关技术只适用于机器扫描得到的心电图，而不适用于因手动拍摄心电图导致的阴影部分噪声的去除等缺点。


技术实现要素：

5.针对上述技术缺点，本身请提供了一种基于经典统计方法实现的纸质心电图数字化方法，步骤包括：
6.获取待处理图像，并对待处理图像进行灰度化处理，得到灰度图像，基于所述灰度图像得到心电图波形；
7.基于所述灰度图像做核密度估计图，根据所述核密度估计图去除部分灰度数据，得到第一图像；
8.对所述第一图像进行第一次fof聚类，得到第二图像；
9.对于所述第二图像中最大的若干包含噪声的类，根据所述核密度估计图去除部分灰度数据，得到第三图像；
10.对所述第三图像进行第二次fof聚类，并根据弥散度做进一步筛选，得到第四图像；
11.去除所述第四图像与所述心电图波形相交的网格噪声，得到第五图像；
12.对所述第五图像进行第三次fof聚类，得到去除噪声之后的图像。
13.优选的，得到所述心电图波形的方法包括：对所述灰度图像分别进行水平方向投影和垂直方向投影，确定所述心电图波形所在的矩形区域；基于所述矩形区域中网格个数
对所述矩形区域进行分割，得到所述心电图波形。
14.优选的，得到所述第一图像的方法包括：根据所述核密度估计图设定第一阈值，将大于所述第一阈值的灰度变为0，以去除大部分网格。
15.优选的，得到所述第二图像的方法包括：对所述第一图像进行第一次fof聚类，将所述第一次聚类的参数eps设置为1，min_samples设置为1，其中参数eps表示在一个点周围邻近区域的半径，min_samples表示邻近区域内至少包含点的个数，其中两点之间的距离用欧氏距离来度量；之后去除数据少于第二阈值的类，得到所述第二图像。
16.优选的，得到所述第三图像的方法包括：对所述第二图像进行第二次fof聚类，将所述第二次fof聚类的参数eps设置为1，min_samples设置为1；找出像素点多于第三阈值的类，将大于所述第三阈值的图像的灰度变为0，得到所述第三图像。
17.优选的，得到所述第四图像的方法包括：对所述第三图像进行第三次fof聚类，将所述第三次fof聚类参数eps设置为1，min_samples设置为1；去除像素点少于第四阈值的类；观察每个多于第四阈值的类的弥散度，同时将弥散度小于第五阈值的类中点的灰度值变为0，得到第四图像。
18.优选的，得到第五图像的方法包括：
19.将所述第四图像与所述心电图波形相交，对每一条所述心电图波形所在的区域，每三列进行一次主成分分析；保留每一列中灰度值最小的若干像素点，得到第五图像。
20.优选的，得到所述去除噪音之后的图像的方法包括：
21.对所述第五图像进行第四次聚类，将所述第四次聚类的参数eps设置为1，min_samples设置为1；根据是第五图像中每一列保留的点来设定聚类后去除的像素点少于的值，得到所述去除噪音之后的图像。
22.与现有技术相比，本技术的有益效果如下：
23.本技术结构简单，而且多次采用fof聚类算法，此算法可以适用百万量级的数据，且快速有效，使得本技术运算速度较快，数字化效率提高；现有技术都是对纸质心电图进行机器扫描再进行噪声去除，不存在阴影部分噪声，因此不适用于阴影部分噪声去除；对于一些不具备机器扫描条件的用户，只能手动拍摄心电图，导致图片存在轻微褶皱和阴影。本技术通过多次fof聚类，以及去除像素点个数较少的类，实现了对阴影部分噪声的去除。
附图说明
24.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1为本技术实施例的方法流程示意图；
26.图2为本技术实施例的心电图波形所在的区域图形示意图；
27.图3为本技术实施例的基于灰度图像的核密度估计图示意图；
28.图4为本技术实施例的第一图像示意图；
29.图5为本技术实施例的第二图像示意图；
30.图6为本技术实施例的最终图像示意图。
具体实施方式
31.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
33.如图1所示，为本技术实施例的方法流程示意图，步骤包括：
34.获取待处理图像，并对待处理图像进行灰度化处理，得到灰度图像，基于灰度图像得到心电图波形。其中，在进行灰度化处理时，采用的灰度化公式为常见的灰度化公式。在本实施例中，采用的灰度化公式为：
35.gray＝r
×
0.299 g
×
0.587 b
×
0.114
36.其中，gray代表灰度值，r代表red(红色像素值)，g代表green(绿色像素值)，b代表blue(蓝色像素值)。灰度化公式还可以是gamma校正灰度化公式，即灰度化公式为：
37.gray＝{[r^2.2 (1.5
×
g)^2.2 (0.6
×
b)^2.2]/[1 1.5^2.2 0.6^2.2]}^(1/2.2)。
[0038]
之后对得到的灰度图像分别进行水平方向投影和垂直方向投影，对于水平投影得到的灰度最大且相距较远的两行即为心电图波形所在矩形区域的上下两条边所在行，同样，对于垂直投影得到的灰度最大且相距较远的两列即为心电图波形所在矩形区域的左右两条边所在列，从而确定了心电图波形所在矩形区域；根据矩形区域中网格个数对矩形区域进行分割即可确定每个网格的大致位置，从而确定每条心电图波形所在的区域，由此得到心电图波形，如图2所示。
[0039]
基于灰度图像做核密度估计图，如图3所示，根据核密度估计图去除部分灰度数据，得到第一图像。对灰度图像数据做核密度估计图，根据核密度估计图去除部分灰度数据；由于网格的像素灰度值通常大于心电图波形的灰度值，因此根据核密度估计图设定第一阈值，将大于第一阈值的灰度变为0，以去除大部分网格，为保留尽可能多的信息，此第一阈值为手动调整而选择的。由此得到第一图像，如图4所示。
[0040]
对第一图像进行第一次fof聚类，得到第二图像，如图5所示。由于拍摄问题，纸质心电图图片可能会有部分区域出现阴影，导致这些区域的网格灰度值较小，以致上述步骤无法去除所有网格，因此对第一图像的图像数据进行第一次fof聚类；fof聚类实际上是用kd树构建索引，通过fof聚类方法及逆行聚类的，因此将参数eps设置为1，min_samples设置为1，其中参数eps表示在一个点周围邻近区域的半径，min_samples表示邻近区域内至少包含点的个数，其中两点之间的距离用欧氏距离来度量。进行聚类之后，去除像素点少于第二阈值的类，在本实施例中，第二阈值为100且为手动调整而选择的。
[0041]
其他聚类方法的效果比较差。特别地，kd树结合dbscan就是天文学中用于对宇宙粒子快速有效的fof聚类方法，相比于大多数聚类算法，fof聚类算法可以适用百万量级的数据。另外，fof聚类不需要提前给定聚类个数。
[0042]
对于第二图像中最大的若干包含噪声的类，根据核密度估计图去除部分灰度数据，得到第三图像。对第二图像进行第二次聚类，将fof聚类参数eps设置为1，min_samples
设置为1；找出最大的几个包含噪声的类，即像素点多于第三阈值的类，在本实施例中，第三阈值为10000且为手动调整而选择的；之后，将这几个最大的包含噪声的类的灰度变为0，得到第三图像。
[0043]
对第三图像进行第二次fof聚类，并根据弥散度进做进一步筛选，得到第四图像。此次去除数据较少的类与得到第二图像中的像素点数阈值不同，适当放宽；将fof聚类参数eps设置为1，min_samples设置为1；进行聚类之后，去除像素点少于第四阈值的类，在本实施例中，第四阈值为250且为手动调整而选择的；然后对于像素点多于250的类，观察每个类的弥散度，同时将弥散度小于第五阈值的类中点的灰度值变为0，在本实施例中，第五阈值为10且为手动调整而选择的。得到第四图像。
[0044]
去除第四图像与心电图波形相交的网格噪声，得到第五图像。第四图像中的噪声只有部分与心电图波形相交的垂直方向的网格，对于每一条心电图波形，对其所在的区域从左到右每三列进行一次主成分分析，其中只对灰度值不为0的数据进行主成分分析，求出协方差矩阵的特征向量；如果特征向量与水平方向的向量接近垂直，说明此区域为垂直方向的网格噪声，则对于这三列数据中灰度值不为0的像素点，保留每一列灰度值最小的若干个像素点以及这些像素点的上下两个像素点，在本实施例中，选取了10％个像素点，这10％是手动调整而选择的。得到第五图像。
[0045]
对第五图像进行第三次fof聚类，得到去除噪声之后的图像。第五图像经过上述步骤处理后，与心电图波形相交的网格噪声不再连续，因此再进行一次fof聚类即可将噪声去除。fof聚类参数eps设置为1，min_samples设置为1；此次去除数据较少的类与步骤五中的像素点数阈值不同，根据第五图像中每一列保留的点来设定聚类后去除的像素点少于的值。在本实施例中，由于第五图像中每一列保留的点为5个一团，因此聚类后去除像素点少于5的类。最终得到去除噪声之后的图像，如图6所示。
[0046]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。