CN107233092A - 一种用于心脏生理电信号的处理方法 - Google Patents

一种用于心脏生理电信号的处理方法 Download PDF

Info

Publication number
CN107233092A
CN107233092A CN201710363852.0A CN201710363852A CN107233092A CN 107233092 A CN107233092 A CN 107233092A CN 201710363852 A CN201710363852 A CN 201710363852A CN 107233092 A CN107233092 A CN 107233092A
Authority
CN
China
Prior art keywords
mrow
signals
heart rate
rate variability
motion
Prior art date
Application number
CN201710363852.0A
Other languages
English (en)
Inventor
李锦�
陈晨
Original Assignee
陕西师范大学
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 陕西师范大学 filed Critical 陕西师范大学
Priority to CN201710363852.0A priority Critical patent/CN107233092A/zh
Publication of CN107233092A publication Critical patent/CN107233092A/zh

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/04Measuring bioelectric signals of the body or parts thereof
    • A61B5/0402Electrocardiography, i.e. ECG
    • A61B5/0452Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Abstract

本发明涉及生物医学信号领域,公开了一种用于心脏生理电信号的处理方法,通过分析不同时间段,不同运动状态下的心率变异性信号,通过多重分形去势波动分析、质量指数谱和多重分形谱对运动前、中、后的心率变异性信号进行相关性和多重分形性研究,建立该信号的相关性和多重分形性与自主神经调控间的关系并揭示生理节律对三者关系的影响。本发明有效的探讨了上午运动还是下午运动有利于心脏系统的健康,以期为运动员科学训练,普通人科学健身提供理论依据,并为运动医学的发展提供有价值的信息。

Description

一种用于心脏生理电信号的处理方法

技术领域:

[0001] 本发明属于通信领域,涉及一种生理电信号的处理方法,尤其是一种用于心脏生 理电信号的处理方法。

背景技术:

[0002] 心率变异性信号作为心血管系统的输出信号,是判断心脏自主神经功能最好的指 标,能为心血管疾病的研究提供有用的生理病理信息。近些年,随着人们对健康的关注,体 育运动越来越成为日常生活不可缺少的部分。因此对心率变异性信号的研究逐渐被众多运 动科学研究者重视。正常情况下,心脏节律的变化受到自主神经系统的控制交感神经和副 交感神经两者协调工作,调节人体心肺器官的正常运转,使人体的血压,心率,体温等保持 在一个恒定的范围。当人体在不同时段运动时,心脏节律的变化不仅受到自主神经系统的 控制,还受到生理节律的影响,对心脏生理电信号的研究可以对心脏节律的变化提供间接 测量指标。

[0003] 现有技术对心率变异性信号的处理方法是进行傅里叶变换,只分析其频谱和功率 谱,导致分析的结果不够准确。大量的研究表明心率变异性信号是一种具有混沌特性的非 线性信号,而分形理论是描述信号混沌特性的重要手段,但是截止目前,尚未见将分形理论 用于不同运动状态下的心率变异性信号的报道。而且对不同运动状态下的心率变异性信号 研究都是在同一时段下进行的,但是人们在现实生活中往往根据自己的工作和生活规律来 安排运动时间。有些人习惯在上午进行体育锻炼,但是有学者指出上午运动可诱发心律失 常和心肌梗死。因此不同时段运动对身体机能的影响一直是学者长期争论的话题,至今没 有统一的结论。因此需要提出一种新的技术方案解决上述问题。

发明内容:

[0004] 本发明的目的在于克服上述现有技术的缺点,提供一种用于心脏生理电信号的处 理方法,通过对采集到的生理电信号进行分组,检测所述生理电信号的QRS波群,对QRS波群 进行整形,确定RR间期,提取R波信号,得到时域心率变异性信号序列,分析时域心率变异性 信号的相关性,获得心率变异性信号生理参数值;分析时域心率变异性信号的多重分形性, 获得心率变异性信号生理参数值。

[0005] 心率变异性信号作为心血管系统的的输出信号,是判断自主神经活动最好的指 标,能为心血管疾病的研究提供有用的生理病理信息。当外界刺激或者内部刺激的变化,心 脏每次跳动之间的间期都会有微小的差异,每次心跳间期的变化范围就是心率变异性。正 常情况下,人体心跳间期的变化受交感神经和副交感神经控制。当人体在不同时段运动时, 人体心跳间期的变化不仅受交感神经和副交感神经控制,同时还受到不同时段人体生理节 律的影响。心率变异性越高,表明心脏能越快的适应内部或外部环境,交感神经和副交感神 经之间相互作用良好,心率变异性越低,表明机体的适应能力较差。因此心率变异性信号可 以作为反映自主神经系统功能的间接生理指标。

[0006] 本发明的目的是通过以下技术方案来实现的:

[0007] 一种用于心脏生理电信号的处理方法,包括以下步骤:

[0008] 步骤一:对采集到的生理电信号进行分组;

[0009] 步骤二:检测所述生理电信号的QRS波群,对QRS波群进行整形,确定RR间期,提取R 波信号,得到时域心率变异性信号序列;

[0010] 步骤三:分析时域心率变异性信号的相关性,获得心率变异性信号生理参数值;

[0011] 步骤四:分析时域心率变异性信号的多重分形性,获得心率变异性信号生理参数 值。

[0012] 所述步骤一中采集到的生理电信号分为上午运动前、上午运动中、上午运动后、下 午运动如、下午运动中、下午运动后TK种不同状态,每种状态为一组。

[0013] 所述步骤二中包括:

[0014] 对采集到的生理电信号进行放大,滤波;检测放大后的生理电信号的QRS波群,并 对检测到的QRS波群进行波形整形,剔除异搏,确定RR间期,提取R波信号,得到时域心率变 异性信号序列;RR间期是指两个RR波峰之间的时间间隔。

[0015] 所述步骤二中,保留RR间期满足如下不等式的信号,得到心率变异性序列,每个序 列包含1500个数据点;

[0016]

Figure CN107233092AD00041

[0017]其中RR^RR间期序列,涵是RR间期序列的平均值。

[0018] 所述步骤三包括:

[0019]计算各组时域心率变异性信号的标准Hurst指数h (2),计算各组数据的标准Hurst 指数的平均值和离散度,以及不同时段下标准Hurst指数的波动值。

[0020] 所述步骤三中不同时段下标准Hurst指数的波动值是用各组时域心率变异性信号 的最大Hurst指数和最小Hurst指数差值的绝对值来计算。

[0021] 所述步骤四包括:

[0022] 计算标准Hurst指数下的质量指数谱和多重分形谱;

[0023] 计算每组数据的质量指数谱和多重分形谱的平均值,得到质量指数谱与分形介数 的关系和多重指数谱和奇异指数的关系。

[0024] 本发明在通过研究心率变异性信号,建立该信号的相关性和多重分形性与自主神 经调控间的关系并揭示生理节律对三者关系的影响。从而使得研究人员更好的利用研究结 果分析自主神经调控和生理节律对心脏的生理功能产生的影响。

附图说明:

[0025] 图1是一种探测不同运动状态对心脏节律影响的方法的流程图;

[0026] 图2是正常心电图波形示意图;

[0027] 图3是信号放大电路;

[0028] 图4是信号滤波电路。

具体实施方式:

[0029] 下面结合附图对本发明做进一步详细描述:

[0030] 参见图1,一种探测一种探测不同运动状态对心脏节律影响的方法的实施方式包 括:

[0031] 步骤一,对采集到的生理电信号进行分组;

[0032] 其中生理信号可以分为两类:一类是电信号和电活动衍生的信号,例如心电信号 和心磁信号,另一类是非电信号,例如体温、呼吸、血压等。

[0033] 心脏可以看做是人体的电源,心脏周围具有导电性的组织和体液将心肌细胞电位 变化的总和传导并反映到体表。人体体表分布的各点中,有些点之间的电位相等,有些点之 间存在着电位差。通过电极或者传感器测量体表上非等电位的电位差,记录数据可作为接 下来用于分析处理的生理电信号。其中将采集到的生理电信号分为六组,分别对应上午和 下午运动前、中、后六种不同状态。

[0034] 步骤二,检测所述生理电信号的QRS波群,对QRS波群进行整形,确定RR间期,提取R 波信号,得到时域心率变异性信号序列;

[0035] 其中对采集到的生理电信号进行放大,滤波;检测所述生理电信号的QRS波群,确 定RR波峰位置,提取R波信号;

[0036] 对生理电信号进行放大,生理电信号源产生的信号幅度小、频率低,而且生物电信 号源内阻高,存在较强的背景噪声和干扰,而生物电放大器是为了测量生物电位而专门设 计的放大器,其最主要的作用就是把微弱的生物电位信号的幅度放大。以便进一步处理、记 录或显示。因此要求生物电放大器具有高输入阻抗、高共模抑制比、高增益、低噪声、低温 漂、合适的频带宽度和动态范围等特性。而放大器的输入阻抗、噪声、漂移及共模抑制比等 特性的好坏主要由前置放大器所决定。为了克服测量生物电时伴随的较强的模干扰在生物 电放大器的前置级通常采用差动放大以提高共模抑制比。

[0037] 放大级通常包括初级差分放大和运放构成的主放大级,初级差分放大采用的是三 运放前置放大电路,主放大极由一个集成运放和电阻构成。如图3所示它的第一级是有两个 运放Al和A2组成,信号由两个同相输入差分放大器因而有很高的的输入阻抗可达1ΜΩ以上 第二级是由A3构成的基本差分放大器。由于理想运放输入阻抗近似为零。Al和A2输入端的 两个电阻R2与电位器Rl相并联,所以可以得到

[0038]

Figure CN107233092AD00051

[0039] 其中R1 = 4KQ,R2 = 2KQ,R3 = 2KQ,R4 = 500Q,R5 = 5KQ。其中Ad表示对有用差 模信号电压的放大倍数。

[0040] 对生理电信号进行滤波,是将放大后的生理电信号进行滤波,保留一定范围的信 号。生物电信号是低频微弱信号,采用有源滤波器,滤波器的阶数越高,滤波器滤出的效果 越好,此次设计中采用的是二阶滤波器.这次设计中采用的是二阶低通滤波器。二阶低通滤 波器的参数设定要根据心电的频率范围和二阶低通滤波器的性质行设定,二阶低通滤波器 的传递函数是:

[0041]

Figure CN107233092AD00061

[0042] 其中 Cl=0.12yF,C2 = 0.13yF。

[0043] QRS波群检索,是指检测QRS波群,并对检测到的QRS波群进行波形整形,得到R波信 号。如图2—个正常的心电图,由P波、QRS波群、T波等组成。每个具体的波都对应着特定的心 脏活动和电生理阶段。与其他波形相比,R波具有较高的的幅值。在计算心率数据时,RR间期 是指两个RR波峰之间的时间间隔,保留RR间期满足如下不等式的信号,获得时域心率变异 性信号,每个心率变异性信号包含5000个数据点。

[0044]

Figure CN107233092AD00062

[0045] 其中RR^RR间期序列,亜是RR间期序列的平均值。

[0046] 步骤三,分析时域心率变异性信号的相关性,获得心率变异性信号生理参数值。

[0047] 其中建立去势波动分析模型,得到趋势函数和波动函数。选取子区间长度s从10到 N/4做等值变化(N为样本数据总个数),计算分形介数q = 2时各组时域心率变异性信号的标 准Hurst指数h (2),计算各组数据的标准Hurst指数的平均值和离散度,以及不同时段下标 准Hurst指数的波动值。

[0048] 局部趋势函数和波动函数的具体建立方法如下:

[0049] (1)构造长度为N的时间序列{Xk}的去均值和序列Y (i):

[0050]

Figure CN107233092AD00063

[0051] 式中孓表示序列Ix1J的均值。

[0052] (2)将新序列Y⑴按照i由小到大的和由大到小各划分成Ns个长度为s的不相交子 区间,其中Ns = int (N/s)这样共得到2NS个子区间。

[0053] (3)对每个子区间V (v = l,2,......2NS)内的s个点,用最小二乘法进行k阶多项式 拟合,得到局部趋势函数yv(i):

[0054] yv (i) =aiik+a2ik x+.........+aki+ak+ii = 1,2,.....s ;k= 1,2......,

[0055] ⑷计算均方误差F2 (s,v)

[0056]

Figure CN107233092AD00064

[0057] 对于2NS个子区间,q阶波动函数Fq (s),其中q为分形阶数。

[0058] 当q辛0时,得到波动函数为:

[0059]

Figure CN107233092AD00071

[0060] 当q = 〇时,得到波动函数为:

[0061]

Figure CN107233092AD00072

[0062] Fq (s)与子区间长度s满足关系:Fq (S)C^shW其中h(q)为广义赫斯特指数。在不同q 值条件下,将波动函数Fq (s)与子区间长度s取对数后进行线性回归拟合,即可得到广义赫 斯特指数的值,取分形介数q = 2时,得到标准赫斯特指数。计算各组数据的标准Hur st指数 的平均值和离散度,以及不同时段下标准Hurst指数的波动值。

[0063] 其中离散度δ的表示如下:

[0064]

Figure CN107233092AD00073

[0065] 其中波动值Δ H的表示如下:用样本中最大Hurst指数和最小Hurst指数差的绝对 值来表示。

[0066]

Figure CN107233092AD00074

[0067] Hurst指数的波动范围反映了HRV信号的相关性波动范围的大小。

[0068] 步骤四,分析时域心率变异性信号的多重分形性,获得心率变异性信号生理参数 值。

[0069] 其中取q值从-10到10变换,做出H (q)随q变换的曲线图,曲线的波动幅度大小表明 HRV信号的多重分形程度的强弱,通过去势波动分析模型中的广义Hurst指数可将时间序列 的相关性和多重分形性联系在一起,分明从单分形维数和多分形维数的角度描述时间序列 的混沌特征。在本发明中,对心率变异性信号的多重分形分析运用了质量指数谱和多重分 形谱的理论,具体方法如下:利用去势波动分析模型所得到的广义Hurst指数和质量指数谱 τ (q)和多重分形谱f (a),计算h (q)相对应的τ (q)和f (a)。

[0070] 其中

Figure CN107233092AD00075

[0073] 其中a为Holder奇异指数。计算每组数据的质量指数谱和多重分形谱的平均值,得 到质量指数谱与分形介数的关系图和多重指数谱和奇异指数的关系。从整体上研究心率变 异性信号的多重分形性。

[0074] 本发明中特征生理参数的提取包括,心率变异性信号序列的局部趋势函数(yv (i)),局部趋势函数的均方误差(F2 (s,V)),波动函数(Fq (s)),标准赫斯特指数(h⑵),质量 指数谱(i(q)),分形指数谱(f (a)) ,Holder奇异指数(a)。心率变异性信号生理参数能够反 映自主神经系统功能的变化,即交感神经与副交感神经功能变化的。自主神经主要是控制 人体内脏器官在不同状态下的活动,交感神经兴奋时,心输出与心率增加,副交感神经则相 反,二者相互作用,共同调节人体心脏器官的运转。当人体的这一自主神经功能发生紊乱 时,会出现一系列的病症。在本发明中,对于不同时段不同运动状态下心率变异性信号的研 究反映了生理节律和运动对人体心脏节律的影响,使得分析结果更加的准确。

[0075] 本发明中,去势波动分析模型用于区分不同时段不同运动状态下的心率变异性信 号序列的相关性,其中的标准赫斯特指数描述该样本的心率变异性信号的相关性,不同分 形阶数下的质量指数谱和多重分形谱反映了率变异性信号序列的多重分形性,结果显示不 同时段心率变异性信号的相关性和多重分形性有明显差异,反映了生理节律对心脏功能状 态的影响。

[0076] 综上所述,本发明实施例考虑到人体自身的生理节律,揭示了生理节律与自主神 经调控对心脏节律的影响,为运动员科学训练,普通人科学健身提供理论依据,并为运动医 学的发展提供有价值的信息。

[0077] 以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽 然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人 员,在不脱离本发明技术方案范围内,当可利用上述揭示的方法及技术内容作出些许的更 动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的 技术实质对以上实施例所作的任何简单修改、等同变化与修饰,仍属于本发明技术方案的 范围内。

Claims (7)

1. 一种用于心脏生理电信号的处理方法,其特征在于,包括以下步骤: 步骤一:对采集到的生理电信号进行分组; 步骤二:检测所述生理电信号的QRS波群,对QRS波群进行整形,确定RR间期,提取R波信号,得到时域心率变异性信号序列; 步骤三:分析时域心率变异性信号的相关性,获得心率变异性信号生理参数值; 步骤四:分析时域心率变异性信号的多重分形性,获得心率变异性信号生理参数值。
2. 如权利要求1所述的处理方法,其特征在于,所述步骤一中采集到的生理电信号分为上午运动前、上午运动中、上午运动后、下午运动前、下午运动中、下午运动后六种不同状态,每种状态为一组。
3. 如权利要求1所述的处理方法,其特征在于,所述步骤二中包括: 对采集到的生理电信号进行放大,滤波;检测放大后的生理电信号的QRS波群,并对检测到的QRS波群进行波形整形,剔除异搏,确定RR间期,提取R波信号,得到时域心率变异性信号序列;RR间期是指两个RR波峰之间的时间间隔。
4. 如权利要求3所述的处理方法,其特征在于,所述步骤二中,保留RR间期满足如下不等式的信号,得到心率变异性序列,每个序列包含1500个数据点;
Figure CN107233092AC00021
其中RRi是RR间期序列,而是RR间期序列的平均值。
5. 如权利要求3所述的处理方法,其特征在于,所述步骤三包括: 计算各组时域心率变异性信号的标准Hurst指数h (2),计算各组数据的标准Hurst指数的平均值和离散度,以及不同时段下标准Hurst指数的波动值。
6. 如权利要求5所述的处理方法,其特征在于,所述步骤三中不同时段下标准Hurst指数的波动值是用各组时域心率变异性信号的最大Hurst指数和最小Hurst指数差值的绝对值来计算。
7. 如权利要求5所述的处理方法,其特征在于,所述步骤四包括: 计算标准Hurst指数下的质量指数谱和多重分形谱; 计算每组数据的质量指数谱和多重分形谱的平均值,得到质量指数谱与分形介数的关系和多重指数谱和奇异指数的关系。
CN201710363852.0A 2017-05-22 2017-05-22 一种用于心脏生理电信号的处理方法 CN107233092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710363852.0A CN107233092A (zh) 2017-05-22 2017-05-22 一种用于心脏生理电信号的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710363852.0A CN107233092A (zh) 2017-05-22 2017-05-22 一种用于心脏生理电信号的处理方法

Publications (1)

Publication Number Publication Date
CN107233092A true CN107233092A (zh) 2017-10-10

Family

ID=59984405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710363852.0A CN107233092A (zh) 2017-05-22 2017-05-22 一种用于心脏生理电信号的处理方法

Country Status (1)

Country Link
CN (1) CN107233092A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109452938A (zh) * 2018-12-29 2019-03-12 中国矿业大学 一种基于多尺度多重分形的hfecg信号特征频率检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101939738A (zh) * 2007-10-03 2011-01-05 渥太华医院研究所 用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置
CN104127193A (zh) * 2014-07-14 2014-11-05 华南理工大学 一种抑郁症程度量化的评估系统及其评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101939738A (zh) * 2007-10-03 2011-01-05 渥太华医院研究所 用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置
CN104127193A (zh) * 2014-07-14 2014-11-05 华南理工大学 一种抑郁症程度量化的评估系统及其评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张道明: "心脏心电信号分析及辅助诊断系统", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
张鹏,李锦: "心率变异信号的长程记忆性与短程记忆性分析", 《声学技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109452938A (zh) * 2018-12-29 2019-03-12 中国矿业大学 一种基于多尺度多重分形的hfecg信号特征频率检测方法

Similar Documents

Publication Publication Date Title
Thomas et al. BioWatch: A noninvasive wrist-based blood pressure monitor that incorporates training techniques for posture and subject variability
Yapici et al. Intelligent medical garments with graphene-functionalized smart-cloth ECG sensors
US9131864B2 (en) System and method for evaluating an electrophysiological signal
Choi et al. Using heart rate monitors to detect mental stress
Lu et al. A comparison of photoplethysmography and ECG recording to analyse heart rate variability in healthy subjects
CN102917661B (zh) 基于多变量残差的用于人体健康监视的健康指数
US20160360977A1 (en) Method and apparatus for heart rate monitoring using an electrocardiogram sensor
Albulbul Evaluating major electrode types for idle biological signal measurements for modern medical technology
CA2692795C (en) Cardiac monitoring system
CN106108889B (zh) 基于深度学习算法的心电图分类方法
KR101084554B1 (ko) 심장 관련 파라미터를 측정하기 위한 방법 및 장치
CN104138253B (zh) 一种无创动脉血压连续测量方法和设备
Casson et al. Wearable electroencephalography
US20160256063A1 (en) Analyte assessment and arrhythmia risk prediction using physiological electrical data
WO2017016086A1 (zh) 基于生理信息的抑郁症评估系统及其评估方法
Jin et al. Predicting cardiovascular disease from real-time electrocardiographic monitoring: An adaptive machine learning approach on a cell phone
EP2676604B1 (en) Real time QRS duration measurement in electrocardiogram
US7043293B1 (en) Method and apparatus for waveform assessment
Bolanos et al. Comparison of heart rate variability signal features derived from electrocardiography and photoplethysmography in healthy individuals
Merone et al. ECG databases for biometric systems: A systematic review
Yazicioglu et al. A 30$\mu $ W Analog Signal Processor ASIC for Portable Biopotential Signal Monitoring
WO2014137295A1 (en) System and method of determining a risk score for triage
CN104799854B (zh) 一种表面肌电采集装置及其肌电信号处理方法
EP2298164B1 (en) Cardiac monitoring circuit with adaptive sampling
Burns et al. SHIMMER™: An extensible platform for physiological signal capture

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171010