CN104382590B - 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法 - Google Patents

一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法 Download PDF

Info

Publication number
CN104382590B
CN104382590B CN201410764262.5A CN201410764262A CN104382590B CN 104382590 B CN104382590 B CN 104382590B CN 201410764262 A CN201410764262 A CN 201410764262A CN 104382590 B CN104382590 B CN 104382590B
Authority
CN
China
Prior art keywords
heart
rhythm
electrical cardioversion
threshold value
electrocardiosignal
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.)
Active
Application number
CN201410764262.5A
Other languages
English (en)
Other versions
CN104382590A (zh
Inventor
赖大坤
张飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu radiccon Medical Technology Co Ltd
Original Assignee
Chengdu Radiccon Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Radiccon Medical Technology Co Ltd filed Critical Chengdu Radiccon Medical Technology Co Ltd
Priority to CN201410764262.5A priority Critical patent/CN104382590B/zh
Publication of CN104382590A publication Critical patent/CN104382590A/zh
Application granted granted Critical
Publication of CN104382590B publication Critical patent/CN104382590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3925—Monitoring; Protecting

Landscapes

  • Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Electrotherapy Devices (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种结合心电时频域分析的可电击复律心律自动识别和归类方法，具体步骤：S1.心电信号的预处理；S2.心脏停搏心律的自动识别，若不满足判别条件，则执行步骤S3；即基于整系数带通滤波器，计算输出信号的最大幅度比例值（Pa）、平均幅度比例值（Pb）和平均偏差比例值（Pc）；步骤S4、S5、S6和S7则根据Pa、Pb和Pc等频域特征值判别可电击复律心律和不可电击复律心律，若失败，则执行步骤S8；即计算心电标准化栅条投影标准差；S9.根据标准差值判别可电击复律心律和不可电击复律心律。本发明可用于根据体表心电图自动识别和归类可电击复律心律的仪器设备，提高其可电击复律心律的识别灵敏度和不可电击复律心律的特异性，增强算法的运行效率。

Description

一种结合心电时频域特征分析的可电击复律心律自动识别和 归类方法
技术领域
本发明属于医疗电子技术领域，具体涉及一种心电信号(ECG)的自动识别和归类方法，特别涉及一种可用于心电监护仪和全自动体外除颤仪(AED)的可电击复律心律的自动识别和归类方法及算法。
背景技术
美国健康统计中心的流行病学研究结果显示，心血管疾病的死亡总数50％以上是由心脏猝死(Sudden Cardiac Death，SCD)导致的。临床流行病学研究表明，在过去的五十年中，SCD的发生率有上升趋势，其中，80％的SCD是由心室纤维颤动(VentricularFibrillation-VF，简称室颤)或持续性室性心动过速(Ventricular Tachycardia-VT，简称室速)恶化所导致的。当患者出现室颤这种最恶性的心律失常，在最短的时间内实施电击除颤(Electric Defibrillation-ED，简称除颤)是临床上唯一可靠并被广泛使用的室颤转复方法。
1986年美国心脏协会(AHA)已确信早期除颤是建立强有力的生存链中最重要的一环，于是设立了“公共场所除颤”特别工作小组，并在1994年、1997年两次召开国际会议，AED被认为是新的革命性技术。国际心脏复苏联络委员会(ILCOR)对公共场所实现心肺复苏急救中进行除颤收集了大量资料，根据世界各地的统计资料形成国际性共识：AED是构建公共场所快速除颤的最有希望的方法；急救存活率高于紧急医疗救护(EMT)(30：23％)，速度也更快(3.3分：8.1分钟)；在社区中值得培训和推广。1997年，美国心脏协会在Circulation期刊上发表了一篇与AED算法性能报道相关的建议《Automatic External Defibrillatorsfor Public Access Defibrillation:Recommendations for Specifying and ReportingArrhythmia Analysis Algorithm Performance,Incorporating New Waveforms,andEnhancing Safety》，美国心脏协会AED特别工作组及其附属的AED安全与功效小组委员会和AED制造商座谈小组一致同意将心律分为以下三大类：
(1)可电击复律心律(Shockable Rhythms，简称ShR)：包括粗颤(Coarse VF)和快速变化的室速(RapidVT)；
(2)不可电击复律心律(Non-ShockableRhythms，简称NShR):包括窦性心律(NSR)、房扑和房颤(AF)、室性逸搏(PVC)、室上性心动过速(SVT)、心脏停搏(Asystole)等；
(3)中间心律(Intermediate Rhythms)：包括细颤(Fine VF)和其它的室速(OtherVT)。
目前，AED的相关技术已经比较成熟，国外临床应用也非常广泛。然而，其核心的心律自动识别和分类技术至今仍未公开，国内相关技术的研究亦几乎处于空白状态，由此导致现有产品完全依赖进口，价格居高不下，严重限制了AED一类惠民产品的国内临床应用和推广。在此背景下，我们必须突破国外核心技术的封锁，并研制出对核心技术具有自主知识产权的AED。
在AED使用中，心律的自动识别和正确分类是其核心和关键技术，即当患者发生VF或者持续性VT时，需要即刻对其做出准确地识别和判断，并对患者立即进行电除颤心律转复等治疗措施。这其中，如果可电击复律心律被漏检或误检为不可电击复律心律(NShR)，则将错失及时救助患者生命的机会；相反，如果不可电击复律心律(NShR)被误检为VF或持续性VT，而对病人实施不必要的电击，则可能对人体心脏造成致命性的损害。因此，为了让没有专业急救经验的公众能快速、便捷地操作和使用AED对身边患者实施早期除颤，一套高效、准确的可电击复律心律自动识别和归类方法及算法是其关键。
近年来，随着心脏猝死及电击除颤成功率的不断提高，用于全自动体外除颤仪的可电击复律心律自动识别方法及算法的研究受到了国内外学者的广泛重视。迄今，已有多种算法报道，包括：幅度概率密度函数算法、自相关函数算法、TCI算法、L-Z复杂度算法、快速模板匹配算法和希尔伯特(HILB)算法等。1976年，《Medical Instrument》曾报道了一篇题为“Considerations in the development ofthe automatic implantabledefibrillator”的文章，即将心电幅度的分布情况定义为幅度概率密度函数(PDF)，并据此来检测VF。然而，该方法却无法区分VF和VT。随后，《Computers inCardiologyProceedings》和《Medical&Biological Engineering&Computing》进一步刊发了“Fibrillation recognition using autocorrelation analysis”和“Ventricularfibrillation detection by a regression test on the autocorrelation function”等基于周期信号或具有一致性幅值分布特征检测ShR和NShR的文章。但是，却存在当心电信号的形态发生很大的变化时，基于心电图R波识别的算法无法适应于可电击复律心律的识别，由此导致其识别的灵敏度和特异性较低的缺点。1994年和1997年，《IEEE Transactionson Biomedical Engineering》先后刊发了“Multiway sequential hypothesis testingfor tachyarrhythmia discrimination”和“Detecting ventricular tachycardia andfibrillation by complexity measure”，报道了基于各种变换和复杂度分析的算法，然而这类算法却存在计算复杂、对硬件计算负荷要求高等缺点，无法用之于诸如AED等一类便携式设备。最近，《Computers in Cardiology》(2005年)和《IEEE Transactions onBiomedical Engineering》(2007年)先后报道了“A new ventricular fibrillationdetection algorithm for automated external defibrillators”和“DetectingVentricular Fibrillation by Time-Delay Methods”两篇关于HILB的新算法，此类方法及算法是基于相空间重建的算法，虽然特异性有了较大的提高，然而识别灵敏度却较低。综上所述，迄今虽已公开报道了多种可电击复律心律识别和归类方法及算法，然而却仍缺少对识别灵敏度和特异性二者的兼顾考虑，而其计算复杂度亦远远超过便携式AED一类设备的计算负荷。为此，在受制于国外各大厂商对AED核心技术封锁，而同时国内医患对AED的巨大潜在需求的背景下，公开和建立一套兼顾高灵敏度和高特异性、计算简单可靠、具有自主知识产权的可电击复律心律自动识别和归类方法及算法，用于自主研发的心电监护仪和AED是本发明的初衷。
发明内容
本发明的目的在于提供一种识别效率高、分类准确、计算简单并满足应用要求的可电击复律心律自动识别和归类方法及算法，其核心结合了反映心电频域特征的带通滤波分析和时域特征的标准化栅条投影标准差分析，用于心电监护仪和全自动体外除颤仪等，以改进现有的需要使用可电击复律心律自动识别和归类方法的仪器设备的性能。
本发明的目的主要由以下技术方案来实现：
(1)计算心电信号幅值绝对值的最大值(Max(AbsFS))，根据Max(AbsFS)值判别心脏停搏心律：
如果满足条件：Max(AbsFS)<停搏阈值，则判定该心律为心脏停搏心律；
如果满足条件：Max(AbsFS)>＝停搏阈值，则不是心脏停搏心律，则继续执行后续步骤。
(2)根据心电信号的频域特性，计算心电信号经过带通滤波器处理后获得的反映心电信号频域特征的输出信号最大幅度比例值(Pa)、平均幅度比例值(Pb)和平均偏差比例值(Pc)，然后根据Pa、Pb和Pc值判别ShR和NShR：
(3)如果满足条件：Pa<阈值_1，Pb>阈值_2和Pa×Pb/Pc<阈值_3，则判定该心律为NShR；如果满足条件：阈值_1<Pa<阈值_4，Pb<阈值_5和Pa×Pb/Pc<阈值_3，则判定该心律为NShR；
如果满足条件：Pa>阈值_1和Pb<阈值_2，则判定该心律为ShR；
如果满足条件：Pb>阈值_6，则判定该心律为ShR。
(4)根据心电信号的时域特性，计算标准化栅条投影标准差，根据标准化栅条投影标准差判别NSR和NShR：
如果满足条件：标准化栅条投影标准差>＝阈值，则判定该心律为NShR；
如果满足条件：标准化栅条投影标准差<阈值，则判定该心律为ShR。
上述根据心电信号频域特性，计算经过带通滤波器处理后输出的最大幅度比例值、平均幅度比例值和平均偏差比例值的具体过程如下：
首先，将心电信号通过一个整系数带通滤波器；由于不同心律的分布频带范围不同，从而VF和VT的波形将得到抑制；
其次，对通过上述整系数带通滤波器的输出信号取绝对值，用AbsFS表示；
再次，计算信号绝对值小段时间内的最大值Max(AbsFS)、平均值Mean(AbsFS)和平均偏差(MD)；
最后，计算输出信号的Pa、Pb和Pc。最大幅度比例值(Pa):先计算心电信号小段时间内在0.5×Max(AbsFS)到Max(AbsFS)的之间的幅度比例，然后将大段时间内的相加；平均幅度比例值(Pb):先计算心电信号小段时间内在Mean(AbsFS)到Max(AbsFS)的之间的幅度比例，然后将大段时间内的相加；平均偏差比例值(Pc):先计算心电信号小段时间内在Mean(AbsFS)-MD到Mean(AbsFS)+MD的之间的幅度比例，然后将大段时间内的相应幅度比例相加。
上述根据心电信号时域特性，计算标准化栅条投影标准差的具体过程如下：
首先，将采集到的一段时间内的心电信号按相同时间间隔分成小段，每一小段称为一个栅条，每一个时间间隔称为栅条宽度；
其次，计算心电图在每个栅条内覆盖的幅度范围，就是栅条在纵轴上的投影；
再次，计算所有栅条投影的标准差；
最后，对栅条投影的标准差进行标准化，得到标准化栅条投影标准差。
采用以上技术方案不仅提高了可电击复律心律识别的灵敏度和不可电击复律心律识别的特异性、满足算法性能的应用要求，而且也简化了算法的计算复杂度。本发明可应用于心电监护仪和全自动体外除颤仪等仪器设备。
附图说明
图1是本发明的方法及算法主体流程图。
图2是本发明主体流程图中“S1心电信号预处理”步骤的流程图。
图3是本发明主体流程图中“S3计算带通滤波器输出的最大幅度比例值(Pa)、平均幅度比例值(Pb)和平均偏差比例值(Pc)”步骤的流程图。
图4是本发明主体流程图中“S8计算标准化栅条投影标准差”步骤的流程图。
图5是本发明中窦性心律(NSR)经过各个阶段处理的图形。
图6是本发明中室颤心律(VF)经过各个阶段处理的图形。
具体实施方式
本实施例是在个人计算机(PC)和Matlab软件平台上的一种可能的实现，如图1～6所示，其具体实施步骤如下：
1.对采集到的心电信号进行预处理：
(1)使用一个截止频率为1Hz的高通滤波器，抑制基线漂移；
(2)使用一个截止频率为30Hz的巴特沃斯低通滤波器，滤除工频干扰和肌电噪声等；
(3)使用一个简单的滑动平均滤波器，进一步滤除无关的高频干扰，提高滤波效果。
2.对心电信号进行心脏停搏心律的识别：如果满足条件：Max(AbsFS)<150μV，则判定该心律是心脏停搏心律；如果满足条件：Max(AbsFS)>＝150μV，则判定该心律不是心脏停搏心律，继续执行后续的步骤。
3.根据心电信号频域特性，计算心电信号经过带通滤波器处理后的反映心电信号频域特性的输出信号最大幅度比例值、平均幅度比例值和平均偏差比例值：
(1)将心电信号通过一个整系数带通滤波器，带通滤波器的数学公式如下所示。由于不同心律的分布频带范围不同，从而VF和VT的波形得到抑制；)/8
(2)对通过上述整系数带通滤波器的输出信号取绝对值，用AbsFS表示；
(3)计算信号绝对值每1s内的最大值Max(AbsFS)、平均值Mean(AbsFS)和平均方差(MD)；
(4)计算输出信号的Pa、Pb和Pc。最大幅度比例值(Pa):先计算1s内在0.5×Max(AbsFS)到Max(AbsFS)的之间的幅度比例数，然后将10内的相加；平均幅度比例值(Pb):先计算1s内在Mean(AbsFS)到Max(AbsFS)的之间的幅度比例数，然后将10内的相加；平均偏差比例值(Pc):先计算1s内在Mean(AbsFS)-MD到Mean(AbsFS)+MD的之间的幅度比例数，然后将10内的相加。
4.根据Pa、Pb和Pc的值来判别ShR和NShR：
如果满足条件：Pa<250，Pb>950和Pa×Pb/Pc<210，则判定该心律为NShR；
如果满足条件：250<Pa<400，Pb<600和Pa×Pb/Pc<210，则判定该心律为NShR；
如果满足条件：Pa>250和Pb<950，则判定该心律为ShR；
如果满足条件：Pb>1100，则判定该心律为ShR。
5.根据心电信号的时域特性，计算其标准化栅条投影标准差：
(1)将10s内的心电信号按相同时间间隔分成小段，每一小段称为一个栅条，每一小段的时间间隔称为栅条宽度；
(2)计算心电图在每个栅条内覆盖的幅度范围，就是栅条在纵轴上的投影；
(3)计算所有的栅条投影的标准差；
(4)对栅条投影的标准差进行标准化，得到标准化栅条投影标准差。
6.根据标准化栅条投影标准差来判别ShR和NShR：
如果满足条件：标准化栅条投影标准差>＝阈值，则判定该心律为NShR；
如果满足条件：标准化栅条投影标准差<阈值，则判定该心律为ShR。
本实施例所使用的软硬件配置如下：
硬件：戴尔台式电脑，Inter(R)Core(TM)i5处理器和4G内存；
软件：MATLAB R2010b。
本实施例的训练数据库和测试数据库分别为My_DB02和My_DB03，包括NSR、VT、VF及其他心律。两数据库中所有的心电数据片段均来自于美国麻省理工大学心律失常数据库(MITDB)、美国克莱登大学室性心律失常数据库(CUDB)、美国麻省理工大学恶性室性心律失常数据库(VFDB)和美国心脏协会数据库(AHADB)四个标准的心电数据库。其中，每个心电数据片段按长度为10s，相邻两个片段间隔1s的方式连续截取获得。My_DB02和My_DB03数据库详情如下表：
数据库名称 NSR Other VF VT Total
My_DB02 488 750 438 143 1819
My_DB03 1090 1914 1169 145 4318
心律分类的金标准：
(1)根据数据库自带的参考注释，对数据片段进行心律分类；
(2)ShR：心律类注释信息标为VF和VT的心电数据，NShR：其他所有心律；
(3)含有混合心律和噪声影响极度变形的心电片段均不采用。
同时，对本实施例的测试采用计算时间、灵敏度和特异性等综合反映算法特性的评价指标来评定算法的性能，定义如下：
计算时间：整个算法测试过程所用的时间；
灵敏度：可电击复律心律正确识别的比例；
特异性：不可电击复律心律正确识别的比例。
其中，灵敏度和特异性的具体计算方法如下：
VF和VT 不可电击复律心律
电击 A B
未电击 C D
可电击复律心律识别的灵敏度：A/A+C；
不可电击复律心律识别的特异性：D/D+B。
在如上测试条件下，对本实施例和已报道过的HILB算法进行了测试和比较，测试结果如下表：
由上表可见，当阈值为0.90，本实施例的灵敏度(91.06％)和特异性(97.74％)大于HILB算法的灵敏度(90.53％)和特异性(94.81％)，计算时间(7.9673s)也明显少于HILB算法的计算时间(11.3262s)。综合说明本实施例的分类性能不仅达到了AHA所建议的算法灵敏度90％，特异性95％的性能要求，而且明显优于HILB算法。
在上述实施例中，相关方法及算法可能用于的AED电除颤装置的相关硬件实现、CPR辅助抢救方法等内容不是本发明的内容，故未给出详细阐述，具体可参考相关技术资料和现有的心脏除颤装置及系统来实现。

Claims (5)

1.一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法，其特征是结合心电频域特征的带通滤波分析和心电时域特征的标准化栅条投影标准差分析，适用于疾病监测和治疗的心电监护仪和全自动体外除颤仪(AED)，主要步骤包括：
S1.对采集到的心电信号进行预处理；
S2.对心电信号进行心脏停搏心律的识别，若是心脏停搏心律，则判为不可电击复律心律；否则，则继续执行后续步骤S3；
S3.将心电信号通过整系数带通滤波器处理，获得反映心电频域特征的输出信号最大幅度比例值Pa、平均幅度比例值Pb和平均偏差比例值Pc及各阈值；
S4.根据带通滤波器输出信号的Pa、Pb和Pc值，判别可电击复律心律和不可电击复律心律，若满足条件：Pa <阈值_1，Pb >阈值_2和Pa×Pb/Pc <阈值_3，则判定该心律为不可电击复律心律；否则，继续执行后续步骤S5；
S5.若满足条件：阈值_1 < Pa <阈值_4，Pb <阈值_5和Pa×Pb/Pc <阈值_3，则判定该心律为不可电击复律心律；否则，继续执行后续步骤S6；
S6.若满足条件：Pa >阈值_1和Pb <阈值_2，则判定该心律为可电击复律心律；否则，继续执行后续步骤S7；
S7.若满足条件：Pb >阈值_6，则判定该心律为可电击复律心律；否则，继续执行后续步骤S8；
S8.计算反映心电时域特征的标准化栅条投影标准差；
S9.根据标准化栅条投影标准差判别可电击复律心律和不可电击复律心律，若标准化栅条投影标准差<阈值，则判定该心律为可电击复律心律；若标准化栅条投影标准差>=阈值，则判定该心律为不可电击复律心律；
所述的带通滤波方法中Pa、Pb和Pc的计算步骤包括：
首先，将心电信号通过一个整系数带通滤波器，由于不同心律的分布频带范围不同，从而VF和VT的波形将得到抑制；
其次，对通过上述整系数带通滤波器的输出信号取绝对值，用AbsFS表示；
最后，计算信号绝对值小段时间内的最大值Max(AbsFS)、平均值Mean(AbsFS)和平均方差MD，其中Pa、Pb和Pc定义如下：
最大幅度比例值Pa：先计算心电信号小段时间内在0.5× Max(AbsFS)到Max(AbsFS)的之间的幅度比例a，然后将大段时间内的幅度比例a相加；
平均幅度比例值Pb：先计算心电信号小段时间内在Mean(AbsFS)到Max(AbsFS)的之间的幅度比例b，然后将大段时间内的幅度比例b相加；
平均偏差比例值Pc：先计算心电信号小段时间内在Mean(AbsFS)-MD到Mean(AbsFS)+MD的之间的幅度比例c，然后将大段时间内的幅度比例c相加。
2.如权利要求1所述的一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法，其特征在于，所述的标准化栅条投影标准差的计算步骤包括：
首先，将采集到的一段时间内的心电信号按相同的时间间隔分成小段，每一小段称为一个栅条，每小段的时间间隔称为栅条宽度；
其次，计算心电图在每个栅条内覆盖的幅度范围，就是栅条在纵轴上的投影；
再次，计算所有栅条投影的标准差；
最后，对栅条投影的标准差进行标准化处理，得到标准化栅条投影标准差。
3.如权利要求1所述的一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法，其特征在于，所述的心电信号预处理，具体步骤包括：
首先，使用一个截止频率小于或等于1Hz的高通滤波器，抑制基线漂移；
其次，使用一个截止频率大于或等于30Hz的低通滤波器，滤除工频干扰和肌电噪声；
最后，使用一个滑动平均滤波器，进一步滤除与心电信号无关的高频干扰，提高滤波效果。
4.如权利要求1所述的一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法，其特征在于，所述的阈值_1～阈值_6：对所采集到的一段时间内的大量心电数据进行统计分析，由数据统计分析软件计算确定。
5.如权利要求1所述的一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法，其特征在于，步骤S2中当心电信号幅度的绝对值小于停搏阈值则判别为心脏停搏心律。
CN201410764262.5A 2014-12-11 2014-12-11 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法 Active CN104382590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410764262.5A CN104382590B (zh) 2014-12-11 2014-12-11 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410764262.5A CN104382590B (zh) 2014-12-11 2014-12-11 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法

Publications (2)

Publication Number Publication Date
CN104382590A CN104382590A (zh) 2015-03-04
CN104382590B true CN104382590B (zh) 2017-08-11

Family

ID=52600632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410764262.5A Active CN104382590B (zh) 2014-12-11 2014-12-11 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法

Country Status (1)

Country Link
CN (1) CN104382590B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105054926A (zh) * 2015-04-13 2015-11-18 深圳市飞马与星月科技研究有限公司 心电信号特征信息的提取方法及装置
IL258358B (en) 2015-09-30 2022-08-01 Heart Test Laboratories Inc Quantitative cardiac examination
WO2017084546A1 (zh) 2015-11-17 2017-05-26 安徽华米信息科技有限公司 基于可穿戴设备的用户关注信息确定方法、装置和可穿戴设备
CN105468951B (zh) * 2015-11-17 2019-08-06 安徽华米信息科技有限公司 通过心电特征进行身份识别的方法及装置、可穿戴设备
CN106361283A (zh) * 2016-09-06 2017-02-01 四川长虹电器股份有限公司 心音信号优化方法
CN107233204B (zh) * 2017-07-12 2019-08-06 李城钰 一种心脏骤停急救一体化装置
CN107485786B (zh) * 2017-09-18 2020-10-30 电子科技大学 一种全皮下植入型心律转复除颤器s_icd的植入评估系统
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
CN111419215B (zh) * 2020-04-09 2023-04-25 苏州维伟思医疗科技有限公司 一种除颤决策方法、装置及计算机可读存储介质
CN112545531A (zh) * 2020-11-27 2021-03-26 苏州维伟思医疗科技有限公司 一种结合时域与频域分析识别可除颤心律的方法
CN112438735B (zh) * 2021-01-29 2021-06-15 深圳市理邦精密仪器股份有限公司 一种心电图p波检测方法、分析装置以及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999059673A1 (en) * 1998-05-21 1999-11-25 Medtronic Physio-Control Manufacturing Corp. Automatic detection and reporting of cardiac asystole
US6490478B1 (en) * 2000-09-25 2002-12-03 Cardiac Science Inc. System and method for complexity analysis-based cardiac tachyarrhythmia detection
CN101461711A (zh) * 2009-01-12 2009-06-24 复旦大学 基于标准化斜率绝对值标准差的可电击复律心律识别算法
CN101461709B (zh) * 2009-01-12 2011-02-09 复旦大学 一种改进的可电击复律心律识别仪器
CN101474069B (zh) * 2009-01-12 2010-11-17 复旦大学 一种改进的可电击复律识别仪器
KR100955342B1 (ko) * 2009-06-22 2010-04-29 광주과학기술원 심전도분석을 이용한 전기충격 판정 방법

Also Published As

Publication number Publication date
CN104382590A (zh) 2015-03-04

Similar Documents

Publication Publication Date Title
CN104382590B (zh) 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法
Panda et al. Detection of shockable ventricular cardiac arrhythmias from ECG signals using FFREWT filter-bank and deep convolutional neural network
Cheng et al. Life-threatening ventricular arrhythmia detection with personalized features
Martis et al. Automated detection of atrial fibrillation using Bayesian paradigm
WO2014205310A2 (en) Techniques for predicting cardiac arrhythmias based on signals from leads of electrocardiography
Ayala et al. A reliable method for rhythm analysis during cardiopulmonary resuscitation
Li et al. Identifying potentially shockable rhythms without interrupting cardiopulmonary resuscitation
Firoozabadi et al. Predicting defibrillation success in sudden cardiac arrest patients
CN101461711A (zh) 基于标准化斜率绝对值标准差的可电击复律心律识别算法
Li et al. Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network
Malek et al. Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm
Murugappan et al. Time domain features based sudden cardiac arrest prediction using machine learning algorithms
Coult et al. Short ECG segments predict defibrillation outcome using quantitative waveform measures
Coult et al. A method to predict ventricular fibrillation shock outcome during chest compressions
Kwok et al. Electrocardiogram-based pulse prediction during cardiopulmonary resuscitation
CN101461709B (zh) 一种改进的可电击复律心律识别仪器
Manibardo et al. ECG-based random forest classifier for cardiac arrest rhythms
US8849386B2 (en) Analyzing electrocardiograms
Othman et al. A new semantic mining approach for detecting ventricular tachycardia and ventricular fibrillation
Kwok et al. A method for continuous rhythm classification and early detection of ventricular fibrillation during CPR
Zhang et al. Reducing false arrhythmia alarm rates using robust heart rate estimation and cost-sensitive support vector machines
Ilankumaran et al. Ventricular arrhythmias detection using wavelet decomposition
Nemirko et al. The Comparison of Algorithms for Life-threatening Cardiac Arrhythmias Recognition.
Nanarkar et al. A Survey on Classification and identification of Arrhythmia using Machine Learning techniques
Sadiq et al. Breathing rate and heart rate as confounding factors in measuring T wave alternans and morphological variability in ECG

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160622

Address after: High tech Zone Chengdu city Sichuan Province Jincheng Road 610000 No. 666 5 8 storey building No. 18

Applicant after: Chengdu radiccon Medical Technology Co Ltd

Address before: 610000, No. two, section 4, Jianshe North Road, Chengdu, Sichuan, Chenghua District

Applicant before: Lai Dakun

GR01 Patent grant
GR01 Patent grant