CN102138789A - 一种动态心电和运动记录与分析系统 - Google Patents

Abstract

本发明公开了一种动态心电和运动记录与分析系统，用于自动检测使用者活动和进行活动情景下的心电分析。该系统除包括心电图和运动传感器单元，数据获取、存储和传输单元外还还包括分析和软件单元。运动传感器与心电图传感器电极可以封装在一起，也可以单独使用；该系统记录和自动检测使用者日常的物理运动，如躺、坐、走、跑、摔、坐起、站起、坐下、躺下等，并给出相应的活动强度；自动分析心电图；当检测到心电图异常或者活动异常时会给出相应标记，存储当时相应的所有原始信号和分析结果，提示医护人员。该系统给出使用者在不同的活动强度下的心率变异性，以及心率变异性随活动类型、活动强度、和时间的变化。该系统也给出了分析心率和心电图形态随运动强度和持续时间变化的方法，可用于运动和训练中的有氧运动优化和训练安全。

Description

一种动态心电和运动记录与分析系统

技术领域

本发明属于生理、身体参数测试领域，具体涉及记录与使用者日常动态情景高度相关的心电图信号记录与分析系统。

背景技术

对于难以通过仪器短时间监测捕获的异常生理信号，医生需要一种可以长时间连续记录生理参数和相关状态的设备。另外，心律失常等心脏异常事件不但具有偶发性，而且往往只在日常生活中伴随使用者的某种特殊活动发生，而在医院的静态环境下很少发生，因此急需一种可长时间记录生理特征，并同时记录使用者日常活动的医疗设备。Holter作为一种动态心电图记录系统，记录使用者24-48小时内连续的心电图信号，并通过使用者手工记录的方式记录使用者的活动信息。医生可以通过回放和分析软件查看使用者的心脏异常事件以诊断使用者潜在的心脏疾病。

人体的各个器官是相互影响的，心脏的活动是一个不断与与自主神经系统(Autonomic Nervous System ANS)控制和人体运动系统动态交互过程，心电图信号与被测者的活动类型、活动强度、以及心情高度相关。很多心脏异常事件往往发生在使用者活动类型转变或活动强度增强的情景下，而传统的Holter只是记录单一的心电图信号，并要求使用者记录当天的活动内容。使用者的活动记录难以与心电图配准，使用者记录往往带有主观和模糊因素，更坏的情况是有的甚至不能记录，或忘记记录。这样，在很多情景下，医生无法确定使用者发生心律失常事件的具体情景，从而无法给出准确的诊断。另一方面，运动信息本身也是人体一种重要的健康指标。增加了运动信息的检测、分类和度量，无疑将为医生的诊断提供更有用的信息。例如，运动异常，明显缺乏运动，各种运动状态下的心电图变化，等。

为了在人们的日常生活中记录心电图以及相关的活动及心情，有不少相应的工作和发明。例如：美国公布的发明20090299207是一种获取人们心电图的微型系统。美国专利5036856则是一种检测心电图、活动心情的设备。活动和心情信号的记录可以与Holter的心电图信号记录分别进行，然后把这三种信号相关，或这三种信号的记录同时存在于一个设备中。中国公布的发明“具有人体运动状态及姿态检测功能的动态心电图仪”，申请号200910232292.0完全与美国专利5036856类似，也提出了检测运动和姿态信号。

上述专利或公布的发明，仅仅提出了检测和记录心电图的同时，检测活动和心情信号，它们提出了记录这些信号的电路和记录设备的大体的结构，并没有提出检测这些信号的传感器在人体上的放置位置，也没有提出如何对这些信号进行处理和分析的方法，更没有提出如何相关、融合和分析这些信号的方法。也就是说，由于心脏的活动是通过与自主神经系统、运动系统交互交互完成的，要研究和诊断心脏的状态和疾病，人们必须同时记录和分析心脏、运动和心情。要达到这一目标，有四个重要工作：1)用什么传感器、放置在身体的哪个部位；2)记录设备的组成；3)心电图、运动和心情信号的处理和分析。这里，不同的传感器设置将要求不同的分析方法。4)多种传感器数据和信息的融合和分析方法。这是把这一医疗设备走向应用的关键。以上这些发明和专利，仅仅涉及了上述4点中的第2点，没有涉及更为重要的其它3点。

中国专利200710119869.8“一种身体体征动态监测系统”，全面地涉及了上述4个重要方面，提出了实时监测人体心电图和其它生理信息的同时，监测当时“情景”的理念。并定义了“情景”的三个方面，即运动、环境和心理，提出了有情景多传感器信息融合的基本方法，以及从监测设备到提供医疗服务的服务器系统框架。但该专利并没有具体涉及本发明所涉及的具体内容，即：传感器设置和穿戴方法、运动分类和分析，以及和以运动为条件的心电图分析方法和系统软件。

发明内容

本发明提出的动态心电和运动记录与分析系统包括心电图和运动传感器单元，数据获取、存储和传输单元，还包括分析和软件单元；其中所述心电图和运动传感器单元(100)包括心电图传感器电极(101)和运动传感器(102)。

进一步，所述心电图和运动传感器单元的心电图传感器电极可以为金质、银质、贴片、导电布；所述心电图和运动传感器单元的运动传感器可以是加速度计、陀螺仪、磁力计、计步器、肌电传感器。

作为本发明的一个显著特征，所述运动传感器与心电图传感器电极可以封装在一起，也可以单独使用；运动传感器放置位置可以在躯干和两个大腿、两个小腿上；心电图传感器电极可按常规心电图电极位置放置，也可根据需要放在其它位置。

所述数据获取、存储和传输单元包括信号放大器、模数转换器、时钟、微处理器、存储装置和数据传输模块。所述分析方法和软件单元包括心电自动分析模块、运动分类和强度分析模块、活动情景下综合分析模块，以及评估和报告模块。

上述动态心电和运动记录与分析系统所使用的一种分析方法，包括心电信号分析、运动状态分析和运动情景的心电综合分析三部分。

所述心电信号分析包括以下步骤：

(1).对心电图信号进行去噪声和去基线漂移处理，然后进行QRS波形结构的检测，获得心率信号；

(2).基于QRS波结构，进一步检测ST段、p波、T波等典型心电图子波，对心电图波形的形态进行分析，从而检测到早搏、ST段上抬和下移等异常波形。

所述运动状态分析包含对运动类型间时间相关的分类和运动速度的估计，包括以下步骤：

(1).首先使用FIR低通滤波器将从三维加速计数据中分离重力加速度和被测者活动加速度；

(2).用三种特征分别描述被测者活动强度，身体姿态和过渡活动，这些特征分别为信号幅度面积，加速计轴与重力方向的夹角和累积变化量；

(3).构建活动类型时间相关性模型，表现为类型间转移图，对人体躺、起身、坐、躺下、起立、站、坐下、走、跑9种最为常见的活动采用状态转变结构，并通过概率决策模型来进行活动分类决策。

分析方法和软件单元进一步提出了两个以运动为条件的心电分析方法：一是考虑了运动的心率变异性分析。这种新型的心率变异性度量，可以直接应用于一些疾病，如心肌缺血等的预测。另一个是运动情景下心率和心电图形态变化监测方法。使用它，我们可以提高有氧运动的效率，警示运动中可能导致猝死的心律失常的出现。这种“动态心电和运动记录与分析系统”提供了全新的日常情景下心电监测和状态分析方法，将分析结果自动提供给医生，家人或使用者本人，使得医生能够进行更为准确的进行诊断，使用者能够及时了解自己的身体状况。同时，动态心电和运动记录与分析系统体积小，重量轻，能够满足长时间记录过程中佩带舒适的要求。

动态心电和运动记录与分析系统还包括运行于计算装置的分析方法和软件单元。该软件用于录入使用者个人信息，读取和回放记录装置的心电图信号，分析使用者心电图信号的基本参数和异常事件，并自动检测某个特殊时间点对应的用户运动类型和强度，检测运动异常，如摔倒，以及异常时的心电图信号反映，计算各种运动强度下的心电图参数以及它们随运动强度的变化。该软件还提供用户操作接口，供医生查看、修改、更正检测结果，同时显示和打印最终检测报告。

根据本发明该方面的一个实施例，新一代动态心电记录与分析系统中的分析方法和软件单元通过USB通信口读取数据获取、存储和传输单元的信号，也可以通过无线通信，实时从数据获取、存储和传输单元中取得信号，对检测到的心电图和运动数据进行实时分析，实现用户心脏系统的实时监测、分析、预警和建议。

与现有技术相比，本发明的有益效果是本发明在传感器设置和穿戴方法、运动分类和分析，以及以运动为条件的心电图分析方法上等发明实现了创新，由此产生了“动态心电和运动记录与分析系统”或称“新一代Holter”。具体来说有以下几点：

(1).传感器设置和穿戴方式灵活，运动传感器与心电图传感器电极可以封装在一起，也可以单独使用，心电图传感器电极可按常规心电图电极位置放置也可按需要放置。

(2).考虑了人体运动前后关联的特性，对人体躺、起身、坐、躺下、起立、站、坐下、走、跑9种最为常见的活动进行高精度的运动分类。

(3).增加考虑了运动情景下的心率变异性分析，及相应的度量，可以直接应用于诊断。

(4)提出了一种运动情景下心率和心电图形态变化分析方法，可用于有氧运动的监测、优化和异常状态预警。

附图说明

图1是本发明的逻辑方框图。其中，100为心电图和运动传感器单元，200为数据获取、存储和传输单元，300为分析方法和软件单元，301为300中的心电图自动分析模块，302为运动分类和运动强度估计模块，303为基于运动情景的综合分析模块。

图2是本发明的一个实施例中的心电电极的佩戴位置图。其中101为心电电极，102为加速度传感器等运动传感器，210为带子。

图3是本发明的另一个实施例中的心电电极的佩戴位置图。其中101为心电电极，102为加速度传感器等运动传感器，210为带子。

图4是为运动分类处理流程图。

图5是人体9种最为常见的活动(躺，起身，坐，躺下，起立，站，坐下，走，跑)的状态转变拓扑结构。

图6是对图1的方框图进一步细化后的系统组成框图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的说明。

图2示出了用于在日常生活中记录动态心电图信号与运动信号的分析系统的佩带图。动态心电图记录装置包括两个以上的诸如电极101之类连接到人体体表的心电图电极传感器、附属在至少一个心电电极101上的运动传感器102，数据获取、存储和传输单元200以及一条方便长时间穿戴的佩带210。这里，三个心电图电极分别安放在如图中的胸部位置，以测量常规心电图的V1和V4导联。其中右肩胛位置是参考点。心电图电极使用常规的电极片，并贴到相应的位置。人体姿态和运动往往表现在躯干的方位和运动上。因此，我们把运动传感器附着在V1电极上，可以测量躯干的方位和运动。为了小型、重量轻、宜穿戴，将运动传感器与心电电极一起封装，以便方便和牢固地贴到胸前。这样，数据获取、存储和传输单元200用带子210挂在胸前，也可以别在腰间。

图3示出用于在日常生活中记录动态心电图信号和运动信号的另一种结构和佩戴图。图中以V1和V5两个导联为例，心电电极分别附着在胸前的V1和V5位置，以及右肩胛参考点位置。这里，运动传感器直接放置在数据获取、存储和传输单元200之中。为了使运动传感器能测量躯干的方位和运动，把获取、存储和传输单元200以一条方便长时间穿戴的佩带210束在胸前。

图2和图3中所示的结构示出了V1和V5两个导联情况。按照常规心电图电极位置的结构或其它合理的结构，我们完全可以根据需要，方便地实现1到12个导联的结构。

图2和图3分别示出了把运动传感器与心电图电极一起贴在胸前，和将运动传感器放入数据获取、存储和传输单元200之中束在胸前的两种结构和方法，来采集人体躯干的方位和运动，从而推导人体运动类型和运动强度。运动传感器也可以放置于躯干的其它部位，或放置于头上。也可以同时放置多组运动传感器于身体的不同的部位，共同推导出人体运动类型和强度。为了推导人体运动，运动传感器的放置有如下几种形式：

1)单组运动传感器，放置于躯干或头上。若置于躯干，使用测量出的方位，则可推导出人体的各种姿态，如坐、躺、走、跑、摔等。使用运动传感器的动态变化水平，可以推导出人体运动的某些参数，如运动强度，步行与跑步的步频。

2)多组运动传感器分别放置在躯干、两个大腿上，或在躯干和两个大腿、两个小腿、和两个脚上放置运动传感器。从测量到的运动信息，推导出人体各种姿态和步态。由于信息比较齐全，推导出的姿态种类比较多，也比较精确。

3)进行上述运动分类和运动强度估计所用的运动传感器102可以使用单一种类的加速计或陀螺仪，也可以同时使用加速计和陀螺仪，也可以同时使用加速计、陀螺仪和磁力计。有时候，也使用计步器、肌电传感器等等。

在本发明的一个实施例中，运动传感器102是一个微机电(MEMS)的小型集成加速计。它在图2中与1个电极一起贴在胸前，在图3中放在数据获取、存储和传输单元200之中佩戴在胸前。该传感器能够同时感应人体运动产生的加速度和地球重力加速度，并将感应的信号转换为电信号传输至模数转换器以转换成数字数据供分析软件读取和检测使用者的运动类型和活动水平。

图2中的数据获取、存储和传输单元200挂在使用者胸部，，数据获取、存储和传输单元200也可以根据实际需要佩带在人体的其他部位。

在本发明的实际应用中可以采用多种心电图信号采集电极传感器，如金质、银质、贴片、导电布、等，通过多种方式与人体连接。连接的位置按照心电图测量标准，记录1到12导联的心电图参数。

一种动态心电和运动记录与分析系统的方框图示于图6。其中心电图和运动传感器单元100中的心电电极传感器101和运动信号传感器102分别将心电信号和运动信号转换为模拟电信号，输入数据获取、存储和传输单元200中。经信号放大器201的去噪和放大后，被模数转换器202转换成数字数据输入到微处理器204。微处理器204将数字数据存储到存储装置205中。时钟203用于提供存储时间和产生数据采样时间间隔。输入数据获取、存储和传输单元200的供电由电池或其他便携电源提供。

有的情况下，运动传感器102的输出已经是数字信号。在这样的情况下，运动传感器102的数字信号可以直接输入到微处理器204中。

输入数据获取、存储和传输单元200的数据传输206有两种形式：一种是诸如USB等标准有线数据接口。当与主计算机的主USB口连接时，存储装置205中的数据被读入心电图和运动分析方法和软件单元300中。另一种形式是无线通信，如蓝牙。微处理器204将数字数据存储到存储装置205中的同时，也将数据打上时间标记，送往无线传输模块206，并由无线传输模块送往心电图和运动分析方法和软件单元300，进行实时分析和处理。

心电图和运动分析方法和软件单元300存在于主计算机中，如通常的动态心电图机的主机。此时，心电图和运动分析方法和软件单元300通过USB标准接口读入24-48小时记录的所有数据，进行批处理和分析，产生检测报告。

心电图和运动分析方法和软件单元300也可以通过无线传输方式，自数据获取、存储和传输单元200不断获得数据，进行实时处理和分析。检测可能的异常，向本人、家属、或医生报警。

心电图和运动分析方法和软件单元300包括心电图自动分析模块301，运动分类和度量模块302，综合分析模块303，评估和报告模块304。

心电图自动分析模块301首先对心电图信号进行去噪声和去基线漂移处理。其后进行QRS波形结构的检测。由此，获得了心率。基于QRS波结构，进一步检测ST段、p波、T波等典型心电图子波，对心电图波形的形态进行分析。从而检测到早搏、ST段上抬和下移等异常波形。

运动分类和强度模块302获得运动传感器数据后，从运动数据中提取方位、强度、和变化特征度量，并经过分类器作运动分类。运动强度表现为运动传感器数据的波动。波动的程度和频率即为运动强度的度量。

心电图和运动信息的综合分析模块303，以运动类型和强度为条件，对心电图参数进行各种分析。这包括：静态和各种运动强度下的心率变异性，心率变异性随运动强度和时间的变化；心率和心电图形态随运动的变化的监测，特别是ST段随运动强度的上抬或下移量的监测，对运动猝死的预防具有重要意义。

评估和报告模块304根据应用要求，对多方面的指标和场景进行评估。例如，当发现摔到时，能否自己起来，有无伴随心电图异常，等，都是综合评估的重点。又例如，将心率变异性(HRV)在几个月甚至几年的时间区间的变化进行评估。如果心率变异性突然变小，可能预示某种疾病。按照动态心电图诊断要求，生成报告。报告内容包括：心电图和运动的主要参数，典型的波形和参数，异常波形检测结果和典型的异常数据，心率变异性，心电图参数随运动强度的变化曲线和统计数据，等。

根据本发明的一个方面，一个示范性实施例为用于记录和分析使用者心电图和运动情景的方法和系统。该系统记录使用者的1到12个导联的心电图信号，也可以记录血氧饱和度、呼吸、血压、等生理参数。

根据本发明该方面的一个实施例，动态心电图记录与分析系统包括响应用户身体运动类型和强度的传感器，例如加速计、陀螺仪等惯性感应装置，或感应肌肉活动电信号的传感器。

本发明同时提出了一种心电图自动分析方法，该方法包括了心电图中的噪声去除，QRS波定位，R-R间期和心率计算和室性早搏的自动检测。

由于动态心电图伴随着被测者的日常活动，而日常活动在一定程度上会给心电图带来干扰，为了准确分析被测者心电图，本发明在自动检测心电图之前，对被测者的心电图信号进行了噪声去除处理。噪声去除处理采用了心电图自动处理领域广泛使用的离散小波变换方法。离散小波变换将不需要的基线漂移和高频率噪声移除后，可以使得心电信号的分析更为准确可靠。

考虑到心电信号的多样性和动态变化性，本发明中的QRS波定位方法采用了自适应门限检测方法，对长时间记录的被测者心电图数据分成小的时间段依次处理。该方法不依赖于被测者自身的心电图特征而能够准确定位其QRS波位置。同时，在噪声去除后的心电图信号做了进一步处理，以抑制心电图复波中幅值较大的P波和T波，并凸显QRS波中的R波，进一步提高检测的正确率。自适应门限的门限定义如(1)式所示。

PS＝TP_PN×RPeakValue+TP_PS×PS

PN＝FP_ PN×noisePeakValue+FP_PN×PN

Th＝PN+λ(PS-PN)         (1)

其中，PS为QRS波的R波峰值更新量，PN为其他杂波峰值更新量；TP_PN，TP_PS，FP_PN，FP_PN和λ均为常数；RPeakValue为当前检测得到的R波峰值，noisePeakValue为当前检测得到的杂波峰值；Th为判决门限值，若有新的R波峰值高于该值，则认为该峰值为当前检测心电图段的R波。

在检测得到R波位置之后，就可以根据相邻两个R波之间的时间间隔计算RR间期。得到RR间期之后，就可以按照医学上计算心率的方法得到被测者的心率，如式(2)所示，其中HR为被测者心率，单位为“次/分钟”，RRInterval为相邻两个R波之间的时间间隔，单位为“秒”。

$\mathrm{HR}=\frac{60}{\mathrm{RRInterval}}\left(\mathrm{bpm}\right)---\left(2\right)$

本发明同时提出了室性早搏自动检测方法。室性早搏作为心脏功能异常的一种表现，具有鲜明的特征，例如QRS宽度增大，R波幅值增高，RR间期缩短等。本发明提出的室性早搏自动检测方法同时采用了模板匹配和特征融合的方法，该方法经试验证明具有很高的正确率和实用价值。

首先，考虑到室性早搏形状上的相似性，方法提取了4个模板，分别对应一个周期正常的R波正向的心电波形，一个正常的R波倒立的心电波形，一个R波正向的室性早搏波形，一个R波倒立的室性早搏波形。待检测的波形与4个模板中的某一个的距离越近，表明该波形与该模板的相似度越高，其中距离的定义式如式(3)所示。

$\mathrm{dist}(\mathrm{template},\mathrm{QRSTseg})=\sqrt{\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left(\mathrm{sig}\right[i]-\mathrm{tem}[i\left]\right)}^2}---\left(3\right)$

其中sig表示一个周期的心电波形，tem表示模板波形，N为心电波形周期的时间长度。为了确保距离计算的准确度，预先已经将待检测的心电波形与模板的中心，即R波位置对齐，并做归一化处理。

考虑到室性早搏的特征，室性早搏检测方法定义了三个比值量，分别为QRS宽度比，R波幅值比和RR间期比，如式(4)-(6)所示。其中QRS宽度比定义为0.1秒与当前检测的QRS宽度比，这是因为正常的QRS宽度绝大多数在0.1秒以内，R波幅值比定义为当前R波幅值与上一个波形的R波幅值比，RR间期比为当前RR间期与上一个RR间期之比。

$\mathrm{qrsWidthRatio}=\frac{0.1s}{\mathrm{QRSInterval}}---\left(4\right)$

$\mathrm{RPeakRatio}=\frac{\mathrm{RPeakValueCurrent}}{\mathrm{RPeakValuePrevious}}---\left(5\right)$

$\mathrm{RRIntervalRatio}=\frac{\mathrm{RRIntervalCurrent}}{\mathrm{RRIntervalPrevious}}---\left(6\right)$

考虑到室性早搏的特征，可以得到，如果出现室性早搏，式(4)-(6)的值均会小于1，而如果是正常波形的话，这个值会大于1。由此在本发明中的室性早搏检测方法定义了最终判别的距离，考虑到室性早搏的特征信息，将式(4)-(6)作为计算当前周期的心电波形到室性早搏模板距离的乘性因子。这样，一旦被测者出现室性早搏，其到室性早搏模板的距离进一步减小，而如果是正常波形，则到室性模板的距离被拉大，从而增加了判决距离，提供了稳定性。最终判决的式如式(7)-(9)，其中式(7)定义了到正常模板的距离计算方法，式(8)定义了到室性早搏模板距离的计算方法，C为一个常数，式(9)则是判断当前检测的波形是否是室性早搏的依据式，如果式(8)计算的结果小于式(7)计算的结果，则表明当前波形与室性早搏的相似度高于与正常波形的相似度，因此该波形本判断为室性早搏，否则认为是正常波形。

dist2normal＝dist(NormalTemplate，TestSeg)   (7)

dist2PVC＝min(dist(PVC_rev，TestSeg)，dist(PVC_upr，TestSeg))

(8)

*qrsWidthRatio*RRIntervalRatio*RPeakRatio*C

if(dist2PVC＜dist2normal)PVC

(9)

else        Normal

在动态心血管疾病监测领域，被测者的心电图的形态、心跳节律均与被测者自身的活动具有高度相关性。典型的例子是当被测者的活动强度增大时，心跳节律会加快。为此，本发明提出了在记录被测者的心电图的同时，采集被测者的活动数据，以在分析被测者的心血管疾病时提供诊断的活动情景信息。同时，活动信息本身也与健康直接相关。本发明中提出了具有独创性的活动分类方法。

本发明提出的活动分类方法分为四个步骤，即数据采集，数据预处理，特征提取和决策分类，如图5所示。运动分类和强度模块302自数据获取、存储和传输单元200获得活动数据后，对数据做初步的滤波预处理，提取不同活动类型对应的特征数据，最后依据这些特征数据做出分类决策，判断被测者当前的活动类型。以下以本发明示范例之一采用的“放置在胸前的三轴加速计”所采用分类方法为例，对运动分类方法进行具体描述。

数据分析方法和软件单元读取到活动数据后，需要对数据做滤波预处理，以便更好地提取活动特征和做出分类决策。由于加速计同时感应重力加速度和被测者活动加速度，因此需要将二者分离。本发明中采用了一个100阶，截止频率为0.5Hz的FIR低通滤波器将重力加速度和被测者活动加速度分离，如式(10)所示。其中k代表轴的编号，取值为1-3，分别代表x，y和z轴。a_r，k为第k轴的原始数据，a_g，k为第k轴的重力加速度，a_m，k为被测者活动加速度，b为滤波器系数，N为滤波器阶数，即100。

$a_{g,k}\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{b}_i{a}_{r,k}(n-i+1)---\left(10\right)$

a_m，k(n)＝a_r，k(n)-a_g，k(n)

本发明中的活动分类方法提出了三种特征分别描述被测者活动强度，身体姿态和过渡活动。这些特征为信号幅度面积，加速度计轴与重力方向的夹角和累积变化量，其中信号幅度面积用于描述被测者活动强度，该值越大，表明被测者活动强度越大；加速度计轴与重力方向夹角表明被测者躯干与地平面的夹角，依据该特征能够判别被测者是处在躺，坐或立的哪一种姿态；累积变化量是本发明中提出来的一种用于描述被测者姿态变化时的独创性特征，能够依据该特征判别当前被测者的姿态转变类型。特征的定义如式(11)-(13)所示，其中SMA为信号幅度面积，θ_k为第k轴与重力方向的夹角，AV_k为第k轴的累积变化量。所有特征都是在窗口时间N内提取得到，N大小为1秒。

$\mathrm{SMA}\left(i\right)=\frac{1}{N}\left({\mathrm{\Σ}}_{\mathrm{Ni}}^{N(i+1)-1}\right|a_{m,1}|+{\mathrm{\Σ}}_{\mathrm{Ni}}^{N(i+1)-1}|a_{m,2}|+{\mathrm{\Σ}}_{\mathrm{Ni}}^{N(i+1)-1}|a_{m,3}\left|\right)---\left(11\right)$

${\mathrm{\θ}}_k={\cos }^{-1}({\stackrel{\‾}{a}}_{g,k}/g)---\left(12\right)$

$\left\{\begin{array}{c}{\mathrm{\Δa}}_{g,k}\left(i\right)=a_{g,k}(i+1)-a_{g,k}\left(i\right)\\ \left\{\begin{array}{cc}{\mathrm{AV}}_k\left(1\right)={\mathrm{\Δa}}_{g,k}\left(i\right),m=1& i=1\\ {\mathrm{AV}}_k\left(i\right)=\underset{j=m}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\Δa}}_{g,k}\left(j\right)& \mathrm{sgn}\left[{\mathrm{\Δa}}_{g,k}\left(i\right)\right]=\mathrm{sgn}\left[{\mathrm{\Δa}}_{g,k}(i-1)\right],i>1\\ {\mathrm{AV}}_k\left(i\right)=0,m=i& \mathrm{otherwise}\end{array}\right.\end{array}\right.---\left(13\right)$

本发明中活动分类方法的另一个独创性特点在进行分类判决时是考虑到了人体运动生理学限制，即在有限的时间内，某些活动状态不能转变为另外的一些活动状态。由此，在对人体9种最为常见的活动(躺，起身，坐，躺下，起立，站，坐下，走，跑)进行分类时，采用了如图6的状态转变拓扑结构，该拓扑结构表明了依据运动生理学限制，在1秒的窗口时间内的状态转变方式。依据该拓扑结构，本发明的活动分类方法提出了采用医学上广泛使用的概率决策模型来进行分类决策。

首先，依据活动状态转变拓扑结构，提出了采用状态转移概率描述状态相互转变的可能性。同时由状态转变拓扑结构，决定当前状态的因素有2个，分别是当前的特征和之前的活动类型，而影响当前活动状态的之前的活动类型则主要是由时间上邻近的活动状态，即时间邻近的动态状态(走，跑)，静态姿势(躺，坐，站)和过渡活动状态(起身，躺下，起立，坐下)。由此，得出当前状态的计算概率方法，如式(14)所示。

$P(S_c=i)=P(S_c=i|S_p^d,S_p^s,S_p^t,O)---\left(14\right)$

其中，S_c为当前活动状态，

为邻近的动态状态，

为邻近的静态姿势，为邻近的过渡活动状态，O为当前时间窗口内提取的特征。依据式(14)，在进行分类判决时，选择所有9个状态中概率值最大的活动类型作为当前状态，如式(15)所示。

$K=\underset{1\≤i\≤9}{\arg \max }\left[P(S_c=i)\right]---\left(15\right)$

依据式(15)，就可以判决出被测者当前处理的时间窗口内的活动状态。

心率变异性(Heart Rate Variation，HRV)是一种生理现象，指心跳的时间间隔随时间的变化，用于评估自主神经系统的功能，并进一步评估心源性致死因素。心率变异性降低对心梗、高血压、心律失常、糖尿病都有指示作用。心率变异性分析主要描述多个“心跳到心跳的时间间隔”构成的序列。在进行HRV分析之前，首先对心电图进行QRS波检测，定位每个心跳的R波位置，并剔除异常波，得到“正常R波到正常R波(Normal-to-Normal，NN)时间间隔”的序列。对该序列进行HRV分析的方法包括时域分析方法，频域分析方法以及非线性方法。时域分析方法使用统计和几何方法计算NN序列的以下指标

1)SDNN，NN序列的标准偏差，在24小时序列分析中使用；

2)SDANN，短时间(5分钟)的NN序列的平均值的标准偏差；

3)RMSSD，连续NN序列之间的差值序列的均方根值；

4)PNN50，NN序列中大于50的样本数占总样本数的比重。

频域方法通过分析NN序列的功率谱获得各种指标，功率谱的估计方法包括AR方法、Welch方法和FFT方法，根据功率谱获得的指标主要包括：

1)pVLF，甚低频部分(0.00～0.04Hz)的能量占功率谱能量的比重；

2)pLF，低频部分(0.04～0.15Hz)的能量占功率谱能量的比重；

3)pHF，高频部分(0.15～0.40Hz)的能量占功率谱能量的比重；

4)LF/HF，低频部分与高频部分的能量比重。

在运动情景下进行的HRV分析包括以下步骤

1)对ECG进行处理，获得QRS波位置

2)计算NN间隔序列

3)对NN间隔序列进行去基线处理

4)对NN间隔序列进行去奇异值处理

5)对运动类型和运动强度进行计算

6)根据运动类型和运动强度对NN间隔序列进行分段，不同运动类型，不同运动强度的数据归为一类

7)对NN间隔序列进行以上的时间和频域和其他HRV指标计算

8)对计算的HRV指标添加有运动状态和强度指示的参考值

在动态运动情况下，新陈代谢会增加，引起心血管系统增加对肌肉组织的供血和供氧，从而引起心脏的动态变化，反应为心率增加，ECG波形形态变化。运动中心脏动态变化分析是指根据运动类型和运动强度不同，评估ECG波形和心率的变化情况。这主要通过定义各种量化评估指标以及参考值来完成，这些指标主要包括基于运动强度的心率、ST段波形、QT长度、QRS宽度度量。这些指标反映了运动中心血管系统状态，对优化运动锻炼和训练效果、检测心律失常、预防运动猝死有重要意义。

心率动态监测方法使用以下步骤：

1)定位ECG波形的QRS波，并计算心率HR(k)，k为时刻。

2)计算运动类型和强度INTN(k)，k为时刻。

3)选择心率模型HR(k)＝f(HR(k-1)，INTN(k)，V(k)，PARA)，其中f()为模型函数，HR(k)为k时刻心率，INTN(k)为k时刻的运动强度，V(k)为噪声模型，PARA为模型的可变参数。

4)根据实验数据，对波形进行训练，获得参数集。

5)在监测过程中，每次INTN得到更新，根据模型计算HR值，并将计算得到HR值与实际观测得到的HR值进行比较，如果差异较大为异常情况。

ST段幅度，QT长度，QRS宽度动态监测使用以下方法：

1)对ECG波形进行标注，包括定位ECG波形中的P波起始和结束，Q波起始和结束，R波起始和结束，S波起始和结束，T波起始和结束。以及T波结束到P波起始或者P波结束到Q波起始的基线段。

2)根据ECG标注，计算ST波形相对基线段的电压，Q波起始到T波结束的QT段长度，Q波起始到S波结束的QRS波宽度。

3)根据2)得到的ST幅度序列，QT长度序列，QRS宽度序列，计算各序列的各种指标，包括

a)一分钟的ST序列的总和除以平均心率。

b)一分钟的QT/sqrt(RR)的总和。其中sqrt为平方根，RR为R波到R波间隔。

c)一分钟的QRS宽度序列的总和除以平均心率。

4)对以上指标进行门限比较评估，从而监测异常并评估异常严重程度。

5)上述一分钟指标可以根据实际应用需求，缩短或加长。

分析软件集成了数据读取，心电图查看、回放和自动分析，心率计算、心律失常分析、心率变异性分析、心肌缺血分析、人体运动分类与强度指示、以及结合人体运动情景信息分析心脏状态等功能。本发明的新一代动态心电记录与分析系统心电图性能与当前医用的Holter相当，且具有Holter不具备的运动情景记录和分析功能。为检测常规ECG不易发现的心律失常和心肌缺血等，为临床分析病情、确立诊断、判断疗效提供客观依据。

分析软件由如下模块组成：数据录入模块、数据处理模块、统计模块、报告管理模块、报告打印模块以及显示模块。各模块功能如下：

●数据录入模块：可从记录仪的存储单元如SD卡中读取保存的心电图和加速度数据，并按照软件定义的格式存储在计算机存储设备中。

●数据处理模块：数据处理包含心电图预处理、心律失常分析、ST段分析、心率变异性(HRV)分析以及运动状态和强度分析。各处理和分析的内容如下：·

■心电图预处理。包括对心电图的去噪处理以及R波位置检测。

■心律失常分析。对经过预处理的心电图信号心律失常分析，包括最小心率、最大心率、平均心率、室性异常检测和次数统计、二联律检测、成对室性异常统计、成串室性异常统计、室性心动过速检测、室上性心动过速检测、室上性心动过缓检测、停搏检测等。其中，用于判别心律失常的指标和门限可设置。

■ST段分析。对经过预处理的心电图信号进行S-T段检测，并根据设置的指标，判别S-T段抬高和降低。以辅助做心肌缺血分析。

■HRV分析。根据心电图预处理结果中的R波检测结果，做心率变异性分析，包括昼、夜的分析以及基于运动情景的心率变异性的分析结果。

■运动状态和强度分析。对数据读取模块读入的加速度数据进行分析，识别用户的运动状态，计算运动强度，识别运动异常(如摔倒)，并计算行走和奔跑过程中的步伐频率。

●统计模块：对数据处理模块的结果进行统计分析，软件系统中的统计内容包括：

■心率失常分小时统计：对每一个小时中的心跳次数、心律失常检测的异常次数进行统计。

■心率-运动状态对比统计：统计了各运动状态下的平均心率、室性异常及发生次数、室上性异常及发生次数、心率随运动状态的变化情况、运动状态的改变统计等。

■S-T段统计：S-T抬高或降低的次数、发生时间、高度、持续时间、期间心率等，以及S-T段高度随运动强度的变化等。

■条带统计：维护在数据处理中检测到的异常数据以及人工标注的位置及当时的信号，称之为条带，可供用户查询。

●报告管理模块：在数据库和文件系统中管理和维护用户信息、报告信息等。

●显示模块：与用户交互的界面，包括报告管理界面、数据读取和处理向导、各统计界面、信号/条带查看和编辑界面、打印管理界面等。

●打印模块：使用户可以通过打印机讲检查结果通过普通打印机打印为纸质文档，以方便存档和携带。可打印的内容有：报告基本信息、心律失常分小时统计信息、S-T段抬高/降低统计、HRV统计、运动统计以及条带。

该软件系统的使用步骤简述如下：

1)将采集完毕数据的记录仪通过USB数据线连接至计算机。

2)通过软件系统的新建报告向导从记录仪中读取并处理数据，包括：

a)选择要处理的数据文件并做心电图预处理及运动状态和强度检测；

b)设置或选择默认心律失常参数，做心律失常检测；

c)从原始心电图信号中选择S-T段分析的基准，设置或选择默认参数，做S-T段检测；

d)统计分析后，完成心电图处理，并生成报告。

3)完成后即生成一次完整的报告。在此步骤中可查看处理结果，可对处理结果进行修改和人工校准，可以选择打印报告，可填写诊断结论等。

Claims (11)

1.一种动态心电和运动记录与分析系统,其特征在于：

所述系统除包括心电图和运动传感器单元（100），数据获取、存储和传输单元（200）外，还包括分析方法和软件单元（300）, 其中所述心电图和运动传感器单元（100）包括心电图传感器电极（101）和运动传感器（102）；

所述心电图传感器（101）和运动传感器（102）在人体上的放置位置和方法，特别是将运动传感器与心电电极封装在一起的方法；

新型的动态心电图自动分析方法；

考虑了运动类型间时间相关的分类和运动速度估计方法；

考虑了运动情景的心率变异性度量，可以直接应用于如心肌缺血等疾病的监测和预警；

运动情景下心率和心电图形态变化监测方法,用于提高有氧运动的效率，警示运动中的心律失常；

具有各种分析、统计、评估、报告功能的软件单元。

2.根据权利要求1所述的动态心电和运动记录与分析系统，其特征在于:所述心电图和运动传感器单元（100）的心电图传感器电极（101）为金质、银质、贴片、导电布；所述心电图和运动传感器单元（100）的运动传感器（102）为速度计、陀螺仪、磁力计、计步器、肌电传感器。

3.根据权利要求1或2所述的动态心电和运动记录与分析系统，其特征在于：所述运动传感器（102）与心电图传感器电极（101），放置在躯干和两个大腿、两个小腿上；心电图传感器电极（101）可按常规心电图电极位置放置，也可以按需要放置在身体其他位置。

4.根据权利要求1所述的动态心电和运动记录与分析系统，其特征在于：所述数据获取、存储和传输单元（200）包括信号放大器（201）、模数转换器（202）、时钟（203）、微处理器（204）、存储装置（205）和数据传输模块（206）。

5.根据权利要求1所述的动态心电和运动记录与分析系统，其特征在于：所述分析方法和软件单元（300）包括心电自动分析模块（301）、运动分类和强度分析模块（302）、运动情景下综合分析模块（303），以及评估和报告模块（304）。

6.根据权利要求5所述的动态心电和运动记录与分析系统，其特征在于：所述心电自动分析模块（301）中的心电信号分析包括以下步骤：

(1).对心电图信号进行去噪声和去基线漂移处理，然后进行QRS波形结构的检测，获得心率信号；

(2).基于QRS波结构，进一步检测ST段、p波、T波等典型心电图子波，对心电图波形的形态进行分析，从而检测到早搏、ST段上抬和下移等异常波形。

7.根据权利要求5所述的动态心电和运动记录与分析系统，其特征在于：所述运动分类和强度分析模块（302）包含运动类型间时间相关的分类和运动速度的估计，包括以下步骤：

(1).首先使用FIR低通滤波器将从三维加速计数据中分离重力加速度和被测者活动加速度；

用三种特征分别描述被测者活动强度，身体姿态和过渡活动，这些特征分别为信号幅度面积，加速计轴与重力方向的夹角和累积变化量；

构建活动类型时间相关性模型，表现为类型间转移图，对人体躺、起身、坐、躺下、起立、站、坐下、走、跑9种最为常见的活动采用状态转变结构，并通过概率决策模型来进行活动分类决策。

8.根据权利要求5所述的动态心电和运动记录与分析系统，其特征在于：所述运动情景下综合分析模块（303）包括考虑了运动情景的新型的心率变异性度量，可以直接应用于如心肌缺血等疾病的监测和预警；在运动情景下进行心率变异性分析，包括以下步骤：

（1）对ECG进行处理，获得QRS波位置；

（2）计算（Normal to Normal）NN间隔序列；

（3）对NN间隔序列进行去基线处理；对NN间隔序列进行去奇异值处理；

（4）对运动类型和运动强度进行计算；

（5）根据运动类型和运动强度对NN间隔序列进行分段，不同运动类型，不同运动强度的数据归为一类；

（6）对NN间隔序列进行以上的时间和频域和其他HRV指标计算；

（7）对计算的HRV指标添加有运动状态和强度指示的参考值。

9.根据权利要求5所述的动态心电和运动记录与分析系统，其特征在于：所述运动情景下综合分析模块（303）还包括运动情景下心率和心电图形态变化监测方法，根据运动类型和运动强度不同和ECG波形和心率的变化情况定义各种量化评估指标以及参考值，所述指标包括基于运动强度的心率、ST段波形、QT长度、QRS宽度度量；所述指标反映了运动中心血管系统状态，对优化运动锻炼和训练效果、检测心律失常、预防运动猝死有重要意义。

10.根据权利要求1所述的一种动态心电和运动记录与分析系统，其特征在于：所述分析软件集成了数据读取，心电图查看、回放和自动分析，心率计算、心律失常分析、心率变异性分析、心肌缺血分析、人体运动分类与强度指示、以及结合人体运动情景信息分析心脏状态等功能。

11.根据权利要求1所述的一种动态心电和运动记录与分析系统，其特征在于：所述分析方法和软件单元（300）通过无线通信，实时从数据获取、存储和传输单元（200）中取得信号，对检测到的心电图和运动数据进行实时分析，实现用户心脏系统的实时监测、分析、预警和建议。

Images