CN107647864A - 一种心电信号分析方法及成像方法 - Google Patents
一种心电信号分析方法及成像方法 Download PDFInfo
- Publication number
- CN107647864A CN107647864A CN201711087639.8A CN201711087639A CN107647864A CN 107647864 A CN107647864 A CN 107647864A CN 201711087639 A CN201711087639 A CN 201711087639A CN 107647864 A CN107647864 A CN 107647864A
- Authority
- CN
- China
- Prior art keywords
- ripples
- cardiologic signals
- original electro
- signal
- electrocardiosignal
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 30
- 238000002591 computed tomography Methods 0.000 claims description 13
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 19
- 230000003111 delayed effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036279 refractory period Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 1
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明中公开了一种心电信号分析方法及成像方法。所述方法包括：采集原始心电信号；对原始心电信号进行低通滤波，获得滤波后的心电信号；基于所述滤波后的心电信号判断是否开启搜索门控；以及当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置。采用由搜索门控控制并在原始心电信号上检测R波的方法，可以减弱高频噪声的干扰，有效地避免由于滤波造成的信号畸变和输出信号延时导致不能准确识别R波的问题。
Description
技术领域
本发明涉及医疗技术领域，特别涉及一种心电信号分析方法，用于检测R波，以及成像方法。
背景技术
计算机断层扫描(Computed Tomography，CT)是指利用计算机技术对被测物体的X射线断层扫描数据进行重建的技术。它具有成像快捷、密度分辨率高等优点，而且CT扫描数据可以被方便地重建为不同角度切面的三维图像，满足用户的不同需求。目前CT技术被广泛应用于工业检测、医学成像等领域。
在医学成像方面，多排CT的一个重要的应用是进行心脏扫描。为了尽量减小心脏运动对图像质量的影响并减少病人接受的辐射剂量，可以选择在心脏运动相对不剧烈的时刻进行曝光。在这种模式下需要准确获取心脏的运动状态。
心电图(Electrocardiogram，ECG)是利用电极从人体体表记录到的心脏搏动的电信号波形，因此通过ECG信号可以准确获取心脏的运动状态，用于辅助对心脏成像。
发明内容
本发明的目的在于提供一种心电信号分析方法，其利用滤波后的信号确定搜索门控，降低高频噪声的干扰，并在滤波前的信号上进行R波的搜索，避免由于滤波造成的波形畸变的影响。
为达到上述发明目的，本发明提供的技术方案如下：
一方面，本发明实施例提供了一种心电信号分析方法，所述方法包括：采集原始心电信号；对原始心电信号进行低通滤波，获得滤波后的心电信号；基于所述滤波后的心电信号判断是否开启搜索门控；以及当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置。
在本发明中，所述对原始心电信号进行低通滤波包括：采用IIR低通滤波器对所述原始心电信号进行低通滤波。
在本发明中，所述基于所述滤波后的心电信号判断是否开启搜索门控包括：根据所述滤波后的心电信号进行差分运算，以获得差分信号；如果所述差分信号大于搜索门控阈值，则开启所述搜索门控。
在本发明中，所述基于所述滤波后的心电信号判断是否开启搜索门控包括：根据所述滤波后的心电信号进行差分运算，以获得差分信号；根据所述差分信号进行非线性运算，以获得特征放大信号；如果所述特征放大信号大于搜索门控阈值，则开启所述搜索门控。
在本发明中，所述当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置包括：当搜索门控开启时，判断当前原始心电信号与信号基线的幅度偏离值是否大于幅度阈值；如果所述当前原始心电信号与信号基线的幅度偏离值大于所述幅度阈值且所述当前原始心电信号的幅度为极值，则将当前原始心电信号的位置作为R波位置。
在本发明中，所述搜索门控阈值为动态阈值，所述动态阈值与所述原始心电信号当前采样点之前的N个采样点的信号值相关，所述N为正整数。
在本发明中，所述信号基线与所述原始心电信号当前采样点之前的N个采样点的信号值相关，所述幅度阈值与所述N个采样点与所述信号基线的幅度偏离值相关。
在本发明中，所述当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置包括：当搜索门控开启时，采用训练过的心电信号检测模型，在所述原始心电信号上识别R波，并确定R波位置。
另一方面，本发明实施例提供了一种心电信号分析方法，所述方法包括：采集心电信号；基于所述心电信号判断是否开启搜索门控；以及，当搜索门控开启时，根据幅度特征在所述心电信号上搜索R波，并确定R波位置。
另一方面，本发明实施例提供了一种成像方法，所述方法包括：采集原始心电信号；对原始心电信号进行低通滤波，获得滤波后的心电信号；基于所述滤波后的心电信号判断是否开启搜索门控；当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置；以及根据所述R波位置，触发计算机断层扫描成像。
与现有技术相比，本发明的有益效果表现如下：
一、采用低阶的IIR低通滤波器对原始心电信号进行滤波预处理，可以利用较小的滤波器阶数去实现相同或相近的阻带衰减效果，减弱高频噪声的干扰，同时也可以在保证滤波效果的基础上减少搜索门控的延时；
二、在原始心电信号上检测R波并确定R波位置，相较于现有技术中在经过滤波处理后的心电信号上检测R波位置的方法，可以有效地避免由于滤波造成的信号畸变导致不能准确识别R波的问题；
三、通过设置搜索门控，可以减少搜索R波的范围，一方面缩短搜索R波的时间，另一方面，可以进一步减少高频噪声的干扰。
附图说明
图1是一个周期的心电信号波形图ECG；
图2是本发明的心电信号分析方法及成像方法的示例性流程图；
图3是本发明的心电R波实时检测方法的一个实施例流程图；
图4是本发明的基于机器学习的方法检测心电R波的示例性流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。
图1示出一个周期的心电信号波形图ECG。如图1所示，ECG信号由心脏周期活动产生的PQRST等波形组成，其中R波是心电图中最明显的一个波形，一般表现为向上或者向下的尖峰，在图1中，R波表现出明显的波峰特征。由于R波在ECG中表现出明显的尖峰特征，因此可以被用来标识心脏运动周期的开始时刻或结束时刻。
R波可以通过算法检测出来。本发明提出一种心电信号分析方法，用于检测R波。
为了完整地了解本发明，请参考图2，表示本发明以较佳实施方式的心电信号分析方法及成像方法的示例性流程图。
在步骤202中，获取原始心电信号。
在本实施例中，可以利用心电信号检测设备获取原始心电信号。在一实施例中，原始心电信号为数字信号，其包括至少一个离散点，离散点具有位置、幅度、宽度、斜率等一个或多个特征值。在一实施例中，所述心电信号检测设备可以包括一个或多个心电信号传感器(例如，电极)、放大电路和滤波电路等。在另一实施例中，所述心电信号检测设备可以是心电监测仪、计算机断层扫描仪(Computed Tomography，CT)、核磁共振成像扫描仪(Magnetic Resonance Imaging，MRI)、发射型计算机断层扫描仪(Emission ComputerizedTomography，ECT)中的一种或多种，或其他类似的心电信号检测设备或集成采集心电信号功能的医疗设备。心电信号检测设备可以是非便携式，可以是便携式，也可以是穿戴式。在一实施例中，原始心电信号可以为心电信号检测设备实时采集的数字信号，每次采集的数字信号为1个采样点，多个实时采集的信号可以形成一个或多个周期的信号，其中每个周期的心电信号具有类似于图1所示的信号波形。在一些实施例中，R波可以表现为一个向上的波峰(如图1所示)或一个向下的波谷。所述原始心电信号可以是心电信号传感器检测的原始信号经过放大、滤波等预处理后得到的心电信号。
在另一实施例中，心电信号可以是存储在存储设备中的心电信号，直接从存储设备中获取即可。
在步骤204中，可以采用低通滤波器对202采集到的原始心电信号进行滤波，以获得滤波后的心电信号。所述低通滤波器可以滤除高于频率阈值(例如，截止频率)的信号，而允许低于所述频率阈值的信号通过。采用低通滤波器对原始心电信号进行处理，可以减弱所述原始心电信号中高频噪声对后续处理的影响。在一些实施例中，步骤204可以省略，即，不对原始心电信号进行滤波，而直接进入步骤206中，基于原始心电信号判断是否开启搜索门控。
在本发明的一个实施例中，所述低通滤波器可以是无限冲激响应(InfiniteImpulse Response，IIR)低通滤波器。IIR低通滤波器具有多种类型，由于滤波器阶数越高，造成的计算量越大和滤波信号的延时越长，因此，在本发明的一个实施例中采用低阶的IIR低通滤波器对所述原始心电信号进行处理，尽量减小滤波后的心电信号的延时。所述低阶可以为一阶、二阶、三阶、四阶或五阶。可选地，所述低阶的IIR低通滤波器可以是椭圆滤波器。
在另一实施例中，所述低通滤波器也可以是有限冲激响应(Finite ImpulseResponse，FIR)低通滤波器。
在步骤206中，基于滤波后的心电信号判断是否开启搜索门控。所述搜索门控可用于后续触发检测R波的操作。例如，当滤波后的心电信号的一个或多个特征值超过搜索门控阈值时，搜索门控开启，并在门控开启期间进行检测R波的操作。作为一种实施方式，搜索门控开启可以触发检测R波的操作。所述特征值可以是ECG信号中的P波、QRS波群或T波的位置、幅度、宽度、斜率等一个或多个特征值。
进一步地，所述基于滤波后的心电信号判断是否开启搜索门控可以包括对204中滤波后的心电信号进行差分运算，以获得差分信号。可选地，所述差分运算可以是一阶差分运算。可选地，可以对所述差分信号进行非线性运算，以得到特征放大信号。所述非线性运算可以放大心电信号中频率最高的QRS波群的特征。可选地，所述非线性运算可以是幂运算。在一些实施例中，可以省略对差分信号进行的非线性运算。
进一步地，可以基于搜索门控阈值来判断是否开启搜索门控。例如，可以判断所述特征放大信号的特征值是否大于所述搜索门控阈值，当所述放大信号的特征值大于所述搜索门控阈值时，则开启搜索门控，便于后续检测R波。可选地，所述搜索门控阈值可以是一个预设的固定值，也可以是实时变化的动态阈值。
在步骤208中，可以在所述原始心电信号上检测R波以确定R波位置。
在一实施例中，当所述搜索门控开启时，判断当前原始心电信号与信号基线的幅度偏离值是否大于幅度阈值，如果大于所述幅度阈值，则判断当前原始心电信号的幅度是否为极值，如果是，则将当前原始心电信号对应的位置作为R波的位置。
例如，当所述搜索门控开启时，可以判断当前原始心电信号与信号基线的幅度偏离值是否大于一个幅度阈值以及偏离方向。如果当前原始心电信号与信号基线的幅度偏离值大于幅度阈值且在所述信号基线上方时，则确定R波为正向波峰，并在所述原始心电信号上寻找第一个波峰作为R波位置。如果当前原始心电信号与信号基线的幅度偏离值大于幅度阈值且在所述信号基线下方时，则确定R波为波谷，并在所述原始心电信号上寻找第一个波谷作为R波位置。
在图2所示的实施例中，通过低通滤波器去除高频噪声对后续判断搜索门控的干扰；通过设置搜索门控，减少搜索R波的范围，一方面缩短搜索R波的时间，另一方面，进一步减少高频噪声的干扰；在原始心电信号上搜索R波，避免滤波导致的信号畸变造成的干扰。因此采用图2所示的心电信号分析方法可以快速、有效检测R波。
根据临床心电生理学的“不应期”原理，当一个R波被确定后，之后一定时间(例如，200ms)内不会再次出现R波，所以可以跳过不应期以进行下个R波检测，以进一步降低R波搜索的假阳性概率。即，在搜索到R波之后的预设时间内，系统无需再执行搜索R波的操作和/或系统无需再执行是否开启搜索门控的操作。
可选地，在步骤210中，可以根据所述R波位置，触发计算机断层扫描成像。
例如，利用CT进行扫描时，可以心电信号的R波作为参考点，确定CT扫描的开始时间。当检测到R波波峰或波谷时，可以开始计数扫描延迟时间，当延迟时间结束后，触发CT扫描，进而根据所获得的CT扫描数据，利用图像重建算法获得CT图像。在一些实施例中，所述图像重建算法可以包括但不限于滤波反投影算法(Filter back projection，FBP)，卷积反投影算法(convolution back projection，CBP)，直接傅里叶变换算法，代数重建算法(Algebraic reconstruction technique，ART)。对于本领域技术人员而言，任何合适的图像重建算法均可用于CT成像。
可选地，可以根据心电信号的R-R间期时间确定所述扫描延迟时间。在一些实施例中，所述扫描延迟时间可以是R-R间期的某一固定时间点，即自上个R波之后或下个R波之前某一绝对时间点。所述扫描延迟时间也可以设定为某一相对值，比如R-R间期的百分比数。优选地，所述延迟时间可以设定为相对值，因为在扫描过程中，受试者屏气可能造成心率加快，R-R间期缩短，如果延迟时间固定，可能使扫描时间跨越心脏舒张和收缩两个期相，造成运动模糊以致影响重建图像质量。
图3为本发明的用于心电R波实时检测方法的一个实施例流程图。
在步骤302中，利用低通滤波器对实时获得的原始心电信号进行低通滤波处理，以获得滤波后的心电信号。所述滤波信号为数字信号，实时获得的原始心电信号对应一个采样点，多次获得的原始心电信号对应多个采样点。可选地，所述低通滤波器可以是IIR低通滤波器。由于滤波器阶数会影响到滤波之后的输出信号延时(例如，滤波器阶数越大，输出信号延时也越大)，而采用IIR低通滤波器相较于有限冲激响应(Finite ImpulseResponse，FIR)滤波器而言，可以利用较小的滤波器阶数去实现相同或相近的阻带衰减效果，因此采用低阶IIR低通滤波器，低阶可以为一阶、二阶、三阶、四阶或五阶。可选地，所述IIR低通滤波器可以是椭圆滤波器。所述IIR低通滤波器的阶数与其滤波器参数(例如，采样率、过滤带、阻带等)有关。例如，如果所述滤波器的信号采样率为1000Hz，过渡带为30-40Hz，阻带衰减不小于20dB，通带纹波不高于0.05dB，那么采用四阶的椭圆滤波器即可满足上述要求。在一些实施例中，步骤302可以省略。
在步骤304中，根据所述滤波后的心电信号进行差分运算，以获得差分信号。可选地，所述差分运算可以是一阶差分运算。具体地，所述一阶差分运算可以表示为公式(1)：
yd(n)＝x(n)-x(n-1)， (1)
其中，x(n)为第n个滤波信号采样点，x(n-1)为第n-1个滤波信号采样点，yd(n)为所述差分信号。
在步骤306中，将所述差分信号进行非线性运算，以获得特征放大信号。可选地，所述非线性运算可以是幂运算。
通过所述非线性运算，可以实现放大心电信号中频率最高的QRS波群特征的效果。以幂运算为例，所述幂运算可以表示为公式(2)：
yt(n)＝[yd(n)]m， (2)
其中，yt(n)为所述特征放大信号。可选地，为使所述特征放大信号yt(n)非负，取m为偶数，例如m＝4。
在步骤308中，判断所述特征放大信号是否大于搜索门控阈值。
如果所述特征放大信号大于所述搜索门控阈值，则开启搜索门控，进入步骤310。如果所述特征放大信号小于所述搜索门控阈值，则流程返回至步骤302对实时获取的新的原始心电信号进行处理，以便继续进行后续的R波的搜索。可选地，所述搜索门控阈值可以为预设的固定阈值，也可以是动态阈值。
可选地，所述动态阈值可以与原始心电信号当前采样点之前的N个采样点的信号值相关，所述N为正整数。例如所述动态阈值可以是当前时刻之前的N个采样点的放大信号均值与门控阈值经验系数的乘积，具体计算方法可以表示为公式(3)：
其中，fthreshold为动态阈值，Fa为门控阈值经验系数，yt(k)为第k个采样点的放大信号，k∈{1，2，...，N}。可选地，所述门控阈值经验系数Fa可以是0.5。
在一些实施例中，步骤306可以省略，那么在308中，可以判断所述差分信号是否大于搜索门控阈值。如果所述差分信号大于搜索门控阈值，则开启所述搜索门控，其中，所述搜索门控阈值可以是一个预设的固定值或动态阈值。
在步骤310中，当搜索门控开启时，判断原始心电信号当前采样点与信号基线的幅度偏离值是否大于幅度阈值。
如果所述原始心电信号当前采样点与信号基线的幅度偏离值大于幅度阈值，进入步骤312，确定R波位置。如果所述原始心电信号当前采样点与信号基线的幅度偏离值小于幅度阈值，则流程返回至步骤302以便继续进行后续的R波的检测。可选地，所述信号基线与原始心电信号当前采样点之前的N个采样点的信号值相关。例如，所述信号基线可以是所述原始心电信号当前采样点之前的N个采样点的均值，具体计算方法可以为公式(4)：
其中，fbaseline(n)为所述信号基线，x(n-k)为第(n-k)个原始心电信号采样点，k∈{0，1，...，N-1}。
可选地，所述幅度阈值与原始心电信号当前采样点之前的N个采样点与所述信号基线的幅度偏离值相关。例如，所述幅度阈值可以是所述原始心电信号当前采样点之前的N个采样点中与信号基线的最大偏离幅度和幅度阈值经验系数的乘积，具体计算方法可以为公式(5)：
其中，fampthreshold为幅度阈值，Fb为幅度阈值经验系数，x(n-k)为第(n-k)个原始心电信号采样点，fbaseline(n)为信号基线，k∈{0，1，...，N-1}。可选地，所述幅度阈值经验系数Fb可以是0.3。
在步骤312中，在所述原始心电信号上检测R波以确定R波位置。
当所述原始心电信号当前采样点与信号基线的幅度偏离值大于幅度阈值且在所述信号基线上方时，确定R波为正向波峰，并在所述原始心电信号上寻找第一个波峰或下降沿作为R波位置；当所述原始心电信号当前采样点与信号基线的幅度偏离值大于幅度阈值且在所述信号基线下方时，确定R波为倒置波谷，并在所述原始心电信号上寻找第一个波谷或上升沿作为R波位置。如果所述当前原始心电信号与信号基线的幅度偏离值大于所述幅度阈值且所述当前原始心电信号的幅度为极值，则将当前原始心电信号的位置作为R波位置。
在步骤314中，根据临床心电生理学原理上的“不应期”原理，当一个R波被确定后，之后一定时间(例如，200ms)内不会再次出现R波，所以可以跳过不应期以进行下个R波检测，以进一步降低R波搜索的假阳性概率。
可选地，可以根据所述R波位置，触发计算机断层扫描成像。利用CT进行扫描时，可以以心电信号的R波作为参考点，确定CT扫描的开始时间。即，当检测到R波波峰或波谷时，开始计数扫描延迟时间，当延迟时间结束后，触发CT扫描，进而根据所获得的CT扫描数据，结合图像重建算法获得CT图像。
本发明中在原始心电信号上检测R波并确定R波位置，相较于现有技术中在经过滤波处理后的心电信号上检测R波位置的方法，可以有效地避免由于滤波造成的信号畸变导致不能准确识别R波的问题。
另外，在一些实施例中，当搜索门控开启时，可以采用训练过的神经网络模型在原始心电信号上识别R波。神经网络模型可以为卷积神经网络、循环神经网络、深度神经网络。例如，采用训练过的基于深度学习的卷积神经网络，在所述原始心电信号上识别R波，并确定R波位置。即，步骤208除了采用图3所示的检测方法实时检测R波位置，还可以采用如图4所示的基于深度学习的方法。
图4是本发明的基于机器学习的方法检测心电R波的示例性流程图。
在步骤402，获取心电信号ECG训练数据。可选地，所述ECG训练数据可以从受试者的相应体检结果中获得，或者也可以选择从现有的心电数据库中获得。例如，典型的心电数据库包括MIT-BIH数据库、AHA心律失常心电数据库、CES心电数据库等。ECG训练数据可以是原始的未经处理的心电信号，也可以是经过滤波、非线性运算等处理的心电信号。
在步骤404，提取所述ECG训练数据的特征数据。所述特征数据可以包括ECG信号中的P波、QRS波群或T波的位置、幅度、宽度、斜率等特征，或多种特征的组合。
可选地，在一些实施例中，在提取所述心电信号特征数据之前，可以对上述获得的ECG训练数据进行滤波去噪，以降低噪声对后续训练过程的干扰。所述滤波方法可以包括但不限于低通滤波、带通滤波和小波滤波等。
在步骤406，利用所述特征数据训练心电信号检测模型。心电信号检测模型可以采用神经网络。所述神经网络以深度神经网络为例。所述深度神经网络可以包括深度卷积神经网络(convolutional neural network，CNN)、深度信念网络(deep belief network，DBN)、随机布尔神经网络(random boolean network，RBN)等。对于本领域的技术人员可知，深度神经网络由三部分组成，第一层为输入层，中间为隐藏层，最后一层为输出层。除输入层外，每一层的输入均来自上一层的输出，数据由输入层经过各隐藏层处理之后在输出层输出结果。在其它实施例中，可以采用其它模型，只要可以根据特征搜索R波的模型均可适用。
将所述ECG特征数据输入所述深度神经网络的输入层进行训练，通过不断调整每一层的权重以及比较当前网络的预测值和目标值，进而确定心电信号检测模型。对于本领域技术人员而言，所述训练过程为公知技术，在此不再赘述。训练结束后，可以获得经过训练的心电信号检测模型。
在步骤408，将待检测的心电信号ECG数据输入至所述经过训练的心电信号检测模型，通过模型的输出结果，即可确定在当前ECG信号周期内的R波位置。
以上所述仅为本发明的优选实施而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种心电信号分析方法，其特征在于，所述方法包括：
采集原始心电信号；
对原始心电信号进行低通滤波，获得滤波后的心电信号；
基于所述滤波后的心电信号判断是否开启搜索门控；以及
当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置。
2.如权利要求1的心电信号分析方法，其特征在于，所述对原始心电信号进行低通滤波包括：
采用IIR低通滤波器对所述原始心电信号进行低通滤波。
3.如权利要求1的心电信号分析方法，其特征在于，所述基于所述滤波后的心电信号判断是否开启搜索门控包括：
根据所述滤波后的心电信号进行差分运算，以获得差分信号；
如果所述差分信号大于搜索门控阈值，则开启所述搜索门控。
4.如权利要求1的心电信号分析方法，其特征在于，所述基于所述滤波后的心电信号判断是否开启搜索门控包括：
根据所述滤波后的心电信号进行差分运算，以获得差分信号；
根据所述差分信号进行非线性运算，以获得特征放大信号；
如果所述特征放大信号大于搜索门控阈值，则开启所述搜索门控。
5.如权利要求1的心电信号分析方法，其特征在于，所述当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置包括：
当搜索门控开启时，判断当前原始心电信号与信号基线的幅度偏离值是否大于幅度阈值：
如果所述当前原始心电信号与信号基线的幅度偏离值大于所述幅度阈值且所述当前原始心电信号的幅度为极值，则将当前原始心电信号的位置作为R波位置。
6.如权利要求3或4的心电信号分析方法，其特征在于，所述搜索门控阈值为动态阈值，所述动态阈值与所述原始心电信号当前采样点之前的N个采样点的信号值相关，所述N为正整数。
7.如权利要求5的心电信号分析方法，其特征在于，所述信号基线与所述原始心电信号当前采样点之前的N个采样点的信号值相关，所述幅度阈值与所述N个采样点与所述信号基线的幅度偏离值相关。
8.如权利要求1的心电信号分析方法，其特征在于，所述当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置包括：
当搜索门控开启时，采用训练过的心电信号检测模型，在所述原始心电信号上识别R波，并确定R波位置。
9.一种心电信号分析方法，其特征在于，所述方法包括：
采集心电信号；
基于所述心电信号判断是否开启搜索门控；以及
当搜索门控开启时，根据幅度特征在所述心电信号上搜索R波，并确定R波位置。
10.一种成像方法，其特征在于，所述方法包括：
采集原始心电信号；
对原始心电信号进行低通滤波，获得滤波后的心电信号；
基于所述滤波后的心电信号判断是否开启搜索门控；
当搜索门控开启时，在所述原始心电信号上搜索R波，并确定R波位置；以及
根据所述R波位置，触发计算机断层扫描成像。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711087639.8A CN107647864B (zh) | 2017-11-06 | 2017-11-06 | 一种心电信号分析方法及成像方法 |
| US16/181,403 US11138770B2 (en) | 2017-11-06 | 2018-11-06 | Systems and methods for medical imaging |
| US17/449,450 US20220020186A1 (en) | 2017-11-06 | 2021-09-29 | Systems and methods for medical imaging |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711087639.8A CN107647864B (zh) | 2017-11-06 | 2017-11-06 | 一种心电信号分析方法及成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107647864A true CN107647864A (zh) | 2018-02-02 |
| CN107647864B CN107647864B (zh) | 2024-04-26 |
Family
ID=61120693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711087639.8A Active CN107647864B (zh) | 2017-11-06 | 2017-11-06 | 一种心电信号分析方法及成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107647864B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108852405A (zh) * | 2018-06-15 | 2018-11-23 | 彭荣超 | 门控装置、医疗设备及其控制方法、设备和介质 |
| CN109009087A (zh) * | 2018-08-07 | 2018-12-18 | 四川智琢科技有限责任公司 | 一种心电信号r波的快速检测方法 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CN110731776A (zh) * | 2018-07-20 | 2020-01-31 | 通用电气公司 | 用于成像系统的心脏触发的系统和方法 |
| CN110755076A (zh) * | 2019-11-01 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
| CN111493862A (zh) * | 2020-04-10 | 2020-08-07 | 南京四十二科技有限公司 | 一种基于心电信号的超带宽雷达导航成像方法 |
| CN114325537A (zh) * | 2021-12-24 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 一种基线校准方法、系统、装置和存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102421354A (zh) * | 2009-03-09 | 2012-04-18 | 科学与工业研究委员会 | 具有脉冲和通道切换adc噪声滤波器和衍生导联纠错器的ecg设备 |
| KR20120131043A (ko) * | 2011-05-24 | 2012-12-04 | 주식회사 엘엠씨전자 | 심전도 신호 및 지문인식을 이용한 생체인식 시스템 |
| KR20130085168A (ko) * | 2012-01-19 | 2013-07-29 | 계명대학교 산학협력단 | 심전도 신호로부터 알-파 검출 방법 및 이를 이용한 심박변이도 측정 방법 |
| US20130237874A1 (en) * | 2012-03-12 | 2013-09-12 | Texas Instruments Incorporated | Real Time QRS Detection Using Adaptive Threshold |
| CN103549950A (zh) * | 2013-11-19 | 2014-02-05 | 上海理工大学 | 移动心电监测差分阈值检测改进算法 |
| CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
| CN103705234A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 动态心电信号数据中的检波方法和装置 |
| CN104000581A (zh) * | 2014-06-25 | 2014-08-27 | 飞依诺科技(苏州)有限公司 | 心电信号处理方法及装置 |
| CN104161510A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种多级导联心电信号qrs波形识别方法 |
| CN104586384A (zh) * | 2013-10-30 | 2015-05-06 | 深圳华清心仪医疗电子有限公司 | 一种心电信号实时心率检测方法及系统 |
| CN105030228A (zh) * | 2015-06-29 | 2015-11-11 | 深圳市理邦精密仪器股份有限公司 | 在心电信号中确定其p波位置的方法及装置 |
| US20150342489A1 (en) * | 2014-06-02 | 2015-12-03 | Indian Institute Of Technology Delhi | Qrs complex identification in electrocardiogram signals |
| CN105125207A (zh) * | 2015-09-22 | 2015-12-09 | 吉林大学 | 一种移动式心电监测终端 |
| CN105232027A (zh) * | 2014-06-09 | 2016-01-13 | 李坚强 | 一种便携式心电信号处理方法和心电信号处理装置 |
| CN106529425A (zh) * | 2016-10-20 | 2017-03-22 | 包磊 | 一种心电信号的r波提取方法及系统 |
| CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
| CN107239684A (zh) * | 2017-05-22 | 2017-10-10 | 吉林大学 | 一种用于ecg身份识别的特征学习方法和系统 |
-
2017
- 2017-11-06 CN CN201711087639.8A patent/CN107647864B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102421354A (zh) * | 2009-03-09 | 2012-04-18 | 科学与工业研究委员会 | 具有脉冲和通道切换adc噪声滤波器和衍生导联纠错器的ecg设备 |
| KR20120131043A (ko) * | 2011-05-24 | 2012-12-04 | 주식회사 엘엠씨전자 | 심전도 신호 및 지문인식을 이용한 생체인식 시스템 |
| KR20130085168A (ko) * | 2012-01-19 | 2013-07-29 | 계명대학교 산학협력단 | 심전도 신호로부터 알-파 검출 방법 및 이를 이용한 심박변이도 측정 방법 |
| US20130237874A1 (en) * | 2012-03-12 | 2013-09-12 | Texas Instruments Incorporated | Real Time QRS Detection Using Adaptive Threshold |
| CN104586384A (zh) * | 2013-10-30 | 2015-05-06 | 深圳华清心仪医疗电子有限公司 | 一种心电信号实时心率检测方法及系统 |
| CN103549950A (zh) * | 2013-11-19 | 2014-02-05 | 上海理工大学 | 移动心电监测差分阈值检测改进算法 |
| CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
| CN103705234A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 动态心电信号数据中的检波方法和装置 |
| US20150342489A1 (en) * | 2014-06-02 | 2015-12-03 | Indian Institute Of Technology Delhi | Qrs complex identification in electrocardiogram signals |
| CN105232027A (zh) * | 2014-06-09 | 2016-01-13 | 李坚强 | 一种便携式心电信号处理方法和心电信号处理装置 |
| CN104000581A (zh) * | 2014-06-25 | 2014-08-27 | 飞依诺科技(苏州)有限公司 | 心电信号处理方法及装置 |
| CN104161510A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种多级导联心电信号qrs波形识别方法 |
| CN105030228A (zh) * | 2015-06-29 | 2015-11-11 | 深圳市理邦精密仪器股份有限公司 | 在心电信号中确定其p波位置的方法及装置 |
| CN105125207A (zh) * | 2015-09-22 | 2015-12-09 | 吉林大学 | 一种移动式心电监测终端 |
| CN106529425A (zh) * | 2016-10-20 | 2017-03-22 | 包磊 | 一种心电信号的r波提取方法及系统 |
| CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
| CN107239684A (zh) * | 2017-05-22 | 2017-10-10 | 吉林大学 | 一种用于ecg身份识别的特征学习方法和系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108852405A (zh) * | 2018-06-15 | 2018-11-23 | 彭荣超 | 门控装置、医疗设备及其控制方法、设备和介质 |
| CN110731776A (zh) * | 2018-07-20 | 2020-01-31 | 通用电气公司 | 用于成像系统的心脏触发的系统和方法 |
| CN110731776B (zh) * | 2018-07-20 | 2023-09-05 | 通用电气公司 | 用于成像系统的心脏触发的系统和方法 |
| CN109009087A (zh) * | 2018-08-07 | 2018-12-18 | 四川智琢科技有限责任公司 | 一种心电信号r波的快速检测方法 |
| CN109009087B (zh) * | 2018-08-07 | 2021-07-06 | 广州麦笛亚医疗器械有限公司 | 一种心电信号r波的快速检测方法 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CN110755076A (zh) * | 2019-11-01 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
| CN110755076B (zh) * | 2019-11-01 | 2023-08-11 | 上海联影医疗科技股份有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
| CN111493862A (zh) * | 2020-04-10 | 2020-08-07 | 南京四十二科技有限公司 | 一种基于心电信号的超带宽雷达导航成像方法 |
| CN114325537A (zh) * | 2021-12-24 | 2022-04-12 | 上海联影医疗科技股份有限公司 | 一种基线校准方法、系统、装置和存储介质 |
| CN114325537B (zh) * | 2021-12-24 | 2023-09-08 | 上海联影医疗科技股份有限公司 | 一种基线校准方法、系统、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107647864B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107647864A (zh) | 一种心电信号分析方法及成像方法 | |
| Kaur et al. | ECG signal analysis and arrhythmia detection using wavelet transform | |
| Sathyapriya et al. | Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm | |
| CN104173043A (zh) | 一种适合于移动平台的心电数据分析方法 | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| CN110226919B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
| Rahul et al. | Dynamic thresholding based efficient QRS complex detection with low computational overhead | |
| US9549681B2 (en) | Matrix-based patient signal analysis | |
| Li et al. | A new approach of QRS complex detection based on matched filtering and triangle character analysis | |
| Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
| Swathi et al. | R peak detection and feature extraction for the diagnosis of heart diseases | |
| Jenkal et al. | Enhanced algorithm for QRS detection using discrete wavelet transform (DWT) | |
| Boucheham et al. | Piecewise linear correction of ECG baseline wander: a curve simplification approach | |
| Hugeng et al. | Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno | |
| CN108888263B (zh) | 一种基于几何形态群组特征的r波检测方法 | |
| Mansouri et al. | A Real‐Time Heart Rate Detection Algorithm Based on Peripheral Electrical Bioimpedance | |
| Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
| Bhyri et al. | ECG feature extraction and disease diagnosis | |
| Alhussainy | QRS complex detection and R–R interval computation based on discrete wavelet transform | |
| Naaz et al. | Feature extraction and analysis of ECG signal for cardiac abnormalities-A review | |
| Martinek et al. | A novel modular fetal ECG STAN and HRV analysis: Towards robust hypoxia detection | |
| Kouekeu et al. | Embedded QRS complex detection based on ECG signal strength and trend | |
| Suchetha et al. | Denoising and arrhythmia classification using EMD based features and neural network | |
| Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease | |
| Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |