CN107616791B - 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 - Google Patents
基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 Download PDFInfo
- Publication number
- CN107616791B CN107616791B CN201710616386.2A CN201710616386A CN107616791B CN 107616791 B CN107616791 B CN 107616791B CN 201710616386 A CN201710616386 A CN 201710616386A CN 107616791 B CN107616791 B CN 107616791B
- Authority
- CN
- China
- Prior art keywords
- region
- peak
- reconstruction
- sequence
- adaptive
- 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 58
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 230000000747 cardiac effect Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000010008 shearing Methods 0.000 claims description 4
- 238000000718 qrs complex Methods 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,包括以下步骤:a)自适应心电信号区域分割,对标准12导联心电信号进行自适应分区,根据心电信号的波动特性及不同的心动阶段来将其划分为首尾区、ST‑T区、R‑P区和QRS区;b)线性回归训练与重建,利用最小二乘准则对现有心电样本进行线性建模和线性重构的过程;c)子区域心电序列还原,由于待重建新号经过心电信号区域分割后分别进行线性重建,重建所得的心电子区域序列需要还原为常规顺序的心电信号。本发明提出了一种兼具快速性和准确性的基于自适应心电信号区域分割的标准12导联心电分段线性重建方法。
Description
技术领域
本发明属于信号处理领域,更具体的,涉及人体心电信号的导联重建相关方法。
背景技术
近年来,心电图(ECG)逐渐成为了诊断心脏疾病的最常用手段之一。有研究指出,包括心搏骤停在内的多种心脏疾病均有较大可能性在病发前表现出特定的征兆,且持续时间超过15分钟。其中一些征兆可以从ECG的波形特征上检测到,因此,需要长时间的连续ECG监测,来对突发心脏疾病做出有效预警。然而,传统的Holter监测机因体积较大、容易引入线材干扰等缺点从而给携带者的生活和心电的采集带来诸多不便。目前,穿戴式心电监测设备有较大潜力取代传统Holter机成为医院外的主要心电监测手段。
穿戴式心电监测设备可实时采集人体ECG信号,由于此类设备要求具有较小的体积,从而达到佩戴方便舒适的目的,这限制了穿戴设备可采集的心电导联数,大多数穿戴式心电监测设备能够采集的心电导联数为1至3个导联。然而,当今医学界无论从训练角度还是诊断角度均以标准12导联心电信号作为依据和标准。因此,从较少导联信号重建出标准12导联心电信号是将穿戴式心电监测设备应用于医学临床实践中的重要途径和手段。幸运的是,标准心电采集系统的12导联并不是完全独立的,它们之间存在着信息的冗余,所以可以利用其中数量较少的导联组或者其他特殊的导联组来重建出标准12导联系统中剩下的导联信号。
根据重建算法的不同,导联重建方法主要可分为线性重建法和非线性的重建方法。基于人体是线性非时变系统的假设,以及各导联的信息存在冗余、并不是完全独立的事实,可以用线性回归的方法来进行导联的重建。线性方法的特点是计算简单,速度快,准确度尚可,在对波形精确度要求不是很高的场合应用非常合适。
但实际上上述假设并不是十分准确,人体也是一个非线性的复杂系统,因此非线性的方法能更好的寻找不同导联之间的联系,重建出更准确的导联信号,适用于对导联信号的准确度要求较高的场合。但非线性的重建系统计算复杂,速度较慢。
此外,由于个体心电信号的形态会随时间发生改变,且身体健康情况对心电信号有较大影响,部分疾病甚至会完全改变患者的心电波形,导联重建时所使用的模型应该定期即时更新,这使得训练成本在心电导联重建中成为重要考虑因素之一。
发明内容
为了克服现有技术无法兼具快速性和准确性等特点的不足,本发明提出了一种兼具快速性和准确性的基于自适应心电信号区域分割的标准12导联心电分段线性重建方法。
本发明解决其技术问题所采用的技术方案是:
一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,用于重建的m个导联子集T记为T={L1,L2,…,Lm},m=3,4,…,7,T中的2个导联从肢体导联I,II,III中任意选取,T中剩余(m-2)个导联从胸导联V1,V2,V3,V4,V5,V6中任意选取,所述重建方法包括以下步骤:
a)自适应心电信号区域分割
首先,对标准12导联心电信号进行自适应分区,根据心电信号的波动特性及不同的心动阶段来将其划分为首尾区、ST-T区、R-P区和QRS区,其中,首尾区包含了信号头部和尾部所存在的周期不完整的心电信号;首尾区,用于表示首尾周期不完整的心电信号所在的区域;ST-T区包含了各心动周期中ST段及T波所在的区域;R-P区包含了各心动周期中T波后的静息阶段心电及其后P波所在的区域;QRS区包含了各心动周期中QRS复合波所在的区域;
b)线性回归训练与重建,利用最小二乘准则对现有心电样本进行线性建模和线性重构的过程;
c)子区域心电序列还原,由于待重建新号经过心电信号区域分割后分别进行线性重建,重建所得的心电子区域序列需要还原为常规顺序的心电信号。
进一步,所述步骤c)中,对于共计有M个心动周期的重建信号,过程如下:
c1)计算每个心电周期内各区域的长度,ST-T区的分段长度SegLSTT(i)=BTE(i)-BSE(i),R-P区的分段长度SegLRP(i)=BQS(i+1)-BTE(i),以及QRS区的分段长度SegLQRS(i)=BSE(i)-BQS(i);
c2)根据每个心动周期的子区域长度拼接信号。
再进一步,所述步骤c2)中,拼接过程如下:c2.1)根据SegLSTT(1),取ST-T区中的第1个心动周期序列,将其剪切至最终重构序列c2.2)自第2个至第M-1个心动周期,分别根据SegLRP(i),SegLQRS(i),SegLSTT(i),剪切R-P区QRS区和ST-T区在第i个心动周期的序列,并按上述顺序剪切至最终重构序列c2.3)根据SegLRP(M),取R-P区中的第M个心动周期序列,将其剪切至最终重构序列c2.4)处理首尾区,将首尾区前BSE(1)个数据点序列剪切至最终重构序列的头部,剩余部分剪切至最终重构序列的尾部
更进一步,所述步骤a)中,自适应心电信号区域分割过程包括以下步骤:
a1)R峰检测;
a2)边界计算:规定BSE(i)表示第i个心动周期内S波结束的位置,BTE(i)表示第i个心动周期内T波结束的位置,BQS(i)表示第i个心动周期内Q波开始的位置;
a3)序列重组:心电信号开始至BSE(1)以及BQS(M)至心电信号结束的两段区域合并为首尾区;BSE(i)至BTE(i)之间的区域合并为ST-T区,其中i为1至M-1;BTE(i)至BQS(i+1)之间的区域合并为R-P区,其中i为1至M-1;BQS(i)至BSE(i)之间的区域合并为QRS区,其中i为2至M-1。
所述步骤a1)中,R峰检测过程为:a1.1)根据原始心电信号y(j),利用多层小波分解技术,选取若干层包含R峰能量的子带进行重构,并将重构信号进行平方操作和多点滑动窗口平滑操作,生成R峰检测序列r(j);a1.2)计算r(j)的一阶导数d(j),基于d(j)符号由正变负,获得r(j)中的峰值点;a1.3)判断峰值点是否超过幅度阈值Ath,并判断该峰值点与上一R峰的间隔peak(n)是否超过最小连续时间窗,若该峰值点同时满足上述两个条件,则注册当前峰值点位置为新的R峰位置peak(n+1),否则忽略该峰值点;a1.4)根据最近若干个注册R峰的幅度,调整幅度阈值Ath,重复上述过程,直至遍历r(j);a1.5)根据原始心电信号y(j)修正步骤a1.3)中注册R峰的位置,避免步骤a1.1)中平滑操作可能引入的R峰位置错位。
所述步骤a2)中,边界计算的过程为:a2.1)计算RR间期点数rr(n)=peak(n+1)-peak(n),并基于RR间期计算每个心动周期对应的自适应时间窗,即R峰与T峰的间期TRT(n)=cRT×rr(n),Q峰与R峰的间期TQR(n)=cQR×rr(n),R峰与S峰的间期TRS(n)=cRS×rr(n),其中,cRT,cQR和cRS分别为R峰与T峰间期,Q峰与R峰间期和R峰与S峰间期在一个心动周期的经验占比系数;a2.2)处理可能含有不完整心电周期的首尾周期边界,若共计有M个心动周期,则BSE(1)=peak(1)+TRS(1),BTE(1)=peak(1)+TRT(1),BQS(M)=peak(M)-TQR(M-1);a2.3)处理剩余的心动周期,即当i=2,3,…,M-1,有BSE(i)=peak(i)+TRS(i),BTE(i)=peak(i)+TRT(i)和BQS(i)=peak(i)-TQR(i)。
所述步骤b)中,线性回归训练与重建过程包括以下步骤:
b1)线性回归训练:对于T和R的N个采样实现(T1,R1),…,(Tj,Rj),…,(TN,RN),其中N>m,以Rj为行向量,构造维数为N×12的全集样本矩阵R,以[1Tj]为行向量构造维数为N×4的重建子集样本矩阵X,根据公式b=(XTX)-1XTR,分别计算对应首尾区,ST-T区,R-P区,QRS区的线性系数估计矩阵bHT,bSTT,bRP,和bQRS;
本发明的有益效果主要表现在:该方法首先通过提出的新型自适应心电信号区域分割方法,将原始训练数据和待重建区域划分并重组为四个心电子区域序列,而后分别送入线性回归模型进行训练计算,得到可用于导联重建的模型。利用心电各周期不同区域的局部相似性,降低线性模型对整体心电数据长度的要求,并有效提高了线性方法的重构准确性,同时继承了线性方法的简单快速的特点,使其兼具快速性和准确性。降低了心电重建模型的训练成本,有效解决了由于人体心电信号时变性和疾病影响带来的重建模型需定期更新的问题,尤其适用于基于穿戴式心电监测设备的日常监护、远程医疗和紧急医疗场景。
附图说明
图1是本发明提出的导联重建整体算法框图。
图2是将心电波形划分成不同子区域序列的示意图。
图3是子区域心电序列还原拼接示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,用于重建的m个导联子集T记为T={L1,L2,…,Lm},m=3,4,…,7,T中的2个导联从肢体导联I,II,III中任意选取,T中剩余(m-2)个导联从胸导联V1,V2,V3,V4,V5,V6中任意选取,所述重建方法包括以下步骤:
a)自适应心电信号区域分割
首先,对标准12导联心电信号进行自适应分区。根据心电信号的波动特性及不同的心动阶段来将其划分为首尾区、ST-T区、R-P区和QRS区。其中,首尾区包含了信号头部和尾部所存在的周期不完整的心电信号;首尾区,用于表示首尾周期不完整的心电信号所在的区域;ST-T区包含了各心动周期中ST段及T波所在的区域;R-P区包含了各心动周期中T波后的静息阶段心电及其后P波所在的区域;QRS区包含了各心动周期中QRS复合波所在的区域。该方法的核心思想是仅基于R峰位置快速获取心电分区的边界,利用R峰位置计算RR间期,进而根据RR间期调整每个心动周期的特征点间期自适应时间窗,最终以低算法复杂度达到心电分区的目的,包括以下步骤:
a1)R峰检测:a1.1)根据原始心电信号y(j),利用多层小波分解技术,选取若干层包含R峰能量的子带进行重构,并将重构信号进行平方操作和多点滑动窗口平滑操作,生成R峰检测序列r(j);a1.2)计算r(j)的一阶导数d(j),基于d(j)符号由正变负,获得r(j)中的峰值点;a1.3)判断峰值点是否超过幅度阈值Ath,并判断该峰值点与上一R峰的间隔peak(n)是否超过最小连续时间窗,若该峰值点同时满足上述两个条件,则注册当前峰值点位置为新的R峰位置peak(n+1),否则忽略该峰值点;a1.4)根据最近若干个注册R峰的幅度,调整幅度阈值Ath,重复上述过程,直至遍历r(j);a1.5)根据原始心电信号y(j)修正步骤a1.3)中注册R峰的位置,避免步骤a1.1)中平滑操作可能引入的R峰位置错位。
a2)边界计算:规定BSE(i)表示第i个心动周期内S波结束的位置,BTE(i)表示第i个心动周期内T波结束的位置,BQS(i)表示第i个心动周期内Q波开始的位置;过程为:a2.1)计算RR间期点数rr(n)=peak(n+1)-peak(n),并基于RR间期计算每个心动周期对应的自适应时间窗,即R峰与T峰的间期TRT(n)=cRT×rr(n),Q峰与R峰的间期TQR(n)=cQR×rr(n),R峰与S峰的间期TRS(n)=cRS×rr(n),其中,cRT,cQR和cRS分别为R峰与T峰间期,Q峰与R峰间期和R峰与S峰间期在一个心动周期的经验占比系数;a2.2)处理可能含有不完整心电周期的首尾周期边界,若共计有M个心动周期,则BSE(1)=peak(1)+TRS(1),BTE(1)=peak(1)+TRT(1),BQS(M)=peak(M)-TQR(M-1);a2.3)处理剩余的心动周期,即当i=2,3,…,M-1,有BSE(i)=peak(i)+TRS(i),BTE(i)=peak(i)+TRT(i)和BQS(i)=peak(i)-TQR(i)。
a3)序列重组:心电信号开始至BSE(1)以及BQS(M)至心电信号结束的两段区域合并为首尾区;BSE(i)至BTE(i)之间的区域合并为ST-T区,其中i为1至M-1;BTE(i)至BQS(i+1)之间的区域合并为R-P区,其中i为1至M-1;BQS(i)至BSE(i)之间的区域合并为QRS区,其中i为2至M-1。
b)线性回归训练与重建,利用最小二乘准则对现有心电样本进行线性建模和线性重构的过程,包括以下步骤:
b1)线性回归训练:对于T和R的N个采样实现(T1,R1),…,(Tj,Rj),…,(TN,RN),其中N>m,以Rj为行向量,构造维数为N×12的全集样本矩阵R,以[1Tj]为行向量构造维数为N×4的重建子集样本矩阵X,根据公式b=(XTX)-1XTR,分别计算对应首尾区,ST-T区,R-P区,QRS区的线性系数估计矩阵bHT,bSTT,bRP,和bQRS;
c)子区域心电序列还原。由于待重建新号经过心电信号区域分割后分别进行线性重建,重建所得的心电子区域序列需要还原为常规顺序的心电信号,具体为,对于共计有M个心动周期的重建信号:
c1)计算每个心电周期内各区域的长度,ST-T区的分段长度SegLSTT(i)=BTE(i)-BSE(i),R-P区的分段长度SegLRP(i)=BQS(i+1)-BTE(i),以及QRS区的分段长度SegLQRS(i)=BSE(i)-BQS(i);
c2)根据每个心动周期的子区域长度拼接信号,具体地:c2.1)根据SegLSTT(1),取ST-T区中的第1个心动周期序列,将其剪切至最终重构序列c2.2)自第2个至第M-1个心动周期,分别根据SegLRP(i),SegLQRS(i),SegLSTT(i),剪切R-P区QRS区和ST-T区在第i个心动周期的序列,并按上述顺序剪切至最终重构序列c2.3)根据SegLRP(M),取R-P区中的第M个心动周期序列,将其剪切至最终重构序列c2.4)处理首尾区,将首尾区前BSE(1)个数据点序列剪切至最终重构序列的头部,剩余部分剪切至最终重构序列的尾部
本实施例的基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,用于重建的3个导联子集T记为T={I,II,V2},所述重建方法包括以下步骤:
a)自适应心电信号区域分割,具体包括:
a1)R峰检测:a1.1)根据V2导联的原始心电信号y(j),利用8层小波分解技术,选取分解的第3至5层子带进行重构,并将重构信号进行平方操作和5点滑动窗口平滑操作,生成R峰检测序列r(j);a1.2)计算r(j)的一阶导数d(j),基于d(j)符号由正变负,获得r(j)中的峰值点;a1.3)设定初始幅度阈值幅度阈值Ath为r(j)前2秒数据中最大值的50%,判断峰值点是否超过幅度阈值Ath,并判断该峰值点与上一R峰的间隔peak(n)是否超过最小连续时间窗,若该峰值点同时满足上述两个条件,则注册当前峰值点位置为新的R峰位置peak(n+1),否则忽略该峰值点;a1.4)根据最近3个注册R峰的幅度,调整幅度阈值Ath为近3个注册R峰幅度的平均值,重复上述过程,直至遍历r(j);a1.5)根据原始心电信号y(j)修正步骤a1.3)中注册R峰的位置,避免步骤a1.1)中平滑操作可能引入的R峰位置错位。
a2)边界计算:规定BSE(i)表示第i个心动周期内S波结束的位置,BTE(i)表示第i个心动周期内T波结束的位置,BQS(i)表示第i个心动周期内Q波开始的位置;过程为:a2.1)计算RR间期点数rr(n)=peak(n+1)-peak(n),并基于RR间期计算每个心动周期对应的自适应时间窗,即R峰与T峰的间期TRT(n)=0.36×rr(n),Q峰与R峰的间期TQR(n)=0.06×rr(n),R峰与S峰的间期TRS(n)=0.06×rr(n);a2.2)处理可能含有不完整心电周期的首尾周期边界,若共计有M个心动周期,则BSE(1)=peak(1)+TRS(1),BTE(1)=peak(1)+TRT(1),BQS(M)=peak(M)-TQR(M-1);a2.3)处理剩余的心动周期,即当i=2,3,…,M-1,有BSE(i)=peak(i)+TRS(i),BTE(i)=peak(i)+TRT(i)和BQS(i)=peak(i)-TQR(i)。
a3)序列重组:导联子集T中3个导联的心电信号均以如下标准进行重组:信号开始至BSE(1)以及BQS(M)至心电信号结束的两段区域合并为首尾区;BSE(i)至BTE(i)之间的区域合并为ST-T区,其中i为1至M-1;BTE(i)至BQS(i+1)之间的区域合并为R-P区,其中i为1至M-1;BQS(i)至BSE(i)之间的区域合并为QRS区,其中i为2至M-1。
自适应心电信号区域分割的过程和结果如图2所示。
b)线性回归训练与重建:
b1)线性回归训练:对于T和R的50000个采样实现(T1,R1),…,(Tj,Rj),…,(T50000,R50000),以Rj为行向量,构造维数为50000×12的全集样本矩阵R,以[1Tj]为行向量构造维数为50000×4的重建子集样本矩阵X,根据公式b=(XTX)-1XTR,分别计算对应首尾区,ST-T区,R-P区,QRS区的线性系数估计矩阵bHT,bSTT,bRP,和bQRS;
b2)重建时,根据公式通过分别输入首尾区,ST-T区,R-P区和QRS区的待重建子集样本矩阵X,利用bHT,bSTT,bRP,和bQRS,分别得到首尾区,ST-T区,R-P区和QRS区的重建矩阵,重建后四个区域的信号具体为: 和
c)子区域心电序列还原:对于共计有M个心动周期的重建信号:
c1)计算每个心电周期内各区域的长度,ST-T区的分段长度SegLSTT(i)=BTE(i)-BSE(i),R-P区的分段长度SegLRP(i)=BQS(i+1)-BTE(i),以及QRS区的分段长度SegLQRS(i)=BSE(i)-BQS(i);
c2)根据每个心动周期的子区域长度拼接信号,子区域心电序列还原拼接顺序如图3所示。c2.1)根据SegLSTT(1),取ST-T区中的第1个心动周期序列,将其剪切至最终重构序列c2.2)自第2个至第M-1个心动周期,分别根据SegLRP(i),SegLQRS(i),SegLSTT(i),剪切R-P区QRS区和ST-T区在第i个心动周期的序列,并按上述顺序剪切至最终重构序列c2.3)根据SegLRP(M),取R-P区中的第M个心动周期序列,将其剪切至最终重构序列c2.4)处理首尾区,将首尾区前BSE(1)个数据点序列剪切至最终重构序列的头部,剩余部分剪切至最终重构序列的尾部
本例中选取The PTB Diagnostic ECG Database数据库进行仿真,结果显示,其重建出的导联信号与真实信号之间的平均相关系数可达94%以上,且训练速度和重建速度均为10毫秒级。本发明的方法较大程度提高了线性方法在标准12导联心电信号中导联的重建准确率,且相较于相同样本在非线性方法上取得平均91%的相关系数以及训练时间需要百至万秒的结果,优势显著,在导联重建精度更高的情况下极大地降低了必要的模型更新环节中的训练成本。
Claims (6)
1.一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,其特征在于:用于重建的m个导联子集T记为T={L1,L2,…,Lm},m=3,4,…,7,T中的2个导联从肢体导联I,II,III中任意选取,T中剩余m-2个导联从胸导联V1,V2,V3,V4,V5,V6中任意选取,所述重建方法包括以下步骤:
a)自适应心电信号区域分割
首先,对标准12导联心电信号进行自适应分区,根据心电信号的波动特性及不同的心动阶段来将其划分为首尾区、ST-T区、R-P区和QRS区,其中,首尾区包含了信号头部和尾部所存在的周期不完整的心电信号;首尾区,用于表示首尾周期不完整的心电信号所在的区域;ST-T区包含了各心动周期中ST段及T波所在的区域;R-P区包含了各心动周期中T波后的静息阶段心电及其后P波所在的区域;QRS区包含了各心动周期中QRS复合波所在的区域;
b)线性回归训练与重建,利用最小二乘准则对分区后的现有心电样本进行线性建模和线性重构的过程;
c)子区域心电序列还原,由于待重建信号经过心电信号区域分割后分别进行线性重建,重建所得的心电子区域序列需要还原为常规顺序的心电信号;
所述步骤a)中,自适应心电信号区域分割过程包括以下步骤:
a1)R峰检测;
a2)边界计算:规定BSE(i)表示第i个心动周期内S波结束的位置,BTE(i)表示第i个心动周期内T波结束的位置,BQS(i)表示第i个心动周期内Q波开始的位置;
a3)序列重组:心电信号开始至BSE(1)以及BQS(M)至心电信号结束的两段区域合并为首尾区;BSE(i)至BTE(i)之间的区域合并为ST-T区,其中i为1至M-1;BTE(i)至BQS(i+1)之间的区域合并为R-P区,其中i为1至M-1;BQS(i)至BSE(i)之间的区域合并为QRS区,其中i为2至M-1;
所述步骤a2)中,边界计算的过程为:a2.1)计算RR间期点数rr(n)=peak(n+1)-peak(n),并基于RR间期计算每个心动周期对应的自适应时间窗,即R峰与T峰的间期TRT(n)=cRT×rr(n),Q峰与R峰的间期TQR(n)=cQR×rr(n),R峰与S峰的间期TRS(n)=cRS×rr(n),其中,cRT,cQR和cRS分别为R峰与T峰间期,Q峰与R峰间期和R峰与S峰间期在一个心动周期的经验占比系数;a2.2)处理可能含有不完整心电周期的首尾周期边界,若共计有M个心动周期,则BSE(1)=peak(1)+TRS(1),BTE(1)=peak(1)+TRT(1),BQS(M)=peak(M)-TQR(M-1);a2.3)处理剩余的心动周期,即当i=2,3,…,M-1,有BSE(i)=peak(i)+TRS(i),BTE(i)=peak(i)+TRT(i)和BQS(i)=peak(i)-TQR(i)。
2.如权利要求1所述的一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,其特征在于:所述步骤c)中,对于共计有M个心动周期的重建信号,过程如下:
c1)计算每个心电周期内各区域的长度,ST-T区的分段长度SegLSTT(i)=BTE(i)-BSE(i),R-P区的分段长度SegLRP(i)=BQS(i+1)-BTE(i),以及QRS区的分段长度SegLQRS(i)=BSE(i)-BQS(i);
c2)根据每个心动周期所对应的子区域长度拼接信号。
3.如权利要求2所述的一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,其特征在于:所述步骤c2)中,拼接过程如下:c2.1)根据SegLSTT(1),取ST-T区中的第1个心动周期序列,将其剪切至最终重构序列c2.2)自第2个至第M-1个心动周期,分别根据SegLRP(i),SegLQRS(i),SegLSTT(i),剪切R-P区QRS区和ST-T区在第i个心动周期的序列,并按上述顺序剪切至最终重构序列c2.3)根据SegLRP(M),取R-P区中的第M个心动周期序列,将其剪切至最终重构序列c2.4)处理首尾区,将首尾区前BSE(1)个数据点序列剪切至最终重构序列的头部,剩余部分剪切至最终重构序列的尾部
4.如权利要求1所述的一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,其特征在于:所述步骤a1)中,R峰检测过程为:a1.1)根据原始心电信号y(j),利用多层小波分解技术,选取若干层包含R峰能量的子带进行重构,并将重构信号进行平方操作和多点滑动窗口平滑操作,生成R峰检测序列r(j);a1.2)计算r(j)的一阶导数d(j),基于d(j)符号由正变负,获得r(j)中的峰值点;a1.3)判断峰值点是否超过幅度阈值Ath,并判断该峰值点与上一R峰位置peak(n)的间隔是否超过最小连续时间窗,若该峰值点同时满足上述两个条件,则注册当前峰值点位置为新的R峰位置peak(n+1),否则忽略该峰值点;a1.4)根据最近若干个注册R峰的幅度,调整幅度阈值Ath,重复上述过程,直至遍历r(j);a1.5)根据原始心电信号y(j)修正步骤a1.3)中注册R峰的位置,避免步骤a1.1)中平滑操作可能引入的R峰位置错位。
5.如权利要求1~3之一所述的一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法,其特征在于:所述步骤b)中,线性回归训练与重建过程包括以下步骤:
b1)线性回归训练:对于T和R的N个采样实现(T1,R1),…,(Tj,Rj),…,(TN,RN),其中N>m,以Rj为行向量,构造维数为N×12的全集样本矩阵R,以[1Tj]为行向量构造维数为N×4的重建子集样本矩阵X,根据公式b=(XTX)-1XTR,分别计算对应首尾区,ST-T区,R-P区,QRS区的线性系数估计矩阵bHT,bSTT,bRP,和bQRS;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616386.2A CN107616791B (zh) | 2017-07-26 | 2017-07-26 | 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616386.2A CN107616791B (zh) | 2017-07-26 | 2017-07-26 | 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107616791A CN107616791A (zh) | 2018-01-23 |
CN107616791B true CN107616791B (zh) | 2021-02-19 |
Family
ID=61088088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710616386.2A Active CN107616791B (zh) | 2017-07-26 | 2017-07-26 | 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107616791B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108720831B (zh) * | 2018-05-12 | 2021-01-15 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN109875545A (zh) * | 2018-12-17 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于cnn的个体化12导联心电图重建方法 |
CN109934100B (zh) * | 2019-01-24 | 2021-07-13 | 西安交通大学 | 一种基于滑动窗口的幅频时变工艺信号分割方法 |
CN109799808A (zh) * | 2019-01-25 | 2019-05-24 | 东北大学 | 一种基于重构技术的动态过程故障预测方法 |
CN112674776B (zh) * | 2020-11-09 | 2022-06-07 | 浙江好络维医疗技术有限公司 | 一种基于分段多项式拟合ecg信号的平滑滤波方法 |
CN114521899B (zh) * | 2020-11-23 | 2024-02-13 | 武汉心络科技有限公司 | 心电信号滤波方法、装置、计算机设备及存储介质 |
CN113288169B (zh) * | 2021-05-26 | 2024-05-17 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113609336B (zh) * | 2021-08-16 | 2024-03-26 | 山东大学 | 面向多种心电信号存储的xml文档标准化方法及系统 |
CN114027847B (zh) * | 2021-11-17 | 2023-05-05 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
CN114343659A (zh) * | 2022-01-05 | 2022-04-15 | 北京信息科技大学 | 心电特征信号提取方法、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5058598A (en) * | 1990-08-03 | 1991-10-22 | Nicklas John M | Method and apparatus for synthesizing leads of an electrocardiogram |
CN1447668A (zh) * | 2000-08-03 | 2003-10-08 | 美国西门子医疗解决公司 | 用于合成导联和提供精确性量度的心电图系统 |
CN101500480A (zh) * | 2006-08-04 | 2009-08-05 | 詹姆麦德有限公司 | 处理心电信号的方法以及相应的装置 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN104463326A (zh) * | 2014-12-09 | 2015-03-25 | 浙江大学 | 一种标准12导联心电信号重建方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
-
2017
- 2017-07-26 CN CN201710616386.2A patent/CN107616791B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5058598A (en) * | 1990-08-03 | 1991-10-22 | Nicklas John M | Method and apparatus for synthesizing leads of an electrocardiogram |
CN1447668A (zh) * | 2000-08-03 | 2003-10-08 | 美国西门子医疗解决公司 | 用于合成导联和提供精确性量度的心电图系统 |
CN101500480A (zh) * | 2006-08-04 | 2009-08-05 | 詹姆麦德有限公司 | 处理心电信号的方法以及相应的装置 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN104463326A (zh) * | 2014-12-09 | 2015-03-25 | 浙江大学 | 一种标准12导联心电信号重建方法 |
CN104783780A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号除噪方法及装置 |
CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107616791A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107616791B (zh) | 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法 | |
US11234629B2 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN110584649B (zh) | 一种动态单导心电图中异常心电信号识别方法及系统 | |
Rai et al. | ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier | |
Takalo-Mattila et al. | Inter-patient ECG classification using deep convolutional neural networks | |
He et al. | Recognition of ECG patterns using artificial neural network | |
KR102469984B1 (ko) | 심전도 재구축 시스템 및 방법 | |
Clifford et al. | One-pass training of optimal architecture auto-associative neural network for detecting ectopic beats | |
CN112704503B (zh) | 心电信号噪声处理方法 | |
Raj et al. | Automated recognition of cardiac arrhythmias using sparse decomposition over composite dictionary | |
Gawande et al. | Heart diseases classification using convolutional neural network | |
NL2002510C2 (en) | Extrapolating ica knowledge from one epoch to another for improved fetal ecg separation. | |
Bruun et al. | Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability | |
CN114052741A (zh) | 基于多尺度自回归模型的心电图识别方法 | |
Serbest et al. | Classification of cardiac arrhythmias with artificial neural networks according to gender differences | |
EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
Kusumandari et al. | Application of convolutional neural network classifier for wireless arrhythmia detection | |
CN111803062B (zh) | 一种基于深度学习的房颤事件检测方法 | |
Ostertag et al. | Reconstructing ECG precordial leads from a reduced lead set using independent component analysis | |
JP2023520944A (ja) | 心電図解析 | |
Adeluyi et al. | R-READER: A lightweight algorithm for rapid detection of ECG signal R-peaks | |
Ghodake et al. | Optimized cardiovascular disease detection and features extraction algorithms from ECG data | |
Hao et al. | Compressive sampling based multi-spectrum deep learning for sub-nyquist pacemaker ECG analysis |
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 |