CN106667479B - 一种分析含伪差心电图的方法和装置 - Google Patents

一种分析含伪差心电图的方法和装置 Download PDF

Info

Publication number
CN106667479B
CN106667479B CN201611137304.8A CN201611137304A CN106667479B CN 106667479 B CN106667479 B CN 106667479B CN 201611137304 A CN201611137304 A CN 201611137304A CN 106667479 B CN106667479 B CN 106667479B
Authority
CN
China
Prior art keywords
lead
electrocardioelectrode
artifact
transition
notable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611137304.8A
Other languages
English (en)
Other versions
CN106667479A (zh
Inventor
徐拥军
潘高
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.)
Nalong Health Technology Co ltd
Original Assignee
XIAMEN NALONG SCIENCE & TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by XIAMEN NALONG SCIENCE & TECHNOLOGY Co Ltd filed Critical XIAMEN NALONG SCIENCE & TECHNOLOGY Co Ltd
Priority to CN201611137304.8A priority Critical patent/CN106667479B/zh
Publication of CN106667479A publication Critical patent/CN106667479A/zh
Application granted granted Critical
Publication of CN106667479B publication Critical patent/CN106667479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/72—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

Landscapes

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

Abstract

本发明属于心电图技术领域。本发明公开了一种分析含伪差心电图的方法和装置，其中方法包括以下步骤：S1，按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；S2，筛选出受干扰小的心电电极集合SET；S3，将含显著伪差部分根据S2步骤所筛选出的心电电极集合SET生成衍生导联Ld；S4，从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。本发明提高了含伪差心电图的分析准确性。

Description

一种分析含伪差心电图的方法和装置
技术领域
本发明属于心电图技术领域，具体地涉及一种通过衍生导联分析含伪差心电图的方法和装置。
背景技术
心电图主要反映心脏激动的电学活动，因此对各种心率失常和传导障碍的诊断分析具有肯定价值，到目前为止，尚没有任何其它方法能替代心电图在这方面的作用。心电图记录的是心脏激动时所产生于体表的电位差，不管是采用3导联、5导联还是12导联采集心电信号，都可能包含多种不是由心脏激动而发生于心电图上的改变的干扰，称为伪差。伪差通常是由强磁场、静电干扰、患者运动造成的导联线拉扯或肌电干扰等因素产生。尤其是动态心电图，因佩戴后患者需要正常活动，产生伪差几乎是不可避免的。心电图伪差不仅没有利用价值，还会对医生诊断造成影响，降低心电监护准确性。
现有不少技术用来识别伪差，如公开专利：CN104644160A，但其将伪差段数据排除在分析范围外，另外也有一些技术用来从多个导联中选择干扰最小的导联作为分析导联，如公开专利：CN105411567A，以提高分析精度。但是如果伪差发生时间较长，或者肢体导联影响了Wilson中心电端造成每个导联伪差都比较大，就会严重影响其分析结果的准确性。
发明内容
本发明的目的在于为解决上述问题而提供一种通过衍生导联分析含伪差心电图的方法和装置，提高了含伪差心电图的分析准确性，且计算简单，鲁棒性和适应性好。
为实现上述目的，本发明采用的技术方案为：一种分析含伪差心电图的方法，包括以下步骤：
S1，按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
S2，筛选出受干扰小的心电电极集合SET；
S3，将含显著伪差部分根据S2步骤所筛选出的心电电极集合SET生成衍生导联Ld；
S4，从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
进一步的，所述步骤S2中，是通过对不含显著伪差部分的分析处理中筛选出受干扰小的心电电极集合SET。
更进一步的，所述步骤S2具体为：从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1；并根据该第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度大于阈值Threshold1的所有电极对，形成心电电极集合SET。
进一步的，所述步骤S2中，是通过对含显著伪差部分和不含显著伪差部分相配合的分析处理中筛选出受干扰小的心电电极集合SET。
更进一步的，所述步骤S2具体为：从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1；并根据该第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度小于阈值Threshold1的所有电极对，形成第二过渡心电电极集合SET′1；
将含显著伪差部分按第二过渡心电电极集合SET′1来生成第二过渡衍生导联L′d2；选取第二过渡导联L′d2幅度仍小于阈值Threshold1的电极对，然后从第一过渡心电电极对集合SET′中找出与这对电极相关的所有元素，构成心电电极集合SET。
进一步的，所述步骤S4具体为选取质量最好的一条或者多条衍生导联Ld进行显示处理。
更进一步的，所述显示处理还包括：同时显示该衍生导联Ld反映的是哪两个电极之间的电位差。
进一步的，将含显著伪差部分根据S2步骤所筛选出的心电电极集合SET生成衍生导联Ld具体方法为：计算心电电极集合SET中的每个元素组间的电位差产生衍生导联Ld。
进一步的，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1具体方法为：计算第一过渡心电电极对集合SET′中的每个元素组间的电位差产生第一过渡衍生导联L′d1。
进一步的，所述步骤S2中的阈值Threshold1采用自适应方法设立。
更进一步的，所述步骤S2中的阈值Threshold1采用自适应方法设立具体为：计算心搏数据在第一过渡衍生导联L′d1上的幅度，选所有幅度的中位数或者平均值作为阈值threshold1。
进一步的，所述步骤S4具体为：计算各条衍生导联Ld心电信号的能量，并按心电信号能量占总能量的比重排序；选取心电信号能量比重最大的一条或者多条衍生导联Ld进行进一步处理。
进一步的，还包括如下步骤；将不含显著伪差部分的心电图按步骤S3和S4的方式生成衍生导联数据，以利于对比判别。
本发明还公开了一种分析含伪差心电图的装置，包括
识别模块，用于按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
筛选模块，用于筛选出受干扰小的心电电极集合SET；
衍生导联生成模块，用于将含显著伪差部分根据筛选模块所筛选出的心电电极集合SET生成衍生导联Ld；
处理模块，用于从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
本发明的有益技术效果：
