CN101779950B - 心电信号分析工具 - Google Patents
心电信号分析工具 Download PDFInfo
- Publication number
- CN101779950B CN101779950B CN2009102527009A CN200910252700A CN101779950B CN 101779950 B CN101779950 B CN 101779950B CN 2009102527009 A CN2009102527009 A CN 2009102527009A CN 200910252700 A CN200910252700 A CN 200910252700A CN 101779950 B CN101779950 B CN 101779950B
- Authority
- CN
- China
- Prior art keywords
- signal
- processor
- interval
- labelling
- equipment according
- 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
- 238000004458 analytical method Methods 0.000 title description 9
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000003130 cardiopathic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种用于分析生理信号的计算机实施方法,包括选择生理信号记录中包含所关注图形的第一时间间隔。计算所述第一时间间隔内多个时间段中的所述生理信号的相应特征值。连接所计算的值以形成所关注图形的标记。通过将所述第二时间间隔中的信号与所述标记进行匹配,识别所关注图形在第二时间间隔过程中所述生理信号的再次出现。
Description
技术领域
本发明整体涉及医疗系统,特别是涉及用于检测生理信号图形的方法和系统。
背景技术
用于分析心电(ECG)信号的各种方法和系统在本领域里是已知的。例如,美国专利6,091,990描述了一种用于绘制代表交互显示屏上选定的心律失常事件波群的符号、用于对患者记录的心律失常发作进行管理、显示和交互的方法,其公开内容以引用方式并入本文中。存储的一例心律失常发作选自多例心律失常发作。计算出相对于正常窦性心律波群而言,所选定的心律失常发作的多个波群中各个波群的相似值和不同值。然后在交互显示屏上以所计算的相似值和不同值的函数绘制出代表心律失常波群的符号。
又如另一个示例,美国专利6,684,100描述了一种基于曲率的波群识别和分类的方法,其公开内容以引用方式并入本文中。该方法包括感测心脏信号和在感测到的心脏信号上的样本点处计算曲率。然后从计算出的曲率中提取出特征,并且将提取出的特征与一组预定模板进行比较。将感测到的心脏信号根据比较结果进行分类。
美国专利5,109,862描述了心电信号的频域信号处理和分析方法,其公开内容以引用方式并入本文中。心电信号的短重叠段采用傅立叶分析来生成时间、频率和功率为轴的三维图,从而显示心电信号频谱在短时间间隔的变化。
美国专利6,304,773描述了一种医疗装置,例如一种除颤器,其能自动检测和报告心脏停搏,其公开内容以引用方式并入本文中。该装置能获取心电数据,并且根据心电数据计算一个或多个心电量度。心电数据按照心脏病的表征种类进行划分,其中一类是心脏停博的表征。该除颤器可以将心电数据分为心律相关的节律类型,如心脏停博,并且将该心电数据的节律类型报告到显示屏上。可以使用统计二分法和回归树按照心律对心电数据进行分类。也可以获取其他信号数据,如阻抗信号数据或心音图信号数据,并归入心电数据一类。
其他心电信号分类法在例如以下文献中描述:Goletsis et al.,“Automated Ischemic Beat Classification Using Genetic Algorithms andMulticriteria Decision Analysis,”IEEE Transactions on BiomedicalEngineering,(51:10),October,2004,pages 1717-1725(Goletsis等人,使用遗传算法和多准则决策分析进行自动化缺血性搏动分类,IEEE生物医学工程汇刊,(51:10),2004年10月,第1717至1725页),其以引用方式并入本文中。
发明内容
本发明的一个实施例提供一种用于分析生理信号的计算机实施方法,包括:
选择生理信号记录中包含所关注图形的第一时间间隔;
计算所述第一时间间隔内多个时间段中的所述生理信号的相应特征值;
连接所计算的值,以形成所关注图形的标记;以及
通过将第二时间间隔中的信号与该标记进行匹配,在所述第二时间间隔过程中识别所关注图形在所述生理信号中的再次出现(furtheroccurrence)。
在一些实施例中,生理信号包括心电图。计算特征值可包括确定指示每个时间段中的所述生理信号的增强或减弱的相应增强/减弱标志。
在本发明所公开的一个实施例中,计算特征值包括使用各自的字符来表示所述特征值,连接所述值以形成标记包括扩充字符以形成字符串。在一个实施例中,将第二时间间隔中的信号与所述标记匹配包括使用字符序列表示所述第二时间间隔中的信号以及在所述字符序列中查找所述字符串的出现。在另一个实施例中,计算特征值包括使用分别的比特值来表示所述特征值,连结这些值以形成标记包括扩充比特值以形成二进字。
