CN103006210A - 基于分段线性化的窦性心率震荡趋势检测方法 - Google Patents
基于分段线性化的窦性心率震荡趋势检测方法 Download PDFInfo
- Publication number
- CN103006210A CN103006210A CN2013100098240A CN201310009824A CN103006210A CN 103006210 A CN103006210 A CN 103006210A CN 2013100098240 A CN2013100098240 A CN 2013100098240A CN 201310009824 A CN201310009824 A CN 201310009824A CN 103006210 A CN103006210 A CN 103006210A
- Authority
- CN
- China
- Prior art keywords
- interval
- hrt
- slope
- max
- trend
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于分段线性化的窦性心率震荡趋势检测方法。采用分段线性化的方法来进行分析,具体分析室早后窦性心率的变化趋势是否存在先加速后减速的过程。它包括以下步骤:(1)心电信号预处理;(2)前10秒自学习过程;(3)HRT样本采集;(4)分段趋势分析;(5)基于云模型的震荡趋势表示。本发明采用一种分段线性化的方法来检测窦性心率RR间期变化趋势,进而通过云模型用自然语言来表示震荡趋势。本发明利用MATLAB仿真工具,选择MIT-BIH心率失常数据库中信号进行验证,能正确检测出单次室性早搏后窦性心率的变化趋势;此外采用指数平滑法预测QRS波出现位置来辅助QRS波的检测,利用模板判断窦性心搏,实现简单,适合实时处理。
Description
技术领域
本发明涉及一种检测方法,具体涉及一种基于分段线性化的窦性心率震荡趋势检测方法。属生物医学信号处理技术领域。
背景技术
心率震荡现象(Heart rate turbulence,HRT)是指一次伴有代偿间歇的室性期前收缩(室早)后出现窦性心率先加速,随后窦性心率减速的现象,具有双相涨落式变化的特征。自主神经活性的评价具有重要的临床意义,HRT是自主神经对单发室性早搏后出现动脉血压波动的快速调节反应,可以评价自主神经系统的完整性和稳定性。目前在临床应用方面,已肯定HRT作为心肌梗死MI)后死亡率的预测指标,以及急性心肌梗死(AMI)危险分层的指标,HRT对其他心血管疾病的风险预测也具有较高的价值。
1.窦性心率震荡的检测手段
(1)基本检测手段:最常用的设备是动态心电图(Hoher)仪,通常连续记录24h,选择有单个室性早搏且早搏前后均为窦性节律的连续记录,根据室性期前收缩前后RR间期值的变化进行参数测量与分析。其次,监测心电图可以长时间的记录心电信号,其捕捉住到单个室性期前收缩的几率高,也可以应用。
(2)诱发性窦性心率震荡的检测:室早后HRT的测定技术的一个显著特点或曰检测的前提条件是患者必须有一定数量的室性早搏。然而并非所有的患者均有室性早搏,并且室性早搏有明显的变异性,即有室性早搏的患者在自然状态下,室早发生的数量存在70%的自然变化率。这些都使得HRT测定技术带有局限性。对没有自发性室早的患者则无法进行HRT检测,但是室早是可以被诱发的,为此人们采用了诱发性窦性心率震荡(induced heart rate turbulence)检测技术。
诱发性窦性心率震荡是用人工心脏单次心室或心房刺激测定的HRT的方法,其应用电生理的检测方法或者通过周围静脉临时插入一根电极导管到达右心房或右心室,并发放不同联律间期的心室或心房单个期前刺激,测定窦性心率对该刺激的反应。
2.窦性心率震荡的检测指标
临床应用最广泛的HRT测量指标为震荡起始(turbulence onset,TO)和震荡斜率(turbulenceslope,TS)。
(1)TO:代表室性早搏后的窦性心率出现加速现象,可用室性早搏后前2个窦性RR间期的均值减去室性早搏前的2个窦性RR间期均值,两者之差再除以后者。计算公式:
式中RR1、RR2为室性早搏后前2个窦性RR间期的值,RR-1、RR-2为室性早搏前的2个窦性RR间期的值。TO中性值为0%,TO<0%,表示室性早搏后初始窦性心率加速;TO≥0%,则表示室性早搏后初始心率减速。
(2)TS:定量分析室性早搏后是否存在窦性心率减速现象,首先测定室性早搏后前20个窦性RR间期值,依次以任意连续5个窦性心率的RR间期值计算并作出回归线,其中正向最大斜率即为TS的结果。TS的中性值为2.5ms/RRI,TS值>2.5ms/RRI,表示窦性心率加速后存在减速现象;TS值≤2.5ms/RRI,表示窦性心率不存在减速现象。
震荡斜率TS最大的5个RR间期的第1个心搏序号,就是震荡斜率起始时间(turbulencetiming,TT),意即在此点心率震荡最激烈。
目前,许多专家对HRT不同的指标、测定方法、正常参考值、应用范围及临床意义有些已达成共识,如窦性心率震荡检测在冠心病,特别是急性心肌梗死患者的长期死亡预测、危险分层中的应用得到一致的认同;有些还有争议,如测定方法、正常参考值等。
对窦性心率震荡指标检测中究竟测量多少个室早后的RR间期为佳存在不同观点,Bauer等提出以代偿间期后15个RR间期来计算。有关文献研究表明健康人TT值波动于3~9,即是说室早后的窦性心率减速现象出现在代偿间期后第3~9个窦性周期,这提示计算HRT参数时可以把代偿间期后窦性心率最小数目标准从20个减少到15个。
3.窦性心率震荡指标检测要求及注意事项:
检查标准尚没有明确规定,但是有价值的结果要求选用完整的心电图和合格的室性期前收缩。完整的心电图要求包括:①受检患者必须存在室性期前收缩,且须排除其他持续性心律失常例如房颤等;②引起心率变化的一定为单次室性期前收缩,排除成对室早、房早、人工伪差、T波等因素;③室早后20个心搏必须是窦性心率,而不是房性、结性或其他类型的心律紊乱。
德国的生物信号分析工作小组提倡定量计算HRT时,计算机应当滤过或者排除具有以下特征的RR间期:<300ms者;>2000ms者;与前一窦性间期相差>200ms者;与参照间期相差>20%者(参照间期指前5个窦性节律间期的平均值);合格的室性期前收缩要求联律间期提前最小量应该为正常窦性RR间期的20%,一个早搏之后的间期至少比正常窦性RR间期长20%。
4.基于小波变换的QRS波检测算法
基于小波变换的方法的原理是利用小波所具有的时频局部放大的特点,将心电信号(ECG信号)做小波分解。分解后对原信号以及各尺度变换之后的ECG信号进行时移修正,修正后发现ECG信号的能量主要集中在2,3尺度上,以3尺度上显示QRS波尤为显著,因此选取d3判定R波位置和QRS波群起始点的位置。继而采用动态自适应阈值确定QRS波位置,根据小波变换的极大值(或过零)点与信号突变点之间的关系,确定心电R波的位置,运用不应期和Lipschitz指数判断极大值数组,将伪R峰去除,最后在原信号S上一定范围内检测并修正R波峰位置。此种方法对于幅度较小的ECG信号容易漏检。
5.分段线性化的方法
分段线性化方法将复杂曲线简化表示为有限个直线段,即提取时间序列线性结构特征,以加快时间序列相似搜索的速度,有效压缩了原时间序列且较直观地反映了曲线变化趋势.方法简单而且容易实现,在时间序列挖掘领域得到了广泛应用.
(1)基于重要点的时间序列数据分段方法(PLR_SIP):这种方法采用了计算点到两端点距离的方法,找出距离最大的点作为重要点(即分段点)。如图6所示,点到两端点距离的度量方法有:欧几里德距离:AB+AC的长度,即 垂直距离:从B向AC引竖直线段,与AC交于D,BD的长度为正交距离:从B向AC作垂直线段,与AC交于E,即BE长度。重要点被定义为正交距离最大的点。可以看出这种方法很好地兼顾了全局性。
(2)基于斜率提取边缘点的时间序列分段线性表示方法(SEEP):在局部范围内,若某点两端的时间序列呈现不同的变化趋势,则该点是边缘点。做一条经过时间序列中的某一点x(i),并且平行于x轴的水平轴,根据x(i)的左右两个邻点位于该水平轴的同侧或异侧,SEEP采取不同的分析方法。当x(i)的左右两个邻点位于x(i)异侧时,SEEP方法就是计算x(i)与其左边邻点x(i-1)确定的线段的斜率tg1,以及x(i)与其右边邻点x(i+1)确定的线段的斜率tg2,当斜率的变化率|tg1-tg2|≥d(d为算法要求输入的阈值)时,该点即为边缘点。当x(i)的左右两个邻点位于x(i)同侧时,只要满足|tg1|≥d或|tg2|≥d就是边缘点。
6.基于云模型的形态表示
云是用语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,它把模糊性和随机性完全集合到一起,构成定性和定量相互间的映射,作为自然语言表示的基础。
正态云(the normal cloud)简称NC,是基于正态分布的云模型,它可用3个参数来描述:A(Ex,En,He)。其中期望值Ex标定了云对象在论域中的位置,即云的重心,它完全属于该概念。熵En是概念模糊度的度量,熵的大小直接决定了在论域中可被某一概念所接受的云滴的取值范围。由期望值和熵两个数字特征便可确定正态云的期望曲线方程:超熵He,也称为熵的熵,是熵En的随机性度量,它反映了正态云的离散程度。
基于云模型,语言变量可定义为由论域上的原子概念组成,即将语言变量A表示为A{A1(Ex1,En1,He1),A2(Ex2,En2,He2),…,Am(Exm,Enm,Hem)},其中A1,A2,…,Am是由云模型表示的原子概念.云模型的期望曲线从模糊集理论的观点可作为隶属函数。线性关系或直线段的重要特征为其斜率或倾斜角度,可以通过云模型将连续的斜率值或倾斜角度转换为有限的自然语言概念来表示,就能够描述直线段的形态。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种基于分段线性化的窦性心率震荡趋势检测方法。采用分段线性化的方法来进行分析,具体分析室早后窦性心率的变化趋势是否存在先加速后减速的过程。
为实现上述目的,本发明采用下述技术方案:
一种基于分段线性化的窦性心率震荡趋势检测方法,包括以下步骤:
(1)心电信号预处理:心电信号采样频率转换,去除心电信号中的基线漂移、工频基波及其谐波干扰、肌电干扰;
(2)前10秒自学习过程:建立正常心拍模板,计算此10秒数据中所有窦性心拍与心拍模板的均方误差wch(i),取wch最大值的倍为模板阈值thbeat,即确立RR间期阈值,取8个RR间期平均值的4/5作为RR间期阀值,RR_Threshold=4/5mean(RR(i)),其中,i为1~8之间的整数;
(3)HRT样本采集:采用一次离散指数平滑法公式进行窦性RR间期预测,据此预测QRS波的位置pqrs;之后在预测位置pqrs附近搜索,从而确定R峰位置,并预测下一RR间期;判断当前心搏的类型以及是否采集到符合条件的HRT样本,从而判定是否能够进行HRT检测;
(4)分段趋势分析:经过以上处理后采集到的所有样本逐点求平均,通过分段线性化来进行分段趋势分析。
所述步骤(3)具体过程如下:
31)预测RR间期:采用一次离散指数平滑法来进行RR间期预测,据此预测QRS波位置pqrs;取自学习过程内的RR间期的平均值作为预测的初始值RR1(0),对自学习过程之后的30秒数据采用一次离散指数平滑法预测R峰位置,即pqrs(i+1)=PR(i)+RR1(i+1),RR1(i+1)=RR1(i)+α(RR(i)-RR1(i)),O<α<l,
式中,α为平滑系数,PR为当前R峰位置,pqrs为预测R峰位置,RR1为RR间期预测值,RR为RR间期真实值;选取α=0.8,以适应发生室性早搏时RR间期的迅速变化;
32)依据条件判断是否提取下一10秒信号,是则提取下一10秒信号,并用bior2.2小波进行三层分解,否则直接执行步骤33);
其中,判断条件是PR(i)+RR1(i+1)>2000;
33)QRS波检测:每次在预测位置pqrs附近搜索|d3(i)|的最大值cmax,重新确定可变高度阈值
式中,|d3(i)|是小波分解第三层的绝对值,mean_max是10个R峰的幅度均值;再依据R峰对应小波分解第三层上模极大值对的过零点,确定R峰位置,进而标定QRS波;
34)预测下一RR间期;
35)HRT检测;
36)回到步骤32)。
3、根据权利要求2所述的检测方法,其特征在于,所述步骤35)具体过程如下:
351)判断当前心搏是否为期前收缩,是则直接执行步骤352),否则转去执行步骤359);
352)判断当前心搏是否为室性早搏,是则直接执行步骤353),否则转去执行步骤357);
353)判断是否满足进行HRT分析的条件,若满足则直接执行步骤354),否则转去执行步骤357);
354)将当前RR间期存入RR_hrt向量;
355)判断所储存的RR间期个数LR是否达到24,是则执行步骤356),否则退出本次循环;
356)储存当前RR_hrt向量作为一个HRT样本,计算TO、TS,然后退出本次循环;
357)判断0<LR<24,是则执行步骤358);
358)将RR向量清零,然后退出本次循环;
359)提取当前心拍,计算当前心拍与正常心拍模板的均方误差van,若van<thbeat,则
为窦性心搏,继而执行步骤3510),否则执行步骤357);
3510)判断所储存的RR间期个数LR是否达到354,否则执行步骤354)。
所述步骤(4)具体过程如下:
41)将所有HRT样本逐点求平均,得到RR间期平均值序列RR_mean,将RR_mean向量中室早后20个窦性RR间期作为一个新的序列RR_new;
42)确定初始分段点:用多项式曲线拟合的方法来表示序列,将多项式函数的极值点、起点与终点作为初始分段点;
43)寻找新分段点:计算分段内每点与分段两端点构成的三角形的面积S,取面积阈值ths为段内各点的S的平均值,即n为段内点数;对段内各点依据S排序,选取S>ths的S最大值点作为新的分段点。此过程迭代进行,直至结果一致;
44)融合相邻分段:更新分段点后将每个分段的线性回归斜率存入slope向量,如果相邻分段斜率变化率|slope(i)-slope(i+1)|≤2.5或slope(i)*slope(i+1)>0,则融合这两个分段;
45)按融合后的分段计算线性回归斜率,再回到步骤44),直到没有相邻分段需要融合;
经过以上处理得到的分段点即为目标分段点,按此分段计算得到的斜率slope(i)再转换为倾斜角度angle(i),angle(i)就是要提取的线性特征。
所述的检测方法还包括步骤(5):基于云模型的震荡趋势表示,通过云模型用自然语言来表示RR间期变化趋势,具体步骤如下:
首先将语言变量——震荡趋势{剧烈加速,中度加速,缓慢加速,平稳,缓慢减速,中度减速,剧烈减速}表示为A{A1(Ex1,En1,He1),A2(Ex2,En2,He2),…,A7(Ex7,En7,He7)},其中A1,A2,…,A7是由正态云模型表示的原子概念,Ex1,Ex2,Ex3…,Ex7取值-90,-60,-30,…,90;由A1,A2,A3组成概念集加速,A3,A4,A5组成概念集平稳,A5,A6,A7组成概念集减速,由此建立了形态概念树,随后依据angle(i)在形态概念树上选取概念集;将第i个直线段的倾斜角度angle(i)依次代入相应概念集中3个原子概念的正态云模型方程,得到angle(i)属于此概念的隶属程度,选择最大隶属程度的概念作为结果,如果对两个概念的隶属程度相同,则随机选取一概念。如此便可以将连续的倾斜角度转换为有限的自然语言概念来表示。
本发明的有益效果是,(1)本发明采用新的方法确定自适应阈值,有效检出了幅度较小的ECG信号,并减少了R峰的误检;(2)通过建立正常心拍模板,采用改进的轮廓限围检测方法判断心拍是否为窦性心搏;(3)本发明采用改进的PLR_SIP和改进的SEEP相结合的线性化方法提取窦性心律RR间期的变化趋势,进而通过云模型用自然语言来表示。传统的测量指标TO仅采用早搏后前2个窦性RR间期的值来判断室早后窦性心率是否存在加速现象,具有片面性,对以下两种情况会造成误检:室性早搏后前2个窦性RR间期的均值小于减去室性早搏前的2个窦性RR间期均值,但是室早后窦性心律初始存在减速现象;室性早搏后前2个窦性RR间期的均值大于减去室性早搏前的2个窦性RR间期均值,但是室早后窦性心律初始存在加速现象。
本发明利用MATLAB仿真工具,选择MIT-BIH心率失常数据库中信号进行验证,能正确检测出单次室性早搏后窦性心率的变化趋势,实现简单,适合实时处理。
附图说明
图1为单发室性早搏前2个窦性心搏至其后20个窦性心搏的RR间期值曲线;
图2为样本采集流程图;
图3为HRT检测流程图;
图4为波形检测的轮廓;
图5为信号的HRT样本;
图6为B到AC的各种距离;
图7为形态概念树;
图8为基于云模型的语言变量——震荡趋势。
具体实施方式
下面结合附图和实施例对本发明进行进一步的阐述,应该说明的是,下述说明仅是为了解释本发明,并不对其内容进行限定。
一种基于分段线性化的窦性心率震荡趋势检测方法,包括以下步骤:
(1)心电信号预处理:心电信号采样频率转换,去除心电信号中的基线漂移、工频基波及其谐波干扰、肌电干扰;
(2)前10秒自学习过程:建立正常心拍模板,计算此10秒数据中所有窦性心拍与心拍模板的均方误差wch(i),取wch最大值的倍为模板阈值thbeat,即确立RR间期阈值,取8个RR间期平均值的4/5作为RR间期阀值,RR_Threshold=4/5mean(RR(i)),其中,i为1~8之间的整数。
(3)HRT样本采集:采用一次离散指数平滑法公式进行窦性RR间期预测,据此预测QRS波的位置pqrs;之后在预测位置pqrs附近搜索,从而确定R峰位置,并预测下一RR间期;判断当前心搏的类型以及是否采集到符合条件的HRT样本,从而判定是否能够进行HRT检测;
(4)分段趋势分析:经过以上处理后采集到的所有样本逐点求平均,进行基于分段线性化的趋势分析。得到RR间期平均值序列RR_mean,将RR_mean向量中室早后20个窦性RR间期作为一个新的序列RR_new,进行分段趋势分析;
(5)基于云模型的震荡趋势表示:通过云模型用自然语言来表示RR间期变化趋势。
所述步骤(1)具体过程如下:
本发明根据便携式心电监护系统的统一要求,通过插值抽取将从美国麻省理工学院的MIT-BIH数据库中应用的心电信号采样频率,由360Hz统一转换到200Hz。对于心电信号中含有的基线漂移、工频基波及其谐波干扰、肌电干扰等,本发明采用bior2.2小波进行3层分解重构结合改进的阈值算法来消除。
所述步骤(2)具体过程如下:
正常心拍模板的建立:
自学习程序取每个QRS波的R峰前20点和后30点的数据作为一个正常心拍序列,然后将此10秒数据中所有窦性心拍序列的均值作为一个正常的心拍模板。将正常心拍模板作为“轮廓限围”的基准波形,有此基准波形可以构造一个波形轮廓的上限与下限,如图4所示构成波形检测的轮廓窗口。若波形落入虚线范围内,其与基准波形的均方误差值小于虚线波形与基准波形的均方误差值。由此计算此10秒数据中所有窦性心拍与心拍模板的均方误差wch(i),取wch最大值的倍为模板阈值thbeat,即
所述步骤(3)具体过程如下:
31)预测RR间期:采用一次离散指数平滑法来进行RR间期预测,据此预测QRS波位置pqrs;
本发明取自学习过程内的RR间期的平均值作为预测的初始值RR1(0)。对自学习过程之后的30秒数据采用一次离散指数平滑法预测R峰位置,即pqrs(i+1)=PR(i)+RR1(i+1),RR1(i+1)=RR1(i)+α(RR(i)-RR1(i)),O<α<l,式中的α为平滑系数,PR为当前R峰位置,pqrs为预测R峰位置,RR1为RR间期预测值,RR为RR间期真实值。当α在0.6~0.8间选值时,预测模型灵敏度高。本发明选取α=0.8,以适应发生室性早搏时RR间期的迅速变化。
32)依据条件判断是否提取下一10秒信号,是则提取下一10秒信号,并用bior2.2小波进行三层分解,否则直接执行步骤33);
判断条件是PR(i)+RR1(i+1)>2000且无漏检,若满足条件则提取下一段10秒数据。
33)QRS波检测:每次在预测位置pqrs附近搜索|d3(i)|的最大值cmax,重新确定可变高度阈值 |d3(i)|是小波分解第三层的绝对值,mean_max是10个R峰的幅度均值;重新搜索此段数据,当检测到大于thqrs的点时,便可得到QRS波群的位置Pqrs(i),再依据R峰对应小波分解第三层上模极大值对的过零点,确定R峰位置PR,进而标定QRS波;计算RR间期,RR(i)=PR(i)-PR(i-1)。
确定第i个QRS波起点Sqrs(i)和终点Eqrs(i)后,计算其宽度Dqrs(i)=Eqrs(i)-Sqrs(i)。
34)预测下一RR间期;
35)HRT检测:
36)回到步骤32)。
所述步骤35)具体过程如下:
对检测到的每一QRS波首先判断其是否为期前收缩,条件为RR(i)<RR_Threshold,如果条件成立,进而判断其是否是室性波,如果李氏指数Liqrs和波群宽度Dqrs满足或者Liqrs(i)=0 and Dqrs(i)≥120ms,则为室性波,即当前心博为室性早搏,否则为其他类型期前收缩;若非期前收缩,则提取出当前心拍的值vc_val(j,i),计算其与正常心拍normal_beat的均方误差van,若van<thbeat,则为窦性心搏。
若检测到室性早搏并且之前三个心搏均为窦性心搏,则将联律间期和之前两个窦性间期存入RR_hrt向量。若之后出现非窦性心搏,则RR_hrt清零,否则继续将RR间期存入RR_hrt,直到所存储的RR间期个数LR=24,随即开始计算TO、TS参数。
所述步骤(4)具体过程如下:
41)将所有HRT样本逐点求平均,得到RR间期平均值序列RR_mean,将RR_mean向量中室早后20个窦性RR间期作为一个新的序列RR_new;
42)确定初始分段点:用多项式曲线拟合的方法来表示序列,将多项式函数的极值点、起点与终点作为初始分段点;起始点、终点、极大值点、极小值点均可作为分段点。通过四次多项式曲线拟合的方法序列可近似表示为fx=p1 *x4+p2 *x3+p3 *x2+p4 *x+p5,其中pi为拟合得到的多项式系数,x为RR_new序列元素序号,fx为RR_new的近似值。函数fx存在斜率正负变化的驻点即为极值点。将起始点、终点、极大值点、极小值点作为初始分段点。
43)寻找新分段点:
PL_SIP方法中正交距离达到最大时,对应的三角型面积也达到最大。依据海伦公式p=(a+b+c)/2,计算分段内每点与分段两端点构成的三角形的三条边长a、b、c和面积S。取面积阈值ths为段内各点的S的平均值,即n为段内点数。对段内各点依据S排序,选取S>ths的S最大值点作为新的分段点。此过程迭代进行,直至结果一致;
44)融合相邻分段:由于室早后RR间期序列的波动可能很剧烈且频繁,本发明意在提取RR序列的总变化趋势,即隐藏在波动后的变化趋势,所以采用改进后的SEEP方法作为融合手段,并且将左右邻点的概念变为左右相邻分段点。若左右相邻分段点位于当前分段点异侧则直接融合这两个分段,位于同侧则按SEEP方法判断是否要融合。
更新分段点后将每个分段的线性回归斜率存入slope向量。如果相邻分段斜率变化率|slope(i)-slope(i+1)|≤2.5或slope(i)*slope(i+1)>0,则融合这两个分段,随后执行步骤45)。
45)按融合后的分段计算线性回归斜率,再回到步骤44),直到没有相邻分段需要融合;
经过以上处理得到的分段点即为目标分段点,按此分段计算得到的斜率slope(i)再转换为倾斜角度angle(i),angle(i)就是要提取的线性特征。
所述步骤(5)具体过程如下:
首先将语言变量——震荡趋势{剧烈加速,中度加速,缓慢加速,平稳,缓慢减速,中度减速,剧烈减速}表示为A{A1(Ex1,En1,He1),A2(Ex2,En2,He2),…,A7(Ex7,En7,He7)},其中A1,A2,…,A7是由正态云模型表示的原子概念,Ex1,Ex2,Ex3…,Ex7取值-90,-60,-30,…,90;由A1,A2,A3组成概念集加速,A3,A4,A5组成概念集平稳,A5,A6,A7组成概念集减速,由此建立了形态概念树,随后依据angle(i)在形态概念树上选取概念集;将第i个直线段的倾斜角度angle(i)依次代入相应概念集中3个原子概念的正态云模型方程,得到angle(i)属于此概念的隶属程度,选择最大隶属程度的概念作为结果,如果对两个概念的隶属程度相同,则随机选取一概念。如此便可以将连续的倾斜角度转换为有限的自然语言概念来表示。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于分段线性化的窦性心率震荡趋势检测方法,其特征在于,包括以下步骤:
(1)心电信号预处理:心电信号采样频率转换,去除心电信号中的基线漂移、工频基波及其谐波干扰、肌电干扰;
(2)前10秒自学习过程:建立正常心拍模板,计算此10秒数据中所有窦性心拍与心拍模板的均方误差wch(i),取wch最大值的倍为模板阈值thbeat,即确立RR间期阈值,取8个RR间期平均值的4/5作为RR间期阀值,RR_Threshold=4/5mean(RR(i)),其中,i为1~8之间的整数;
(3)HRT样本采集:采用一次离散指数平滑法公式进行窦性RR间期预测,据此预测QRS波的位置pqrs;之后在预测位置pqrs附近搜索,从而确定R峰位置,并预测下一RR间期;判断当前心搏的类型以及是否采集到符合条件的HRT样本,从而判定是否能够进行HRT检测;
(4)分段趋势分析:经过以上处理后采集到的所有样本逐点求平均,通过分段线性化来进行分段趋势分析。
2.根据权利要求1所述的检测方法,其特征在于,所述步骤(3)具体过程如下:
31)预测RR间期:采用一次离散指数平滑法来进行RR间期预测,据此预测QRS波位置pqrs;取自学习过程内的RR间期的平均值作为预测的初始值RR1(0),对自学习过程之后的30秒数据采用一次离散指数平滑法预测R峰位置,即pqrs(i+1)=PR(i)+RR1(i+1),RR1(i+1)=RR1(i)+α(RR(i)-RR1(i)),O<α<l,
式中,α为平滑系数,PR为当前R峰位置,pqrs为预测R峰位置,RR1为RR间期预测值,RR为RR间期真实值;选取α=0.8,以适应发生室性早搏时RR间期的迅速变化;
32)依据条件判断是否提取下一10秒信号,是则提取下一10秒信号,并用bior2.2小波进行三层分解,否则直接执行步骤33);
其中,判断条件是PR(i)+RR1(i+1)>2000;
33)QRS波检测:每次在预测位置pqrs附近搜索|d3(i)|的最大值cmax,重新确定可变高度阈值
式中,|d3(i)|是小波分解第三层的绝对值,mean_max是10个R峰的幅度均值;再依据R峰对应小波分解第三层上模极大值对的过零点,确定R峰位置,进而标定QRS波;
34)预测下一RR间期;
35)HRT检测;
36)回到步骤32)。
3.根据权利要求2所述的检测方法,其特征在于,所述步骤35)具体过程如下:
351)判断当前心搏是否为期前收缩,是则直接执行步骤352),否则转去执行步骤359);
352)判断当前心搏是否为室性早搏,是则直接执行步骤353),否则转去执行步骤357);
353)判断是否满足进行HRT分析的条件,若满足则直接执行步骤354),否则转去执行步骤357);
354)将当前RR间期存入RR_hrt向量;
355)判断所储存的RR间期个数LR是否达到24,是则执行步骤356),否则退出本次循环;
356)储存当前RR_hrt向量作为一个HRT样本,计算TO、TS,然后退出本次循环;
357)判断0<LR<24,是则执行步骤358);
358)将RR向量清零,然后退出本次循环;
359)提取当前心拍,计算当前心拍与正常心拍模板的均方误差van,若van<thbeat,则为窦性心搏,继而执行步骤3510),否则执行步骤357);
3510)判断所储存的RR间期个数LR是否达到354,否则执行步骤354)。
4.根据权利要求1所述的检测方法,其特征在于,所述步骤(4)具体过程如下:
41)将所有HRT样本逐点求平均,得到RR间期平均值序列RR_mean,将RR_mean向量中室早后20个窦性RR间期作为一个新的序列RR_new;
42)确定初始分段点:用多项式曲线拟合的方法来表示序列,将多项式函数的极值点、起点与终点作为初始分段点;
43)寻找新分段点:计算分段内每点与分段两端点构成的三角形的面积S,取面积阈值ths为段内各点的S的平均值,即n为段内点数;对段内各点依据S排序,选取S>ths的S最大值点作为新的分段点。此过程迭代进行,直至结果一致;
44)融合相邻分段:更新分段点后将每个分段的线性回归斜率存入slope向量,如果相邻分段斜率变化率|slope(i)-slope(i+1)|≤2.5或slope(i)*slope(i+1)>0,则融合这两个分段;
45)按融合后的分段计算线性回归斜率,再回到步骤44),直到没有相邻分段需要融合;
经过以上处理得到的分段点即为目标分段点,按此分段计算得到的斜率slope(i)再转换为倾斜角度angle(i),angle(i)就是要提取的线性特征。
5.根据权利要求4所述的检测方法,还包括步骤(5):基于云模型的震荡趋势表示,通过云模型用自然语言来表示RR间期变化趋势,具体步骤如下:
首先将语言变量——震荡趋势{剧烈加速,中度加速,缓慢加速,平稳,缓慢减速,中度减速,剧烈减速}表示为A{A1(Ex1,En1,He1),A2(Ex2,En2,He2),…,A7(Ex7,En7,He7)},其中A1,A2,…,A7是由正态云模型表示的原子概念,Ex1,Ex2,Ex3…,Ex7取值-90,-60,-30,…,90;由A1,A2,A3组成概念集加速,A3,A4,A5组成概念集平稳,A5,A6,A7组成概念集减速,由此建立了形态概念树,随后依据angle(i)在形态概念树上选取概念集;将第i个直线段的倾斜角度angle(i)依次代入相应概念集中3个原子概念的正态云模型方程,得到angle(i)属于此概念的隶属程度,选择最大隶属程度的概念作为结果,如果对两个概念的隶属程度相同,则随机选取一概念,如此便可以将连续的倾斜角度转换为有限的自然语言概念来表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009824.0A CN103006210B (zh) | 2013-01-11 | 2013-01-11 | 基于分段线性化的窦性心率震荡趋势检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009824.0A CN103006210B (zh) | 2013-01-11 | 2013-01-11 | 基于分段线性化的窦性心率震荡趋势检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103006210A true CN103006210A (zh) | 2013-04-03 |
CN103006210B CN103006210B (zh) | 2014-10-15 |
Family
ID=47955707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310009824.0A Expired - Fee Related CN103006210B (zh) | 2013-01-11 | 2013-01-11 | 基于分段线性化的窦性心率震荡趋势检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103006210B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103271737A (zh) * | 2013-05-23 | 2013-09-04 | 山东师范大学 | 基于云模型和散点图的窦性心率震荡趋势提取方法 |
CN103961089A (zh) * | 2014-05-27 | 2014-08-06 | 山东师范大学 | 基于分段直线拟合的窦性心率震荡趋势检测方法 |
CN105662403A (zh) * | 2014-12-08 | 2016-06-15 | 日本光电工业株式会社 | 心电图分析装置 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN107374616A (zh) * | 2017-08-22 | 2017-11-24 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN107993275A (zh) * | 2016-10-26 | 2018-05-04 | 佳能株式会社 | 用于动画的缓动曲线的动态采样的方法和系统 |
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 |
CN109171711A (zh) * | 2018-11-14 | 2019-01-11 | 中国计量大学 | 一种基于极值法的快速p波检测方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN111317463A (zh) * | 2018-12-13 | 2020-06-23 | 深圳市理邦精密仪器股份有限公司 | 心搏的插入方法、心搏自动插入装置及存储介质 |
CN111597225A (zh) * | 2020-04-21 | 2020-08-28 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111783851A (zh) * | 2020-06-16 | 2020-10-16 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1110121A (zh) * | 1994-04-14 | 1995-10-18 | 王湘生 | 佩带式超小型心脏保护系统及方法 |
JP2006150065A (ja) * | 2004-11-26 | 2006-06-15 | Medicore Co Ltd | 自律神経検査装置 |
CN101773392A (zh) * | 2010-02-06 | 2010-07-14 | 珠海康心电子科技有限公司 | 动态心电数据自适应高效存储方法 |
US20110082378A1 (en) * | 2009-10-06 | 2011-04-07 | Medtronic, Inc. | Cardiac risk stratification |
CN102379692A (zh) * | 2011-09-02 | 2012-03-21 | 东莞中山大学研究院 | 一种面向区端网络的远程心电监护系统及方法 |
-
2013
- 2013-01-11 CN CN201310009824.0A patent/CN103006210B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1110121A (zh) * | 1994-04-14 | 1995-10-18 | 王湘生 | 佩带式超小型心脏保护系统及方法 |
JP2006150065A (ja) * | 2004-11-26 | 2006-06-15 | Medicore Co Ltd | 自律神経検査装置 |
US20110082378A1 (en) * | 2009-10-06 | 2011-04-07 | Medtronic, Inc. | Cardiac risk stratification |
CN101773392A (zh) * | 2010-02-06 | 2010-07-14 | 珠海康心电子科技有限公司 | 动态心电数据自适应高效存储方法 |
CN102379692A (zh) * | 2011-09-02 | 2012-03-21 | 东莞中山大学研究院 | 一种面向区端网络的远程心电监护系统及方法 |
Non-Patent Citations (2)
Title |
---|
李华楠: "基于小波分析的心律失常诊断方法研究", 《中国优秀硕士学位论文全文数据库》 * |
李群等: "窦性心律与心室纤颤信号分类的研究", 《航天医学与医学工程》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103271737A (zh) * | 2013-05-23 | 2013-09-04 | 山东师范大学 | 基于云模型和散点图的窦性心率震荡趋势提取方法 |
CN103961089A (zh) * | 2014-05-27 | 2014-08-06 | 山东师范大学 | 基于分段直线拟合的窦性心率震荡趋势检测方法 |
CN103961089B (zh) * | 2014-05-27 | 2015-11-18 | 山东师范大学 | 基于分段直线拟合的窦性心率震荡趋势检测方法 |
CN105662403B (zh) * | 2014-12-08 | 2019-08-23 | 日本光电工业株式会社 | 心电图分析装置 |
CN105662403A (zh) * | 2014-12-08 | 2016-06-15 | 日本光电工业株式会社 | 心电图分析装置 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN107993275A (zh) * | 2016-10-26 | 2018-05-04 | 佳能株式会社 | 用于动画的缓动曲线的动态采样的方法和系统 |
CN107993275B (zh) * | 2016-10-26 | 2021-11-12 | 佳能株式会社 | 用于动画的缓动曲线的动态采样的方法和系统 |
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 |
CN108652613B (zh) * | 2017-03-30 | 2020-11-03 | 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 |
CN107374616A (zh) * | 2017-08-22 | 2017-11-24 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN107374616B (zh) * | 2017-08-22 | 2021-01-26 | 京东方科技集团股份有限公司 | 一种自主神经活性的判断方法、设备和心电监测设备 |
CN109171711A (zh) * | 2018-11-14 | 2019-01-11 | 中国计量大学 | 一种基于极值法的快速p波检测方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109614576B (zh) * | 2018-12-11 | 2022-08-30 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN111317463A (zh) * | 2018-12-13 | 2020-06-23 | 深圳市理邦精密仪器股份有限公司 | 心搏的插入方法、心搏自动插入装置及存储介质 |
CN111317463B (zh) * | 2018-12-13 | 2022-12-06 | 深圳市理邦精密仪器股份有限公司 | 心搏的插入方法、心搏自动插入装置及存储介质 |
CN111597225A (zh) * | 2020-04-21 | 2020-08-28 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111597225B (zh) * | 2020-04-21 | 2023-10-27 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111783851A (zh) * | 2020-06-16 | 2020-10-16 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
CN111783851B (zh) * | 2020-06-16 | 2023-08-11 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103006210B (zh) | 2014-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103006210B (zh) | 基于分段线性化的窦性心率震荡趋势检测方法 | |
CN105286815B (zh) | 一种基于波形时域特征的脉搏波信号特征点检测方法 | |
CN103271737B (zh) | 基于云模型和散点图的窦性心率震荡趋势提取方法 | |
Xiao et al. | Sleep stages classification based on heart rate variability and random forest | |
CN101828917B (zh) | 心电信号特征提取的方法和系统 | |
CN102835954B (zh) | 一种心拍波形模板生成方法及模块 | |
Yaghouby et al. | Towards automatic detection of atrial fibrillation: A hybrid computational approach | |
CN103961089B (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
Anuradha et al. | CARDIAC ARRHYTHMIA CLASSIFICATION USING FUZZY CLASSIFIERS. | |
Kumar et al. | Investigating cardiac arrhythmia in ECG using random forest classification | |
CN101828918B (zh) | 基于波形特征匹配的心电信号r波峰检测方法 | |
CN104887220B (zh) | 一种由腹壁心电信号提取胎儿心电信号的方法及系统 | |
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
US20170095164A9 (en) | Method and system for characterizing cardiovascular systems from single channel data | |
CN101933811B (zh) | 一种血氧饱和度检测方法及系统 | |
CN107688553B (zh) | 基于小波变换和逻辑回归算法检测心电波形特征的方法 | |
Ning et al. | Automatic detection of congestive heart failure based on a hybrid deep learning algorithm in the internet of medical things | |
CN101766484A (zh) | 用于心电图识别与分类的方法和设备 | |
CN101427917B (zh) | 基于固有趋势子序列模式分解的出现新的心脏活动趋势的ecg信号获取方法 | |
US9451901B2 (en) | Method and device for evaluation of myocardial damages based on the current density variations | |
Nivethitha et al. | Comparative study of ANN and fuzzy classifier for forecasting electrical activity of heart to diagnose Covid-19 | |
CN103006206A (zh) | 一种微伏级t波交替的定量检测方法 | |
Jeong et al. | ST shape classification in ECG by constructing reference ST set | |
Jeong et al. | Optimal length of heart rate variability data and forecasting time for ventricular fibrillation prediction using machine learning | |
Li et al. | A new method of detecting the characteristic waves and their onset and end in electrocardiogram signals |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141015 Termination date: 20160111 |