CN111685754B - 针对可穿戴ecg采集设备的心率计算方法及系统 - Google Patents
针对可穿戴ecg采集设备的心率计算方法及系统 Download PDFInfo
- Publication number
- CN111685754B CN111685754B CN202010566310.5A CN202010566310A CN111685754B CN 111685754 B CN111685754 B CN 111685754B CN 202010566310 A CN202010566310 A CN 202010566310A CN 111685754 B CN111685754 B CN 111685754B
- Authority
- CN
- China
- Prior art keywords
- ref
- layer
- reference value
- heart rate
- low
- 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
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种针对可穿戴ECG采集设备的心率计算方法及系统,包括构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;对所述RR间期的值进行升序排序,筛选出合适的RR间期;计算剩余RR间期均值,根据所述剩余RR间期均值计算心率。本发明在运动状态下心率检测值稳定,检测准确。
Description
技术领域
本发明涉及神经网络的技术领域,尤其是指一种针对可穿戴ECG采集设备的心率计算方法及系统。
背景技术
根据世界卫生组织的统计,心血管病死亡率居首位,明显高于肿瘤及其它疾病。心血管疾病在2012年使近1750万人丧命,占全球死亡总数的31%,也就是每10名死者中就有3名是死于心血管疾病。人每一次脉搏的搏动,都代表一次有效的心脏跳动,每分钟心脏跳动的次数就是心率。心率是最直接反映心脏健康的标志。心脏是血液泵出的动力,也是各器官系统以及整个身体正常运行的保证。
心电图(electrocardiogram,ECG)是一种使用广泛的廉价无创检查手段,是用来观察心脏电活动、电瞬态方面的标准技术。人体心电图作为心脏电活动在体表的综合表现,蕴含了丰富的心脏节律及其电传导的生理信息,在一定的程度上可以客观的反映心脏各部位的生理状况,是诊断心脏疾病、评价心脏功能的重要依据之一。电极是连接到体表上能够记录电流的导电垫,任何一对电极都可以测量两个连接位置之间的电势差。在人体的特定位置放置电极,并通过导联线与心电图机的正负极相连,这种记录心电图的电路连接方法称为心电图导联(ECG lead),电极安放位置和连接方法的不同,可以组成不同的导联。
心率是指正常人安静状态下每分钟心跳的次数,ECG信号为周期性的生物电信号,其中的关键特征和信息均保留在心拍的特征波形上,如图1所示,特征波形的时间宽度和幅值往往是特征提取中的重点对象,需要研究和标定的特征波形主要有三类:P波、QRS波群和T波。而对QRS波的检测是对其它波形或者心率进行检测的基础。
目前有多种方法可以检测心率,主流的方法包括差分阈值法、模板匹配法、小波变换法、神经网络法等。无论采用哪种方法,都存在以下问题:在运动状态下心率检测值不稳定,检测不准确;需要对心电信号进行复杂的去噪操作;部分同类的神经网络算法模型较大,难以实现在线实时的运行。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中在运动状态下心率检测值不稳定,检测不准确的问题,从而提供一种在运动状态下心率检测值稳定,检测准确的针对可穿戴ECG采集设备的心率计算方法及系统。
为解决上述技术问题,本发明的一种针对可穿戴ECG采集设备的心率计算方法,包括:步骤S1:构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;步骤S2:对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;步骤S3:判断参考值此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入步骤S4,若RRref的值小于RRlow,则扩大参考值,使ref=ref+1;若RRref的值大于RRlow,则缩小参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续扩大参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续缩小参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;步骤S4:对所有的RR间期值进行筛选;步骤S5:计算剩余RR间期均值,根据所述剩余RR间期均值计算心率。
在本发明的一个实施例中,所述网络训练模型包括第一层、第二层、第三层、第四层、第五层、第六层、第七层,其中所述第一层、第三层、第六层以及第七层均是一维卷积层,所述第二层是最大池化层,所述第四层是上采样层,所述第五层是拼接层。
在本发明的一个实施例中,所述第一层一维卷积层输出到上采样层输出的跳跃连接,连接后再按通道进行合并。
在本发明的一个实施例中,所述网络训练模型在训练时,将均方根误差作为损失函数。
在本发明的一个实施例中,训练的方法为:使用Adam算法。
在本发明的一个实施例中,所述步骤S1之前,还需要对数据进行规整,形成待训练数据。
在本发明的一个实施例中,对数据进行规整的方法为:设定心电信号数据采样率,心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的高斯白噪声与脉冲噪声,对心电信号进行不同程度的缩放;将标注好的特征波形位置进行整理,将波形起始点位置转换为对应的标签,每个通道分别划分好对应的QRS波段的位置。
在本发明的一个实施例中,对所有的RR间期值进行筛选时,筛选范围为经验值。
本发明还提供了一种针对可穿戴ECG采集设备的心率计算系统,包括:构建模块,用于构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;排序模块,用于对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;判断模块,判断参考值此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入筛选模块,若RRref的值小于RRlow,则扩大参考值,使ref=ref+1;若RRref的值大于RRlow,则缩小参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续扩大参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入筛选模块,若不是边界值,则直接进入筛选模块;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续缩小参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入筛选模块,若不是边界值,则直接进入筛选模块;筛选模块,用于对所有的RR间期值进行筛选;计算模块,用于计算剩余RR间期均值,根据所述剩余RR间期均值计算心率。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的针对可穿戴ECG采集设备的心率计算方法,在运动状态下检测心率值稳定,检测较准确;无需对心电信号进行复杂的去噪操作;利用三导联的信号进行融合判断;本发明的模型结构小,有利于长时间的心率在线检测。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是心拍波形示意图;
图2是本发明针对可穿戴ECG采集设备的心率计算方法的流程图;
图3是本发明进入训练阶段前标注效果示意图;
图4是本发明网络训练模型的示意图;
图5是本发明R波漏检图;
图6是本发明R波误检漏检图。
具体实施方式
如图2所示,本实施例提供一种针对可穿戴ECG采集设备的心率计算方法,包括如下步骤:步骤S1:构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;步骤S2:对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;步骤S3:判断参考值此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入步骤S4,若RRref的值小于RRlow,则扩大参考值,使ref=ref+1;若RRref的值大于RRlow,则缩小参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续扩大参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续缩小参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;步骤S4:对所有的RR间期值进行筛选;步骤S5:计算剩余RR间期均值,根据所述剩余RR间期均值计算心率。
本实施例所述针对可穿戴ECG采集设备的心率计算方法,所述步骤S1中,构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,由于在心电信号质量较差时,存在漏检和误检的概率,因此在计算某段心电信号的心率时,需要计算出所有RR间期的值,有利于检测准确;所述步骤S2中,对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数,有利于对RR间期进行筛选;所述步骤S3中,判断参考值此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入步骤S4,若RRref的值小于RRlow,则说明RR间期中位数的值小于正常值的下界,需要扩大参考值,即将参考值向右移一位,使ref=ref+1;若RRref的值大于RRlow,则说明RR间期中位数的值大于正常值的上界,需要缩小参考值,即将参考值向左移一位,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续扩大参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则说明该组数据整体值异常,为了最大程度反映心率真实情况,此时重新选定RR间期中位数为参考值,令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续缩小参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则说明该组数据整体值异常,为了最大程度反映心率真实情况,此时重新选定RR间期中位数为参考值,令RRref=RRmid,进入步骤S4,若不是边界值,则直接进入步骤S4;所述步骤S4中,对所有的RR间期值进行筛选;所述步骤S5中,计算剩余RR间期均值,根据所述剩余RR间期均值计算心率,本发明保证了在运动状态下心率检测值稳定,检测较准确,而且无需对心电信号进行复杂的去噪操作,有利于长时间的心率在线检测。
所述步骤S1之前,还需要对数据进行规整,形成待训练数据,有利于输入所述网络训练模型中进行训练。
对数据进行规整的方法为:设定心电信号数据采样率,心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的高斯白噪声与脉冲噪声,对心电信号进行不同程度的缩放;将标注好的特征波形位置进行整理,将波形起始点位置转换为对应的标签,每个通道分别划分好对应的QRS波段的位置。
具体地,本发明准备的心电信号数据采样率为250HZ,心电信号的输入长度固定为统一长度(时间长度为10秒,2500个点),并给心电信号增加不同程度的高斯白噪声与脉冲噪声,对心电信号进行不同程度的缩放(在信号幅值上乘以1.5或除以1.5),增加训练阶段样本的多样性。手动挑选出识别难度高的样本,在网络的训练过程中,提高这部分样本的惩罚系数。
在进入训练阶段前,将标注好的特征波形位置进行整理,将波形起始点位置转换为对应的标签,标签长度为2500,每个通道分别划分好对应的QRS波段的位置(预先进行人工标注),对应波段的位置用1表示,其余的用0表示,如图3所示。
如图4所示,所述网络训练模型包括第一层、第二层、第三层、第四层、第五层、第六层、第七层,其中所述第一层、第三层、第六层以及第七层均是一维卷积层,所述第二层是最大池化层,所述第四层是上采样层,所述第五层是拼接层。
具体地,所述第一层的一维卷积层(Conv1D),卷积核个数为8,卷积核大小为20×1;输入数据经过第一层处理后输出(output)至第二层,所述第二层为最大池化层(MaxPooling1D),池化的倍数为5,数据经过第二层处理后输出(output)至第三层;所述第三层为一维卷积层(Conv1D),卷积核个数为12,卷积核大小为6×1,数据经过第三层处理后输出(output)至第四层;所述第四层为上采样层(UpSamling1D),上采样层的倍数为5,数据经过第四层处理后输出(output)至第五层;所述第五层为拼接层(concatenate),数据经过第五层处理后输出(output)至第六层;所述第六层为一维卷积层(Conv1D),卷积核个数为8,卷积核大小为20×1,数据经过第六层处理后输出(output)至第七层;所述第七层为一维卷积层(Conv1D),卷积核个数为1,卷积核大小为1×1,数据经过第七层处理后输出。
另外,所述第一层一维卷积层(Conv1D)输出到上采样层(UpSamling1D)输出的跳跃连接,连接后再按通道进行合并,该操作可以进一步缓解由于上下采样造成的信息丢失,有利于提高网络性能。
在上述网络训练模型中,无全连接层;由于全连接层与卷积层相比占有空间更大,效率更低,因此在整个模型中不使用全连接层,即使在最后的输出层还是通过1×1的卷积核实现通道的合并。
所述网络训练模型在训练时,为了计算误差,将均方根误差作为损失函数。
训练的方法为:使用Adam算法。具体地,训练次数为100epoch,参数设置如下:lr=0.001,beta_1=0.9,beta_2=0.999,epsilon=1e-08,clipvalue=0.5。
对所有的RR间期值进行筛选时,筛选范围为经验值。
下面结合具体数据说明本发明的有益效果:
首先,对待测数据输入时:以采样率为250Hz的可穿戴设备采集的10s信号段进行实验,信号有三个导联,大小为2500×3。将信号输入step2中训练好的网络,得到输出(QRS波形的位置概率),输出大小为2500×1。
筛选合适的RR间期时,首先利用findpeaks函数(所述findpeaks函数为matlab中一个常用的函数)输出,找到输出的峰值,QRS波群点,代表了对应QRS波群点(也就是心拍的位置)。findpeaks函数的两个阈值设置如下:幅度阈值=0.5,间隔阈值=75个采样点。如图5所示,该段信号内出现了15个完整的QRS波,而算法检测时,漏检了4个QRS波,从而导致四个RR间期的值异常大。在250Hz采样率的条件下,检测到的RR间期的值如下:146,153,154,159,165,168,176,305,315,323,335。若直接用这组值进行心率计算,则心率值约为69bpm,但实际通过人工标注,该段信号的心率应为95bpm,显然心率差距是由305,315,323,335这四个异常RR间期值引起的。采用本发明提出的心率计算方法,首先选定了168这个RR间期值作为参考值,然后设定了RRlow=90(即心率上界值为167bpm)和RRhigh=300(即心率下界值为50bpm),经过判断,168满足条件,进而对所有RR间期值进行筛选,滤除了305,315,323,335这四个异常值,最后进行剩余值的均值计算,得到求得心率为94bpm,显然这一值更符合实际。
同样地,若出现误检,本方法也能较好地校正结果。如图6所示,既有R波漏检(从左至右数,第二个矩形框)也有R波误检(从左至右数,第一个矩形框),这也势必会导致最后心率计算不准确。检测到的RR间期如下:90,117,127,128,129,129,129,129,130,131,132,132,133,135,135,137,151,259,直接计算的心率值为110bpm。选择130作为参考值,进行筛选,计算得到的心率值为114bpm,更接近人工标注得到的115bpm。
由此可知:本方法在可穿戴设备采集到的心电信号不稳定时,依然可以给出准确的心率计算结果,更贴合实际应用。
实施例二
基于同一发明构思,本实施例提供了一种针对可穿戴ECG采集设备的心率计算系统,其解决问题的原理与所述针对可穿戴ECG采集设备的心率计算方法类似,重复之处不再赘述。
本实施例所述的针对可穿戴ECG采集设备的心率计算系统包括:
构建模块,用于构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;
排序模块,用于对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;
判断模块,判断参考值此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则筛选模块,若RRref的值小于RRlow,则扩大参考值,使ref=ref+1;若RRref的值大于RRlow,则缩小参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续扩大参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入筛选模块,若不是边界值,则直接进入筛选模块;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续缩小参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断参考值是否为边界值,若是边界值,则令RRref=RRmid,进入筛选模块,若不是边界值,则直接进入筛选模块;
筛选模块,用于对所有的RR间期值进行筛选;
计算模块,用于计算剩余RR间期均值,根据所述剩余RR间期均值计算心率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种针对可穿戴ECG采集设备的心率计算方法,其特征在于,包括如下步骤:
步骤S1:构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;
步骤S2:对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;
步骤S3:判断参考值RRref此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入步骤S4,若RRref的值小于RRlow,则在排序后的RR间期值序列中寻找更大的参考值,使ref=ref+1;若RRref的值大于RRhigh,则在排序后的RR间期值序列中寻找更小的参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续寻找更大的参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断ref是否为序列的边界,若是序列的边界,则令RRref=RRmid,进入步骤S4,若不是序列的边界,则直接进入步骤S4;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续寻找更小的参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断ref是否为序列的边界,若是序列的边界,则令RRref=RRmid,进入步骤S4,若不是序列的边界,则直接进入步骤S4;
步骤S4:根据步骤S3获得的参考值RRref确定RR间期筛选范围,根据RR间期筛选范围对所有的RR间期值进行筛选;
步骤S5:计算筛选后剩余RR间期均值,根据所述剩余RR间期均值计算心率。
2.根据权利要求1所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:所述网络训练模型包括第一层、第二层、第三层、第四层、第五层、第六层、第七层,其中所述第一层、第三层、第六层以及第七层均是一维卷积层,所述第二层是最大池化层,所述第四层是上采样层,所述第五层是拼接层。
3.根据权利要求2所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:所述第一层输出到上采样层输出的跳跃连接,连接后再按通道进行合并。
4.根据权利要求1所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:所述网络训练模型在训练时,将均方根误差作为损失函数。
5.根据权利要求4所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:训练的方法为:使用Adam算法。
6.根据权利要求1所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:所述步骤S1之前,还需要对数据进行规整,形成待训练数据。
7.根据权利要求6所述的针对可穿戴ECG采集设备的心率计算方法,其特征在于:对数据进行规整的方法为:设定心电信号数据采样率,心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的高斯白噪声与脉冲噪声,对心电信号进行不同程度的缩放;将标注好的特征波形位置进行整理,将波形起始点位置转换为对应的标签,每个通道分别划分好对应的QRS波段的位置。
9.一种针对可穿戴ECG采集设备的心率计算系统,其特征在于,包括:
构建模块,用于构建网络训练模型,由所述网络训练模型得到一段心电信号检测出的R波位置,并计算出所有RR间期的值;
排序模块,用于对所述RR间期的值进行升序排序,设定参考值RRref,并使RRref=RRmid,其中,RRmid是排序后的RR间期值的中位数;
判断模块,判断参考值RRref此时是否在RRlow和RRhigh之间,且所述RRlow和RRhigh分别是正常人心电信号RR间期的边界值,若RRref的值在RRlow和RRhigh之间,则进入筛选模块,若RRref的值小于RRlow,则在排序后的RR间期值序列中寻找更大的参考值,使ref=ref+1;若RRref的值大于RRhigh,则在排序后的RR间期值序列中寻找更小的参考值,使ref=ref-1,其中ref=ref+1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续寻找更大的参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断ref是否为序列的边界,若是序列的边界,则令RRref=RRmid,进入筛选模块,若不是序列的边界,则直接进入筛选模块;ref=ref-1时,继续判断RRref是否在RRlow和RRhigh之间,若不在,继续寻找更小的参考值,直至参考值在RRlow和RRhigh之间为止,若在,判断ref是否为序列的边界,若是序列的边界,则令RRref=RRmid,进入筛选模块,若不是序列的边界,则直接进入筛选模块;
筛选模块,用于根据获得的参考值RRref确定RR间期筛选范围,根据RR间期筛选范围对所有的RR间期值进行筛选;
计算模块,用于计算筛选后剩余RR间期均值,根据所述剩余RR间期均值计算心率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566310.5A CN111685754B (zh) | 2020-06-19 | 2020-06-19 | 针对可穿戴ecg采集设备的心率计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566310.5A CN111685754B (zh) | 2020-06-19 | 2020-06-19 | 针对可穿戴ecg采集设备的心率计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111685754A CN111685754A (zh) | 2020-09-22 |
CN111685754B true CN111685754B (zh) | 2022-05-10 |
Family
ID=72482226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566310.5A Active CN111685754B (zh) | 2020-06-19 | 2020-06-19 | 针对可穿戴ecg采集设备的心率计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111685754B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108652613A (zh) * | 2017-03-30 | 2018-10-16 | 深圳市理邦精密仪器股份有限公司 | 信号时频图生成的方法及装置 |
CN109864736A (zh) * | 2019-03-22 | 2019-06-11 | 深圳市理邦精密仪器股份有限公司 | 心电信号的处理方法、装置、终端设备及介质 |
CN110680302A (zh) * | 2019-08-30 | 2020-01-14 | 西北大学 | 一种心电信号特征波的自动识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233973B2 (en) * | 2008-05-02 | 2012-07-31 | Spacelabs Healthcare, Llc | Methods for detection of cardiac arrhythmias |
-
2020
- 2020-06-19 CN CN202010566310.5A patent/CN111685754B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108652613A (zh) * | 2017-03-30 | 2018-10-16 | 深圳市理邦精密仪器股份有限公司 | 信号时频图生成的方法及装置 |
CN109864736A (zh) * | 2019-03-22 | 2019-06-11 | 深圳市理邦精密仪器股份有限公司 | 心电信号的处理方法、装置、终端设备及介质 |
CN110680302A (zh) * | 2019-08-30 | 2020-01-14 | 西北大学 | 一种心电信号特征波的自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111685754A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11234629B2 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
EP3692903A1 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN112237431A (zh) | 一种基于深度学习的心电参数计算方法 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
Kundu et al. | Electrocardiogram synthesis using Gaussian and fourier models | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN109394206B (zh) | 基于穿戴式心电信号中早搏信号的实时监测方法及其装置 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
CN109044338A (zh) | 房颤检测装置及存储介质 | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及系统 | |
CN112842355A (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 |
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 |