在另一个实施例中,计算特征值包括计算第一时间间隔中信号的缩放参数,并且将第二时间间隔中的信号与所述标记进行匹配包括对应缩放参数缩放第二时间间隔中的信号来使其与第一时间间隔中的信号匹配。缩放参数可以包括第一时间间隔中信号的平均振幅。在另一个实施例中,计算缩放参数包括识别第一时间间隔中第一信号谱中的第一主频率,和缩放第二时间间隔中的信号包括识别第二时间间隔中第二信号谱中的第二主频率并且缩放第二信号谱以使得第二主频与第一主频匹配。
在一些实施例中,识别再次出现包括将生理信号显示给操作员,并且在显示的信号上标记再次出现。
在公开的一个实施例中,选择第一时间间隔包括选择含有所关注图形的多个相应实例的多个第一时间间隔,计算特征值包括在各第一时间间隔内的平行时间段计算多组值,和连接所计算的值包括计算对应所述多组值的标记。
根据本发明的一个实施例,还提供用于分析生理信号的设备,包括:
输入装置,其布置用于接受生理信号记录中包含所关注图形的第一时间间隔的选择;以及
处理器,其布置用于在第一时间间隔内的多个时间段中计算生理信号的的相应特征值,连接计算出的值以形成所关注图形的标记,以及通过将第二时间间隔中的信号与标记进行匹配来识别所关注图形在第二时间间隔过程中的生理信号中的再次出现。
根据本发明的一个实施例,还提供一种用于分析生理信号的计算机软件产品,所述产品包括一种计算机可读介质,程序指令存储于所述可读介质中,当计算机读取时,所述指令命令计算机接受生理信号记录中包含所关注图形的第一时间间隔的选择,计算第一时间间隔内多个时间段中生理信号的相应特征值,连接计算出的值以形成所关注图形的标记,以及通过将第二时间间隔中的信号与所述标记进行匹配来识别所关注图形在第二时间间隔过程中的生理信号中的再次出现。
结合如下实施例的详细说明和附图,本发明将得到更为充分的理解:
附图说明
图1是根据本发明一个实施例的心电信号分析系统的示意性图解;
图2是根据本发明一个实施例的示意性示出心电信号分析系统示例性显示内容的示意图;以及
图3是根据本发明一个实施例的示意性示出分析心电信号的方法的流程图。
具体实施方式
本发明的实施例提供用于自动检测心电和其他生理信号中所关注图形的改进方法和系统。这些图形通常表征某些疾病和事件。成功检测这些图形可具有显著的诊断价值。
在一些实施例中,心电分析系统对患者进行心电测量,并且将测量的心电信号显示给内科医生。内科医生在显示的信号中识别出示例性的所关注图形的出现,并将含有该图形的时间间隔指示给系统。
图形处理器分析所述时间间隔,并且生成该图形的特征标记。通常,处理器将所述时间间隔沿时间轴分成多段,并且计算每段中的信号特征。处理器使用不同时段的信号特征序列作为图形标记。例如,信号特征可以包括该时段中信号增强或减弱的指示。
图形处理器扫描心电信号并且检测所关注的其他图形的出现。该处理器识别时间间隔,其中信号与图形标记匹配。在一些实施例中,图形标记包括字符串,其中每时段信号特征值用相应的字符表示。在这些实施例中,该处理器使用字符串匹配方法来检测图形的出现。将检测到的图形出现进行标记并显示给内科医生。
本文所述的方法和系统无需内科医生手动扫描冗长的心电信号轨迹来检测所关注的图形的繁琐耗时的工作。此外,这些方法和系统是基于示例性图形的自动分析,而不是基于图形的明确的数量定义,图形的明确的数量定义有时很难确切限定。
图1是根据本发明的实施例的心电信号分析系统20的示意性图解。该系统使用心电监护仪28测量患者24的心电图。心电监护仪使用一个或多个连接到患者身体的电极32。电极感测患者心脏的电活动,并且产生相应的电信号,本文中称之为心电信号。心电信号通过电缆36提供到心电监护仪。心电监护仪通常输出心电轨迹,该轨迹绘制出随时间变化的心电信号。
操作员42,通常为心脏专科医师或其他内科医生,检查心电信号并且尝试辨识心脏病症,诸如所关注的心脏事件或病状。在很多情况下,心电信号中的特征图形可指示心脏病症。操作员通常能够检测心电信号中孤立出现的所关注的具体图形。然而,在一组冗长的心电轨迹中手动检测多次出现的此类图形是相当繁琐、耗时和易错的工作。另一方面,为了能够以高质量自动检测而量化地并且明确地限定所关注的图形通常较难。经验丰富的心脏专科医师通常能够识别出具有诊断重要性的心电信号段,例如异常的瞬间指示,而未必能够量化这种识别的理由。
根据操作员所识别的图形的例子,本文所述的方法和系统能自动检测出现的所关注图形。在一些实施例中,监护仪28测量的心电信号提供到图形处理器40。所述图形处理器通过显示器44为操作员显示心电信号。示例性的显示器屏幕截图在下图2中示出。操作员使用输入装置46,如键盘或鼠标,在显示的信号中识别并标记一个或多个所关注的图形。处理器40获悉标记图形的特征,并且自动识别后续和/或先前记录的心电信号中另外出现的这种图形。
原则上,操作员通过标记或以其他方式向处理器40指示包括所关注图形的时间间隔。处理器40将标记的时间间隔沿时间轴分为多个区段,并且描绘出每个区段的心电信号的特点。在一个典型的实施方式中,所述时间间隔被分成5至10个区段。但是作为另外一种选择,可使用任何其他适合数目的区段。
处理器40采用时间间隔的不同区段中的信号特征值序列来作为图形标记。处理器随后扫描心电信号以查找其他出现的这种图形,即心电信号与标记匹配的其他时间间隔。图形表征和匹配过程在下图3中有更为详细的描述。
