CN104367318A - 房颤检测方法和装置 - Google Patents
房颤检测方法和装置 Download PDFInfo
- Publication number
- CN104367318A CN104367318A CN201410641636.4A CN201410641636A CN104367318A CN 104367318 A CN104367318 A CN 104367318A CN 201410641636 A CN201410641636 A CN 201410641636A CN 104367318 A CN104367318 A CN 104367318A
- Authority
- CN
- China
- Prior art keywords
- signal
- atrial fibrillation
- interval
- intervals
- unit
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 166
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供一种房颤检测方法和装置,方法包括:获取待检测心电图ECG信号中各信号单元内的各R-R间期;根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各R-R间期进行分析处理,以确定该信号单元内是否发生房颤;针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界。本发明的技术方案实现了对ECG信号房颤位置的检测,其过程简单,并且能准确定位房颤边界。
Description
技术领域
本发明涉及心电图(Electrocardiogram,ECG)信号分析技术领域,尤其涉及一种房颤检测方法和装置。
背景技术
心房颤动简称房颤,是最常见的持续性心律失常,房颤总的发病率为0.4%,随着年龄增长房颤的发生率不断增加,75岁以上人群可达10%。房颤一般并不直接危及生命,但房颤发生时心脏的同步机械活动丧失,心室反应不规则,心率过快,如果不能及时诊断治疗,会导致各种死亡风险度高的心血管疾病。
现有技术中,常通过检测ECG信号中RR间隔绝对不规则性来确定房颤发生的位置;其中,RR间隔定义为ECG信号中相邻两个心拍中的R波之间的时间距离。现有采用RR间隔绝对不规则检测房颤的方法有:Tateno提出的一种根据K-S检验来检验一段时间内的RR间隔是否与已知的房颤分布相同,如果该段时间的RR间隔与已知的房颤的分布相同,则认为该段时间内发生了房颤;Linker提出的根据一段时间内的RR间隔的中值来确定该该段时间内是否存在房颤。
但是,上述现有方法中存在以下问题:精度与计算复杂性的矛盾明显;较少涉及到房颤边界的准确定位。
发明内容
本发明的实施例提供一种房颤检测方法和装置,以实现对ECG信号中的房颤位的检测。
为达到上述目的,本发明的实施例提供了一种房颤检测方法,包括:
获取待检测心电图ECG信号中各信号单元内的各R-R间期;
根据各所述信号单元内所述R-R间期反映的心率变异特征,判定各所述信号单元是否为疑似房颤段;
针对已确定为所述疑似房颤段的信号单元,通过预置算法对该信号单元内的各所述R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
针对所述待检测ECG信号中已确定发生房颤与已确定未发生房颤的所述信号单元的边界,提取包含该边界在内的信号区间内各R-R间期;
根据所述信号区间内各R-R间期反映的心率变异特征,确定所述待检测心电图ECG信号位于所述信号区间内的房颤边界。
本发明的实施例还提供了一种房颤检测装置,包括:
获取模块,用于获取待检测心电图ECG信号中各信号单元内的各R-R间期;
判定模块,用于根据各所述信号单元内所述R-R间期反映的心率变异特征,判定各所述信号单元是否为疑似房颤段;
分析模块,用于针对已确定为所述疑似房颤段的信号单元,通过预置算法对该信号单元内的各所述R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
提取模块,用于针对所述待检测ECG信号中已确定发生房颤与已确定未发生房颤的所述信号单元的边界,提取包含该边界在内的信号区间内各R-R间期;
确定模块,用于根据所述信号区间内各R-R间期反映的心率变异特征,确定所述待检测心电图ECG信号位于所述信号区间内的房颤边界。
本发明实施例提供的房颤检测方法和装置,通过获取待检测心电图ECG信号中各信号单元内的各R-R间期;根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各所述R-R间期进行分析处理,以确定该信号单元内是否发生房颤;针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的所述信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;根据所述信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界,由此实现了对ECG信号房颤位置的检测,其过程简单,并且能准确定位房颤边界。
附图说明
图1a为本发明提供的房颤检测方法一个实施例的方法流程图;
图1b为本发明提供的房颤边界示意图;
图2为本发明提供的房颤检测装置一个实施例的结构示意图;
图3为本发明提供的房颤检测装置另一个实施例的结构示意图。
具体实施方式
本发明的实施例在检测ECG信号中的房颤边界时,通过利用ECG信号的心率变异特征确定疑似房颤段;然后对疑似房颤段进行进一步分析确定是否发生房颤,最后确定房颤边界。本发明实施例的技术方案可以适用于对ECG信号的房颤边界检测。
实施例一
图1为本发明提供的房颤检测方法一个实施例的方法流程图,该方法的执行主体可以为集成数字信号采集和处理功能的检测装置。如图1所示,该房颤检测方法具体包括:
S101,获取待检测心电图ECG信号中各信号单元内的各R-R间期;
本实施例中,将待检测心电图ECG信号按时间的连续性划分为多个固定时间长度的信号单元,并测量获得各信号单元内包含的各R-R间期;其中,所述R-R间期为ECG信号中相邻两个心拍中的R波之间的时间距离。
S102,根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;
心率变异(Heart Rate Variability)是指逐次心动周期之间时间的微小变化,即窦性心律不齐的程度。常用指标及正常参考范围包括:
SDNN:全部窦性心搏RR间期(简称NN间期)的标准差。单位为ms。正常参考值:141±39,另一种标准值是141.7±29.2。
SDANN:RR间期平均值标准差。单位为ms。正常参考值130.9±28.3。
RMSSD:相邻RR间期差值的均方根。正常参考值39.0±15.0。
PNN50:相邻NN之差>50ms的个数占总窦性心搏个数的百分比。正常参考值:16.7±12.3。
根据上述列举的关于R-R间期的各种指标,可以预先设置相应的参考阈值,当上述各信号单元内的各R-R间期通过相应计算处理后满足对应的参考阈值,则确定相应的信号单元为疑似房颤段,否则为正常。本实施例中针对上述多个指标可设置但不限定如下参考阈值:
为了不漏掉可疑的房颤段,可以将心律变异的参考阈值设得比较低, 例如采用PNN50,我们可以设定PNN50>20%,则该段就是疑似房颤段。
具体地,本实施例中给出了一种根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段的一种具体实现方式,步骤包括:
针对每个信号单元,若该信号单元内大于第一阈值的R-R间期数目达到第二阈值,则确定该信号单元为疑似房颤段;或者,
若该信号单元内大于第一阈值的R-R间期数目未达到第二阈值,则确定该信号单元为非疑似房颤段。
具体地,本实施例可采用NN50作为心率变异性的参考指标,其含义为一段时间内,ECG信号中R-R间期大于50ms的个数。上述每个信号单元即对应为限定的一段时间,第一阈值即对应为50ms,而第二阈值可以通过前期对ECG信号中房颤段的知识学习以及每个信号单元所包含的总的R-R间期数目来确定其具体数值。
S103,针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
疑似房颤段确定后,可通过现有的房颤分析算法来对疑似房颤段进行进一步分析以确定各疑似房颤段是否发生房颤。由于这一步的计算量较大,本实施例是在确认了疑似房颤段后,再调用这部分算法以减少运算量。
现有的房颤分析算法主要包括:
(1)通过马尔可夫过程模型、熵估计等判断其随机估计值是否满足阈值条件,若满足则判定为房颤。
(2)通过检验当前分布是否与房颤时的标准分布一致,如X2检验、柯尔莫哥洛夫-史密诺夫检验等;若一致,则判定发生房颤。
(3)通过机器学习方式,学习房颤的RR间隔的时域及变换阈的特征值,如果当前时段的特征值与房颤时段相符,则判定为房颤。
S104,针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;
经过上述房颤分析算法后,上述待检测ECG信号被分为房颤段和非房颤段。但是由于在房颤段和非房颤段之间上述房颤分析算法无效,无 法准确确定发生房颤的具体位置。针对该问题,本实施例给出了确定房颤边界的具体方法。首先,在已确定发生房颤与已确定未发生房颤的信号单元之间的边界处,提取包含该边界在内的信号区间内的各R-R间期。其中,该信号区间的选定可以是恰好包含整数个R-R间期的信号区间,例如以该边界为中心的包含50个R-R间期的信号区间。
S105,根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界。
其中,关于各R-R间期所反映的心率变异特征可参见前述列举的心率变异的各项指标,预先设定针对各R-R间期的参考指标,然后根据计算得到的各R-R间期对应的参考指标,从中选定一个符合参考条件的R-R间期来确定待检测心电图ECG信号位于该信号区间内的房颤边界。
具体地,本实施例给出了一种根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界的具体实现方式,如下:
1.计算所述信号区间内各R-R间期对应分布差异值,并以其构成所述信号区间对应的dRDDC曲线;
具体地,先对当前RR间期前后部分的△RR间期序列求解直方图,分别获取以下数组:
其中,Hb、Ha分别表示当前RR间期前、后两部分的直方图数组,△RRb,△RRa分别表示当前RR间期前、后两部分的△RR间期序列;RRmax、RRmin分别为RR间期的最大最小值,取定值(如最大值取1200ms、最小值取-1200ms);M为直方图宽度,取定值(如21);N为RR间期序列长度,取定值(如50);sgn为符号函数,当n>0时输出1,n<0时输出-1,n==0时输出0;[]为取整符号,即表示不超过符号内数值的最大整数。
将两个直方图数组进行相减、平方运算后求和,获得前、后直方图的差异值,如公式:
其中,D为当前RR间期的分布差异值。对所有RR间期按同样的方法计算分布差异值,即可获得一条随RR间期变化的△RR间期分布差异(delta RR interval Distribution Difference Curve,dRDDC)曲线。
2.将dRDDC曲线中的最大分布差异值对应的R-R间期确定为待检测心电图ECG信号在信号区间内的房颤边界。
具体地,该房颤边界是房颤段的起始点还是结束点可根据其在房颤段两侧的具体位置确定。
例如,图2给出了上述房颤边界定位过程对应确定的房颤边界示意图。如图2所示,经过步骤104,针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,如图中的A或B,提取包含该边界在内的信号区间内各R-R间期,以边界A为例,提取包含A在内的信号区间(L1,L2)内的各R-R间期。通过步骤S105,根据信号区间(L1,L2)内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于该信号区间内的房颤边界如C。
本发明实施例提供的房颤检测方法,通过获取待检测心电图ECG信号中各信号单元内的各R-R间期;根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各R-R间期进行分析处理,以确定该信号单元内是否发生房颤;针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界,从而实现对整个待检测ECG信号的房颤位置的监测,实现方法简单,并且可实现对房颤边界的准确定位。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
实施例二
图2为本发明提供的房颤检测装置一个实施例的结构示意图,该结构示意图所示装置可以执行如图1所示实施例的方法步骤。如图2所示, 该房颤检测装置具体包括:获取模块21、判断模块22、分析模块23、提取模块24和确定模块25;其中:
获取模块21,用于获取待检测心电图ECG信号中各信号单元内的各R-R间期;
判定模块22,用于根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;
分析模块23,用于针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
提取模块24,用于针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;
确定模块25,用于根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界。
进一步的,如图3所述,在如图2所示实施例的基础上,上述房颤检测装置中确定模块25具体包括:
处理单元251,用于计算信号区间内各R-R间期对应分布差异值,并以其构成信号区间对应的dRDDC曲线;
确定单元252,用于将dRDDC曲线中的最大分布差异值对应的R-R间期确定为待检测心电图ECG信号在信号区间内的房颤边界。
进一步的,图3所示的房颤检测装置中,判定模块22具体用于:
针对每个信号单元,若该信号单元内大于第一阈值的R-R间期的数目达到第二阈值,则确定该信号单元为疑似房颤段;或者,
若该信号单元内大于所述第一阈值的R-R间期数目未达到第二阈值,则确定该信号单元为非疑似房颤段。
进一步的,图3所示的房颤检测装置中,所述处理单元251在计算信号区间内各R-R间期对应分布差异值,以构成信号区间对应的dRDDC曲线的过程中,所采用的R-R间期的最大值为1200ms;R-R间期的最小值为-1200ms;直方图的宽度为21;R-R间期的序列长度为50。
上述图1所示实施例的方法步骤也可通过图3所示实施例的房颤检测装置执行完成,在此对方法原理不做赘述。
本发明实施例提供的房颤检测装置,通过获取待检测心电图ECG信号中各信号单元内的各R-R间期;根据各信号单元内R-R间期反映的心率变异特征,判定各信号单元是否为疑似房颤段;针对已确定为疑似房颤段的信号单元,通过预置算法对该信号单元内的各R-R间期进行分析处理,以确定该信号单元内是否发生房颤;针对待检测ECG信号中已确定发生房颤与已确定未发生房颤的信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;根据信号区间内各R-R间期反映的心率变异特征,确定待检测心电图ECG信号位于信号区间内的房颤边界,从而实现对整个待检测ECG信号的房颤位置的监测,实现方法简单,并且可实现对房颤边界的准确定位。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种房颤检测方法,其特征在于,包括:
获取待检测心电图ECG信号中各信号单元内的各R-R间期;
根据各所述信号单元内所述R-R间期反映的心率变异特征,判定各所述信号单元是否为疑似房颤段;
针对已确定为所述疑似房颤段的信号单元,通过预置算法对该信号单元内的各所述R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
针对所述待检测ECG信号中已确定发生房颤与已确定未发生房颤的所述信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;
根据所述信号区间内各R-R间期反映的心率变异特征,确定所述待检测心电图ECG信号位于所述信号区间内的房颤边界。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述信号单元内所述R-R间期反映的心率变异特征,判定各所述信号单元是否为疑似房颤段,包括:
针对每个所述信号单元,若该信号单元内大于第一阈值的R-R间期的数目达到第二阈值,则确定该信号单元为疑似房颤段;或者,
若该信号单元内大于所述第一阈值的R-R间期数目未达到所述第二阈值,则确定该信号单元为非疑似房颤段。
3.根据权利要求2所述的方法,其特征在于,所述根据所述信号区间内各R-R间期反映的心率变异特征,确定所述待检测心电图ECG信号位于所述信号区间内的房颤边界;包括:
计算所述信号区间内各R-R间期对应分布差异值,并以其构成所述信号区间对应的dRDDC曲线;
将所述dRDDC曲线中的最大分布差异值对应的R-R间期确定为所述待检测心电图ECG信号在所述信号区间内的所述房颤边界。
4.根据权利要求3所述的方法,其特征在于,在计算所述信号区间内各R-R间期对应分布差异值,以构成所述信号区间对应的dRDDC曲线的过程中,所采用的R-R间期的最大值为1200ms;R-R间期的最小值为-1200ms;直方图的宽度为21;R-R间期的序列长度为50。
5.一种房颤检测装置,其特征在于,包括:
获取模块,用于获取待检测心电图ECG信号中各信号单元内的各R-R间期;
判定模块,用于根据各所述信号单元内所述R-R间期反映的心率变异特征,判定各所述信号单元是否为疑似房颤段;
分析模块,用于针对已确定为所述疑似房颤段的信号单元,通过预置算法对该信号单元内的各所述R-R间期进行分析处理,以确定该信号单元内是否发生房颤;
提取模块,用于针对所述待检测ECG信号中已确定发生房颤与已确定未发生房颤的所述信号单元之间的边界,提取包含该边界在内的信号区间内各R-R间期;
确定模块,用于根据所述信号区间内各R-R间期反映的心率变异特征,确定所述待检测心电图ECG信号位于所述信号区间内的房颤边界。
6.根据权利要求5所述的装置,其特征在于,所述判定模块具体用于:
针对每个所述信号单元,若该信号单元内大于第一阈值的R-R间期的数目达到第二阈值,则确定该信号单元为疑似房颤段;或者,
若该信号单元内大于所述第一阈值的R-R间期数目未达到所述第二阈值,则确定该信号单元为非疑似房颤段。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
处理单元,用于计算所述信号区间内各R-R间期对应分布差异值,并以其构成所述信号区间对应的dRDDC曲线;
确定单元,用于将所述dRDDC曲线中的最大分布差异值对应的R-R间期确定为所述待检测心电图ECG信号在所述信号区间内的所述房颤边界。
8.根据权利要求7所述的装置,其特征在于,所述处理单元在计算所述信号区间内各R-R间期对应分布差异值,以构成所述信号区间对应的dRDDC曲线的过程中,所采用的R-R间期的最大值为1200ms;R-R间期的最小值为-1200ms;直方图的宽度为21;R-R间期的序列长度为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410641636.4A CN104367318A (zh) | 2014-11-07 | 2014-11-07 | 房颤检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410641636.4A CN104367318A (zh) | 2014-11-07 | 2014-11-07 | 房颤检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104367318A true CN104367318A (zh) | 2015-02-25 |
Family
ID=52546699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410641636.4A Pending CN104367318A (zh) | 2014-11-07 | 2014-11-07 | 房颤检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104367318A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105902263A (zh) * | 2016-04-29 | 2016-08-31 | 深圳市理邦精密仪器股份有限公司 | 评估心电图波形的rr间期不规则程度的方法及装置 |
CN107157473A (zh) * | 2017-06-15 | 2017-09-15 | 苏州百慧华业精密仪器有限公司 | 动态心电图中房颤与非房颤rr间期节律的边界检测方法 |
CN108175405A (zh) * | 2018-01-19 | 2018-06-19 | 北京心量科技有限公司 | 一种用于计算心脏稳定度的系统及其设备 |
CN108431720A (zh) * | 2015-12-22 | 2018-08-21 | 加利福尼亚大学董事会 | 振动源的计算局部化 |
CN108577823A (zh) * | 2018-04-27 | 2018-09-28 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
CN108601540A (zh) * | 2015-12-07 | 2018-09-28 | 智能解决方案技术公司 | 心房颤动检测系统及使用方法 |
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析系统中快速定位房颤位置的方法以及装置 |
CN109953753A (zh) * | 2017-12-22 | 2019-07-02 | 成都心吉康科技有限公司 | 房颤检测装置、可穿戴设备及存储介质 |
CN109953756A (zh) * | 2017-12-22 | 2019-07-02 | 成都心吉康科技有限公司 | 房颤监测系统及可穿戴设备 |
WO2019171384A1 (en) * | 2018-03-07 | 2019-09-12 | Technion Research & Development Foundation Limited | Atrial fibrillation prediction using heart rate variability |
CN110826631A (zh) * | 2019-11-08 | 2020-02-21 | 广州视源电子科技股份有限公司 | 心率失常疾病的分类方法、装置、存储介质和处理器 |
CN111449649A (zh) * | 2019-01-18 | 2020-07-28 | 深圳市理邦精密仪器股份有限公司 | 心电数据的处理方法、装置及计算机可读存储介质 |
CN113712564A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种心电信号分类设备和方法 |
CN114343666A (zh) * | 2022-01-12 | 2022-04-15 | 东南大学 | 针对长程心电监测的阵发性房颤扫描方法、系统、存储介质及电子设备 |
-
2014
- 2014-11-07 CN CN201410641636.4A patent/CN104367318A/zh active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601540A (zh) * | 2015-12-07 | 2018-09-28 | 智能解决方案技术公司 | 心房颤动检测系统及使用方法 |
CN108431720A (zh) * | 2015-12-22 | 2018-08-21 | 加利福尼亚大学董事会 | 振动源的计算局部化 |
CN108431720B (zh) * | 2015-12-22 | 2023-03-03 | 加利福尼亚大学董事会 | 用于定位纤颤源的系统和方法 |
CN105902263B (zh) * | 2016-04-29 | 2019-04-16 | 深圳市理邦精密仪器股份有限公司 | 评估心电图波形的rr间期不规则程度的方法及装置 |
CN105902263A (zh) * | 2016-04-29 | 2016-08-31 | 深圳市理邦精密仪器股份有限公司 | 评估心电图波形的rr间期不规则程度的方法及装置 |
CN107157473A (zh) * | 2017-06-15 | 2017-09-15 | 苏州百慧华业精密仪器有限公司 | 动态心电图中房颤与非房颤rr间期节律的边界检测方法 |
CN109953756A (zh) * | 2017-12-22 | 2019-07-02 | 成都心吉康科技有限公司 | 房颤监测系统及可穿戴设备 |
CN109953753A (zh) * | 2017-12-22 | 2019-07-02 | 成都心吉康科技有限公司 | 房颤检测装置、可穿戴设备及存储介质 |
CN108175405A (zh) * | 2018-01-19 | 2018-06-19 | 北京心量科技有限公司 | 一种用于计算心脏稳定度的系统及其设备 |
WO2019171384A1 (en) * | 2018-03-07 | 2019-09-12 | Technion Research & Development Foundation Limited | Atrial fibrillation prediction using heart rate variability |
US11653871B2 (en) | 2018-03-07 | 2023-05-23 | Technion Research & Development Foundation Limited | Atrial fibrillation prediction using heart rate variability |
CN108577823B (zh) * | 2018-04-27 | 2021-02-02 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
CN108577823A (zh) * | 2018-04-27 | 2018-09-28 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
CN111449649A (zh) * | 2019-01-18 | 2020-07-28 | 深圳市理邦精密仪器股份有限公司 | 心电数据的处理方法、装置及计算机可读存储介质 |
CN111449649B (zh) * | 2019-01-18 | 2023-07-11 | 深圳市理邦精密仪器股份有限公司 | 心电数据的处理方法、装置及计算机可读存储介质 |
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析系统中快速定位房颤位置的方法以及装置 |
CN110826631A (zh) * | 2019-11-08 | 2020-02-21 | 广州视源电子科技股份有限公司 | 心率失常疾病的分类方法、装置、存储介质和处理器 |
CN110826631B (zh) * | 2019-11-08 | 2022-11-08 | 广州视源电子科技股份有限公司 | 心率失常疾病的分类方法、装置、存储介质和处理器 |
CN113712564A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种心电信号分类设备和方法 |
CN113712564B (zh) * | 2020-05-12 | 2023-09-01 | 深圳市科瑞康实业有限公司 | 一种心电信号分类设备和方法 |
CN114343666A (zh) * | 2022-01-12 | 2022-04-15 | 东南大学 | 针对长程心电监测的阵发性房颤扫描方法、系统、存储介质及电子设备 |
CN114343666B (zh) * | 2022-01-12 | 2023-09-26 | 东南大学 | 针对长程心电监测的阵发性房颤扫描方法、系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104367318A (zh) | 房颤检测方法和装置 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN109522916B (zh) | 识别单导心电图(ecg)信号中的节律的级联二元分类器 | |
US10478084B2 (en) | Electrocardiogram signal detection | |
Madeiro et al. | An innovative approach of QRS segmentation based on first-derivative, Hilbert and Wavelet Transforms | |
EP2704628B1 (en) | Signal averaging | |
CN103690156B (zh) | 一种心率获取方法及心电信号的处理方法 | |
EP3130285B1 (en) | Matching and tracking time sequences of heart activation | |
US6597943B2 (en) | Method of using spectral measures to distinguish among atrialfibrillation, atrial-flutter and other cardiac rhythms | |
US8543194B2 (en) | System and method of detecting abnormal movement of a physical object | |
Varanini et al. | A multi-step approach for non-invasive fetal ECG analysis | |
CN104720794B (zh) | 一种叠加检测心电波形r点的方法 | |
CA3045707A1 (en) | Atrial fibrillation detection system and methods of use | |
US10729350B2 (en) | System and method for monitoring cardiac arrhythmias | |
US8825147B2 (en) | Cardiac muscle excitation waveform detector | |
CN104523265B (zh) | 异常心电数据的判断方法和装置 | |
Ng et al. | Iterative method to detect atrial activations and measure cycle length from electrograms during atrial fibrillation | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
JP2019201997A (ja) | 瞬時心拍信頼性評価装置、方法およびプログラム | |
CN102579039A (zh) | 一种心电图中的t波交替检测的方法 | |
CN111839494A (zh) | 一种心率监测方法及系统 | |
CN115770054A (zh) | 心电信号处理方法、便携式心电采集设备和存储介质 | |
KR102264569B1 (ko) | 클래스 확률 출력망 기반 심장 상태 분류 방법 및 장치 | |
KR101524596B1 (ko) | Qrs 패턴을 이용한 pvc 분류 장치 및 방법, pvc 패턴 분류 방법, 그리고 원격 모니터링 장치 | |
CN110477904B (zh) | 一种房扑信号检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150225 |
|
RJ01 | Rejection of invention patent application after publication |