CN105686801A - 基于固有时间尺度分解的房颤自发终止预测方法 - Google Patents
基于固有时间尺度分解的房颤自发终止预测方法 Download PDFInfo
- Publication number
- CN105686801A CN105686801A CN201510984317.8A CN201510984317A CN105686801A CN 105686801 A CN105686801 A CN 105686801A CN 201510984317 A CN201510984317 A CN 201510984317A CN 105686801 A CN105686801 A CN 105686801A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- frequency
- time
- component
- inherent
- 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 91
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001314 paroxysmal effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002792 vascular 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Electrotherapy Devices (AREA)
Abstract
本发明提出一种基于固有时间尺度分解的心房颤动自发终止预测方法，有效地实现对阵发性和持续性房颤的准确分类。其实现的步骤如下：1、房颤患者心电信号预处理，消除心电信号QRS波，从心电信号中提取房颤信号；2、对提取的房颤信号进行一次固有时间尺度分解，得到两个分量信号；3、由短时傅里叶变换分别得到两个分量的时频谱图，计算时频谱图的平均功率谱密度，搜索平均功率谱密度的谱峰频率值。4、计算固有旋转分量与基线分量的方差，样本熵。5、将两个分量的谱峰频率值，方差和样本熵组成6维特征向量，输入SVM分类器，实现阵发性和持续性房颤的分类。通过对房颤信号进行分解细化，同时提取房颤信号的时域和时频域特征，有效地提高了对心房颤动自发终止预测的精确度。
Description
技术领域
本发明涉及心电图信号分析技术领域，尤其涉及一种房颤自发终止预测方法。
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%，其发病率随着年龄的增长而增加，50多岁人群的发病率约为0.5％，75岁以上人群可达10%。房颤是一种常见的非良性心律失常，容易导致心功能损害，使血液动力学恶化，导致血管栓塞以及众多症状。因此，房颤的防御与治疗越来越受到重视。
房颤可以细分成3种类型:阵发性房颤，持续性房颤，和永久性房颤。阵发性房颤发作持续时间小于7天，大多可以自行转复，亦可反复发作；持续性房颤发作持续7天以上且不能自行转复,需要药物或非药物干预后才能转复；永久性心房颤动为转复失败的或转复后24小时内又复发的心房颤动，阵发性房颤如果反复发作可导致永久性房颤。
预测房颤的自发终止,可避免不必要的治疗，减低给病人带来的风险。反之，如预测到房颤将持续，可抓住并掌握除颤时机，及时通过外界干涉终止房颤，提高除颤的效率,阻止房颤持续。体表心电图由于其无损、简单易行和重复性好等特征一直在有关心脏功能和疾病的研究中发挥着独到的优点和重要作用，并已经在很多心血管疾病诊断、检测和分析中取得了很大的成功。基于体表心电图，区分阵发性房颤和持续性房颤，具有十分重要的意义。
现有技术中，常通过检测房颤信号主频与RR间期来区分阵发性房颤和持续性房颤，主要对房颤信号的频谱，时域特征进行提取，其预测精确度还有待提高。
发明内容
本发明为了有效区分阵发性房颤和持续性房颤，对房颤的自发终止进行准确预测，提出了基于固有时间尺度分解的房颤自发终止预测方法。
本发明采用了如下技术步骤：1、去除房颤患者心电信号中的基线漂移、工频干扰和高频噪声；2、应用主分量分析法消除心电信号QRS波，从心电信号中提取房颤信号；3、对提取的房颤信号进行固有时间尺度分解，得到一个高频固有旋转分量和一个低频基线分量。4、由短时傅里叶变换获取固有旋转分量与基线分量的时频谱图，计算时频谱图的平均功率谱密度，提取平均功率谱密度的谱峰频率值。5、计算固有旋转分量与基线分量的方差，样本熵。6、将固有旋转分量与基线分量的谱峰频率值，方差和样本熵组成6维特征向量，输入SVM分类器，实现阵发性和持续性房颤的分类。
附图说明
图1是本发明的实现流程图
图2是持续性房颤心电信号与提取的房颤信号
图3是持续性房颤信号的固有旋转分量与趋势分量
图4是持续性房颤固有旋转分量的时频谱图
图5是阵发性房颤固有旋转与趋势分量的平均功率谱密度
图6是持续性房颤固有旋转与趋势分量的平均功率谱密度
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
步骤一：考虑到房颤信号频率范围为1~10Hz之间，运用截止频率为0.5Hz高通滤波器去除房颤患者心电信号中的基线漂移,截止频率为30Hz的低通滤波器去除心电信号中的工频干扰和高频噪声。
步骤二：对心电信号进行R波检测，由于R波检测是比较成熟的现有技术，在本发明实施例中就不再详细描述。以R位置为基准点，以最小心博间隔为窗口长度N，进行单搏心跳的切割。把截取的每个单搏心跳作为一行，组成所要进行处理的观测数据矩阵。对观测数据矩阵进行主分量分析，得到一系列主分量，主分量由心室信号源、心房源和噪声组成。提取对应于心房源的主分量，消除心电信号QRS波，从心电信号中提取房颤信号。如图2上是持续性房颤患者的心电信号，图2下是心电信号经过预处理和QRS波消除后，提取到的房颤信号。
步骤三：对提取的房颤信号进行固有时间尺度分解，固有时间尺度分解可以把信号分解为一系列固有旋转分量与一个趋势分量的和。本发明中，对房颤信号只进行一次分解，房颤信号被分解为两个分量，分别为一个固有旋转分量H与一个基线分量L，即房颤信号可以分解为，
其中，是基线信号，是固有旋转分量。分解计算中，对其中涉及的分解参数取值，一次分解计算，可得到一个基线信号，剩余部分信号就是高频的固有旋转分量信号，即
如图3是持续性房颤信号由固有时间尺度分解得到的两个分量，图3(上)是高频的固有旋转分量，图3(下)是低频的固有基线分量。
步骤四：对房颤信号分解得到的固有旋转分量与基线分量进行特征提取：
a）由短时傅里叶变换获取固有旋转分量与频基线分量的时间-频率谱图，提取房颤信号的时频信息，如图4是持续性房颤信号的时频图；
b）将时频谱中每一个频率所对应幅值的平方在时间轴上进行累加，得到一个二维的平均功率谱密度图,即，搜索峰值所对应的频率值。如图5，图6分别是阵发性，持续性房颤信号的平均功率谱密度图，图5(上)是固有旋转分量的平均功率谱密度，图5(下）是基线分量的平均功率谱密度。可以发现，持续性房颤的谱峰频率值要比阵发性房颤的高;
c）计算固有旋转分量与基线分量的方差，样本熵SampEn，得到房颤信号时域的复杂度特征。
步骤五：将固有旋转分量与基线分量的平均功率谱密度谱峰频率值，方差与样本熵SampEn组成6维特征向量，作为SVM分类器的输入信号。并使用大量房颤信号训练SVM分类器，最后实现对阵发性和持续性房颤的准确分类，有效地进行房颤自发终止的预测。
Claims (4)
1.一种基于固有时间尺度分解的房颤自发终止预测方法，其特征在于，该方法包含以下步骤：步骤1、去除房颤患者心电信号中的基线漂移、工频干扰和高频噪声；步骤2、应用主分量分析法消除心电信号QRS波，从心电信号中提取房颤信号；步骤3、对提取的房颤信号进行固有时间尺度分解，得到一个高频的固有旋转分量和一个低频的基线分量；步骤4、由短时傅里叶变换得到固有旋转分量与基线分量的时频谱图，计算时频谱图的平均功率谱密度，提取平均功率谱密度的谱峰频率值；步骤5、计算固有旋转分量与基线分量的方差，样本熵；步骤6、将固有旋转分量与基线分量的谱峰频率值，方差和样本熵组成6维特征向量，输入SVM分类器，进行阵发性和持续性房颤的分类。
2.根据权利要求1所述的基于固有时间尺度分解的房颤自发终止预测方法，其特征在于，步骤3中对房颤信号进行固有时间尺度分解，只进行一次分解，其中涉及的参数分解增益控制因子取值，房颤信号被细分成两部分信号，分别为一个高频的固有旋转分量和一个低频的基线分量。
3.根据权利要求1所述的基于固有时间尺度分解的房颤自发终止预测方法，其特征在于，步骤4中由短时傅里叶变换获得分量信号的三维时频谱，然后将时频谱中每一个频率所对应幅值的平方在时间轴上进行累加，得到二维的平均功率谱密度图。
4.根据权利要求1所述的基于固有时间尺度分解的房颤自发终止预测方法，其特征在于，步骤6中输入分类器的房颤信号特征向量由固有旋转分量与基线分量的平均功率谱密度谱峰频率值，方差和样本熵组成，是一个6维向量，最终实现的是对两类房颤信号，即阵发性房颤与持续性房颤的分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510984317.8A CN105686801A (zh) | 2015-12-25 | 2015-12-25 | 基于固有时间尺度分解的房颤自发终止预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510984317.8A CN105686801A (zh) | 2015-12-25 | 2015-12-25 | 基于固有时间尺度分解的房颤自发终止预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105686801A true CN105686801A (zh) | 2016-06-22 |
Family
ID=56228302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510984317.8A Pending CN105686801A (zh) | 2015-12-25 | 2015-12-25 | 基于固有时间尺度分解的房颤自发终止预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105686801A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
| CN108652613A (zh) * | 2017-03-30 | 2018-10-16 | 深圳市理邦精密仪器股份有限公司 | 信号时频图生成的方法及装置 |
| CN108852339A (zh) * | 2018-05-09 | 2018-11-23 | 广东工业大学 | 一种心电数据分析装置、方法及系统 |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
| WO2021098488A1 (zh) * | 2019-11-22 | 2021-05-27 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
| CN113499079A (zh) * | 2021-06-18 | 2021-10-15 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
| JP7022957B1 (ja) | 2020-08-17 | 2022-02-21 | 公立大学法人会津大学 | 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム |
| CN114159068A (zh) * | 2020-09-09 | 2022-03-11 | 深圳华清心仪医疗电子有限公司 | 一种心电信号心房扑动的检测方法及检测装置 |
-
2015
- 2015-12-25 CN CN201510984317.8A patent/CN105686801A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108652613A (zh) * | 2017-03-30 | 2018-10-16 | 深圳市理邦精密仪器股份有限公司 | 信号时频图生成的方法及装置 |
| CN108652613B (zh) * | 2017-03-30 | 2020-11-03 | 深圳市理邦精密仪器股份有限公司 | 信号时频图生成的方法及装置 |
| CN108509850B (zh) * | 2018-02-24 | 2022-03-29 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别方法 |
| CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
| CN108852339A (zh) * | 2018-05-09 | 2018-11-23 | 广东工业大学 | 一种心电数据分析装置、方法及系统 |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| WO2021098488A1 (zh) * | 2019-11-22 | 2021-05-27 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
| CN111436926B (zh) * | 2020-04-03 | 2021-04-20 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
| CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
| JP7022957B1 (ja) | 2020-08-17 | 2022-02-21 | 公立大学法人会津大学 | 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム |
| JP2022033395A (ja) * | 2020-08-17 | 2022-03-02 | 公立大学法人会津大学 | 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム |
| CN114159068A (zh) * | 2020-09-09 | 2022-03-11 | 深圳华清心仪医疗电子有限公司 | 一种心电信号心房扑动的检测方法及检测装置 |
| CN114159068B (zh) * | 2020-09-09 | 2024-01-09 | 深圳华清心仪医疗电子有限公司 | 一种心电信号心房扑动的检测方法及检测装置 |
| CN113499079A (zh) * | 2021-06-18 | 2021-10-15 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
| CN113499079B (zh) * | 2021-06-18 | 2023-12-08 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105686801A (zh) | 基于固有时间尺度分解的房颤自发终止预测方法 | |
| CA2979135C (en) | Systems, apparatus and methods for sensing fetal activity | |
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| Alcaraz et al. | Adaptive singular value cancelation of ventricular activity in single-lead atrial fibrillation electrocardiograms | |
| Sathyapriya et al. | Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm | |
| Nagendra et al. | Application of wavelet techniques in ECG signal processing: an overview | |
| CN109700450B (zh) | 一种心率检测方法及电子设备 | |
| US8954140B2 (en) | Method and system for determining QRS complexes in electrocardiogram signals | |
| Izci et al. | Arrhythmia detection on ECG signals by using empirical mode decomposition | |
| Kumari et al. | FPGA based arrhythmia detection | |
| CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
| CN108937920B (zh) | 一种心室纤颤信号检测方法、系统及心室纤颤检测装置 | |
| CN109044348A (zh) | 房颤检测装置及存储介质 | |
| CN110292376A (zh) | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 | |
| Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
| Peshave et al. | Feature extraction of ECG signal | |
| Sumathi et al. | Comparative study of QRS complex detection in ECG based on discrete wavelet transform | |
| Mykoliuk et al. | Machine learning methods in ECG classification | |
| Pal et al. | QRS Complex detection using Empirical Mode Decomposition based windowing technique | |
| Butt et al. | Classifying normal sinus rhythm and cardiac arrhythmias in ECG signals using statistical features in temporal domain | |
| Luengo et al. | Blind analysis of atrial fibrillation electrograms: a sparsity-aware formulation | |
| CN110063726B (zh) | 一种心电信号单导联f波提取方法和装置 | |
| Rana et al. | Cardiac disease detection using modified Pan-Tompkins algorithm | |
| Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
| Sahoo et al. | Adaptive thresholding based EMD for delineation of QRS complex in ECG signal analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160622 |
|
| WD01 | Invention patent application deemed withdrawn after publication |