处理器40通常包括通用计算机,在所述计算机上安装软件来执行本文所述的功能。软件可以电子方式,例如通过网络,下载到处理器,或者还可以通过有形媒体,如只读存储光盘,提供给处理器。作为另外一种选择,处理器40的一些元件可以通过使用硬件或使用硬件和软件元件的组合来实现。
系统20的结构是示例性结构,只是为了概念的明晰性而选择。本文所述的方法也可以用于另外的系统结构中。例如,心电监护仪28和图形处理器40的功能可以整合到单个装置中。该装置可以制成适于患者长时间佩戴的、小巧的便携式心电图分析装置。作为另外一种选择,处理器40并不实时分析心电测量值,而是可以离线方式使用,以在先前获取的心电测量集合中查找图形。在一些实施例中,处理器40也可以提供有关图形出现的统计信息,例如在某个时间段内出现的总数和平均出现率。
另外或作为另外一种选择,所关注的图形可以从外部,例如从心电图特征图形库提供。系统20也可以用来定义已经发现与某些类型的病状或事件相关的图形库。该图形库可以分发给其他心脏专科医师或系统,用于处理从其他患者收集的心电信号。
图2是根据本发明的实施例的图表,该图表示意性地示出系统20的示例性屏幕截图显示内容,所述屏幕截图显示内容在显示器44上显示给内科医生。该图示出源于12个电极32的12个心电信号。标示为“新信号2”和“新信号4”的两个所关注的图形已经由内科医生预先定义。处理器40同时检测心电信号中两个图形的出现。在本例中,在显示的心电信号上使用阴影区来标记检测到的出现。作为另外一种选择,可以使用任何其他适合的指示来标记所述出现,例如使用不同的颜色、图标或高亮区。
“新信号2”图形的出现标示为50A,并且用某种阴影图案来标记,而“新信号4”图形的出现标示为50B,并且用不同的图案来标记。匹配的质量或置信度在每个出现处的旁边用百分比表示。
匹配窗口52示出具体出现与所关注图形的匹配。曲线54和56分别示出了该图形和其中一个出现,其中一条曲线在另外一条曲线的上方。多种控制器58使内科医生可以冻结显示的心电信号、选择具体的出现、添加另一个所关注的图形等。图2中所示的屏幕截图为示例性显示内容。在可选的实施例中,可采用任何其他合适的人机界面(MMI)的特征和方法。
图3是根据本发明的实施例的流程图,该流程图示意性地示出分析心电信号的方法。该方法以系统20在采集步骤60处采集心电信号开始。采集的信号以实时或离线方式显示给操作员。在图形指示步骤62中,操作员识别并且标记含有所关注图形的时间间隔。
在分段步骤64处,图形处理器40将操作员标记的时间间隔分成若干段。在标记产生步骤66处,图形处理器描绘每个区段中的心电信号的特征并且生成基于信号特征序列的图形标记。例如,处理器可以确定每个区段中信号是否沿区段增强或减弱。处理器可以于是产生“上升”和“下降”指示的序列,其可用作所关注图形的特征标记。在这些实施例中,通常以足够高的分辨率选择区段数,以使得每个区段内的信号可能是单调的。
另外或作为另外一种选择,为了描绘不同区段的特征,例如区段内信号的正或负斜率、信号振幅、归一化振幅、直流偏移、频谱和/或信号片段,处理器可以使用任何其他适合的参数。
在一些实施例中,处理器40用字符串表示图形标记,其中每个区段由一个字符表示。例如,信号增强的区段可以用“U”字符表示。信号减弱的区段可以用“D”字符表示。随后将表示区段的字符连接成字符串,如“UDDUUDUDU...UUD”,并将字符串用作标记。所述标记也可以用二进制字表示,其中每个字节表示信号在各自区段中是否增强或减弱(例如“0”表示减弱的区段,“1”表示增强的区段,反之亦然)。
在一些实施例中,处理器40测量标记的时间间隔内心电信号的一个或多个缩放参数。这些缩放参数与标记一起存储,并随后用于与其他出现的图形进行匹配。例如,信号的平均振幅可以用作缩放参数。另外或作为另外一个选择,处理器可以计算所关注的图形的波谱,并确定波谱中的一个或多个主频。所述主频可以用作缩放参数。
在扫描步骤68处,由于已产生图形标记,处理器40扫描心电信号并试图检测其他出现的所关注图形。根据使用的系统结构,处理器40可以在采集时监测实时或缓冲的心电测量值,或以离线方式扫描先前测量的心电信号主体。
在缩放步骤70处,处理器对应所关注图形的缩放参数来缩放扫描的心电信号的一部分。例如,处理器可以将扫描信号的平均振幅归一化,以便与所关注图形的平均振幅匹配。作为另外一个示例,处理器可以进行扫描信号的光谱缩放,以使其主频与所关注图形的主频匹配。光谱缩放可以看作相对于所关注图形的时间轴缩放(即拉伸或压缩)扫描信号的时间轴。为此,处理器可以计算扫描信号部分的快速傅立叶变换(FFT)。
在匹配步骤72处,处理器40试图在与图形标记匹配的扫描心电信号中查找时间间隔。例如,当用字符串表示所关注图形时,处理器将扫描和缩放的信号部分分成区段,描绘每个区段的特征,并且为每个区段分配一个字符。因此扫描的信号部分用一长串的字符表示。然后,处理器试图在表示扫描的信号部分的字符串中查找表示图形标记的子字符串。本领域已知的任何适合的字符串匹配方法都可用于此目的。每次匹配都被认为是扫描信号中图形的一次出现。
在出现指示步骤74处,处理器40在显示器44上标记检测到的出现。通常当图形出现时,处理器标记所检测的时间间隔。由于处理器可以同时搜索若干图形,因此在每个出现旁边标明正在检测的图形。在一些实施例中,每次出现也以给定的唯一名称或数字显示。处理器还可以在每个检测到的出现旁边显示匹配的置信度或质量度量。
在一些实施例中,操作员为处理器40识别并标记出给定的所关注图形的多个例子(实例),并且处理器根据多个例子计算图形标记。例如,当测量噪声很高时,或当一个或多个例子质量差或不足以代表查到的图形时,该特征通常可以提高匹配性能。通常,处理器40将不同的例子分成相同数目的区段,并且叠加平行区段(即不同图形例子中的相应区段)的信号特征。处理器可以通过平均、筛选、加权、多数表决、或任何其他适合的叠加技术来叠加平行区段的信号特征。
虽然本文所述的实施例主要讨论心电信号中图形的识别,但是本发明的原理也可用来检测其他生理信号中的图形,所述生理信号如脑电信号(EEG)和呼吸信号。
因此应该认识到上述实施例是以举例的方式引用,并且本发明不限于上文中具体示出和描述的内容。更确切地说,本发明的范围包括上文所述各种特征的组合与子组合,以及本领域技术人员在阅读上述说明后可想到的不在现有技术范围内的变形形式和修改形式。
Claims (12)
1.一种用于分析生理信号的设备,包括:
输入装置,其布置用于接受生理信号记录中包含所关注图形的第一时间间隔的选择;以及
处理器,其布置用于在所述第一时间间隔内的多个时间段中计算生理信号的相应的特征值,连接计算出的值以形成所关注图形的标记,以及通过将第二时间间隔中的信号与所述标记进行匹配来识别所关注图形在第二时间间隔过程中的生理信号中的再次出现,
其中每个时间段具有仅一个所述特征值,其表示为以下之一:所述时间段内信号的正或负斜率、信号振幅、归一化振幅、直流偏移、频谱和/或信号片段。
2.根据权利要求1所述的设备,其中所述生理信号包括心电图。
3.根据权利要求1所述的设备,其中所述处理器布置用于确定指示每个时间段中的生理信号的增强还是减弱的相应的增强/减弱标志。
4.根据权利要求1所述的设备,其中所述处理器布置用于使用各自的字符表示所述特征值,以及通过扩充字符以形成字符串来形成所述标记。
5.根据权利要求4所述的设备,其中所述处理器布置用于使用字符序列表示第二时间间隔中的信号,以及在所述字符序列中查找字符串的出现,以将第二时间间隔中的信号与所述标记进行匹配。
6.根据权利要求1所述的设备,其中所述处理器布置用于使用各自的比特值表示所述特征值,以及通过扩充比特值以形成二进制字来形成标记。
7.根据权利要求1所述的设备,其中所述处理器布置用于计算所述第一时间间隔中的信号的缩放参数,以及当将所述第二时间间隔中的信号与所述标记进行匹配时将第二时间间隔的所述信号对应缩放参数进行缩放。
8.根据权利要求7所述的设备,其中所述缩放参数包括所述第一时间间隔中的信号的平均振幅。
9.根据权利要求7所述的设备,其中所述处理器布置用于识别所述第一时间间隔中第一信号谱的第一主频,用于识别第二时间间隔中第二信号谱的第二主频,以及用于缩放所述第二信号谱以使得所述第二主频与所述第一主频匹配。
10.根据权利要求1所述的设备,其中所述处理器布置用于将生理信号显示给操作员,并且在所显示的信号上标记所述再次出现。
11.根据权利要求1所述的设备,其中所述处理器布置用于识别所关注图形的多次出现,以及用于计算所述多次出现的统计信息并且提供给操作员。
12.根据权利要求1所述的设备,其中所述输入装置布置用于接受含有多个所关注图形的各自实例的多个第一时间间隔的选择,并且其中所述处理器布置用于计算各个所述第一时间间隔内的平行时间段中的多组值,以及用于计算对应所述多组值的所述标记。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/327267 | 2008-12-03 | ||
US12/327,267 | 2008-12-03 | ||
US12/327,267 US8401624B2 (en) | 2008-12-03 | 2008-12-03 | ECG signal analysis tool |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101779950A CN101779950A (zh) | 2010-07-21 |
CN101779950B true CN101779950B (zh) | 2013-11-06 |
Family
ID=42223449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102527009A Active CN101779950B (zh) | 2008-12-03 | 2009-12-03 | 心电信号分析工具 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8401624B2 (zh) |
EP (1) | EP2224346B1 (zh) |
JP (1) | JP5755407B2 (zh) |
CN (1) | CN101779950B (zh) |
AU (1) | AU2009243424B2 (zh) |
CA (1) | CA2686877C (zh) |
IL (1) | IL202452A (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2510056B2 (ja) * | 1992-07-28 | 1996-06-26 | 昭和アルミニウム株式会社 | 押出加工装置 |
US7516130B2 (en) * | 2005-05-09 | 2009-04-07 | Trend Micro, Inc. | Matching engine with signature generation |
GB2483108A (en) * | 2010-08-27 | 2012-02-29 | Walid Juffali | Monitoring neurological electrical signals to detect the onset of a neurological episode |
JP6188275B2 (ja) * | 2012-03-30 | 2017-08-30 | フクダ電子株式会社 | 心電図解析装置及びその制御方法 |
CN104665808A (zh) * | 2013-11-29 | 2015-06-03 | 长春华讯信息科技有限公司 | 一种用于心电监控系统的快速分析方法 |
WO2015087202A1 (en) * | 2013-12-13 | 2015-06-18 | Koninklijke Philips N.V. | System and method for confidence measures on machine interpretations of physiological waveforms |
US11058361B2 (en) | 2014-11-06 | 2021-07-13 | Canon Medical Systems Corporation | Signal processing apparatus, imaging apparatus, and signal processing method |
CN109328029B (zh) | 2016-09-05 | 2022-03-08 | 深圳迈瑞生物医疗电子股份有限公司 | 生命体征数据统计系统和监护仪 |
AU2017322448B2 (en) * | 2016-09-09 | 2021-10-21 | Centre National De La Recherche Scientifique - Cnrs - | Method for pattern recognition in a plurality of signals |
CN107157664B (zh) * | 2017-06-29 | 2018-10-23 | 林爱庆 | 心内科综合监护系统 |
US11723579B2 (en) | 2017-09-19 | 2023-08-15 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement |
US10321876B2 (en) * | 2017-10-03 | 2019-06-18 | Biosense Webster (Israel) Ltd. | Middle point zero reference |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
WO2019133997A1 (en) | 2017-12-31 | 2019-07-04 | Neuroenhancement Lab, LLC | System and method for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
CN113382683A (zh) | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的系统和方法 |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4742458A (en) | 1985-10-29 | 1988-05-03 | Software Plus, Inc. | Method and apparatus for performing pattern recognition analysis |
US4884345A (en) | 1988-05-12 | 1989-12-05 | Siemens-Pacesetter, Inc. | Adjustable template for pacemaker ECG analysis and method of use |
US5769793A (en) | 1989-09-08 | 1998-06-23 | Steven M. Pincus | System to determine a relative amount of patternness |
US5109862A (en) | 1990-03-19 | 1992-05-05 | Del Mar Avionics | Method and apparatus for spectral analysis of electrocardiographic signals |
US5090418A (en) | 1990-11-09 | 1992-02-25 | Del Mar Avionics | Method and apparatus for screening electrocardiographic (ECG) data |
JPH06209909A (ja) * | 1992-09-09 | 1994-08-02 | Terumo Corp | 心電計 |
JP3229052B2 (ja) * | 1993-01-29 | 2001-11-12 | アイワ株式会社 | データ圧縮回路 |
US6178261B1 (en) | 1997-08-05 | 2001-01-23 | The Regents Of The University Of Michigan | Method and system for extracting features in a pattern recognition system |
US5868680A (en) | 1997-09-23 | 1999-02-09 | The Regents Of The University Of California | Quantitative characterization of fibrillatory spatiotemporal organization |
US5947909A (en) | 1997-12-19 | 1999-09-07 | Siemens Corporate Research, Inc. | Neural network polymorphic QRS detector |
US6016442A (en) | 1998-03-25 | 2000-01-18 | Cardiac Pacemakers, Inc. | System for displaying cardiac arrhythmia data |
WO1999059673A1 (en) | 1998-05-21 | 1999-11-25 | Medtronic Physio-Control Manufacturing Corp. | Automatic detection and reporting of cardiac asystole |
US6615075B2 (en) | 2000-03-15 | 2003-09-02 | The Regents Of The University Of California | QRST subtraction using an adaptive template for analysis of TU wave obscured atrial activity |
US6684100B1 (en) * | 2000-10-31 | 2004-01-27 | Cardiac Pacemakers, Inc. | Curvature based method for selecting features from an electrophysiologic signals for purpose of complex identification and classification |
US6983183B2 (en) | 2001-07-13 | 2006-01-03 | Cardiac Science, Inc. | Method and apparatus for monitoring cardiac patients for T-wave alternans |
US7146048B2 (en) | 2001-08-13 | 2006-12-05 | International Business Machines Corporation | Representation of shapes for similarity measuring and indexing |
FR2855958B1 (fr) | 2003-06-10 | 2005-08-05 | Ela Medical Sa | Dispositif d'analyse de l'alternance cycle-a-cycle et/ou de la variabilite de l'onde de repolarisation ventriculaire dans un signal ecg |
JP2005000409A (ja) * | 2003-06-12 | 2005-01-06 | Omron Healthcare Co Ltd | 心電計および心電波形表示方法 |
US7174204B2 (en) * | 2004-03-30 | 2007-02-06 | Cardiac Science Corporation | Methods for quantifying the morphology and amplitude of cardiac action potential alternans |
US7996075B2 (en) * | 2004-10-20 | 2011-08-09 | Cardionet, Inc. | Monitoring physiological activity using partial state space reconstruction |
US7653431B2 (en) * | 2005-12-20 | 2010-01-26 | Cardiac Pacemakers, Inc. | Arrhythmia discrimination based on determination of rate dependency |
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
US7907994B2 (en) * | 2007-01-11 | 2011-03-15 | Biosense Webster, Inc. | Automated pace-mapping for identification of cardiac arrhythmic conductive pathways and foci |
-
2008
- 2008-12-03 US US12/327,267 patent/US8401624B2/en active Active
-
2009
- 2009-11-30 AU AU2009243424A patent/AU2009243424B2/en not_active Ceased
- 2009-12-01 IL IL202452A patent/IL202452A/en active IP Right Grant
- 2009-12-02 EP EP09252720.9A patent/EP2224346B1/en active Active
- 2009-12-02 JP JP2009274172A patent/JP5755407B2/ja active Active
- 2009-12-02 CA CA2686877A patent/CA2686877C/en not_active Expired - Fee Related
- 2009-12-03 CN CN2009102527009A patent/CN101779950B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CA2686877C (en) | 2016-01-19 |
EP2224346A2 (en) | 2010-09-01 |
EP2224346A3 (en) | 2010-09-29 |
AU2009243424B2 (en) | 2014-10-23 |
EP2224346B1 (en) | 2020-04-08 |
IL202452A0 (en) | 2010-06-30 |
AU2009243424A1 (en) | 2010-06-17 |
JP5755407B2 (ja) | 2015-07-29 |
CA2686877A1 (en) | 2010-06-03 |
JP2010131389A (ja) | 2010-06-17 |
US20100137728A1 (en) | 2010-06-03 |
CN101779950A (zh) | 2010-07-21 |
IL202452A (en) | 2014-11-30 |
US8401624B2 (en) | 2013-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101779950B (zh) | 心电信号分析工具 | |
CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
US11147500B2 (en) | Electrocardiogram processing system for delineation and classification | |
US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
US8046060B2 (en) | Differentiating arrhythmic events having different origins | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN107072545A (zh) | 用于快速诊断的心电图数据分析方法和系统 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN116194044A (zh) | 用于分析心律的方法和系统 | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及系统 | |
Kovalchuk et al. | A novel feature vector for ECG classification using deep learning | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
Radiuk et al. | A Novel Feature Vector for ECG Classification using Deep Learning | |
Mousa et al. | CardioDiverse: A Balanced ECG Dataset for Improved Association of Heart Diseases with Relevant Leads | |
CN116831589A (zh) | 一种长时程可穿戴心电信号的最优导联信号选取方法 | |
Moskalenko et al. | Quantitative analysis of electrocardiographic variability typical of polymorphic arrhythmias | |
CN112052750A (zh) | 基于类不平衡传感数据与深度模型的心律失常分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |