CN107802260A - 一种心室复极变异性时空联合分析方法 - Google Patents

一种心室复极变异性时空联合分析方法 Download PDF

Info

Publication number
CN107802260A
CN107802260A CN201711099654.4A CN201711099654A CN107802260A CN 107802260 A CN107802260 A CN 107802260A CN 201711099654 A CN201711099654 A CN 201711099654A CN 107802260 A CN107802260 A CN 107802260A
Authority
CN
China
Prior art keywords
vrv
time
space
variability
data
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
Application number
CN201711099654.4A
Other languages
English (en)
Other versions
CN107802260B (zh
Inventor
万相奎
魏佳昕
严岳文
李风从
刘翔宇
陈瑞
吴海波
杨辉
帅亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201711099654.4A priority Critical patent/CN107802260B/zh
Publication of CN107802260A publication Critical patent/CN107802260A/zh
Application granted granted Critical
Publication of CN107802260B publication Critical patent/CN107802260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

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

Abstract

本发明公开了一种心室复极变异性时空联合分析方法，从临床采集的心电信号中，通过信号预处理阶段去除基线漂移和高频干扰等干扰，得到相对稳定适合分析的数据后，对该数据进行采样分析。首先从选取的心电信号中提取出ST间期序列，对该序列进行1HZ三次样条插值重采样。通过研究JT相关间期和T波面积特征参数，利用特征参数时空提取出新的心室复极变异性(VRV)信号联合信息研究VRV的阳性判据，基于VRV时空特征参数的恶性心脏事件多级危险分层预测问题，提升由急性心肌梗死和心肌缺血等引起的恶性心脏事件预测准确率。本方法将为无创预测恶性心脏事件提供新的途径和研究思路，也为心肌缺血、急性心肌梗死等疾病的预后研究提供重要支撑。

Description

一种心室复极变异性时空联合分析方法
技术领域
本发明属于医学测试技术领域，具体涉及一种心室复极变异性时空联合分析方法。
背景技术
心源性猝死(Sudden Cardiac Death，SCD)是指因任何心脏疾病引起，发生在症状出现后1小时以内的死亡。SCD由于发病突然，留给抢救的时间短，一旦发病，情况非常危急，患者死亡的概率很高。血流动力学障碍的室性心动过速或室颤，既恶性室性心律失常(Malignant Ventricular Arrhythmia，MVA)是引起SCD的主要原因，因此预防SCD的关键是尽早筛选出易产生MVA的高危性，制定诊疗方案，进而避免或明显降低SCD的发生率。
发明内容
为了解决上述技术问题，本发明提供了一种心室复极变异性时空联合分析方法。
本发明所采用的技术方案是：一种心室复极变异性时空联合分析方法，其特征在于，包括以下步骤：
步骤1：采集心电信号数据，将数据分为甲乙两组，甲组为心律失常组，乙组为健康人组；
步骤2：预处理采集的心电信号数据，获得心电数据；
步骤3：从ST间期序列中提取出心室复极变异性VRV信号；
步骤4：提取表征VRV的JT相关间期特征信息；
步骤5：从统计学角度分析提取到的JT相关间期序列，计算JT相关间期序列在高、低频段的平均瞬时频率和T波面积序列的平均瞬时能量，测量各导联的特征间期序列在空间上的变异度；
步骤6：确定基于JT相关间期和T波面积参数的VRV阳性判据；
步骤7：提取VRV时空特征参数与恶性心脏事件危险程度的关系，建立患者VRV的跟踪数据库；
步骤8：基于VRV时空联合参数预测恶性心脏事件。
相对于现有技术，本发明的创造性如下：
(1)基于JT相关间期的时空特征参数的VRV分析方法创新；
提出基于JT相关间期的时空特征参数的VRV分析方法。从JTiCV、IFJTi、MIET和JTid角度来定量分析心室复极过程变化趋势和变异程度，提出VRV时—空参数联合评估判据。它可避免QTd和QTVI分析中受RR间期影响，弥补它们在心室复极过程中时间与变异趋势分析上的不足，以及降低对因心室复极信号的非平稳特性而导致的VRV分析的误差，提高无创VRV检测技术对恶性心脏事件的危险预测敏感性和准确度。
(2)基于心室复极时空特征参数和T波交替特征参数联合的恶性心脏事件风险评估创新；
创新性提出心室复极时空特征参数VRV判据的无创恶性心脏事件危险评估方法。并在此基础上结合申请人对TWA时频参数预测SCD事件研究成果，提出VRV时—空参数和TWA时频参数联合的恶性心脏事件危险分层方案，为心脏猝死的无创评估提供时—空分析新途径和研究成果。
(3)恶性心脏事件跟踪特色数据库建
基于本项目的时—空特征参数分析方法，在心电专家帮助下，与合作单位一起建设一个开放的心脏病患者恶性心脏事件跟踪特色数据库。借鉴美国AHA数据库和欧洲ST_T数据库的记录信息，对检测患者除记录其基本病征信息和原始采集数据外，着重记录每次检测的JTiCV、IFJTi、MIET、JTid和TWA特征参数信息，通过长期积累，力争形成一个可支持临床研究的标准和权威数据库，为研究人员提供一个可有效利用的研究资源。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
心室复极变异性(Ventricular Repolarization Variability，VRV)是指心动周期过程中心室复极波在不同心拍周期之间的差异，这种差异一般包括复极的时间差异性和空间不一致性。时间差异性指心室复极时程逐拍的微小变化；空间不一致性指各部位的兴奋时间和动作电位时程不同引起的复极空间离散性。大量的实验和临床研究表明：在大多数发送高危性心律失常的患者中均观察到心室复极波变异现象，心室复极差异明显增大，而后发生室颤等MVA事件，易导致SCD。在恶性心脏事件预测方面，VRV有潜力发展成为一种优越的无创评定发生SCD危险性的技术，成为临床心脏病诊断的新方法和新工具。
请见图1，本发明提供的一种心室复极变异性时空联合分析方法，包括以下步骤：
步骤1：临床采集用于本发明的心电信号，采样频率为360HZ。将实验数据分为甲乙两组，甲组为心律失常组，乙组为健康人组；并将甲乙两组患者与正常人均进行标号。
步骤2：预处理采集的心电信号数据，获得心电数据；
运用小波变换的方法对选取的心电信号进行预处理，将小于5HZ的信号进行去除，即去除基线漂移；对5HZ至45HZ的信号进行滤波处理，得到较为稳定的心电信号。
步骤3：从ST间期序列中提取出心室复极变异性VRV信号；
结合原始信号，提取出S波起点，T波终点，即得到ST间期。该过程较为复杂，在提取过程中应尽量减少误差。由于一次心室复极频率在0.3～0.4HZ之间，根据重采样定理，对得到的新序列进行1HZ重采样；由于所得信号为离散信号，若用直线连接采样数据其结果仍是折线而不是光滑的曲线，所以这里采用三次样条插值重采样。从中提取出新的心室复极变异性(VRV)信号。
步骤4：提取表征VRV的JT相关间期特征信息；
本方法中J点和T波起止点的定位是VRV时—空特征信息准确提取的基础。J点因定义为QRS波的终点，QRS波的检测已经较为成熟，故J点定位较为容易。而相比之下，T波的提起较为复杂，通过小波变换技术和T波位置域、幅度、斜率特点，实现T波特征的提取。
步骤5：从统计学角度分析提取到的JT相关间期序列，计算JT相关间期序列在高、低频段的平均瞬时频率和T波面积序列的平均瞬时能量，测量各导联的特征间期序列在空间上的变异度；
具体实现包括以下子步骤：
步骤5.1：引入JT相关间期变异系数JTiCV，用于描述JT相关间期标准差JTisd这个变异因子相对其对应的JT相关间期均值JTimean变异程度；
JTiCV＝JTisd/JTimean
其中，i＝{b，p，e}，分别代表T波起点、顶点和终点位置；
步骤5.2：引入时频参数，包括JT相关间期序列的瞬时频率IFJTi和T波面积序列的平均瞬时能量MIET；
通过IFJTi和MIET来分析(通过MATLAB代码结合时域和频域从IFJTi和MIET角度来定量分析心室复极过程变化趋势和变异程度，提出VRV时空参数联合评估判据)VRV信号频率随时间变化的时频图，及其在时间频率上的跨度变化；通过相关性分析(得到原始数据通过短时傅里叶变化提取出新数据，与之前的正常数据和病变数据进行比较)提取IFJTi和MIET在样本发展为恶性心脏事件和不发展为恶性心脏事件的变化规律，提取IFJTi和MIET与恶性心脏事件的相关性；
步骤5.3：定义JTid为标准12导联心电图上最大的JTi间期JTimax与最小JTi间期JTimin之差，来反映心室复极过程中JTi间期在同一时刻的空间离散度。
步骤6：确定基于JT相关间期和T波面积参数的VRV阳性判据；
对以上特征参数进行规模样本测试，对分析结果进行统计和归纳，研究样本发展为恶性心脏事件的JT相关间期特征参数规律，寻找基于JT相关间期时空联合参数的VRV阳性判据函数关系。
分析JT相关间期的变异程度和时频变化，及空间变异离散度特征参数，寻找可真实反映心室复极变异程度的参数表达式是VRV阳性判据的关键，即步骤5中引入的(1)JT相关间期变异系数JTiCV；JTiCV消除了同组内个体间差异和组内间均数差异造成的标准差偏倚，使组间数据更有可比性，在统计学上更加科学。(2)时频参数；通过相关性分析研究提取IFJTi和MIET在样本发展为恶性心脏事件和不发展为恶性心脏事件的变化规律，探寻IFJTi和MIET与恶性心脏事件的相关性。(3)空间变异参数JTid；反映心室复极过程中JTi间期在同一时刻的空间离散度。
步骤7：提取VRV时空特征参数与恶性心脏事件危险程度的关系，建立患者VRV的跟踪数据库；
建立准确有效的患者VRV时空特征信息与恶性心脏事件跟踪数据库是研究心脏猝死多级分层预测的关键环节。
利用合作单位已具备的患者跟踪随访系统，加强VRV检测患者的跟踪力度，来获得详细、可靠的样本数据。在此基础上关联VRV空间离散特征参数分析结果，提取VRV检测数据和心脏猝死定量分层预测的关系，判断提取出的VRV检测数据和心脏猝死之间是否存在关联。
建立这一数据库的关键是对于大量患者VRV准确检测和对应长时间随访数据的准确获取。
步骤8：基于VRV时空联合参数预测恶性心脏事件。
在数据库的基础上研究VRV时空特征参数与恶性心脏事件发生的概率，寻找它们之间的合理关联函数，建立恶性心脏事件风险量化评估模型。
考虑前期T波交替评估SCD事件的项目成果，统计并分析VRV时—空特征信息(JTiCV、IFJTi、MIET、JTid等)和TWA预测因子等参数在恶性心脏事件发生时间、频率、危险程度等方面的变异性表现，参考2008年美国心脏协会/美国心脏病学会/心律学会联合提出的室性心律失常和心脏性猝死危险分层指南，及Framingham风险评分(Framingham riskscore，FRS)模型，综合心电专家意见和当前谱分析法诊断结果，推断和归纳它们的逻辑关系，建立恶性心脏事件风险分析评估模型。
对于如何验证恶性心脏事件预测的有效性问题，本实施例的基于VRV时空联合参数预测恶性心脏事件将主要借鉴T波交替预测SCD事件的方法，对样本实验结果基于统计和概率分析来分析预测的有效性，首先统计数据，再通过MATLAB代码运行短时傅里叶变换之后利用双侧T检验分析，由此判断临床数据病变情况，若处在正常数据范围内，临床数据较大概率为正常数据；若处在病变数据范围内，临床数据较大概率为病变数据。
本实施例基于大量临床数据检验而得出本方法对恶性心脏事件预测的敏感性和特异性；通过临床检查，对提出的风险评估模型进行充分的、长时间的试验、随访、验证，并根据试验效果和专家意见，调整特征参数的预测因子权重，修正评估方案，期望其与现行评估技术相比，在恶性心脏事件评估的敏感性和特异性方面获得明显提高。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种心室复极变异性时空联合分析方法，其特征在于，包括以下步骤：
步骤1：采集心电信号数据，将数据分为甲乙两组，甲组为心律失常组，乙组为健康人组；
步骤2：预处理采集的心电信号数据，获得心电数据；
步骤3：从ST间期序列中提取出心室复极变异性VRV信号；
步骤4：提取表征VRV的JT相关间期特征信息；
步骤5：从统计学角度分析提取到的JT相关间期序列，计算JT相关间期序列在高、低频段的平均瞬时频率和T波面积序列的平均瞬时能量，测量各导联的特征间期序列在空间上的变异度；
步骤6：确定基于JT相关间期和T波面积参数的VRV阳性判据；
步骤7：提取VRV时空特征参数与恶性心脏事件危险程度的关系，建立患者VRV的跟踪数据库；
步骤8：基于VRV时空联合参数预测恶性心脏事件。
2.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于：步骤2中，运用小波变换的方法对采集的心电信号数据进行预处理，将频率小于预设值的信号进行去除，对5HZ至45HZ的信号进行滤波处理，得到稳定的心电信号。
3.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于，步骤3的具体实现过程是：结合原始信号，提取出S波起点，T波终点，得到ST间期；采用1HZ三次样条插值对ST间期序列重采样，提取出心室复极变异性VRV信号。
4.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于，步骤4的具体实现过程是：定位J点和T波起止点，J点定义为QRS波的终点，通过小波变换和T波位置域、幅度、斜率特点，实现T波特征的提取；进而获取准确表征VRV的JT相关间期和T波面积特征信息。
5.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于，步骤5的具体实现包括以下子步骤：
步骤5.1：引入JT相关间期变异系数JTiCV，用于描述JT相关间期标准差JTisd这个变异因子相对其对应的JT相关间期均值JTimean变异程度；
JTiCV＝JTisd/JTimean
其中，i＝{b，p，e}，分别代表T波起点、顶点和终点位置；
步骤5.2：引入时频参数，包括JT相关间期序列的瞬时频率IFJTi和T波面积序列的平均瞬时能量MIET；
通过MATLAB代码结合时域和频域从IFJTi和MIET角度来定量分析心室复极过程变化趋势和变异程度，提出VRV时空参数联合评估判据；通过IFJTi和MIET来分析VRV信号频率随时间变化的时频图，及其在时间频率上的跨度变化；通过相关性分析提取IFJTi和MIET在样本发展为恶性心脏事件和不发展为恶性心脏事件的变化规律，提取IFJTi和MIET与恶性心脏事件的相关性；
步骤5.3：定义JTid为标准12导联心电图上最大的JTi间期JTimax与最小JTi间期JTimin之差，来反映心室复极过程中JTi间期在同一时刻的空间离散度。
6.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于：步骤6中，分析JT相关间期的变异程度和时频变化，及空间变异离散度特征参数，寻找可真实反映心室复极变异程度的参数表达式是VRV阳性判据的关键。
7.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于：步骤7中，对VRV检测患者的进行追踪调查，获得详细、可靠的样本数据；关联VRV空间离散特征参数分析结果，提取VRV检测数据和心脏猝死定量分层预测的关系。
8.根据权利要求1所述的心室复极变异性时空联合分析方法，其特征在于，步骤7的具体实现过程是：考虑前期T波交替评估SCD事件的项目成果，统计并分析VRV时空特征信息和TWA预测因子等参数在恶性心脏事件发生时间、频率、危险程度方面的变异性表现，结合室性心律失常和心脏性猝死危险分层指南及Framingham风险评分模型，综合心电专家意见和当前谱分析法诊断结果，推断和归纳它们的逻辑关系，建立恶性心脏事件风险分析评估模型。
9.根据权利要求1-8任意一项所述的心室复极变异性时空联合分析方法，其特征在于：基于统计和概率分析来分析预测的有效性，首先统计数据，再通过MATLAB代码运行短时傅里叶变换之后利用双侧T检验分析，由此判断临床数据病变情况，若处在正常数据范围内，临床数据较大概率为正常数据；若处在病变数据范围内，临床数据较大概率为病变数据。
CN201711099654.4A 2017-11-09 2017-11-09 一种心室复极变异性时空联合分析方法 Active CN107802260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711099654.4A CN107802260B (zh) 2017-11-09 2017-11-09 一种心室复极变异性时空联合分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711099654.4A CN107802260B (zh) 2017-11-09 2017-11-09 一种心室复极变异性时空联合分析方法

Publications (2)

Publication Number Publication Date
CN107802260A true CN107802260A (zh) 2018-03-16
CN107802260B CN107802260B (zh) 2021-02-05

Family

ID=61583686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711099654.4A Active CN107802260B (zh) 2017-11-09 2017-11-09 一种心室复极变异性时空联合分析方法

Country Status (1)

Country Link
CN (1) CN107802260B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937919A (zh) * 2018-06-04 2018-12-07 湖北工业大学 一种消除心电信号基线漂移的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004103160A2 (en) * 2003-05-15 2004-12-02 Beth Israel Deaconess Medical Center Spatial heterogeneity of repolarization waveform amplitude to assess risk of sudden cardiac death
CN103356182A (zh) * 2012-03-30 2013-10-23 通用电气公司 用于预测室性快速型心律失常的方法、设备和计算机程序产品
CN103876732A (zh) * 2014-04-02 2014-06-25 太原理工大学 一种基于稀疏成分分析的j波提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004103160A2 (en) * 2003-05-15 2004-12-02 Beth Israel Deaconess Medical Center Spatial heterogeneity of repolarization waveform amplitude to assess risk of sudden cardiac death
CN103356182A (zh) * 2012-03-30 2013-10-23 通用电气公司 用于预测室性快速型心律失常的方法、设备和计算机程序产品
CN103876732A (zh) * 2014-04-02 2014-06-25 太原理工大学 一种基于稀疏成分分析的j波提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WOJCIECH ZAREBA ET AL: "Dispersion of Ventricular Repolarization and Arrhythmic Cardiac Death in Coronary Artery Disease", 《THE AMERICAN JOURNAL OF CARDIOLOGY》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937919A (zh) * 2018-06-04 2018-12-07 湖北工业大学 一种消除心电信号基线漂移的方法

Also Published As

Publication number Publication date
CN107802260B (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Zhang et al. Heart sound classification based on scaled spectrogram and partial least squares regression
CN110742585B (zh) 基于bcg信号的睡眠分期方法
Madeiro et al. An innovative approach of QRS segmentation based on first-derivative, Hilbert and Wavelet Transforms
Pal et al. Empirical mode decomposition based ECG enhancement and QRS detection
Cheng et al. Life-threatening ventricular arrhythmia detection with personalized features
CN104887220B (zh) 一种由腹壁心电信号提取胎儿心电信号的方法及系统
Conte et al. Usefulness of P-wave duration and morphologic variability to identify patients prone to paroxysmal atrial fibrillation
CN110037668B (zh) 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统
CN103961089B (zh) 基于分段直线拟合的窦性心率震荡趋势检测方法
Podziemski et al. Fetal heart rate discovery: algorithm for detection of fetal heart rate from noisy, noninvasive fetal ECG recordings
US9451901B2 (en) Method and device for evaluation of myocardial damages based on the current density variations
CN108652640B (zh) 一种基于心电信号的无创血糖检测方法及系统
Costin et al. Atrial fibrillation onset prediction using variability of ECG signals
Jin et al. Quantification of fragmented QRS complex using intrinsic time-scale decomposition
CN110826631B (zh) 心率失常疾病的分类方法、装置、存储介质和处理器
Bashar et al. Smartwatch based atrial fibrillation detection from photoplethysmography signals
Riasi et al. Prediction of ventricular tachycardia using morphological features of ECG signal
Akhter et al. Feature selection for heart rate variability based biometric recognition using genetic algorithm
CN107802260A (zh) 一种心室复极变异性时空联合分析方法
CN109846473B (zh) 一种检测单导联10秒心电图噪音干扰程度的方法
Martínez et al. Gaussian modeling of the P-wave morphology time course applied to anticipate paroxysmal atrial fibrillation
Murthy et al. ECG signal denoising and ischemic event feature extraction using Daubechies wavelets
Ródenas et al. Combined nonlinear analysis of atrial and ventricular series for automated screening of atrial fibrillation
Chen et al. A fast ECG diagnosis using frequency-based compressive neural network
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

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