CN105979863A - 心跳检测和分类 - Google Patents

心跳检测和分类 Download PDF

Info

Publication number
CN105979863A
CN105979863A CN201480068933.2A CN201480068933A CN105979863A CN 105979863 A CN105979863 A CN 105979863A CN 201480068933 A CN201480068933 A CN 201480068933A CN 105979863 A CN105979863 A CN 105979863A
Authority
CN
China
Prior art keywords
vector
template vector
template
automatic
angle
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
Application number
CN201480068933.2A
Other languages
English (en)
Inventor
D·布鲁德尼克
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.)
APN Health LLC
Original Assignee
APN Health LLC
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
Priority claimed from US14/067,561 external-priority patent/US9078572B2/en
Application filed by APN Health LLC filed Critical APN Health LLC
Publication of CN105979863A publication Critical patent/CN105979863A/zh
Pending legal-status Critical Current

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
    • 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]
    • 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]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/341—Vectorcardiography [VCG]
    • 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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

一种用于从两个或更多个所选择的ECG信号中检测患者的心跳并对患者的心跳进行分类的自动方法，该方法包括：(a)确定所选择的信号中的每个的速度；(b)将速度的每5个的绝对值求和在一起；(c)比较总和与阈值T，阈值T具有总和的预期最大值的大约一半的值。

Description

心跳检测和分类
相关申请
本申请要求于2013年10月30日提交的美国专利申请序列号14/067,561以及于2014年3月19日提交的美国专利申请序列号14/219,826的优先权日的权益。
技术领域
本发明一般涉及电生理学领域，尤其涉及用于精确测量ECG电信号内的参数(诸如心率以及个体心跳的性质)的技术。
背景技术
这里公开的发明涉及由心脏产生的电信号的多个通道的处理。这些通道信号主要包括来自身体表面电极的ECG信号，虽然来自身体内的电极的信号，亦即来自心脏的血管和室内的心脏内信号以及来自心脏的外表面的心外膜信号也可以在被处理的心脏信号中。遍及该文档，术语“ECG”信号被用来指所有这些类型的通道信号，因为本发明方法主要打算与身体表面电极一起使用。术语的这种使用不打算成为对本发明的范围的限制。
用于心跳的信号处理的许多方法是已知的。尤其是在下面的专利申请中公开的方法：于2012年9月7日提交的并且标题为“R-WaveDetection Method”的PCT国际专利申请No.PCT/US 12/54265；于2013年3月15日提交的并且标题为“Multi-Channel CardiacMeasurements”的美国专利申请No.13/842,994；于2013年5月5日提交的并且标题为“Multi-Channel Cardiac Measurements”的美国专利申请No.13/888,070；以及于2013年6月20日提交的并且标题为“Multi-Channel Cardiac Measurements”的美国专利申请No.13/922,953。这些申请中的每个全部或者部分由本发明的发明人所发明，并且由威斯康辛州，皮沃基的APN Health，LLC共同拥有。这些申请中没有申请在执行阈值比较之前在心跳检测处理中组合多个心脏通道的信号。这些发明中没有发明包括将检测到的心跳分类为具有类似心跳形态或形状的类别的步骤。
涉及心跳检测和分类的其它当前技术与用于对由霍尔特(Holter)监测器捕获的ECG信号进行后处理的系统有关。这些系统典型地涉及使用在个体心跳内多于一个时间点处的这种信号的值对ECG信号进行处理。相反，本发明取决于单个时刻处的测量，以便检测和分类心跳，允许本发明系统在心跳的时间周期中非常早地检测心跳并且基本上实时地操作。
基本上实时地将心跳分类为具有类似形态的组使得心脏病专家能够非常快速地识别各种异位心跳的发生的频率，尤其是对于经历介入程序的患者，以减轻这种心跳的原因。重要的异位心跳尤其是：心室早期收缩(PVC)；房性期前收缩(PAC)；各种类型的束支传导阻滞；心室逸搏；结合部逸搏；融合搏动；以及起搏(paced)搏动。
PVC和PAC心跳(也由多个其它名称熟知)是其中最常见的异位心跳，并且当它们作为个体搏动而不是一系列重复搏动而发生时，不被认为具有临床意义。这种个体搏动通常在没有心脏疾病的健康的年轻和老年患者中发生。然而，当异位搏动在更加有规律的基础上复发时，可以进行介入治疗或程序以减轻这种心脏异常。本发明通过提供用于心脏检测和分类的快速和可靠方法成为心脏诊断和治疗技术方面的重要进展。
发明目标
本发明的自动方法的目标在于提供用于心跳的分类的可靠方法。
本发明方法的另一个目标在于提供自动的方法，通过该方法能够将心跳分类为预先定义的心跳的种类。
本发明方法的另一个目标在于提供自动的方法，通过该方法能够基于患者的具体心跳将心跳分类成一组自适应定义的心跳的种类。
本发明方法的另一个目标在于提供自动的方法，通过该方法能够对心室早期收缩进行识别、表征和计数。
本发明方法的再另一个目标在于提供自动的方法，该方法将有用的心跳表征信息显示给心脏病专家。
本发明的又另一个目标在于提供心跳分类的方法，该方法可适用于由霍尔特监测器记录的数据的后处理。
本发明的另一个目标在于提供心跳分类的方法，该方法能够与各种心跳检测方法一起使用。
本发明方法的目标还在于提供用于心跳的检测的可靠方法。
本发明方法的另一个目标在于提供自动的方法，该方法能够在心跳的前缘上检测心跳。
本发明方法的另一个目标在于提供心跳检测的自动的方法，该方法适应于ECG信号中的信号水平的变化。
本发明的自动方法的另一个目标在于几乎实时地(非常短的处理延迟)检测心跳。
本发明的自动方法的另一个目标在于使用心脏病专家熟悉的ECG信号的特征检测心跳。
本发明的又另一个目标在于提供心跳检测的方法，该方法可适用于由霍尔特监测器记录的数据的后处理。
本发明的这些和其它目标将从下面的描述中以及从附图中变得明显。
发明内容
本发明是使用两个或更多个所选择的ECG信号对心跳进行分类的自动方法。该方法包括，当已经检测到心跳时，(a)为检测到的心跳内的分类基准时间tC处的每个所选择的信号确定信号速度，(b)形成矢量F(tC)，该矢量F(tC)使时间tC处所选择的信号中的每个的速度作为它的分量，(c)确定矢量F(tC)与先前存储的模板矢量之间的角度，(d)比较角度和阈值角度，以及(e)如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
在用于对心跳进行分类的本发明方法的高度优选的实施例中，角度确定和比较包括步骤：(i)计算平方矢量幅度SVMC作为F(tC)与它自身的点积，(ii)计算F(tC)与模板矢量Fq的点积DPq，(iii)计算平方矢量幅度SVMq作为Fq与它自身的点积，(iv)计算带符号的平方余弦差角SCDAq为
SCDAq＝sgn(DPq)*DPq*DPq/(SVMC*SVMq)，
以及(v)比较SCDAq和平方余弦阈值SCL。(如这里使用的，*符号指示乘法。)这些实施例的一些还包括比较矢量F(tC)和多个模板矢量，以确定矢量F(tC)是否在多个模板矢量的任意模板矢量的阈值角度内。
在一些实施例中，如果矢量F(tC)与多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，该模板矢量在它自身与矢量F(tC)之间具有最小角度。同样在一些实施例中，如果矢量F(tC)与多个模板矢量中的每个之间的角度大于或等于阈值角度，则具有Fq＝F(tC)的模板矢量被添加到多个模板矢量中。
在一些优选的实施例中，患者处于非镇静状态并且本发明方法还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
在本发明的自动心跳分类方法的一些实施例中，模板矢量中的每个具有与其相关联的阈值角度，并且并不是所有这种矢量都具有与其相关联的相同的阈值角度。
在一些实施例中，多个模板矢量的至少部分是预先设置的模板矢量，并且在这些实施例的一些中，多个模板矢量中的每个是预先设置的模板矢量。
在一些优选的实施例中，该方法还包括多个槽的模板矢量槽，并且多个槽大于或等于多个模板矢量。每个模板矢量被存储在相应的模板矢量槽中，并且如果矢量F(tC)不在多个模板矢量的任意模板矢量的阈值角度内并且空的模板矢量槽可用，则新的模板矢量Fq＝F(tC)被添加到多个模板矢量中。在这些实施例的一些中，如果没有空的模板矢量槽可用，则用新的模板矢量Fq＝F(tC)取代模板矢量中的一个。
本发明的自动心跳分类方法的一些高度优选的实施例包括存储所分类的心跳，并且这些实施例的一些还包括显示描述一个或多个所存储的心跳的信息。
在某些高度优选的实施例中，确定所选择的信号中的每个的速度包括对所选择的信号中的每个进行数字化并且对经数字化的信号中的每个进行滤波以生成每个所选择的信号的速度。
在某些高度优选的实施例中，选择三个ECG信号，并且信号形成准正交集合。
在本发明的自动心跳分类方法的一些其它实施例中，除了所选择的ECG信号之外，ECG信号还包括一个或多个ECG信号，并且该方法包括存储另外的ECG信号的一个或多个。这些实施例的一些包括显示描述检测到的心跳的信息。
当已经检测到心跳时，本发明的自动心跳分类方法的某些其它实施例包括步骤：(i)形成矢量F(tC)，矢量F(tC)是时间tC处所选择的信号中的每个的速度以及时间tC+δ处所选择的信号中的每个作为它的分量，(ii)确定矢量F(tC)与先前存储的模板矢量之间的角度，(iii)比较角度和阈值角度，以及(iv)如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
权利要求1所述的本发明的自动心跳分类方法的某些实施例还包括步骤：(i)存储所选择的信号，(ii)确定所选择的信号中的每个的速度，(iii)将每个信号速度的绝对值求和以生成绝对速度总和G(t)，(iv)找到检测到的心跳内总和的最大峰值以及它的时间，以及(v)将时间tC设置成当总和基本上等于峰值的预先设置的分数时峰值时间之前并且最接近峰值时间的时间。
某些其它实施例还包括步骤：(i)存储所选择的信号，(ii)确定所选择的信号中的每个的速度，(iii)将每个信号速度的绝对值求和以生成绝对速度总和G(t)，以及(iv)将tC设置为等于G(t)变得大于阈值T的时间。
另外的实施例还包括存储所选择的信号以及将tC确定为检测到的心跳的开始之后预先设置的时间。一些这种实施例包括：(i)确定所选择的信号中的每个的速度，(ii)将每个信号速度的绝对值求和以生成绝对速度总和G(t)，以及(iii)将检测到的心跳的开始确定为G(t)升高超过心跳挂起(heartbeat-pending)阈值Tp并且保持在Tp之上直到G(t)升高超过心跳确认阈值Tc的时间。在这些实施例的一些中，检测到的心跳在心动周期内并且该方法还包括计算心动周期内的G(t)的中值的步骤，心跳挂起阈值Tp是跨越心动周期的G(t)的中值的倍数；在一些中，心动周期内的G(t)的中值的倍数在2与5之间；以及在一些中，心跳确认阈值Tc在检测到的心跳的预期峰值的30％与60％之间。
在某些实施例中，本发明的自动心跳分类方法还包括步骤：(a)存储所选择的信号，(b)确定所选择的信号中的每个的速度，(c)将每个信号速度的绝对值求和以生成绝对速度总和G(t)，(d)将G(t)与预先确定的形状函数互相关，以及(e)从互相关导出时间tC。在这些实施例的一些中，将时间tC设置成互相关变得大于相关阈值的时间。相关阈值可以在互相关的峰值的大约25％与35％之间，并且在一些实施例中，该阈值可以是互相关的峰值的大约30％。
在这些实施例中的其它实施例中，将时间tC设置成最大互相关的时间之前的预先设置的相关时间间隔。在一些实施例中，预先确定的形状函数是三角形，并且在一些实施例中，预先确定的形状函数是抛物线。形状函数的宽度可以在90与150毫秒之间，并且在一些实施例中，宽度是大约120毫秒。
在某些其它实施例中，分类基准时间tC是从选自由运动超声、音频、血流的光学检测、压力测量以及心冲击描记(ballistocardiography)组成的组的心跳检测器的输出信号中导出的。
在某些实施例中，分类基准时间tC是从来自与感兴趣的心跳的起源相邻放置的电极的心脏内信号中导出的。在这些实施例的一些中，将时间tC设置成心脏内信号中的激活时间之前的预先设置的时间间隔。
在另一个方面中，本发明是用于从两个或更多个所选择的ECG信号中检测患者的心跳的自动方法。该方法包括：(a)确定所选择的信号中的每个的速度，(b)将速度中的每个的绝对值求和在一起，(c)比较总和与阈值T，阈值T具有总和的预期最大值的大约一半的值，以及(d)如果总和大于阈值T并且如果自紧接先前的心跳检测之后逝去的时间大于预先设置的不应期(refractory period)tR，则心跳已经在速度确定的时间tD处被检测到。使用这些步骤，本发明在心跳的初始部分期间使用速度测量检测心跳。如这里使用的，速度确定的时间tD在适当的时候可以与分类基准时间tC可交换地使用。
在用于心跳检测的本发明方法的高度优选实施例中，确定所选择的信号中的每个的速度包括对所选择的信号中的每个进行数字化并且对经数字化的信号中的每个进行滤波以生成每个所选择的信号的速度。在这些实施例的某些中，滤波器是一阶差分滤波器，一阶差分滤波器在一些实施例中是矩形波滤波器(boxcar filter)。
在本发明方法的高度优选的实施例中，基于预先设置的时间周期tm期间的最大速度总和调整阈值T。在这些实施例的一些中，当预先设置的时间周期tm已经逝去时，如果自检测到先前的心跳之后，预先设置的检测失败时间限制tL还没有逝去，则通过计算T＝Tp+(Gmax/2–Tp)/4来确定阈值T，其中Gmax是在逝去的预先设置的时间周期tm期间的最大速度总和，并且Tp是阈值T的先前的值。而且，在一些实施例中，当预先设置的时间周期tm已经逝去时，如果自检测到先前的心跳之后，预先设置的检测失败时间限制tL已经逝去，则阈值T被设置成Gmax/2。
在一些优选的实施例中，tR为大约120毫秒，tm为大于2秒，并且tL为大约5秒。
在自动心跳检测方法的一些高度优选的实施例中，除了所选择的ECG信号之外，ECG信号还包括一个或多个ECG信号，并且该方法包括存储另外的ECG信号的一个或多个。在这些实施例的一些中，该方法还包括显示描述检测到的心跳的信息。
本发明是使用框图或流程图方便地例示以描述本发明方法的各种步骤以及本发明方法的实施例的方法。如这里使用的，术语“步骤”、“流程图单元”、“处理单元”或者其它类似的术语可以用来描述框图或流程图的各种个体部分。如这样使用的，在这些术语的意义方面不存在刻意的差别。当在不止一个图中例示实施例时，术语“处理部分”和“处理”在这里可交换地使用。具体的参考编号使得这种可交换的使用是清楚的。
如这里使用的术语“速度”指信号相对于时间的变化率。
如这里使用的术语“在阈值角度内”指角度与阈值角度相比较为小于阈值角度。
如这里使用的术语“准正交”指ECG信号的集合的属性，使得集合中的每个信号与集合中的其它信号近似独立。(在正交集合中，集合中的每个信号与集合中的其它信号完全独立。)用图表示，ECG信号的二维或三维准正交集合中的每个信号与集合中的其它ECG信号近似90°。
如这里使用的术语“分类基准时间”指所选择的ECG信号的速度作为本发明的自动心跳分类方法的输入被评估的时间。
如这里使用的术语“心跳的起源”指触发导致心跳的去极化的肌细胞的区域。
附图说明
图1是用于使用两个或更多个ECG信号检测心跳并对心跳进行分类的本发明方法的一个实施例的一部分的示意性框图。图1的框图主要例示对ECG信号进行滤波并且检测心跳的这种实施例的部分。
图2是在图1中部分例示的实施例的另一部分的示意性框图。图2的框图主要例示对检测到的心跳进行分类的这种实施例的部分。该实施例包括当在心跳检测时没有找到心跳与由模板矢量表示的心跳中的任意心跳相类似时，添加新的模板用以与表示检测到的心跳的矢量相比较的步骤。
图3是在图1和2中部分例示的实施例的又另一部分的示意性框图。图3的框图主要例示设置在本发明方法的实施例中使用的阈值T以与多个ECG信号的绝对速度的总和相比较(如图1中所例示)的这种实施例的部分。
图4是在图1-3的框图或流程图中使用的各种术语的图例。
图5是描绘矢量3空间以例示在本发明方法中采用的矢量关系的图。
图6A-6C示出以每秒钟1,000样本(sps)采样的三个经数字化的ECG信号的集合的仅仅6秒长上的代表性部分。
图7A-7C示出图6A-6C的经数字化的ECG信号的速度。
图8A-8C示出图6A-6C的经数字化的ECG信号的绝对速度。
图9A-9D示出图8A-8C的绝对速度的总和(图9A)、在连续的2秒周期上总和的运行最大值(图9B)、在心跳检测期间总和与其相比较的阈值T(图9C)以及在图6A-6C的时间周期期间的不应定时器的值(图9D)。
图10A是在图6A-6C的时间周期期间检测到的心跳的检测时间以及在图1-4的实施例中对于图6A-6C中所选择的信号产生的速度矢量F(tD)＝{f1(tD),…,fn(tD)}的计算速度和平方矢量幅度的值的表格。图10A也包括三个模板矢量以及如在示例内生成的它们的平方矢量幅度。
图10B是例示针对图6A-6C中所示的时间周期，在本发明方法的操作期间进行的计算的表格。
图11A-11C示出包括单个检测到的心跳的图6A-6C的ECG信号的一部分。图11D示出图11A-11C的ECG信号的绝对速度的总和。
图12是用于心跳检测的本发明方法的心跳分类部分的选择性实施例的示意性框图。
图13A示出使用在绘图上在ti＝0处对齐的每个检测时间tD被检测并分类为属于心跳类别7的图6A-10B的示例中每个心跳的x1(ti)信号。
图13B示出，针对与图13A中相同的时间周期，x1(ti)的最大值、最小值和平均值。
图13C示出使用在绘图上在ti＝0处对齐的每个检测时间tD被检测并分类为属于心跳类别7的图6A-10B的示例中每个心跳的x2(ti)信号。
图13D示出，针对与图13C中相同的时间周期，x2(ti)的最大值、最小值和平均值。
图13E示出使用在绘图上在ti＝0处对齐的每个检测时间tD被检测并分类为属于心跳类别7的图6A-10B的示例中每个心跳的x3(ti)信号。
图13F示出，针对与图13E中相同的时间周期，x3(ti)的最大值、最小值和平均值。
图14是本发明方法的实施例的高级示意框图，本发明方法中所有可用的ECG信号被数字化并存储并且其至少一部分被显示。
图15是用于心跳检测的本发明方法的心跳检测部分的选择性实施例的示意性框图，其中在心跳检测之后，使用用于分类处理的另外的速度分量扩大表示检测到的心跳的矢量。
图16A-16C是图11A-11C的修改版本，示出包括单个检测到的心跳的图6A-6C的ECG信号的一部分。图16A-16C中对于图6A-11D的示例的修改指示进行另外的速度确定的时间，检测到心跳之后20毫秒(msec)。
图17A是示出在图6A-6C的时间周期期间检测到的心跳的检测时间以及在图15以及2-4的选择性实施例中对于图6A-6C中所选择的信号产生的速度矢量F(tD)＝{f1(tD),…,fN(tD)}的计算速度和平方矢量幅度的值的表格(类似于图10A的表格)。图17A也包括四个模板矢量以及如在该示例内生成的它们的平方矢量幅度。
图17B是例示针对图6A-6C中所示的时间周期，在本发明方法的图17A的选择性实施例的操作期间进行的计算的表格(类似于图10B的表格)。
图18A是用于检测到的心跳的心跳分类的本发明方法的高级示意性框图，例示出本发明方法将矢量F(tC)用于心跳分类，其中tC是评估矢量F(tC)的分类基准时间。
图18B是作为图18A的修改的高级示意性框图，例示通过在心跳分类之前分析检测到的心跳来确定分类基准时间tC的添加。
图19是生成速度总和G(t)和矢量F(tC)的方法步骤的框图示意图。G(t)用于一些心跳检测的方法，并且矢量F(tC)在本发明的心跳分类方法中使用。
图20是图2的修改，在图2的实施例10B的方法步骤中使用分类基准时间tC取代心跳检测时间tD以产生图20的实施例10B"的方法步骤。
图21是图12的修改，在图12的实施例10B'的方法步骤中使用分类基准时间tC取代心跳检测时间tD以产生图21的实施例10B"'的方法步骤。
图22A是其中分类基准时间tC被确定为当总和基本上等于G(t)的预先设置的分数时速度总和G(t)的峰值之前并且最接近峰值的检测到的心跳内的时间的实施例的框图示意图。
图22B是例示如图22A中所示的分类基准时间tC的确定的G(t)的代表性时间轨迹的绘图。
图23A是其中分类基准时间tC被确定为速度总和G(t)变得大于阈值T的检测到的心跳内的时间的实施例的框图示意图。
图23B是例示如图23A中所示的分类基准时间tC的确定的G(t)的代表性时间轨迹的绘图。
图24A是其中分类基准时间tC被确定为检测到的心跳开始之后的预先设置的时间的实施例的框图示意图。
图24B是例示如图24A中所示的分类基准时间tC的确定的G(t)的代表性时间轨迹的绘图。
图25A是其中分类基准时间tC被确定为总和G(t)与形状函数SXC的互相关变得大于相关阈值的时间的实施例的框图示意图。
图25B例示在图25A的实施例中与总和G(t)互相关的两个可能的形状函数。
图25C示出总和G(t)的代表性部分与图25B的两个形状函数互相关的两个绘图，绘图例示如在图25A的框图示意图中描述的分类基准时间tC的确定。
图26A是其中分类基准时间tC被确定为总和G(t)与形状函数的互相关到达它的峰值的时间减去预先设置的时间间隔的实施例的框图示意图。
图26B示出总和G(t)的代表性部分与图25B的两个形状函数的互相关的两个绘图，绘图例示如在图26A的框图示意图中描述的分类基准时间tC的确定。
图27是其中分类基准时间tC的来源是除了ECG电极之外使用传感器的系统的实施例的框图示意图。
图28是其中分类基准时间tC的来源是除了否则用来生成用于心跳分类的方法步骤的ECG信号的ECG电极之外使用心脏内电极的系统的实施例的框图示意图。
具体实施方式
图1-4例示使用两个或更多个ECG信号用于心跳检测的本发明方法的一个实施例。图1-3是方法的示意性框图表示。图4示出在图1-3的实施例中使用的各种术语的图例10E，给出对于各种信号、等式中的项以及预先设置的参数的定义。图例也包括在实施例中使用的预先设置的参数的典型值的集合。
图1的框图是例示该实施例中对ECG信号进行滤波并且检测心跳的处理部分10A的步骤的流程图。在图1中，所选择的ECG信号的集合[x1(t),…,xN(t)]中的每个信号被在模数转换器(A/D)12中数字化从而形成经数字化的ECG信号的集合[x1(ti),…,xN(ti)]。在该实施例中，A/D转换器12以1,000sps的速率对ECG信号[x1(t),…,xN(t)]进行采样。例如，x1(ti)是在t＝ti时x1(t)的采样值。所选择的ECG信号的数目N是2或更多。随后在该实施例的描述中，为了例示的目的，N的值将是3。再次，N＝3并不打算成为对本发明方法的范围的限制。(当在这里参考N个信号的集合中的个体但非具体的信号时，可以使用下标p。)
经数字化的ECG信号的集合[x1(ti),…,xN(ti)]中的每个经数字化的信号xp(ti)被在N个流程图单元14的一个中进行滤波，从而生成在每个采样时间值ti处的xp(ti)的速度fp(ti)。在该实施例中，滤波器14是一阶差分滤波器，并且具体地，矩形波宽度k为20个样本的矩形波滤波器。如流程图单元14中的等式指示的，xp(ti)的速度fp(ti)是样本的两个总和之间的差(sp(ti)–sp(ti-k))，第一总和sp(ti)是采样值xp(ti)与xp(t)的先前19个采样值的总和，并且第二总和sp(ti-k)是在第一总和的样本之前紧接着的xp(t)的20个采样值的总和。因为滤波器14是矩形波滤波器，所以它在经滤波的速度信号fp(ti)中产生一些平滑。矩形波越宽，在滤波处理14期间移除的高频率越多。并且，速度fp(ti)的值落后实际时间ti，但是这种落后对于正在处理的心跳检测和分类没有不利影响。
通常，可以用各种方法对所选择的ECG信号进行滤波，从而生成所选择的ECG信号[x1(t),…,xN(t)]的速度[f1(t),…,fN(t)]的值。例如，数字滤波器的更一般表达式在流程图单元14的求和中包括乘以个体时间样本的系数的集合，使得对于ECG信号x1(ti)，对于j＝0到k-1，s1(ti)＝∑(aj*x1(ti-j))，其中aj的值是系数集合。求和中的每个样本由系数aj加权。对于图1的实施例中的矩形波滤波器示例，aj全部都等于1。特定的矩形波滤波器示例不打算限制本发明中滤波器结构的范围；可以使用其它滤波器来生成速度。
矩形波宽度的值k＝20不打算成为限制；可以使用其它矩形波宽度。对于k＝20以及1,000sps的采样率，一阶差分矩形波滤波器在0Hz以及50Hz的整数倍处具有空点。因此，这种滤波器在19Hz处具有峰值。随着0Hz处的空，滤波器移除放大器偏移和低频伪影。50Hz处的空减小更高频的噪声。
进一步在流程图单元16中对每个速度信号fp(ti)进行滤波，流程图单元16生成fp(ti)的绝对值gp(ti)。然后，在流程图单元18中将全部N个绝对值速度[g1(ti),…,gN(ti)]求和，从而生成每个采样时刻ti处的绝对速度总和G(ti)。
速度总和G(ti)是到流程图判定单元20的输入，在流程图判定单元20中，G(ti)与阈值T相比较。阈值T的值在本发明方法的该实施例中自适应地确定，并且具有总和G(ti)的预期最大值的大约一半的值。该阈值T的自适应确定的实施例的更多细节在图3中示出并且随后在该文档中描述。
在流程图单元20中，如果G(ti)大于阈值T，则处理10A继续进行到流程图判定单元22，并且如果G(ti)不大于阈值T，则处理10A继续进行到流程图单元32，在流程图单元32中，不应定时器(timerR)增加采样周期Δt，并且处理10A继续进行到流程图单元30以等待下一个采样循环。在该实施例中，因为采样率是1,000sps，所以Δt是1msec。
在判定单元22中，如果timerR大于预先设置的不应期tR，那么如流程图单元24中所指示的，已经在时间ti＝tD处检测到心跳，在这一点处理10A继续进行到流程图单元26。在流程图单元26中检测的时间tD被设置为时间ti之后，在流程图单元28中timerR被设置为0并且处理10A继续进行到流程图单元30以等待下一个采样时间。在判定单元22中，如果timerR不大于tR，那么在单元28中timerR被设置为0并且在单元30中处理10A等待下一个采样时间。
在流程图单元26中，从速度fp(tD)的每个中形成矢量F(tD)，使得矢量F(tD)＝{f1(tD),…,fN(tD)}。(如这里使用的，如在上面F(tD)的定义中，矢量量由波形括号的使用指示。如这里早前使用的方括号符号，诸如经数字化的ECG信号的集合[x1(ti),…,xN(ti)]，指示不作为矢量在上面运算的一系列量。)
图1中的流程图单元15例示N个经数字化的所选择的ECG信号[x1(ti),…,xN(ti)]被存储在本发明方法中。流程图单元17例示所存储的数据可以在本发明方法的操作期间或之后显示给用户。流程图单元15和17也出现在图2和12中，指示在本发明方法中也可以存储和显示除了图1中所指示的之外的数据。也可以根据期望存储和/或显示没有在这些图中具体示出的其它数据，因为本发明方法是在数字计算机内实现的，数字计算机容易地存储数据供随后使用。某些临时值当然可以被重新计算，但是为了速度的目的，存储供随后使用可以是优选的。所存储的具体数据的指示不打算成为对本发明的范围的限制。
图1示出四个带圆圈的字母A到D。图1的流程图内的这些点指示实施例的处理10A中继续进行到图2或图3内的类似标记点的点。处理连续性的这些点将随后在具体实施方式中讨论。
图2是在图1中部分例示的实施例的另一个部分的示意性框图。它是例示对检测到的心跳进行分类的实施例的处理部分10B的步骤的流程图。
参考图2，点A指示本发明处理的实施例的该处理部分10B从图1的点A继续进行，在这一点簇，已经在时间tD处检测到心跳并且已经形成速度的矢量F(tD)。心跳检测时间tD在心跳的初始部分期间出现，并且F(tD)是在用于心跳检测的本发明方法的剩余步骤中表征检测到的心跳的矢量量。
在该实施例的心跳分类部分10B期间，方法存储模板心跳、对应的模板矢量以及至少用于与在处理部分10A中已经检测到的检测到的心跳相比较的其它相关信息。这种模板矢量被描述为存储在模板矢量槽(槽)中，并且在该实施例中假设存在Q个这种槽。槽被识别为具有从1至Q的索引q。当心跳被分类为类似于与槽q相关联的模板时，心跳计数Cq增加1，使得每个类别中的心跳的数目被计数。
在图2中，在每个检测到心跳的分类开始时，在流程图单元34中对四个变量进行初始化。这四个变量初始化是：q＝1；qE＝0；qM＝0；以及SCM＝-1。模板索引q被设置为开始槽(槽1)，并且空槽索引qE(指示槽qE可用于新的模板矢量)被设置为指向没有槽(qE＝0)。槽索引qM是包含与计算的量SCM相关联的模板矢量的槽的索引，SCM本身在流程图单元34的初始化步骤中被设置为-1。在初始化34的时候，没有槽与SCM的值相关联(qM＝0)。(项SCM将随后在图2的该具体实施方式中定义。)
在流程图单元36中，SVMD的值被计算为矢量F(tD)与其自身的点积：SVMD＝F(tD)·F(tD)。SVMD在这里称作矢量F(tD)的平方矢量幅度。两个矢量X与Y的点积等于每个矢量的幅度的乘积乘以矢量之间的角度θ的余弦：X·Y＝|X|*|Y|*cosθ。因此，矢量与其自身的点积是矢量的幅度的平方，或者平方矢量幅度(SVM)。该量与其它类似的量在本发明方法的步骤中随后使用。
在流程图单元38中，选择索引值为q的模板矢量槽用于比较。对于每个检测到的心跳，索引q的初始值为1，但是如将看到的，在由矢量F(tD)代表的检测到的心跳的分类期间，方法步骤38将“操作”Q次。流程图判定单元40确定槽q是否包含模板矢量Fq。如果槽q不包含矢量(单元40中的“是”判定)，在流程图单元42中空槽索引qE被设置为q，并且在流程图判定单元44中相对于Q检查槽索引q，看是否任何槽保持与矢量F(tD)比较。如果槽索引的当前值q小于总槽数Q，则在流程图单元46中槽索引q递增，并且处理10B返回到流程图单元38以继续心跳分类。(随后将在图2的该具体实施方式中讨论流程图单元44中的“是”判定。)
在流程图单元40处，当在槽q中找到模板时，模板矢量Fq和先前计算的SVMq(在前一个心跳分类循环期间在单元36中计算的)可用于时间tD处的心跳的比较。然后处理10B通过分别在流程图单元48和50中计算点积DPq＝F(tD)·Fq和量SCDAq，以这种比较继续进行。SCDAq在这里称作模板矢量Fq和与检测到的心跳相关联的矢量F(tD)之间的带符号的平方余弦差角。在流程图单元50中，计算的项DPq、SVMq和SVMD被用来计算SCDAq：
SCDAq＝sgn(DPq)*DPq*DPq/(SVMD*SVMq)。
因此，量SCDAq的幅度是矢量F(tD)与矢量Fq之间的角度θq的余弦的平方，并且SCDAq的符号是角度θq的余弦的符号。如从SCDAq的上面的表达式中能够看到，SCDAq指示矢量F(tD)与模板矢量Fq如何接近地对齐，或者两个矢量之间的角度如何小。在该实施例中，量SCDAq用作找到角度θq的计算方便，而不需要计算量的平方根和反余弦。当然，可以使用任何其它的代数公式来确定矢量F(tD)与Fq的相对对齐。
心跳的分类基于矢量F(tD)与模板矢量Fq的相对对齐。如果两个矢量完全对齐，则两个矢量之间的角度θq为0°并且θq的余弦是1。如果角度θq在预先设置的阈值角度θL内，则与矢量F(tD)相关联的检测到的心跳被分类为类似于与模板矢量Fq相关联的心跳。在图2的实施例中，角度θq与预先设置的阈值角度θL的比较通过比较SCDAq与限制值SCL来进行，限制值SCL定义角度θq的幅度，使得F(tD)在模板矢量Fq的区域中。例如，如果25°的预先设置的阈值角度θL被用作这种阈值角度，则SCL＝cos2(25°)或者SCL≈0.8214。
在图2的实施例中，SCL的值对于每个模板矢量是相同的。在其它实施例中，与模板矢量中的每个相关联的SCL的值可以取决于与模板矢量相关联的各种心跳的特征而不同。
在流程图单元52至58中，分类处理10B每个检测到的心跳确定(1)SCDAq的最大值是什么以及(2)矢量F(tD)是否在SCDAq为最大的模板的阈值角度θL内。处理10B继续进行到流程图判定单元52，在流程图判定单元52中，SCDAq的计算值与量SCM的值相比较。SCM是针对q的所有值的SCDAq的最大值，针对q的所有值，SCDAq的值已经在检测到的心跳的分类期间被计算。当然，SCDAq的最大可能值是1，这指示F(tD)与Fq精确地彼此对齐(角度θq＝0°)，并且SCDAq的最小可能值是-1，这指示F(tD)与Fq指向精确地相反的方向(角度θq＝180°)。在步骤34处的初始化期间，SCM被设置为-1，使得随着分类处理10B的顺序操作继续进行，找到SCDAq的所有较大的值。
如果在判定单元52中，发现SCDAq大于SCM，则在流程图单元54中，给予SCM当前的SCDAq，并且在流程图单元56中，给以与SCM对应的模板矢量的索引qM当前索引q的值。然后处理10B继续进行到流程图判定单元44，在流程图判定单元44中，当前索引q与模板槽的总数目Q相比较。如果在判定单元52中，发现SCDAq不大于SCM，则处理10B也继续进行到流程图判定单元44。
如上所述在流程图判定单元44中，相对于Q检查槽索引q，看是否任何槽保持与矢量F(tD)相比较。如果q不等于Q，那么在流程图单元46中索引q的值增加1，并且分类处理10B循环回流程图单元38，以开始矢量F(tD)与另一个模板矢量Fq的比较。如果在流程图判定单元44中q＝Q(亦即，最后一个模板矢量已经与F(tD)相比较并且对于F(tD)已经识别SCM和qM，处理10B继续进行以确定矢量F(tD)是否在模板矢量FM的预先设置的阈值角度θL内(对于q＝qM，FM是Fq)。该确定通过在流程图单元58中比较SCM与SCL(如上所述)而进行。如果SCM大于SCL，那么矢量F(tD)在模板矢量FM的阈值角度θL内，并且在流程图单元68中，由FM定义的类别中的心跳的计数CM(对于q＝qM，CM是Cq)增加1。
然而，如果SCM不大于SCL，那么处理10B发现不存在F(tD)与其相类似的模板矢量Fq，并且在该实施例中，如果存在仍然可用的空模板槽qE，那么将F(tD)设置成新的模板矢量。流程图单元60确定模板槽是否可用(qE≠0)。如果空模板槽可用，则如流程图单元62中所示，矢量F(tD)被设置成模板矢量FE(对于q＝qE，FE为Fq)，并且在流程图单元64中该新的模板类别被给予计数CE为1(对于q＝qE，CE为Cq)。在现有模板类别(流程图单元68)中或者在新创建的模板类别中(流程图单元62和64)计数矢量F(tD)之后，心跳分类处理10B继续进行到流程图单元66，在流程图单元66中，处理10B等待将在处理10A中检测到的下一个心跳。
如果在流程图判定单元60中，没有找到空模板槽，则在流程图单元61中创建空的模板槽，并且分类处理10B继续进到流程图单元62。使用为8的Q(心跳类别或模板的最大数目)的值示出在下面详细描述的图6A-13F的示例。然而，通常，Q的值可以比8大得多。因为现代计算机以非常高的速度运算并且具有基本上无限的内存，所以在执行分类处理10B中的许多比较时的延迟是微不足道的，并且将Q设置得非常大对于方法的操作几乎没有影响并且避免因存储仅有限数目的模板而引起的损失关于心跳的信息。
如果对于正在被监测的患者，Q没有被设置得足够高(流程图判定单元60中的“N”结果)并且碰到需要形成新模板的心跳，则流程图单元61可以包括丢弃与具有最低计数数目并且具有自类别增加了它的计数之后最长时间周期的类别对应的模板的步骤。对于流程图单元61中新的空槽qE的创建以处理这种情况而言，多个其它策略是可能的，但是如上所述，将Q设置得足够大以避免碰到需要丢弃模板是简单的方式。
在其它因素中，影响可以使用的模板矢量(心跳类别)的数目的因素是患者被监测的时间的长度、监测期间患者移动的量、监测期间不同患者姿势的使用以及影响ECG信号的噪声环境。同样影响Q的适当值的是SCL的选择值。模板矢量周围的越小的区域(越小的θL)意味着Q将可能需要越高。然而，通常，期望对于具有各种异位心跳的患者，类别的数目仍然非常有限，因为心跳的形态由它在心脏内的触发源确定，并且因此相同形态的心跳由在心脏中相同点处发生的触发导致。
用于填充模板槽、评估矢量之间的角度θ以及图1-4的实施例的逻辑流程的其它部分的许多其它逻辑策略在本发明方法的范围内是可能的。例如，图2的实施例从槽Q(Q是最高槽索引)开始填充模板槽，并且然后当发现另一个矢量是新的模板矢量时填充最高可用的空模板槽。因此，如果任何空槽可用，则它们将具有比任何已填充的模板槽低的槽索引值。槽被填充的次序从最高槽编号开始不是本发明的限制。
图3是在图1和2中部分例示的实施例的又另一个部分的示意性框图。图3的框图是例示设置阈值T的实施例的处理部分10C的步骤的流程图，如图1中所例示的，在流程图单元20中阈值T与多个ECG信号的绝对速度的总和G(ti)相比较。
图3中的点B指示本发明处理的实施例的该处理部分10C从图1的点B继续进行。处理10C基于G(ti)、来自图1中的点C的不应定时器(timerR)以及在处理10C内运行的阈值定时器(timerm)，每tm秒的预先设置的时间周期，使用多个ECG信号的绝对速度的总和G(ti)调整阈值T。流程图单元69由虚线连接以指示它仅仅在启动时起作用以初始化阈值T。
在流程图判定单元70中，G(ti)的值与Gmax相比较，Gmax是如由流程图单元70-78和84确定的在预先设置的时间周期tm期间G(ti)的最大值。(Gmax在预先设置的时间周期tm期间确定并且如果平均信号水平漂移，则该实施例中的预期最大值的估计也因预先设置的时间周期tm周期性地更新Gmax的值而改变。)如果在判定单元70中，G(ti)大于Gmax，则在流程图单元72中用新的值G(ti)更新Gmax，并且在流程图单元74中，阈值定时器(timerm)递减Δt。(在该实施例中，Δt是1msec。)如果在判定单元70中发现G(ti)是新的最大值，那么在流程图单元74中，阈值定时器(timerm)递减Δt。在流程图判定单元76中，检查阈值定时器(timerm)，看预先设置的时间周期tm是否逝去(timerm＝0)。如果在判定单元76中timerm不等于0，则处理部分10C完成，并且阈值T保持在它的当前值，用于图1的流程图单元20中的下一个比较。图1-4的实施例中的预先设置的时间周期tm是2秒。tm的这种值不打算是限制性的；可以使用其它值。较高的tm值减慢调整阈值T的速率，但是也降低了在周期tm内没有出现心跳的风险。
如果在判定单元76中预先设置的时间周期tm已经逝去(timerm＝0)，则在流程图单元78中阈值定时器(timerm)被重置成预先设置的时间周期tm，并且处理部分10C继续进行以在流程图单元80、82和86中调整阈值T。在流程图判定单元80中，不应定时器(timerR)的值(来自图1的点C)与预先设置的检测失败时间限制tL相比较。
不应定时器(指定的timerR)测量自上一次检测到的心跳之后逝去的时间。两个预先设置的阈值时间值与不应定时器timerR、预先设置的不应期tR以及预先设置的检测失败时间限制tL相关联。这两个阈值提供两个不同的功能。预先设置的不应期tR用于防止在检测到心跳之后错误的阳性检测出现太快。预先设置的检测失败时间限制tL用于在检测处理失败的情况下监测总体检测处理(例如，因为信号已经大幅改变，所以必须以大的量调整阈值T)。
如果timerR大于预先设置的检测失败时间限制tL，则在流程图单元86中，阈值T被设置为Gmax/2。如果timerR不大于预先设置的检测失败时间限制tL，则阈值T被调整为T＝T+(Gmax/2–T)/4，其中等式右侧(并且在图2的单元82中)T的值代表阈值T的先前值。该等式被以如在计算机编码中使用的形式书写，并且这种形式由计算机编程技术领域中的技术人员所熟知。(在诸如46和48的其它单元中，同样成立。)在已经在流程图单元82或86中设置了阈值T的新的值之后，在流程图单元84中，Gmax被重置为0，因为timerR已经被在单元78中重置并且阈值T的新的值被提供给图1中的处理部分10A，点D。在图1-4的实施例中，预先设置的检测失败时间限制tL是5秒。tL的这种值不打算成为对本发明的范围的限制；可以使用其它值。
图5是描绘N＝3矢量空间的图，以例示在本发明方法中采用的矢量关系。(N>3的空间当然不能够被画出，但是图5中例示的概念适用于采用大于三个所选择的ECG信号的方法。)图5的图的元素作为例示的方式被采用。例如，球体S在本发明方法内没有意义并且在这里用作例示由矢量模板Fq代表的类别所对着的区域Rq的便利方式。球体S以代表3空间中的三个方向并且与三个所选择的ECG信号对应的轴的集合[X1,X2,X3]的原点O为中心。在图5中，这些轴被示出为正交集合，但是对于将被采用的本发明方法，所选择的ECG信号可以不是严格数学意义上“正交的”。
在球体S的表面上画出的是区域Rq，区域Rq以模板矢量Fq为中心。区域Rq具有半径rL，如上所述，半径rL由预先设置的阈值角度θL和SCDAq的限制值SCL而产生。(在图1-4的实施例中，θL＝25°。)示出矢量FL以例示处于模板矢量Fq的阈值限制角度θL的模板矢量的集合中的一个矢量。代表时间tD处检测到的心跳的矢量F(tD)可以被分类成在心跳类别q中，因为它的角度θq小于θL。像在图1-4的实施例中那样，如果心跳的SCDAq的值是所有SCDAq的值中的最大值SCM，则该心跳将被分类为属于类别q。图5也例示实施例的这部分。在球体S的下部是分别与模板矢量F1和F2相关联的两个相交的区域R1和R2。(这两个区域被示出距离区域Rq几乎180°的事实是不重要的。R1和R2仅用于例示并且不以任何方式与Rq有关。)如图所示，有可能模板矢量可以具有重叠的区域。在图5中，重叠的该区域称作Rint，并且边界线Bint标记出一条线，沿着这条线，沿着线Bint结束的心跳矢量F(tD)之间的角度θ1和θ2是相等的。以现代计算机的精度，精确地沿着线Bint结束的心跳矢量的可能性非常小，并且如果发生，则将F(tD)放置在心跳类别中的任何一个都是可接受的策略。如在图2的分类处理中陈述的，根据角度θ1和θ2中哪个最小对在Rint中结束的所有其它心跳矢量F(tD)进行分类。
图6A-11D呈现图1-4的实施例的操作的示例。图6A-6C示出由A/D转换器12(图1)以1,000sps采样的三个经数字化的ECG信号的集合[x1(ti),x2(ti),x3(ti)]的仅仅6秒长上的代表性部分。(该示例中经数字化的数据的精度是1微伏。)在示例中，x1(ti)是来自ECG标准导线II的经数字化的信号，x2(ti)是来自ECG标准导线V1的经数字化的信号，并且x3(ti)是来自ECG标准导线V5的经数字化的信号。在与图6A-6C中相同的时间周期上，图7A-7C示出如在图1中的滤波器14中计算的、图6A-6C中的经数字化的ECG信号的经计算的速度[f1(ti),f2(ti),f3(ti)]，并且图8A-8C示出如在图1的流程图单元16中生成的、图6A-6C的经数字化的ECG信号的绝对速度[g1(ti),g2(ti),g3(ti)]。
图9A-9D示出这些绝对速度的总和G(ti)(图9A)、在连续的2秒周期上(tm＝2秒)上的总和G(ti)的运行最大值Gmax(图9B)、在心跳检测期间在流程图单元20中总和G(ti)与其相比较的阈值T(图9C)以及在图6A-6C的时间周期期间的不应定时器(timerR)的值(图9D)。阈值T在流程图单元69中(参看图3)初始化成值1000。
图6A-9D的每个也用虚线垂直线示出如在示例的ECG信号数据中确定的七个检测时间tD。虚线1-7分别指示心跳#1-#7的心跳检测时间。(心跳参考编号#1-#7和心跳检测时间1-7仅在图6A中示出以减少图中的杂波。每个这种图比例相同，使得容易识别心跳和检测时间。)在示例中，在0.066秒、0.954秒、1.980秒、3.054秒、4.165秒、4.593秒和5.708秒处检测心跳。(这些时间相对于为示例选取的时间轴原点，而不是ECG数据中的实际运行时间。对于本发明方法的该例示，简单地选取6.25秒的时间周期。)
该示例中的ECG数据的特性是心房扑动患者的ECG的那些，并且在x2(ti)(导线V1)中特别明显的快速振荡不是信号噪声。这些振荡被称作“扑动波”。
图10A示出在图6A-6C的时间周期期间七个检测到的心跳的检测时间以及在图1-4的实施例中为图6A-6C中所选择的信号生成的速度矢量F(tD)＝{f1(tD),…,fn(tD)}的计算速度和平方矢量幅度的值的表格。图10A也包括如在示例内生成的三个模板矢量以及它们的平方矢量幅度SVMD。(在该示例中，速度是以62.5微伏/秒为单位。因此，例如，根据186*62.5＝11,625，f1(0.066)＝186相当于11.625微伏/秒。)
图10B是例示针对图6A-6C中所示的时间周期，在本发明方法的操作期间进行的计算的表格。图10B的表格的每行对应于如由图10A的表格中的检测到的心跳编号所指示的检测时间tD。因此，对于tD＝0.066秒处的检测到的信号#1以及相关联的心跳矢量F(tD)和SVMD、DP8，F(tD)与模板矢量F8的点积是-200100，平方余弦差角SCDA8是-0.1517，并且对应的角度θ8是112.92°。对于心跳矢量#2-#7与适当的模板矢量的比较，类似的计算在图10B的表格中看到。在示例中，对于SCDAq的限制的值(SCL)，已经使用0.8214，对应于25°的阈值角度θL。(对于25°的阈值角度θL，SCL＝cos2(25°)或者SCL≈0.8214。)
为了例示的目的，图10A中所示的模板矢量F8已经假设已经由图6A-6C的ECG数据的时间周期之前的心跳生成。因为心跳#1与模板矢量F8之间的比较结果是SCDA8＝-0.1517(θ8≈113°)，心跳#1不会被分类为类似于生成模板矢量F8的心跳，并且因此创建新的模板矢量F7。
心跳#2至#5以及#7每个都类似于如由模板矢量F7代表的心跳#1，并且因此被分类。如在图10B的表格中看到的，心跳#6与由模板矢量F8和F7所代表的心跳两者都不类似，并且因此从心跳#6创建新的模板矢量F6。
在4.953秒处检测到的心跳#6是心室早期收缩(PVC)，并且该搏动在图11A-11D中更详细地示出。图11A-11C示出包括单个检测到的心跳#6的图6A-6C的ECG信号的部分。图11D示出图11A-11C的ECG信号的绝对速度的总和。在图11A-11D中，和先前的图6A-9D中一样，检测时间tD＝4.593秒由垂直虚线6指示。(绝对速度总和G(ti)与阈值T在tD＝4.593秒处、在交叉点6T处相交，并且交叉点6T由垂直虚线6标记。)另外，示出具有不同虚线图案的两个其它的垂直线。垂直线6a位于ti＝4.553秒处，并且垂直线6b位于ti＝4.573秒处。(垂直线6、6a和6b仅在图11A和11C中标注以减少图中的杂波。)
线6与线6b之间以及线6b与线6a之间的时间周期代表滤波器14(图1)的两个矩形波的跨度，滤波器14在该示例中使用，来确定三个所选择的、经数字化的ECG信号[x1(ti),x2(ti),x3(ti)]的速度[f1(ti),f2(ti),f3(ti)]。基于由此确定速度[f1(ti),f2(ti),f3(ti)]的该实施例，所计算的速度分量的值从ECG信号的“实际”速度延迟20msec。换言之，由此本发明方法检测心跳的信号速度的特性在心跳周期中出现得非常早。在图11A-11D的心跳#6的情况下，和它们在ti＝4.573秒(线6b)时那样的信号的特征因此，使得检测到心跳#6。注意，由于图1-4的实施例的操作，检测发生在tD＝4.593秒，而不是4.573秒，但是正在被处理的物理信号到达ti＝4.573秒时的状态，到那时，利用来自心跳周期的早期的这种信息不仅检测到心跳，而且能够对其进行分类。
参考示出PVC(心跳#6)的绝对速度[g1(ti),g2(ti),g3(ti)]的总和G(ti)的图11D，G(ti)中的第二峰值6-2在第一峰值6-1之后出现。在具有高于阈值T的值的峰值6-1与6-2内存在许多G(ti)的值，但是这些点中的每个在比120msec的预先设置的不应期tR低得多的时间出现。沿着G(ti)，峰值6-2内高于阈值T的最终点在ti＝4.671秒时出现，在tD＝4.593秒时的心跳检测之后78msec。如上所述，预先设置的不应期tR的主要功能是防止在检测之后错误的阳性检测出现太快。
图12是用于心跳检测的本发明方法的心跳分类部分的选择性实施例10B'的示意性框图。选择性实施例部分10B'取代图2的部分10B并且与图1和3-4组合以形成本发明方法的完整的选择性实施例。图12的框图例示其中与代表检测到的心跳的矢量相比较的模板矢量全部都是预先设置的矢量的处理。
将图12与图2相比较，选择性实施例10B'不需要在流程图判定单元40和流程图单元42中出现的空模板槽qE的确定。而且，也不需要在流程图判定单元60和61中以及流程图单元62和64中出现的添加新的模板矢量的功能。如果发现预先设置的矢量的一个或多个在监测程序期间没有用，也可以修改选择性实施例10B'以允许取代预先设置的模板矢量(如图2中)。
图1-4也代表其中与代表检测到的心跳的矢量相比较的模板矢量的仅一部分是预先设置的矢量的实施例。
图13A示出被检测并分类为属于心跳类别7的图6A-10B的示例中每个心跳的x1(ti)信号，其中每个检测时间tD在绘图上在ti＝0处对齐。图13B示出，针对与图13A中相同的时间周期的x1(ti)的最大值、最小值和平均值。成对的图(图13C-13D以及13E-13F)以类似的方式分别示出x2(ti)和x3(ti)信号。本发明方法的用户可能希望诸如在计算机显示器上观看方法的结果。可以显示结果的一种可能的方法包括如在图13A、13C和13E中所例示的个体所选择的ECG信号的叠加轨迹。通过这种显示，用户可以确定类别中的心跳确实具有类似的形态。用户也可以确认类别代表感兴趣的特定心跳形态。具体的形态可以在诸如图13B、13D和13F中示出的信息的显示中更清楚地看到。在这种图中，包含类别中的所有心跳的包络线(envelope)通过显示类别中所有心跳的作为时间ti的函数的所选择的ECG信号的最大和最小值而示出。该包络线由这种图的虚线轨迹指示。该包络线是显示代表性心跳的一种这种方法。
示出代表类别的心跳的另一种方法是计算并且显示作为时间ti的函数的类别中所有心跳的平均值。这种信息在图13B、13D和13F中作为实线轨迹示出。其它可能的代表性心跳是可能的，诸如计算并且显示作为时间ti的函数的中值。
图14是本发明方法的实施例90的高级示意框图，其中所有可用的ECG信号被数字化并存储并且其至少一部分被显示。(实施例70的流程图单元之间的线作为粗线示出以指示这种线可以代表多于一个ECG信号。)ECG信号在流程图单元91中数字化，并且经数字化的ECG信号存储在可用的内存中，如由流程图单元92所代表的。流程图单元93代表从所有ECG信号中选择ECG信号的处理，并且流程图单元94和95描绘如上在本申请中描述的检测(94)和分类(95)心跳的本发明方法的步骤，诸如分别由处理部分10A(以及10C)和10B所描述。然后，流程图单元代表从流程图单元92的步骤中存储的信息显示描述检测到的心跳的信息的步骤。例如，可能存在一打或者更多的ECG信号可用，它们中一些可能不是体表信号，并且这些信号中的许多可以从储存器中显示，以帮助用户在介入程序期间所必需的决策，所述信号不在为了检测和分类而选择并且处理的那些中。
关于来自多个患者的实际患者数据的统计研究已经示出，相对于经自适应调整的阈值T的绝对速度总和G(ti)的比较是可靠的心跳检测方法。研究也示出，矢量F(tD)是可靠的并且稳健的测量，由此将心跳分类成具有类似形态的心跳类别中。本发明方法的意义在于：(1)在心跳周期的早期检测到心跳，(2)使用仅仅检测时刻(tD)的测量，而不是使用在它的整个心跳周期期间与心跳的特征有关的大得多的数据量对心跳进行可靠分类，以及(3)根据解剖起源的分类通过使用心跳的最早辨别特征而被促进。
SCL的值，SCDAq的限制值，定义N空间中的区域，在该区域中，心跳矢量F(tD)必须着手被分类成与由模板矢量Fq所代表的类别中的心跳相类似。SCL的较大值(由类别所对着的较小区域)倾向于增加在监测患者的ECG的会话期间对患者的所有心跳进行分类所需要的类别的数目。
图15是用于心跳检测的本发明方法的心跳检测部分的选择性实施例100的示意性框图，其中在心跳检测之后，使用用于分类处理的另外的速度分量扩大代表检测到的心跳的矢量F(tD)。图15的实施例100与图1的处理部分10A的实施例相同，除了图15中的流程图单元98已经取代了图1的流程图单元26。
在流程图单元98中，从图1中的流程图单元26修改矢量F(tD)，使得矢量f(tD)现在是
F(tD)＝{f1(tD),…,fN(tD),f1(tD+δ),…,fN(tD+δ)}
其中δ＝心跳检测时间tD之后的时间周期。换言之，矢量F(tD)现在是与在时间tD处检测到的心跳相关联的、具有2N个分量的矢量，它的第二集合是在时间tD+δ处的所选择的ECG信号的N个速度。在实施例100中，矢量F(tD)包含检测时间tD处的N个速度分量以及相同的ECG信号但是在时间tD+δ处测量的N个速度分量。
将实施例100适应到其中N＝3的图6A-9D的示例，矢量F(tD)现在变成F(tD)＝{f1(tD),f(2(tD),f3(tD),f1(tD+k),f2(tD+k),fN(tD+k)}，其中k＝20。因此，F(tD)的三个另外的速度分量是在检测时间tD之后一个矩形波宽度k所测量的所选择的ECG信号的速度。图16A-16C是图11A-11C的修改版本，示出包括单个检测到的心跳的图6A-6C的ECG信号的一部分。图16A-16C中对于图6A-11D的示例的修改指示进行另外的速度确定的时间，检测到心跳之后20msec。垂直虚线6c位于时间4.613秒处，关于心跳#6的tD＝4.593秒之后20msec。
如上所讨论的，在关于示例的实施例100中，矢量F(tD)现在具有六个速度分量而不是三个。分类处理10B继续进行，就像针对N＝3的示例在上面描述的一样。图17A是示出在图6A-6C的时间周期期间七个检测到的心跳的检测时间以及在图15(与图2-4组合)的选择性实施例100中针对图6A-6C中所选择的ECG信号生成的速度矢量F(tD)＝{f1(tD),…,fn(tD)}的计算速度和平方矢量幅度的值的表格(与图10A的表格相类似)。图17A也包括如在该示例内生成的四个模板矢量以及它们的平方矢量幅度。实施例100的心跳检测处理与处理部分10A相同，因此导致与如图10A中所示相同的检测到的心跳#1-#7。图17A包括三个另外的列，它们是在ti＝tD+k处(因为k＝20个样本并且采样率为1,000sps，所以在ti＝tD+0.020秒时)的ECG信号速度。
图17B是例示在图6A-6C中所示的时间周期期间，在该选择性实施例的操作期间进行的计算的表格(与图10B的表格相类似)。关于该示例，预先设置的阈值角度θL的值是10°。预先设置的阈值角度θL的较小值以及由ECG信号速度的第二集合提供的另外的信息导致分类处理的较大特异性。
在这个简短(短时间周期的数据)的示例中，本发明方法的选择性实施例识别出由心跳#5(模板6)表征的另外的心跳类别，而在图10B中概述的示例中，心跳#5被分类成与心跳#1(由模板7表征)相类似。
关于实际患者数据的另外的统计研究已经示出，当与图1-4的实施例10A相比较时，经修改的速度矢量F(tD)(具有2N个分量)提高心跳分类的特异性。特异性的这种提高是在没有应用针对预先设置的阈值角度θL的较小值的情况下实现的。换言之，将第二速度测量添加到每个速度矢量F(tD)中产生与针对本发明方法的单个速度实施例缩紧预先设置的阈值角度θL类似的分类性能的提高。另外，研究指示，当与使用较小的预先设置的阈值角度θL的实施例10A相比较时，使用实施例100识别出更少但是更精确的模板。
图18A是用于心跳分类的本发明方法的实施例110的高级示意性框图，例示出本发明方法将矢量F(tC)用于心跳分类，其中tC是对矢量F(tC)进行评估的分类基准时间。在图18A中，流程图单元114和实施例10B"包括用于心跳分类的本发明方法的方法步骤116的组合集合，用于心跳分类的本发明方法独立于心跳被检测到并且可用作到本发明方法的输入(流程图单元112)的方法以及确定分类基准时间tC的方法。可以由许多来源提供的分类基准时间tC用作在流程图单元114中评估矢量F(tC)的时间。
图18B是作为图18A的修改的高级示意性框图，例示实施例120，在实施例120中，通过在心跳分类116之前分析来自流程图单元112的检测到的心跳来完成流程图单元118中的分类基准时间tC的确定。在图18B中(以及在图18A中)，流程图单元112可以包括不只是最新的ECG信号的存储，并且这种ECG信号可以可用于在实施例120或者心跳分类的本发明方法的其它实施例的剩余方法步骤中使用。
分别在图18A和18B的实施例110和120中，心跳分类10B"示出为通过用分类基准时间tC的值取代心跳检测时间tD的值，利用图2的实施例10B的方法步骤。该取代详细地在图20中找到。因此，在这些实施例中，心跳分类独立于图1、3和22-28中所示的心跳检测的本发明步骤。术语心跳分类在这里具体地用于流程图单元10B"(以及10B"')并且更一般地用于包括在流程图单元114以及流程图单元10B"(以及10B"')中形成矢量F(tC)的组合步骤116，因为矢量F(tC)的形成和使用是如这里所公开的用于心跳分类的本发明方法的重要元素。
图19是生成速度总和G(t)和矢量F(tC)以供在本发明方法中随后使用的方法步骤的更详细的框图示意图。G(t)用于心跳检测的一些方法，并且矢量F(tC)在如这里所公开的本发明的心跳分类方法中使用。在流程图单元132中，确定速度fp(t)，并且在流程图单元134中，确定速度fp(t)的绝对值gp(t)。在流程图单元136中，根据需要存储xp(t)和fp(t)的值。求和点138提供gp(t)的求和以生成绝对值速度总和G(t)，绝对值速度总和G(t)可以根据需要用于心跳搏动检测。在流程图单元139中，形成矢量FC(t)以供在随后的分类部分中使用。
图21的选择性实施例10B"'的方法步骤可以在步骤116(参看图18A和18B)中使用，而不是实施例10B"(图20)的方法步骤。与图20相类似，图21是图12的修改，其中在图12的方法步骤中用分类基准时间tC取代心跳检测时间tD以产生图21的方法步骤。在图20和21中，方法步骤36'、48'、50'和62'(仅图20)使用上撇号参考编号指示，因为这些方法步骤包括分别在图2和12中的对应的没有上撇号的方法步骤中的前述取代。
参考图18A、18B和19，这种图示出以与图1的方法步骤26中相类似的方式在方法步骤114(图18A和18B)以及方法步骤139(图19)中形成的矢量F(tC)。形成速度fp(tC)的矢量F(tC)，使得F(tC)＝{f1(tC),…,fN(tC)}。矢量F(tC)是到图20的实施例10B"(或者图21的实施例10B"')的方法步骤的输入，如由图18A、18B、19、20和21中的点E所指示的。点E指示实施例110和120的处理从图18A和18B的点E开始继续进行以及从图19的实施例130开始继续进行到图20或21中对应的点，这取决于本发明方法的具体实施例。图20和21的方法步骤之间的差别在该文档中较早的图2和12的描述中找到。注意，图18A和18B中的框图单元10B"以虚线所示，以指示这些单元在图18A和18B以及在图20和21中示出，如由图的实施例中点E的使用所指示的。(图18A和18B中的该冗余仅进一步例示点E对应于用于图20和21的方法步骤的输入。)
图22A-28例示在检测到的心跳内找到分类基准时间tC的多个实施例，关于分类基准时间tC的信息然后传递到用于心跳分类的本发明方法中。在这些图中，其中在实施例中涉及速度总和G(t)，在单个心动周期内的G(t)的相同的代表性轨迹在图22B、23B、24B、25C和26B中使用，以提供各种实施例的例示。G(t)的代表性轨迹包括跨越从t＝1.765秒到2.821秒的时间的心动周期。用于该代表性G(t)的数据来自与在诸如图6A-9D的这里的其它图中使用的相同的数据集。信号以1000sps采样。
如这里所使用的，术语“心跳”更具体地指心动周期内ECG信号的更活跃部分，典型地称作QRS复合波并且对于心脏病学领域内的技术人员是熟知的。在心动周期内检测到心跳，并且存储并且分析以便确定分类基准时间tC的数据包括心动周期内的数据。因此，通常，可以存储ECG信号的整个时间历史并且当需要时的也可以存储一些经计算的值用于更快的检索。现代的计算装备能够非常快速的计算以及存储非常大量的数据，这使得一些这种快速并且数据密集的计算能够基本上实时地发生。
图22A是实施例140的框图示意图，其中分类基准时间tC被确定为当总和基本上等于G(t)的预先设置的分数时检测到的心跳内在速度总和G(t)的峰值之前并且最接近速度总和G(t)的峰值的检测到的心跳内的时间。G(t)在点F处从实施例130(图19)的方法步骤传递。在方法步骤142中，找到检测到的心跳内的G(t)的最大值Gmax，并且Gmax出现的时间是tmax。在方法步骤144中，将tC设置成G(t)等于Gmax的预先设置的分数(65％)的时间。在示例性实施例140中，预先设置的分数示出为65％，但是作为预先设置的分数的值65％不打算成为本发明的心跳分类方法的范围的限制。在图22A和22B中在这里选取它仅仅作为示例。
图22B是例示如图22A中所例示的确定的G(t)的代表性时间轨迹的绘图。在图22B中，在tmax＝2.012秒时Gmax为2142。在图22B的示例性检测到的心跳内存在G(t)等于Gmax的65％的三个点。这三个点在t＝1.984秒、t＝1.992秒以及t＝2.005秒。在这三个点中，在tmax之前并且最接近tmax的时间t的值是2.005秒；因此，在该示例中，tC＝2.005秒，如在图22B中所指示的。
该确定的tC值被传递到实施例130(图19)的方法步骤139，并且方法步骤139使用在方法步骤136处存储的数据以形成矢量F(tC)，矢量F(tC)然后在点E处被传递到用于心跳分类的实施例10B"(图20)或者10B"'(图21)。
图23A是实施例150的框图示意图，其中分类基准时间tC被确定为速度总和G(t)变得大于阈值T的检测到的心跳内的时间。和在图22A的实施例140中一样，G(t)在点F处从实施例130(图19)的方法步骤传递。在方法步骤152中，确定G(t)变得大于阈值T的时间tT，并且在方法步骤154中，将tC设置成时间tT。在示例性实施例150中，阈值T被示出为具有1800的值，但是T的这个值不打算成为本发明的心跳分类方法的范围的限制。在图23A和23B中在这里选取它仅仅作为示例。
图23B是例示如图23A中所例示的确定的G(t)的代表性时间轨迹的绘图。在图23B中，tT在t＝2.008秒时出现。
与图22A的实施例140一样，图23A的实施例150中的确定的值tC被传递到实施例130(图19)的方法步骤139，并且方法步骤139使用在方法步骤136处存储的数据以形成矢量F(tC)，矢量F(tC)然后在点E处被传递到用于心跳分类的实施例10B"(图20)或者10B"'(图21)。
图24A是实施例160的框图示意图，其中分类基准时间tC被确定为检测到的心跳的开始时间t0之后的预先设置的时间tPS。在流程图单元162中，确定开始时间t0，作为速度总和G(t)升高超过心跳挂起阈值Tp并且保持在Tp之上直到G(t)升高超过心跳确认阈值Tc的时间。流程图单元164简单地例示开始时间t0之后在预先设置的时间tPS处的时间tC该设置。
图24B是例示如图24A中所概述的分类基准时间tC的确定的G(t)的代表性时间轨迹的绘图。图24B中的心动周期在时间1.765秒处开始并且在时间2.821秒处结束。流程图单元162中开始时间t0的确定包括跨心动周期的总和G(t)的中值的计算，并且发现图24B中的G(t)的中值为70。如图24B中所指示的，在该示例性实施例中将心跳挂起阈值Tp设置成中值的3.5倍；因此，Tp＝245。在该示例中，将心跳确认阈值Tc设置成预期峰值的50％，并且发现预期峰值的值为2050；因此，Tc＝1025。
再次参考图24B，使用如示出的上面的关于Tp和Tc的值，t0出现在t＝1.969秒时，并且使用0.038秒的预先设置的时间tPS，产生2.007sec的确定的tC值。在示例性实施例160中使用的0.038秒的tPS的值不打算成为本发明的心跳分类方法的范围的限制。(水平虚线166仅仅指示沿着速度总和G(tC)的轨迹的点，虽然G(t)的该值在实施例160中不是特别重要。)
可以以各种方法确定总和G(t)的峰值的预期值，诸如通过计算许多过去的峰值的平均值。平均值也可以朝者较新的峰值而加权。确定G(t)的峰值的预期值、G(t)的中值的倍数的示例性值以及由此确定Tc的峰值的分数的方法都不打算成为如这里所公开的心跳分类的本发明方法的范围的限制。
总和G(t)的中值的倍数的使用设置心跳挂起阈值Tp的值高于G(t)中的信号噪声，并且关于心跳确认阈值Tc的总和G(t)的峰值的预期值的分数的使用试图保证没有错过QRS复合波(错误的阴性)以及不存在QRS复合波的额外检测(错误的阳性)。峰值的预期值的该分数的有用范围在大约30％至60％之间。总和G(t)中峰值的高度典型地变化，使得值太高可能错过一些心跳。而且，关于心跳确认阈值Tc的值太低可能因诸如P波的ECG特征而引入错误的阳性。
图24A的实施例160中的确定的tC值被传递到实施例130(图19)的方法步骤139，并且方法步骤139使用在方法步骤136处存储的数据形成矢量F(tC)，矢量F(tC)然后在点E处被传递到用于心跳分类的实施例10B"(图20)或者10B"'(图21)。
图25A是实施例170的框图示意图，其中分类基准时间tC被确定为总和G(t)与形状函数SXC的互相关XC(t)变得大于相关阈值TXC的时间。流程图单元174将形状函数SXC提供给流程图单元172，在流程图单元172中计算互相关XC(t)。在流程图单元176中，确定互相关XC(t)变得大于相关阈值TXC的时间tX。在该示例中阈值TXC被示出为0.3(XC(t)的峰值的30％，因为XC(t)已经标准化为具有最大值1)。在流程图单元176中，将分类基准时间tC设置成tX。
图25B例示在图25A的实施例170中用来与总和G(t)互相关的两个可能的形状函数XSC。形状函数174T形状为三角形，并且形状函数174P形状为抛物线。形状函数174T和174P在图25B中示出为具有120毫秒的宽度W。宽度W大约为在人类电生理学的领域中发现的许多QRS复合波的宽度，并且发现大约90至150毫秒的宽度范围包含非常广泛的人类QRS复合波。
图25C示出总和G(t)的代表性部分与图25B的两个形状函数的互相关XC(t)的两个绘图。互相关绘图172T(实线)由G(t)与形状函数174T(实线)互相关而产生，并且互相关绘图172P(虚线)由G(t)与形状函数174P(虚线)互相关而产生。在图25C中使用互相关绘图174T以例示如在图25A的框图示意图中所描述的分类基准时间tC的确定。相关阈值TXC示出为0.3，并且XC(t)变得大于TXC的时间tX示出为2.012秒。因此在实施例170中，分类基准时间tC被确定为2.012秒。
图25A的实施例170中的确定的tC值被传递到实施例130(图19)的方法步骤139，并且方法步骤139使用在方法步骤136处存储的数据形成矢量F(tC)，矢量F(tC)然后在点E处被传递到用于心跳分类的实施例10B"(图20)或者10B"'(图21)。
图26A是实施例180的框图示意图，其中分类基准时间tC被确定为总和G(t)与形状函数SXC的互相关XC(t)到达它的峰值的时间减去预先设置的时间间隔tXPS。流程图单元174将形状函数SXC提供给流程图单元172，在流程图单元172中计算互相关XC(t)。(和实施例170一样，互相关XC(t)已经被标准化以产生最大值1。)在流程图单元182中，确定互相关峰值的出现的时间tpeak，并且在流程图单元184中，将分类基准时间tC设置成tpeak减去预先设置的相关时间间隔tXPS。
图26B示出如图25C中所示的互相关XC(t)的相同的两个绘图。和在图25C中一样，互相关绘图172T由G(t)与形状函数174T互相关而产生，并且互相关绘图172P由G(t)与形状函数174P互相关而产生。在图26B中使用互相关绘图174T以例示如在图26A的框图示意图中所描述的分类基准时间tC的确定。绘图172T的互相关XC(t)的峰值被示出在时间tpeak＝2.067秒处。同样如在图26B中所示，在示例中预先设置的相关时间间隔tXPS被设置为0.06秒，因此导致2.007秒的确定的分类基准时间tC值。
图26A的实施例180中的确定的tC值被传递到实施例130(图19)的方法步骤139，并且方法步骤139使用在方法步骤136处存储的数据形成矢量F(tC)，矢量F(tC)然后在点E处被传递到用于心跳分类的实施例10B"(图20)或者10B"'(图21)。
可以通过许多方法和系统检测心跳。在该组中尤其是诸如运动超声、音频(心音描记)、光学(光学体积描记)、动脉内血压测量以及身体运动测量(心冲击描记)的系统。图27例示实施例190，其中这种非ECG系统是用于心跳检测和分类基准时间tC的来源。图27是图18A的修改并且将这种系统192中的一个例示为将心跳检测以及分类基准时间tC的确定提供给在这里公开的本发明的心跳分类方法。使用由心跳检测器192提供的分类基准时间tC以及来自流程图单元112的ECG信号，流程图单元114计算信号速度并且形成矢量F(tC)，矢量F(tC)然后在点E处可用于如在该文档中较早描述的实施例10B"(或者10B"')的方法步骤内的操作。
方法和系统192都使用不同的感测技术来产生参数的连续时间测量，参数随着每个心跳可识别地并且有用地变化。通过检测这些参数波形的特征(诸如峰值、斜率或者零交叉)并且偏移适当的时间间隔，可以识别到心跳的开始的瞬间，并且可以确定分类基准时间tC。
根据超声检测心率的方法是已知的并且在监测胎儿时经常有用，因为ECG电极到胎儿的应用在母亲的子宫中是不实际的或者不可能的。Peters等人(2004Physiol.Meas 25，585-593)以及Jezewski等人(IEEE Trans.on Biomedical Engineering，第53卷，第5期，2006年5月，855-864)是使用该技术根据多普勒超声确定心率的两个示例。
心音描记是如从主要由心脏瓣膜的工作而产生的音频声音证明的用曲线图表示心脏活动的科学。医生经由听诊器听到这些相同的声音。因为附接ECG电极的困难，该科学对于胎儿监测也是有用的。在患者需要在远程位置自己进行连接的遥控监测中特别有用，这种遥控监测经常对于非专业者是困难的。Godinez等人(Proceedings of theEngineering in Medicine and Biology Society Int’l Conf.，2003年9月17日至21日，3141-3144)以及Torres-Pereira(Proceedings of theIEEE Int’l Symposium on Industrial Electronic，1997年7月7日至11日，856-859)是根据心音图进行心率确定的两个示例。
光学体积描记是用曲线图表示由光通过体积的传输而测量的改变体积的科学。它是在测量心率和血氧合的脉搏血氧计中使用的技术的子集。根据手指的变化体积推断血流。这种设备非常有用并且简单，典型地附接到患者的手指。来自这种系统的信号包含适合于获得心率的信息。Dekker(美国专利No.6,702,752)公开从体积描记图信号进行心率确定的示例，并且Selvarej等人(Journal of MedicalEngineering&technology，第32卷，第6期，2008年11月/12月，479-484)提出从体积描记图信号进行心率确定的另一个示例。
考虑动脉内血压测量为血压测量的黄金标准，因为它采用直接机械连接，它的输出是血压波形。当心脏收缩(收缩期)并且在心动周期中早期时，压力的上行运动发生。Mancia等人(Hypertension.1987年2月；第9卷:209-215)以及de Boer等人(Medical&BiologicalEngineering&Computing，1985年7月，第4卷，352-358)公开了从动脉内血压波形进行心率测量的两个示例。
如果患者将另外例如在床上静止躺下，灵敏的测力传感器可以检测随着心脏泵送血液的移位聚集。该科学被称作心冲击描记。Mack等人(IEEE Trans.on Information Technology in Biomedicine，第13卷，第1期，2009年1月，111-120)以及Alihanka等人(Journal ofthe American Physiological Society-Regulatory,Integrative andComparative Physiology，1981年5月1日，第240卷，第R384-R392期)示出通过选择性滤波从冲击图测量心率的系统的两个示例。
图28例示用于心跳分类的本发明方法的另外的选择性实施例200，其利用来自与心跳的起源相邻放置的心脏内电极202的信号确定分类基准时间tC。心脏内电极提供与在心跳分类方法步骤内使用的ECG通道信号分离的心脏信号。使用由来自心脏内电极192的信号以及来自流程图单元112的ECG信号所提供的分类基准时间tC，流程图单元114计算信号速度并且形成矢量F(tC)，矢量F(tC)然后在点E处可用于如在该文档中较早描述的实施例10B"(或者10B"')的方法步骤内的操作。
虽然已经结合具体的实施例描述了本发明的原理，但是应当清楚地理解，这些描述仅仅作为示例而进行并且不打算限制本发明的范围。

Claims (101)

1.一种使用两个或更多个所选择的ECG信号对心跳进行分类的自动方法，当已经检测到心跳时，所述方法包括如下步骤：
●在检测到的心跳内的分类基准时间tC处，确定每个所选择的信号的信号速度；
●形成矢量F(tC)，所述矢量F(tC)使时间tC处所选择的信号中的每个的速度作为它的分量；
●确定矢量F(tC)与先前存储的模板矢量之间的角度；
●比较角度和阈值角度；以及
●如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
2.根据权利要求1所述的自动心跳分类方法，其中角度确定和比较包括如下步骤：
●计算平方矢量幅度SVMC作为F(tC)与它自身的点积；
●计算F(tC)与模板矢量Fq的点积DPq；
●计算平方矢量幅度SVMq作为Fq与它自身的点积；
●计算带符号的平方余弦差角SCDAq为SCDAq＝sgn(DPq)*DPq*DPq/(SVMC*SVMq)；以及
●比较SCDAq和平方余弦阈值SCL。
3.根据权利要求2所述的自动心跳分类方法，还包括比较矢量F(tC)和多个模板矢量，以确定矢量F(tC)是否在所述多个模板矢量中的任意模板矢量的阈值角度内。
4.根据权利要求3所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tC)之间具有最小角度。
5.根据权利要求4所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将具有Fq＝F(tC)的模板矢量添加到所述多个模板矢量中。
6.根据权利要求4所述的自动心跳分类方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
7.根据权利要求1所述的自动心跳分类方法，还包括比较矢量F(tC)和多个模板矢量，以确定矢量F(tC)是否在所述多个模板矢量中的任意模板矢量的阈值角度内。
8.根据权利要求7所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tC)之间具有最小角度。
9.根据权利要求7所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将模板矢量Fq＝F(tC)添加到所述多个模板矢量中。
10.根据权利要求7所述的自动心跳分类方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
11.根据权利要求7所述的自动心跳分类方法，其中模板矢量中的每个具有与其相关联的阈值角度，并且不是所有这种矢量都具有与其相关联的相同的阈值角度。
12.根据权利要求7所述的自动心跳分类方法，其中所述多个模板矢量的至少部分是预先设置的模板矢量。
13.根据权利要求12所述的自动心跳分类方法，其中所述多个模板矢量中的每个是预先设置的模板矢量。
14.根据权利要求4所述的自动心跳分类方法，还包括多个槽的模板矢量槽，多个槽大于或等于所述多个模板矢量，并且每个模板矢量被存储在相应的模板矢量槽中，其中如果矢量F(tC)不在所述多个模板矢量中的任意模板矢量的阈值角度内并且空的模板矢量槽可用，则将新的模板矢量Fq＝F(tC)添加到所述多个模板矢量中。
15.根据权利要求14所述的自动心跳分类方法，其中如果没有空的模板矢量槽可用，则用新的模板矢量Fq＝F(tC)取代模板矢量中的一个。
16.根据权利要求1所述的自动心跳分类方法，还包括存储所分类的心跳。
17.根据权利要求16所述的自动心跳分类方法，还包括显示描述一个或多个所存储的心跳的信息。
18.根据权利要求1所述的自动心跳分类方法，其中确定所选择的信号中的每个的速度包括：
●将所选择的信号中的每个进行数字化；以及
●对所数字化的信号中的每个进行滤波以生成每个所选择的信号的速度。
19.根据权利要求1所述的自动心跳分类方法，其中选择三个ECG信号，并且信号形成准正交集合。
20.根据权利要求1所述的自动心跳分类方法，其中除了所选择的ECG信号之外，ECG信号还包括一个或多个ECG信号，并且所述方法包括存储另外的ECG信号中的一个或多个。
21.根据权利要求20所述的自动心跳分类方法，还包括显示描述检测到的心跳的信息。
22.根据权利要求1所述的自动心跳分类方法，当已经检测到心跳时，还包括如下步骤：
●形成矢量F(tC)，所述矢量F(tC)使时间tC处所选择的信号中的每个的速度以及时间tC+δ处所选择的信号中的每个的速度作为它的分量；
●确定矢量F(tC)与先前存储的模板矢量之间的角度；
●比较角度和阈值角度；以及
●如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
23.根据权利要求22所述的自动心跳分类方法，其中角度确定和比较包括如下步骤：
●计算平方矢量幅度SVMC作为F(tC)与它自身的点积；
●计算F(tC)与模板矢量Fq的点积DPq；
●计算平方矢量幅度SVMq作为Fq与它自身的点积；
●计算带符号的平方余弦差角SCDAq为SCDAq＝sgn(DPq)*DPq*DPq/(SVMC*SVMq)；以及
●比较SCDAq和平方余弦阈值SCL。
24.根据权利要求23所述的自动心跳分类方法，还包括比较矢量F(tC)和多个模板矢量，以确定矢量F(tC)是否在所述多个模板矢量中的任意模板矢量的阈值角度内。
25.根据权利要求24所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tC)之间具有最小角度。
26.根据权利要求25所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将具有Fq＝F(tC)的模板矢量添加到所述多个模板矢量中。
27.根据权利要求25所述的自动心跳分类方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
28.根据权利要求22所述的自动心跳分类方法，还包括比较矢量F(tC)和多个模板矢量，以确定矢量F(tC)是否在所述多个模板矢量的任意模板矢量的阈值角度内。
29.根据权利要求28所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tC)之间具有最小角度。
30.根据权利要求28所述的自动心跳分类方法，其中如果矢量F(tC)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将模板矢量Fq＝F(tC)添加到所述多个模板矢量中。
31.根据权利要求28所述的自动心跳分类方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
32.根据权利要求28所述的自动心跳分类方法，其中模板矢量中的每个具有与其相关联的阈值角度，并且不是所有这种矢量都具有与其相关联的相同的阈值角度。
33.根据权利要求28所述的自动心跳分类方法，其中所述多个模板矢量的至少部分是预先设置的模板矢量。
34.根据权利要求33所述的自动心跳分类方法，其中所述多个模板矢量中的每个是预先设置的模板矢量。
35.根据权利要求22所述的自动心跳分类方法，还包括多个槽的模板矢量槽，多个槽大于或等于所述多个模板矢量，并且每个模板矢量在相应的模板矢量槽中，其中如果矢量F(tC)不在所述多个模板矢量中的任意模板矢量的阈值角度内并且空的模板矢量槽可用，则将新的模板矢量Fq＝F(tC)添加到所述多个模板矢量中。
36.根据权利要求35所述的自动心跳分类方法，其中如果没有空的模板矢量槽可用，则用新的模板矢量Fq＝F(tC)取代模板矢量中的一个。
37.根据权利要求22所述的自动心跳分类方法，还包括存储与所分类的心跳相对应的ECG信号。
38.根据权利要求37所述的自动心跳分类方法，还包括显示描述一个或多个所存储的心跳的信息。
39.根据权利要求1所述的自动心跳分类方法，还包括如下步骤：
●存储所选择的信号；
●确定所选择的信号中的每个的速度；
●将每个信号速度的绝对值求和以生成绝对速度总和G(t)；
●找到检测到的心跳内总和的最大峰值以及它的时间；以及
●将时间tC设置成当总和基本上等于峰值的预先设置的分数时，峰值时间之前并且最接近峰值时间的时间。
40.根据权利要求1所述的自动心跳分类方法，还包括如下步骤：
●存储所选择的信号；
●确定所选择的信号中的每个的速度；
●将每个信号速度的绝对值求和以生成绝对速度总和G(t)；以及
●设置tC等于G(t)变得大于阈值T的时间。
41.根据权利要求1所述的自动心跳分类方法，还包括如下步骤：
●存储所选择的信号；
●将tC确定为检测到的心跳的开始之后预先设置的时间。
42.根据权利要求41所述的自动心跳分类方法，还包括如下步骤：
●确定所选择的信号中的每个的速度；
●将每个信号速度的绝对值求和以生成绝对速度总和G(t)；以及
●将检测到的心跳的开始确定为总和G(t)升高超过心跳挂起阈值Tp并且保持在Tp之上直到G(t)升高超过心跳确认阈值Tc的时间。
43.根据权利要求42所述的自动心跳分类方法，其中检测到的心跳在心动周期内并且所述方法还包括计算心动周期内的G(t)的中值的步骤，Tp是跨越心动周期的G(t)的中值的倍数。
44.根据权利要求43所述的自动心跳分类方法，其中倍数在2与5之间。
45.根据权利要求42所述的自动心跳分类方法，其中Tc在检测到的心跳的预期峰值的30％与60％之间。
46.根据权利要求1所述的自动心跳分类方法，还包括如下步骤：
●存储所选择的信号；
●确定所选择的信号中的每个的速度；
●将每个信号速度的绝对值求和以生成绝对速度总和G(t)；
●将G(t)与预先确定的形状函数互相关；以及
●从互相关导出时间tC。
47.根据权利要求46所述的自动心跳分类方法，其中将时间tC设置为互相关变得大于相关阈值的时间。
48.根据权利要求47所述的自动心跳分类方法，其中相关阈值在互相关的峰值的大约25％与35％之间。
49.根据权利要求48所述的自动心跳分类方法，其中相关阈值是互相关的峰值的大约30％。
50.根据权利要求46所述的自动心跳分类方法，其中将时间tC设置为最大互相关的时间之前的预先设置的相关时间间隔。
51.根据权利要求46所述的自动心跳分类方法，其中预先确定的形状函数是三角形。
52.根据权利要求46所述的自动心跳分类方法，其中预先确定的形状函数是抛物线。
53.根据权利要求46所述的自动心跳分类方法，其中形状函数的宽度在大约90与150毫秒之间。
54.根据权利要求53所述的自动心跳分类方法，其中形状函数的宽度是大约120毫秒。
55.根据权利要求1所述的自动心跳分类方法，其中时间tC从选自由运动超声、音频、血流的光学检测、压力测量以及心冲击描记组成的组的心跳检测器的输出信号中导出。
56.根据权利要求1所述的自动心跳分类方法，其中时间tC从来自与心跳的起源相邻放置的电极的心脏内信号中导出。
57.一种用于从两个或更多个所选择的ECG信号中检测患者的心跳的自动方法，所述方法包括：
●确定所选择的信号中的每个的速度；
●将速度中的每个的绝对值求和在一起；
●比较总和与阈值T，阈值T具有总和的预期最大值的大约一半的值；以及
●如果总和大于阈值T并且如果自紧接先前的心跳检测之后逝去的时间大于预先设置的不应期tR，则心跳已经在速度确定的时间tD处检测到。
58.根据权利要求1所述的自动心跳检测方法，当已经检测到心跳时还包括如下步骤：
●形成矢量F(tD)，所述矢量F(tD)使时间tD处所选择的信号中的每个的速度作为它的分量；
●确定矢量F(tD)与先前存储的模板矢量之间的角度；
●比较角度和阈值角度；以及
●如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
59.根据权利要求58所述的自动心跳检测方法，其中角度确定和比较包括如下步骤：
●计算平方矢量幅度SVMD作为F(tD)与它自身的点积；
●计算F(tD)与模板矢量Fq的点积DPq；
●计算平方矢量幅度SVMq作为Fq与它自身的点积；
●计算带符号的平方余弦差角SCDAq为SCDAq＝sgn(DPq)*DPq*DPq/(SVMD*SVMq)；以及
●比较SCDAq和平方余弦阈值SCL。
60.根据权利要求59所述的自动心跳检测方法，还包括比较矢量F(tD)和多个模板矢量，以确定矢量F(tD)是否在所述多个模板矢量的任意模板矢量的阈值角度内。
61.根据权利要求60所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tD)之间具有最小角度。
62.根据权利要求61所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将具有Fq＝F(tD)的模板矢量添加到所述多个模板矢量中。
63.根据权利要求61所述的自动心跳检测方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
64.根据权利要求58所述的自动心跳检测方法，还包括比较矢量F(tD)和多个模板矢量，以确定矢量F(tD)是否在所述多个模板矢量的任意模板矢量的阈值角度内。
65.根据权利要求64所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的不止一个之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tD)之间具有最小角度。
66.根据权利要求64所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将模板矢量Fq＝F(tD)添加到所述多个模板矢量中。
67.根据权利要求64所述的自动心跳检测方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
68.根据权利要求64所述的自动心跳检测方法，其中模板矢量中的每个具有与其相关联的阈值角度，不是所有模板矢量都具有相同的角度值。
69.根据权利要求69所述的自动心跳检测方法，其中所述多个模板矢量的至少部分是预先设置的模板矢量。
70.根据权利要求13所述的自动心跳检测方法，其中所述多个模板矢量中的每个是预先设置的模板矢量。
71.根据权利要求58所述的自动心跳检测方法，还包括多个槽的模板矢量槽，多个槽大于或等于所述多个模板矢量，并且每个模板矢量在相应的模板矢量槽中，其中如果矢量F(tD)不在所述多个模板矢量中的任意模板矢量的阈值角度内并且空的模板矢量槽可用，则将新的模板矢量Fq＝F(tD)添加到所述多个模板矢量中。
72.根据权利要求71所述的自动心跳检测方法，其中如果没有空的模板矢量槽可用，则用新的模板矢量Fq＝F(tD)取代模板矢量中的一个。
73.根据权利要求58所述的自动心跳检测方法，还包括存储所分类的心跳。
74.根据权利要求73所述的自动心跳检测方法，还包括显示描述一个或多个所存储的心跳的信息。
75.根据权利要求57所述的自动心跳检测方法，其中确定所选择的信号中的每个的速度包括：
●将所选择的信号中的每个数字化；以及
●对所数字化的信号中的每个进行滤波以生成每个所选择的信号的速度。
76.根据权利要求75所述的自动心跳检测方法，其中滤波器是一阶差分滤波器。
77.根据权利要求76所述的自动心跳检测方法，其中一阶差分滤波器是矩形波滤波器。
78.根据权利要求57所述的自动心跳检测方法，其中基于预先设置的时间周期tm期间的最大速度总和调整阈值T。
79.根据权利要求78所述的自动心跳检测方法，其中当预先设置的时间周期tm已经逝去时，如果自检测到先前的心跳之后，预先设置的检测失败时间限制tL还没有逝去，则通过计算T＝Tp+(Gmax/2–Tp)/4来确定阈值T，其中Gmax是在逝去的预先设置的时间周期tm期间的最大速度总和，并且Tp是阈值T的先前的值。
80.根据权利要求79所述的自动心跳检测方法，其中当预先设置的时间周期tm已经逝去时，如果自检测到先前的心跳之后，预先设置的检测失败时间限制tL已经逝去，则阈值T被设置成Gmax/2。
81.根据权利要求80所述的自动心跳检测方法，其中tR为大约120毫秒，tm为大于2秒，并且tL为大约5秒。
82.根据权利要求57所述的自动心跳检测方法，其中选择三个ECG信号，并且信号形成准正交集合。
83.根据权利要求57所述的自动心跳检测方法，其中除了所选择的ECG信号之外，ECG信号还包括一个或多个ECG信号，并且所述方法包括存储另外的ECG信号中的一个或多个。
84.根据权利要求83所述的自动心跳检测方法，还包括显示描述检测到的心跳的信息。
85.根据权利要求57所述的自动心跳检测方法，当已经检测到心跳时，还包括如下步骤：
●形成矢量F(tD)，所述矢量F(tD)使时间tD处所选择的信号中的每个的速度以及时间tD+δ处所选择的信号中的每个的速度作为它的分量；
●确定矢量F(tD)与先前存储的模板矢量之间的角度；
●比较角度和阈值角度；以及
●如果角度小于阈值角度，则将心跳分类为类似于与模板矢量相对应的心跳。
86.根据权利要求85所述的自动心跳检测方法，其中角度确定和比较包括如下步骤：
●计算平方矢量幅度SVMD作为F(tD)与它自身的点积；
●计算F(tD)与模板矢量Fq的点积DPq；
●计算平方矢量幅度SVMq作为Fq与它自身的点积；
●计算带符号的平方余弦差角SCDAq为SCDAq＝sgn(DPq)*DPq*DPq/(SVMD*SVMq)；以及
●比较SCDAq和平方余弦阈值SCL。
87.根据权利要求86所述的自动心跳检测方法，还包括比较矢量F(tD)和多个模板矢量，以确定矢量F(tD)是否在所述多个模板矢量的任意模板矢量的阈值角度内。
88.根据权利要求87所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tD)之间具有最小角度。
89.根据权利要求88所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将具有Fq＝F(tD)的模板矢量添加到所述多个模板矢量中。
90.根据权利要求88所述的自动心跳检测方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
91.根据权利要求85所述的自动心跳检测方法，还包括比较矢量F(tD)和多个模板矢量，以确定矢量F(tD)是否在所述多个模板矢量的任意模板矢量的阈值角度内。
92.根据权利要求91所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的不止一个模板矢量之间的角度小于阈值角度，则将心跳分类为类似于与如下模板矢量相对应的心跳，所述模板矢量在它自身与矢量F(tD)之间具有最小角度。
93.根据权利要求91所述的自动心跳检测方法，其中如果矢量F(tD)与所述多个模板矢量中的每个之间的角度大于或等于阈值角度，则将模板矢量Fq＝F(tD)添加到所述多个模板矢量中。
94.根据权利要求91所述的自动心跳检测方法，其中患者处于非镇静状态，并且还包括基于当患者处于非镇静状态时所分类的心跳向处于镇静状态的患者提供介入治疗的步骤。
95.根据权利要求91所述的自动心跳检测方法，其中模板矢量中的每个具有与其相关联的阈值角度，不是所有模板矢量都具有相同的角度值。
96.根据权利要求91所述的自动心跳检测方法，其中所述多个模板矢量的至少部分是预先设置的模板矢量。
97.根据权利要求96所述的自动心跳检测方法，其中所述多个模板矢量中的每个是预先设置的模板矢量。
98.根据权利要求85所述的自动心跳检测方法，还包括多个槽的模板矢量槽，多个槽大于或等于所述多个模板矢量，并且每个模板矢量在相应的模板矢量槽中，其中如果矢量F(tD)不在所述多个模板矢量的任意模板矢量的阈值角度内并且空的模板矢量槽可用，则将新的模板矢量Fq＝F(tD)添加到所述多个模板矢量中。
99.根据权利要求98所述的自动心跳检测方法，其中如果没有空的模板矢量槽可用，则用新的模板矢量Fq＝F(tD)取代模板矢量中的一个。
100.根据权利要求85所述的自动心跳检测方法，还包括存储所分类的心跳。
101.根据权利要求100所述的自动心跳检测方法，还包括显示描述一个或多个所存储的心跳的信息。
CN201480068933.2A 2013-10-30 2014-10-16 心跳检测和分类 Pending CN105979863A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US14/067,561 US9078572B2 (en) 2013-10-30 2013-10-30 Heartbeat detection and categorization
US14/067,561 2013-10-30
US14/219,826 2014-03-19
US14/219,826 US9078575B2 (en) 2013-10-30 2014-03-19 Heartbeat categorization
PCT/US2014/060975 WO2015088644A1 (en) 2013-10-30 2014-10-16 Heartbeat detection and categorization

Publications (1)

Publication Number Publication Date
CN105979863A true CN105979863A (zh) 2016-09-28

Family

ID=52996170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480068933.2A Pending CN105979863A (zh) 2013-10-30 2014-10-16 心跳检测和分类

Country Status (4)

Country Link
US (1) US9078575B2 (zh)
EP (1) EP3062692A4 (zh)
CN (1) CN105979863A (zh)
WO (1) WO2015088644A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032300A1 (en) * 2015-07-31 2017-02-02 International Business Machines Corporation Dynamic selection of resources on which an action is performed
US10169172B2 (en) * 2015-08-11 2019-01-01 International Business Machines Corporation Passive detection of live systems during controller failover in distributed environments
EP3135194A1 (en) * 2015-08-28 2017-03-01 Universite Libre De Bruxelles Improvements in or relating to heart monitoring
US11045095B2 (en) * 2016-03-11 2021-06-29 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for non-contact monitoring of ballistocardiogram, photoplethysmogram, blood pressure and abnormal heart rhythm
US10939875B2 (en) 2018-01-26 2021-03-09 Fujitsu Limited Optimized real peak detection in cyclic biological data signals
CN108261193A (zh) * 2018-03-19 2018-07-10 吉林大学 一种基于心冲击信号的连续血压测量装置及测量方法
AT522324B1 (de) * 2019-05-22 2020-10-15 Cnsystems Medizintechnik Gmbh Verfahren und vorrichtung zur validierung eines blutdruckmesssystems

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030083587A1 (en) * 2001-10-31 2003-05-01 Bozidar Ferek-Petric Method and apparatus for developing a vectorcardiograph in an implantable medical devicee
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
US20100152801A1 (en) * 2008-12-11 2010-06-17 Pacesetter, Inc. Cardiac Resynchronization Therapy Optimization Using Vector Measurements Obtained from Realtime Electrode Position Tracking
CN101785669A (zh) * 2010-02-03 2010-07-28 深圳先进技术研究院 心电信号检测方法及装置
CN102113034A (zh) * 2008-05-12 2011-06-29 阿列森斯有限公司 监测、预测和处理临床发作

Family Cites Families (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3939824A (en) * 1973-10-09 1976-02-24 General Electric Company Physiological waveform detector
US4240442A (en) 1979-01-05 1980-12-23 American Optical Corporation Variable threshold R-wave detector
US4374382A (en) 1981-01-16 1983-02-15 Medtronic, Inc. Marker channel telemetry system for a medical device
US4446868A (en) * 1982-05-24 1984-05-08 Aronson Alfred L Cardiac arrhythmia analysis system
US4583553A (en) 1983-11-15 1986-04-22 Medicomp, Inc. Ambulatory ECG analyzer and recorder
US5365426A (en) 1987-03-13 1994-11-15 The University Of Maryland Advanced signal processing methodology for the detection, localization and quantification of acute myocardial ischemia
JPH03228745A (ja) 1990-02-05 1991-10-09 Toshiba Corp Ｍｒｉ装置
US5117824A (en) 1990-11-14 1992-06-02 Medtronic, Inc. Apparatus for monitoring electrical physiologic signals
FR2705576B1 (fr) 1993-05-28 1995-07-07 Ela Medical Sa Procédé d'analyse de l'activité cardiaque pour déterminer si une tachyarythmie est susceptible d'être interrompue par stimulation.
IL116699A (en) * 1996-01-08 2001-09-13 Biosense Ltd Method of building a heart map
EP0638869B1 (de) 1993-08-13 1995-06-07 Siemens Aktiengesellschaft Verfahren zur hochauflösenden Spektralanalyse bei mehrkanaligen Beobachtungen
US5570696A (en) * 1994-01-26 1996-11-05 Cambridge Heart, Inc. Method and apparatus for assessing myocardial electrical stability
US5560368A (en) 1994-11-15 1996-10-01 Berger; Ronald D. Methodology for automated QT variability measurement
EP0801539A1 (en) 1994-12-28 1997-10-22 Luc Prof. Dr. Hondeghem A device and a method for recording and monitoring cardiac activity signals
US5853364A (en) 1995-08-07 1998-12-29 Nellcor Puritan Bennett, Inc. Method and apparatus for estimating physiological parameters using model-based adaptive filtering
US5701907A (en) 1996-12-16 1997-12-30 Hewlett-Packard Company Electrocardiographic waveform monitoring method and system
US6016442A (en) * 1998-03-25 2000-01-18 Cardiac Pacemakers, Inc. System for displaying cardiac arrhythmia data
US6370423B1 (en) 1998-10-05 2002-04-09 Juan R. Guerrero Method for analysis of biological voltage signals
US6236883B1 (en) 1999-02-03 2001-05-22 The Trustees Of Columbia University In The City Of New York Methods and systems for localizing reentrant circuits from electrogram features
US6556860B1 (en) 2000-03-15 2003-04-29 The Regents Of The University Of California System and method for developing a database of body surface ECG flutter wave data maps for classification of atrial flutter
DE10105431A1 (de) 2001-02-07 2002-08-08 Biotronik Mess & Therapieg Signalauswerteverfahren zur Detektion von QRS-Komplexen in Elektrokardiogramm-Signalen
US20020165585A1 (en) 2001-05-01 2002-11-07 Dupelle Michael R. Pulse sensors
US6526313B2 (en) 2001-06-05 2003-02-25 Cardiac Pacemakers, Inc. System and method for classifying cardiac depolarization complexes with multi-dimensional correlation
US6702752B2 (en) 2002-02-22 2004-03-09 Datex-Ohmeda, Inc. Monitoring respiration based on plethysmographic heart rate signal
US20030216654A1 (en) 2002-05-07 2003-11-20 Weichao Xu Bayesian discriminator for rapidly detecting arrhythmias
US6884218B2 (en) * 2002-12-09 2005-04-26 Charles W. Olson Three dimensional vector cardiograph and method for detecting and monitoring ischemic events
US6985768B2 (en) * 2003-02-28 2006-01-10 Medtronic, Inc. Physiological event detection
US7139605B2 (en) 2003-03-18 2006-11-21 Massachusetts Institute Of Technology Heart rate monitor
FI113835B (fi) * 2003-04-10 2004-06-30 Pentti Korhonen Menetelmä ja järjestelmä sydänanalyysiä varten
US7792571B2 (en) 2003-06-27 2010-09-07 Cardiac Pacemakers, Inc. Tachyarrhythmia detection and discrimination based on curvature parameters
US7593772B2 (en) 2004-04-30 2009-09-22 Lawrence Duane Sherman Methods and devices to characterize the probability of successful defibrillation and determine treatments for ventricular fibrillation
US7364550B1 (en) 2004-06-17 2008-04-29 Pacesetter, Inc. Method and device for motion and noise immunity in hemodynamic measurement
CA2481631A1 (en) 2004-09-15 2006-03-15 Dspfactory Ltd. Method and system for physiological signal processing
JP2008523929A (ja) 2004-12-21 2008-07-10 シドニー ウエスト エリア ヘルス サービス 電気生理学データの自動処理
US7283870B2 (en) 2005-07-21 2007-10-16 The General Electric Company Apparatus and method for obtaining cardiac data
US7561912B2 (en) 2005-09-19 2009-07-14 Cardiac Pacemakers, Inc. Use of periodicity in medical data analysis
WO2007087014A2 (en) 2006-01-12 2007-08-02 Arrow International, Inc. Adaptive real time ecg triggering and uses thereof
US7751873B2 (en) 2006-11-08 2010-07-06 Biotronik Crm Patent Ag Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms
US7765002B2 (en) 2006-12-08 2010-07-27 Cardiac Pacemakers, Inc. Rate aberrant beat selection and template formation
EP2155057A4 (en) 2007-05-08 2012-03-14 Bard Inc C R FAST 3D MAPPING USING POSITION DATA OF MULTIPLE ELECTRODES
EP2186029A2 (en) * 2007-08-01 2010-05-19 Newcardio, Inc. Method and apparatus for quantitative assessment of cardiac electrical events
EP2047794B1 (en) 2007-10-11 2012-02-29 LiDCO Group PLC Hemodynamic monitor
US8041417B2 (en) 2008-01-25 2011-10-18 University Of Southern California Method and system for dynamical systems modeling of electrocardiogram data
US8301219B2 (en) 2008-07-16 2012-10-30 The General Hospital Corporation Patient monitoring systems and methods
JP5911726B2 (ja) 2008-11-10 2016-04-27 カーディオインサイト テクノロジーズ インコーポレイテッド 電気生理学データの視覚化
EP2459065B1 (en) 2009-07-31 2014-01-08 Koninklijke Philips N.V. Method and apparatus for the analysis of a ballistocardiogram signal
EP2461750A4 (en) 2009-08-03 2017-06-28 Diacoustic Medical Devices (Pty) Ltd Medical decision support system
US8412327B2 (en) * 2009-11-18 2013-04-02 Pacesetter, Inc. Cardiac resynchronization therapy optimization using vector measurements obtained from realtime electrode position tracking
US10624553B2 (en) 2009-12-08 2020-04-21 Biosense Webster (Israel), Ltd. Probe data mapping using contact information
WO2011088043A1 (en) 2010-01-12 2011-07-21 Cardiac Pacemakers, Inc. Use of significant point methodology to prevent inappropriate therapy
US8634902B2 (en) 2010-05-11 2014-01-21 Pacesetter, Inc. Cardiac analysis system for comparing clinical and induced ventricular tachycardia events
BR112012029240A2 (pt) 2010-05-18 2017-05-30 Zoll Medical Corp dispositivo médico ambulatorial de vestir com múltiplos eletrodos de detecção
US8340766B2 (en) 2010-10-07 2012-12-25 St. Jude Medical, Atrial Fibrillation Division, Inc. Method and system for identifying cardiac arrhythmia driver sites
EP2447866A1 (en) 2010-10-27 2012-05-02 Koninklijke Philips Electronics N.V. Method for determining a feature of the circadian rhythm of a subject
US9161705B2 (en) 2010-12-07 2015-10-20 The Board Of Regents Of The University Of Texas System Method and device for early detection of heart attack
US9277872B2 (en) 2011-01-13 2016-03-08 Rhythmia Medical, Inc. Electroanatomical mapping
EP2705464B1 (en) 2011-05-02 2018-04-18 Topera, Inc. System and method for targeting heart rhythm disorders using shaped ablation
US8798731B2 (en) 2011-07-29 2014-08-05 Pacesetter, Inc. Devices, systems and methods to perform arrhythmia discrimination based on the atrial and ventricular activation times
US8849388B2 (en) 2011-09-08 2014-09-30 Apn Health, Llc R-wave detection method
US20130096447A1 (en) * 2011-09-27 2013-04-18 Akshay Dhawan System and methods for serial analysis of electrocardiograms

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030083587A1 (en) * 2001-10-31 2003-05-01 Bozidar Ferek-Petric Method and apparatus for developing a vectorcardiograph in an implantable medical devicee
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
CN102113034A (zh) * 2008-05-12 2011-06-29 阿列森斯有限公司 监测、预测和处理临床发作
US20100152801A1 (en) * 2008-12-11 2010-06-17 Pacesetter, Inc. Cardiac Resynchronization Therapy Optimization Using Vector Measurements Obtained from Realtime Electrode Position Tracking
CN101785669A (zh) * 2010-02-03 2010-07-28 深圳先进技术研究院 心电信号检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
EP3062692A1 (en) 2016-09-07
US9078575B2 (en) 2015-07-14
WO2015088644A1 (en) 2015-06-18
US20150119737A1 (en) 2015-04-30
EP3062692A4 (en) 2017-07-05

Similar Documents

Publication Publication Date Title
CN105979863A (zh) 心跳检测和分类
KR102123045B1 (ko) 심장 기능부전들 및 비정상들을 나타내는 정보를 결정하기 위한 방법 및 장치
CN101061950B (zh) 利用spo2进行心房纤颤检测
US7846104B2 (en) Monitoring physiological condition and detecting abnormalities
JP6571807B2 (ja) 心臓の機能不全と異常を表す情報を測定するための方法及び器械
US9872638B2 (en) Method and apparatus for determining information indicative of cardiac malfunctions
EP3267886B1 (en) Method and apparatus for producing information indicative of cardiac malfunctions
WO2020068859A1 (en) Model-based sensor technology for detection of cardiovascular status
Setiawidayat et al. Determining the ECG 1 cycle wave using Discrete data
Khosrow-Khavar Automatic and Non-Invasive Delineation of the Seismocardiogram Signal for the Estimation of Cardiac Time Intervals with Applications in Diastolic Timed Vibration and Early Stage Hemorrhage Detection
Vieira Algorithmo Development for Physiological Signals Analysis and Cardiovascular Disease Diagnosis-A Data Mining Approach
Le et al. Towards virtual instruments for cardiovascular healthcare: Real-time modeling of cardiovascular dynamics using ECG signals
EP3530182A1 (en) Apparatus and method for determining a change in left ventricular twist of a subject's heart
Ulrich et al. Determining the respiratory state from a seismocardiographic signal-A machine learning approach
Sahay et al. Computer‐Aided Interpretation of ECG Signal—A Challenge
Thibbotuwawa Gamage Seismocardiography-Genesis, and Utilization of Machine Learning for Variability Reduction and Improved Cardiac Health Monitoring
Finnegan et al. Classifying nocturnal blood pressure patterns using photoplethysmogram features
Abdulkarim Farah Arrhythmia heart disease classification using deep learning
JPH10192250A (ja) 心臓機能の規則性を評価するための方法と装置
KOSTOSKI A survey of algorithms for ischemia detection in ECG recordings
de Abreu Algorithms for information extraction and signal annotation on long-term biosignals using clustering techniques
Tadi Embedded MEMS Motion Detectors for Wearable Mechanocardiography and 4D Medical Imaging
Mayapur A Survey on the Cardiology Ontology and Its Analytical Procedures

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: 20160928

WD01 Invention patent application deemed withdrawn after publication