CN105530857A - 根据母体腹部ecg记录的胎儿心率提取 - Google Patents

根据母体腹部ecg记录的胎儿心率提取 Download PDF

Info

Publication number
CN105530857A
CN105530857A CN201480049574.6A CN201480049574A CN105530857A CN 105530857 A CN105530857 A CN 105530857A CN 201480049574 A CN201480049574 A CN 201480049574A CN 105530857 A CN105530857 A CN 105530857A
Authority
CN
China
Prior art keywords
peak
threshold value
signal
parent
intersection point
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
Application number
CN201480049574.6A
Other languages
English (en)
Other versions
CN105530857B (zh
Inventor
程力美
E·T·卡尔森
S·瓦伊拉万
M·徐
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN105530857A publication Critical patent/CN105530857A/zh
Application granted granted Critical
Publication of CN105530857B publication Critical patent/CN105530857B/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0255—Recording instruments specially adapted 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
    • 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]
    • A61B5/344—Foetal cardiography
    • 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
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4362—Assessing foetal parameters
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • 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
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Pediatric Medicine (AREA)
  • Reproductive Health (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一种用于使用计算机处理器(26)来从至少一个母体信号提取胎儿心率的系统(10)。所述系统包括：传感器(12-18)，其附接到患者以接收腹部ECG信号，以及记录器和数字转换器(20)，其在母体信号缓存器(22A-22D)中记录并数字化每个至少一个母体信号。所述系统还包括识别所述母体信号缓存器中的候选峰的峰检测器(40)。所述系统的所述信号堆叠器(42)将至少一个母体信号缓存器进行堆叠并且划分为多个片段，每个片段包括一个候选峰，并且空间滤波器(44)识别和衰减所述母体信号缓存器的所述多个片段中的母体QRS信号，所述空间滤波器包括主成分分析和正交投影中的至少一个，以产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中。所述系统还包括：胎儿QRS识别器(46)，其用于通过主成分分析和跟随有基于规则的fGRS提取的峰检测器中的至少一个来识别原始胎儿ECG缓存器中的峰；融合器(48)，其用于根据所识别的峰来计算和融合胎儿心率。

Description

根据母体腹部ECG记录的胎儿心率提取
技术领域
本申请总体涉及从母体腹部心电图(ECG)记录来提取胎儿心率。其具体结合空间滤波和基于自适应规则的胎儿QRS检测的使用而应用并且将特别参考其进行描述。然而，应理解，其也适用于其他使用场景并且不一定限于前述应用。
背景技术
心脏缺陷是最常见的出生缺陷之一并且是与出生缺陷有关的死亡的主要原因。每年，大约1/125婴儿伴随某种形式的先天心脏缺陷出生。先天心脏缺陷起源于在心脏形成时怀孕期的早期，并且其可能影响心脏的任何部分或功能。由于遗传综合征、遗传性疾病或者诸如感染或药物误用的环境因素，因而可能发生心脏畸形。然而，除在分娩期间外，胎儿心电描记法尚未证明为用于对特定结构缺陷进行成像的有效工具。
胎心信号的检测和分析是胎儿健康监测的主要成分并且具有胎儿心率失常、胎儿行为状态等等的监测中的各种应用，但是胎儿心电描记法对于更加总体的问题，例如归因于使脐带窒息的特定胎位的一般缺血，是受限的。该限制的原因在于，无创胎儿心电图(ECG)被胎儿大脑活动、肌动描记(肌肉)信号(来自母亲和胎儿二者)、电信号必须穿过的不同的介电生物媒体的运动伪影和多个层所污染。胎儿ECG比另一干扰生物信号(母体心脏信号、子宫收缩)弱得多并且常常被胎儿大脑活动、肌动描记(肌肉)信号(来自母亲和胎儿二者)和运动伪影所污染。希望连续的胎儿心率(FHR)监视器减少未诊断的胎儿缺氧，但是输出常常是不可靠的并且难以解释，这导致健康婴儿的分娩的增加的剖宫产率。
用于测量FHR的最准确的方法是使用胎儿头皮电极的直接胎儿心电图(FECG)，其仅可能使用在分娩中但是由于其相关联的风险通常不使用在临床中。无创性FECG监测是通过放置在期望的母亲的腹部上的电极来测量的。在具有可忽略的风险的怀孕期的第四个月的中间之后，可以使用该方法。然而，检测腹部ECG信号中的FHR常常是困难的，因为母体ECG中通常具有较大的幅度并且母体ECG的R峰常常与胎儿ECG的R峰交叠。使用复杂的信号处理技术在FHR估计方面具有经改进的准确度。仍然存在大量的改进空间。
现今，胎儿监测基于胎儿心率并且不并入胎儿ECG(fECG)波形特性的特性，其是孩子和成人二者的心脏评价的基石。从临床实践排除该最关键的信息源的主要原因在于，可靠地测量fECG的技术大部分是不可用的。因此，尚未大规模地进行使ECG特性与新生儿结果相关的研究。
如所讨论的母体ECG是潜在的噪声，其污染胎儿ECG。
一般地，现有的ECG分析技术针对ECG信号主导存在于记录通道中的噪声的情况调谐。在事实并非如此的情况中，例如当使用低成本ECG设备时或者当试图从放置在母亲上的腹部电极记录胎儿心跳时，归因于噪声的信号偏差可以变得与归因于心脏的电活动的信号偏差不能区分。
可靠的胎儿心率和胎儿ECG信号的提取将使能心脏畸形的早期检测中的临床医师并且帮助其及时将适当的药物开处方，或者考虑分娩期间或者出生之后的必要的预防措施。尽管成人心电描记法和信号处理技术的进步，但是胎儿ECG的分析仍然处于其初期。通过将电极放置在分娩前(在分娩之前)的母亲的腹部之上的腹部fECG监测的临床潜在性已经受获得可靠的fECG中的困难所影响。存在对于从母体ECG提取fECG的方法的需要。
发明内容
本申请提供克服以上提到的问题和其他问题的新并经改进的方法和系统。
根据一个方面，提供了一种用于使用计算机处理器来从至少一个母体信号提取胎儿心率的系统。所述系统包括：传感器，共附接到患者以接收腹部ECG信号；以及记录器和数字转换器，其在母体信号缓存器中记录并数字化每个至少一个母体信号。所述系统还包括识别所述母体信号缓存器中的候选峰的峰检测器。所述系统的信号堆叠器将至少一个母体信号缓存器进行堆叠并且划分为多个片段，每个片段包括一个候选峰并且空间滤波器识别并且衰减母体信号缓存器的多个片段中的母体QRS信号，所述空间滤波器包括主成分分析和正交投影中的至少一个，以产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中。所述系统还包括：胎儿QRS识别器，其用于通过主成分分析和跟随有基于规则的fGRS提取的峰检测器中的至少一个来识别原始胎儿ECG缓存器中的峰；以及融合器，其根据所识别的峰来计算和融合胎儿心率。
根据另一方面，提供了一种从至少一个母体信号提取胎儿心率的方法。所述方法包括在母体信号缓存器中记录并数字化至少一个母体信号并且识别所述母体信号缓存器中的候选峰。所述方法将所述至少一个母体信号缓存器分为多个片段，每个片段包括一个候选峰。母体QRS信号是通过母体信号缓存器的多个片段中的空间滤波来识别和衰减的。所述空间滤波器至少包括主成分分析或者正交投影并且产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中。所述原始胎儿ECG缓存器中的所述峰是通过主成分分析或者跟随有基于规则的fQRS提取的峰检测器来识别的，并且所述胎儿心率是根据所述峰来识别的。
根据另一方面，提供了一种从至少一个母体信号提取胎儿心率的模块。所述模块包括记录器和数字转换器，其在母体信号缓存器中记录并数字化至少一个母体信号。所述模块还包括处理器，其被配置为识别所述母体信号缓存器中的候选峰并且将所述至少一个母体信号缓存器分为多个片段，每个片段包括一个候选峰。所述处理器还被配置为识别并且利用包括主成分分析和正交投影中的至少一个的所述空间滤波器通过空间滤波来衰减所述母体信号缓存器的所述多个片段中的母体QRS信号，其中，所述空间滤波产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中。然后，所述处理器通过主成分分析和跟随有基于规则的fQRS提取的峰检测器中的至少一个来识别所述胎儿ECG缓存器中的峰，并且计算机根据所识别的峰计算所述胎儿心率。
一个优点存在于来自使用正交投影或者主成分分析的腹部ECG记录的经改进的胎儿ECG读数。
另一优点存在于连续的胎儿心率监测和读数解释的经改进的可靠性。
另一优点存在于诸如胎儿心跳检测的低信噪比ECG中的心脏信号的经改进的识别。
另一优点存在于经改进的临床工作流。
另一优点存在于经改进的患者护理。
本领域技术人员在阅读和理解以下详细说明之后，将领会到本发明的更进一步的优点。
附图说明
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
图1图示了胎儿心率提取系统。
图2图示了用于检测来自腹部fECG的胎儿心率的流程图。
图3图示了用于母体QRS检测的流程图。
图4图示了示出母体QRS检测的峰检测和自动校正的图3的继续流程图。
图5图示了使用对应于近似在母体QRS峰之前～200样本和在母体峰之后～450样本的腹部ECG(AECG)数据构建的数据矩阵。
图6图示了减去了母体QRS的数据矩阵。
图7图示了在应用PCA技术时数据矩阵中的单个行的母体衰减之前和之后数据。
图8图示了甚至在胎儿心跳与母体QRS交叠时在母体QRS的衰减之后所保存的胎儿心跳。
图9图示了示出通过PCA提取的胎儿ECG(fECG)迹线，其中利用以三角形标记的胎儿QRS峰。
图10图示了使用正交投影技术的母体ECG的衰减，其中，母体QRS被投影出。
图11图示了腹部ECG和所提取的胎儿ECG迹线，其中黑点表示如基于胎儿头皮电极所标注的胎儿QRS位置。
图12示出了从胎儿ECG所获得的胎心(在空间滤波之后)与从头皮电极所获得的胎儿心率的比较。
图13图示了用于确定心跳分配和确定性评估信息的方法的示意性表示。
图14图示了基线漂移去除算法的输入。
图15图示了基线漂移去除算法的输出。
图16图示了在ECG信号的60s长段上由经优化的阈值例程所找到的阈值。
图17图示了阈值交点周围的信号片段的编译。
图18图示了在主成分分析(PCA)空间中所表示的信号片段。
图19图示了基于原始ECG迹线的每个心跳的确定性。
图20图示了通过考虑峰的数量和所得的心率变异性找到通道的最佳组合。
图21图示了在校正之前和之后的RR间隔。
图22图示了表示缺失心跳可能在何处的RR间隔。
图23图示了表示在何处误识别峰的RR间隔。
图24图示了描绘针对处理被用于组合输出以得到准确的胎儿QRS位置的信号的不同的信号或者不同的结果的融合过程的流程图。
图25图示了四个同时记录的胎ECG信号(参见前四个绘图)和组合的置信信号输出(参见底部绘图)。
具体实施方式
本申请涉及一种用于经改进的胎儿心率提取和解释的方法。本公开受到对用于监测胎儿心率的当前方法不可靠并且难以解释导致健康婴儿的增加的剖腹产的洞悉所启发。目前，用于测量胎儿心率的最准确的方法是使用胎儿头皮电极的直接胎儿心电图，其由于在日常怀孕期检查期间其相关联的风险而通常仅在分娩期间使用。无创性胎儿心电图监测是通过放置在母亲腹部上的电极来测量的，然而，由于母体ECG通常更流行，因而检测胎儿心率常常是困难的。
本申请呈现了一种用于使用空间滤波来从腹部fECG记录提取胎儿心率的经改进的算法，例如用于母体ECG衰减和PCA聚类的主成分分析和正交投影技术。此外，本发明利用针对胎儿心率的提取的基于自适应规则的胎儿QRS检测。
参考图1，胎儿心率提取系统10从附接到患者(例如，孕妇)的传感器12-18接收腹部ECG信号。传感器12-18提供信号，其由A/D转换器数字转换器数字化并且存储在缓存器22A-22D中。每个传感器可以提供存储在其自身相应的缓存器中的信号。缓存器22A-22D是存储器24的一部分。系统10包括运行存储在指令存储器28中的指令的计算机处理设备26(或者“处理器”)。指令存储器28、数据存储器24、数字转换器20和处理器26是通过数据总线30来连接的。
系统10可以包括一个或多个专用或通用计算设备(例如服务器计算机或膝上型计算机)和相关联的显示设备和用户输入设备(例如键盘和/或光标控制设备(未示出))。存储器24、28可以是分离的或组合的并且可以表示任何类型的计算机可读存储器，例如随机存取存储器(RAM)、只读存储器(ROM)、磁盘或磁带、光盘或闪速存储器。可以用各种方式来实现处理器，例如通过单核处理器、双核处理器(或者更一般地通过多核处理器)、数字处理器和协作的数学协处理器、数字控制器等等不同地。
如本文所使用的术语“软件”旨在涵盖能够由计算机或其他数字系统执行以便将计算机或其他数字系统配置为执行软件的意图的任务的任何指令的集或指令的集合。如本文所使用的术语“软件”旨在涵盖存储在如RAM、硬盘、光盘等等的存储介质诸中的这样的指令，同样还旨在涵盖作为存储在ROM等等上的所谓的“固件”。这样的软件可以以各种方式组织，并且可以包括组织为库的软件组件、存储在远程服务器等等上的基于因特网的程序、源代码、解释代码、可直接执行的代码等等。应预期到，软件可以调用系统级代码或者对驻留在服务器或其他位置上的其他软件的调用以执行某些功能。
在一个实施例中，系统10由存储器28中的指令配置为实现峰检测器40、信号堆叠器42、空间滤波器44(包括主成分分析器和正交投影分析器)、胎儿QRS识别器46(包括第二主成分分析器和基于自适应规则的分析器)和融合器48。
图2示出了根据一个实施例的方法。在一个实施例中，步骤是通过计算机处理器26在存储在存储器28中的指令的控制下来执行的。方法或者软件模块在S100处开始。
在S102处，在至少一个母体ECG通道中检测母体心率。这包括记录和数字化每个ECG信号、将数字信息存储在缓存器中、过滤缓存器中的信号并且然后检测峰。关于图3更详细地解释步骤S102。
在S104处，对于每个通道(缓存器)而言，在m个母体QRS波中的每个(在步骤S102中所检测的每个峰)周围应用固定的n长度窗口。在一个实施例中，窗口大小是针对该通道的中值RR间隔的110％，其中，35％在R峰之前并且75％在R峰之后。每个通道得到mxn矩阵。该构建增加甚至针对单通道数据的空间分辨率并且辅助PCA和正交投影(OP)的空间滤波技术更好地衰减母体QRS。
在S106处，空间滤波适于每个通道(或者如果仅记录一个通道则仅一个通道)以衰减母体QRS。空间滤波使用以下更详细解释的主成分分析和正交投影中的至少一个。一个通道可以使用主成分分析和正交投影二者处理以产生两个输出缓存。
在S108处，从缓存器提取胎儿QRS。基于自适应规则的fQRS检测和基于PCA聚类的fQRS检测中的至少一个被用于提取胎儿QRS。任一技术可以被应用于S106的输出，这通过S106和S108产生四个“路径”。例如，任何一个信号可以使用以下各项处理：跟随有使用PCA的胎儿ECG检测的使用PCA的母体ECG衰减、跟随有使用基于自适应规则的检测的胎儿ECG检测的使用PCA的母体ECG衰减、跟随有使用PCA的胎儿ECG检测的使用正交投影的母体ECG衰减，以及跟随有使用基于自适应规则的检测的胎儿ECG检测的使用正交投影的母体ECG衰减。处理的这些方法可以针对每个信号产生四个不同的结果，但是，在优选的实施例中，仅使用路径中的三个，如以下所解释的。
在S110处，融合不同的信号或者处理信号的不同的结果。由于S104和S106可以产生多个输出缓存，并且可能已经输入多个信号，因而融合fQRS被用于组合输出以得到准确的胎儿QRS位置并且因此准确的胎儿心率。以下更详细地解释该步骤。
在S112处，方法结束。总结一下图2，原始ECG首先被过滤并且然后经历母体ECG衰减。母体ECG衰减包括母体QRS信号的提取、所检测的母体QRS周围的信号堆叠、和衰减母体ECG的空间滤波技术的应用。母体ECG衰减产生原始胎儿ECG信号，其被处理以检测胎儿ECG信号。基于自适应规则的fQRS检测和PCA聚类被用于从原始胎儿ECG系统提取胎儿QRS。可以使用技术的不同组合处理每个信号，或者可以处理多个信号。母体QRS检测
图3和4示出了图2的S102的子步骤或子模块。
在S200处，图1的步骤或模块S102开始。
在S202处，至少一个母体ECG信号记录、数字化和存储在缓存器中。在一个实施例中，虽然预期更多或更少，但是记录四个母体信号。在另一实施例中，仅记录一个母体信号。在一个实施例中，母体ECG存储在1分钟缓存器中。在另一实施例中，缓存器可以是更短的，例如5、10、15或30秒。
在S204处，原始ECG数据首先在2-50Hz(或者其他滤波范围，例如，从1Hz到100Hz)之间带通滤波去除任何基线漂移和其他低频运动伪影。还可以使用中值滤波器。
在S206处，预处理开始。
在S208处，针对每个信号的数据分成0.5秒持续时间的段。持续时间可以是更长或更短的。
在S210处，去除任何线性趋势。
在S212处，去趋势的段连结回在一起。
在S214处，在具有多个通道的实施例中，预处理的fECG数据的通道相应地基于以下各项排列：1)按高权重以递减次序的傅里叶变换的功率谱；2)以中权重的递减次序的希尔伯特变换的功率；和3)以低权重的递升次序的标准偏差。如之前所提到的，在一个实施例中，存在四个通道。
在S216处，检测每个通道的极性。如果通道的最大幅度比通道的最小幅度的绝对值更小，那么通道被翻转。方法在图4上继续。
参考图4，在S218处，峰检测器被用于检测通道中的峰。在一个实施例中，峰检测器基于用于搜素ECG幅度的局部极大值处的通道的一个阈值和用于局部极大值的那些指数的导数的3个阈值，其中，3个阈值部分地表示低、正常和高水平的R-R间隔。
在S220处，在S218中所找到的峰是通过搜索在S218中所找到的自动检测峰周围的窄窗口中的局部极大值来校正的。
在S222处，可选地自动校正峰。在具有多个通道的实施例中，选择指示合理范围(对应于20-150bpm或优选地30-132bpm)内的心率(HR、通道的峰数)并且匹配具有小于1bpm的差异的其他通道的通道。然后，将所选择的通道比较以匹配选择最高排序的通道的加权排序。在S223处，如果没有选择通道，则方法转到步骤或模块S224。如果选择了通道，则方法转到步骤或模块S234。
在S224处，缓存器针对每个通道分割为较短的ECG，例如10个。
在S226处，减少阈值的系数。
在S228处，重新应用与S218类似的自动检测。
在S230处，如果选择的通道指示合理范围(对应于20-150bpm或优选地30-132bpm)内的心率(HR、通道的峰数)，则处理转到S232。如果不是的话，则在S224处再次分割通道。
在S232处，将通道去分割，并且处理在S234处继续。
在S234处，一旦已经检测到通道和正确的峰数，则根据峰数计算心率。还根据心率计算一阶导数。如果一阶导数的绝对值高于阈值，则将校正错位的峰。
在S236处，方法结束。已经检测每个缓存器中的母体R峰。处理在图2的S104处继续。
空间滤波：PCA
在步骤或模块S102的自动校正之后，在上文所描述的S104处对信号进行堆叠。在S106处，通过主成分分析(PCA)或者正交投影对堆叠的缓存进行空间滤波。本部分描述PCA。
PCA已经被用于针对心房纤颤波的估计将成人ECG的心室和心房成分分离。可以通过向母体心跳的堆叠矩阵M应用PCA并且减去母体贡献来提取胎儿成分。最重要的成分与主母体QRST波形和存在于母体QRST波形中的心跳间变化性有关。剩余的成分对应于胎儿ECG和污染源。为了估计胎儿ECG(fECG)，从矩阵M的每个行减去矩阵M的平均和前三个主要成分对该行的贡献。这去除母体ECG。将矩阵M去堆叠给出胎儿ECG。低通滤波器可以适于去除可能已由开窗口造成的任何不连续性。
在一个实施例中，腹部ECG(AECG)数据对应于腹部QRS峰(在步骤S102处所检测的)之前的～200样本(0.35*平均(RR间隔))和母体峰之后的～450样本(0.75*平均(RR间隔))。以维度mxn的矩阵在步骤或模块S104中提取和堆叠样本，其中，m是母体QRS位置的数量并且n是～650样本。该构建使得能够增加用于每个通道的空间分辨率并且因此使得任何空间滤波技术能够更好地衰减母体QRS。在图5中图解地示出了堆叠的心跳的矩阵。
堆叠的母体心跳的数据经历衰减母体ECG的PCA。在一个实施例中，堆叠的心跳连同下面的3个主要成分的平均被识别为母体成分。在其他实施例中，可以使用平均值自身或者平均值加上一个或两个主要成分。在一个实施例中，由于QRS的结构，使用平均值加上三个成分。低通滤波器可以可选地适于使由开窗口造成的任何不连续性平滑。此处，一定数量的主要成分被用于滤出母体ECG。然而，在另一实施例中，人们可以通过查看多少成分代表了信号内的大部分能量来识别用于单独的记录的正确数量的成分。使用较少数量的主要成分使胎儿QRS的衰减最小化，而使用大量的主要成分使母体QRS的去除最大化。图6示出了母体QRS的成功的衰减。图7和8示出了在母体衰减之前(虚线)和之后(实线)的数据矩阵中的单个行。图8示出了甚至在其与母体QRS波交叠时可以保存的胎儿QRS。一旦经由PCA对母体成分进行了衰减，则剩余的成分被用于重建步骤或模块S108中的胎儿ECG。
对AECG数据的所有四个通道重复以上流程。图9示出了由PCA所提取的胎儿ECG(fECG)迹线的范例。胎儿QRS峰(针对该数据集所提供的)以三角形标记。可以观察到，所提出的方法提取干净的fECG并且因此实现鲁棒的胎儿心率提取和用于子宫内诊断的胎儿心脏波形分析。一旦已经针对4个通道提取胎儿ECG，则基于规则的胎儿QRS检测器或PCA可以使用在步骤或模块S108中以检测胎儿心率。在本说明书的结尾，在表1中示出了跟随有自适应基于规则的滤波的PCA的结果，在标记PCA自适应的行中，并且对于跟随有PCA的PCA，在标记PCA-PCA的行中。
空间滤波：正交投影
正交投影已经使用在来自胎儿磁脑电图(fMEG)的母体和胎儿磁心电图的母体的衰减中并且基于格拉姆-施密特正交化。在图2的步骤或模块S106中，向堆叠的矩阵M应用OP以去除母体贡献。即，在OP和PCA二者中，首先在步骤或模块S104中堆叠数据。矩阵M达到最大幅度的数据点被选择为维度mx1的第一母体ECG信号空间向量，其中，m是母体QRS波的数量。最大幅度信号空间向量的选择可以基于均方根(rms)估计。从矩阵M投影出该向量。然后对残余部分重复流程，并且选择和投影出下一信号空间向量等等。当残余部分下降到指定阈值以下时，例如rms噪声估计的倍数，停止向量选择流程。与PCA一样，具有去除的母体贡献的矩阵M被去堆叠以给出胎儿ECG。
与PCA一样，腹部ECG(AECG)数据对应于母体QRS位置之前的近似～200样本(0.35*平均(RR间隔))和在母体QRS位置之后的～450样本(0.75*平均(RR间隔))，这产生图4中所示的650样本，如上文所讨论的。
然后，该数据经历基于格拉姆-施密特正交化的正交投影以衰减母体ECG。所构建的数据中的最大向量的法线提取并且被称为具有维度mx1的U矩阵。所构建的数据被称为具有维度mxn的Avg。通过如以下等式中所描述的格拉姆-施密特正交化的应用，从Avg投影出向量U。在一个实施例中，重复该流程，直到最大向量幅度小于5μV。其他阈值是可能的，例如1、2或10μV。
在图10中示出了该流程应用到图4的数据的结果。在具有四个通道的实施例中，对AECG数据的所有四个通道重复OP。一旦已经针对所有4个通道提取胎儿ECG，PCA和基于自适应规则的胎儿QRS检测器之一被用于提取胎儿心率。以下在表1中所示的结果指示跟随有基于自适应规则的方法的OP(能够填充缺失的胎儿QRS位置以及移动胎儿QRS位置)跨不同的数据集产生小于20的胎儿RR间隔测量结果。在另一实施例中，OP跟随有PCA。
图11示出了由所提出的方法所提取的腹部ECG122和胎儿ECG迹线120，并且黑点表示如基于胎儿头皮电极(被用于检查胎儿ECG的性能)所注释的胎儿QRS位置。注意，对齐是相当接近的。图12示出了在去除母体QRS的空间滤波之后从缓存器所提取的胎儿心率，留下缓存器中的原始胎儿ECG。图12还包括利用用作金标准的胎儿头皮电极所获得的胎儿心率。PCA或OP方法可以被用于提取干净的fECG和实现步骤或模块S108中的鲁棒的胎儿心率提取。
识别胎儿QRS的PCA聚类(图2的步骤或模块S108)
在图13中示出了图2的步骤或模块S108的PCA方法的子步骤。
在S300处，方法开始。
在S302处，接收关于从步骤或模块S106所衰减的母体QRS的数据。
在S304处，应用基线漂移去除技术。这可以是要么中值滤波器要么带通滤波器(例如从1Hz到100Hz)，要么基线漂移去除的其他等效技术。在图14中示出了输入(来自S106的母体衰减的ECG)，并且在图15中描绘了这样的滤波器的输出。
在步骤或模块S306处，经过滤的信号被传递到自动阈值模块。经优化的阈值例程选择最小化阈值交点之间的间隔的方差，同时约束阈值交点的数量以保持在胎儿心跳的生理上合理的范围内。阈值电平从零变化到最大信号值，然后从零变化到最小信号值。在每个阈值处，记录阈值交点的数量，连同阈值交点之间的时间和阈值交点之间的时间的标准偏差。该方法后面的假定在于，期望的心脏成分的R峰将与基线偏离超过来自正态分布噪声信号的大部分贡献。在这种情况中，在阈值交点的数量处于生理上合理的范围(例如，表示30与200次心跳每分钟的心率)内的约束的情况下，最佳阈值是最小化阈值交点间隔的标准偏差的一个(主要来自噪声的阈值交点间隔将比来自有规律的心跳的那些具有更大的标准偏差)而且，在存在具有类似的交点计数和变化性统计数字的许多阈值的情况下，选择具有最小绝对值的阈值，因为这将往往保存低幅度真实心跳，同时可能允许最小数量的噪声，其将在稍后的阶段处被分离。图16展示了在ECG信号的60秒长段时由该算法所找到的阈值84和若干超阈值心跳82。
在S308处，取得经过滤的ECG的片段和阈值交点82时刻的列表。对于每个阈值交点而言，紧接地在交点之前和之后的信号的一部分(在这些绘图中，该持续时间是阈值交点之前的50ms到阈值交点之后的50ms)被附加到矩阵，其中，每个矩阵行表示潜在的PQRS心脏波并且与阈值交点对齐。在图17中图示了这一点，其中，随时间绘制阈值交点周围的每个信号片段。在该绘图中，人们可以看到许多片段具有类似的形状——这些是算法被设计为隔离的期望的心脏波。在实施例中，这些交点82被用于采集100ms信号片段。预期片段的其他长度(例如，50ms、200ms、500ms和1秒)。
这些f信号片段(其中，f是片段的数量)用作PCA应用到的fxg矩阵中的行。前n个成分被用于将心脏波与噪声分离(在该实施例中，n＝3，但是预期其他值)。这找到最大变化的有序维度。图18将来自图17的信号片段显示为该新PCA空间中的点。应当存在表示彼此类似的真实的fQRS波的密集聚类和表示噪声的更多分布的点集，其将往往具有大的变化。针对该分析的假定在于，心脏成分将比噪声彼此更类似，并且噪声贡献将全部是不同的。在这种情况中，当投射到“PCA空间”中时，心脏贡献形成生理上合理数量的单元的分立聚类86；而噪声贡献将遍及空间分布。
在S310处，方法以K均值聚类继续进行以找到表示fQRS波的聚类。该聚类的中心被用于通过测量从片段到聚类的中心的距离将置信度值分配给每个片段。具有更靠近该聚类86的中心的点的片段比更远离的点更可能被认为是fQRS波。即，在一个实施例中，置信度与距离的倒数成正比。然后，来自每个通道的信号片段时间和置信度的该列表被传递到以下所描述的融合算法。
在一个实施例中，使用K均值聚类，但是可以等效地使用其他技术，例如分层聚类、基于强度或基于分布的聚类。在K均值情况中，潜在组的数量从1变化到n(在该情况中5)。由于这是概率技术，因而在组的每个步数处，重复技术多次。在每个迭代处，如果聚类将表示真实的心跳，则每个所找到的聚类是基于最后的心率、平均R间间隔、和R间间隔的标准偏差来评价的。在该过程的结尾，被选择为“真实”聚类的聚类是最小化R间间隔的标准偏差的一个并且是生理上合理的(例如，在30-200bpm之间的心率，或者如果受检者年龄是已知的，则更窄地定义的范围)。图18显示被确定为表示心脏波的聚类，其中，圆86指示表示真实心脏波的点的最高密度。
在步骤或模块S312处，聚类被用于识别哪些阈值交点可能由心跳造成并且将置信度指示分配给每个心跳。该步骤以以下方式利用PCA聚类结果。具有在“真实心跳”聚类86的中心附近的PCA表示的阈值交点被假定为是真实心跳，并且离该聚类的中心的距离用作可靠性的指示器。使用基于K均值的心跳分配，分配给“真实心跳”聚类的所有心跳被包括为潜在的心跳。计算这些点离聚类的中心的距离的标准偏差，并且该数量被用于计算每个点的z得分——每个点到离聚类中心的距离，通过聚类距离的标准偏差归一化。该z得分用作可靠性指数，其中较低的z得分(表示更靠近聚类中心并且因此更常规的心跳)指示高可信心跳。图19的顶部迹线90示出现在具有所识别的潜在的心跳的原始ECG迹线底部迹线92指示与每个分类相关联的置信度，其中，较高的线对应于较大的置信度。
基于自适应规则的胎儿QRS识别(图2的步骤或模块S108)
通道或者通道的极性(R峰的方向)的最佳组合可以在记录之间不同。为了检测R峰，首先向通道和极性的不同组合应用基本峰检测器。然后，基于所检测的峰数和心率变异性来对不同的组合进行排序。对具有最多的所检测的峰和最少的心率变异性的(一个或多个)通道的组合被指定为其峰然后输出为胎儿QRS位置的胜出组合。通道的可能组合是：
a*ch1+b*ch2+c*ch3+d*ch4
其中，a、b、c和d可以呈现针对80个可能的独特组合中的四个通信系统所得的0、1和-1的值，排除[a,b,c,d]＝[0,0,0,0]，因为必须使用至少一个通道。首项系数可以是1和-1，因为R峰将向上还是向下去(通道的极性)是未知的。如果存在关于通道中的一些通道的极性的置信度，则人们可以减少可能组合的集合。对通道的每个组合进行峰值检测。为了对不同的组合进行排序，测量所检测的峰数和所得的心率变异性(RR间隔的标准偏差)。如果使用错误的极性或者如果仅使用具有不佳的SNR的通道，则所得的峰数和心率变异性可能是不佳的。胜出组合应当具有服从生物学约束的大量的检测到带有低心率变异性的峰。这些约束针对母体和胎儿心跳可以是不同的。图20示出了该技术和如何进行通道组合的排序的范例。图20中的每个点128投影到最佳拟合线上。得到最高投影量级的通道组合130是胜利组合。在该特定记录中，通道的最佳组合是(Ch1+Ch2+Ch3–Ch4)，其意指所有通道对较好的峰值检测有贡献。通道3具有仍然提供一些有用的信息的低SNR。从混合物去除通道3提供第二最佳组合。最佳方案将通道的极性反转。
计算针对每个通道所要求的度量可以是计算密集的。预期了较少计算密集的实施例。人们可以使用较短的记录(10秒而不是1分钟记录)来确定通道的最佳组合并且然后将所检测的极性应用到整个记录。人们可以使用80个组合的子集，例如仅考虑2个通道的任何组合。从4个通道中挑选一个的简化版本也产生良好的结果。在这种情况下，通过向信号x和其负-x二者应用峰值检测和选择来给出最大中值峰值幅度的极性来确定通道极性。然后，最佳通道被选择为给出最小心率变异性的一个。
由于fECG常常在腹部记录中是弱的，因而几乎所有峰检测器将使一些峰错位或者使峰完全缺失。因此，可以有益的是，通过估计缺失心跳和移动所检测的峰的位置来对峰检测器的输出做出校正。应用以下两个规则以已经正确识别的峰的最小更改对所检测的峰做出保守的校正：
1)当RR间隔大于整个记录的中值RR间隔的1.3倍时，识别缺失心跳。然后，相等地使一个或多个新心跳散布在相邻峰之内。
2)当一对RR间隔(RRk,RRk+1)示出以下图案之一时，峰是错位的：(a)RRk≤0.9x中值RR跟随有RRk+1≥1.1x中值RR，或者(b)RRk≥1.1x中值RR跟随有RRk+1≤0.9x中值RR。将错位的峰移动到相邻峰之间的中途。
这两个规则以已经正确识别的峰的最小更改来对所检测的峰做出保守的校正。类似方法可以被用于去除额外峰。然而，在所图示的实施例中，未去除额外峰，因为未检测到许多额外峰。图21-23提供了这些规则可以如何改进峰值检测的范例。
图21图示了在校正之前和之后的RR间隔。峰134可能是错位的，并且峰132可能是缺失的。图22示出了在缺失心跳是可能的时的RR间隔(上图)并且下图示出了填入的心跳。图23示出了在误识别峰时的RR间隔(上)和移动到更可能位置的峰(下)。上图中的垂直虚线表示在校正之前的胎儿峰位置的估计。在下图中，垂直虚线表示在校正之后的胎儿峰位置的估计。
在有或没有来自PCA算法的峰的情况下，峰时间的列表可以基于方法的过往性能而分配标准置信度并且然后传递给以下所描述的融合算法。
融合胎儿QRS
融合fQRS被设计为考虑以下事实：没有单个通道或方法在所有情况中是最佳的。给定从多个源所提出的fQRS位置的列表，融合fQRS实现确定可能的fQRS波的经修改的投票例程，其然后分析可能缺失和错位的波。算法中的第一步是创建与ECG记录相同持续时间的零填充的向量(例如，各自一分钟)。进而，通过选择具有最大确定性的心跳并且将其置信度度量添加到向量的过程考虑每个输入心跳。从通道的列表移除所选择的心跳直到没有心跳剩余，并且以相同的方式将下一列表添加到向量。强烈的胎儿波应当由多个通道记录，并且因此应当添加对应的接收器中的贡献。为了考虑定时变化，在另外的分析之前，通过高斯窗口对信号进行过滤。下一步进行为当记录中的第一——最高峰被保持为波的最高置信度的位置并且首先选择，其时间添加到列表，并且其周围的区域设定到0。选择并且类似地添加下一最高峰。该过程重复直到最大峰低于原始最大值的50％。在该点之后，与在基于自适应规则的fQRS中所描述的那个类似的填充和移动过程被用于使记录与生理学统计数字一致。
图24图示了图2的步骤或模块S110的子步骤或子模块。
步骤S110始于子步骤S400。
在S402处，根据分析相同ECG迹线的步骤或模块S108(基于PCA或基于规则的心跳检测)的多个方法的结果接收从记录会话所提出的心脏波的定时。诸如“局部最大值”的更传统的心跳检测算法也可以用作输入。输出还可以来自应用到多个同时记录的ECG通道的相同的方法(例如，PCA)。在一个实施例中，这些方法的组合是输入：(基于PCA和规则的)多个算法各自应用到多个ECG通道。
如果输入算法提供每个心跳中的置信度的度量，则可以使用那个。在缺少这样的度量的情况下，然后，在S404处，分配置信度度量。这可以以三种方式进行。可以基于要么通道可靠性度量(例如功率谱分析)要么现有训练数据集上的分析算法的相对性能，来分配来自该源通道/算法的所有所提出的心跳的恒定度量。可以分配变化的逐心跳度量，其中将高置信度值分配给在相对低噪声段中所找到的心跳，并且将较低的置信度分配给所提出的高噪声信号段中的心跳。可以使用两种方法的组合，其中分配逐心跳置信度，但是可能的最大置信度是通过分析技术的期望的可靠性或者通过总体通道信噪比来设定的。
在S406处，反映来自所有输入通道的信息的经组合的置信度记录初始化到0。选择一个输入记录(例如，随机地)，并且将最高分配的置信度添加到对应的时间处的组合的记录。从输入记录移除所添加的心跳时间连同任何附近的心跳时间。因此，附近设定到最长的生理上合理的间隔，通常具有25ms的所选择的心跳时间(对应于40bps的心率)的任何心跳时间。基于患者的统计数字，可以调谐该间隔。在一个实施例中，间隔设定到12.5ms，这反映胎儿心率比成人心率更快的事实。下一最高置信度找到并且添加到组合的记录，并且再次移除其和附近的心跳时间。重复该过程，直到没有心跳剩余在记录中。一旦记录是空的，则另一输入记录随机地选择并且类似地添加到组合的置信度记录。
现在，新创建的组合的置信度记录包括没有输入记录分配心跳时间的零和输入记录分配心跳的非零值。这时候，可以存在仅具有单个所提出的心跳的记录的一些部分，以及其中多个输入记录所提出的心跳的若干附近值的其他区域。
为了容纳不同记录之间的不精确的定时，将高斯窗口对组合的记录进行卷积。这具有创建平滑置信度信号的效应，其中，信号的高度反映该位置处的真实心跳的增加的确定性。图25的绘图110示出了这一点。这可以被认为是投票流程——多个通道发现潜在心脏波的记录的区域将比提出为心跳位置的单个通道的区域具有更高的值。类似地，心跳提议之间的时间符合性越大，则合计的高斯凸起越高。
在S408处，分析该组合的置信度信号以发现在通道之间具有要么高置信度要么高一致性的心跳位置。与如何构建组合的记录类似，置信度信号中的最大值点被选择为添加到所提出的组合的输出记录的第一点。一旦选择并添加该点，靠近该点的区域就被设定到0(跟随间隔宽度准线，如先前所描述的)。组合的置信度信号中的下一最高点选择并且添加到所提出的组合的输出记录，并且组合的置信度信号在所选择的点附近再次调零。重复该过程，添加以下约束条件：在当算法试图将点添加到具有以一分钟段中的20个现有的所提出的心跳的信号的区域时，所添加的心跳必须是跟现有心跳的中值心跳间时间的等倍数。可以使用大于或小于20的阈值。该约束的目的是防止技术将低置信度心跳添加到不是生理上合理的输出记录。一旦置信度信号的最大值小于原始最大值的30％，则该相位是完整的。
这时候，最大数量的信息已经从每个单独的迹线提取，但是可以仍然通过使用共同的生理假定来改进输出记录。
在S410处，通过考虑正常心率范围和心率变异性统计数字，技术找到其记录中的这些统计数字的违例并且可以可选地在应用上下文中酌情要么提供警报、注释、可能的错误要么安静地校正记录。在一个实施例中，与基于自适应规则的步骤或模块S108类似，技术搜索两个主要违例：记录间隙和心跳错位。记录间隙在心脏波未由输入记录中的任一个检测时发生。这些间隙通过测量信号的局部部分的中值逐心跳间隔找到，并且然后在近似等于局部中值逐心跳间隔的整数倍的间隔期间搜索缺乏心跳的信号的区域。这些被标记为缺失心跳。间隙间隔被用于评估缺失的心跳的可能的数量。可以在适当的时间处将适当数量的心跳添加到记录。心跳错位可以在心跳定时稍微远离真实心跳发生处时发生。该错误类型的特征是当一个逐心跳间隔以百分比大(或小)于局部中值间隔时间时，后续间隔以相同百分比小(或大)于中值。记录针对该特征而搜索，并且可以在适当的方向上调节心跳定时来校正问题。
在S412处，步骤或模块S110结束。S412(和步骤或S110)的最后的输出包括心脏波的所提出的时间的记录，连同相关联的确定性(来自组合的置信度信号)、具有心跳“最佳版本”的输入记录识别和哪些心跳已经添加以填充间隙或者哪些心跳已经调节以校正定时误差的指示。该最后的输出被用于将心跳绘制显示给用户。图25的底部迹线以垂直实线示出了输出记录，其与通过虚线标记的真实胎儿心脏波位置的心脏病专家的注释紧密对齐。
在图25的该实施例中，技术被用于创建应用到输入母体(腹部)ECG的4个信号108的一个方法(基于PCA的心跳检测器)的输出。方法还可以将来自基于PCA的心跳检测器的输出与来自备选算法的输出组合以提供最后的组合的心跳记录。基于PCA和规则的检测(跟随PCA和OP母体衰减)的组合的输出一般地执行组成方法的输出。
结果和讨论
在表1中示出了样本数据集上的三个不同的技术的结果。这三个算法的组合产生关于训练数据集的经改进的得分。因此，融合三个方法将期望改进验证集B上的性能，其实际上产生经改进的结果：分别针对事件4和5的52.49和10.61。使用PCA-PCA(PCA母体衰减跟随有基于PCA聚类的fQRS)、PCA自适应(PCA母体衰减跟随有基于自适应规则的fQRS)和OP自适应(OP母体衰减跟随有基于自适应的fQRS检测)的方法。虽然所提出的空间滤波技术(PCA和OP)衰减母体ECG，但是可以仍然存在母体心脏残余物的场景。填充和移动胎儿QRS位置的过程旨在产生生理学的心率估计。然而，该过程可能不产生真实的胎儿QRS位置。
表1：
已参考优选的实施例描述了本发明。他人在阅读并且理解前述详细说明之后可以进行修改和变型。本发明旨在被理解为包括所有这样的修改和变型，只要其落入权利要求或其等价方案的范围之内。

Claims (20)

1.一种用于使用计算机处理器(26)来从至少一个母体信号提取胎儿心率的系统(10)，所述系统被配置为：
接收附接到患者的腹部ECG信号传感器(12-18)；
在母体信号缓存器(22A-22D)中记录并数字化(20)每个至少一个母体信号；并且
运行存储在指令存储器(28)中的指令，所述指令包括：
峰检测器(40)，其用于识别所述母体信号缓存器中的候选峰；
信号堆叠器(42)，其将至少一个母体信号缓存器进行堆叠并且划分为多个片段，每个片段包括一个候选峰；
空间滤波器(44，)，其识别和衰减所述母体信号缓存器的所述多个片段中的母体QRS信号，所述空间滤波器包括主成分分析和正交投影中的至少一个，以产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中；
胎儿QRS识别器(46)，其用于通过主成分分析和跟随有基于规则的fQRS提取的峰检测器中的至少一个来识别所述原始胎儿ECG缓存器中的峰；以及
融合器(48)，其根据所识别的峰来计算和融合所述胎儿心率。
2.根据权利要求1所述的系统，其中，所述峰检测器识别候选峰包括：
识别多个局部极大值；任选地消除具有低于阈值的导数的局部极大值；并且任选地针对作为母体心率的生理合理性来检查所述候选峰的比率。
3.根据权利要求1所述的系统，其中，所述经数字化的母体信号通过以下中的至少一项被预处理(S206)：
在2-50Hz的范围内对所述至少一个母体信号的带通滤波(S204)；
将所述母体信号分裂为.5秒的段(S208)，去除线性趋势(S210)，并且连结经去趋势的段(S212)；以及
以基于傅里叶变换的功率谱的递减次序、希尔伯特变换的功率的递减次序、以及标准偏差的递升次序，来对所述至少一个母体信号和至少一个第二母体信号进行排序(S214)。
4.根据权利要求1-3中的任一项所述的系统，其中，所述候选峰是通过从包括所述至少一个母体信号和所述至少一个第二母体信号的多个母体信号选择具有作为母体心率生理上合理的候选峰(S223)的通道并且从所选择的通道识别最高排序的通道来自动校正(S222)的，所述系统还包括：
如果至少一个通道是生理上合理的，则将所述最高排序的通道的所述候选峰用作候选峰；
如果没有通道是生理上合理的，则：
分割(S224)所述多个通道中的每个以创建段；
自动检测所述段中的第二多个(S228)候选峰；
连结所述段(S232)；并且
将所述第二多个候选峰用作候选峰(S234)。
5.根据权利要求1所述的系统，其中，所述空间滤波器包括主成分分析(S106)，对所述母体QRS的所述识别和衰减包括：
堆叠所述片段(S104)；
计算所述片段的均值，并且任选地计算接下来的主成分中的一个、两个或三个；
将所述片段的所述均值识别为主母体成分，并且任选地，将接下来的一个、两个或三个主成分识别为其他母体成分；
衰减所述主母体成分并且任选地衰减所述其他母体成分。
6.根据权利要求1所述的系统，其中，所述空间滤波器包括正交投影(S106)，对所述母体QRS的所述识别和衰减包括：
重复以下步骤，直到所述多个片段的最大幅度小于背景：
提取所述片段中的最大向量的法向量；并且
通过正交化来从所述片段投影出所述法向量。
7.根据权利要求1所述的系统，其中，所述原始胎儿ECG中的所述峰是通过主成分分析来识别的，所述识别包括：
计算从零到所述原始胎儿ECG的最大值的多个阈值(S306)；
针对所述多个阈值中的每个，识别多个阈值交点、所述多个阈值交点的数量、所述多个阈值交点的相邻阈值对之间的多个间隔、阈值交点的比率、以及所述多个间隔的标准偏差；
消除对应于阈值交点的生理上不合理的比率的阈值；
基于所述标准偏差选择阈值，选择低标准偏差，并且如果所述多个阈值中的至少两个具有相似的标准偏差，则选择所述至少两个阈值中的低阈值；
针对对应于所选择的阈值的每个阈值交点，在所述阈值交点周围构建窗口，形成多个窗口；
在所述多个窗口上执行主成分分析(S308)以识别至少第一主成分并且任选地识别额外的主成分；
将所述多个窗口投射到主成分分析空间中，并且将所述多个窗口聚类到主成分分析空间中，并且基于聚类中的阈值交点的数量、阈值交点之间的平均间隔、以及所述聚类中的相邻阈值交点之间的所述间隔的标准偏差，比较所述多个聚类以选择最似然聚类(S310)；
将置信度指示分配(S312)给所述最似然聚类中的每个阈值交点，所述置信度间隔基于对应于所述阈值交点的所述窗口与所述主成分分析空间中的所述最似然聚类的中心相距多远；
任选地，将具有高置信度指示的多个阈值交点选择为胎儿心跳；
任选地，通过评估所述阈值交点作为心跳的生理合理性来比较所述多个聚类；
任选地，处理所述原始胎儿ECG以从所述原始胎儿ECG去除基线漂移(S302)。
8.根据权利要求1所述的系统，其中，对所述原始胎儿ECG中的所述峰的所述识别包括使用跟随有基于规则的fQRS提取的峰检测器(图20)，所述识别包括：
利用峰检测器识别峰和RR间隔；
将分离开大于所述RR间隔乘以缺失峰系数的间隔的峰的相邻对识别为缺失峰，所述缺失峰系数在1.1与1.9之间；
在峰的所述相邻对之间插入心跳；
识别包括第一峰、第二峰和第三峰的三个峰的集合，其中，所述第一峰和所述第二峰分离开RR乘以α的间隔，并且所述第二峰和所述第三峰分离开RR乘以二减α的量的间隔，其中，α在.7与.95之间或者在1.05与1.3之间；
移动所识别的三个峰中的第二峰，使得所述第一峰与所述第二峰之间的间隔是RR，并且所述第二峰与第三峰之间的间隔是RR。
9.一种从至少一个母体信号提取胎儿心率的方法(图2)，所述方法包括：
在母体信号缓存器中记录并数字化每个至少一个母体信号记录并数字化每个至少一个母体信号(S202)；
识别所述母体信号缓存器中的候选峰(S102)；
将所述至少一个母体信号缓存器分为多个片段，每个片段包括一个候选峰；
通过空间滤波来识别和衰减所述母体信号缓存器的所述多个片段中的母体QRS信号，所述空间滤波(S106)包括主成分分析和正交投影中的至少一个，所述空间滤波产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中；
通过主成分分析和跟随有基于规则的fQRS提取的峰检测器中的至少一个来识别所述原始胎儿ECG缓存器中的峰(S108)；并且
根据所识别的峰来计算所述胎儿心率(S110)。
10.根据权利要求9所述的方法，其中，识别所述候选峰包括：
识别多个局部极大值，任选地消除具有低于阈值的导数的局部极大值，并且任选地针对作为母体心率的生理合理性来检查所述候选峰的比率。
11.根据权利要求9所述的方法，其中，在对所述至少一个母体信号进行数字化之后，所述母体信号通过以下中的至少一项被预处理(S206)：
在2-50Hz的范围内对所述至少一个母体信号进行带通滤波(S204)；
将所述母体信号分裂为.5秒的段，去除线性趋势，并且连结经去趋势的段(S208)；并且
以基于傅里叶变换的功率谱的递减次序、希尔伯特变换的功率的递减次序、以及标准偏差的递升次序，对所述至少一个母体信号和至少一个第二母体信号进行排序(S214)。
12.根据权利要求9-11中的任一项所述的方法，其中，所述候选峰是通过从包括所述至少一个母体信号和所述至少一个第二母体信号的多个母体信号中选择具有作为母体心率生理上合理的候选峰的通道并且从所选择的通道识别最高排序的通道来自动校正(S220)的，所述方法还包括：
如果至少一个通道是生理上合理的，则将所述最高排序的通道的所述候选峰用作候选峰；
如果没有通道是生理上合理的(S223)，则：
分割所述多个通道中的每个以创建段(S224)；
自动检测所述段中的第二多个候选峰(S228)；
连结所述段；并且
将所述第二多个候选峰用作候选峰。
13.根据权利要求9所述的方法，其中，所述空间滤波包括主成分分析(S106)，对所述母体QRS的所述识别和衰减包括：
堆叠所述片段(S104)；
计算所述片段的均值，并且任选地计算接下来的主成分中的一个、两个或三个；
将所述片段的均值识别为主母体成分，并且任选地，将接下来的一个、两个或三个主成分识别为其他母体成分；
衰减所述主母体成分并且任选地衰减所述其他母体成分。
14.根据权利要求9中的任一项所述的方法，其中，所述空间滤波包括正交投影(S106)，对所述母体QRS的所述识别和衰减包括：
重复，直到所述多个片段的所述最大幅度小于背景；
提取所述片段中的最大向量的法向量；并且
通过正交化来从所述片段投影出所述法向量。
15.根据权利要求9所述的方法，其中，所述原始胎儿ECG中的所述峰是通过主成分分析来识别的，所述识别包括：
计算(S306)从零到所述原始胎儿ECG的最大值的多个阈值；
针对所述多个阈值中的每个，识别多个阈值交点、所述多个阈值交点的数量、所述多个阈值交点的相邻阈值对之间的多个间隔、阈值交点的比率、以及所述多个间隔的标准偏差；
消除对应于阈值交点的生理上不合理的比率的阈值；
基于所述标准偏差选择阈值，选择低的标准偏差，并且如果所述多个阈值中的至少两个具有相似的标准偏差，则选择所述至少两个阈值中的低的阈值；
针对对应于所选择的阈值的每个阈值交点，在所述阈值交点周围构建窗口，形成多个窗口；
在所述多个窗口上执行主成分分析以识别至少第一主成分，并且任选地识别额外的主成分；
将所述多个窗口投射到主成分分析空间中并且将所述多个窗口聚类到主成分分析空间中，并且基于所述聚类中的阈值交点的数量、阈值交点之间的平均间隔、以及所述聚类中的相邻阈值交点之间的所述间隔的标准偏差，比较所述多个聚类以选择最似然聚类(S312)；
将置信度指示分配(S312)给所述最似然聚类中的每个阈值交点，所述置信度间隔基于对应于所述阈值交点的所述窗口与所述主成分分析中的所述最似然聚类的中心相距多远；
任选地，将具有高置信度指示的多个阈值交点选择为胎儿心跳；
任选地，通过评估所述阈值交点作为心跳的生理合理性来比较所述多个聚类；
任选地，处理所述原始胎儿ECG以从所述原始胎儿ECG去除基线漂移(S304)。
16.根据权利要求9所述的方法，其中，对所述原始胎儿ECG中的所述峰的所述识别包括使用跟随有基于规则的fQRS提取的峰检测器，所述识别包括：
利用峰检测器识别峰和RR间隔；
将分离开大于所述RR间隔乘以缺失峰系数的间隔的峰的相邻对识别为缺失峰，所述缺失峰系数在1.1与1.9之间；
在峰的所述相邻对之间插入心跳；
识别包括第一峰、第二峰和第三峰的三个峰的集合，其中，所述第一和所述第二峰分离开RR乘以α的间隔，并且所述第二峰和所述第三峰分离开RR乘以二减α的量的间隔，其中，α在.7与.95之间或者在1.05与1.3之间；
移动所识别的三个峰中的第二峰，使得所述第一峰与所述第二峰之间的间隔是RR，并且所述第二峰与所述第三峰之间的间隔是RR。
17.根据权利要求9所述的方法，其中，所述至少一个母体信号至少包括第一母体信号和第二母体信号，其根据权利要求1所述的方法被处理以产生至少第一和第二原始胎儿ECG缓存，所述的使用跟随有基于规则的fQRS提取的峰检测器来识别所述第一和第二原始胎儿ECG信号缓存中的峰包括：
将系数分配给所述至少一个原始胎儿ECG信号中的每个；
将一个0、+1和-1的值分配给每个系数，将每个信号乘以其相应的系数，并且将所述通道求和以产生经求和的通道，并且针对系数的所有组合重复所述分配和求和、省略所有零系数的组合，以产生多个经求和的通道；
利用峰检测器识别所述多个经求和的通道中的峰；并且
通过最大数量的峰和最低的标准偏差来对所述多个经求和的通道进行排序，并且基于所述最大数量的峰和所述最低的标准偏差，选择所述多个经求和的通道的最佳组合。
18.根据权利要求9所述的方法，其中，多个原始胎儿ECG被处理，以识别可能峰的多个集合，所述方法还包括：
将置信度分配给每个峰(S404)；
对来自不同的原始胎儿ECG的在时间上交叠的峰的所述置信度进行求和(S406)；
基于经求和的置信度来挑选多个峰作为实际的胎儿心跳(S408)；并且
根据所述实际的胎儿心跳来计算所述胎儿心率(S410)。
19.一种承载有软件的非暂态计算机可读介质，所述软件控制一个或多个处理器以执行根据权利要求9-18中的任一项所述的方法。
20.一种用于从至少一个母体信号提取胎儿心率的模块，所述模块包括：
处理器(26)，其被配置为：
识别所述母体信号缓存器(22A-22D)中的候选峰；
将所述至少一个母体信号缓存器分为多个片段，每个片段包括一个候选峰；
通过空间滤波来识别和衰减所述母体信号缓存器的所述多个片段中的母体QRS信号，所述空间滤波器包括主成分分析和正交投影中的至少一个，所述空间滤波产生原始胎儿ECG信号，所述原始胎儿ECG信号被存储在原始胎儿ECG缓存器中；并且
通过主成分分析和跟随有基于规则的fQRS提取的峰检测器中的至少一个来识别所述原始胎儿ECG缓存器中的峰；
记录器和数字转换器(20)，其在母体信号缓存器中记录并数字化至少一个母体信号；以及
计算器，其用于根据所识别的峰来计算所述胎儿心率。
CN201480049574.6A 2013-09-09 2014-08-20 根据母体腹部ecg记录的胎儿心率提取 Active CN105530857B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361875209P 2013-09-09 2013-09-09
US61/875,209 2013-09-09
US201361918960P 2013-12-20 2013-12-20
US61/918,960 2013-12-20
PCT/IB2014/063984 WO2015033244A1 (en) 2013-09-09 2014-08-20 Fetal heart rate extraction from maternal abdominal ecg recordings

Publications (2)

Publication Number Publication Date
CN105530857A true CN105530857A (zh) 2016-04-27
CN105530857B CN105530857B (zh) 2019-05-10

Family

ID=51830556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480049574.6A Active CN105530857B (zh) 2013-09-09 2014-08-20 根据母体腹部ecg记录的胎儿心率提取

Country Status (6)

Country Link
US (2) US10531801B2 (zh)
EP (1) EP3043699B1 (zh)
JP (1) JP6523288B2 (zh)
CN (1) CN105530857B (zh)
RU (1) RU2676002C2 (zh)
WO (1) WO2015033244A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107296598A (zh) * 2017-06-22 2017-10-27 无锡力芯微电子股份有限公司 基于光电传感器的心率测定方法及装置
CN107392172A (zh) * 2017-08-04 2017-11-24 华中科技大学 一种胎心音处理方法及其处理装置
CN108013872A (zh) * 2018-01-10 2018-05-11 北京大学第三医院 用于母体胎儿心率监测的系统
CN110384479A (zh) * 2018-04-17 2019-10-29 三星电子株式会社 基于运动传感器和光学传感器的心律失常分类系统装置
CN110720905A (zh) * 2019-09-20 2020-01-24 中南大学 一种基于阵列处理的胎儿心电信号干扰抑制系统
CN111050659A (zh) * 2017-08-23 2020-04-21 皇家飞利浦有限公司 根据多普勒超声信号的胎儿移动检测方法
CN111053547A (zh) * 2018-10-16 2020-04-24 中山大学 基于搜索树的实现单通道胎儿心率监测方法
CN111265242A (zh) * 2020-02-21 2020-06-12 孙磊 胎儿胎心监护系统、设备及方法
CN111265241A (zh) * 2020-02-21 2020-06-12 孙磊 多维通道传感器的胎儿胎心数据可视化方法及系统
CN111542892A (zh) * 2017-11-09 2020-08-14 罗伯特·博世有限公司 生命体征监视系统和方法
CN112839584A (zh) * 2018-08-01 2021-05-25 努沃集团有限公司 用于母体子宫活动检测的系统和方法
CN113796845A (zh) * 2021-06-10 2021-12-17 重庆邮电大学 一种基于图像处理的驾驶员心率识别方法

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2676002C2 (ru) * 2013-09-09 2018-12-25 Конинклейке Филипс Н.В. Выделение частоты сердечных сокращений плода из материнской абдоминальной экг
RU2720448C2 (ru) * 2015-02-12 2020-04-29 Конинклейке Филипс Н.В. Достоверный классификатор
US9392952B1 (en) * 2015-03-10 2016-07-19 Nuvo Group Ltd. Systems, apparatus and methods for sensing fetal activity
KR102436729B1 (ko) * 2015-07-27 2022-08-26 삼성전자주식회사 생체 신호 처리 장치 및 생체 신호 처리 방법
ES2630834B1 (es) * 2016-02-24 2018-07-10 Universidad De Sevilla Procedimiento para la obtención de datos útiles asociados al patrón de variabilidad de la frecuencia cardiaca
WO2018109669A1 (en) * 2016-12-13 2018-06-21 King Abdullah University Of Science And Technology System and method for non-invasive extraction of fetal electrocardiogram signals
KR102017582B1 (ko) * 2017-05-24 2019-09-05 세종대학교산학협력단 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템
JP2019180583A (ja) * 2018-04-04 2019-10-24 日本電信電話株式会社 脈拍数推定方法および装置ならびにプログラム
US11457834B2 (en) * 2018-07-20 2022-10-04 General Electric Company System and method for generating ECG reference data for MR imaging triggering
EP3730058A1 (en) * 2019-04-24 2020-10-28 Koninklijke Philips N.V. Fetal ultrasound processing unit for separating heart rate signals
EP3730060A1 (en) * 2019-04-24 2020-10-28 Koninklijke Philips N.V. Fetal ultrasound processing unit for separating heart rate signals
EP3962350B1 (en) * 2019-04-30 2024-07-17 Medicalgorithmics SA Electrocardiogram signal segmentation
US20200390355A1 (en) * 2019-06-11 2020-12-17 Vios Medical, Inc. System for detecting qrs complexes in an electrocardiography (ecg) signal
US11826129B2 (en) 2019-10-07 2023-11-28 Owlet Baby Care, Inc. Heart rate prediction from a photoplethysmogram
EA039701B1 (ru) * 2020-12-25 2022-03-01 Некоммерческое Акционерное Общество "Казахский Национальный Исследовательский Технический Университет Имени К.И. Сатпаева" Способ адаптивной фильтрации электрокардиосигнала
KR20220127602A (ko) * 2021-03-11 2022-09-20 삼성전자주식회사 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법
CN113659961B (zh) * 2021-07-19 2024-01-30 广东迈能欣科技有限公司 一种应用于二氧化碳传感器的滤波算法
CN113662549B (zh) * 2021-08-23 2022-08-05 北京航空航天大学 一种心磁测量装置自动预警防护系统
US20230329944A1 (en) * 2022-03-04 2023-10-19 Genetesis, Inc. Shielded chamber for diagnostic evaluation of medical conditions
TWI798064B (zh) * 2022-04-20 2023-04-01 國立勤益科技大學 一種分離心電圖高頻雜訊的方法
KR20240030450A (ko) * 2022-08-30 2024-03-07 주식회사 휴이노 클러스터링을 이용하여 생체 신호 분석을 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3811428A (en) * 1971-12-30 1974-05-21 Brattle Instr Corp Biological signals monitor
US5042499A (en) * 1988-09-30 1991-08-27 Frank Thomas H Noninvasive electrocardiographic method of real time signal processing for obtaining and displaying instantaneous fetal heart rate and fetal heart rate beat-to-beat variability
US20050267376A1 (en) * 2004-05-28 2005-12-01 Dorothee Marossero Maternal-fetal monitoring system
CN101014283A (zh) * 2004-05-01 2007-08-08 Bsp生物信号处理有限公司 用于分析高频qrs波群的装置和方法
WO2011003132A1 (en) * 2009-07-06 2011-01-13 Heard Systems Pty Ltd Non-invasively measuring physiological process

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0123772D0 (en) * 2001-10-03 2001-11-21 Qinetiq Ltd Apparatus for monitoring fetal heartbeat
JP4027746B2 (ja) 2002-08-07 2007-12-26 株式会社日立ハイテクノロジーズ 生体磁場計測装置
CA2447861A1 (en) * 2002-11-01 2004-05-01 Lms Medical Systems Ltd. Method and apparatus for identifying heart rate feature events
RU2269925C2 (ru) * 2004-02-25 2006-02-20 Государственное образовательное учреждение высшего профессионального образования Самарский государственный аэрокосмический университет им. акад. С.П. Королева (СГАУ) Устройство для регистрации биопотенциалов сердца плода
RU2284748C1 (ru) * 2005-02-16 2006-10-10 Санкт-Петербургский государственный университет (СПбГУ) Способ трансабдоминальной регистрации электрокардиограммы плода
EP1935335B1 (en) 2005-09-05 2019-05-08 Tohoku University Non-linear signal separation method using non-linear state space projection method
EP2016894A1 (en) * 2007-07-20 2009-01-21 Stichting Voor De Technische Wetenschappen ECG signal processing
US8780786B2 (en) * 2011-09-15 2014-07-15 Qualcomm Incorporated Method and apparatus for denoising of physiological signals
RU2676002C2 (ru) * 2013-09-09 2018-12-25 Конинклейке Филипс Н.В. Выделение частоты сердечных сокращений плода из материнской абдоминальной экг

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3811428A (en) * 1971-12-30 1974-05-21 Brattle Instr Corp Biological signals monitor
US5042499A (en) * 1988-09-30 1991-08-27 Frank Thomas H Noninvasive electrocardiographic method of real time signal processing for obtaining and displaying instantaneous fetal heart rate and fetal heart rate beat-to-beat variability
CN101014283A (zh) * 2004-05-01 2007-08-08 Bsp生物信号处理有限公司 用于分析高频qrs波群的装置和方法
US20050267376A1 (en) * 2004-05-28 2005-12-01 Dorothee Marossero Maternal-fetal monitoring system
WO2011003132A1 (en) * 2009-07-06 2011-01-13 Heard Systems Pty Ltd Non-invasively measuring physiological process

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
《COMPUTER-BASED MEDICAL SYSTEMS》 *
《COMPUTERS IN BIOLOGY AND MEDICINE》 *
《JOURNAL OF ELECTROCARDIOLOGY》 *
《PHYSIOLOGICAL MEASUREMENT》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107296598A (zh) * 2017-06-22 2017-10-27 无锡力芯微电子股份有限公司 基于光电传感器的心率测定方法及装置
CN107392172A (zh) * 2017-08-04 2017-11-24 华中科技大学 一种胎心音处理方法及其处理装置
CN107392172B (zh) * 2017-08-04 2019-12-06 华中科技大学 一种胎心音处理方法及其处理装置
CN111050659A (zh) * 2017-08-23 2020-04-21 皇家飞利浦有限公司 根据多普勒超声信号的胎儿移动检测方法
CN111542892B (zh) * 2017-11-09 2024-04-12 罗伯特·博世有限公司 生命体征监视系统和方法
CN111542892A (zh) * 2017-11-09 2020-08-14 罗伯特·博世有限公司 生命体征监视系统和方法
CN108013872A (zh) * 2018-01-10 2018-05-11 北京大学第三医院 用于母体胎儿心率监测的系统
CN110384479A (zh) * 2018-04-17 2019-10-29 三星电子株式会社 基于运动传感器和光学传感器的心律失常分类系统装置
CN112839584B (zh) * 2018-08-01 2023-11-21 努沃集团有限公司 用于母体子宫活动检测的系统和方法
CN112839584A (zh) * 2018-08-01 2021-05-25 努沃集团有限公司 用于母体子宫活动检测的系统和方法
CN111053547A (zh) * 2018-10-16 2020-04-24 中山大学 基于搜索树的实现单通道胎儿心率监测方法
CN110720905A (zh) * 2019-09-20 2020-01-24 中南大学 一种基于阵列处理的胎儿心电信号干扰抑制系统
CN111265242A (zh) * 2020-02-21 2020-06-12 孙磊 胎儿胎心监护系统、设备及方法
CN111265241B (zh) * 2020-02-21 2021-10-22 孙磊 多维通道传感器的胎儿胎心数据可视化方法及系统
CN111265241A (zh) * 2020-02-21 2020-06-12 孙磊 多维通道传感器的胎儿胎心数据可视化方法及系统
CN113796845A (zh) * 2021-06-10 2021-12-17 重庆邮电大学 一种基于图像处理的驾驶员心率识别方法
CN113796845B (zh) * 2021-06-10 2023-08-04 重庆邮电大学 一种基于图像处理的驾驶员心率识别方法

Also Published As

Publication number Publication date
JP2016530019A (ja) 2016-09-29
US20160198969A1 (en) 2016-07-14
US10531801B2 (en) 2020-01-14
US11337616B2 (en) 2022-05-24
RU2676002C2 (ru) 2018-12-25
WO2015033244A1 (en) 2015-03-12
CN105530857B (zh) 2019-05-10
US20200022597A1 (en) 2020-01-23
RU2016113329A (ru) 2017-10-17
JP6523288B2 (ja) 2019-05-29
EP3043699A1 (en) 2016-07-20
EP3043699B1 (en) 2022-12-07
RU2016113329A3 (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
CN105530857A (zh) 根据母体腹部ecg记录的胎儿心率提取
JP7018133B2 (ja) 人工知能に基づく心電図心拍自動識別分類方法
Matonia et al. Fetal electrocardiograms, direct and abdominal with reference heartbeat annotations
US11783924B2 (en) ECG information processing method and ECG workstation
CN105411567B (zh) 一种心电图数据分析方法及系统
US7949389B2 (en) Fetal ECG monitoring
EP3698709A1 (en) Electrocardiogram information processing method and electrocardiogram workstation system
US20200022604A1 (en) User interface for analysis of electrocardiograms
Jezewski et al. Is abdominal fetal electrocardiography an alternative to doppler ultrasound for FHR variability evaluation?
US20130102856A1 (en) Non-invasive detection of fetal or maternal illness
CN109997195A (zh) 信息显示系统、信息显示程序和信息显示方法
CN110495872A (zh) 基于图片及心搏信息的心电分析方法、装置、设备及介质
Boudet et al. Fetal heart rate baseline computation with a weighted median filter
CN109645979A (zh) 动态心电信号伪差识别方法及装置
Robinson et al. Localization of interictal spikes using SAM (g2) and dipole fit
Mollakazemi et al. Fetal QRS detection in noninvasive abdominal electrocardiograms using principal component analysis and discrete wavelet transforms with signal quality estimation
US20140378855A1 (en) Apparatus and method for feature extraction and classification of fetal heart rate
Chen et al. An automatic R-peak detection method based on hierarchical clustering
Olson et al. Automated machine learning pipeline framework for classification of pediatric functional nausea using high-resolution electrogastrogram
CN115474941A (zh) 心拍基准点检测方法、装置、设备及存储介质
Fayn et al. Can the lessons learned from the assessment of automated electrocardiogram analysis in the Common Standards for quantitative Electrocardiography study benefit measurement of delayed contrast-enhanced magnetic resonance images?
Surya et al. Multichannel probabilistic framework for prenatal diagnosis of fetal arrhythmia using ECG
Mansourian et al. Fetal QRS extraction from single-channel abdominal ECG using adaptive improved permutation entropy
Zhong et al. Automatic electrocardiograph diagnosis of myocardial ischemia with support vector machine
CN118592973A (zh) 基于卷积循环神经网络的透析心室颤动检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant