CN107788969B - 一种心电信号中qrs波群的自动检测方法 - Google Patents

一种心电信号中qrs波群的自动检测方法 Download PDF

Info

Publication number
CN107788969B
CN107788969B CN201710910361.3A CN201710910361A CN107788969B CN 107788969 B CN107788969 B CN 107788969B CN 201710910361 A CN201710910361 A CN 201710910361A CN 107788969 B CN107788969 B CN 107788969B
Authority
CN
China
Prior art keywords
threshold
difference
value
amplitude
adaptive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710910361.3A
Other languages
English (en)
Other versions
CN107788969A (zh
Inventor
谢春柳
张鑫书
赖大坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Ruidikang Medical Technology Co ltd
Original Assignee
Chengdu Ruidikang Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Ruidikang Medical Technology Co ltd filed Critical Chengdu Ruidikang Medical Technology Co ltd
Priority to CN201710910361.3A priority Critical patent/CN107788969B/zh
Publication of CN107788969A publication Critical patent/CN107788969A/zh
Application granted granted Critical
Publication of CN107788969B publication Critical patent/CN107788969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于时域差分阈值理论的心电信号QRS波群自动检测方法，具体步骤：S1.心电信号的预处理；S2.对心电信号进行一阶时域定点差分阈值运算；S3.进行自适应门限阈值的计算；S4.结合自适应门限阈值和差分信号，进行R波峰值点检测；S5.对已检测到的R波峰值点实施回波检测校验。本发明可用于体表心电图自动分析和识别的仪器设备，提高其心电信号QRS波群自动检测的灵敏度和准确率，增强算法的运行效率。

Description

一种心电信号中QRS波群的自动检测方法
技术领域
本发明属于医疗电子技术领域，具体涉及一种心电信号(ECG)中QRS波群的自动检测方法，特别涉及一种可用于体表心电图的自动分析和心律识别的检测方法。
背景技术
心律失常(arrhythmia)是一种心电活动异常的临床表现，反映在心肌细胞的兴奋性和传导途径的异常等方面。心律失常严重时，可使心脏的泵血功能丧失，危及生命。根据2005年新英格兰医学杂志刊登的最新调查表明：心血管疾病已成为导致人类死亡最主要的原因。在中国，心脑血管病是每年新增率最高、复发病率最高、致残致死率均高的病症。据不完全统计，我国约有4000多万心脑血管疾病患者，每年死于心脑血管疾病的人数为全年死亡人数的50％。幸存下来患者中的75％会丧失不同程度的劳动力，4％重残。而在心血管疾病中，心脏病由于病情隐蔽、发展缓慢、发病危险性高，故而成为威胁人类健康最严重的疾病之一。
对于具有潜在性的心律失常的病人实施心电监护，尽早地发现其异常征兆并给予及时的报警和救助，亦将有效地降低心血管疾病的死亡率。传统上，医生的工作重点更多偏重于解决心脏病发病中或发病以后的病人，很难关注到院外的人群。但事实上，心脏病导致的死亡约有70％是发生在医院外的突发事件。因此，在日常生活中对病人进行远程心电监护显得极为重要。心电监护是临床预防医疗的一个重要组成部分，尤其是远程心电监护系统，可以对病人进行远距离、长时间和无线方式的心电采集和实时监测，监测的范围可以不再受时间和地点的限制。远程心电监护系统的优势在于：第一，对自理能力较差的老年人和残疾人而言，心电信息进行准确、及时的监测，能够对其健康状况进行科学性和全面性的诊断；第二，对亚健康人群而言，可以发现疾病的早期症状并予以预警和提示，从而达到保健和预防疾病的目的；第三，对于患者而言，缩短了医生和患者之间的距离，减少患者或医务人员的旅途奔波，能够为患者提供及时救助。特别是4G技术和Wifi应用的普及为远程医疗系统提供了高速稳定的无线传输途径，为远程医疗的发展带来了新的契机，具有经济、便携、不受时间和场地限制等特点。显然，远程心电监护对于人们的生活水平和健康质量的提高将发挥着越来越重要的作用。
在远程心电实时监护系统中，反映心电信号特征的自动分析算法是影响系统可靠性、智能性和准确性的关键。目前市场上远程心电监护类产品，对心电信号的分析处理主要依赖医务人员的临床经验，少数能够实现自动分析和诊断的仪器在实时性或者算法性能要求的精度上也远远没有达到预期要求。随之以后远程监护中心电信息的大量增加，单靠人工分析心电图的力量显然远远不够，今后的发展方向必将是利用计算机软件系统对其进行实时的检测和诊断，因此远程心电监护系统中的异常心电波形的自动分析算法是远程心电监护系统中的重点，也是难点。
近年来，随着心脏猝死及心电监护检测和预警功效的不断提高，用于心电监护仪中的QRS波自动检测算法的研究受到了国内外学者的广泛重视。迄今，已有多种算法报道，包括：模板匹配法、小波变换法、数学形态学法以及神经网络法等。
综上所述，目前虽已公开报道了多种心电信号的QRS波群自动检测算法，然而市场上的此类产品，对心电信号的自动分析、处理和识别依然主要依赖于医务工作人员的临床经验，部分可以自动诊断的仪器在算法所要求的准确度和运行速度上仍远远没有达到标准的要求。为了对体表心电实施准确监测，并尽早预防恶性心律失常的发生，尤其是对于具有潜在心律失常患者的心电波形实施远程实时监护，以期早期发现心电异常征兆并给予及时的告警或救助指导，本发明公开和建立一套可用于体表心电图的快速自动分析和心律识别的检测方法，提高心电信号自动分析算法的实时性和准确率是本发明的初衷。
发明内容
本发明的目的在于提供一种识别效率高、分类准确、计算简单并满足应用要求的心电信号中QRS波群的自动检测算法，其核心结合了改进的差分阈值理论、自适应门限阈值理论和回波检测理论，用于心电检测器、心电监护仪、心电监护中心等，以改进现有的需要使用体表心电图的QRS波群自动检测和分析方法的仪器设备的性能。
本发明的目的主要由以下技术方案来实现：
(1)对采集到的心电信号进行预处理得到信号序列x1(n)；
(2)对预处理后的心电信号进行一阶时域定点差分阈值运算，衰减P波和T波，突出QRS波的斜率信息，得到差分心电信号xDiff(n)；
(3)对采集到的心电信号的幅值和斜率进行自适应门限阈值运算；
(4)将经过一阶时域定点差分阈值运算的心电信号与经过自适应门限阈值运算的心电信号作比较，并进行R波峰值点的检测；
(5)在检测到R波峰值点的基础上，进一步对已检测到的R波峰值点进行回波检测，避免多检和漏检。
采用以上技术方案不仅提高了QRS波自动检测的灵敏度和准确度、满足算法性能的应用要求，而且简化了算法的计算复杂度。本发明可应用于心电检测器、心电监护仪、心电监护中心等。
附图说明
图1是本发明的算法流程图。
图2是本发明算法流程图中“带通滤波器”步骤的流程图。
图3是本发明算法流程图中“R波峰值点的检测”步骤的差分阈值原理图。
图4是本发明算法流程图中“R波峰值点的检测”步骤的幅度阈值原理图。
图5是本发明算法流程图中“差分预处理”步骤的阶段波形的原始心电图。
图6是本发明算法流程图中“差分预处理”步骤的阶段波形的滤波心电图。
图7是本发明算法流程图中“差分预处理”步骤的阶段波形的差分心电图。
图8是QRS波群定位的结果图。
具体实施方式
本实施例是在个人计算机(PC)和Matlab软件平台上的一种可能的实现，主要流程如图1所示，其具体实施步骤如下：
1.对采集到的心电信号进行差分预处理，其具体过程如下两个步骤：
(1)对采集到的心电信号进行预处理，如图2所示：
1)使用一个带通滤波器，滤除肌电噪声等与心电信号无关的高频干扰；
2)使用一个中值滤波器，抑制基线漂移；
3)使用一个滑动平均滤波器，去除工频干扰，提高滤波效果。
(2)对心电信号进行一阶时域定点差分阈值运算，其具体计算过程如下：
xDiff(n)＝x1(n+7)-x1(n) (2)
其中xDiff(n)是一阶时域定点差分阈值运算后的信号，x1(n)是预处理后的心电信号。
2.在差分预处理基础上，对心电信号中R波实施定位，其主要包括三个步骤：
(1)自适应门限阈值的计算，主要包括初始参数阈值的计算和自适应参数阈值的计算两个步骤：
1)初始参数阈值计算：选取10秒的ECG信号，将其分成相等的5段，然后分别求每段信号内的幅度最大值(AmpMaxValue)和差分最大值(DiffMaxValue)，然后求10秒内的幅度最大值(AmpMaxValue)和差分最大值(DiffMaxValue)的算术平均值，从而得到其初始幅度阈值(AmpThreshold)以及差分阈值(DiffThreshold)。
2)自适应参数阈值计算：初始参数阈值确定后，每当一个R波被检测到后，记录其幅度值和差分最大值，保存在幅度最大值序列(AmpMaxValueArray)和差分最大值序列(DiffMaxValueArray)中，从第6个R波开始，采用滑动平均的方法对其检测阈值进行不断的更新，自适应幅度阈值(AmpThreshold)和自适应差分阈值(DiffThreshold)的计算如下所示：
Figure BDA0001424824030000041
Figure BDA0001424824030000042
(2)将自适应门限阈值和经过差分预处理后的心电信号进行比较，从而对心电信号中R波峰值点进行检测：
1)将差分后的心电信号(xDiff)逐点与自适应差分阈值(DiffThreshold)作比较，如图3所示，当满足条件：xDiff(n)>DiffThreshold，记录此时的位置并设为P1；
2)在xDiff(n)中以P1为中心的邻域内查找差分最大值(DiffTempMax)，记满足条件的位置为P2；
3)在x1(n)信号P2点为中心的邻域内查找幅度最大值(AmpTempMax)，并判断是否满足AmpTempMax≥AmpThreshold，如图4所示，如果满足，则表示正确检测到了一个QRS波。
(3)将回波检测理论应用到R波的重新检测中，从而对心电信号中的R波峰值点进行校验。设当前检测到的R波记为Rm，其位置记为Xm，幅度值为Ym，则当前R波与前一个R波之间的间期记为RRm，计算前5个RR间期的平均值
Figure BDA0001424824030000051
前5个R波幅度值的平均值
Figure BDA0001424824030000052
利用参数Xm、RRm、
Figure BDA0001424824030000053
和
Figure BDA0001424824030000054
来完成R波的检验：
1)
Figure BDA0001424824030000055
时说明R波检测发生了多检，则更新阈值，对当前检测样本段的前一段样本进行重新检测；
2)当
Figure BDA0001424824030000056
说明R波检测存在漏检、或者出现了心律失常现象(如心动过缓或者心脏停搏)。此时应在这两个R波之间的区域内，降低自适应斜率门限阈值THN和幅度阈值THP重新检测。根据心脏生理学原理，在完成一次室性收缩后，心脏将维持200毫秒不应期时间，因此直接检测从点Xm+0.2*Fs(Fs为信号采样率)到下一个R波峰值点的区域，寻找最大值点。若其满足差分阈值和幅度阈值条件，则认为检测到一个R波；若在上述区域内未找到满足阈值条件的R波峰值点，则认为发生了心动过缓或者心脏停搏；
3)当
Figure BDA0001424824030000057
时，说明正确检测到一个R波，记录下R波峰值的位置，从Xm+0.2*Fs位置继续进行下个R波的检测。
本实施例所使用的软硬件配置如下：
硬件：戴尔台式电脑，Inter(R)Core(TM)i5处理器和4G内存；
软件：MATLAB R2013b。
本实施例从MIT-BIH心律失常数据库选取了48条心电数据作为测试数据库，MIT-BIH心律失常数据库是BIH心律失常实验室从超过4000条的心电监护记录中筛选出来的，其中近60％是从住院病人身上采集到的，总共包括48条记录，每条记录的时间长度大约为30分钟。本实施例采用ADC数模转化器将心电数据集采集到的心电数据转换为数字信号。首先，采用带通滤波器对ECG信号进行带通滤波，去除各种干扰和噪声；其次，使用360Hz的采样率对滤波后的心电信号进行采样处理，采样精度为llbit；最后，选取抽样后每条记录中的第一道数据(即修正的第二导联ML2)进行验证和测试。
同时，对本实施例的测试采用灵敏度和准确率等综合反映算法特性的评价指标来评定算法的性能，其具体计算如下所示：
Figure BDA0001424824030000058
Figure BDA0001424824030000061
其中，真阳性(TP)表示正确检测到一个QRS波，假阳性(FP)表示错误检测到一个QRS波，假阴性(FN)表示漏检了一个QRS波。
在如上测试条件下，对本实施例、Pan-Tompkin差分阈值法和小波变换法进行了测试和比较，本算法的心电波形处理结果如图5-图8所示，其测试结果和对比分别如表1和表2所示：
表1 QRS波检测结果
Figure BDA0001424824030000062
Figure BDA0001424824030000071
表2不同算法检测结果对比
Figure BDA0001424824030000072
由上表可得，本研究中QRS波检测算法的灵敏度(99.80％)和准确率(99.33％)，算法性能均满足心电监护算法要求，QRS波的检测精度总体上达到比较满足的程度。同时本算法对每条30分钟的心电数据片段的计算时间大约为2.3s，满足了心电监护对算法实时性的要求。同时可以看出，本算法灵敏度较PT算法及小波变换算法均有提高，虽准确度略有降低，但小波变换算法从频域分析了数据，其实时性较差，不能用于心电监护的要求。

Claims (5)

1.一种心电信号中QRS波群的自动检测方法，其特征在于，采用一阶时域定点差分阈值方法，并结合自适应门限阈值方法和回波检测方法，可快速、准确地检测心电信号中的QRS波群，以及进一步自动分析心脏的电活动情况和节律状态，其主要步骤包括：
S1.对采集到的心电信号进行预处理得到信号序列x1(n)；
S2.对预处理后的心电信号进行一阶时域定点差分阈值运算，衰减P波和T波，突出QRS波的斜率信息，得到差分心电信号xDiff(n)；
S3.对采集到的心电信号的幅值和斜率进行自适应门限阈值运算；
S4.将经过一阶时域定点差分阈值运算的心电信号与经过自适应门限阈值运算的心电信号作比较，并进行R波峰值点的检测；
S5.在检测到R波峰值点的基础上，进一步对已检测到的R波峰值点进行回波检测，避免多检和漏检；
所述的一阶时域定点差分阈值运算操作为：先估计R波峰值点与Q波峰值点的间隔时间，再乘以采样率fs，并得到R波与Q波间隔点数N；然后，再作N点差分运算，凸显R波幅度、斜率信息，削减P波和T波；其中，差分公式如下：
xDiff(n)＝x1(n+N)-x1(n) (1)
其中x1(n)是滤波心电信号，x1(n+N)是第n+N点的滤波心电信号。
2.如权利要求1所述的一种心电信号中QRS波群的自动检测方法，其特征在于，所述的预处理过程具体步骤包括：
首先，使用一个带通滤波器，滤除与心电信号无关的高频干扰；
其次，使用一个中值滤波器，抑制基线漂移；
最后，使用一个滑动平均滤波器，去除工频干扰，提高滤波效果。
3.如权利要求1所述的一种心电信号中QRS波群的自动检测方法，其特征在于，所述的自适应门限阈值运算操作，具体步骤包括：
(1)初始参数阈值计算
选取一段时间的心电信号，将其分成相等的若干段，然后分别求每段信号内的幅度最大值和差分最大值依次保存在幅度最大值序列和差分最大值序列中，然后求这一段时间内的幅度最大值的算术平均值和差分最大值的算术平均值，从而得到其初始幅度阈值以及差分阈值；
(2)自适应阈值计算
初始参数阈值确定后，每当一个QRS波群波被检测到后，记录其幅度最大值和差分最大值，将最新得到幅度最大值和差分最大值以队列的形式分别存储到幅度最大值序列和差分最大值序列中，随着信号的变化自动更新自适应幅度阈值和自适应差分阈值。
4.如权利要求3所述的一种心电信号中QRS波群的自动检测方法，其特征在于，所述的R波峰值点检测，具体步骤包括：
首先，将差分后的心电信号逐点与自适应差分阈值作比较，当满足条件：差分心电信号幅值＞自适应差分阈值，记录此时的位置并设为P1；
然后，在差分心电信号xDiff(n)中以P1为中心的邻域内查找差分最大值，记满足条件的位置为P2；
最后，在心电信号x1(n)信号中以P2点为中心的邻域内查找幅度最大值，并判断是否满足幅度最大值≥自适应幅度阈值，如果满足，则表示正确检测到了一个R波。
5.如权利要求4所述的一种心电信号中QRS波群的自动检测方法，其特征在于，所述的回波检测方法，具体步骤包括：
计算当前检测到的R波与前一个R波的间期RRm，然后计算在所述RRm之前N个RR间期的平均值
Figure FDA0002579520990000021
当
Figure FDA0002579520990000022
则判定发生漏检或心律失常，减小所述的自适应差分阈值和自适应幅度阈值重新检测，直到检测到R波；当
Figure FDA0002579520990000023
则判定发生多检，更新所述自适应差分阈值和自适应幅度阈值重新检测。
CN201710910361.3A 2017-09-29 2017-09-29 一种心电信号中qrs波群的自动检测方法 Active CN107788969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710910361.3A CN107788969B (zh) 2017-09-29 2017-09-29 一种心电信号中qrs波群的自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710910361.3A CN107788969B (zh) 2017-09-29 2017-09-29 一种心电信号中qrs波群的自动检测方法

Publications (2)

Publication Number Publication Date
CN107788969A CN107788969A (zh) 2018-03-13
CN107788969B true CN107788969B (zh) 2020-09-29

Family

ID=61534026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710910361.3A Active CN107788969B (zh) 2017-09-29 2017-09-29 一种心电信号中qrs波群的自动检测方法

Country Status (1)

Country Link
CN (1) CN107788969B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108836305B (zh) * 2018-05-08 2019-04-12 北京理工大学 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法
CN108720832B (zh) * 2018-05-30 2021-11-12 京东方科技集团股份有限公司 一种心电信号处理方法及装置
CN109330582A (zh) * 2018-08-31 2019-02-15 苏州心生智能科技有限公司 基于心电信号分析的心率及其特征指标检测方法
CN110037690A (zh) * 2019-04-22 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的r波定位方法和装置
CN110432894B (zh) * 2019-08-09 2022-04-22 上海鹰瞳医疗科技有限公司 心电图关键点标注方法及电子设备
CN114072045B (zh) * 2019-10-29 2024-03-22 深圳迈瑞生物医疗电子股份有限公司 自适应报警系统、方法、装置、及物联网系统
CN111324880A (zh) * 2020-03-09 2020-06-23 深圳连心电子科技有限公司 一种指纹和心电特征双认证身份识别系统及方法
CN112826451A (zh) * 2021-03-05 2021-05-25 中山大学 一种麻醉深度及睡眠深度的评估方法及装置
CN113892954A (zh) * 2021-09-30 2022-01-07 联想(北京)有限公司 一种可穿戴心电监测设备和信息确定方法
CN114027853B (zh) * 2021-12-16 2022-09-27 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备
CN114366121B (zh) * 2022-01-18 2024-04-19 西安理工大学 基于数字形态学的双动态阈值心电qrs波检测方法
CN115886834A (zh) * 2022-11-11 2023-04-04 研祥智慧物联科技有限公司 Ecg的心电数据波峰检测方法、装置及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103549950B (zh) * 2013-11-19 2015-04-01 上海理工大学 移动心电监测差分阈值检测改进算法
CN105286857A (zh) * 2015-09-29 2016-02-03 北京航空航天大学 一种可适应心电波形病理变化的r波快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Real-time QRS Complex Detection Algorithm Based on Differential Threshold Method;Dakun Lai;《IEEE》;20151231;129-133 *

Also Published As

Publication number Publication date
CN107788969A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107788969B (zh) 一种心电信号中qrs波群的自动检测方法
CN108478209B (zh) 心电信息动态监护方法和动态监护系统
Oweis et al. QRS detection and heart rate variability analysis: A survey
Kelwade et al. Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series
Rahul et al. Dynamic thresholding based efficient QRS complex detection with low computational overhead
Suboh et al. ECG-based detection and prediction models of sudden cardiac death: Current performances and new perspectives on signal processing techniques
Lewandowski et al. A simple real-time QRS detection algorithm utilizing curve-length concept with combined adaptive threshold for electrocardiogram signal classification
Ganapathy et al. Adaptive learning and cross training improves R-wave detection in ECG
Altay et al. ECG signal filtering approach for detection of P, QRS, T waves and complexes in short single-lead recording
Kruger et al. Bimodal classification algorithm for atrial fibrillation detection from m-health ECG recordings
Reddy et al. Classification of arrhythmia disease through electrocardiogram signals using sampling vector random forest classifier
US10327648B2 (en) Blood vessel mechanical signal analysis
Zhao et al. An early warning of atrial fibrillation based on short-time ECG signals
Illanes-Manriquez An automatic multi-lead electrocardiogram segmentation algorithm based on abrupt change detection
Xing et al. Evaluation of skin sympathetic nervous activity for classification of intracerebral hemorrhage and outcome prediction
Kelwade et al. Comparative study of neural networks for prediction of cardiac arrhythmias
Yasmeen et al. Detection of real time QRS complex using wavelet transform
RU2624809C1 (ru) Способ обработки электрокардиосигнала для персональных носимых кардиомониторов
Pernice et al. Feasibility of Linear Parametric Estimation of Dynamic Information Measures to assess Physiological Stress from Short-Term Cardiovascular Variability
Chen et al. A novel real-time depth of anaesthesia monitoring method using detrended fluctuation analysis and ann
CN103040462A (zh) 一种心电信号处理和数据压缩方法
Banerjee Machine learning-based rapid prediction of sudden cardiac death (SCD) using precise statistical features of heart rate variability for single lead ECG signal
Aparna et al. Design of Wi-Fi based ECG system
Nguyen et al. Heart rhythm intelligent monitoring algorithm for the atrial fibrillation episodes detection in the telemedicine system
Wadhekar et al. Design and Development of Intelligent System For Detecting ECG Signal Abnormalities

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant