CN102048531A - 心肺复苏术期间经自适应分段拼接算法的真实心电图测量 - Google Patents

Abstract

公开了一种心肺复苏术期间经自适应分段拼接算法的真实心电图测量。实时地利用分段拼接自适应算法(PSAA)从感测的信号中过滤信号假象，例如由心肺复苏术(CPR)造成的信号假象的方法和设备。PSAA是估计第一信号中出现的与第二信号高度相关的假象分量的方法。PSAA可以利用自相关和交叉相关计算来确定第一和第二信号中的信号样本窗口。PSAA可以基于初级信号和假象信号之间的所确定的相关性来估计初级信号分段中的信号假象。PSAA可以从初级信号中移除所估计的信号假象。在没有假象信号的情况下，PSAA能够利用滤波器估计第一信号中的假象。PSAA可以在自动体外除颤器、监视除颤器或能够感测高度相关的信号，例如ECG和CPR信号的其它设备中实现。

Description

心肺复苏术期间经自适应分段拼接算法的真实心电图测量

技术领域

本发明一般涉及用于心电图(ECG)信号的处理的系统、方法和设备的领域。更具体地，本发明涉及用于ECG信号中由心肺复苏术(CPR)引起的假象(artifact)的自适应降低的系统、方法和设备。

背景技术

自从创造了自动体外除颤器(AED)以帮助减少心搏停止的事件以来，已经过近二十年。经过这段时间，AED在例如办公室、购物中心、体育场和高行人流量的其它区域的公共场所已经变得更加普遍。AED使市民能够在公共场所的心脏急诊期间提供医疗帮助，其中帮助以前在心脏事件的关键早期阶段的不可用的。近年来，开发出能够准确检测心室心律失常和不可电击的室上心律失常的全自动体外除颤器，例如在Payne等人的美国专利5,474,574中描述的那些全自动体外除颤器，以治疗无人照管的患者。这些设备治疗患有心室心律失常的患者，并且在实时检测可电击心律失常方面具有高灵敏度和特异性。此外，已经开发出AED来充当诊断监视设备，这些诊断监视设备能够在医院设施中自动提供治疗，如Lin等人的美国专利6,658,290中所展示的。

除AED领域的进步之外，在人体生理学以及人体生理学与医疗的关系的理解方面已经取得若干进步。医学研究方面的这些进步导致处理物理创伤事件时新协议和标准操作过程的开发。例如，在用于除颤的公共接入协议方面，最近的指南已经强调了对和AED一起使用的心肺复苏术(CPR)的需要。事实上，最近的针对心肺复苏术和心血管急救的美国心脏病学会(AHA)指南建议：通过检测可电击心律，应用电击并接着提示抢救人员立即恢复按压，AED可以进一步被集成到应急协议中。(American Heart Association Guidelines for Cardiopulmonary Resuscitation and Emergency Cardiovascular Care，IV-36，American Heart Association，Inc.，2005)。此外，指南评论道：可以开发这样的AED，其具体在减少由于患者的再鉴定而导致的被抑制的按压的数目以及保证高效移交给受训练的医学专业人员方面进一步再教育或帮助抢救人员。指南以及独立的研究导致包含性的方案，其涉及除颤和CPR，作为用于AED设备的建议方法。

在提供除颤的同时，当前的AED不能实现指南推荐的当前建议的AED使用方法。当前可用的多数AED试图对心室心律进行分类。具体地，当前AED试图区分可电击心室心律和所有不可电击的其它心律。这种心室心律检测和分析需要实时分析ECG波形。因而，AED的功能、准确性和速度严重依赖于用于实时分析ECG波形的算法和硬件。

在许多实现中，算法依赖于心率计算和由ECG波形导出的各种形态学特征，例如Payne等人的美国专利5,474,574和Zhang等人的美国专利6,480,734中公开的ECG波形系数和不规则性。此外，为了提供足够的处理能力，当前AED通常把算法和控制逻辑嵌入微控制器中。

注意到，当前的算法和特定硬件实现能够对AED的效能产生深刻的影响。具体地，ECG信号的信噪比较大地影响AED性能。例如，在抢救工作期间，许多当前AED中实现的算法需要若干秒的干净ECG信号数据以分类所感测的心室心律。在抢救人员可以按照接近每分钟100周期的指定速率应用胸部按压和放松的心肺复苏术期间，得出这种干净信号数据的机会显著降低。实际上，胸部按压和放松在ECG记录中引入显著的运动假象。另外，ECG信号在心室心律失常事件期间表现出不良的幅度，从而进一步降低信噪比，经常导致低质量或不可用的信号。在这些情况下，现有心律失常识别算法不能充分执行，从而将患病人员置于危险中。

已经进行尝试来通过改变ECG电极和模拟前端电路的设计来降低传感假象的影响。一个设计在ECG放大器中针对高通过截止实现较低截止频率。其它设计利用具有非常高的共模抑制比(CMRR)的差动放大器，以试图在一定程度上避免假象。然而，在这些设计中，需要在数字域捕获良好质量的信号以利用数字逻辑和算法移除任何假象。这主要是由于这样的事实：模数转换期间由于饱和效应而损失的信号量不能利用当前已知技术来恢复。

除电极的设计之外，在当前的CPR标准和实践下，当前算法在假象过滤方面不是有效的。当前的挑战之一是甚至在CPR按压周期期间识别可电击心脏心律并且实时识别不可电击/恢复心律。因为心搏停止状态是一个重要度量，另一个挑战是准确地检测心搏停止。已经提出识别和移除能够破坏ECG信号的CPR假象的各种方法。例如，美国专利6,961,612使用参考信号来尝试移除假象。美国专利7,039,457提供了算法以及参考信号，该算法依赖于关于心脏系统的工作的假设。美国专利6,807,442使用多个传感器作为CPR活动的指示器并且提供参考信号。美国专利6,961,612使用指示CPR活动的参考信号来识别CPR假象在ECG分段中的存在。WO/2006/015348公开了利用经胸廓的阻抗测量来识别显著的患者运动。美国专利5,704,365描述了利用多个ECG引线来估计ECG信号上噪声的影响。美国专利7,295,871公开了一个利用线性预测滤波和回归最小平方的针对系统识别的频域方案。在某些最近的研究中，K.Rhineberger介绍了基于滞后参考信号上的自适应回归的ECG滤波的替代方法(Rheinberger，et al.，Removal of resuscitation artifacts from ventricular fibrillation ECG signals using kalman methods，Computers in Cardiology(2005))。其它的CPR假象检测和过滤方法关注于利用调频而不是参考信号来移除异常。(See Aramendi et al.，Detection of ventricular fibrillation in the presence of cardiopulmonary resuscitation artifacts，Resuscitation(2007))。其它所公开的实现响应情形下的治疗的方法关注于CPR活动的检测和确定，并且利用胸部按压检测器(EP 1859770 A1)或加速计(美国专利7,122,014)来估计CPR按压的深度和存在。

然而，所有这些平台或方法在根据最近的美国心脏病学会CPR指南提供实时治疗时具有限制和问题。因而，需要一种用于从ECG信号中过滤CPR假象的方法和设备，其在不同范围的ECG分段上是有效的，计算成本低，并且表现出准实时的分析和过滤，因而允许获得用于确定可电击和不可电击状态的干净ECG信号。

发明内容

本发明各个实施例公开了用于实时地从所感测的ECG信号中过滤信号假象的方法和设备。各个实施例包含利用分段拼接自适应算法从ECG信号中过滤信号假象的设备或自动化方法。各个实施例在例如专门设计的计算机处理器或微处理器的计算机硬件中实现分段拼接自适应算法。其它实施例在计算机可访问的非易失存储器上存储分段拼接自适应算法。在各个实施例中，硬件被连接到感测生理学信号的传感器。在某些实施例中，传感器之一感测ECG信号。在其它实施例中，其它传感器感测假象信号。假象信号可以是CPR按压信号、血液动力学信号或反映可在ECG信号中产生假象的其它生理机能的其它信号。此外，利用类似超声波、光学感测和心冲击描记图，能够指示假象的物理来源的感测技术能够获得CPR假象表示信号。

方法和设备于是可以通过从ECG信号和假象信号中选择信号样本窗口来执行分段拼接自适应算法，以从ECG信号中移除由假象信号产生的假象。由ECG信号和假象信号可以产生初级信号分段和次级信号分段。可以确定初级和次级信号分段之间的关系，这允许基于所确定的关系估计初级信号中的信号假象。最终，各个实施例可以从初级信号分段中移除所估计的信号假象。

在各个实施例中，心律分析算法可以被用来识别可电击ECG心律。这可以允许方法和系统被用在例如自动体外除颤器(AED)的医学设备中。心律分析算法可以允许管理遵守针对CPR的最近过程、实践和指南的生命维持治疗。

在各个实施例中，方法和设备会通过仅在感测到假象信号时才实现假象过滤处理来优化过滤和感测。通过这种方式，降低了所需的功率和治疗施加的时延。在其它实施例中，取决于ECG信号和假象信号之间的时间延迟，以均匀和非均匀大小的信号样本窗口从ECG信号和假象信号中选择信号样本窗口。因而，方法和设备可以在感测时由于传感不足(sensory deficiency)而导致的延迟，以及由生理学差别导致的延迟。在某些实施例中，ECG和假象信号中信号分段的开始时间和结束时间会匹配。在其它实施例中，通过利用自适应索引(adaptive indexing)或逐段回归(segment by segment regression)方案来确定ECG信号和假象信号样本窗口开始和结束时间。

在各个实施例中，分段拼接自适应算法会利用偏移自相关计算来估计ECG信号和假象信号之间的相位超前或相位滞后。这些估计可以被存储在存储器中，以备将来用于选择其它信号样本窗口。在各个实施例中，分段拼接自适应算法利用加权方案来对初级和次级信号分段应用权重。在某些实施例中，所有分段被等加权。在其它实施例中，中央分段加权被用来对中央信号分段提供更高权重。

在各个实施例中，方法和设备可以感测指示其它生理学过程的其它信号中产生的假象。因而，在某些实施例中，假象信号是血液动力学活动的测量。此外，方法和设备可以在提供假象信号时对初级信号利用无源(passive)或有源(active)过滤。因而，在某些实施例中，利用带通滤波器对ECG信号进行滤波以提供假象信号。在这些实施例中，方法和设备仅需要一个感测的信号来过滤信号假象。

附图说明

图1是自动体外除颤器的示意图。

图2是根据本发明一个实施例的利用分段拼接自适应算法的自动体外除颤器的示意图。

图3是根据本发明一个实施例的利用卷积的分段拼接算法的图形表示。

图4是描述根据本发明一个实施例的利用卷积的分段拼接算法的操作的流程图。

图5是根据本发明一个实施例的利用回归的分段拼接算法的图形表示。

图6是描述根据本发明一个实施例的利用回归的分段拼接算法的操作的流程图。

图7是根据本发明一个实施例的利用可变窗口回归的分段拼接算法的图形表示。

图8A是根据本发明一个实施例的分段拼接算法的实现的示意图。

图8B是根据本发明一个实施例的分段拼接算法的实现的示意图。

图8C是根据本发明一个实施例的分段拼接算法的实现的示意图。

图8D是根据本发明一个实施例的分段拼接算法的实现的示意图。

图9是根据本发明一个实施例的被集成到除颤器中的分段拼接算法的示意图。

图10A是被CPR假象破坏的心室心动过速波形的图形描述。

图10B是恶化和噪声波形的图形描述。

图10C是利用根据本发明一个实施例的分段拼接算法恢复的心室心动过速波形的图形描述。

图11是根据本发明一个实施例的利用分段拼接自适应算法的自动体外除颤器的示意图。

具体实施方式

如在背景技术中所述，在当前AED中实现了若干算法，以尝试满足修订的AHA心肺复苏和心血管急救指南。一个实现是自适应滤波器技术，这里关于如图1中提供的结合这种算法的AED通用示意图进行简要回顾。

虽然可以利用若干算法实现自适应滤波器，但最经常利用的是最小均方(LMS)算法和其派生算法。在LMS自适应滤波器中，采用均方成本函数，即ξ＝E[e²(n)]。然后，自适应滤波器使用最陡梯度算法将瞬时平方误差ξ(n)最小化。该算法以步长μ在负梯度方向上更新系数向量。例如，在FIR自适应滤波器的情况下有：

w(n+1)＝w(n)-μ2.N′ξ(n)            (A)

其中，能够每个采样调整权重w(n)。在很多自适应算法中利用的另一个算法是递归最小二乘(RLS)算法。在RLS算法中，成本函数由下式给出：

${\mathrm{\ξ}}^d\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}^{k-i}{e}^2\left(i\right)---\left(B\right)$

$=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}^{k-i}[d\left(i\right)-x^T\left(i\right)w\left(k\right)]$

在计算方面，对于基于LMS和RLS的自适应滤波器，都需要对每个采样进行{w(n)}的值的更新。这些计算非常耗费成本，并且每个更新都需要多个计算。此外，没办法在每个窗口中对正在对每个采样进行的计算进行调整。另外，自适应算法具有建立时间，且该用于最小误差输出或有用信号(去除了噪声)的建立时间花费若干秒。建立时间还取决于LMS算法的μ以及RLS算法的权重和参数λ的初始值。

在CPR假象去除问题中，ECG和CPR信号的时变属性增加了自适应过程的复杂性。ECG信号从室性心动过速(VT)变化到心室纤颤(VF)、细心室纤颤以及心搏停止。此外，恢复信号也从心搏停止变化到细VF、VT、室上性心动过速(SVT)等。所有这些波形的频率和振幅示出它们本身内的巨大变化。在这些变化之上，诸如压缩和扩张的CPR假象在救助人员之间以及在CPR的特定周期期间以宽范围变化。此外，压缩和扩张的实际振幅以宽范围变化。实质上，与CPR假象匹配的心室信号的可变性阻碍自适应滤波器建立，降低实现该方法的设备的操作能力。

带着对当前自适应滤波器技术的能力和不足的这种理解，说明本发明的实施例。

其它实施例提供使用分段拼接自适应算法(PSAA)对ECG信号进行降噪的方案。在各实施例中，PSAA可以利用分段回归和/或分段去卷积方法，以便高效地分析和清洁感测的心室信号。

在各实施例中，PSAA利用从测量CPR行为的设备接收的参考信号。这些实施例允许PSAA具有所有CPR行为的基线或参考，所述基线或参考能够用来将CPR行为与感测的ECG相关联。在获得CPR信号中利用的获取方法、起源、采样技术、滤波方法和传感器反映出在获得ECG信号中利用的获取方法、起源、采样技术、滤波方法和传感器。例如，可以利用共模ECG确定CPR参考信号，以便确保CPR行为的适当表现。通过利用同样的技术，CPR参考信号可以一对一地与ECG信号参考相映射，导致CPR数据与ECG数据的瞬时相关。其它实施例可以利用根据感测机械加速度、速度或距离测量产生的参考信号。然而，在利用这些可选的参考信号时，由于参考信号和ECG的假象分量之间的可能的因果关系，准确度可能下降。因此，实施例可以利用沿着时间序列ECG的时间序列CPR信号来提高准确度。

虽然在测量CPR参考信号和RCG信号时利用相同的方法提供准确度，在采样帧内感测信号仍然可能不一对一地对准。这可能部分由机械或电信号经由各身体组织的传播造成。例如，经由肌肉细胞的传导可能生成信号中的失真。在其它情况下，由于传感器设备或其它系统需要的不同，在感测ECG和CPR信号中利用的方法可以略微不同。虽然是略微的不同，但这些不同也可能引入延迟，导致缺乏一对一的相关。各实施例可以利用卷积或传递函数来帮助确定CPR信号和ECG信号之间的关系。这允许一个时间序列中的多个采样到另一个时间序列的相关。例如，ECG信号的假象分量中多于一个的采样的分段能够被关联到CPR参考信号中相似尺寸的分段。一旦建立，CPR参考信号和ECG信号之间的关系可以被用来从ECG信号中去除假象。在各实施例中，瞬时去混合和去卷积算法都被用来从ECG信号中去除CPR假象。

为了理解本发明，应该对ECG和CPR信号发送中的各种信号和普遍原理进行讨论。在理解了这些原理以及它们如何相关之后，可以实现对本发明的各实施例的进一步理解。

诸如ECG信号、影响ECG信号的假象分量信号和参考信号的信号被视为随机信号。这种信号不能按意愿再现。表现随机信号的主要统计学参数是随机信号的平均值、方差和自协方差。

只有在信号呈现遍历(ergodicity)的情况下实际的信号处理或时间序列估计才有可能。在其所有统计属性能够根据充分大的有限长度的单个实现估计的情况下，随机信号被定义为遍历信号。对于遍历信号，时间平均等于经由实现长度趋近于无限大的极限中的期望算子得出的总体均值。

对于真实的遍历信号，下面是估计公式：

$m_x=\underset{M\→\∞}{\lim }\frac{1}{2M+1}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}x\left[n\right]---\left(1\right)$

${\mathrm{\σ}}_X^2=\underset{M\→\∞}{\lim }\frac{1}{2M+1}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}{\left(x\right[n]-m_x)}^2---\left(2\right)$

${\mathrm{\γ}}_{\mathrm{XX}}\left[l\right]=\underset{M\→\∞}{\lim }\frac{1}{2M+1}\underset{n=-M}{\overset{M}{\mathrm{\Σ}}}\left(x\right[n]-m_X)\left(x\right[n+l]-m_X)---\left(3\right)$

代替上面的极限操作，可以使用有限和，如下所示。

${\hat{m}}_X=\frac{1}{M+1}\underset{n=0}{\overset{M}{\mathrm{\Σ}}}x\left[n\right]---\left(4\right)$

${\widehat{\mathrm{\σ}}}_X^2=\frac{1}{M+1}\underset{n=0}{\overset{M}{\mathrm{\Σ}}}{\left(x\right[n]-m_X)}^2---\left(5\right)$

${\widehat{\mathrm{\γ}}}_{\mathrm{XX}}\left[l\right]=\frac{1}{M+1}\underset{n=0}{\overset{M}{\mathrm{\Σ}}}\left(x\right[n]-m_X)\left(x\right[n+l]-m_X)---\left(6\right)$

对于随机信号，自相关(或)自协方差函数起着重要作用。假设，如果ecg信号{ecg(n)}由{s(n)}和{r(n)}的叠加(superposition)得到，{s(n)}代表干净的信号分量，且{r(n)}是随机噪声分量，则ecg信号{ecg(n)}的自相关可以表达为：

E{ecg[n]ecg[n+l]}＝E{(s[n]+r[n])(s[n+l]+r[n+l])}            (7)

＝E{s[n]s[n+l]}+E{s[n]r[n+l]}+E{r[n]s[n+l]}+E{r[n]r[n+l]}

因为{ecg(n)}和{r(n)}是不相关的，所以等式(7)变为

$E\left\{\mathrm{ecg}\right[n\left]\mathrm{ecg}\right[n+l\left]\right\}=E\left\{s\right[n\left]s\right[n+l\left]\right\}+{\mathrm{\σ}}_r^2---\left(8\right)$

因此，在很多实际情况中，自相关保持信号内容，同时限制对直流(dc)分量的随机不相关噪声。因此，自相关和互相关被用于随机信号估计问题中，以分析随机信号特性和其与另一个信号的相互作用。这比使用未处理的信号对随机信号特性进行分析和估计要好。

利用这种理解，可以实现这里说明的发明的认知。假设在心肺复苏(CPR)期间观察到的ECG信号为{y(n)}，由假象分量{a₁(n)}以及如上所示的ECG信号分量{ecg(n)}和不相关宽带噪声{N₁(n)}的结合组成。以{x(n)}代表指示CPR行为的CPR参考信号。数学上，该关系可以被表达为：

{y(n)}＝{ecg(n)}+{a₁(n)}+{N₁(n)}

{x(n)＝{b(n)}+{a₂(n)}+{N₂(n)}              (9)

如上所述，在各实施例中，在进行CPR时，{y(n)}指在从自动体外除颤器电极进行记录时观察到的ECG信号，{ecg(n)}指真正的ECG分量，{a₁(n)}指在观察到的ECG中见到的假象分量。{N₁(n)}和{N₂(n)}指不相关宽带噪声，其总是出现在任何电子传感器系统中。当不执行CPR时，假象分量{a₁(n)}应该是0。在其它实施例中，{x(n)}指CPR参考信号，其指示CPR行为且由以下内容组成：在所有情况下都应该非常接近0的基线行为分量{b(n)}、由CPR传感器记录的实际假象信号{a₂(n)}以及不相关宽带噪声{N₂(n)}。在各实施例中，当不发生CPR行为时{x(n)}是0。因此，在各实施例中，使用{x(n)}在{y(n)}中估计假象{a₁(n)}并去除{a₁(n)}，从而得到干净的ECG信号{ecg(n)}。

在各实施例中，附加约束来限制整个操作在时域中的实现。将数据窗口化为多个小窗口提供了实现实时算法的机会，允许AED在活体救助操作中进行该分析。

E[x(n)x^T(n))]＝R_xx(0)＝x的自相关以及

E{x(n)y^T(n)]＝R_xy(0)＝y和x之间的互相关      (10)

将上面两个关系式进一步展开有：

$R_{\mathrm{xx}}\left(0\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)x\left(n\right)$ 以及

$R_{\mathrm{xy}}\left(0\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)y\left(n\right)---\left(11\right)$

换句话说，上面的计算是导致自相关(ACS)和互相关(CCS)次序(sequence)的计算的子集：

$R_{\mathrm{xx}}\left(l\right)=\frac{1}{M+1}\underset{n=0}{\overset{M}{\mathrm{\Σ}}}\left(x\right[n]-m_X)\left(x\right[n+l]-m_X)$ 以及

$R_{\mathrm{xy}}\left(l\right)=\frac{1}{M+1}\underset{n=0}{\overset{M}{\mathrm{\Σ}}}\left(x\right[n]-m_X)\left(y\right[n+l]-m_Y)---\left(12\right)$

各实施例利用稳定的线性时间-不变系统(LTI)离散-时间系统，带有脉冲响应{h[n]}，其涉及带有观察的ECG信号{y(n)}的CPR参考信号{x(n)}。这些实施例通过下式定义输入-输出关系：

$y\left[n\right]=\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}h\left[k\right]x[n-k]---\left(13\right)$

此外，在这些实施例中，进行了这样的假设：在立即计算(immediate calculation)的边界内已知如在等式(12)中定义的ACS。假设的结果是将等式(12)中所示CCS被计算为：

$r_{\mathrm{yx}}\left[l\right]=\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}y\left[n\right]x[n-l]---\left(14\right)$

将(13)带入(14)，得到

$r_{\mathrm{yx}}\left[l\right]=\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}\left(\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}h\right[k\left]x\right[n-k\left]\right)x[n-l]$

$=\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}h\left[k\right]\left(\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}x\right[n-k\left]x\right[n-l\left]\right)---\left(15\right)$

$=\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}h\left[k\right]r_{\mathrm{xx}}[l-k]$

在各实施例中，假设长度N的因果关系的(causal)有限-长度脉冲响应是现实的，且等式(15)减少为：

$r_{\mathrm{yx}}\left[l\right]=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}h\left[k\right]r_{\mathrm{xx}}[l-k]---\left(16\right)$

这样，计算了ACS和CCS，r_xx[l]和r_yx[l]。然后，给定ACS和CCS，进行系统识别(或)脉冲响应估计。

在各实施例中，用于计算CPR参考信号{x[n]}和观察的ECG信号{y[n]}的脉冲响应采样{h[n]}的递归关系被给定为等于找到ACS{r_xx[l]}和CCS{r_yx[l]}之间的脉冲响应采样{h[n]}。利用ACS和CCS与利用CPR参考信号{x[n]}和观察的ECG信号{y[n]}提供相同的信息，但是还具有增加的优点：减少不相关噪声对观察的ECG信号{y[n]}的影响。

下面的递归计算帮助根据ACS{r_xx[l]}和CCS{r_yx[l]}的值计算脉冲响应采样{h[n]}。

$h\left[0\right]=\frac{r_{\mathrm{yx}}\left[0\right]}{r_{\mathrm{xx}}\left[0\right]}$ 和 $h\left[n\right]=\frac{r_{\mathrm{yx}}\left[n\right]-\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}h\left[k\right]r_{\mathrm{xx}}[n-k]}{r_{\mathrm{xx}}\left[0\right]},n\≥1---\left(17\right)$

从而，根据CPR参考信号{x[n]}和观察的ECG信号{y[n]}之间的关系估计或重构假象{a₁(n)}。然后从观察的ECG信号{y[n]}减去该假象，以得到干净的ECG信号{ecg[n]}，如等式(9)中模型所示。

在各实施例中，在将估计的由CPR引起的假象去除之后，交叠的窗口被用来创建连续的输出信号{ecg[n]}。可以识别准确的交叠分段，且由脉冲响应{h_i[n]}、{h_i+1[n]}等带来的贡献(contribution)被加权。适当的加权确保在中间输出中没有突然的跳跃，即重构的假象分量{a₁(n)}。

参考图2，呈现了系统200利用PSAA的实施例。在各实施例中，系统可以利用接收ECG信号204的ECG监视器202。ECG监视器202可以监视或记录来自设置在身体上的传感器的ECG信号204。ECG监视器202可以分析ECG信号204并使其达到进一步处理要求的情况。此外，ECG监视器202可以识别由于采取的附加动作诸如CPR按压而存在的一场或假象。各实施例将具有分析CPR信号208的CPR监视器206。CPR信号208可以提供正在进行的CPR行为的独立指示。此外，CPR监视器206可以使CPR信号204达到进一步处理要求的情况。然后，系统200可以利用决定逻辑210来确定是否需要PSAA。如果逻辑210确定CPR信号208存在，其将启动并调用PSAA算法212。然后，PSAA算法212将采用ECG信号204和CPR信号208，并从ECG信号204去除CPR信号208以提供清除CPR假象的ECG信号214。然后，ECG信号214可以被传送到系统200的其它算法，诸如心律失常检测算法216。在特定实施例中，如果不存在CPR信号208，则逻辑210不会启动PSAA算法212，且系统200将直接将ECG信号204传动到其它算法，诸如心律失常检测算法216。

其它实施例可以感测多种主、次信号，其中，次信号为主信号提供附加数据或信号输入，且优选利用PSAA去除或滤波。例如，压力ECG机中的运动假象、ECG和压力ECG机中的呼吸假象、压力ECG机中的机器假象、EEG中的眼电图信号、来自EEG的ECG信号/脉冲以及来自其它血液动力学信号的CPR假象。这样，各实施例可以利用表示各种物理脉冲诸如CPR按压的第二信号，来去除表示物理脉冲诸如ECG、EEG的各种信号中的假象。

参考图3，呈现了PSAA利用卷积算法的实施例。在各实施例中，通过首先对观察的ECG信号{y[n]}和CPR参考信号{x[n]}的第一W_L采样窗口化实现交叠卷积输出片段，其中W_L指示窗口长度。然后，对该两个输入信号应用矩形窗口，以产生CPR参考信号片段{x₁(n)}和观察的ECG信号片段{y₁(n)}。该步骤在下面的等式中可见：

$y_1\left(n\right)=\left\{\begin{array}{c}y\left(n\right)w\left(n\right),0\&le;n<W_L\\ 0,\mathrm{else}\end{array}\right.$ $x_1\left(n\right)=\left\{\begin{array}{c}x\left(n\right)w\left(n\right),0\&le;n<W_L\\ 0,\mathrm{else}\end{array}\right.---\left(18\right)$

然后，为直到N_lag点的滞后计算R_xy(k)和R_xx(k)值，其中，N_lag是在可观察的ECG信号分段{y₁(n)}和CPR参考信号分段{x₁(n)}之间的时间滞后的测量的指示。例如，在图3中示出了超前/滞后和窗口估计。接下来，在减去{y₁(n)}和{x₁(n)}的平均值之后将CCS和ACS函数确定为上面等式(12)中给定的函数。在确定CCS和ACS函数之后，使用等式(17)根据CCS和ACS函数之间的关系确定{h[n]}，并且{h[n]}的大小被设置为等于N_lag。接下来使用下面的等式将该平均值从CPR中去除：

m₀＝mean{x₁[n]}

{x₁[n]}＝{x₁[n]}-mean{x₁[n]}＝{x₁[n]}-m₀       (19)

随后使用下面所示的公式使用{h(n)}构成

为估计的假象。

$x_1^{\&prime;}\left(n\right)=\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}h\left(k\right)x_1(n-k)---\left(20\right)$

信号

的长度为W_L+N_lag-1。

卷积的输出随后被截切到第一W_L点。理想地，截切应该避开起始的和结尾的N_lag点。然而，多种实施例只避开N_lag-1点。而在其它实施例中通过在后续的估计的假象的计算中给初始N_lag点较低的权重来降低其影响。接下来，卷积运算的dc响应被积分，如等式(21)中所示：

$x_1^{\&prime;}\left(n\right)=m_0\&times;\underset{k=0}{\overset{N_{\mathrm{lag}}-1}{\mathrm{\&Sigma;}}}h\left(k\right)---\left(21\right)$

其中m₀是调制比M(等于m/m₀)中的激励的调制深度。

接下来，利用(22)中提供的等式来估计数据上的假象分段{a₁(n)}：

$\left\{x^{\mathrm{out}}\left(n\right)\right\}{|}_{n=0}^{n=N_{\mathrm{lag}}-1}=x_1^{\&prime;}\left(n\right){|}_{n=0}^{n=N_{\mathrm{lag}}-1}---\left(22\right)$

在多种实施例中，第一窗口和第二窗口之间的第一非重叠分段的输出是相同的。另外，多种实施例假设窗口跳跃N_lag点。然而，该跳跃可以通过输入参数确定或以其它方式计算并以N_jump指示。在确定假象分段{a₁(n)}之后，可以针对前N_lag点估计干净的ECG信号y^est。

$\left\{y^{\mathrm{est}}\left(n\right)\right\}{|}_{n=0}^{n=N_{\mathrm{lag}}-1}=\left\{y\left(n\right)\right\}{|}_{n=0}^{n=N_{\mathrm{lag}}-1}-\left\{x^{\mathrm{out}}\left(n\right)\right\}{|}_{n=0}^{n=N_{\mathrm{lag}}-1}---\left(23\right)$

在CPR参考信号{x(n)}和{y(n)}之间恒定超前或滞后若干点的情况下，两个分段中的N_lag/2(或)N_lag点的移动的交叉相关将在特定超前和滞后处产生最大值。上述减法是在相应地移动估计的假象信号{a₁(n)}或{x^out(n)}之后进行的。

接下来，通过跳跃N_jump点移动到新窗口化的分段{y₂(n)}和{x₂(n)}，其在N_jump和(N_jump+W_L)样本之间。随后利用新的窗口参数重复先前的步骤。

在多种实施例中，在估计第二、第三以及后续的非重叠数据分段过程中可以利用不同的加权方案。这些加权方案包括：等加权和中心段加权。

在等加权方案中，两个相邻窗口之间的重叠分段被计算两次，因此只要两个窗口重叠，则将相等的权重给予两个相邻的窗口计算。对于三个相邻计算也是相似的情况，其中特定的小分段为其所共有。例如，如果设置16点的N_lag/N_jump并且具有128点的W_L(例如)，则特定的分段能够出现在8个相邻的窗口中。

N_jump(或)N_lag点的第一分段：

$\left\{x^{\mathrm{out}}\left(n\right)\right\}{|}_{n=0}^{n=N_{\mathrm{lag}}-1}=x_1^{\&prime;}\left(n\right){|}_{n=0}^{n=N_{\mathrm{lag}}-1}---\left(24\right)$

N_jump(或)N_lag点的第二分段：

$\left\{x^{\mathrm{out}}\left(n\right)\right\}{|}_{n=N_{\mathrm{lag}}}^{n=2*N_{\mathrm{lag}}-1}=(x_1^{\&prime;}\left(n\right){|}_{n=N_{\mathrm{lag}}}^{n=2*N_{\mathrm{lag}}-1}+x_2^{\&prime;}\left(n\right){|}_{n=0}^{n=N_{\mathrm{lag}}-1})/2---\left(25\right)$

N_jump(或)N_lag点的第三分段：

$\left\{x^{\mathrm{out}}\left(n\right)\right\}{|}_{n=2*N_{\mathrm{lag}}}^{n=3*N_{\mathrm{lag}}-1}=(x_1^{\&prime;}\left(n\right){|}_{n=2*N_{\mathrm{lag}}}^{n=3*N_{\mathrm{lag}}-1}+x_2^{\&prime;}\left(n\right){|}_{n=N_{\mathrm{lag}}}^{n=2*N_{\mathrm{lag}}-1}+x_3^{\&prime;}\left(n\right){|}_{n=0}^{n=N_{\mathrm{lag}}-1})/3---\left(26\right)$

从第八分段，全部八个重叠窗口可用于计算。因此，如果比率W_L∶N_lag＝8∶1，N_lag点的每个重叠窗口被计算八次。在特定实施例中，存在这样的可能，即由于卷积影响这些计算，末端效应负面地影响准确度。因此，实施例从窗口的考虑中去除末端分段W_L，其中重叠分段落在末端。

对于PSAA，在多种实施例中，在计算相邻窗口共有的分段中的中心较重加权被用作加权方案。中心较重加权方案通过对中心分段加权来消除由一组窗口W_L的卷积中的边缘提供的不确定性。例如，如果只利用六个窗口并且特定分段出现在中心，那么避开两个末端处的窗口并对中心的四个窗口施加权重则为中心加权。中心加权算法表示为：

和(27)

作为中心加权的结果，多种实施例在卷积中显示出更高的稳定性。

参照图4，示出了实现使用根据第一实施例的卷积算法的PSAA的系统。从初级和次级感测信号400选择第一选择样本窗口。接下来，生成初级信号分段和次级信号分段402。然后根据初级和次级信号分段计算自相关和交叉相关404。接下来，根据自相关和交叉相关确定脉冲响应406。然后，根据脉冲响应估计出现在初级信号中的估计的假象408。然后截切估计的假象以与所选择的初级和次级信号序列的长度一致410。然后，利用卷积对估计的假象的DC响应进行积分412。通过从所选的初级信号去除估计的假象来产生估计的干净的初级信号414。此时，可以针对初级和次级信号的接下来的所选的样本窗口重复该循环。这样，实施例可以利用PSAA和卷积算法以高准确度过滤整个初级信号。

现在参照图5，示出了利用重叠回归分段的PSAA的实施例。该实施例与基于窗口的重叠卷积输出分段相似，不同之处在于根据{x(n)}和{y(n)}之间的简单回归关系计算输出分段。这里假设假象和参考信号具有点对点相关，即便该关系被其它分量变得不显著。换句话说，假设关系是分段线性的。

在此实施例中，在W_L样本的每个窗口(～2秒)中进行α和β的估计，并且窗口具有W_L/2样本的重叠。通过该重叠，一定程度地导致了非恒定性。在每个窗口中，根据等式(30)计算和

$\widehat{\mathrm{\&alpha;}}=\frac{\underset{i=0}{\overset{L}{\mathrm{\&Sigma;}}}(x\left(i\right)-m_x)(y\left(i\right)-m_y)}{\underset{i=0}{\overset{L}{\mathrm{\&Sigma;}}}{(x\left(i\right)-m_x)}^2}$ 和

$\widehat{\mathrm{\&beta;}}=\stackrel{-}{y}-\widehat{\mathrm{\&alpha;}}\stackrel{\&OverBar;}{x}---\left(30\right)$

$a_1^{\&prime;}\left(n\right)=\widehat{\mathrm{\&alpha;}}x\left(n\right)+\widehat{\mathrm{\&beta;}}---\left(31\right)$

这里，线性回归等式被拟合在{y(n)}和{x(n)}之间并且得出假象分量的估计并将其从感测的ECG信号{y(n)}中去除。

等式(30)中的

和

的估计可以帮助重建所感测的被损坏的ECG信号{y(n)}中的假象分量。另外，可以利用其它的窗口化和重叠方法来模拟重叠卷积方案，并且能够消除非恒定性问题。此外，使用较小的分段允许捕获关系的非恒定性。

参照图6，示出了利用线性回归分段的PSAA的实施例。首先，从初级和次级感测信号选取选择样本窗口600。接下来，产生初级信号序列和次级信号序列602。然后在初级和次级信号之间确定线性回归604。接下来基于线性回归产生估计的假象606。然后截切所估计的假象来与所选择的初级和次级信号序列的长度一致608。通过从所选择的初级信号去除所估计的假象来产生估计的干净的初级信号610。在此时，可以针对初级和次级信号的接下来所选择的样本窗口重复该循环。这样，多种实施例可以利用PSAA和线性回归算法以高准确度过滤整个初级信号。

如图7所示，时变的自适应窗口方案对于PSAA方案的分段回归实施方式也是可能的。在此设置中，重叠分段尺寸、{x(n)}和{y(n)}中的窗口起始点都能够随着窗口尺寸改变。该方法导致逐段相关，包括不相等的分段，包括由于每点的不同计算数量而造成的偏移。然而，能够建立可接受的假象波形，并且能够将其从{y(n)}减去以用于达到去除了假象的ECG信号。

在多种实施例中，每个信号样本(在感测的ECG信号和CPR参考信号中)启动计算和参数存储动作。例如，连续地发生均值的计算、自相关序列的计算、交叉相关序列的计算和去卷积和卷积运算。然而，在特定实施例中，只在特定的索引(index)处进行附加计算，诸如估计假象分段。这样，PSAA能够降低信号过滤和分析中所需要的计算量。

现在参照图8A-8D，示出了利用PSAA的系统的多种实施例。在图8A描绘的实施例中，向PSAA 804中输入ECG信号800和CPR参考信号802。PSAA然后将会从ECG信号800中取出CPR假象，并提供估计的实际ECG信号806以供其它使用。

参照图8B，示出了利用没有参考信号的PSAA的系统的实施例。在许多情况下，在CPR过程中记录的ECG信号800的低频区域主要被CPR假象占据。因此，在没有参考信号的情况下，利用低通滤波器808过滤ECG信号800使能参考信号的显著特征。虽然不像精确的CPR相关信号那样准确，该经低通滤波的输出信号810能够被用作PSAA 804中的{x(n)}。在多种实施例中，通过使用有限脉冲响应(FIR)滤波器，处理延迟被最小化或者变为线性。超前或滞后计算可以利用相关分析并随后被应用。在多种实施例中，低通滤波器选择信号范围，例如(0-6)Hz之间。

参照图8C，多种实施例可以利用PSAA 804使用CPR参考信号将CPR假象从若干输入信号中清除。输入信号可以包括：ECG信号800、pO₂信号812、动脉血压(ABP)信号814、中心静脉压(CVP)信号816和心音信号818。这样PSAA 804可以同时从多个信号中过滤CPR假象，并提供未损坏的信号以供其它分析。

参照图8D，示出了利用具有带有相关分量的多个信号而没有CPR参考信号802的PSAA的实施例。其中CPR参考信号802不可用，被作为CPR的结果的运动假象损坏的两个或更多个信号被馈送至PSAA 804。例如，ECG信号800和血液动力学信号820可以被输出到PSAA 804。在这些实施例中，PSAA 804能够与信号相关，并估计CPR假象分量。PSAA804然后将会从原始源信号中消除CPR假象分量并输出干净的输入信号822以及表示对CPR假象824的估计的信号。

在多种实施例中，PSAA还可以被利用在AED系统中以基于所感测的信号的状态使能第一响应方指令，如图9所示。例如，PSAA 900可以与心率分析算法902结合使用以确定无脉性心律(pulseless rhythm)904、可电击心律(shockable rhythm)906和不可电击心律(non-shockable rhythm)908。

在多种实施例中，需要继续的CPR的无脉性心率904能够在利用PSAA 900的AED中被确定。在这些情形中，PSAA 900持续地监视ECG信号910和CPR参考信号912，并将干净的ECG输出信号914传递到也在AED中实现的心率分析算法902。然后心率分析算法902可以确定由于无脉性电活动或心率停止而需要继续的CPR，并且可以指示AED传送继续CPR命令916到第一响应方。

可电击心率906的出现要求CPR停止，并且可以在利用PSAA 900的AED中使所施加的电击为近实时的。在这些情形下，PSAA 900持续地监视ECG信号910和CPR参考信号912，并且将干净的ECG输出914传递给心率分析算法902。然后心率分析算法902可以确定需要电击，并且可以指示AED根据协议传递停止CPR并电击患者命令918。这样，PSAA900可以驱动CPR的中断以遵照协议提供治疗。多种实施例允许将控制信号传导到提供自动CPR按压的机械按压装置以自动同步电击和按压循环。如果存在不可电击心率，AED可以传递继续CPR命令和其它命令920。

在特定实施例中，AED利用PSAA 900以确定PSAA 900需要哪种信号处理。在这些实施例中，在估计的假象信号916显示出低信号幅度的情形中或在假象对ECG信号910具有边缘影响的情形中，PSAA 900输出所感测的ECG信号。因此，在这些情形中，所感测的ECG信号910可以被利用并且绕过PSAA 900信号处理直接传递到心率分析算法902，从而进一步减少延迟和所需要的处理功率。

通过实施PSAA和利用CPR参考信号，多种实施例能够在信噪比显示出很大变化时从感测信号中去除噪声。例如，PSAA算法能够有效地描绘假象，即便对于信噪比为1比20的严重的假象条件下也是如此，并且在心率停止的情况下，信噪比要大得多，为1∶1000量级，其主要被ECG通道的固有噪声特性限制。这样，在多种实施例中，PSAA能够分析如图10A所示的感测信号和如图10B所示的CPR参考信号，并分离CPR假象产生如图10C所示的恢复的ECG信号。如上所述，在多种其它实施例中，PSAA可以以相同的效果对多种交替的初级和次级信号进行相同的分析。因此，例如可以利用PSAA去除干扰压力ECG机器和EEG机器的各种信号。

现在参照图11，示出了实现根据本发明的一个实施例的PSAA的AED 1000的框图。基于数字微处理器的控制系统1002用于控制AED1000的总体操作。电控制系统1000还包括阻抗测量电路，用于测试电极1004和1006的互联和可操作性。控制系统1002包括与程序存储器1010、数据存储器1012、事件存储器1014和实时时钟1016接口的处理器1008。由处理器1008执行的操作程序被存储在程序存储器1010中。通过电池1018提供电力，并且电池1018连接到功率生成电路1020。

功率生成电路1020还连接到功率控制电路1022、盖开关1024、看门狗计时器1026、实时时钟1016和处理器1008。数据通信端口1028耦合到处理器1008以用于数据传递。在特定实施例中，可以利用串行端口、usb端口、法尔接口(firewire)、诸如802.11x或3G的无线、无线电等。救援开关1030、维护指示器1032、诊断显示面板1034、语音电路1036和可听报警1038也连接到处理器1008。语音电路1036连接到扬声器1040。在多种实施例中，救援灯开关1042和可视显示器1044连接到处理器1008以提供另外的操作信息。

在特定实施例中，AED将具有处理器1008和PSAA协同处理器1046。PSAA协同处理器1046可以是实现在硬件中的PSAA算法并且通过高速数据总线操作连接到处理器。在多种实施例中，处理器1018和PSAA协同处理器1046在同一硅片上并且可以被实现在多核处理器中。可替选地，处理器1008和PSAA协同处理器可以作为多处理器或甚至联网的处理器排列的部分。在这些实施例中，处理器1018将一些PSAA计算卸载到PSAA协同处理器，因此优化对来自电极1004和1006的感测信号的处理。在其它实施例中，用特定的指令或优化来优化处理器1008以执行PSAA计算。因此，处理器1010可以再更少的时钟循环中执行PSAA计算并同时控制更少的硬件资源。在其它实施例中，控制系统1002的逻辑和算法可以实现为逻辑、ASIC形式的硬件或FPGA形式的组合等。

高压产生电路1048也连接到处理器1008并被处理器1008控制。高压产生电路1048可以包含半导体开关(未示出)以及多个电容器(未示出)。在多种实施例中，连接器1050、1052将高压产生电路1048连接到电极1004、1006。

阻抗测量电路1054连接到连接器1050和实时时钟1016。阻抗测量电路1054通过模数(A/D)转换器1056与实时时钟接口。另一个阻抗测量电路1058可以连接到连接器1050和实时时钟1016，并通过模数(A/D)转换器1056与处理器1008接口。CPR装置1060可以通过连接器1052和A/D 1056连接到处理器1008和实时时钟1016。CPR装置1060可以是胸部按压检测装置或手动自动或半自动机械胸部按压装置。

应理解示例性实施例仅仅是示例，并且不旨在以任何方式限制本发明的范围、适用性或配置。另外，前述具体描述将为本领域技术人员提供能够实现示例性实施例的公开。应理解能够在单元的功能和设置中进行各种改变而不脱离在所附权利要求及其法律等同物中提出的本发明的范围。

以上实施例旨在说明而非限制。另外的实施例在权利要求中。另外，虽然已经参照特定实施例描述了本发明的方面，本领域技术人员将认识到能够在形式和细节中进行改变而不脱离如权利要求所定义的本发明的精神和范围。

具有相关领域普通技术的人员将认识到本发明将包含比任意上述实施例中说明的特征更少的特征。这里所描述的实施例不是要穷尽地示出本发明的各种特征的可能的组合方式。因此，实施例不是特征的互斥的组合；相反地，如本领域技术人员理解的，本发明可以包括从不同的单独实施例中选择的不同的单独特征的组合。

任何通过引用而对上述文献的引入被限制为使得没有引入与这里的明确公开相反的主题。任何通过引用而对上述文献的引入还被限制为使得没有将包含在这些文献中的权利要求通过引用合并于此。任何通过引用而对上述文献的引入还被限制为这些文献中提供的定义不被通过引用合并于此，除其非明确地包含于此。

为了诠释本发明的权利要求的目的，明确声明不援引35U.S.C的第六段第212条的规定，除非在权利要求中陈述“用于……的装置”或“用于……的步骤”。

Claims (15)

1.一种实时地从ECG信号中过滤假象的设备，包括：

用于感测ECG信号的装置，所述ECG信号表示心脏组织的物理搏动；

用于感测假象信号的装置，所述假象信号表示生理机能；

用于利用分段拼接自适应算法从所述ECG信号中移除信号假象的装置。

2.如权利要求1所述的设备，其中所述分段拼接自适应算法包括：

用于从所述ECG信号和所述假象信号中选择信号样本窗口的装置；

用于基于所选择的样本窗口由所述ECG信号产生初级ECG信号分段并且由所述假象信号产生初级假象信号分段的装置；

用于确定所述初级ECG信号分段和初级假象信号分段之间的关系的装置；

用于基于所确定的关系估计所述初级ECG信号分段中的ECG信号假象的装置；

用于从所述ECG信号的所述初级信号分段中移除所估计的ECG信号假象的装置。

3.如权利要求1所述的设备，包括适于从所述ECG信号中过滤CPR按压假象的处理器和分段拼接自适应算法处理器，所述分段拼接自适应算法处理器耦合到所述用于感测ECT信号的装置和所述用于感测假象信号的装置，并且被编程为计算由所述假象信号产生的ECG信号假象并且利用所述分段拼接自适应算法从所述ECG信号中移除所述ECG信号假象。

4.如权利要求3所述的设备，其中所述分段拼接处理器适于执行存储于可操作耦合到所述分段拼接处理器的存储器中的指令，所述指令包括：

从所述ECG信号和所述假象信号中选择信号样本窗口；

由所述ECG信号产生初级ECG信号分段并且由所述假象信号产生初级假象信号分段；

确定所述初级ECG信号分段和初级假象信号分段之间的关系；

基于所确定的关系估计所述初级信号中的信号假象；

从所述初级信号分段中移除所估计的信号假象。

5.一种机器实现的过程，用于实时地从ECG信号中过滤信号假象，包括：

用ECG传感器感测ECG信号，所述ECG信号表示心脏组织的物理搏动；

用假象传感器感测表示生理机能的假象信号；

使用耦合到所述ECG传感器和所述假象传感器的分段拼接自适应算法处理器，以利用分段拼接自适应算法自动地从所述ECG信号中移除所述信号假象，从而产生干净的ECG信号。

6.如权利要求5所述的方法，其中使用耦合到所述ECG传感器和所述假象传感器的分段拼接自适应算法处理器以利用分段拼接自适应算法自动地从所述ECG信号中移除所述信号假象包括：

从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口；

由所述第一信号样本窗口产生初级ECG信号分段以及由所述第二信号样本窗口产生初级假象信号分段；

确定所述初级ECG信号分段和初级假象信号分段之间的关系；

基于所述关系估计所述初级ECG信号分段中的信号假象；

从所述初级ECG信号分段中移除所估计的信号假象。

7.如权利要求5所述的方法，还包括使用心律分析算法处理器识别可电击ECG心律。

8.如权利要求5所述的方法，其中用假象传感器感测表示物理搏动的假象信号启动所述分段拼接自适应算法处理器以利用分段拼接自适应算法自动地从所述ECG信号中移除所述信号假象。

9.如权利要求6所述的方法，其中从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口还包括根据所述ECG信号和假象信号之间的时间延迟从由均匀大小的信号样本窗口和非均匀大小的信号样本窗口构成的组中选择信号样本窗口，优选地，从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口还包括通过匹配开始和结束时间来选择所述第一和第二信号样本窗口。

10.如权利要求6所述的方法，其中从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口还包括利用非匹配信号样本窗口开始时间和信号样本窗口结束时间来选择所述第一和第二信号样本窗口，优选地，从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口还包括利用选自由自适应索引和逐段回归的组的方案来指示信号样本窗口开始时间和信号样本窗口结束时间，优选地，从所述ECG信号中选择第一信号样本窗口以及从所述假象信号中选择第二信号样本窗口还包括自相关所述ECG信号和假象信号，交叉相关所述ECG信号和假象信号，以及利用自适应索引方案来确定信号样本窗口开始时间和信号样本窗口结束时间。

11.如权利要求5所述的方法，其中使用耦合到所述ECG传感器和所述假象传感器的分段拼接自适应算法处理器以利用分段拼接自适应算法自动地从所述ECG信号中移除所述信号假象还包括：

利用偏移自相关计算估计所述ECG信号和假象信号之间的相位超前或相位滞后，其中所述相位超前或相位滞后计算被存储在存储器中，以用于选择附加信号样本窗口。

12.如权利要求5所述的方法，其中使用耦合到所述ECG传感器和所述假象传感器的分段拼接自适应算法处理器以利用分段拼接自适应算法自动地从所述ECG信号中移除所述信号假象还包括：

用选自由等加权和中央分段加权构成的组的加权方案对初级和次级信号分段进行加权。

13.如权利要求5所述的方法，其中所述假象信号选自由CPR按压信号和血液动力学信号构成的组，优选地，通过对所述ECG信号应用带通滤波器来产生所述假象信号，优选地，通过利用时域估计产生等级来对所述假象信号分级，其中所述时域估计选自由零交叉和峰-峰振荡构成的组，优选地，所述等级指示信噪比的质量并且提供置信度测量以用于进一步的心律识别。

14.如权利要求6所述的方法，还包括产生所述ECG信号和假象信号的均值，其中针对每个信号样本窗口刷新所述均值。

15.如权利要求10所述的方法，其中基于指定信号样本窗口长度和信号样本窗口交叠在选择的信号样本窗口计算所述假象信号的自相关和所述假象信号和所述ECG信号的交叉相关。

Images