CN104783787A - 一种基于神经网络的j波检测方法 - Google Patents
一种基于神经网络的j波检测方法 Download PDFInfo
- Publication number
- CN104783787A CN104783787A CN201510201185.7A CN201510201185A CN104783787A CN 104783787 A CN104783787 A CN 104783787A CN 201510201185 A CN201510201185 A CN 201510201185A CN 104783787 A CN104783787 A CN 104783787A
- Authority
- CN
- China
- Prior art keywords
- ripple
- electrocardiosignal
- neutral net
- detecting method
- 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.)
- Granted
Links
- 0 C*1(CCCC1)[N+] Chemical compound C*1(CCCC1)[N+] 0.000 description 2
Classifications
-
- 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
-
- 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
- A61B5/24—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
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及高分辨率心电图分析方法,具体为一种基于神经网络的J波检测方法。本发明先获得J波综合征病人的Frank导联的高分辨率心电信号,对心电信号进行预处理,去除干扰和噪声,利用小波技术去除低频信号,形成幅值波形VM,然后对VM进行两种特征向量提取,这两种特征向量反映了J波的形态学特性,把两种特征向量输入到BP神经网络,利用神经网络进行对高分辨率心电图分类。本发明填补了信号处理领域对J的识别研究的空白,具有重要的现实意义。
Description
技术领域
本发明涉及高分辨率心电图分析方法,具体为一种基于神经网络的J波检测方法。
背景技术
心电图中QRS综合波与ST段之间的连接点称为J点,它表示除极结束、复极开始。倘若J点从基线移位则称J点偏移,常见于早期复极综合征、急性心肌缺血、心包炎和束支传导阻滞等,如J点偏移呈特殊圆顶形或尖峰型偏移波称为J波。J波形成的离子流机制是瞬时外向钾(Ito)电流增加,电生理基础是内外膜电位差和复极离散度增大,产生2位相折返致恶性室性心律失常及猝死。J波是一种正常的心电图变异,但当J波增宽、增高,可预示室速、室颤的发生,并会引起致命性的恶性心律失常,还可导致猝死。
在J波症候群中,Brugada(布鲁戈登)综合征、特发性心室颤动(简称室颤)与急性冠状动脉(简称冠脉)综合征都极其容易诱发室性心动过速、室颤和心脏性猝死。猝死由心脏引起的,骤然的,不可预测的,从出现症状到症状加剧1小时内发生的自然死亡。心电图特点是J点抬高,J波形成,ST段抬高,且与T波的上升支融合为一体弓背向下。为减少猝死的发生,猝死无创性预警方法的研究备受重视,J波作为心电图心室复极的新指标越来越受到临床的重视。目前,对J波的分类是医生凭自身经验通过观察心电图进行判断,这样仅局限于在时域研究心电信号的幅值、波形以及发生位置。尤其在J波振 幅较小,不易肉眼观察的情况下,很容易造成判断误差。所以从信号处理角度出发,实现J波的检测具有重要的研究意义和临床意义。
发明内容
本发明为了填补高分辨率心电图上识别J波检测的空白,提供了一种基于神经网络的J波检测方法。
本发明是采用如下的技术方案实现的:一种基于神经网络的J波检测方法,包括以下步骤:
数据采集:从J波综合征患者体表通过三个正交的X、Y、Z导联(X,Y,Z)获得心电信号,获得的心电信号中包括含有J波的心电信号和不含J波的心电信号,并分别记录好两种心电信号的数目,分成两个集合,一个是训练集,另外一个测试集;
利用平均心电信号降低噪声:取训练集中心电信号每个导联的200-300次心电周期,把每个心电周期基线对齐,使QRS波重合,利用多拍平均技术,达到了心电信号平均的效果,降低了噪声,去噪后的心电信号导联记为
合成幅值波形(VM):对去噪后的心电信号导联进行小波包分解和小波包重构,去除低频分量,形成了包含J波分量的高频成分,记为利用小波包重构合成的高频成分产生幅值波形VM;
特征提取:提取的第一个特征是幅值波形VM的QRS波群后的48ms采样点特征向量;提取的第二个特征是幅值波形VM的QRS波群后的48ms分解为每4ms一个间隔,分别计算这12个间隔的均值 和标准差,从而形成的特征向量;
利用BP神经网络分类:把上述提取的两个特征向量作为BP神经网络的输入,BP神经网络输出为1表示J波阳性,即心电信号中含有J波或,BP神经网络输出为0表示J波阴性,即心电信号中不含有J波,从而达到了对心电信号中J波的识别。
J点(连接S波和ST段的连接点)抬高会引起J波,所以选择J点后的40ms作为“监控”对象,同样,考虑到检测方法的鲁棒性,J点前的8ms也纳入“监控”范围,在这个J点前后48ms的时间段里,能捕捉到该处心电信号的形态学特征。如果J点偏移或抬高,导致出现J波,能第一时间检测到其形态学变化。为了能更精细的检测J点之后的形态变化,我们定义了第二种时域特征向量,把J点前后的48ms分成4ms的间隔,求这些间隔的平均值和标准差,这样就形成了一个反映这些形态变化细节的特征向量;利用这个两个特征实现对J波的识别。
附图说明
图1为本发明的流程图;
图2为神经网络分类流程图。
具体实施方式
一种基于神经网络的J波检测方法,包括以下步骤:
数据采集:J波是一种正常的心电变异信号,当J波增高,变宽时,可能引发J波综合征,但是出现J波综合征,即出现Brugada(布鲁戈登)综合征、特发性心室颤动(简称室颤)或者急性冠状动脉(简 称冠脉)综合征的时候,并不一定是心电图中存在J波,也就是说J波和J波综合征并不是一一对应的关系,但是,J波综合征往往大多时候都伴随着J波的出现,所以,选择多位J波综合征患者,从其体表通过Frank导联即X,Y,Z三个正交导联(X,Y,Z),以1khz,12bit的分辨率进行采样和模数转换存储,得到的数据,分为两个集合,一个集合叫训练集,另外一个叫测试集,训练集用来训练下文中神经网络的权矩阵,使得网络误差调整到最小,测试集用来测试神经网络的性能;
去噪:体表电极测试得的到高分辨率心电信号中含有工频干扰、基线漂移、肌电干扰等噪声,本方法选择了多拍平均技术去除噪声,即首先,通过小波分析奇异性定位R点;
上式中,s为小波变换的尺度,f(t)为心电信号,θs(t)为平滑函数,Ws 1f(t)、Ws 1f(t)是分别是函数f(t)在尺度s下由平滑函数θs(t)平滑后再取一阶、二阶导数;可以看出心电信号的小波变换,等效于采用平滑函数对心电信号平滑后再求导,当s较大时,则此平滑过程会将f(t)的一些小的突变削去,而只剩下大尺寸的突变,即是说明了信号的奇异性检测是和一定的尺度相联系,从而达到了对R点的定位,其次,在R点定位的基础上,以基线为基准选择每个导联的200~300次心跳周期使QRS波重叠,得到平均心电图(SAECG),SAECG能有 效降低噪声,去噪后的三个导联信号记为
合成幅值波形(VM),J波是心电信号中的高频、低幅信号,通过对心电信号进行离散小波变换和重构达到去除心电信号低频分量的目的,使提取J波的时候更有针对性,
由上式可知,心电信号可以分解为一系列低频分量和高频分量的组合,其中,cj(k)为尺度系数,dj(k)为小波系数,两个系数的组合可恢复出源信号,去除心电信号中的低频成分后,小波重构出来的导联信号,记为由于X,Y,Z三个导联是正交的,所以定义波形幅值为:
波形幅值VM反映了三个导联幅值的综合,能准确反映心电信号的形态学特性,对于突变的J波,能有很强识别能力;
特征提取:从合成的VM波形上利用公式(2)的小波奇异值定位R点,从而确定S点的位置,J点为S点和ST段连接的位置,根据J波的先验条件,测试S点后面一段时间的波形幅值,可以作为区别出现J波和没有出现J波(或者是良性J波)的一个特征,本方法选择了S 点后的48ms的时间段波形幅值。由于模式转换的采样率是1khz,所以48ms包含48个采样点,形成一个48维特征向量,称为第一特征向量,这个特征向量反映了心电图上幅值的特性。然后,把48ms分成每4ms一个时间段的小间隔,然后求每个小间隔的均值和标准差,得到一个24维的特征向量,称为第二特征向量。这个步骤主要从构造的VM中提取了两个能反映心电图中存在和不存在J波的特征向量。
以提取出来的两个特征向量作为输入,输入到BP神经网络。我们构造了三层BP人工神经网络,它包括了输入层,隐含层以及输出层,结构图如图2所示。根据上文提取的两个特征向量分别为48维和24维,所以设定输入神经元为48个,基于神经网络的J波的识别结果是二值的,因此输出神经元取1个,输出为1表示J波阳性,输出为0表示J波阴性。神经网络的输入是两个特征向量,输出是0和1。利用网络误差调整权值矩阵。设误差函数为:
权值调整函数为:
Vij(t+1)=Vij(t)+△Vij (8)
Wij(t+1)=Wij(t)+△Wij (9)
整个过程就是调整权值矩阵,使得网络误差最小。从而使神经网络训练完成。由此,将测试集中心电信号降低噪声、合成幅值波形和提取特征,并将提取的特征输入神经网络,测试神经网络的灵敏度和 准确率。所以,当输入新的、未知的高分辨率心电图的时候,就可以检测到该心电图存在不存在J波,达到了检测识别J波的目的。
Claims (1)
1.一种基于神经网络的J波检测方法,其特征在于包括以下步骤:
数据采集:从J波综合征患者体表通过三个正交的X、Y、Z导联(X,Y,Z)获得心电信号,获得的心电信号中包括含有J波的心电信号和不含J波的心电信号,并分别记录好两种心电信号的数目,分成两个集合,一个是训练集,另外一个测试集;
利用平均心电信号降低噪声:取训练集中心电信号每个导联的200-300次心电周期,把每个心电周期基线对齐,使QRS波重合,利用多拍平均技术,达到了心电信号平均的效果,降低了噪声,去噪后的心电信号导联记为
合成幅值波形VM:对去噪后的心电信号导联进行小波包分解和小波包重构,去除低频分量,形成了包含J波分量的高频成分,记为利用小波包重构合成的高频成分产生幅值波形VM;
特征提取:提取的第一个特征是幅值波形VM的QRS波群后的48ms采样点特征向量;提取的第二个特征是幅值波形VM的QRS波群后的48ms分解为每4ms一个间隔,分别计算这12个间隔的均值和标准差,从而形成的特征向量;
利用BP神经网络分类:把上述提取的两个特征向量作为BP神经网络的输入,BP神经网络输出为1表示J波阳性,即心电信号中含有J波或,BP神经网络输出为0表示J波阴性,即心电信号中不含有J波,从而达到了对心电信号中J波的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510201185.7A CN104783787B (zh) | 2015-04-24 | 2015-04-24 | 一种基于神经网络的j波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510201185.7A CN104783787B (zh) | 2015-04-24 | 2015-04-24 | 一种基于神经网络的j波检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104783787A true CN104783787A (zh) | 2015-07-22 |
CN104783787B CN104783787B (zh) | 2017-06-16 |
Family
ID=53549315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510201185.7A Active CN104783787B (zh) | 2015-04-24 | 2015-04-24 | 一种基于神经网络的j波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104783787B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN108024717A (zh) * | 2015-10-29 | 2018-05-11 | 美多尼克监测公司 | 确定室性期前收缩(pvc)类型和负荷的系统和方法 |
CN109009084A (zh) * | 2018-06-08 | 2018-12-18 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN116369907A (zh) * | 2023-03-20 | 2023-07-04 | 华南师范大学 | 一种心冲击图信号定位方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770859A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 心电信号的处理方法和装置、存储介质、处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100286542A1 (en) * | 2009-05-05 | 2010-11-11 | Siemens Medical Solutions Usa, Inc. | Heart Electrophysiological Signal Analysis System |
CN102085095A (zh) * | 2009-12-07 | 2011-06-08 | 深圳市新元素医疗技术开发有限公司 | 一种检测心电图中st段的方法、系统和心电检测仪器 |
US8504142B2 (en) * | 2010-11-12 | 2013-08-06 | Oulun Yliopisto | Apparatus, method, and computer program for predicting risk for cardiac death |
CN103860167A (zh) * | 2014-04-02 | 2014-06-18 | 太原理工大学 | 基于非负矩阵分解的j波提取和分析方法 |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
US20140249437A1 (en) * | 2011-10-12 | 2014-09-04 | Koninklijke Philips N.V. | Method and system to fully-automatically measure the st-segment level of electrocardiograms in real-time ecg monitoring |
CN104367315A (zh) * | 2014-11-13 | 2015-02-25 | 太原理工大学 | 一种提取心电图中j波信号的盲源分离方法 |
-
2015
- 2015-04-24 CN CN201510201185.7A patent/CN104783787B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100286542A1 (en) * | 2009-05-05 | 2010-11-11 | Siemens Medical Solutions Usa, Inc. | Heart Electrophysiological Signal Analysis System |
CN102085095A (zh) * | 2009-12-07 | 2011-06-08 | 深圳市新元素医疗技术开发有限公司 | 一种检测心电图中st段的方法、系统和心电检测仪器 |
US8504142B2 (en) * | 2010-11-12 | 2013-08-06 | Oulun Yliopisto | Apparatus, method, and computer program for predicting risk for cardiac death |
US20140249437A1 (en) * | 2011-10-12 | 2014-09-04 | Koninklijke Philips N.V. | Method and system to fully-automatically measure the st-segment level of electrocardiograms in real-time ecg monitoring |
CN103860167A (zh) * | 2014-04-02 | 2014-06-18 | 太原理工大学 | 基于非负矩阵分解的j波提取和分析方法 |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
CN104367315A (zh) * | 2014-11-13 | 2015-02-25 | 太原理工大学 | 一种提取心电图中j波信号的盲源分离方法 |
Non-Patent Citations (2)
Title |
---|
KRISTOFF A ET AL.: "Long-term prognosis associated with J-point elevation in a large middle-aged biracial cohort: the ARIC study", 《EUROPEAN HEART JOURNAL》 * |
RAPHAEL ROSSO,ET AL: "J-Point Elevation in Survivors of Primary Ventricular Fibrillation and Matched Control Subjects", 《JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105105743B (zh) * | 2015-08-21 | 2017-03-29 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能处理方法 |
CN105266801A (zh) * | 2015-09-10 | 2016-01-27 | 太原理工大学 | 基于概率神经网络的j波检测及分类方法 |
CN108024717A (zh) * | 2015-10-29 | 2018-05-11 | 美多尼克监测公司 | 确定室性期前收缩(pvc)类型和负荷的系统和方法 |
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
CN106650609A (zh) * | 2016-10-26 | 2017-05-10 | 太原理工大学 | 基于调q小波变换和高阶累积量的j波检测及分类方法 |
CN109009084A (zh) * | 2018-06-08 | 2018-12-18 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN109009084B (zh) * | 2018-06-08 | 2021-03-23 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN116369907A (zh) * | 2023-03-20 | 2023-07-04 | 华南师范大学 | 一种心冲击图信号定位方法 |
CN116369907B (zh) * | 2023-03-20 | 2024-02-13 | 华南师范大学 | 一种心冲击图信号定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104783787B (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104783787A (zh) | 一种基于神经网络的j波检测方法 | |
US11234629B2 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
CN101856225B (zh) | 一种心电信号r波峰检测方法 | |
CN103584854B (zh) | 心电信号r波的提取方法 | |
CN105054926A (zh) | 心电信号特征信息的提取方法及装置 | |
CN104173043A (zh) | 一种适合于移动平台的心电数据分析方法 | |
CN103690156A (zh) | 一种心率获取方法及心电信号的处理方法 | |
CN106771905B (zh) | 一种适用于高频电流局部放电检测的脉冲提取方法 | |
Gadaleta et al. | A method for ventricular late potentials detection using time-frequency representation and wavelet denoising | |
CN110226919B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
KR20150020955A (ko) | 신경망을 이용한 심장질환판별 방법 및 그 장치 | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
CN107303177A (zh) | 一种心电图t波、p波的检测方法及系统 | |
CN103054572B (zh) | 基于单导联心室晚电位信号的盲源分离方法 | |
CN106137184B (zh) | 基于小波变换的心电信号qrs波检测方法 | |
CN104367315A (zh) | 一种提取心电图中j波信号的盲源分离方法 | |
CN105105739B (zh) | 短距离无线心率及心率变异性检测方法 | |
CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN103110415B (zh) | 起搏信号检测装置及方法 | |
CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
CN103070681A (zh) | 一种基于稀疏成分分析的心室晚电位分离方法 | |
CN105078447A (zh) | 一种心电信号r波定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |