CN115778404B - 一种心电信号处理方法、装置、设备及存储介质 - Google Patents
一种心电信号处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115778404B CN115778404B CN202310029690.2A CN202310029690A CN115778404B CN 115778404 B CN115778404 B CN 115778404B CN 202310029690 A CN202310029690 A CN 202310029690A CN 115778404 B CN115778404 B CN 115778404B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- shockable
- electrocardiosignal
- signal
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开提供了一种心电信号处理方法、装置、设备及存储介质，涉及信号处理技术领域。所述方法包括获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。通过至少两种域中符合特征选取条件的特征组成的特征集合，对待处理心电信号进行分析，以提高识别可电击信号的准确率和效率。
Description
技术领域
本公开涉及信号处理技术领域，尤其涉及一种心电信号处理方法、装置、设备及存储介质。
背景技术
发生心脏猝死时，通常只有4分钟黄金救援时间，被誉为“救命神器”的除颤仪，可以通过采集人体心电信号，并对心电信号进行分析，在确定心电信号属于可电击信号的情况下，可以提醒救援人员按下除颤仪上的电击按钮，从而实现快速救援。目前，除颤仪中利用单一特征对心电信号进行分析，但由于干扰和多种心律失常的存在，使用单一特征进行分析的准确率不高。
发明内容
为克服相关技术中存在的问题，本公开提供了一种心电信号处理方法、装置、设备及存储介质。
根据本公开的第一方面，提供一种心电信号处理方法，所述方法包括：
获取待处理心电信号；
基于所述待处理心电信号获取特征集合中的特征对应的特征值，所述特征集合中包括至少两种域中符合特征选取条件的特征；
根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；
若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。
本公开的任一实施方式中，所述方法还包括：
对待处理心电信号进行高频噪声分析和运动干扰分析；
若所述待处理心电信号中包括高频噪声信号和/或运动干扰信号，则发送告警信息，所述告警信息用于提示远离患者。
本公开的任一实施方式中，所述方法还包括：
获取多个候选特征在数据集上的分类准确率，所述数据集中包括可电击信号和不可电击信号；
获取各候选特征在所述数据集中计算特征值的计算时间；
将分类准确率和计算时间全部符合特征选取条件的候选特征，确定为特征集合中的特征。
本公开的任一实施方式中，所述特征集合中包括时域特征、频域特征和统计域特征；
所述时域特征包括扩展时延相空间特征和RR间期；
所述频域特征包括幅值比值特征和频谱一阶矩特征；
所述统计域特征包括R波幅值变异度特征、RR间期变异度特征、斜率变异度特征和幅度概率密度特征。
本公开的任一实施方式中，所述根据所述特征集合中所有特征的特征值，确定所述待处理心电信号属于可电击信号的概率，包括：
针对所述特征集合中的特征，获取所述特征的特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征对应的子概率，所述子概率用于指示所述待处理心电信号属于可电击信号的概率，所述特征区间根据所述特征在数据集中的核概率密度分布确定；
根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率。
本公开的任一实施方式中，所述方法还包括：
获取所述待处理心电信号属于可电击信号的概率，以及其他多段心电信号属于可电击信号的概率，其中，所述其他多段心电信号包括在所述待处理心电信号之前且与所述待处理心电信号连续的心电信号；
基于各概率的平均值，更新所述待处理心电信号属于可电击信号的概率。
本公开的任一实施方式中，所述方法应用于除颤仪，所述可电击信号包括室颤信号或室速信号，所述方法还包括：
在确定所述心电信号属于室颤信号或室速信号的情况下，发送提示信息，所述提示信息用于提示触发所述除颤仪上的电击操作。
根据本公开的第二方面，提供一种心电信号处理装置，所述装置包括：
获取单元，用于获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，所述特征集合中包括至少两种域中符合特征选取条件的特征；
确定单元，用于根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；
判断单元，用于若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。
根据本公开的第三方面，提供了一种电子设备，所述设备包括：处理器；用于存储处理器可执行指令的存储器，以执行本公开任一实施方式所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上储存有计算机程序指令，所述计算机程序指令被处理器执行时实现本公开任一实施方式所述的方法。
本公开提供的技术方案可以包括以下有益效果：获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。通过至少两种域中符合特征选取条件的特征组成的特征集合，对待处理心电信号进行分析，以提高识别可电击信号的准确率和效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的技术方案。
图1是本公开根据一示例性实施例示出的一种心电信号处理方法的流程图。
图2是本公开根据一示例性实施例示出的 PD特征在可电击信号和不可电击信号上的核概率分布图。
图3是本公开根据一示例性实施例示出的FSMN特征在可电击信号和不可电击信号上的核概率分布图。
图4是本公开根据一示例性实施例示出的 A2特征在可电击信号和不可电击信号上的核概率分布图。
图5是本公开根据一示例性实施例示出的SlopeStd特征在可电击信号和不可电击信号上的核概率分布图。
图6为本公开根据一示例性实施例示出的心电信号处理装置的结构示意图。
图7为本公开根据一示例性实施例示出的心电信号处理的电子设备结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
由于干扰和多种心律失常的存在，单独使用一种特征并不能满足除颤仪对可电击信号的心律分析。因此，本公开提供了一种心电信号处理方法，通过至少两种域中符合特征选取条件的特征组成的特征集合，对心电信号进行分析，也就是通过多种特征对心电信号进行综合的除颤分析，从而提高识别可电击信号的准确率和效率。
本公开提供的心电信号处理方法可以应用于自动体外除颤仪（AutomatedExternal Defibrillator，AED），以及穿戴式心脏除颤仪（Wearable CardioverterDefibrillator，WCD），所述心电信号处理方法还可以应用于其他形式的除颤设备，本公开对此不进行限定。
下述实施例将结合附图对本公开提供的心电信号处理方法进行说明。
图1是本公开根据一示例性实施例示出的一种心电信号处理方法的流程图，如图1所示，本公开提供的一种心电信号处理方法可以包括步骤101至步骤104。
在步骤101中，获取待处理心电信号。
由于原始心电信号中可能存在各种干扰，因此可以去除原始心电信号中的噪声信号，得到待处理心电信号。
在一些实施例中，可以基于带通滤波器去除原始心电信号中的基线漂移信号，肌电干扰信号和工频干扰信号。例如可以利用2 ~ 35Hz的带通滤波器，对原始心电信号进行降噪处理，以去除原始心电信号中的基线漂移信号，肌电干扰信号和工频干扰信号。为了区别与后续提及的噪声信号，本实施例中将基线漂移信号，肌电干扰信号和工频干扰信号称为第一类噪声信号。
在本实施例中，可以对去除第一类噪声信号的心电信号进行归一化处理，得到待处理心电信号。
在一些实施例中，为了避免高频噪声和运动对分析心电信号造成的干扰，可以对待处理心电信号进行高频噪声分析和运动干扰分析，以识别高频噪声信号和运动干扰信号；若所述待处理心电信号中包括高频噪声信号和/或运动干扰信号，则发送告警信息，所述告警信息用于提示远离患者。例如所述告警信息可以包括：正在采集心电信号请远离患者。
在本实施例中将高频噪声信号和运动干扰信号称为第二类噪声信号。本领域技术人员应当理解，上述第一类噪声信号和第二类噪声信号还可以包括其他类型的噪声信号，本公开对此不进行限定。
在本公开实施例中，为了提高处理效率，可以获取预设时长的原始心电信号，例如可以获取4秒的原始心电信号进行分析处理，也就是说，在采集原始心电信号时，可以以第1秒至第4秒之间的信号作为一组原始心电信号，以第2秒至第5秒之间的信号作为另一组原始心电信号。本领域技术人员应当理解，原始心电信号的时长可以根据实际需要具体设置，本公开对此不进行限定。
在步骤102中，基于所述待处理心电信号获取特征集合中的特征对应的特征值。
其中，所述特征集合中包括至少两种域中符合特征选取条件的特征。
由于干扰和多种心律失常的存在，单独使用一种特征识别心电信号是否属于可电击信号并不准确，因此，本实施例中从不同域中选择多个符合特征选取条件的特征组成特征集合，利用特征集合中的多个特征识别待处理心电信号是否属于可电击信号，以提高识别准确率。
在步骤103中，根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率。
从待处理心电信号中获取特征集合中所有特征对应的特征值，根据所述特征集合中所有特征的特征值以及各特征对应的权重，确定所述待处理心电信号属于可电击信号的概率。
其中，不同特征的权重可以根据特征对心电信号的分类准确率确定。也就是说，可以根据特征将心电信号划分为可电击信号和不可电击信号的准确率确定该特征的权重。
本公开可以通过为分类准确率更高的特征分配更大的权重，以提高对心电信号的分类准确率。
在步骤104中，若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。
在待处理心电信号属于可电击信号的概率大于阈值的情况下，可以确定所述待处理心电信号属于可电击信号。在待处理心电信号属于可电击信号的概率小于或等于阈值的情况下，可以确定所述待处理心电信号属于不可电击信号。
其中，不可电击信号包括房颤、房扑、室性自主、室早等心律对应的信号。
在一些实施例中，在确定所述待处理心电信号属于可电击信号的情况下，可以发送提示信息，所述提示信息用于提示触发除颤仪上的电击操作。在本实施例中可电击信号包括表征室性心动过速（ventriculartachycardia，VT）的信号，简称室速信号，或表征心室纤颤（ventricularfibrillation，VF）的信号，简称室颤信号。也就是说，在确定心电信号属于室颤信号或室速信号的情况下，发送用于提示触发除颤仪上的电击操作的提示信息。
本公开实施例通过获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。通过至少两种域中符合特征选取条件的特征组成的特征集合，对待处理心电信号进行分析，以提高识别可电击信号的准确率和效率。
在一些实施例中，确定特征集合中的特征可以包括：获取多个候选特征在数据集上的分类准确率，获取各候选特征在所述数据集中计算特征值的计算时间；将分类准确率和计算时间全部符合特征选取条件的候选特征，确定为特征集合中的特征。其中，所述数据集中包括可电击信号和不可电击信号。
本公开实施例中可以利用滑动窗从历史心电信号中提取若干组预设时长的心电信号，作为确定特征集合的数据集，数据集中的每组心电信号对应有类别标签，所述类别标签包括可电击信号或不可电击信号。实际分析时获取的待处理心电信号的时长可以与确定特征集合中特征时的心电信号时长相同，也就是说可以采用一个4秒的buff数组来存储用于确定特征集合的心电信号。
本公开实施例中的候选特征可以包括复杂度、最大斜率、扩展时延相空间特征（简称ETD特征）、R波与R波之间的间隔（简称RR间期）、幅值比值特征（简称A2特征）、频谱一阶矩特征（简称FSMN特征）、R波幅值变异度特征（简称AmpStd特征）、RR间期变异度特征（简称RRStd）、斜率变异度特征（简称SlopeStd特征）和幅度概率密度特征（简称PD特征）。本领域技术人员应当理解，所述候选特征还可以包括其他特征，也就是所述候选特征可以根据实际需要具体设置，本公开对此不进行限定。
从数据集中的每个心电信号中，提取候选特征的特征值，并利用特征值对心电信号进行分类，得到分类结果，根据分类结果和类别标签确定该候选特征的分类准确率。示例的，可以使用机器学习中随机森林算法，对每个候选特征进行准确率评估，并根据评估分数进行排序。
获取各候选特征在同一数据集中计算特征值的计算时间并进行排序。
获取分类准确率和计算时间全部符合特征选取条件的候选特征，组成特征集合。
其中，特征选取条件可以包括分类准确率满足分类准确率阈值，且计算时间满足计算时间阈值。本领域技术人员应当理解，所述特征选择条件也可以包括其他条件，本公开对此不进行限定。
也就是说，从多个候选特征中选取分类准确率满足分类准确率阈值以及计算时间复杂度相对较低的候选特征，组成特征集合。
在实际选择时，可以在分类准确率接近的基础上，选择时间耗费更少的特征组合。本公开通过选择耗时更短的特征对待处理心电信号进行分析，可以降低除颤仪耗电量，从而使得本公开提供的心电信号处理方法可以适用于可穿戴式的除颤仪。
在本公开实施例中，特征集合中包括时域特征、频域特征和统计域特征，其中，时域特征可以包括扩展时延相空间特征和RR间期；所述频域特征可以包括幅值比值特征和频谱一阶矩特征；所述统计学特征可以包括R波幅值变异度特征、RR间期变异度特征、斜率变异度特征和幅度概率密度特征。由上述特征组成的特征集合可以对待处理心电信号进行全面的分析，能够提高从待处理心电信号中识别可电击信号的准确率。
本公开使用多个特征进行综合分析，降低单一特征造成的误判和漏判，提高对心电数据的分类准确率、灵敏度和特异性。
本公开下述实施例中将介绍获取特征对应特征值的方式。
在本公开实施例中，可以通过下述方式确定SlopeStd特征：以设定数量的采样点对心电数据进行划分，得到多组采样点，获取每组采样点中最后一个采样点和第一个采样点之间的差值；将所有差值中最大值与最小值之间的区间划分为若干区间；获取落入不同区间内的差值数量；将不同区间的方差，确定为斜率变异度特征的特征值。
例如假设采样率为250（单位：sp/s），也就是说1s采样250个采样点，则4s可以采集1000个采样点，将4s的心电数据以6个采样点为一组，获取每组中最后一个采样点与第一个采样点之间的差值，可以得到近似167个差值，将这些差值中的最大值和最小值之间的区域划分为10个区间，统计属于每个区间的差值个数，再计算方差，将方差确定为斜率变异度特征。
在本公开实施例中，可以通过下述方式确定ETD特征：将心电信号划分为第一序列和第二序列，所述第二序列比第一序列延迟设定时长；分别获取第一序列和第二序列中的最大值和最小值，并将最大值和最小值之间的区域划分为若干等份；将第一序列中的每个采样点映射到x轴，将第二序列中的每个采样点映射到y轴；获取xoy平面中每个网格中落入的采样点数；将所述采样点数作为z轴，建立三维空间；将采样点数符合设定采样点数阈值中的网格数量，确定为ETD特征的特征值。
也就是说，将心电信号划分为x(t)，x(t-d)两个序列，d为延迟时间；分别获取两个序列中的最大值和最小值，并将最大值和最小值之间划分若干等份（例如40等份），将x(t)确定为x轴，将x(t-d)确定为y轴；遍历数据{x(i)， x(i-d)}，并将x(i)，x(i-d)分别映射到xoy的网格中，获取40*40网格中属于每个网格中的采样点数，将每个网格中的采样点数作为z轴，构建一个三维的空间；然后设定采样点数阈值Thr，将(0，Thr)之间的网格个数，确定为ETD特征的特征值。
例如可以将4秒的待处理心电信号中0~3.5秒的心电信号作为x轴，将0.5秒~4秒的心电信号作为y轴；统计在40*40的网格平面中落入每个网格的分布值，以统计值为z轴，构建三维空间；将属于(0，Thr)之间的网格个数，确定为ETD特征的特征值。
在本公开实施例中，可以通过下述方式确定PD特征：获取心电信号中每秒的最大幅值的绝对值，以及全部最大幅值的绝对值的平均值；获取落入幅值区间内的采样点数，所述幅值区间根据所述平均值确定；根据落入幅值区间内的采样点数和心电信号所在时长内的总采样点数，确定PD特征。
例如在4秒的心电信号中，求出每秒的最大绝对幅值Amax(1)，Amax(2)，Amax(3)，Amax(4)；对4个最大绝对值进行平均计算得到Aavg；在(-Aavg*C，Aavg*C)之间统计采样点个数r，其中C为经验值，可以取0.5；则幅度概率密度特征PD = r / L，L为4秒buff的采样点个数。
在本公开实施例中，可以将心电信号从时域变换到频域，从频谱中提取频域特征。所述频域特征可以包括A2特征和FSMN特征。
其中，FSMN特征可以根据峰值频率、若干预设频率以及频率对应的幅值确定，例如FSMN特征可以根据公式（1）确定。
在公式（1）中，F是频谱各分量中具有最大值的频率，也称峰值频率，在0.5~9Hz之间；f i是在0-100Hz之间的第i个频率；Amp i是第i个频率对应的幅值。
A2特征可以根据第一区间内各分量幅度之和与第二区间内各分量幅度之和的比值确定，其中第一区间根据N倍的峰值频率确定，第二区间根据M倍的峰值频率确定，且N小于M。
例如在N等于1.4，M等于20的情况下，可以根据0.5Hz~1.4F各分量幅度之和与0.5Hz~20F各分量幅度之和的比值确定A2特征。
在一些实施例中，根据所述特征集合中所有特征的特征值，确定所述待处理心电信号属于可电击信号的概率，可以包括：针对所述特征集合中的特征，获取所述特征的特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征对应的子概率，所述子概率用于指示所述待处理心电信号属于可电击信号的概率，所述特征区间根据所述特征在数据集中的核概率密度分布确定；根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率。
获取每个特征在可电击信号和不可电击信号上的核概率分布图，根据特征的核概率分布图中的分割值确定该特征的特征区间，每个特征可以包括多个特征区间。
根据图2所示PD特征在可电击信号和不可电击信号上的核概率分布图，可以确定PD特征的特征区间。
根据图3所示FSMN特征在可电击信号和不可电击信号上的核概率分布图，可以确定FSMN特征的特征区间。
根据图4所示 A2特征在可电击信号和不可电击信号上的核概率分布图，可以确定A2特征的特征区间。
根据图5所示SlopeStd特征在可电击信号和不可电击信号上的核概率分布图，可以确定SlopeStd特征的特征区间。
在上述图2至图5的示意图中VF/VT中VF表示室颤信号，VT表示室速信号， Normal表示不可电击信号。
本领域技术人员应当理解，除了核概率分布图之外，还可以通过其他方式获得特征的特征区间，本公开对此不进行限制。
为了提高分类准确率，可以为每个特征区间配置设定值，例如假设A2特征包括3个特征区间，可以为每个特征区间配置设定值；假设SlopeStd特征包括4个特征区间，同样为每个特征区间配置设定值。
在获取特征的特征值后，可以确定所述特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征的子概率，再根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率。
例如可以将特征n的特征值所属的特征区间对应的设定值，记为Sn，将为该特征分配的权重记为Qn，在这种情况下，可以根据设定值Sn和权重Qn的乘积得到特征n的子概率。
而待处理心电信号属于可电击信号的概率S可以根据公式（2）确定。
在公式（2）中m表示特征集合中特征的个数，n表示特征的编号，m和n属于正整数，且n小于或等于m。
在一些实施例中，为了降低波动带来的误差，可以获取所述待处理心电信号属于可电击信号的概率，以及其他多段心电信号属于可电击信号的概率，其中，所述其他多段心电信号包括在所述待处理心电信号之前且与所述待处理心电信号连续的心电信号；基于各概率的平均值，更新所述待处理心电信号属于可电击信号的概率。
例如可以获取当前待处理心电信号属于可电击信号的概率以及当前待处理心电信号前7个连续心电信号属于可电击信号的概率，将这8个概率的平均值作为当前待处理心电信号属于可电击信号的概率。
示例的，当前待处理心电信号包括20秒至23秒对应的心电信号，则获取20秒至23秒对应的心电信号属于可电击信号的概率0，19秒至22秒对应的心电信号属于可电击信号的概率1，18秒至21秒对应的心电信号属于可电击信号的概率2，17秒至20秒对应的心电信号属于可电击信号的概率3，16秒至19秒对应的心电信号属于可电击信号的概率4，15秒至18秒对应的心电信号属于可电击信号的概率5，14秒至17秒对应的心电信号属于可电击信号的概率6，13秒至16秒对应的心电信号属于可电击信号的概率7。将概率0到概率7的平均值作为20秒至23秒对应的心电信号属于可电击信号的概率，从而降低误差造成的概率波动。
在本公开实施例中，可以根据平均值在可电击信号和不可电击信号上的核概率密度分布，确定平均阈值；在平均概率值大于平均阈值的情况下，待处理心电信号属于可电击信号，在平均概率值小于或等于平均阈值的情况下，待处理心电信号属于不可电击信号。
与前述方法的实施例相对应，本公开还提供了装置及其所应用的终端的实施例。
图6为本公开根据一示例性实施例示出的心电信号处理装置的结构示意图，如图6所示，本公开提供的心电信号处理装置，包括：
获取单元601，用于获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，所述特征集合中包括至少两种域中符合特征选取条件的特征；
确定单元602，用于根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率；
判断单元603，用于若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号。
在一些实施例中，所述装置还包括：特征选取单元，用于获取多个候选特征在数据集上的分类准确率，所述数据集中包括可电击信号和不可电击信号；获取各候选特征在所述数据集中计算特征值的计算时间；将分类准确率和计算时间全部符合特征选取条件的候选特征，确定为特征集合中的特征。
在一些实施例中，所述装置还包括：所述特征集合中包括时域特征、频域特征和统计域特征；
所述时域特征包括扩展时延相空间特征和RR间期；
所述频域特征包括幅值比值特征和频谱一阶矩特征；
所述统计域特征包括R波幅值变异度特征、RR间期变异度特征、斜率变异度特征和幅度概率密度特征。
在一些实施例中，所述确定单元602具体用于：
针对所述特征集合中的特征，获取所述特征的特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征对应的子概率，所述子概率用于指示所述待处理心电信号属于可电击信号的概率，所述特征区间根据所述特征在数据集中的核概率密度分布确定；
根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率。
在一些实施例中，所述装置还包括：更新单元，用于获取所述待处理心电信号属于可电击信号的概率，以及其他多段心电信号属于可电击信号的概率，其中，所述其他多段心电信号包括在所述待处理心电信号之前且与所述待处理心电信号连续的心电信号；基于各概率的平均值，更新所述待处理心电信号属于可电击信号的概率。
在一些实施例中，所述装置应用于除颤仪，所述可电击信号包括室颤信号或室速信号，所述装置还包括：提示单元，用于在确定所述心电信号属于室颤信号或室速信号的情况下，发送提示信息，所述提示信息用于提示触发所述除颤仪上的电击操作。
图7为本公开至少一个实施例提供的心电信号处理的电子设备结构示意图。如图7所示，所述电子设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施方式所述的心电信号处理方法。
本公开至少一个实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一所述的心电信号处理方法。
本领域技术人员应明白，本公开一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本公开一个或多个实施例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，本公开一个或多个实施例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。
本公开中的“和/或”表示至少具有两者中的其中一个，例如，“A和/或B”包括三种方案：A、B、以及“A和B”。
本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本公开中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本公开中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本公开中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本公开中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA（现场可编程门阵列）或ASIC（专用集成电路）来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理（PDA）、移动音频或视频播放器、游戏操纵台、全球定位系统（GPS）接收机、或例如通用串行总线（USB）闪存驱动器的便携式存储设备，仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备（例如EPROM、EEPROM和闪存设备）、磁盘（例如内部硬盘或可移动盘）、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本公开包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本公开内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本公开一个或多个实施例的较佳实施例而已，并不用以限制本公开一个或多个实施例，凡在本公开一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开一个或多个实施例保护的范围之内。
Claims (7)
1.一种心电信号处理方法，其特征在于，所述方法包括：
获取待处理心电信号；
基于所述待处理心电信号获取特征集合中的特征对应的特征值，所述特征集合中包括至少两种域中符合特征选取条件的特征，所述特征集合中包括时域特征、频域特征和统计域特征，所述时域特征包括扩展时延相空间特征和RR间期，所述频域特征包括幅值比值特征和频谱一阶矩特征，所述统计域特征包括R波幅值变异度特征、RR间期变异度特征、斜率变异度特征和幅度概率密度特征；
根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率，包括：针对所述特征集合中的特征，获取所述特征的特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征对应的子概率，所述子概率用于指示所述待处理心电信号属于可电击信号的概率，所述特征区间根据所述特征在数据集中的核概率密度分布确定，根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率；
若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号；
其中，根据下列方式确定特征集合中的特征：
获取多个候选特征在数据集上的分类准确率，包括：从数据集中的每个心电信号中，提取候选特征的特征值，并利用特征值对心电信号进行分类，得到分类结果，根据分类结果和类别标签确定该候选特征的分类准确率，所述数据集中包括可电击信号和不可电击信号；
获取各候选特征在所述数据集中计算特征值的计算时间；
将分类准确率和计算时间全部符合特征选取条件的候选特征，确定为特征集合中的特征。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对待处理心电信号进行高频噪声分析和运动干扰分析；
若所述待处理心电信号中包括高频噪声信号和/或运动干扰信号，则发送告警信息，所述告警信息用于提示远离患者。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述待处理心电信号属于可电击信号的概率，以及其他多段心电信号属于可电击信号的概率，其中，所述其他多段心电信号包括在所述待处理心电信号之前且与所述待处理心电信号连续的心电信号；
基于各概率的平均值，更新所述待处理心电信号属于可电击信号的概率。
4.根据权利要求1或2所述的方法，其特征在于，所述方法应用于除颤仪，所述可电击信号包括室颤信号或室速信号，所述方法还包括：
在确定所述心电信号属于室颤信号或室速信号的情况下，发送提示信息，所述提示信息用于提示触发所述除颤仪上的电击操作。
5.一种心电信号处理装置，其特征在于，所述装置包括：
获取单元，用于获取待处理心电信号；基于所述待处理心电信号获取特征集合中的特征对应的特征值，所述特征集合中包括至少两种域中符合特征选取条件的特征，所述特征集合中包括时域特征、频域特征和统计域特征，所述时域特征包括扩展时延相空间特征和RR间期，所述频域特征包括幅值比值特征和频谱一阶矩特征，所述统计域特征包括R波幅值变异度特征、RR间期变异度特征、斜率变异度特征和幅度概率密度特征；
确定单元，用于根据所述特征集合中所有特征的特征值以及权重，确定所述待处理心电信号属于可电击信号的概率，具体用于针对所述特征集合中的特征，获取所述特征的特征值所属的特征区间，以及所述特征区间对应的设定值，并根据所述设定值以及所述特征对应的权重，确定所述特征对应的子概率，所述子概率用于指示所述待处理心电信号属于可电击信号的概率，所述特征区间根据所述特征在数据集中的核概率密度分布确定，根据所述特征集合中所有特征对应的子概率，确定所述待处理心电信号属于可电击信号的概率；
判断单元，用于若所述概率大于阈值，则确定所述待处理心电信号属于可电击信号；
其中，根据下列方式确定特征集合中的特征：
获取多个候选特征在数据集上的分类准确率，包括：从数据集中的每个心电信号中，提取候选特征的特征值，并利用特征值对心电信号进行分类，得到分类结果，根据分类结果和类别标签确定该候选特征的分类准确率，所述数据集中包括可电击信号和不可电击信号；
获取各候选特征在所述数据集中计算特征值的计算时间；
将分类准确率和计算时间全部符合特征选取条件的候选特征，确定为特征集合中的特征。
6.一种电子设备，其特征在于，所述设备包括：
处理器；
用于存储处理器可执行指令的存储器，以执行权利要求1至4任一所述的方法。
7.一种计算机可读存储介质，其上储存有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310029690.2A CN115778404B (zh) | 2023-01-09 | 2023-01-09 | 一种心电信号处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310029690.2A CN115778404B (zh) | 2023-01-09 | 2023-01-09 | 一种心电信号处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115778404A CN115778404A (zh) | 2023-03-14 |
| CN115778404B true CN115778404B (zh) | 2023-05-26 |
Family
ID=85428835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310029690.2A Active CN115778404B (zh) | 2023-01-09 | 2023-01-09 | 一种心电信号处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115778404B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
| CN108670245A (zh) * | 2018-05-31 | 2018-10-19 | 哈尔滨工业大学深圳研究生院 | 一种心电信号检测方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7450746B2 (en) * | 2002-06-07 | 2008-11-11 | Verathon Inc. | System and method for cardiac imaging |
| CN101320991B (zh) * | 2008-07-01 | 2012-08-29 | 清华大学 | 一种无线收发装置及其数据下载方法 |
| US8301233B2 (en) * | 2009-03-31 | 2012-10-30 | Medtronic, Inc. | Detecting a condition of a patient using a probability-correlation based model |
| US9775559B2 (en) * | 2013-04-26 | 2017-10-03 | Medtronic, Inc. | Staged rhythm detection system and method |
| US11089989B2 (en) * | 2018-09-14 | 2021-08-17 | Avive Solutions, Inc. | Shockable heart rhythm classifier for defibrillators |
| CN109901030B (zh) * | 2019-02-25 | 2021-10-22 | 国网山东省电力公司济南供电公司 | 一种电抗器匝间绝缘状态监测方法、系统及应用 |
| US20220193431A1 (en) * | 2020-12-23 | 2022-06-23 | Stryker Corporation | Defibrillators with enhanced functionality during cardiopulmonary resuscitation periods |
-
2023
- 2023-01-09 CN CN202310029690.2A patent/CN115778404B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
| CN108670245A (zh) * | 2018-05-31 | 2018-10-19 | 哈尔滨工业大学深圳研究生院 | 一种心电信号检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115778404A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nayak et al. | A review on the nonlinear dynamical system analysis of electrocardiogram signal | |
| CN109522916B (zh) | 识别单导心电图（ecg）信号中的节律的级联二元分类器 | |
| Kropf et al. | ECG classification based on time and frequency domain features using random forests | |
| EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
| CN109700450B (zh) | 一种心率检测方法及电子设备 | |
| Arafat et al. | A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram | |
| US20160081566A1 (en) | Identifying a type of cardiac event from a cardiac signal segment | |
| CN110840443B (zh) | 心电信号处理方法、心电信号处理装置和电子设备 | |
| CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN110226921A (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
| Matos et al. | Embedded system for individual recognition based on ECG Biometrics | |
| CN105686801A (zh) | 基于固有时间尺度分解的房颤自发终止预测方法 | |
| Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
| CN108523873B (zh) | 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法 | |
| CN109077721A (zh) | 房颤检测装置及存储介质 | |
| Vuksanovic et al. | AR-based method for ECG classification and patient recognition | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| Qu et al. | ECG signal classification based on BPNN | |
| Rahman et al. | Identifying hypertrophic cardiomyopathy patients by classifying individual heartbeats from 12-lead ECG signals | |
| CN115778404B (zh) | 一种心电信号处理方法、装置、设备及存储介质 | |
| CN116328187B (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
| JP6458387B2 (ja) | 生体電気ノイズ同定システム及び生体電気ノイズ除去システム | |
| Al-Masri | Detecting ECG heartbeat abnormalities using artificial neural networks | |
| KR102264569B1 (ko) | 클래스 확률 출력망 기반 심장 상태 분류 방법 및 장치 |
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 |