CN107405096B - 用于感测胎儿活动的系统、装置和方法 - Google Patents
用于感测胎儿活动的系统、装置和方法 Download PDFInfo
- Publication number
- CN107405096B CN107405096B CN201680012051.3A CN201680012051A CN107405096B CN 107405096 B CN107405096 B CN 107405096B CN 201680012051 A CN201680012051 A CN 201680012051A CN 107405096 B CN107405096 B CN 107405096B
- Authority
- CN
- China
- Prior art keywords
- ecg signal
- filtering
- ecg
- fetal
- segment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000001605 fetal effect Effects 0.000 claims abstract description 242
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims description 274
- 238000010009 beating Methods 0.000 claims description 96
- 210000003754 fetus Anatomy 0.000 claims description 54
- 210000002458 fetal heart Anatomy 0.000 claims description 53
- 230000003044 adaptive effect Effects 0.000 claims description 41
- 238000012937 correction Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000008774 maternal effect Effects 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 29
- 238000000718 qrs complex Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000004048 modification Effects 0.000 claims description 16
- 238000012986 modification Methods 0.000 claims description 16
- 210000001015 abdomen Anatomy 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 230000007423 decrease Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012913 prioritisation Methods 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012880 independent component analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000016507 interphase Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 33
- 230000000747 cardiac effect Effects 0.000 abstract description 23
- 230000036541 health Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 19
- 230000009466 transformation Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 230000035935 pregnancy Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/344—Foetal cardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
- A61B5/4362—Assessing foetal parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Pregnancy & Childbirth (AREA)
- Gynecology & Obstetrics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pediatric Medicine (AREA)
- Reproductive Health (AREA)
- Power Engineering (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
本发明提供了通过侵入性检测和分析胎儿心脏电活动数据来监测胎儿健康的系统和方法。
Description
本申请要求于2015年3月10日提交的美国临时申请62/131,122的优先权,并据此全文以引用的方式并入本文中。
技术领域
本发明一般涉及通过非侵入性检测和分析胎儿心脏电活动数据来监测胎儿健康的系统和方法。
背景技术
监测胎儿心脏可用于确定怀孕期间胎儿的健康状况。
发明内容
在一些实施例中,本发明提供了一种计算机实施方法,其包括:通过执行为该方法配置的特定可编程指令的至少一个计算机处理器从至少一对ECG传感器接收原始心电图(ECG)信号数据;其中至少一对ECG传感器定位在携带胎儿的女性的腹部上;其中原始ECG信号数据包括代表从至少一对ECG传感器实时获取的N个原始的ECG信号数据(原始N-ECG信号数据)的数据;通过至少一个计算机处理器数字信号过滤原始N-ECG信号数据,以形成具有滤波N-ECG信号的滤波N-ECG信号数据;通过至少一个计算机处理器检测滤波N-ECG信号数据中每个滤波N-ECG信号中的母体心率峰值;通过至少一个计算机处理器,通过利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个N-ECG信号中减去母体ECG信号以获得校正的ECG信号数据,该数据包括表示N个校正的ECG信号的数据,其中至少一个非线性减法过程包括:迭代执行:i)将滤波N-ECG信号数据的N-ECG信号的每个N-ECG信号自动划分为多个ECG信号片段,1)其中多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及2)其中每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值来自动确定;ii)自动修改第二多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于迭代执行以下步骤进行确定:1)基于成年人的标准心跳曲线来定义全局模板,2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值,3)利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中自动去除经修改的片段,从而生成每个经校正的ECG信号;通过至少一个计算机处理器基于校正ECG信号数据从滤波N-ECG信号数据中提取原始胎儿ECG信号数据,其中原始胎儿ECG信号数据包括N个胎儿ECG信号(原始N-ECG胎儿信号数据);通过至少一个计算机处理器处理原始N-ECG胎儿信号数据以提高原始N-ECG胎儿信号数据的信噪比,从而形成滤波N-ECG胎儿信号数据;以及通过至少一个计算机处理器在滤波N-ECG胎儿信号数据中检测胎儿心率峰值;以及通过至少一个计算机处理器基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率(FHR),ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性(FHRV);以及通过至少一个计算机处理器输出计算步骤的结果。
在一些实施例中,数字信号滤波至少利用以下中的一种:i)基线漂移滤波,ii)电力线频率滤波,iii)高频滤波,或iv)数字自适应反中值滤波。
在一些实施例中,滤波的N-ECG信号数据是在检测滤波的N-ECG信号数据中的母体峰值之前已经用至少一种分解技术进行处理的数据,其中至少一种分解技术选自由以下各项组成的组:a)奇异值分解(SVD),b)主分量分析(PCA),c)独立分量分析(ICA),d)小波分解(CWT),以及e)其任何组合。
在一些实施例中,至少基于以下情况执行在滤波N-ECG信号数据中的每个滤波ECG信号中对母体心率峰值的检测:i)将每个滤波ECG信号划分为第一多个胎儿ECG信号片段;ii)归一化每个ECG信号片段中的滤波ECG信号;iii)计算每个ECG信号片段中的滤波ECG信号的一阶导数;iv)基于确定一阶导数的零点交叉,在每个ECG信号片段中找到局部母体心率峰值;以及v)排除具有以下情况中的至少一个的局部母体心率峰值:1)绝对值小于预定局部峰值绝对阈值;或2)局部峰值之间的距离小于预定的局部峰值距离阈值。
在一些实施例中,预定的相似度值基于欧几里得距离,其中该组参数是通过以下情况中的至少一个解决的非线性最小二乘问题的局部最小解:1)最小化作为欧几里得距离的成本函数;2)利用高斯牛顿算法;3)利用最速下降(梯度下降)算法;或4)利用莱文贝格-马夸特算法。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在15-65Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比还包括以下中的至少一个:1)利用奇异值分解(SVD)技术;或2)利用小波去噪(WD)技术。
在一些实施例中,本发明提供了一种计算机实施方法,其包括:通过执行为该方法配置的特定可编程指令的至少一个计算机处理器从至少一对ECG传感器接收原始心电图(ECG)信号数据;其中至少一对ECG传感器定位在携带胎儿的女性的腹部上;其中原始ECG信号数据包括代表从至少一对ECG传感器实时获取的N个原始的ECG信号(原始N-ECG信号数据)的数据;通过至少一个计算机处理器数字信号过滤原始ECG信号数据,以形成具有滤波N-ECG信号的滤波N-ECG信号数据,其中数字信号滤波利用以下至少一个:i)基线漂移滤波,ii)电力线频率滤波,iii)高频滤波,或iv)数字自适应反中值滤波;由至少一个计算机处理器通过至少执行以下操作来检测滤波N-ECG信号数据中的每个滤波N-ECG信号数据中的母体心率峰值:i)将每个滤波ECG信号划分为第一多个胎儿ECG信号片段;ii)归一化每个ECG信号片段中的滤波ECG信号;iii)计算每个ECG信号片段中的滤波ECG信号的一阶导数;iv)基于确定一阶导数的零点交叉,在每个ECG信号片段中找到局部母体心率峰值;以及v)排除具有以下情况中的至少一个的局部母体心率峰值:1)绝对值小于预定局部峰值绝对阈值;或2)局部峰值之间的距离小于预定的局部峰值距离阈值;通过至少一个计算机处理器,利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个滤波N-ECG信号中减去母体ECG信号以获得校正的N-ECG信号数据,该数据包括表示N个校正的ECG信号的数据,其中至少一个非线性减法过程包括:迭代执行:i)将滤波N-ECG信号数据的每个ECG信号自动划分为第二多个ECG信号片段,1)其中第二多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔;2)其中,每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值而自动确定,以及3)其中自动检测每个搏动间隔的开始值和偏移值是至少部分地基于:a)在每个ECG信号中检测到多个母体峰值,b)以整数改变每个ECG信号的采样率,c)每个P波的开始,d)每个T波的偏移,以及e)搏动内分段;ii)自动修改第二多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于以下各项进行确定:迭代执行:1)基于成年人的标准心跳曲线来定义全局模板;2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值;以及利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中自动去除经修改的片段,从而生成每个经校正的ECG信号,从而生成经校对的N-ECG信号数据;通过至少一个计算机处理器在(1)滤波N-ECG信号数据和(2)校正N-ECG信号数据上利用盲源分离(BSS)算法来提取原始胎儿ECG信号数据,其中,原始胎儿ECG信号数据包括N个胎儿ECG信号(N-ECG胎儿信号);通过至少一个计算机处理器处理原始胎儿ECG信号数据以便至少通过以下方法提高信噪比:i)在15-65Hz的范围内应用带通滤波器将多个原始N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波胎儿ECG信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据);通过至少一个计算机处理器,至少执行以下步骤来检测滤波的N-ECG胎儿信号数据中的胎儿心率峰值:i)将每个滤波N-ECG胎儿信号划分成第一多个胎儿ECG信号片段;ii)归一化每个胎儿ECG信号片段中的滤波胎儿ECG信号;iii)计算每个胎儿ECG信号片段中的滤波胎儿ECG信号的一阶导数;以及iv)通过至少一个计算机处理器,基于确定一阶导数的零点交叉,在每个胎儿ECG信号片段中找到局部胎儿心率峰值;通过至少一个计算机处理器基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率,ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性;以及通过至少一个计算机处理器输出计算步骤的结果。
在一些实施例中,基线漂移滤波包含利用以下中的至少一种:1)具有恒定权重的移动平均滤波器,或2)移动中值滤波器。
在一些实施例中,电力线频率滤波包含利用以下中的至少一种:1)带阻数字滤波器;或2)数字自适应滤波器。
在一些实施例中,高频滤波包含利用以下中的至少一种:1)数字低通滤波器;2)70周期/秒的截止频率;3)平滑滤波器;4)或边缘保留滤波器。
在一些实施例中,边缘保留滤波器是a)自适应均值滤波器;或b)自适应中值滤波器中的一种。
在一些实施例中,数字自适应反中值滤波包含利用自适应中值滤波器,其具有以下长度:1)常数值,或2)根据ECG信号数据的至少一个局部特征进行调整。
在一些实施例中,至少一个局部特征是以下中的至少一个持续时间:a)QRS复合波;b)ST区段;或c)PR间期。
在一些实施例中,滤波的N-ECG信号数据是在检测滤波的N-ECG信号数据中的母体峰值之前已经用至少一种分解技术进行处理的数据,其中至少一种分解技术选自以下各项组成的组:a)奇异值分解(SVD),b)主分量分析(PCA),c)独立分量分析(ICA),d)小波分解(CWT),以及e)其任何组合。
在一些实施例中,预定的相似度值基于欧几里得距离,其中该组参数是通过以下情况中的至少一个解决的非线性最小二乘问题的局部最小解:1)最小化作为欧几里得距离的成本函数;2)利用高斯牛顿算法;3)利用最速下降(梯度下降)算法;或4)利用莱文贝格-马夸特算法。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比还包括以下中的至少一个:1)利用奇异值分解(SVD)技术;或2)利用小波去噪(WD)技术。
在一些实施例中,至少一对ECG传感器选自以下各项组成的组:至少一个湿接触ECG电极;以及至少一个干接触ECG电极。
在一些实施例中,在搏动内分段中的多个搏动内片段基于利用以下中的至少一个:1)分治算法;或2)数字带通滤波器。
在一些实施例中,搏动内片段的数量是三个并且如下限定:1)从特定搏动间隔的开始值到QRS复合波的开始限定的第一搏动内片段;2)限定为QRS复合波的第二搏动内片段;以及3)从QRS复合波的偏移到特定搏动间隔的偏移值的第三搏动内片段。
在一些实施例中,本发明提供了一种专门编程的计算机系统,其包括:至少一个专用计算机机器,该计算机机器包括:非暂态存储器,其电子地存储特定的计算机可执行程序代码;以及至少一个计算机处理器,其在执行特定程序代码时变成专门编程的计算处理器,其被配置成至少执行以下操作:从至少一对ECG传感器接收原始心电图(ECG)信号数据;其中至少一对ECG传感器定位在携带胎儿的女性的腹部上;其中原始ECG信号数据包括代表从至少一对ECG传感器实时获取的N个原始的ECG信号数据(原始N-ECG信号数据);数字信号过滤原始ECG信号数据,以形成具有滤波N-ECG信号的滤波N-ECG信号数据;检测滤波N-ECG信号数据中每个滤波N-ECG信号中的母体心率峰值;通过利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个滤波N-ECG信号中减去母体ECG信号以获得校正的ECG信号数据,该数据包括表示N个校正的ECG信号数据(校正N-ECG信号数据),其中至少一个非线性减法过程包括:迭代执行:i)将滤波N-ECG信号数据的N-ECG信号的每个滤波N-ECG信号划分为第二多个ECG信号片段,1)其中多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及2)其中每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值来自动确定;ii)修改多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于以下各项进行确定:迭代执行:1)基于成年人的标准心跳曲线来定义全局模板;2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值;以及3)利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中去除经修改的片段,从而生成每个经校正的ECG信号;基于校正ECG信号数据从滤波N-ECG信号数据中提取原始胎儿ECG信号数据,其中原始胎儿ECG信号数据包括N个胎儿ECG信号(原始N-ECG胎儿信号数据);处理原始N-ECG胎儿信号数据以提高N-ECG胎儿信号的信噪比,从而形成滤波N-ECG胎儿信号数据;在滤波N-ECG胎儿信号数据中检测胎儿心率峰值;基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率,ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性;以及输出计算操作的结果。
在一些实施例中,本发明提供了一种专门编程的计算机系统,其包括:至少一个专用计算机机器,该计算机机器包括:非暂态存储器,其电子地存储特定的计算机可执行程序代码;以及至少一个计算机处理器,其在执行特定程序代码时变成专门编程的计算处理器,其被配置成至少执行以下操作:从至少一对ECG传感器接收原始心电图(ECG)信号数据;其中至少一对ECG传感器定位在携带胎儿的女性的腹部上;其中原始ECG信号数据包括表示从至少一对ECG传感器实时获取的N个原始ECG信号(原始N-ECG信号数据)的数据;数字信号过滤原始ECG信号数据,以形成具有滤波N-ECG信号的滤波N-ECG信号数据,其中数字信号滤波利用以下中的至少一个:i)基线漂移滤波;ii)电力线频率滤波;iii)高频滤波;或iv)数字自适应反中值滤波;通过至少执行以下步骤来检测滤波的N-ECG信号数据中的每个滤波N-ECG信号中的母体心率峰值:i)将每个滤波的N-ECG信号划分为第一多个胎儿ECG信号片段;ii)归一化每个ECG信号片段中的滤波ECG信号;iii)计算每个ECG信号片段中的滤波ECG信号的一阶导数;iv)基于确定一阶导数的零点交叉,在每个ECG信号片段中找到局部母体心率峰值;以及v)排除具有以下至少一个的局部母体心率峰值:1)绝对值小于预定局部峰值绝对阈值;或2)局部峰值之间的距离小于预定的局部峰值距离阈值;通过利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个滤波N-ECG信号中减去母体ECG信号以获得校正的ECG信号数据,该数据包括表示N个校正的ECG信号(校正N-ECG信号数据)的数据,其中至少一个非线性减法过程包括:迭代执行:i)将滤波N-ECG信号数据的滤波N-ECG信号数据的每个ECG信号划分为第二多个ECG信号片段,1)其中第二多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔;2)其中,每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值而自动确定,以及3)其中自动检测每个搏动间隔的开始值和偏移值是至少部分地基于:a)在每个ECG信号中检测到多个母体峰值,b)以整数改变每个ECG信号的采样率,c)每个P波的开始,d)每个T波的偏移,或e)搏动内分段;ii)修改第二多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于以下各项进行确定:迭代执行:1)基于成年人的标准心跳曲线来定义全局模板;2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值;以及3)利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中去除经修改的片段,从而生成每个经校正的ECG信号;在(1)滤波N-ECG信号数据和(2)校正N-ECG信号数据上利用盲源分离(BSS)算法来提取原始胎儿ECG信号数据,其中,原始胎儿ECG信号数据包括N个胎儿ECG信号(原始N-ECG胎儿信号);处理原始N-ECG胎儿信号数据以便至少通过以下方法提高信噪比:i)在15-65Hz的范围内应用带通滤波器将多个原始N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波胎儿ECG信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据);通过至少执行以下步骤来检测滤波的N-ECG胎儿信号数据中的胎儿心率峰值:i)将每个滤波胎儿N-ECG信号划分成第一多个胎儿ECG信号片段;ii)归一化每个胎儿ECG信号片段中的滤波胎儿ECG信号;iii)计算每个胎儿ECG信号片段中的滤波胎儿ECG信号的一阶导数;以及iv)基于确定一阶导数的零点交叉,在每个胎儿ECG信号片段中找到局部胎儿心率峰值;基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率,ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性;以及输出计算操作的结果。
附图说明
图1A-图1B示出了根据本发明的一些实施例的传感器对在怀孕女性的腹部上的位置。图A示出了前视图。图B示出了侧视图。
图2示出了根据本发明的一些实施例的用于检测和分析心脏电活动数据的算法的流程图。
图3示出了根据本发明的一些实施例的心脏电动活动数据的示例性记录。
图4示出了根据本发明的一些实施例的模板母体心电图。
图5示出了根据本发明的一些实施例的用于执行母体心脏活动消除的算法的流程图。
图6示出了根据本发明的一些实施例的用于执行母体心脏活动消除的算法的流程图。
图7示出了根据本发明的一些实施例的单个母体心跳上的模板母体心电图的叠加。
图8示出了根据本发明的一些实施例的单个母体心跳上的模板母体心电图的叠加。
图9示出了根据本发明的一些实施例的母体ECG消除的结果。
具体实施方式
为了使公开内容清楚而不受到限制,本发明的详细描述分为以下小节,其描述或说明本发明的某些特征、实施例或应用。
在一些实施例中,本发明提供了一种用于检测、记录和分析来自携带胎儿的怀孕母体的心脏电活动数据的系统。在一些实施例中,使用多个ECG传感器来记录心脏电活动数据。在一些实施例中,包括记录心脏电动活动数据的电极的ECG传感器附接到怀孕母体的腹部。在一些实施例中,直接连接ECG传感器。在一些实施例中,ECG传感器被并入用品中,诸如腰带和贴片等,并且该用品由怀孕母体穿戴或放置在其身上。
ECG传感器的选择由本领域普通技术人员较为容易地确定。影响传感器选择的因素包括但不限于电极的灵敏度、电极的尺寸和电极的重量等。
在一些实施例中,ECG传感器是湿接触电极。在一些实施例中,ECG传感器是干接触电极。
在一些实施例中,不管传感器位置、胎儿取向、胎儿运动或胎龄如何,ECG传感器的布置提供用于记录、检测和分析胎儿心脏电活动数据的系统。在一些实施例中,在图1所示的配置中,ECG传感器被附接或定位在怀孕母体的腹部上。在一些实施例中,将ECG传感器分成包括一对ECG传感器的信道,并且同时地从信道记录心脏电活动数据。在一些实施例中,信道输出获取的信号数据,该数据对应于记录的心脏电活动数据。
在一些实施例中,使用至少一对ECG传感器来获取已获取的信号数据。在一些实施例中,获取的信号数据的数量被称为“N”。在一些实施例中,通过增加N的值来提高系统检测胎儿心脏电活动数据的能力。例如,通过非限制性说明,在一些实施例中,信道按照如下方式指定:
1.B1-B3
2.B1-B2
3.B2-B3
4.A1-A4
5.A2-A3
6.A2-A4
在一些实施例中,从获取的信号数据中提取对应于胎儿心脏电活动数据的信号数据。
胎儿心脏活动引起半周期电信号,其通常为约0.1至100Hz。通常,对应于胎儿心脏活动的信号被包括母体心脏电活动的其它电信号污染。由母体心脏活动引起的信号可以比对应于胎儿心脏活动的胎儿信号强10倍。例如,参见图3,其显示了心脏电活动数据的示例性记录,显示了母体和胎儿电活动结合。
在一些实施例中,通过以下方法从获取的信号数据中提取胎儿心脏电活动数据:
a.通过使用至少一对ECG传感器从携带胎儿的怀孕母体的腹部记录电活动来获得原始N-ECG信号数据;
b.对原始N-ECG信号数据应用一组线性和非线性数学变换,从而获得变换/校正N-ECG信号数据;以及
c.在与胎儿或母体心脏电活动相关的变换/校正N-ECG信号数据中找到特征。
本文所用的术语“变换”是指线性或非线性数学变换,特别地其可以包括数字滤波、数学线性或非线性分解、数学优化。
在一些实施例中,使用图2所示的算法从所获取的信号数据中提取胎儿心脏电活动数据。使用图2所示的算法,对记录的信号数据进行预处理以消除噪声(“清理信号”),然后检测母体心脏电活动的峰值(检测母体峰值),去除母体心脏活动信号(“去除母体信号”),然后处理所得数据以消除噪声(“清理信号”),然后检测胎儿心脏电活动的峰值(检测胎儿峰值)以检测胎儿心脏活动。随后分析检测到的胎儿活动数据以计算选自以下各项组成的组中的至少一个参数:搏动间胎儿心率、胎儿ECG、平均胎儿心率和胎儿心率变异性。
在一些实施例中,本发明提供了一种计算机实施方法,其包括:通过执行为该方法配置的特定可编程指令的至少一个计算机处理器从至少一对ECG传感器接收原始心电图(ECG)信号数据;其中至少一对ECG传感器定位在携带胎儿的女性的腹部上;其中原始ECG信号数据包括代表从至少一对ECG传感器实时获取的N个原始的ECG信号数据(原始N-ECG信号数据)的数据;通过至少一个计算机处理器数字信号过滤原始N-ECG信号数据,以形成具有滤波N-ECG信号的滤波N-ECG信号数据;通过至少一个计算机处理器检测滤波N-ECG信号数据中每个滤波N-ECG信号中的母体心率峰值;通过至少一个计算机处理器,通过利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个N-ECG信号中减去母体ECG信号以获得校正的ECG信号数据,该数据包括表示N个校正的ECG信号的数据,其中至少一个非线性减法过程包括:迭代执行:i)将滤波N-ECG信号数据的N-ECG信号的每个N-ECG信号自动划分为多个ECG信号片段,1)其中多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及2)其中每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值来自动确定;ii)自动修改第二多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于迭代执行以下步骤进行确定:1)基于成年人的标准心跳曲线来定义全局模板,2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值,3)利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中自动去除经修改的片段,从而生成每个经校正的ECG信号;通过至少一个计算机处理器基于校正ECG信号数据从滤波N-ECG信号数据中提取原始胎儿ECG信号数据,其中原始胎儿ECG信号数据包括N个胎儿ECG信号(原始N-ECG胎儿信号数据);通过至少一个计算机处理器处理原始N-ECG胎儿信号数据以提高原始N-ECG胎儿信号数据的信噪比,从而形成滤波N-ECG胎儿信号数据;以及通过至少一个计算机处理器在滤波N-ECG胎儿信号数据中检测胎儿心率峰值;以及通过至少一个计算机处理器基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率,ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性;以及通过至少一个计算机处理器输出计算步骤的结果。
预处理所获取的信号数据
在一些实施例中,预处理原始N-ECG信号数据以消除噪声,从而生成滤波N-ECG信号数据。在一些实施例中,预处理包括应用选自以下各项组成的组中的数字信号滤波器:基线漂移滤波器、电力线频率滤波器和高频滤波器。
在一些实施例中,基线漂移滤波器旨在去除记录信号中的低频分量并增强信号的快速时变部分。
在一些实施例中,基线漂移滤波器是具有恒定权重的移动平均滤波器。在一些实施例中,使用长度为501毫秒的移动平均滤波器。
在一些实施例中,基线漂移滤波器是移动中值滤波器。
在一些实施例中,电力线频率滤波器旨在去除由成对ECG传感器拾取的电力线干扰。在一些实施例中,将电力线频率滤波器的截止频率设置为使用本发明的系统的地理区域的电力线频率。例如,如果在欧洲使用该系统,则在一些实施例中,截止频率为49.5至50.5Hz。如果在美国使用该系统,则在一些实施例中,截止频率为59.5至60.5Hz。
在一些实施例中,电力线频率滤波器的截止频率是使用本发明的系统的地理区域的电力线频率的±10Hz。在一些实施例中,电力线频率滤波器的截止频率是使用本发明的系统的地理区域的电力线频率的±5Hz。
在一些实施例中,使用阶数为10阶、5节的截止频率为49.5至50.5Hz的巴特沃斯型带阻滤波器。在一些实施例中,使用带阻数字滤波器来减小电力线干扰的频率分量。在一些实施例中,使用数字自适应滤波器以在应用带阻滤波器之前自动确定精确的电力线频率。
在一些实施例中,高频滤波器旨在从所获取的信号中去除非常高频的分量。在一些实施例中,高频滤波器是数字低通滤波器。在一些实施例中,使用数字低通滤波器以减小所获取的信号的高频分量。在一些实施例中,数字低通滤波器是切比雪夫I型低通滤波器。
在一些实施例中,低通滤波器的截止频率被设置成70周期/秒。在一些实施例中,基线纹波为0.12分贝。在一些实施例中,阶数为12阶、6节。
在一些实施例中,高频滤波器是平滑滤波器。在一些实施例中,使用平滑滤波器来减小原始N-ECG信号数据的高频分量。
在一些实施例中,高频滤波器是边缘保留滤波器。在一些实施例中,使用边缘保留滤波器以从原始N-ECG信号数据中去除高频噪声,同时保留关于包含在原始N-ECG信号数据中的胎儿和母体ECG信号的有价值的信息。在一些实施例中,边缘保留滤波器是自适应均值滤波器。在一些实施例中,边缘保留滤波器是自适应中值滤波器。
在一些实施例中,将附加变换应用到滤波N-ECG信号数据。在一些实施例中,将数字自适应反中值滤波器应用到滤波的N-ECG信号数据以增强母体ECG峰值。
本文所用的术语“母体ECG峰值”是指在心脏收缩周期期间电活动的P波、Q波、R波、S波或T波中的任何一种。图4示出了在心脏收缩周期期间的电活动的描绘。
在一些实施例中,附加变换包括对N个滤波的N-ECG信号数据应用自适应中值滤波器,并且减去滤波N-ECG信号数据的结果。
在一些实施例中,自适应中值滤波器的长度被选择为恒定。在一些实施例中,将长度设置为100个样本。
在一些实施例中,自适应中值滤波器的长度根据母体ECG峰值的局部特征来适应。
本文所用的术语“局部”是指从位于怀孕母体腹部上的特定位置的传感器记录的信号。
在一些实施例中,局部特征是在心脏收缩周期期间母体电活动的QRS区段的时间段。
在一些实施例中,局部特征是在心脏收缩周期期间母体电活动的ST区段的时间段。
在一些实施例中,局部特征是在心脏收缩周期期间母体电活动的PR区段的时间段。
在一些实施例中,附加变换包括对滤波N-ECG信号数据进行分解以提高信噪比。在一些实施例中,分解是奇异值分解(SVD)。在一些实施例中,分解是主分量分析(PCA)。在一些实施例中,分解是独立分量分析(ICA)。在一些实施例中,分解是小波分解(CWT)。
在一些实施例中,附加的高通滤波器被应用于分解过滤N-ECG信号数据。在一些实施例中,高通滤波器为5阶、1Hz。在一些实施例中,通过初步和简单的峰值检测器检查分解的N个滤波信号数据。在一些实施例中,计算峰值的相对能量(相对于信号的总能量)。在一些实施例中,根据该测量给予分解的滤波N-ECG信号数据质量得分,排除质量得分小于阈值的分解的滤波N-ECG信号数据,并且检查丢失数据和NaN(非数值的字符)的信号。
在一些实施例中,通过计算关系(峰值的能量)/(滤波N-ECG信号的总能量)来分配质量得分。在一些实施例中,通过计算检测到的峰值的均方根来计算临时峰值的能量。在一些实施例中,通过计算滤波N-ECG信号的均方根来计算信号的能量。
在一些实施例中,阈值为0.3至0.9中的任何值。在一些实施例中,阈值为0.8。
从滤波N-ECG信号数据中检测对应于母体心脏活动的获取信号的部分以及从滤波N-ECG信号数据中消除对应于母体心脏活动的信号
在一些实施例中,检测滤波N-ECG信号数据中的每个滤波N-ECG信号中的母体心率峰值,以及通过利用至少一个非线性减法过程从滤波N-ECG信号数据的每一个滤波N-ECG信号中减去母体心率峰值以获得校正的N-ECG信号数据,该数据包括表示N个校正的ECG信号的数据,其中至少一个非线性减法过程包括:迭代执行:i)自动将滤波N-ECG信号数据的N-ECG信号的每个ECG信号划分为多个ECG信号片段,1)其中多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及2)其中每个搏动间隔至少部分地基于自动检测此搏动间隔的开始值和偏移值来自动确定;ii)自动修改第二多个滤波N-ECG信号片段中的每一个,以形成多个经修改的滤波N-ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中参数组的值基于以下各项进行确定:迭代执行:1)基于成年人的标准心跳曲线来定义全局模板,2)为每个滤波N-ECG信号片段设置用于局部模板的一组暂定值,3)利用至少一个优化方案基于在预定相似度值内与全局模板匹配的局部模板来确定每个滤波N-ECG信号片段的自适应模板;以及iii)通过从滤波N-ECG信号中减去自适应模板以从每个滤波N-ECG信号中自动去除经修改的片段,从而生成每个经校正的ECG信号。
根据本发明的一些实施例的自适应模板的实例在图4、图7和图8中示出。
在一些实施例中,至少基于以下情况执行在滤波N-ECG信号数据中的每个滤波ECG信号中对母体心率峰值的检测:i)将每个滤波ECG信号划分为第一多个ECG信号片段;ii)归一化每个ECG信号片段中的滤波ECG信号;iii)计算每个ECG信号片段中的滤波ECG信号的一阶导数;iv)基于确定一阶导数的零点交叉,在每个ECG信号片段中找到局部母体心率峰值;以及v)排除具有以下情况中的至少一个的局部母体心率峰值:1)绝对值小于预定局部峰值绝对阈值;或2)局部峰值之间的距离小于预定的局部峰值距离阈值。
在一些实施例中,预定的相似度值基于欧几里得距离,其中该组参数是通过以下情况中的至少一个解决的非线性最小二乘问题的局部最小解:1)最小化作为欧几里得距离的成本函数;2)利用高斯牛顿算法;3)利用最速下降(梯度下降)算法;或4)利用莱文贝格-马夸特算法。
在一些实施例中,每个片段的长度设定为10秒。
在一些实施例中,根据记录的长度自动选择每个片段的长度。
在一些实施例中,每个片段中的信号数据由信号数据的绝对最大值归一化。在一些实施例中,每个片段中的信号数据由信号数据的绝对非零最小值归一化。
在一些实施例中,使用一阶前向导数。在一些实施例中,使用一阶中心导数。
在一些实施例中,阈值被选择为0.3的常数值。
在一些实施例中,根据信号数据的局部特征来选择阈值。在一些实施例中,信号的局部特征是信号数据的中值或该值的任何倍增值。在一些实施例中,信号的局部特征是信号数据的平均值或该值的任何倍增值。
在一些实施例中,距离上的阈值被选择为100个样本。
在一些实施例中,信号的局部特征可以是预测RR间期的最大值或该值的任何倍数。
在一些实施例中,从滤波的N-ECG信号数据生成“峰值阵列”。在一些实施例中,峰值阵列包括滤波的N-ECG信号数据的每个片段检测到的峰值的数量。
在一些实施例中,在峰值阵列上执行聚类。在一些实施例中,使用k-均值聚类来将峰值分组成多个聚类。在一些实施例中,使用k-中心点法聚类将峰值分组成多个聚类。
在一些实施例中,用于聚类的聚类数量被设置为三个。在一些实施例中,根据处理的N个滤波信号数据的特征,自动选择用于聚类的聚类的数量。
在一些实施例中,聚类用于排除异常值。在一些实施例中,异常值是具有异常特征的峰值。
在一些实施例中,特征是峰值与其相邻峰值之间的距离。在一些实施例中,特征是峰值的幅度。
在一些实施例中,在排除异常峰值之后构建新的峰值阵列。
在一些实施例中,进一步分析新的峰值阵列,并根据滤波N-ECG信号数据的信噪比对峰值进行评分。
在一些实施例中,通过从处理的N个滤波信号数据的总能量计算QRS复合波的相对能量来计算信噪比得分。
在一些实施例中,每个滤波N-ECG信号数据检测到的峰值被融合以用于更鲁棒的检测。在一些实施例中,使用对滤波N-ECG信号数据的每个峰值给出的得分来完成检测到的峰值的融合。
在一些实施例中,使用融合峰值定义全局峰值阵列。
在一些实施例中,重新检测每个滤波N-ECG信号数据的峰值,并且使用全局峰值阵列来优化位置。在一些实施例中,基于最佳引线(lead)构建全局峰值阵列,使用来自其它引线的峰值进行校正,并使用生理测量(诸如,RR间期、HR、HRV)来检查全局峰值阵列。
在一些实施例中,在定义了峰值之后,进一步变换滤波N-ECG信号数据以消除对应于母体心脏活动的信号。在一些实施例中,变换/校正包括对滤波N-ECG信号数据应用非线性减法。在一些实施例中,剩余数据包括对应于胎儿心脏活动和噪声的信号数据。
在本发明的一些实施例中,对处理的N个滤波信号数据中的每一个分别应用非线性减法过程。在一些实施例中,以任何顺序串行地将非线性减法过程应用于所有处理的N个滤波信号数据。在一些实施例中,非线性减法过程被同时应用于所有处理的N个滤波信号数据。
在一些实施例中,非线性减法包括:将处理的N个滤波信号数据划分成大量的片段;使用逆优化方案单独地或联合地修改每个片段;以及从原始处理的N个滤波信号数据中消除修改的片段,从而获得N个原始胎儿信号数据。
本文所用的术语“分段”是指将经处理的N个滤波信号数据划分成任何给定数量的片段。
在一些实施例中,片段的数量被设置成检测到的母体峰值的数量的函数。在一些实施例中,该函数是恒等函数,使得片段的数量等于检测到的母体峰值的数量,在此情况下,每个片段是完整的心跳。
在一些实施例中,定义搏动间隔。以下使用的术语“搏动间隔”是指单个母体心跳的时间间隔。
在一些实施例中,搏动间隔被认为是恒定的,并且被定义为在R峰位置之前的500毫秒和在R峰位置之后的500毫秒。
在一些实施例中,通过检测每个搏动的搏动开始和搏动偏移来自动检测搏动间隔。因此,搏动间隔取决于局部心率值,并且实现了ECG信号的更准确的分段。
在一些实施例中,搏动间隔开始被定义为P波的开始(即时间的起点)。
在一些实施例中,搏动间隔偏移被定义为T波的偏移(即时间的终点)。
在一些实施例中,当前搏动的搏动间隔开始被定义为前一搏动和当前搏动之间的时间的一半。
在一些实施例中,当前搏动的搏动间隔偏移被定义为当前搏动和下一搏动之间的时间的一半。
在一些实施例中,对先前分段的结果执行第二分段步骤。分段步骤的产物被称为“搏动内片段(in-beat segments)”。
在一些实施例中,搏动内片段的数量被选择为当前搏动中的一个与时间样本数量之间的任何整数。通过非限制性的例子,搏动内片段的数量可以是3。
在一些实施例中,执行自动过程以检测搏动内片段的最佳数量。在一些实施例中,自动过程包括使用分治算法,其中每个片段被分成两个相等的子片段。如果子片段的能量含量超过预定的相对阈值,则子片段本身被递归地划分成两个子片段等。停止标准可以达到子片段的最小长度,达到片段的最大数量或划分成子片段使得它们都满足能量阈值标准。
在某些实施例中,使用熵测量将片段划分成子片段。在这种情况下,每个片段的熵是最小化的。
在一些实施例中,搏动内分段的结果为以下七个片段:
1.从搏动开始到P波开始的等电线;
2.P波;
3.从P波偏移到QRS复合波开始的等电线;
4.QRS复合波;
5.从QRS复合波偏移到T波开始的等电线;
6.T波;以及
7.从T波偏移到搏动偏移的等电线。
在一些实施例中,滤波N-ECG信号数据的大部分能量处于QRS复合波中。因此,在一些实施例中,搏动内片段划分以下三个搏动内片段:
1.从搏动开始到QRS复合波开始;
2.QRS复合波;以及
3.从QRS复合波偏移到搏动偏移。
在一些实施例中,对ECG信号中的每个搏动的QRS复合波的开始和偏移使用专用方法进行自动检测,该方法包括:对滤波N-ECG信号数据应用数字带通滤波器;计算滤波N-ECG信号数据的曲线长度变换;选择高于阈值的数据值;计算变换数据的一阶导数;找出导数数据中的正转换和负转换;找出正-负转换对,使得它们之间的距离在时间样本中高于预选阈值;将QRS复合波的开始设置为来自所选对的正转换的时间位置;以及将QRS复合波的偏移设置为来自所选对的负转换的时间位置。
在一些实施例中,带通滤波器的截止频率分别被设置为低频的5周期/秒和高频的20周期/秒。
在一些实施例中,阈值被设定为0.3的常数值。在一些实施例中,根据曲线长度变换后的数据的局部特征自动计算阈值。在一些实施例中,数据的局部特征是变换数据的平均值。
在一些实施例中,分段还包括附加的互补变换,其包括通过整数值改变信号的采样率。在一些实施例中,附加的互补变换降低了由所选择的片段的开始和偏移的精细位置引起的所得的原始N-ECG胎儿信号数据的变异性。
在一些实施例中,将采样率降低4倍以减少计算时间。另选地,在某些实施例中,采样率增加了4倍。
在一些实施例中,使用内插来提高采样率。在一些实施例中,通过零填充数据,然后应用一组低通FIR滤波器来提高采样率。
在一些实施例中,在分段过程之前完成信号采样率的改变。在一些实施例中,在分段之后完成采样率的改变。在这些实施例中,根据改变采样率之后的信号来优化不同片段所选择的开始和偏移。
在一些实施例中,根据下面描述的后续步骤中的迭代方法的收敛来更新分段。
在一些实施例中,使用非线性参数变换来修改所选择的片段,其中根据某些标准改变预定义参数组的值。
在一些实施例中,根据以下方法来确定和修改预定义参数组的值,该方法包括:为每个滤波N-ECG信号数据、ECG信号以及其片段(以下称为“测量电位”)定义参考向量;以及找到为测量电位结果提供良好拟合的参数组的值。
当适应模板和测量电位之间的差异非常小时,会发生“良好拟合”。在一个实施例中,非常小的定义为10-5或更小。在其它实施例中,“非常小”被定义为10-6或更小、或10-4或更小、或10-7或更小、或为其它10的指数或其它数字。
在一些实施例中,适应模板和测量电位之间的差异是两个向量之间逐元素相减的L2范数。
在一些实施例中,预定义的参数组的值还包括改变时间信号幅度的参数。
在一些实施例中,使用迭代方案来确定参数组的值,其包括:选择起始条件;将暂定值分配给参数组;使用参数组适应模板;将适应模板与测量电位进行比较;检查是否达到停止标准;如果没有达到停止标准,则更新参数组的值,并重复步骤(c)、步骤(d)、步骤(e)和步骤(f)。在一些实施例中,如果达到停止标准,则终止迭代过程,并且将当前参数组视为优化问题的最优解。
在一些实施例中,将起始条件设置为ECG模板。在一些实施例中,定义了两个模板:第一模板是为每个ECG搏动定义的全局模板(例如,参见图7),其中模板被计算为M个搏动的加权平均值。在一些实施例中,M是在2和ECG信号中的总搏动次数之间的整数。在一些实施例中,加权平均值中使用的权重相等地产生正常平均值。在一些实施例中,M个搏动满足每个搏动之间的相关系数应高于阈值的条件。在某些实施例中,将阈值设置为0.98。在一些实施例中,在平均之前,使用R波、QRS开始和QRS偏移的精确位置来移动和精细对准搏动。在一些实施例中,使用互相关函数来完成对准过程。在一些实施例中,M次搏动满足定义为这些搏动的平均值的模板的能量与当前ECG搏动的能量之间的关系界限接近1的条件。然而,在一些实施例中,模板的能量与当前ECG搏动的能量之间的关系以小的值高于1或以小的值小于1。
第二模板是为当前搏动中的每个子片段定义的局部模板(例如,参见图8)。在一些实施例中,模板被计算为M个选择的峰值中的子片段的平均值。在一些实施例中,选择搏动以满足局部心率与当前搏动的局部心率相似的条件。通过非限制性实例,心率值接近1.5倍。
在一些实施例中,暂定值被设置为随机数。在一些实施例中,暂定值被设置为常数;通过非限制性实例,它们被设置为1。
在一些实施例中,在算法的不同执行之间保存暂定值,并且如果可用,使用暂定值。
在一些实施例中,根据分配给模板的适当参数,分别适应不同的模板。在一些实施例中,通过将模板向量与适当的参数组相乘来缩放模板。在一些实施例中,使用适当的参数组在时间上移动模板。
在一些实施例中,使用欧几里得距离来比较两组向量以及来自处理的N个滤波信号数据的适应模板和测量电位。在一些实施例中,成本函数被定义为误差能量函数。
在一些实施例中,使用城市块(city-block)测量比较适应模板与测量电位。
在一些实施例中,使用互相关函数比较适应模板和测量电位。在一些实施例中,“良好拟合”是0.95或更大的相关性。
在一些实施例中,使用最大迭代次数作为停止标准。
在一些实施例中,在使用欧几里得距离作为相似性度量的情况下,将特定迭代处的误差能量函数的值用作停止标准。在一些实施例中,如果误差能量变得低于阈值,则达到停止标准。
在某些实施例中,将阈值设置为恒定的。通过非限制性实例,将其设置为10-5。
在一些实施例中,根据迭代过程的特征来计算阈值。例如,在一些实施例中,迭代过程的特征是允许的迭代的最大数量;在其它实施例中,迭代过程的特征是使用成本函数,例如欧几里得距离函数;以及在其它实施例中,迭代过程的特征是模板中的时间样本数。
在一些实施例中,使用改进度量作为停止标准。
在一些实施例中,将参数组中的改变用作改进度量。在一些实施例中,如果该组参数的值不改变或稍微改变,则满足停止标准。
在一些实施例中,成本函数(例如,误差能量函数)的值的变化被用作改进度量。
在一些实施例中,如果达到停止标准,则应用优化方案来更新参数组的值。
在一些实施例中,当使用欧几里得距离作为相似性度量时,优化问题变成非线性最小二乘问题。在一些实施例中,该问题的解给出最优参数组,其最小化作为欧几里得距离的成本函数。
在一些实施例中,使用高斯牛顿算法来解决非线性最小二乘问题。
在一些实施例中,使用最速下降(梯度下降)方法来解决非线性最小二乘问题。
在一些实施例中,使用莱文贝格-马夸特算法来解决非线性最小二乘问题。在这些实施例中,问题变成阻尼最小二乘问题。莱文贝格-马夸特算法是一种在梯度下降算法和高斯牛顿算法之间内插的方法,其利用两种方法来提高收敛精度并减少收敛时间。
在一些实施例中,梯度下降算法、高斯牛顿算法和莱文贝格-马夸特算法是重复多次的迭代方法,其潜在地将欧几里得距离(误差能量函数)带到局部最小解。
在一些实施例中,使用以下关系来执行更新参数组:
其中Pk是第k次迭代时的参数组;以及
Φc(Pk)是用于Pk参数的模板的适应版本;以及
λi是莱文贝格-马夸特算法中的阻尼参数;以及
Φm是测量电位(测量的ECG信号);以及
JK是通过改变参数的值来为参数组Pk计算的雅可比矩阵;以及
diag是近似的海森矩阵的对角线。
在一些实施例中,通过从测量电位中减去适应模板来实现从N原始信号数据中消除修改的片段。在一些实施例中,减法产生N个原始胎儿信号数据。在一些实施例中,N个原始胎儿信号数据包括噪声和胎儿心脏电活动数据。
在一些实施例中,使用图5所示的算法来消除母体心脏活动。
在一些实施例中,使用图6所示的算法来消除母体心脏活动。
根据本发明的一些实施例的母体ECG消除的代表性结果在图9中示出。
提取胎儿心脏电活动数据和检测胎儿心脏电活动数据
在一些实施例中,通过在(1)滤波N-ECG信号数据和(2)校正N-ECG信号数据上利用盲源分离(BSS)算法来提取和分析原始胎儿ECG信号数据,其中,原始胎儿ECG信号数据包括N个胎儿ECG信号(N-ECG胎儿信号);通过至少一个计算机处理器处理原始胎儿ECG信号数据以便至少通过以下方法提高信噪比:i)在15-65Hz的范围内应用带通滤波器将多个原始N-ECG胎儿信号中分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波胎儿ECG信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据);通过至少一个计算机处理器,至少执行以下步骤来检测滤波的N-ECG胎儿信号数据中的胎儿心率峰值:i)将每个滤波N-ECG胎儿信号划分成第一多个胎儿ECG信号片段;ii)归一化每个胎儿ECG信号片段中的滤波胎儿ECG信号;iii)计算每个胎儿ECG信号片段中的滤波胎儿ECG信号的一阶导数;以及iv)通过至少一个计算机处理器,基于确定一阶导数的零点交叉,在每个胎儿ECG信号片段中找到局部胎儿心率峰值;通过至少一个计算机处理器基于检测到的胎儿心率峰值计算以下中的至少一个:i)胎儿心率,ii)胎儿心脏曲线,iii)搏动间胎儿心率,或iv)胎儿心率变异性;以及通过至少一个计算机处理器输出计算步骤的结果。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在15-65Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在1-70Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在5-70Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在10-70Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比包括:i)在1-65Hz的范围内应用带通滤波器将多个N-ECG胎儿信号分到多个频率信道,ii)基于峰值-平均值分析对每个信道的ECG胎儿信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG胎儿信号;以及iii)将所识别的多个胎儿心跳信道选择为滤波ECG胎儿信号数据,其包括N个滤波胎儿ECG信号(滤波N-ECG胎儿信号数据)。
在一些实施例中,处理原始N-ECG胎儿信号数据以提高信噪比还包括以下中的至少一个:1)利用奇异值分解(SVD)技术;或2)利用小波去噪(WD)技术。
在一些实施例中,在BSS过程中使用所有的原始N-ECG信号数据,使得BSS过程被应用于2N个信号。在其它实施例中,在BSS过程中仅使用部分原始N-ECG信号数据,使得BSS过程被应用在N+1个信号和小于2N个信号之间。
在一些实施例中,使用主分量分析(PCA)作为BSS方法。在一些实施例中,使用独立分量分析(ICA)作为BSS方法。
在一些实施例中,进一步分析BSS过程的结果以提高信号的信噪比。在一些实施例中,进一步的分析包括在15-65周期/秒的范围内的带通滤波器。在一些实施例中,进一步的分析包括应用奇异值分解(SVD)。在一些实施例中,进一步的分析包括应用小波去噪。
在一些实施例中,进一步的分析包括应用“峰值-平均值”变换,在一些版本中该变换是在单独的软件模块中,其包括:
a.使用移动窗口(win)计算关系:以及
b.计算步骤a的结果的一阶导数;以及
c.找到零交叉点以找到峰值,取代导数的负部分;以及
d.找到先前结果中的峰值,并根据它们之间的差异进行聚类。识别最佳组作为具有最大得分的组,其得分定义为:SCR=n/RMS,其中n是每个聚类中的峰值数,RMS是峰值之间距离的导数的能量;以及
e.对最佳组的RR间期进行预测;以及
f.如果预测不符合胎儿RR间期的实际生理模型,则忽略当前信号,然后在下一个信号开始时开始处理(即,使用移动窗口来计算关系);以及
g.如果预测符合胎儿RR的实际生理模型,则计算信号的窗口RMS的自动相关函数。如果结果具有窄分布,则忽略当前信号,以及如果结果不具备窄分布,则按如下步骤进行:
h.将AGC应用于负导数信号;以及
i.归一化结果。
在某些实施例中,将上述“峰值-平均值变换”分别应用到每个信号(即,2N个信号中的每一个信号或在N+1和小于2N个信号中的每一个信号)。
在一些实施例中,执行胎儿心跳检测。例如,在一些实施例中,在进一步分析之前对N个原始胎儿信号数据进行胎儿峰值检测过程,以及在其它实施例中,对进一步分析的结果进行胎儿峰值检测过程。
在一些实施例中,分析包括:将N个滤波胎儿信号数据划分成段;归一化每个片段中的信号数据;计算归一化信号数据的一阶导数;通过确定一阶导数的零点交叉来识别归一化信号数据内的胎儿ECG峰值;排除其绝对值小于用户预先选择的阈值的峰值;以及排除它们之间的距离小于阈值的非常接近的峰值,从而获得处理的N个滤波胎儿信号数据。
在一些实施例中,每个片段的长度设定为10秒。
在一些实施例中,根据记录的长度自动选择每个片段的长度。
在一些实施例中,每个片段中的信号数据由信号数据的绝对最大值归一化。在一些实施例中,每个片段中的信号数据由信号数据的绝对非零最小值归一化。
在一些实施例中,使用一阶前向导数。在一些实施例中,使用一阶中心导数。
在一些实施例中,阈值被选择为0.3的常数值。
在一些实施例中,根据信号数据的局部特征来选择阈值。在一些实施例中,信号的局部特征是信号数据的中值或该值的任何倍增值。在一些实施例中,信号的局部特征是信号数据的平均值或该值的任何倍增值。
在一些实施例中,距离上的阈值被选择为100个样本。
在一些实施例中,信号的局部特征可以是预测RR间期的最大值或该值的任何倍数。
在一些实施例中,从滤波的N-ECG胎儿信号数据生成“峰值阵列”。在一些实施例中,峰值阵列包括滤波的N-ECG胎儿信号数据的每个片段检测到的峰值的数量。
在一些实施例中,在峰值阵列上执行聚类。在一些实施例中,使用k均值聚类来将峰值分组成多个聚类。在一些实施例中,使用k-中心点法聚类将峰值分组成多个聚类。
在一些实施例中,用于聚类的聚类数量被设置为三个。在一些实施例中,根据滤波的N-ECG胎儿信号数据的特征,自动选择用于聚类的聚类的数量。
在一些实施例中,聚类用于排除异常值。在一些实施例中,异常值是具有异常特征的峰值。
在一些实施例中,特征是峰值与其相邻峰值之间的距离。在一些实施例中,特征是峰值的幅度。
在一些实施例中,在排除异常峰值之后构建新的峰值阵列。
在一些实施例中,进一步分析新的峰值阵列,并根据滤波N-ECG胎儿信号数据的信噪比对峰值进行评分。
在一些实施例中,通过从滤波的N-ECG胎儿信号数据的总能量计算QRS复合波的相对能量来计算信噪比得分。
在一些实施例中,每个滤波N-ECG胎儿信号数据检测到的峰值被融合以用于更鲁棒的检测。在一些实施例中,使用对滤波N-ECG胎儿信号数据的每个峰值给出的得分来完成检测到的峰值的融合。
在一些实施例中,使用融合峰值定义全局峰值阵列。
在一些实施例中,重新检测每个滤波N-ECG胎儿信号数据的峰值,并且使用全局峰值阵列来优化位置。在一些实施例中,基于最佳引线构建全局峰值阵列,使用来自其它引线的峰值进行校正,并使用生理测量(诸如,RR间期、HR、HRV)来检查全局峰值阵列。
在一些实施例中,从检测的胎儿峰值位置提取搏动间胎儿心率。在一些实施例中,也从检测的胎儿峰值位置提取胎儿心脏曲线。
通过以下实例(但不限于)进一步说明本发明。
实例
实例1:根据本发明的一些实施例的算法设计
表1
表2
表3
表4
表5
表6
表7
表8
整个本文中引用的公开据此全文以引用的方式并入。尽管通过以上参考实例和优选实施例已经说明了本发明的各个方面,但是应当理解,本发明的范围不是由前述内容而是由专利法原则下适当解释的所附权利要求书限定的。
Claims (22)
1.一种计算机实施的方法,其包括:
通过执行为所述方法配置的特定可编程指令的至少一个计算机处理器实时接收从至少一对ECG传感器得到的表示N个原始心电图(ECG)信号的原始N-ECG信号数据;
其中所述至少一对ECG传感器中的ECG传感器定位在携带至少一个胎儿的女性的腹部上;
通过所述至少一个计算机处理器数字信号过滤所述原始N-ECG信号数据的原始N-ECG信号,以获得表示滤波N-ECG信号的滤波N-ECG信号数据;
通过所述至少一个计算机处理器检测所述滤波N-ECG信号数据的每个滤波ECG信号中的母体心率峰值;
通过所述至少一个计算机处理器,利用至少一个非线性减法过程从所述滤波N-ECG信号数据的每个滤波ECG信号中减去所述女性的母体ECG信号以获得表示N个校正的ECG信号的校正的N-ECG信号数据,其中所述至少一个非线性减法过程包括:
迭代执行:
i)将所述滤波N-ECG信号数据的每个滤波ECG信号自动划分为第一多个ECG信号片段,
1)其中所述第一多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及
2)其中每个搏动间隔至少部分地基于根据每个ECG信号片段中检测的母体心率峰值自动检测所述搏动间隔的开始值和偏移值来自动确定;
ii)自动修改所述第一多个ECG信号片段中的每一个ECG信号片段,以形成多个经修改的ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行所述修改,其中
所述参数组的值基于以下方式进行确定:
迭代执行:
1)基于成年人的标准心跳曲线来定义全局模板;
2)为每个ECG信号片段设置用于局部模板的一组暂定值;
3)利用至少一个优化方案基于在预定相似度值内与所述全局模板匹配的所述局部模板来确定每个ECG信号片段的自适应模板;以及
4)利用所述自适应模板确定所述参数组的值;以及
iii)通过从所述滤波ECG信号中减去所述自适应模板以从所述滤波N-ECG信号数据的每个滤波ECG信号中自动去除所述多个经修改的片段,从而生成所述校正的N-ECG信号数据的每个校正的ECG信号;
通过所述至少一个计算机处理器基于所述校正的N-ECG信号数据从所述滤波N-ECG信号数据中提取原始胎儿N-ECG信号数据,其中所述原始胎儿N-ECG信号数据表示N个原始胎儿ECG信号;
通过所述至少一个计算机处理器处理原始胎儿N-ECG信号数据以提高原始胎儿N-ECG信号的信噪比,从而形成滤波胎儿N-ECG信号数据;
通过所述至少一个计算机处理器在所述滤波胎儿N-ECG信号数据中检测胎儿心率峰值;
通过所述至少一个计算机处理器,基于检测的胎儿心率峰值计算以下各项中的至少一个:
i)胎儿心率,
ii)胎儿心脏曲线,
iii)搏动间胎儿心率,以及,
iv)胎儿心率变异性;以及
通过所述至少一个计算机处理器输出所述计算步骤的结果。
2.根据权利要求1所述的方法,其中所述数字信号滤波包括以下各项中的至少一个:
i)基线漂移滤波,
ii)功率线频率滤波,
iii)高频滤波,以及
iv)数字自适应逆中值滤波。
3.根据权利要求1所述的方法,其中所述方法还包括:
在所述检测所述滤波N-ECG信号数据的每个滤波ECG信号中的所述母体峰值之前,用至少一种分解技术通过所述至少一个计算机处理器处理所述滤波N-ECG信号数据,其中所述至少一种分解技术选自由以下各项组成的组:
a)奇异值分解(SVD),
b)主分量分析(PCA),
c)独立分量分析(ICA),
d)小波分解(CWT),以及
e)其任何组合。
4.根据权利要求1所述的方法,其中所述在所述滤波N-ECG信号数据的每个滤波ECG信号中检测所述母体心率峰值至少基于以下步骤执行:
i)将每个滤波ECG信号划分为第二多个ECG信号片段;
ii)归一化所述第二多个ECG信号片段的每个ECG信号片段中的对应的滤波ECG信号;
iii)计算所述第二多个ECG信号片段的每个ECG信号片段中的所述对应的滤波ECG信号的一阶导数;
iv)基于确定一阶导数的零点交叉,在所述第二多个ECG信号片段的每个ECG信号片段中找到局部母体心率峰值;以及
v)排除具有以下情况中的至少一个的所述局部母体心率峰值:
1)绝对值小于预定局部峰值绝对阈值;或
2)所述局部母体心率峰值之间的距离小于预定的局部峰值距离阈值。
5.根据权利要求1所述的方法,其中所述预定的相似度值是欧几里得距离,其中所述至少一个优化方案是通过以下情况中的至少一个解决的非线性最小二乘问题:
1)最小化作为所述欧几里得距离的成本函数;
2)利用高斯牛顿算法;或者
3)利用最速下降(梯度下降)算法;或
4)利用莱文贝格-马夸特算法。
6.根据权利要求1所述的方法,其中所述处理所述原始N-ECG胎儿信号数据以提高信噪比包括:
i)在15-65Hz的范围内利用带通滤波器将所述原始胎儿N-ECG信号分到多个频率滤波信道,
ii)基于峰值-平均值分析对每个频率滤波信道的胎儿ECG信号进行评分以识别多个胎儿心跳信道,其中每个所述胎儿心跳信道对应于特定的胎儿ECG信号;以及
iii)将识别的多个胎儿心跳信道选择为表示N个滤波胎儿ECG信号的滤波胎儿N-ECG信号数据。
7.根据权利要求6所述的方法,其中处理所述原始胎儿N-ECG信号数据以提高所述信噪比还至少包括以下中的一种:
1)利用奇异值分解(SVD)技术;以及
2)利用小波去噪(WD)技术。
8.一种计算机实施的方法,其包括:
通过执行为所述方法配置的特定可编程指令的至少一个计算机处理器从至少一对ECG传感器实时接收表示N个原始心电图(ECG)信号的原始N-ECG信号数据;
其中所述至少一对ECG传感器中的ECG传感器定位在携带至少一个胎儿的女性的腹部上;
通过所述至少一个计算机处理器数字信号过滤所述原始N-ECG信号数据的原始ECG信号,以获得表示滤波N-ECG信号的滤波N-ECG信号数据,其中所述数字信号滤波包括以下各项中的至少一种:
i)基线漂移滤波;
ii)电力线频率滤波;
iii)高频滤波;以及
iv)数字自适应反中值滤波;
通过所述至少一个计算机处理器,执行至少以下步骤来检测所述滤波N-ECG信号数据的每个滤波ECG信号中的母体心率峰值;
i)将每个滤波ECG信号划分为第一多个ECG信号片段;
ii)归一化所述第一多个ECG信号片段的每个ECG信号片段中的对应的滤波ECG信号;
iii)计算所述第一多个ECG信号片段的每个ECG信号片段中的对应滤波ECG信号的一阶导数;
iv)基于确定一阶导数的零点交叉,在所述第一多个ECG信号片段的每个ECG信号片段中找到局部母体心率峰值;以及
v)排除具有以下情况中的至少一个的所述局部母体心率峰值:
1)绝对值小于预定局部峰值绝对阈值;或
2)局部母体心率峰值之间的距离小于预定的局部峰值距离阈值;
通过所述至少一个计算机处理器,利用至少一个非线性减法过程从所述滤波N-ECG信号数据的每个滤波ECG信号中减去所述女性的母体ECG信号以获得表示N个校正的ECG信号的校正的N-ECG信号数据,
其中所述至少一个非线性减法过程包括:
迭代执行:
i)将所述滤波N-ECG信号数据的每个滤波ECG信号自动划分为第二多个ECG信号片段,
1)其中所述第二多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔;
2)其中每个搏动间隔至少部分地基于自动检测所述搏动间隔的开始值和偏移值来自动确定,以及
3)其中自动检测每个搏动间隔的开始值和偏移值至少部分地基于:
c)每个P波的开始,
d)每个T波的偏移,以及
e)搏动内分段;
ii)自动修改所述第二多个ECG信号片段中的每一个ECG信号片段,
迭代执行:
1)基于成年人的标准心跳曲线来定义全局模板;
2)为每个ECG信号片段设置用于局部模板的一组暂定值;以及
3)利用至少一个优化方案基于在预定相似度值内与所述全局模板匹配的所述局部模板来确定每个ECG信号片段的自适应模板;以及
4)利用所述自适应模板来确定所述参数组的值;以及
iii)通过从所述滤波ECG信号中减去所述自适应模板以从所述滤波N-ECG信号数据的每个滤波ECG信号自动去除所述多个经修改的片段,从而生成每个经校正的ECG信号,从而产生所述校正的N-ECG信号数据;
利用所述至少一个计算机处理器,通过在(1)所述滤波N-ECG信号数据和(2)所述校正N-ECG信号数据上利用盲源分离(BSS)算法来提取原始胎儿N-ECG信号数据,其中所述原始胎儿N-ECG信号数据表示N个原始胎儿ECG信号;
通过所述至少一个计算机处理器处理所述原始胎儿N-ECG信号数据以便至少通过以下步骤提高信噪比,
i)在15-65Hz的范围内利用带通滤波器将所述原始胎儿N-ECG信号分到多个频率滤波信道,
ii)基于峰值-平均值分析对每个频率滤波信道的胎儿ECG信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG信号;以及
iii)将识别的多个胎儿心跳信道选择为表示N个滤波胎儿ECG信号的滤波胎儿N-ECG信号数据;
通过所述至少一个计算机处理器,执行至少以下步骤以在所述滤波胎儿N-ECG信号数据中检测胎儿心率峰值;
i)将每个滤波胎儿ECG信号划分为第一多个胎儿ECG信号片段;
ii)归一化每个胎儿ECG信号片段中的对应的滤波胎儿ECG信号;
iii)计算每个胎儿ECG信号片段中的所述对应的滤波胎儿ECG信号的一阶导数;以及
iv)基于确定所述一阶导数的零点交叉,在每个所述胎儿ECG信号片段中找到局部胎儿心率峰值;
通过所述至少一个计算机处理器,基于检测的胎儿心率峰值计算以下各项中的至少一个:
i)胎儿心率,
ii)胎儿心脏曲线,
iii)搏动间胎儿心率,以及
iv)胎儿心率变异性;以及
通过所述至少一个计算机处理器输出计算步骤的结果。
9.根据权利要求8所述的方法,其中所述基线漂移滤波包含利用以下各项中的至少一种:
1)具有恒定权重的移动平均滤波器,以及
2)移动中值滤波器。
10.根据权利要求8所述的方法,其中所述电力线频率滤波包含利用以下各项中的至少一种:
1)带阻数字滤波器;以及
2)数字自适应滤波器。
11.根据权利要求8所述的方法,其中所述高频滤波包含利用以下各项中的至少一种:
1)数字低通滤波器;
2)70周期/秒的截止频率
3)平滑滤波器;以及
4)边缘保留滤波器。
12.根据权利要求11所述的方法,其中所述边缘保留滤波器是以下各项中的一种:
a)自适应均值滤波器;以及
b)自适应中值滤波器。
13.根据权利要求8所述的方法,其中所述数字自适应反中值滤波包含利用自适应中值滤波器,其具有以下长度:
1)常数值,或
2)根据所述原始N-ECG信号数据的至少一个局部特征进行调整。
14.根据权利要求13所述的方法,其中所述至少一个局部特征是以下各项中的至少一个持续时间:
a)QRS复合波;
b)ST区段;或
c)PR间期。
15.根据权利要求8所述的方法,其中所述方法进一步包括:
在检测所述滤波N-ECG信号数据的每个滤波ECG信号中的母体峰值之前,用至少一种分解技术通过所述至少一个计算机处理器处理所述滤波N-ECG信号数据,其中所述至少一种分解技术选自由以下各项组成的组:
a)奇异值分解(SVD);
b)主分量分析(PCA);
c)独立分量分析(ICA);
d)小波分解(CWT),以及
e)其任何组合。
16.根据权利要求8所述的方法,其中所述预定的相似度值是欧几里得距离,其中所述至少一种优化方案是通过以下情况中的至少一个解决的非线性最小二乘问题:
1)最小化作为欧几里得距离的成本函数;
2)利用高斯牛顿算法;
3)利用最速下降(梯度下降)算法;或
4)利用莱文贝格-马夸特算法。
17.根据权利要求8所述的方法,其中处理所述原始胎儿N-ECG信号数据以提高信噪比还包括以下各项中的至少一种:
1)利用奇异值分解(SVD)技术;以及
2)利用小波去噪(WD)技术。
18.根据权利要求8所述的方法,其中所述至少一对ECG传感器中的每个ECG传感器选自由以下各项组成的组:至少一个湿接触ECG电极以及至少一个干接触ECG电极。
19.根据权利要求8所述的方法,其中在所述搏动内分段中的多个搏动内片段基于利用以下各项中的至少一个:
1)分治算法;以及
2)数字带通滤波器。
20.根据权利要求19所述的方法,其中所述搏动内片段:
1)从特定搏动间隔的开始值到QRS复合波的开始限定的第一搏动内片段;
2)限定为所述QRS复合波的第二搏动内片段;以及
3)从所述QRS复合波的偏移到所述特定搏动间隔的偏移值的第三搏动内片段。
21.一种专门编程的计算机系统,其包括:
至少一个专用计算机机器,该计算机机器包括:
非暂态存储器,其电子地存储特定的计算机可执行程序代码;以及
至少一个计算机处理器,其在执行所述特定程序代码时变成专门编程的计算处理器,其被配置成至少执行以下操作:
实时接收从至少一对ECG传感器得到的表示N个原始心电图(ECG)信号的原始N-ECG信号数据;
其中所述至少一对ECG传感器中的ECG传感器定位在携带至少一个胎儿的女性的腹部上;
数字信号过滤所述原始N-ECG信号数据的所述原始N-ECG信号,以获得表示滤波N-ECG信号的滤波N-ECG信号数据;
检测所述滤波N-ECG信号数据的每个滤波ECG信号中的母体心率峰值;
通过利用至少一个非线性减法过程从所述滤波N-ECG信号数据的每一个滤波N-ECG信号中减去所述女性的母体ECG信号以获得表示N个校正的ECG信号的校正的N-ECG信号数据,其中所述至少一个非线性减法过程包括:
迭代执行:
i)将所述滤波N-ECG信号数据的每个滤波ECG信号自动划分为第一多个ECG信号片段,
1)其中所述第一多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔,以及
2)其中每个搏动间隔至少部分地基于根据每个ECG信号片段中检测的母体心率峰值自动检测搏动间隔的开始值和偏移值来自动确定;
ii)自动修改所述第一多个ECG信号片段中的每一个ECG信号片段,以形成多个经修改的ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行修改,其中所述参数组的值基于以下进行确定:
迭代执行:
1)基于成年人的标准心跳曲线来定义全局模板;
2)为每个ECG信号片段设置用于局部模板的一组暂定值;以及
3)利用至少一个优化方案基于在预定相似度值内与所述全局模板匹配的所述局部模板来确定每个ECG信号片段的自适应模板;以及
4)利用所述自适应模板来确定所述参数组的值;以及
iii)通过从所述滤波ECG信号中减去所述自适应模板以从所述滤波N-ECG信号数据的每个滤波ECG信号中自动去除所述多个经修改的片段,从而生成所述校正的N-ECG信号数据的每个经校正的ECG信号;
基于所述校正的N-ECG信号数据从所述滤波N-ECG信号数据中提取原始胎儿N-ECG信号数据,其中所述原始胎儿N-ECG信号数据表示N个原始胎儿ECG信号;
处理所述原始胎儿N-ECG信号数据以提高所述原始胎儿N-ECG信号的信噪比,从而形成滤波胎儿N-ECG信号数据;
在所述滤波胎儿N-ECG信号数据中检测胎儿心率峰值;
基于所述检测的胎儿心率峰值计算以下各项中的至少一个:
i)胎儿心率;
ii)胎儿心脏曲线;
iii)搏动间胎儿心率;或者
iv)胎儿心率变异性;以及
输出计算操作的结果。
22.一种专门编程的计算机系统,其包括:
至少一个专用计算机机器,该计算机机器包括:
非暂态存储器,其电子地存储特定的计算机可执行程序代码;以及
至少一个计算机处理器,其在执行所述特定程序代码时变成专门编程的计算处理器,其被配置成至少执行以下操作:
实时接收从至少一对ECG传感器得到的表示N个原始心电图(ECG)信号的原始N-ECG信号数据;
其中所述至少一对ECG传感器中的所述ECG传感器定位在携带至少一个胎儿的女性的腹部上;
数字信号过滤所述原始N-ECG信号数据的所述原始ECG信号,以获得表示滤波N-ECG信号的滤波N-ECG信号数据,其中所述数字信号滤波包括以下各项中的至少一种:
i)基线漂移滤波;
ii)电力线频率滤波;
iii)高频滤波;以及
iv)数字自适应反中值滤波;
通过执行至少以下步骤,检测所述滤波N-ECG信号数据的每个滤波ECG信号中的母体心率峰值;
i)将每个滤波ECG信号划分为第一多个ECG信号片段;
ii)归一化所述第一多个ECG信号片段的每个ECG信号片段中的对应的滤波ECG信号;
iii)计算所述第一多个ECG信号片段的每个ECG信号片段中的所述对应的滤波ECG信号的一阶导数;
iv)基于确定所述一阶导数的零点交叉,在所述第一多个ECG信号片段的每个ECG信号片段中找到局部母体心率峰值;以及
v)排除具有以下情况中的至少一个的所述局部母体心率峰值:
1)绝对值小于预定局部峰值绝对阈值;或
2)局部母体心率峰值之间的距离小于预定的局部峰值距离阈值;
通过利用至少一个非线性减法过程从所述滤波N-ECG信号数据的每个滤波ECG信号中减去所述女性的母体ECG信号以获得表示N个校正的ECG信号的校正的N-ECG信号数据,其中所述至少一个非线性减法过程包括:
迭代执行:
i)将所述滤波N-ECG信号数据的每个滤波ECG信号自动划分为第二多个ECG信号片段;
1)其中所述第二多个ECG信号片段中的每个ECG信号片段对应于完整心跳的搏动间隔;
2)其中每个搏动间隔至少部分地基于自动检测搏动间隔的开始值和偏移值来自动确定;以及
3)其中自动检测每个搏动间隔的所述开始值和所述偏移值至少部分地基于:
a)在每个ECG信号片段中检测到多个所述母体峰值;
b)以整数改变的每个滤波ECG信号的采样率;
c)每个P波的开始;
d)每个T波的偏移;或者
e)搏动内分段;
ii)自动修改所述第二多个ECG信号片段中的每一个ECG信号片段,以形成多个经修改的ECG信号片段,其中使用基于一组参数的至少一个逆优化方案来执行所述修改,其中
所述参数组的值基于以下方式进行确定:
迭代执行:
1)基于成年人的标准心跳曲线来定义全局模板;
2)为每个ECG信号片段设置用于局部模板的一组暂定值;以及
3)利用至少一个优化方案基于在预定相似度值内与所述全局模板匹配的所述局部模板来确定每个ECG信号片段的自适应模板;以及
4)利用所述自适应模板来确定所述参数组的值;以及
iii)通过从所述滤波ECG信号中减去所述自适应模板以从所述滤波N-ECG信号数据的每个滤波ECG信号中自动去除所述多个经修改的片段,从而生成所述校正的N-ECG信号数据的每个经校正的ECG信号;
通过在(1)所述滤波N-ECG信号数据和(2)所述校正N-ECG信号数据上利用盲源分离(BSS)算法来提取原始胎儿N-ECG信号数据,其中,所述原始胎儿N-ECG信号数据表示N个原始胎儿ECG信号;
处理所述原始胎儿N-ECG信号数据以便至少通过以下步骤提高信噪比:
i)在15-65Hz的范围内利用带通滤波器将所述原始胎儿N-ECG信号分到多个频率过滤信道,
ii)基于峰值-平均值分析对每个频率滤波信道的胎儿ECG信号进行评分以识别多个胎儿心跳信道,其中每个胎儿心跳信道对应于特定的胎儿ECG信号;以及
iii)将识别的多个胎儿心跳信道选择为表示N个滤波胎儿ECG信号的滤波胎儿N-ECG信号数据;
通过执行至少以下步骤在所述滤波胎儿N-ECG信号数据中检测胎儿心率峰值;
i)将每个滤波胎儿ECG信号划分为第一多个胎儿ECG信号片段;
ii)归一化每个胎儿ECG信号片段中的对应的滤波胎儿ECG信号;
iii)计算每个胎儿ECG信号片段中的所述对应的滤波胎儿ECG信号的一阶导数;以及
iv)基于确定所述一阶导数的零点交叉,在每个胎儿ECG信号片段中找到局部胎儿心率峰值;
基于所述检测到的胎儿心率峰值计算以下各项中的至少一个:
i)胎儿心率;
ii)胎儿心脏曲线;
iii)搏动间胎儿心率;或者
iv)胎儿心率变异性;以及
输出计算操作的结果。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562131122P | 2015-03-10 | 2015-03-10 | |
US62/131,122 | 2015-03-10 | ||
US14/921,489 | 2015-10-23 | ||
US14/921,489 US9392952B1 (en) | 2015-03-10 | 2015-10-23 | Systems, apparatus and methods for sensing fetal activity |
PCT/IB2016/000389 WO2016142780A1 (en) | 2015-03-10 | 2016-03-10 | Systems, apparatus and methods for sensing fetal activity |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107405096A CN107405096A (zh) | 2017-11-28 |
CN107405096B true CN107405096B (zh) | 2019-07-12 |
Family
ID=56381470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680012051.3A Active CN107405096B (zh) | 2015-03-10 | 2016-03-10 | 用于感测胎儿活动的系统、装置和方法 |
Country Status (9)
Country | Link |
---|---|
US (5) | US9392952B1 (zh) |
EP (1) | EP3267884B1 (zh) |
KR (1) | KR101900641B1 (zh) |
CN (1) | CN107405096B (zh) |
AU (1) | AU2016230825B2 (zh) |
CA (1) | CA2979135C (zh) |
DK (1) | DK3267884T3 (zh) |
ES (1) | ES2895642T3 (zh) |
WO (1) | WO2016142780A1 (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10456074B2 (en) | 2014-10-29 | 2019-10-29 | Bloom Technologies NV | Method and device for contraction monitoring |
US11534104B2 (en) | 2014-10-29 | 2022-12-27 | Bloom Technologies NV | Systems and methods for contraction monitoring and labor detection |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
US10499844B2 (en) | 2016-07-01 | 2019-12-10 | Bloom Technologies NV | Systems and methods for health monitoring |
CN206507866U (zh) * | 2016-12-06 | 2017-09-22 | 台达电子工业股份有限公司 | 马桶座装置及支持装置 |
CN106580309A (zh) * | 2016-12-09 | 2017-04-26 | 北京工业大学 | 一种胎儿心电检测电路系统 |
US11207017B2 (en) * | 2016-12-13 | 2021-12-28 | King Abdullah University Of Science And Technology | System and method for non-invasive extraction of fetal electrocardiogram signals |
CN110650681B (zh) | 2017-05-15 | 2023-08-15 | 布鲁姆技术公司 | 用于监测胎儿健康的系统和方法 |
WO2019016759A1 (en) | 2017-07-19 | 2019-01-24 | Bloom Technologies NV | MONITORING UTERINE ACTIVITY AND ASSESSING A RISK OF BIRTH BEFORE TERM |
BR112020003490A2 (pt) * | 2017-08-23 | 2020-08-25 | Koninklijke Philips N.V. | método de detecção de movimentos fetais, dispositivo para detecção de movimentos fetais e mídia legível por computador não transitória |
CN108507607B (zh) * | 2018-02-09 | 2020-07-03 | 中国科学院国家空间科学中心 | 一种基于核函数的微弱信号检测方法 |
US11877834B2 (en) | 2018-02-12 | 2024-01-23 | Nuvo Group Ltd. | Systems, apparatuses and methods for sensing fetal activity |
CN109146006B (zh) * | 2018-10-23 | 2021-12-10 | 上海交通大学 | 模板库结合非线性模板匹配胎心率提取方法 |
CN111772627B (zh) * | 2019-04-04 | 2023-08-15 | 中山大学 | 一种在线胎儿心电信号提取装置及方法 |
CN111772617B (zh) * | 2019-04-04 | 2023-08-04 | 成都心吉康科技有限公司 | Ecg显示滤波方法、装置及存储介质 |
CN110151156B (zh) * | 2019-04-07 | 2021-10-29 | 西安电子科技大学 | 一种基于窗内自动加权平均算法的胎心率提取方法及系统 |
WO2020214812A1 (en) * | 2019-04-16 | 2020-10-22 | GE Precision Healthcare LLC | Multi-sensor patch |
EP3730058A1 (en) * | 2019-04-24 | 2020-10-28 | Koninklijke Philips N.V. | Fetal ultrasound processing unit for separating heart rate signals |
WO2020242334A1 (en) * | 2019-05-24 | 2020-12-03 | Autonomous Non-Profit Organization For Higher Education "Skolkovo Institute Of Science And Technology" | System and method of automated electrocardiogram analysis and interpretation |
US11826129B2 (en) | 2019-10-07 | 2023-11-28 | Owlet Baby Care, Inc. | Heart rate prediction from a photoplethysmogram |
US20210128007A1 (en) * | 2019-10-31 | 2021-05-06 | Tencent America LLC | Method and apparatus for filtering electrocardiogram signal |
CA3170821A1 (en) * | 2020-02-05 | 2021-08-12 | Nuvo Group Ltd. | Fusion signal processing for maternal uterine activity detection |
US11744501B2 (en) | 2020-05-07 | 2023-09-05 | GE Precision Healthcare LLC | Multi-sensor patch |
TWI742693B (zh) * | 2020-05-26 | 2021-10-11 | 國立中正大學 | 感測器安裝最佳化裝置及其方法 |
CN111938627B (zh) * | 2020-08-10 | 2022-04-19 | 浙江工业大学 | 一种滤除心磁信号基线漂移的方法 |
CN112716525B (zh) * | 2021-04-06 | 2021-08-10 | 深圳市理邦精密仪器股份有限公司 | 胎儿心率的处理方法、装置及可读存储介质 |
CN113303813A (zh) * | 2021-05-12 | 2021-08-27 | 西安电子科技大学 | 一种轻量级心电信号噪声去除及qrs波形检测方法 |
US20220409143A1 (en) * | 2021-06-28 | 2022-12-29 | Pacesetter, Inc. | Method and system for optimizing filter settings of an implantable medical device |
CN116458864B (zh) * | 2023-06-19 | 2023-08-11 | 深圳大学 | 一种智能胎儿健康预警系统 |
CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1334709A (zh) * | 1998-12-22 | 2002-02-06 | 内文塔医药公司 | 用于降低胎儿ecg信号中的信号噪声的装置 |
CN103222862A (zh) * | 2013-04-23 | 2013-07-31 | 江苏矽望电子科技有限公司 | 基于声学传感器的被动式胎心监护系统 |
CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
WO2014192002A1 (en) * | 2013-06-01 | 2014-12-04 | Healthwatch Ltd. | Wearable fetal monitoring system having textile electrodes |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4781200A (en) * | 1985-10-04 | 1988-11-01 | Baker Donald A | Ambulatory non-invasive automatic fetal monitoring system |
IL82698A0 (en) * | 1987-05-29 | 1987-11-30 | Univ Ramot | Method and apparatus for indicating repetition intervals of a specified component of a composite electrical signal,particularly useful for displaying fetal r-waves |
US5042499A (en) * | 1988-09-30 | 1991-08-27 | Frank Thomas H | Noninvasive electrocardiographic method of real time signal processing for obtaining and displaying instantaneous fetal heart rate and fetal heart rate beat-to-beat variability |
US6171263B1 (en) * | 1994-11-24 | 2001-01-09 | The Institute Of Respiratory Medicine Limited | Foetal circulatory impedance monitor |
US5666959A (en) * | 1995-08-30 | 1997-09-16 | British Technology Group Limited | Fetal heart rate monitoring |
US5758654A (en) * | 1996-08-29 | 1998-06-02 | Harley Street Software Ltd. | ECG P QRS T onset and peak detection method |
US5749831A (en) * | 1997-06-23 | 1998-05-12 | Baker; Donald A. | Fetal cardiac monitoring utilizing umbilical blood flow parameters and heartbeat information |
US6751498B1 (en) * | 1999-03-15 | 2004-06-15 | The Johns Hopkins University | Apparatus and method for non-invasive, passive fetal heart monitoring |
GB0123772D0 (en) * | 2001-10-03 | 2001-11-21 | Qinetiq Ltd | Apparatus for monitoring fetal heartbeat |
US7333850B2 (en) * | 2004-05-28 | 2008-02-19 | University Of Florida Research Foundation, Inc. | Maternal-fetal monitoring system |
KR100630341B1 (ko) * | 2004-12-31 | 2006-09-29 | 학교법인연세대학교 | 산모 복부 심전도로부터 태아 심전도 분리 장치 및 방법 |
JP4590554B2 (ja) * | 2005-01-31 | 2010-12-01 | 国立大学法人東北大学 | 心電図信号処理方法および心電図信号処理装置 |
US7474915B2 (en) * | 2005-07-26 | 2009-01-06 | American University Of Sharjah And Arab Science And Technology Foundation | Separating mixed signals containing a distorted signal |
PL2185068T3 (pl) * | 2007-07-20 | 2017-06-30 | Stichting Voor De Technische Wetenschappen | Monitorowanie płodu |
WO2009110051A1 (ja) * | 2008-03-03 | 2009-09-11 | 株式会社 東北テクノアーチ | 胎動時にも有効なオンライン生体信号処理方法およびその装置 |
JP2011516238A (ja) * | 2008-04-15 | 2011-05-26 | タフツ メディカル センター インコーポレイテッド | 胎児ecgモニタリング |
US9408549B2 (en) * | 2009-11-03 | 2016-08-09 | Vivaquant Llc | Detecting fiducial points in physiological signals |
US8632465B1 (en) * | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
US9414786B1 (en) * | 2009-11-03 | 2016-08-16 | Vivaquant Llc | ECG sensing with noise filtering |
KR101029386B1 (ko) | 2010-04-16 | 2011-04-13 | 계명대학교 산학협력단 | 실시간 심전도 모니터링 시스템을 위한 큐알에스 검출 방법 |
US9717412B2 (en) * | 2010-11-05 | 2017-08-01 | Gary And Mary West Health Institute | Wireless fetal monitoring system |
WO2012102040A1 (ja) * | 2011-01-25 | 2012-08-02 | 公立大学法人奈良県立医科大学 | 胎児心電位信号抽出プログラム、胎児心電位信号判別装置及びこれを用いた妊婦見守りシステム |
KR101245445B1 (ko) * | 2011-04-29 | 2013-03-19 | 가톨릭대학교 산학협력단 | Ecg 신호에서의 r-피크 검출 방법 및 그 장치 |
US20140058219A1 (en) * | 2012-02-14 | 2014-02-27 | Marianna Kiraly | Device for recording ultrasound-induced fetal eeg, and method of use |
US9364160B2 (en) * | 2012-03-28 | 2016-06-14 | Qualcomm Incorporated | Systems and methods for ECG monitoring |
US10531801B2 (en) * | 2013-09-09 | 2020-01-14 | Koninklijke Philips N.V. | Fetal heart rate extraction from maternal abdominal ECG recordings |
US9392952B1 (en) * | 2015-03-10 | 2016-07-19 | Nuvo Group Ltd. | Systems, apparatus and methods for sensing fetal activity |
US9572504B2 (en) * | 2015-03-16 | 2017-02-21 | Nuvo Group Ltd. | Continuous non-invasive monitoring of a pregnant human subject |
-
2015
- 2015-10-23 US US14/921,489 patent/US9392952B1/en active Active
-
2016
- 2016-03-10 CN CN201680012051.3A patent/CN107405096B/zh active Active
- 2016-03-10 CA CA2979135A patent/CA2979135C/en active Active
- 2016-03-10 WO PCT/IB2016/000389 patent/WO2016142780A1/en active Application Filing
- 2016-03-10 DK DK16761155.7T patent/DK3267884T3/da active
- 2016-03-10 ES ES16761155T patent/ES2895642T3/es active Active
- 2016-03-10 AU AU2016230825A patent/AU2016230825B2/en active Active
- 2016-03-10 KR KR1020177028086A patent/KR101900641B1/ko active IP Right Grant
- 2016-03-10 EP EP16761155.7A patent/EP3267884B1/en active Active
- 2016-07-08 US US15/205,620 patent/US10111600B2/en active Active
-
2018
- 2018-10-29 US US16/173,852 patent/US20190059767A1/en not_active Abandoned
-
2020
- 2020-12-04 US US17/112,201 patent/US20210259613A1/en not_active Abandoned
-
2022
- 2022-08-23 US US17/821,562 patent/US20220395212A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1334709A (zh) * | 1998-12-22 | 2002-02-06 | 内文塔医药公司 | 用于降低胎儿ecg信号中的信号噪声的装置 |
CN103222862A (zh) * | 2013-04-23 | 2013-07-31 | 江苏矽望电子科技有限公司 | 基于声学传感器的被动式胎心监护系统 |
WO2014192002A1 (en) * | 2013-06-01 | 2014-12-04 | Healthwatch Ltd. | Wearable fetal monitoring system having textile electrodes |
CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
Also Published As
Publication number | Publication date |
---|---|
DK3267884T3 (da) | 2021-10-25 |
US20210259613A1 (en) | 2021-08-26 |
EP3267884A1 (en) | 2018-01-17 |
CN107405096A (zh) | 2017-11-28 |
CA2979135A1 (en) | 2016-09-15 |
US20190059767A1 (en) | 2019-02-28 |
ES2895642T3 (es) | 2022-02-22 |
US20170007142A1 (en) | 2017-01-12 |
AU2016230825B2 (en) | 2017-10-19 |
EP3267884A4 (en) | 2019-04-24 |
KR20170120706A (ko) | 2017-10-31 |
KR101900641B1 (ko) | 2018-09-19 |
CA2979135C (en) | 2018-06-19 |
US9392952B1 (en) | 2016-07-19 |
US10111600B2 (en) | 2018-10-30 |
WO2016142780A1 (en) | 2016-09-15 |
EP3267884B1 (en) | 2021-07-28 |
AU2016230825A1 (en) | 2017-09-28 |
US20220395212A1 (en) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107405096B (zh) | 用于感测胎儿活动的系统、装置和方法 | |
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
Sadhukhan et al. | R-peak detection algorithm for ECG using double difference and RR interval processing | |
US9504427B2 (en) | Signal averaging | |
US20090143693A1 (en) | Method and apparatus for generating determination indexes for identifying ecg interfering signals | |
US20160120431A1 (en) | Medical device having automated ecg feature extraction | |
JP2018512243A5 (zh) | ||
Bayasi et al. | Adaptive technique for P and T wave delineation in electrocardiogram signals | |
Ng et al. | Iterative method to detect atrial activations and measure cycle length from electrograms during atrial fibrillation | |
CN112839584B (zh) | 用于母体子宫活动检测的系统和方法 | |
US20230301581A1 (en) | Fusion signal processing for maternal uterine activity detection | |
Sadhukhan et al. | Detection of ECG characteristic features using slope thresholding and relative magnitude comparison | |
CN113827215B (zh) | 一种基于毫米波雷达的多种心律失常自动诊断方法 | |
Vuksanovic et al. | ECG based system for arrhythmia detection and patient identification | |
Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
CN110063726B (zh) | 一种心电信号单导联f波提取方法和装置 | |
CN109846473B (zh) | 一种检测单导联10秒心电图噪音干扰程度的方法 | |
Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
CN113729724B (zh) | 心电图测量方法与装置 | |
Biran et al. | Automatic qrs detection and segmentation using short time fourier transform and feature fusion | |
Varghees et al. | Two-channel heart sound segmentation framework using phonocardiogram and pulsatile signals | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
Starc | Non-invasive fetal multilead RR interval determination from maternal abdominal recordings: the Physionet/CinC challenge 2013 | |
Baas et al. | Comparison of three t-wave delineation algorithms based on wavelet filterbank, correlation and pca | |
do Vale Madeiro et al. | Delineation of QRS complex: challenges for the development of widely applicable algorithms |
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 |