CN103800004A - 基于核函数分类算法的心电电极错误放置自动检测方法 - Google Patents
基于核函数分类算法的心电电极错误放置自动检测方法 Download PDFInfo
- Publication number
- CN103800004A CN103800004A CN201310581552.1A CN201310581552A CN103800004A CN 103800004 A CN103800004 A CN 103800004A CN 201310581552 A CN201310581552 A CN 201310581552A CN 103800004 A CN103800004 A CN 103800004A
- Authority
- CN
- China
- Prior art keywords
- represent
- classification
- variable
- amplitude
- wave
- 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.)
- Pending
Links
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
- A61B5/25—Bioelectric electrodes therefor
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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核函数分类算法的心电电极错误放置自动检测方法,使得不需采用额外辅助情况下实现设备智能检测手、足电极的错误位置布放,本发明方法将参考信号分为七个类别,通过采用基于核函数的分类器方法,对给定任意心电向量进行识别、分类。本方法能够准确甄别心脏疾病与位置错放导致的异常波形,大大提高心电图解读的正确率。
Description
技术领域
本发明涉及一种生物信号处理方法,属于信息科学与工程领域。
背景技术
心脏病是夺去人类生命的主要疾病,人体心电图作为心脏电活动在体表的综合表现,蕴涵着丰富的反应心脏节律及其电传导的生理和病理信息。然而由于病态心电图种类繁多、变异极大,要对其做出准确判断需要具有丰富的专业领域知识和临床经验。目前市场上的便携式心电仪采用2或3导联,不可能反映心脏电活动的全貌,对急性心肌梗塞、房室肥大、束支阻滞等心电图的改变不能准确定位,对心肌缺血诊断的阳性率也较低。心电仪采用12导联就可以拾取心脏电活动的全貌,不仅能从额面,也能从横面观察心脏电信息活动,已得到国际上的认可而在世界各国通用。更为重要的是经过60多年的时间活动,12导联体系已积累了丰富的临床资料。其所制定的测量方法、分析技术和标准,已被人们认为是“常规”的准绳,成为心电图学宝贵财富。其余120余种导联,尚无法与12导联体系媲美。但是,由于12导联需要在人体体表布放10个电极,分别是左手(LA)、右手(RA)、左足(LF)和右足(RF)和六个胸导联(V1—V6),在医疗实践中医护人员很容易把电极位置错误放置,从而导致检测结果不准确。各个电极放置的位置对后期心电信号的拾取和正确解读至关重要,如何简便精准地检测手、足心电电极的错误位置布放,从而甄别心脏疾病与位置错放导致的异常波形、提高心电图解读的正确率,在本领域一直是个难题。
发明内容
为了解决上述问题,在不需采用额外辅助情况下实现设备智能检测手、足电极的错误位置布放,本发明提供了一种基于核函数分类算法的心电电极错误放置自动检测方法:
本发明硬件上与普通12导联心电仪一致,采用常规12导联心电波形截取的波形特征量做判断,该波形特征量包括:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)I导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群幅值(相对于基线数值可以是正值也可以是负值),单位为毫伏,QRS特征点1、2、3分别以变量x7、x8、x9表示,若所述幅值与基线幅值没有明显差值则以零值计算;
(8)I导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
本发明中使用优质心电信号波形作为参考信号,这里优质心电信号指波形经过严格筛选、波形曲线清晰、各种伪差包括肌电干扰、呼吸干扰、工频干扰等等均被去除,难以清除干扰的的信号不予考虑。参考信号分为7个类别:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放(同侧);
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:右位心心电波形,4个手、足电极均正确布放。
以上7个类别中任意一个心电信号样本标记为向量x,x有12个成分,分别为x1,x2,…x12。每个类别中至少有mi个样本,mi≥20。所以参考信号至少有7*mi个,以lij表示i类中第j个定标样本。
本发明设置7个分类器来分别判断给定任意心电向量(该心电向量设为t)是何种类别信号。以分类器1为例,分类器1用来判断给定任意心电向量t是否为类别1信号,其结构为:
(1)对应心电信号样本标记lij,引入参数向量θ,分别为θ1,θ2…;
(2)给定任意心电向量t,定义高斯核函数为t到定标样本lij的距离;
(3)定义cost1函数,
(4)定义cost2函数,
(5)定义开销函数,
(6)采用统计梯度下降法使步骤(5)中开销函数最小化,得到参数向量θ最优值。
经过以上分类器1参数θ的调整,可以使用分类器1识别给定任意心电向量t:
(1)计算f;
(2)计算θ与f的内积;
(3)如果(2)中内积大于等于0,判定t为类别1信号,反之不是。
分类器2至分类器7的结构与工作过程等情况均与分类器1类似,通过参数调整后分别用来判别心电向量t是否为相应类别,最后输出结果。
与现有技术相比,本发明通过采用基于核函数的分类器方法,使得检测手、足体表电极错误位置布放的敏感性和特异性大大得到改善。不仅仅可以检测常见的左右手电极交叉错误布放,还可以检测同侧与异测手、足电极的交叉错误布放。对容易混淆的心电疾病波形与因电极错误布放导致的异常波形能够进行有效区别。
附图说明
图1是QRS特征点群示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明硬件上与普通12导联心电仪一致,采用常规12导联心电波形截取的波形特征量做判断,包括:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)I导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群(参见附图1)幅值(相对于基线数值可正可负),单位为毫伏,QRS特征点1、2、3分别以变量x7、x8、x9表示,若所述幅值与基线幅值没有明显差值则以零值计算;
(8)I导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
本发明中使用优质心电信号波形作为参考信号,这里优质心电信号指波形经过严格筛选、波形曲线清晰、各种伪差包括肌电干扰、呼吸干扰、工频干扰等等均被去除,难以清除干扰的的信号不予考虑。参考信号分为7个类别:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放(同侧);
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:右位心心电波形,4个手、足电极均正确布放。
以上7个类别中任意一个心电信号样本标记为向量x,x有12个成分,分别为x1,x2,…x12。每个类别中至少有mi个样本,mi≥20。所以参考信号至少有7*mi个,以lij表示i类中第j个定标样本。
本发明设置7个分类器来分别判断给定任意心电向量(该心电向量设为t)是何种类别信号。以分类器1为例,分类器1用来判断给定任意心电向量t是否为类别1信号,其结构为:
(1)对应心电信号样本标记lij,引入参数向量θ分别为θ1,θ2…;
(3)定义cost1函数,
(4)定义cost2函数,
(5)定义开销函数,
(6)采用统计梯度下降法使步骤(5)中开销函数最小化,得到参数向量θ最优值。
经过以上分类器1参数θ的调整,可以使用分类器1识别给定任意心电向量t:
(1)计算f;
(2)计算θ与f的内积;
(3)如果(2)中内积大于等于0,判定t为类别1信号,反之不是。
分类器2至分类器7的结构与工作过程等情况均与分类器1类似,通过参数调整后分别用来判别心电向量t是否为相应类别,输出结果。
Claims (1)
1.一种基于核函数分类算法的心电电极错误放置自动检测方法,其特征在于,包括如下步骤:
首先,采用常规12导联心电波形截取的波形特征量做判断,所述波形特征量包括:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)I导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群幅值,该幅值相对于基线数值可正可负,单位为毫伏,QRS特征点1、2、3分别以变量x7、x8、x9表示,若所述幅值与基线幅值没有明显差值则以零值计算;
(8)I导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
其次,本方法使用经过筛选、波形曲线清晰、去除所有伪差的优质心电信号波形作为参考信号,该参考信号分为7个类别:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放;
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:右位心心电波形,4个手、足电极均正确布放;
以上7个类别中任意一个心电信号样本标记为向量x,x有12个成分,分别为x1,x2,…x12;每个类别中至少有mi个样本,mi≥20;所以参考信号至少有7*mi个,以lij表示i类中第j个定标样本;
最后,本方法设置7个分类器来分别判断给定任意心电向量是何种类别信号,所述给定任意心电向量设为t;以分类器1为例,分类器1用来判断给定任意心电向量t是否为类别1信号,其结构为:
(1)对应心电信号样本标记lij,引入参数向量θ,分别为θ1,θ2…;
(3)定义cost1函数,
(4)定义cost2函数,
(5)定义开销函数,
(6)采用统计梯度下降法使步骤(5)中开销函数最小化,得到参数向量θ最优值;
经过以上分类器1参数θ的调整,可以使用分类器1识别给定任意心电向量t:
(1)计算f;
(2)计算θ与f的内积;
(3)如果(2)中内积大于等于0,判定t为类别1信号,反之不是;
分类器2至分类器7的结构与工作过程均与分类器1类似,通过参数调整后分别用来判别心电向量t是否为相应类别。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581552.1A CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN201410635044.1A CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581552.1A CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103800004A true CN103800004A (zh) | 2014-05-21 |
Family
ID=50697745
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310581552.1A Pending CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN201410635044.1A Active CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410635044.1A Active CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN103800004A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286854A (zh) * | 2015-12-01 | 2016-02-03 | 浙江铭众科技有限公司 | 一种远程心电监控方法 |
CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
CN105411575B (zh) * | 2015-12-01 | 2016-08-17 | 浙江铭众科技有限公司 | 一种心电电极位置监控方法 |
CN107320095A (zh) * | 2017-06-30 | 2017-11-07 | 联想(北京)有限公司 | 一种心电监测方法和心电监测设备 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105310687B (zh) * | 2015-12-01 | 2016-08-17 | 浙江铭众科技有限公司 | 基于移动互联网的动态心电实时监控方法 |
CN105877742B (zh) * | 2016-05-18 | 2019-03-22 | 四川长虹电器股份有限公司 | 一种针对心电信号ⅰ导联电极的错放检测方法 |
CN106963361B (zh) * | 2017-03-10 | 2019-10-01 | 深圳市理邦精密仪器股份有限公司 | 肢体导联错接的检测方法、检测装置及心电设备 |
US10687726B2 (en) | 2017-11-07 | 2020-06-23 | General Electric Company | System and method for processing ECG recordings from multiple patients |
US10930392B2 (en) | 2018-02-19 | 2021-02-23 | General Electric Company | System and method for processing ECG recordings from multiple patients for clinician overreading |
CN109602415B (zh) * | 2018-11-12 | 2022-02-18 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109589110B (zh) * | 2018-12-28 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
CN112401893B (zh) * | 2020-11-10 | 2023-10-13 | 安徽华米信息科技有限公司 | 心电图信号校正方法、装置、可穿戴设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9403950D0 (sv) * | 1994-11-16 | 1994-11-16 | Siemens Elema Ab | Analysapparat |
US7860558B2 (en) * | 2006-03-31 | 2010-12-28 | Koninklijke Philips Electronics N.V. | ECG lead misplacement detection and correction |
US8185485B2 (en) * | 2008-08-27 | 2012-05-22 | Lifeline Biotechnologies, Inc. | Device for analyzing thermal data based on breast surface temperature for the detection for use in determining cancerous conditions |
CN101482926B (zh) * | 2009-02-19 | 2011-06-15 | 北京大学 | 一种可伸缩的自适应多核分类方法 |
CN101789000A (zh) * | 2009-12-28 | 2010-07-28 | 青岛朗讯科技通讯设备有限公司 | 搜索引擎中的模式分类方法 |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
CN102068247B (zh) * | 2011-01-27 | 2013-04-03 | 深圳市理邦精密仪器股份有限公司 | 一种实现ecg导联脱落检测的方法和装置 |
CN102349828A (zh) * | 2011-10-13 | 2012-02-15 | 纳龙(苏州)信息技术有限公司 | 一种心电图导联纠错方法 |
CN102961131B (zh) * | 2012-11-26 | 2014-06-25 | 西安交大辰方科技有限公司 | 一种心电肢体电极脱落自动检测及转换方法 |
-
2013
- 2013-11-19 CN CN201310581552.1A patent/CN103800004A/zh active Pending
-
2014
- 2014-11-12 CN CN201410635044.1A patent/CN104473629B/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286854A (zh) * | 2015-12-01 | 2016-02-03 | 浙江铭众科技有限公司 | 一种远程心电监控方法 |
CN105411575B (zh) * | 2015-12-01 | 2016-08-17 | 浙江铭众科技有限公司 | 一种心电电极位置监控方法 |
CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
CN107320095A (zh) * | 2017-06-30 | 2017-11-07 | 联想(北京)有限公司 | 一种心电监测方法和心电监测设备 |
CN107320095B (zh) * | 2017-06-30 | 2020-06-23 | 联想(北京)有限公司 | 一种心电监测方法和心电监测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104473629B (zh) | 2017-04-12 |
CN104473629A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103800004A (zh) | 基于核函数分类算法的心电电极错误放置自动检测方法 | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
US11234629B2 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
EP2872039B1 (en) | Device for evaluation of myocardial damages based on the current density variations | |
CN109117769A (zh) | 一种针对穿戴式心电采集的实时质量评估反馈方法 | |
CN110751131B (zh) | 一种心律失常检测装置 | |
Xia et al. | Matrix of regularity for improving the quality of ECGs | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN105962926A (zh) | 基于心电图的心拍特征分析方法和设备 | |
Ranjan et al. | A unified approach of ECG signal analysis | |
Ghaffari et al. | Robust fetal QRS detection from noninvasive abdominal electrocardiogram based on channel selection and simultaneous multichannel processing | |
Keenan et al. | Detection of fetal arrhythmias in non-invasive fetal ECG recordings using data-driven entropy profiling | |
EP2754390A1 (en) | TWA measuring apparatus and TWA measuring method | |
Wang et al. | Fetal ECG signal extraction from long-term abdominal recordings based on adaptive QRS removal and joint blind source separation | |
CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
CN105050493B (zh) | 用于确定ecg数据中的qrs复合波的出现的装置和方法 | |
Liu et al. | Multi-label classification of 12-lead ECGs by using residual CNN and class-wise attention | |
US10058261B2 (en) | Noninvasive atrial activity estimation system and method | |
Sengottuvel et al. | An epoch based methodology to denoise magnetocardiogram (MCG) signals and its application to measurements on subjects with implanted devices | |
Ahmed et al. | Efficient and Real-Time Approach for PQRST and Atrial Fibrillation Detection of ECG Signal | |
Lynn et al. | Arm-ECG bipolar leads signal recovery methods for wearable long-term heart rate and rhythm monitoring | |
US20190374123A1 (en) | Predicting atrial fibrillation or stroke using p-wave analysis | |
Danese et al. | A wearable intelligent system for the health of expectant mom's and of their children |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |