CN103271737B - 基于云模型和散点图的窦性心率震荡趋势提取方法 - Google Patents
基于云模型和散点图的窦性心率震荡趋势提取方法 Download PDFInfo
- Publication number
- CN103271737B CN103271737B CN201310196467.3A CN201310196467A CN103271737B CN 103271737 B CN103271737 B CN 103271737B CN 201310196467 A CN201310196467 A CN 201310196467A CN 103271737 B CN103271737 B CN 103271737B
- Authority
- CN
- China
- Prior art keywords
- slope
- cloud
- yun
- coupling point
- heart rate
- 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.)
- Expired - Fee Related
Links
Landscapes
- Electrotherapy Devices (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于云模型和散点图的窦性心率震荡趋势提取方法,具体步骤如下:1)采集HRT样本;2)绘制RR间期的Poincare散点图,将偶联点分为两类,对应减速云和加速云,再由逆向云发生器确定两个正态云曲线方程;3)寻找两类点的临界点,逐段计算线性回归斜率,存入slope向量;4)若相邻的k个偶联点连续发生类的变化,则计算tj_mean,再将tj_mean代入两个正态云方程计算隶属度;5)将标志yun与k个偶联点之前的分段斜率和之后的分段斜率分别比较,将k个点归入前一分段或者后一分段;6)更新分段点后,逐段计算线性回归斜率,更新slope向量;7)若相邻分段斜率同号,则融合相邻分段,重复步骤6)直至无相邻分段需要融合。
Description
技术领域
本发明涉及一种窦性心率震荡趋势提取方法,具体涉及一种基于云模型和散点图的窦性心率震荡趋势提取方法。属于生物医学信号处理技术领域。
背景技术
1.窦性心率震荡检测
窦性心率震荡(heart rate turbulence,HRT)是指一次伴有代偿间歇的室性期前收缩(早搏)后出现的窦性心率先加速随后心率减速的现象,是心血管疾病危险分层的重要指标之一。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。
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。
并且HRT有昼夜节律性,其测量指标正常参考值是否需要按时间段制定也存在争议。此外这项无创性监测手段仍存在一定局限,需与其他预测指标联合以提高其敏感度、特异度、预测阳性正确值。
2.分段线性化方法
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,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。
分段线性化(PLR)方法细分为两种,一种采用拟合误差的方法进行分段,另一种采用寻找重要点的方法,存储对序列走势有重要影响的点。基于残差的PLR方法不保证时间序列的每一分段内只具有一种基本趋势,只关注了局部特征,而忽略了整体特征。而基于重要点的PLR方法很符合人们的视觉印象,可以保留整个序列中重要的趋势情况,但需要准确对重要点进行定义。
发明内容
本发明的目的是为克服上述现有技术的不足,提供一种基于云模型和散点图的窦性心率震荡趋势提取方法。
为实现上述目的,本发明采用下述技术方案:
基于云模型和散点图的窦性心率震荡趋势提取方法,具体步骤如下:
1)采集HRT样本,其包括单发室性早搏前3个窦性心搏至其后21个窦性心搏的24个RR间期值;
2)以前后两个相邻的RR间期为偶联点(RRn-1,RRn),前一RR间期RRn-1作横坐标,后一RR间期RRn作纵坐标,绘制RR间期的Poincare散点图,以45°线为界,将偶联点分为两类,对应减速云和加速云,再由逆向云发生器确定两个正态云曲线方程,其中n为自然数,且1≤n≤20;
3)寻找两类点的临界点,即发生类变化的偶联点,将这些分界偶联点的纵坐标RRn对应的序号n作为序列x(n)={RRn}的初始分段点,逐段计算线性回归斜率,存入slope向量;
4)若相邻的k个偶联点连续发生类的变化,则计算这k个偶联点RRn/RRn-1的均值tj_mean,再将tj_mean代入两个正态云方程计算隶属度,即计算方程值,若加速云的方程值大于减速云的方程值,即加速云的隶属度较大,则标志yun=-1,否则yun=1,其中k为大于2的自然数;
5)将标志yun与k个偶联点之前的分段斜率slope(i-1)和之后的分段斜率slope(i+1)分别比较,若yun与slope(i-1)同号,则将k个点归入前一分段,若yun与slope(i+1)同号,则将k个点归入后一分段;
6)更新分段点后,逐段计算线性回归斜率,更新slope向量;
7)若相邻分段斜率同号,则融合相邻分段,重复步骤6)直至无相邻分段需要融合。
所述步骤1)的具体方法是:
11)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统一转换至200Hz;
12)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,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;
13)在利用bior2.2小波对ECG信号进行3层分解来检测R波,利用Lipschitz指数和QRS波群宽度Dqrs判别室性波的基础上,采集HRT样本。
所述步骤2)的具体方法是:逐点计算依据RRn/RRn-1>=1或RRn/RRn-1<1将偶联点分为两类,对应减速云和加速云;再由逆向云发生器,分别产生两类云模型的数字特征(Exs,Ens,Hes)、(Exf,Enf,Hef),即可由此确定两个正态云曲线方程,具体如下:计算均值方差四阶中心矩 期望 熵 超熵 正态云的期望曲线方程其中,N=20,曲线方程中u为变量,Ex为均值,En为熵。
所述步骤3)中,发生类变化的偶联点,即若前一偶联点(RRn,RRn-1)与后一偶联点(RRn,RRn+1)发生RRn/RRn-1>=1和RRn/RRn-1<1变化,则偶联点(RRn-1,RRn)即为分界偶联点。
所述步骤4)的具体方法是:若相邻的k个偶联点连续发生类的变化,即RRn/RRn-1>=1和RRn/RRn-1<1变化,则计算这k个偶联点RRn/RRn-1的均值再将tj_mean代入两个正态云方程计算隶属度,即计算方程值,若加速云的方程值大于减速云的方程值,即加速云的隶属度较大,则标志yun=-1,否则yun=1。
所述步骤5)的具体方法是:将标志yun与k个偶联点之前的分段斜率slope(i-1)和之后的分段斜率slope(i+1)分别相乘,若yun与slope(i-1)同号,即yun*slope(i-1)>0,则将k个点归入前一分段,若yun与slope(i+1)同号,即yun*slope(i+1)>0,则将k个点归入后一分段。
所述步骤7)的具体方法是:若相邻分段斜率同号,即满足slope(i)*slope(i+1)>0,则融合相邻分段。
所述步骤7)结束后即得到各个分段的线性回归斜率,从而指示各个分段中RR间期序列的变化趋势,进而结合TO、TS进行分析。
本发明的有益效果:
本发明分段进行趋势提取,从而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。分段线性化方法将复杂曲线简化表示为有限个直线段,即提取序列的线性结构特征,有效压缩了原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。
本发明在采集到窦性心率震荡的样本后,采用一种利用云模型的分段线性化的方法来提取RR间期序列的线性特征。本发明选择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。该算法能实现窦性心率震荡的实时检测,并且实现简单,是一种有效的辅助检测方法。
由于心率本身存在变异性,使得室性早搏后窦性心率的RR间期变化具有随机性,在某一段区域的震荡可能杂乱无章,对于其震荡趋势的判断因而具有模糊性。利用定性定量转化的不确定模型——云模型来判断分析,可以克服判断指标、阈值的绝对化和判断规则的精确化,使计算机自动识别更加接近于人的模糊逻辑思维分析的方法。不仅减少了分段数量,也有效提取了变化趋势,可以从图4上直观地看出这一处理更符合人的逻辑思维分析结果。
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HRT样本;
图3为散点图与云模型的对应关系;
图4为在MIT-BIH数据库中114信号中采集到的一个室早后的20个窦性RR间期。
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。
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。继而在利用bior2.2小波对ECG信号进行3层分解来检测R波,利用Lipschitz指数和QRS波群宽度Dqrs判别室性波的基础上,采集HRT样本。
Poincare散点图可以直观地显示出心电RR间期的动态变化过程及整体面貌,客观形象地揭示出各种心率状态下窦性RR间期波动的程度、速度、方向、节律变化的类型及心率正负调节的有关信息。本发明以前后两个相邻的RR间期为偶联点,前一RR间期RRn-1作横坐标,后一RR间期RRn作纵坐标,绘制RR间期的Poincare散点图。依据构图原理,45°角线左上三角区代表心率震荡减速区,为迷走神经相对优势区;45°角线右下三角区代表心率震荡加速区,为交感神经优势区。RR间期前后均等的偶联点沿45°线分布。RR间期震荡不剧烈的点分布于45°角线近侧;心率变异度越大,震荡越剧烈,偏离45°线越远。
本发明对从美国麻省理工学院MIT-BIH数据库的心电信号中采集到的HRT样本做后续数据处理,一个完整的HRT样本包括单发室性早搏前3个窦性心搏至其后21个窦性心搏的24个RR间期值,如图2示。将室早后20个窦性RR间期作为一个新的序列x(n)={RRn},n为自然数,且1≤n≤20,模糊分段线性化算法如下:
(1)以前后两个相邻的RR间期为偶联点(RRn-1,RRn),前一RR间期RRn-1作横坐标,后一RR间期RRn作纵坐标,绘制RR间期的Poincare散点图,以45°线为界,将偶联点分为两类,即逐点计算依据RRn/RRn-1>=1或RRn/RRn-1<1将偶联点分为两类,对应减速云和加速云,如图3所示,再由逆向云发生器,分别产生两类云模型的数字特征(Exs,Ens,Hes)、(Exf,Enf,Hef),即可由此确定两个正态云曲线方程,具体如下:计算均值 方差 四阶中心矩 期望 熵 超熵 正态云的期望曲线方程其中,N=20,曲线方程中u为变量,Ex为均值,En为熵;
(2)寻找两类点的分界,即若前一偶联点(RRn-1,RRn)与后一偶联点(RRn,RRn+1)发生RRn/RRn-1>=1和RRn/RRn-1<1变化,则偶联点(RRn-1,RRn)即为分界偶联点,将这些分界偶联点的纵坐标RRn对应的序号n作为序列x(n)={RRn}的初始分段点,逐段计算线性回归斜率,存入slope向量;
(3)若相邻的k个偶联点连续发生类的变化,即RRn/RRn-1>=1和RRn/RRn-1<1变化,则计算这k个偶联点RRn/RRn-1的均值其中,k为大于2的自然数,再将tj_mean代入两个正态云方程计算隶属度,即计算方程值,若加速云的方程值大于减速云的方程值,即加速云的隶属度较大,则标志yun=-1,否则yun=1;
(4)将标志yun与k个偶联点之前的分段斜率slope(i-1)和之后的分段斜率slope(i+1)分别相乘,若yun与slope(i-1)同号,即yun*slope(i-1)>0,则将k个点归入前一分段,若yun与slope(i+1)同号,即yun*slope(i+1)>0,则将k个点归入后一分段;
(5)更新分段点后,逐段计算线性回归斜率,更新slope向量;
(6)若相邻分段斜率同号,即满足slope(i)*slope(i+1)>0,则融合相邻分段,重复步骤(5)直至无相邻分段需要融合。
经过以上处理得到的各分段的线性回归斜率,就指示着每个分段中RR间期平均值序列的变化趋势。
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 (8)
1.基于云模型和散点图的窦性心率震荡趋势提取方法,具体步骤如下:
1)采集HRT样本,其包括单发室性早搏前3个窦性心搏至其后21个窦性心搏的24个RR间期值;
2)以前后两个相邻的RR间期为偶联点(RRn-1,RRn),前一RR间期RRn-1作横坐标,后一RR间期RRn作纵坐标,绘制RR间期的Poincare散点图,以45°线为界,将偶联点分为两类,对应减速云和加速云,再由逆向云发生器确定两个正态云曲线方程,其中n为自然数,且1≤n≤20;
3)寻找两类点的临界点,即发生类变化的偶联点,将这些偶联点的纵坐标RRn对应的序号n作为序列x(n)={RRn}的初始分段点,逐段计算线性回归斜率,存入slope向量;
4)若相邻的k个偶联点连续发生类的变化,则计算这k个偶联点RRn/RRn-1的均值tj_mean,再将tj_mean代入两个正态云方程计算隶属度,即计算方程值,若加速云的方程值大于减速云的方程值,即加速云的隶属度较大,则标志yun=-1,否则yun=1,其中k为大于2的自然数;
5)将标志yun与k个偶联点之前的分段斜率slope(i-1)和之后的分段斜率slope(i+1)分别比较,若yun与slope(i-1)同号,则将k个点归入前一分段,若yun与slope(i+1)同号,则将k个点归入后一分段;
6)更新分段点后,逐段计算线性回归斜率,更新slope向量;
7)若相邻分段斜率同号,则融合相邻分段,重复步骤6)直至无相邻分段需要融合。
2.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤1)的具体方法是:
11)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统一转换至200Hz;
12)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,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;
13)在利用bior2.2小波对ECG信号进行3层分解来检测R波,利用Lipschitz指数和QRS波群宽度Dqrs判别室性波的基础上,采集HRT样本。
3.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤2)的具体方法是:逐点计算依据RRn/RRn-1>=1或RRn/RRn-1<1将偶联点分为两类,对应减速云和加速云;再由逆向云发生器,分别产生两类云模型的数字特征,由此确定两个正态云曲线方程,具体如下:计算均值方差四阶中心矩 期望 熵 超熵 正态云的期望曲线方程 其中,N=20,曲线方程中u为变量,Ex为均值,En为熵。
4.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤3)中,发生类变化的偶联点,即若前一偶联点(RRn-1,RRn)与后一偶联点(RRn,RRn-1)发生RRn/RRn-1>=1和RRn/RRn-1<1变化,则偶联点(RRn-1,RRn)即为分界偶联点。
5.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤4)的具体方法是:若相邻的k个偶联点连续发生类的变化,即RRn/RRn-1>=1和RRn/RRn-1<1变化,则计算这k个偶联点RRn/RRn-1的均值再将tj_mean代入两个正态云方程计算隶属度,即计算方程值,若加速云的方程值大于减速云的方程值,即加速云的隶属度较大,则标志yun=-1,否则yun=1。
6.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤5)的具体方法是:将标志yun与k个偶联点之前的分段斜率slope(i-1)和之后的分段斜率slope(i+1)分别相乘,若yun与slope(i-1)同号,即yun*slope(i-1)>0,则将k个点归入前一分段,若yun与slope(i+1)同号,即yun*slope(i+1)>0,则将k个点归入后一分段。
7.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤7)的具体方法是:若相邻分段斜率同号,即满足slope(i)*slope(i+1)>0,则融合相邻分段。
8.根据权利要求1所述的窦性心率震荡趋势提取方法,其特征在于,所述步骤7)结束后即得到各个分段的线性回归斜率,从而指示各个分段中RR间期序列的变化趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310196467.3A CN103271737B (zh) | 2013-05-23 | 2013-05-23 | 基于云模型和散点图的窦性心率震荡趋势提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310196467.3A CN103271737B (zh) | 2013-05-23 | 2013-05-23 | 基于云模型和散点图的窦性心率震荡趋势提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103271737A CN103271737A (zh) | 2013-09-04 |
CN103271737B true CN103271737B (zh) | 2014-11-05 |
Family
ID=49053968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310196467.3A Expired - Fee Related CN103271737B (zh) | 2013-05-23 | 2013-05-23 | 基于云模型和散点图的窦性心率震荡趋势提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103271737B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103892826B (zh) * | 2014-04-11 | 2016-01-13 | 北京麦迪克斯科技有限公司 | 基于心电图的心率分析方法及设备 |
CN104586385B (zh) * | 2015-02-12 | 2017-07-18 | 中国人民解放军总医院 | 基于心电图的心率分析方法及设备 |
CN105496402B (zh) * | 2015-11-20 | 2018-03-02 | 北京理工大学 | 基于散点图和符号动力学的心电特征分析方法 |
DE112016005886T5 (de) * | 2015-12-22 | 2018-08-30 | The Regents Of The University Of California | Berechnungsmäßige Lokalisierung von Fibrillationsquellen |
CN105962926B (zh) * | 2016-04-18 | 2019-01-29 | 中国人民解放军总医院 | 基于心电图的心拍特征分析方法和设备 |
US20190239793A1 (en) * | 2016-09-20 | 2019-08-08 | Sharp Kabushiki Kaisha | State acquisition computer, state acquisition method, and information processing system |
CN106786608B (zh) * | 2017-03-22 | 2019-06-21 | 国网福建省电力有限公司 | 一种适用于分布式电源接入的不确定谐波潮流计算方法 |
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 |
CN107799113B (zh) * | 2017-09-26 | 2021-12-07 | Oppo广东移动通信有限公司 | 音频处理方法、装置、存储介质及移动终端 |
CN108577832B (zh) * | 2018-02-11 | 2021-04-20 | 东南大学 | 一种用于房颤信号识别的计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080071151A1 (en) * | 2006-06-30 | 2008-03-20 | Sogin David C | Method and Apparatus for Diagnosing Pre-eclampsia |
CN103006210B (zh) * | 2013-01-11 | 2014-10-15 | 山东师范大学 | 基于分段线性化的窦性心率震荡趋势检测方法 |
-
2013
- 2013-05-23 CN CN201310196467.3A patent/CN103271737B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103271737A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103271737B (zh) | 基于云模型和散点图的窦性心率震荡趋势提取方法 | |
CN103006210B (zh) | 基于分段线性化的窦性心率震荡趋势检测方法 | |
CN101766484B (zh) | 用于心电图识别与分类的方法和设备 | |
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 | |
CN107890348B (zh) | 一种基于深度学习法心电节拍特征自动化提取及分类方法 | |
CN101828918B (zh) | 基于波形特征匹配的心电信号r波峰检测方法 | |
CN103006206B (zh) | 一种微伏级t波交替的定量检测方法 | |
CN103961089B (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
CN101268938A (zh) | 用于心电图识别与分类的方法和设备 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN105433916A (zh) | 脉搏特征提取装置及脉搏特征提取方法 | |
CN107782787A (zh) | 一种超声波缺陷检测方法 | |
Lyle et al. | Beyond HRV: Analysis of ECG signals using attractor reconstruction | |
CN106137185A (zh) | 一种基于模板构造小波的癫痫特征波检测方法 | |
Jeong et al. | ST shape classification in ECG by constructing reference ST set | |
Keenan et al. | Detection of fetal arrhythmias in non-invasive fetal ECG recordings using data-driven entropy profiling | |
Cao et al. | Multi-task feature fusion network for Obstructive Sleep Apnea detection using single-lead ECG signal | |
Li et al. | A novel abnormal ECG beats detection method | |
Desai et al. | An application of EMD technique in detection of tachycardia beats | |
Ji et al. | Heartbeat classification based on multifeature combination and stacking-DWKNN algorithm | |
CN106096316A (zh) | 基于实时医学数据流分析的重症及手术监测预警方法和系统 | |
Deng et al. | Atrial fibrillation classification using convolutional neural networks and time domain features of ECG sequence | |
Iwaniec et al. | Heart work analysis by means of recurrence-based methods | |
Bayasi et al. | A novel algorithm for the prediction and detection of ventricular arrhythmia | |
Yefei et al. | Bidirectional long short-term memory-based intelligent auxiliary diagnosis of fetal health |
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: 20141105 Termination date: 20160523 |