本发明根据心电图采集使用的导联体系，筛选出受干扰小的心电电极集合SET，将含显著伪差部分根据心电电极集合SET生成衍生导联Ld，并将质量最好的一条或多条衍生导联Ld通过显示界面呈现给阅图者，或者输出给自动分析程序做进一步分析，实现了对含伪差信号的心电图分析，提高了其分析的准确性，适用于多种导联体系(如Wilson，EASI，15导，18导等)，且计算简单，鲁棒性和适应性好。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例的装置结构示意图；
图3为本发明实施例一的方法流程图；
图4为本发明实施例二的方法流程图；
图5为本发明实施例二的含显著伪差部分的心电图；
图6为本发明实施例二的处理后的心电图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种分析含伪差心电图的方法，包括以下步骤：
S1，按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
S2，筛选出受干扰小的心电电极集合SET；
S3，将含显著伪差部分根据S2所筛选出的心电电极集合SET生成衍生导联Ld；
S4，从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
本发明还公开了一种分析含伪差心电图的装置，包括
识别模块1，用于按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
筛选模块2，用于筛选出受干扰小的心电电极集合SET；
衍生导联生成模块3，用于将含显著伪差部分根据筛选模块所筛选出的心电电极集合SET生成衍生导联Ld；
处理模块4，用于从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
下面将以具体实施例来说明本发明。
心电图机采用Wilson标准12导联就可以拾取心脏电活动的全貌，不仅能从额面，也能从横面观察心脏电信息活动，已得到国际上的认可而在世界各国通用。
根据Wilson标准12导心电图连接方式，考虑到肢体导联的其他数据都可以通过II，III导联推导得出，因此定义导联向量L＝(Ⅱ Ⅲ V1 V2 V3 V4 V5 V6)T，即独立导联数为8，电极电势向量E＝(EF ERA ELA EC1 EC2 EC3 EC4 EC5 EC6)T，根据Wilson导联的计算方式：
EWCT＝1/3*(EF+ERA+ELA)
II＝EF-ERA
III＝EF-ELA
Vi＝ECi-EWCT
可以推导出导联向量转换为电极电压向量的转换矩阵TL2E，如下：
其中EWCT为Wilson中心电端，可见三个肢体导联中只要任何一个肢体电极产生干扰，胸导都会受到不同程度的影响，而如果两个肢体电极遭遇干扰，则整个12导联都会受到严重影响，导致心电图基本不可读。
下面就以Wilson标准12导联心电图为例介绍本发明，但不以此为限。
实施例一
如图3所示，一种分析含伪差心电图的方法，包括如下步骤：
A1，识别并按时间段区分心电图中含显著伪差部分和不含显著伪差部分。
具体的，采用上述的Wilson标准12导联采集心电图信号，然后识别并按时间段区分心电图中含显著伪差部分(简称为伪差段)和不含显著伪差部分(简称为参考段)。本实施例中，采用现有技术区分出伪差段，例如峰值峰谷对法等方法，也可以采用公开专利：CN104644160A的方法进行识别，具体可以参照现有技术，此不再细说。
A2，将心电图导联数据转换成心电电极的电压值。
本具体实施例中，将心电图导联数据转换成心电电极的电压值具体方法为：E＝TL2E*L，其中，本实施例中计算转换矩阵TL2E时以左下肢F为零电势点，故上述的转换矩阵TL2E中第一行全为0。在其它实施例中也可以取其它导联为零电势点，获得不同的转换矩阵TL2E，方法相同，不再一一说明。
A3，从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，第一过渡心电电极对集合SET′中的每个元素为一个心电电极对。
本具体实施例中，从9个电极任意选取2个电极为一对，形成第一过渡心电电极对集合SET′，第一过渡心电电极对集合SET′中有即36个元素。计算每个元素组间的电位差可以产生36种衍生导联。例如选择第一过渡心电电极对集合SET′中的元素(C1，C5)得到一个没有肢体导联参与的新衍生导联VC1-C5≡EC1-EC5。
A4，将参考段的电极电压值，按第一过渡心电电极对集合SET′中的每个元素生成第一过渡衍生导联L′d1；并根据第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度大于阈值Threshold1的所有元素，形成心电电极集合SET。
具体的，针对不同的患者，有些电极之间的电位差比较小，不利于识别，需要先排除。为此，本具体实施例通过将参考段的心电数据生成36种第一过渡衍生导联L′d1，并计算心搏数据在各条第一过渡衍生导联L′d1上的幅度。选取幅度大于阈值threshold1的所有第一过渡衍生导联L′d1的所有元素，形成心电电极集合SET。阈值threshold1可以选所有幅度的中位数或者平均值。
A5，将伪差段按心电电极集合SET中的元素生成衍生导联Ld，衍生导联Ld的数目和心电电极集合SET中的元素个数相同，生成方法为：计算心电电极集合SET中每个元素组间的电位差。
A6，计算伪差段生成的各条衍生导联Ld的心电信号的质量。
本具体实施例中，计算伪差段生成的各条衍生导联Ld的心电信号的能量，并按心电信号能量占总能量的比重排序，心电信号能量比重越大，则说明衍生导联Ld的质量越好。计算方法采用现有的计算方法，此是本领域技术人员可以轻易实现的，不再细说。
A7，选取质量最好的一条或者多条衍生导联Ld进行处理分析。
具体的，选取质量最好(心电信号能量比重最大)的一条或者多条衍生导联Ld显示。同时显示该衍生导联Ld反映的是哪两个电极之间的电位差，方便阅图者识别。
进一步的，为了方便对比，本发明中，还可以将参考段的心电图按按步骤A5和A6的同样的组合生成衍生导联数据，以利于对比判别，提高分析准确性。
实施例二
如图4所示，一种分析含伪差心电图的方法，包括如下步骤：
A1，识别并按时间段区分心电图中含显著伪差部分和不含显著伪差部分。
具体的，采用上述的Wilson标准12导联采集心电图信号，然后识别并按时间段区分心电图中含显著伪差部分(简称为伪差段)和不含显著伪差部分(简称为参考段)。本实施例中，采用现有技术区分出伪差段，例如峰值峰谷对法等方法，也可以采用公开专利：CN104644160A的方法进行识别，具体可以参照现有技术，此不再细说。
A2，将心电图导联数据转换成心电电极的电压值。
本具体实施例中，将心电图导联数据转换成心电电极的电压值具体方法为：E＝TL2E*L，其中，本实施例中计算转换矩阵TL2E时以左下肢F为零电势点，故上述的转换矩阵TL2E中第一行全为0。在其它实施例中也可以取其它导联为零电势点，获得不同的转换矩阵TL2E，方法相同，不再一一说明。
A3，从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，第一过渡心电电极对集合SET′中的每个元素为一个心电电极对。
本具体实施例中，从9个电极任意选取2个电极为一对，形成第一过渡心电电极对集合SET′，第一过渡心电电极对集合SET′中有C9 2即36个元素。计算每个元素组间的电位差可以产生36种衍生导联。例如选择第一过渡心电电极对集合SET′中的元素(C1，C5)得到一个没有肢体导联参与的新衍生导联VC1-C5≡EC1-EC5。
A4，将参考段的的电极电压值，按第一过渡心电电极对集合SET′中的每个元素生成第一过渡衍生导联L′d1；并根据该第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度小于阈值Threshold1的所有元素，形成第二过渡心电电极集合SET′1。
本具体实施例通过将参考段的心电数据生成36种第一过渡衍生导联L′d1，并计算心搏数据在各条第一过渡衍生导联L′d1上的幅度。选取幅度小于阈值threshold1的所有第一过渡衍生导联L′d1的元素，形成第二过渡心电电极集合SET′1。阈值threshold1可以选所有幅度的中位数或者平均值。由于第二过渡心电电极集合SET′中元素生成的衍生导联幅度小，便于判断该导联是否受干扰。
A5，将伪差段按第二过渡心电电极集合SET′1中的元素来生成第二过渡衍生导联L′d2；第二过渡衍生导联L′d2的数目和第二过渡心电电极集合SET′1中的元素个数相同，生成方法为：计算第二过渡心电电极集合SET′1中每个元素组间的电位差。选取第二过渡衍生导联L′d2幅度仍小于阈值Threshold1的电极对，然后从第一过渡心电电极对集合SET′中找出与这对电极相关的所有元素，构成心电电极集合SET。例如，从第二过渡心电电极集合SET′1中选中电极对(C1，C5)，则心电电极集合SET包含第一过渡心电电极对集合SET′中具有C1或C5的所有元素。
A6，将伪差段按照心电电极集合SET中的元素来生成衍生成衍生导联Ld，计算衍生导联Ld的心电信号的质量。
本具体实施例中，计算伪差段生成的各条衍生导联Ld的心电信号的能量，并按心电信号能量占总能量的比重排序，心电信号能量比重越大，则说明衍生导联Ld的质量越好。计算方法采用现有的计算方法，此是本领域技术人员可以轻易实现的，不再细说。
A7，选取质量最好的一条或者多条导联进行处理分析。
具体的，选取质量最好(心电信号能量比重最大)的一条或者多条衍生导联Ld显示。同时显示该衍生导联Ld反映的是哪两个电极之间的电位差，方便阅图者识别。
进一步的，为了方便对比，本发明中，还可以将参考段的心电图按按步骤A5和A6的同样的组合生成衍生导联数据，以利于对比判别，提高分析准确性。
图4为伪差段的心电图，按照上述方法分析处理后如图5所示，图5表明C1电极和C5电极受干扰较小，同时此显示结果也便于医生和心电分析软件分析，达到了衍生导联辅助分析含伪差段心电图的效果。
本发明根据心电图采集使用的导联体系，筛选出受干扰小的心电电极集合，将伪差段按照这些心电电极集合生成衍生导联Ld，并将质量最好的一条或多条衍生导联Ld通过显示界面呈现给阅图者，或者输出给自动分析程序做进一步分析，实现了对含伪差信号的心电图分析，提高了其分析的准确性，适用于多种导联体系，且计算简单，鲁棒性和适应性好。
当然，上述方法也可以用于其它导联体系，如EASI，15导，18导等，只需对转换矩阵、第一过渡心电电极对集合SET′等做相应的简单调整即可实现。此是本领域技术人员可以轻易实现的，不再详细说明。
上述实施例给出了两种筛选出受干扰小的心电电极集合SET的方法，当然，也可以采用现有的其它方法来实现，此是本领域技术人员可以轻易实现的，不再详细说明。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (14)

1.一种分析含伪差心电图的方法，其特征在于，包括以下步骤：
S1，按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
S2，筛选出受干扰小的心电电极集合SET；
S3，将含显著伪差部分根据S2步骤所筛选出的心电电极集合SET生成衍生导联Ld；
S4，从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
2.根据权利要求1所述的分析含伪差心电图的方法，其特征在于，所述步骤S2中，是通过对不含显著伪差部分的分析处理中筛选出受干扰小的心电电极集合SET。
3.根据权利要求2所述的分析含伪差心电图的方法，其特征在于，所述步骤S2具体为：从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1；并根据该第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度大于阈值Threshold1的所有电极对，形成心电电极集合SET。
4.根据权利要求1所述的分析含伪差心电图的方法，其特征在于，所述步骤S2中，是通过对含显著伪差部分和不含显著伪差部分相配合的分析处理中筛选出受干扰小的心电电极集合SET。
5.根据权利要求4所述的分析含伪差心电图的方法，其特征在于，所述步骤S2具体为：从心电电极中选取所有不重复的任意两个电极来组成第一过渡心电电极对集合SET′，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1；并根据该第一过渡衍生导联L′d1设立一个阈值Threshold1，选取第一过渡衍生导联L′d1幅度小于阈值Threshold1的所有电极对，形成第二过渡心电电极集合SET′1；
将含显著伪差部分按第二过渡心电电极集合SET′1来生成第二过渡衍生导联L′d2；选取第二过渡导联L′d2幅度仍小于阈值Threshold1的电极对，然后从第一过渡心电电极对集合SET′中找出与这对电极相关的所有元素，构成心电电极集合SET。
6.根据权利要求1所述的分析含伪差心电图的方法，其特征在于：所述步骤S4具体为选取质量最好的一条或者多条衍生导联Ld进行显示处理。
7.根据权利要求6所述的分析含伪差心电图的方法，其特征在于：所述显示处理还包括：同时显示该衍生导联Ld反映的是哪两个电极之间的电位差。
8.根据权利要求1所述的分析含伪差心电图的方法，其特征在于，将含显著伪差部分根据S2步骤所筛选出的心电电极集合SET生成衍生导联Ld具体方法为：计算心电电极集合SET中的每个元素组间的电位差产生衍生导联Ld。
9.根据权利要求3或5所述的分析含伪差心电图的方法，其特征在于，将不含显著伪差部分按第一过渡心电电极对集合SET′生成第一过渡衍生导联L′d1具体方法为：计算第一过渡心电电极对集合SET′中的每个元素组间的电位差产生第一过渡衍生导联L′d1。
10.根据权利要求3或5所述的分析含伪差心电图的方法，其特征在于：所述步骤S2中的阈值Threshold1采用自适应方法设立。
11.根据权利要求10所述的分析含伪差心电图的方法，其特征在于，所述步骤S2中的阈值Threshold1采用自适应方法设立具体为：计算心搏数据在第一过渡衍生导联L′d1上的幅度，选所有幅度的中位数或者平均值作为阈值threshold1。
12.根据权利要求1所述的分析含伪差心电图的方法，其特征在于，所述步骤S4具体为：计算各条衍生导联Ld心电信号的能量，并按心电信号能量占总能量的比重排序；选取心电信号能量比重最大的一条或者多条衍生导联Ld进行进一步处理。
13.根据权利要求1所述的分析含伪差心电图的方法，其特征在于，还包括如下步骤；将不含显著伪差部分的心电图按步骤S3和S4的方式生成衍生导联数据，以利于对比判别。
14.一种分析含伪差心电图的装置，其特征在于：包括
识别模块，用于按时间段识别出心电图中含显著伪差部分和不含显著伪差部分；
筛选模块，用于筛选出受干扰小的心电电极集合SET；
衍生导联生成模块，用于将含显著伪差部分根据筛选模块所筛选出的心电电极集合SET生成衍生导联Ld；
处理模块，用于从衍生导联Ld中选取质量最好的一条或者多条衍生导联Ld进行进一步处理。
CN201611137304.8A 2016-12-12 2016-12-12 一种分析含伪差心电图的方法和装置 Active CN106667479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611137304.8A CN106667479B (zh) 2016-12-12 2016-12-12 一种分析含伪差心电图的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611137304.8A CN106667479B (zh) 2016-12-12 2016-12-12 一种分析含伪差心电图的方法和装置

Publications (2)

Publication Number Publication Date
CN106667479A CN106667479A (zh) 2017-05-17
CN106667479B true CN106667479B (zh) 2018-02-16

Family

ID=58868254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611137304.8A Active CN106667479B (zh) 2016-12-12 2016-12-12 一种分析含伪差心电图的方法和装置

Country Status (1)

Country Link
CN (1) CN106667479B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110680305B (zh) * 2019-10-08 2021-07-27 深圳邦健生物医疗设备股份有限公司 确定移行导联位置的方法、装置和计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013054242A1 (en) * 2011-10-12 2013-04-18 Koninklijke Philips Electronics N.V. Method and system to fully-automatically measure the st-segment level of electrocardiograms in real-time ecg monitoring
CN103431856A (zh) * 2013-08-30 2013-12-11 深圳市理邦精密仪器股份有限公司 在多导联同步心电信号中选择心电导联的方法及装置
CN104644160A (zh) * 2015-03-18 2015-05-27 电子科技大学 心电图伪差信号识别方法及装置
CN105411567A (zh) * 2015-12-15 2016-03-23 北京世纪今科医疗器械有限公司 一种心电图数据分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013054242A1 (en) * 2011-10-12 2013-04-18 Koninklijke Philips Electronics N.V. Method and system to fully-automatically measure the st-segment level of electrocardiograms in real-time ecg monitoring
CN103431856A (zh) * 2013-08-30 2013-12-11 深圳市理邦精密仪器股份有限公司 在多导联同步心电信号中选择心电导联的方法及装置
CN104644160A (zh) * 2015-03-18 2015-05-27 电子科技大学 心电图伪差信号识别方法及装置
CN105411567A (zh) * 2015-12-15 2016-03-23 北京世纪今科医疗器械有限公司 一种心电图数据分析方法及系统

Also Published As

Publication number Publication date
CN106667479A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
Merah et al. R-peaks detection based on stationary wavelet transform
Picton et al. The recording and analysis of event-related potentials
Sörnmo et al. Electrocardiogram (ECG) signal processing
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
Luo et al. A user-friendly SSVEP-based brain–computer interface using a time-domain classifier
JP7429371B2 (ja) 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム
CN108113665B (zh) 一种心电信号自动降噪方法
CN114901143A (zh) 使用深度神经网络和基于规则的系统进行缩减导联心电图诊断的系统和方法
CN109893118A (zh) 一种基于深度学习的心电信号分类诊断方法
CN108720832B (zh) 一种心电信号处理方法及装置
Patro et al. De-noising of ECG raw signal by cascaded window based digital filters configuration
Kumar et al. Optimal selection of wavelet function and decomposition level for removal of ECG signal artifacts
CN106874872A (zh) 工频噪声滤除装置与方法
EP4108167A1 (en) Method and device for generating photoplethysmography signal
Bajaj et al. A robust approach to denoise ECG signals based on fractional Stockwell transform
Verma et al. An improved algorithm for noise suppression and baseline correction of ECG signals
CN113384277B (zh) 心电数据的分类方法及分类系统
Qiu et al. Two-stage ECG signal denoising based on deep convolutional network
Talatov et al. Algorithmic and software analysis and processing of ECG signals
CN106667479B (zh) 一种分析含伪差心电图的方法和装置
Daniel et al. Cancelling harmonic power line interference in biopotentials
Kulkarni et al. Preprocessing techniques of electrocardiogram
Burte et al. Advances in QRS detection: Modified Wavelet energy gradient method
Hegde et al. A review on ECG signal processing and HRV analysis
Ghosal et al. Ecg beat quality assessment using self organizing map

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 361000 Room 305, 28 day watch Road, software park, Xiamen, Fujian.

Patentee after: Xiamen Nalong Health Technology Co.,Ltd.

Address before: 361000 Room 305, 28 day watch Road, software park, Xiamen, Fujian.

Patentee before: XIAMEN NALONG SCIENCE & TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 203, No. 18 Guanri Road, Phase II, Software Park, Siming District, Xiamen City, Fujian Province, 361000

Patentee after: Nalong Health Technology Co.,Ltd.

Address before: 361000 Room 305, 28 day watch Road, software park, Xiamen, Fujian.

Patentee before: Xiamen Nalong Health Technology Co.,Ltd.