CN108158578A - 噪声片段识别方法、ecg信号处理方法及装置 - Google Patents
噪声片段识别方法、ecg信号处理方法及装置 Download PDFInfo
- Publication number
- CN108158578A CN108158578A CN201711335499.1A CN201711335499A CN108158578A CN 108158578 A CN108158578 A CN 108158578A CN 201711335499 A CN201711335499 A CN 201711335499A CN 108158578 A CN108158578 A CN 108158578A
- Authority
- CN
- China
- Prior art keywords
- ecg signal
- noise
- segment signals
- noise segments
- peaks
- 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.)
- Pending
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]
- 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
- A61B5/24—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)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供一种噪声片段识别方法、ECG信号处理方法及装置。其中,该噪声片段识别方法包括:获得待识别的心电图ECG信号;从待识别的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;基于每一区段信号对应的噪声识别结果,确定ECG信号中的噪声片段。可见,通过本申请所提供的噪声片段识别方法可以有效识别ECG信号中的噪声片段。
Description
技术领域
本申请涉及心电图信号处理领域,特别涉及一种噪声片段识别方法、ECG信号处理方法及装置。
背景技术
随着智能硬件技术的发展,通过移动设备进行医疗健康侦测和诊断成为可能。其中,通过采集人体的ECG(electrocardiogram,心电图)信号进行心律测量和心血管疾病诊断成为一种有效手段。
目前具有ECG信号采集功能的智能手环、智能手表等可穿戴设备,为人们进行自助式心电探测提供了极大方便。具体的,这些可穿戴设备是通过传感器从用户的手腕部得到ECG信号。但是,由于受运动、皮肤干燥、肌电、以及传感器自身的电极干扰等等因素影响,从手腕部所采集的ECG信号会受到各种噪声的干扰。
尽管现有技术中存在对噪声抑制的方式,但是,ECG信号中的噪声干扰是无法被根除的,这样,无疑会导致基于ECG信号的心电测量的精准度较低。例如:在计算HRV(heartrate variability,心率变异性)时,需要计算一段时间(如连续60秒)ECG信号的R峰的周期性变化;而如果在这段时间内存在噪声,那么,可能抽取出一个或若干个完全不可信的R峰,或抽取出一个或若干个存在位置偏差的R峰,这些都会造成HRV计算的不准确,甚至完全不可用。
发明人发现,如果能够有效识别ECG信号中的噪声片段,从而在基于ECG信号的心电测量中避免利用噪声片段的相关信息,这无疑会使得心电测量得到有效提高。可见,如何有效识别ECG信号中的噪声片段是一个亟待解决的问题。
发明内容
有鉴于此,本申请提供了噪声片段识别方法、装置及电子设备,以有效识别ECG信号中的噪声片段;另外,本申请还提供了ECG信号处理方法、装置及电子设备,以提高属于心电测量的HRV值的计算精准度。
具体地,本申请是通过如下技术方案实现的:
第一方面,本申请提供了一种噪声片段识别方法,包括:
获得待识别的心电图ECG信号;
从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
可选地,所述从所获得的ECG信号中依次提取多个区段信号的步骤,包括:
利用滑动窗口在所述ECG信号上进行滑动,每隔预定时间间隔提取一次所述滑动窗口当前所对应的信号,得到多个区段信号;其中,所述滑动窗口的窗口大小为所述预定长度。
可选地,所述多个区段信号中相邻的区段信号具有重叠部分。
可选地,所述基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段的步骤,包括:
从所述多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定所述ECG信号中的噪声片段。
可选地,所述基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段的步骤,包括:
从所述多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定所述ECG信号中的噪声片段。
第二方面,本申请提供了一种噪声片段识别装置,包括:
信号获得单元,用于获得待识别的心电图ECG信号;
区段信号提取单元,用于从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
识别结果获得单元,用于将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
噪声片段确定单元,用于基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
可选地,所述区段信号提取单元包括:
提取子单元,用于利用滑动窗口在所述ECG信号上进行滑动,每隔预定时间间隔提取一次所述滑动窗口当前所对应的信号,得到多个区段信号;其中,所述滑动窗口的窗口大小为所述预定长度。
可选地,所述多个区段信号中相邻的区段信号具有重叠部分。
可选地,所述噪声片段确定单元包括:
第一选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
第一确定子单元,用于将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定所述ECG信号中的噪声片段。
可选地,所述噪声片段确定单元包括:第二选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
第二确定子单元,用于将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定所述ECG信号中的噪声片段。
第三方面,本申请提供了一种电子设备,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述权利要求1-5任一项所述的噪声片段识别方法。
第四方面,本申请提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请第一方面所提供的噪声片段识别方法。
第五方面,本申请提供了一种ECG信号处理方法,包括:
获得待处理的心电图ECG信号;
利用本申请第一方面所提供的噪声片段识别方法,对所获得的ECG信号进行噪声片段识别,得到所述ECG信号中的噪声片段;
从目标片段中提取多个R峰;其中,所述目标片段为所述ECG信号中除所述噪声片段以外的片段;
基于所提取的多个R峰对所述ECG信号进行平滑处理,得到第一ECG信号;
利用所提取的多个R峰和所述第一ECG信号,确定所述ECG信号的心率变异性HRV。
第六方面,本申请提供了一种ECG信号处理装置,包括:
信号获得单元,用于获得待处理的心电图ECG信号;
噪声片段识别单元,用于利用本申请第一方面所提供的噪声片段识别方法,对所获得的ECG信号进行噪声片段识别,得到所述ECG信号的噪声片段;
R峰提取单元,用于从目标片段中提取多个R峰;其中,所述目标片段为所述ECG信号中除所述噪声片段以外的片段;
第一ECG信号确定单元,用于基于所提取的多个R峰对所述ECG信号进行平滑处理,得到第一ECG信号;
结果确定单元,用于利用所提取的多个R峰和所述第一ECG信号,确定所述ECG信号的心率变异性HRV。
第七方面,本申请提供了一种电子设备,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述第五方面所提供的ECG信号处理方法。
第八方面,本申请提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述第五方面所提供的ECG信号处理方法。
第九方面,本申请提供了一种ECG信号处理方法,包括:
获得待处理的心电图ECG信号;
从所获得的ECG信号中提取多个R峰;
基于所述多个R峰对所述ECG信号进行平滑处理,得到第二ECG信号;
利用本申请第一方面所提供的噪声片段识别方法,对所述第二ECG信号进行噪声片段识别,得到所述第二ECG信号中的噪声片段;
从所提取的多个R峰中,剔除位于所述噪声片段中的R峰,得到剩余的R峰;
利用所述剩余的R峰和所述第二ECG信号,确定所述ECG信号的心率变异性。
第十方面,本申请提供了一种ECG信号处理装置,包括:
信号获得单元,用于获得待处理的心电图ECG信号;
R峰提取单元,用于从所获得的ECG信号中提取多个R峰;
第二ECG信号确定单元,用于基于所述多个R峰对所述ECG信号进行平滑处理,得到第二ECG信号;
噪声片段识别单元,用于利用本申请第一方面所提供的噪声片段识别方法,对所述第二ECG信号进行噪声片段识别,得到所述第二ECG信号中的噪声片段;
R峰剔除单元,用于从所提取的多个R峰中,剔除位于所述噪声片段中的R峰,得到剩余的R峰;
结果确定单元,用于利用所述剩余的R峰和所述第二ECG信号,确定所述ECG信号的心率变异性。
第十一方面,本申请提供了一种电子设备,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述第九方面所提供的ECG信号处理方法。
第十二方面,本申请提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述第九方面所提供的ECG信号处理方法。
本申请所提供的噪声片段识别方法中,通过卷积神经网络模型来识别ECG信号中的每一区段信号是否存在噪声,并根据每一区段信号对应的噪声识别结果,来确定该ECG信号中的噪声片段。由于卷积神经网络模型具有较高的识别效果,每一区段信号的噪声识别结果精准度较高,进而基于每一区段信号对应的噪声识别结果所确定的噪声片段的精准度较高,因此,通过本方案可以有效识别ECG信号中的噪声片段。
另外,本申请所提供的ECG信号处理方法在计算属于心电测量的HRV时,避免利用噪声片段中的R峰,因此,可以达到提高属于心电测量的HRV的计算精准度的目的。
附图说明
图1为本申请实施例所提供的一种噪声片段识别方法的流程图;
图2为本申请所提供的一种卷积神经网络模型的结构示意图;
图3为本申请实施例所提供的一种噪声片段识别方法另一流程图;
图4(a)和(b)均为通过滑动窗口滑动所得的区段信号的叠加示意图;
图5为本申请实施例所提供的一种噪声片段识别装置的结构示意图;
图6为本申请实施例所提供的一种噪声片段识别装置的另一结构示意图;
图7为本申请实施例所提供的一种电子设备的结构示意图;
图8为本申请实施例所提供的一种ECG信号处理方法的流程图;
图9为本申请实施例所提供的一种ECG信号处理装置的结构示意图;
图10为本申请实施例所提供的一种电子设备的结构示意图;
图11为本申请实施例所提供的ECG信号处理方法的流程图;
图12为本申请中R峰剔除过程的示意图;
图13为本申请实施例所提供的一种ECG信号处理装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供了一种噪声片段识别方法、装置及电子设备,以有效识别ECG信号中的噪声片段。
下面首先对本申请所提供的一种噪声片段识别方法进行介绍。
需要说明的是,本申请所提供的一种噪声片段识别方法的执行主体可以为一种噪声片段识别装置,该噪声片段识别装置可以为运行于电子设备中的功能软件或插件。
可以理解的是,在具体应用中,该电子设备可以为具有心电信号采集功能的设备,如:智能手环、智能手表或其他专门的心电信号采集设备;当然,该电子设备也可以为不具备心电信号采集功能的设备,例如:该电子设备为能够与具有心电信号采集功能的设备相通信的客户端设备或服务端设备,当然并不局限于此。
如图1所示,本申请所提供的一种噪声片段识别方法,可以包括如下步骤:
S101,获得待识别的心电图ECG信号;
可以理解的是,待识别的ECG信号为连续信号,例如:持续30s的ECG信号,或者,持续60s的ECG信号,等等。
需要说明的是,在具体应用中,所获得的ECG信号可以为去除数据基线漂移的信号等预处理后的信号,也可以为未去除数据基线漂移的信号等预处理后的信号。并且,数据基线漂移的计算和去除方式可以采用现有技术的任一种方式,由于不是本申请的发明点,在此不做限定。
S102,从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
在获得待识别的ECG信号后,为了识别该ECG信号中的噪声片段,本申请所提供方案中,首先从待识别的ECG信号中依次提取多个区段信号,进而执行后续的分区段识别过程。
其中,该预定长度为预先训练的卷积神经网络模型所对应的输入内容的长度。举例而言:预定长度可以为500个采样点,而如果采样率为250Hz,则预定长度的数据即为2s的数据;或者,预定长度可以为250个采样点,而如果采样率为250Hz,则预定长度的数据即为1s的数据。可以理解的是,预定长度的值越小,ECG信号被划分的越精细,此时,区段信号的区间范围越小,即区段信号所涵盖数据越少。而对于一个区段信号而言,所涵盖数据越少,那么,所涵盖数据中,不属于所对应噪声识别结果的数据越少,因此,基于区段信号合并而成的噪声片段的精准度越高,即噪声片段中不属于噪声的数据越少。但是,由于ECG信号被划分出的区段信号较多,卷积神经网络模型要处理的区段信号的数量也会较多,因此,可以根据具体应用需求,来确定卷积网络模型的输入内容的长度,即确定预定长度的值。
为了方便理解预定长度的值越小导致噪声片段的精准度越高,下面进行举例说明:
假设一段ECG信号为100个采样点,其中,第31-50个采样点是噪声数据;
如果预定长度是50个采样点,对于均分而言,将划分出2个区段信号,在利用卷积神经网络模型识别时,对于包含1-50采样点的区段信号的噪声识别结果为噪声,那么,噪声片段为包含1-50采样点的片段。
如果预定长度是10个采样点,对于均分而言,将划分出10个区段信号,在利用卷积神经网络模型识别时,对于包含31-40、41-50采样点的两个区段信号的噪声识别结果为噪声,那么,区段信号合并后,噪声片段为包含31-50采样点的片段。
可见,第一种粗分方式,噪声片段中包含一些非噪声数据,而第二种精细划分方式,噪声片段中未包含非噪声数据,因此,第二种精细划分方式,噪声片段的精准度较高。需要说明的是,在噪声片段识别精准度要求极高的场景下,多个区段信号所涵盖的信息量之和可以等于该ECG信号所涵盖的信息量,也就是说,该ECG信号中的各个采样点的信息均被利用;当然,在某些场景下,该多个区段信号所涵盖的信息量之和也可以小于该ECG信号所涵盖的信息量,也就是说,该ECG信号中的个别采样点的信息未被利用。
并且,从待识别的ECG信号中依次提取多个区段信号的具体提取方式可以存在多种,为了布局清楚及方案清晰,后续结合具体实施例来进行介绍。
S103,将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
在获得多个区段信号后,可以分别将每一区段信号作为输入内容,依次输入至预先训练的卷积神经网络模型中,从而得到每一区段信号对应的噪声识别结果。
其中,卷积神经网络模型的具体的层级结构可以根据实际情况设定,本申请对此不做限定。举例而言:本申请所提供的卷积神经网络模型的结构可以参照图2所示,该图2中的卷积神经网络模型为6层结构的学习网络(不包括输出层),其中,输入信号为500维,输出为二维数据data[0]data[1],其中,data[0]>0且data[1]<0,则噪声识别结果可以为存在噪声,反之,data[0]<0且data[1]>0,则表示不存在噪声。该图2所示的网络模型结构仅仅作为示例,并不应该构成对本申请的限定。
另外,训练该卷积神经网络模型时所利用的训练集可以包括若干条具有预定长度的噪声数据和若干条具有预定长度的非噪声数据,其中,噪声数据为存在噪声的ECG信号段,非噪声数据为不存在噪声的ECG信号段。另外,噪声数据和非噪声数据可以为经过数据基线漂移等预处理的数据,也可以为未经过数据基线漂移等预处理的数据。
可以理解的是,该ECG信号中所划分出的最后一个区段信号,可能不满足预定长度的要求。对于最后一个区段信号不满足预定长度的要求的情况,在具体应用中,该最后一个区段信号可以不输入至卷积神经网络模型中;并且,该最后一个区段信号可以直接被判定为不存在噪声,当然,也可以基于该最后一个区段信号所相邻的区段信号对应的噪声识别结果,来确定该最后一个区段信号的识别结果,具体的,当该最后一个区段信号所相邻的区段信号不存在噪声时,该最后一个区段信号被判定为不存在噪声,而当该最后一个区段信号所相邻的区段信号存在噪声时,该最后一个区段信号被判定为存在噪声。
S104,基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段。
在确定出每一区段信号对应的噪声结果后,可以整合各个区段信号对应的噪声识别结果,从而得到该ECG信号中的噪声片段。
其中,基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段的具体实现方式存在多种。下面举例介绍两种具体实现方式。
可选地,在一种具体实现方式中,所述基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段的步骤,可以包括:
从该多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定该ECG信号中的噪声片段。
该具体实现方式中,选取存在噪声的区段信号,并将存在噪声的区段信号进行片段整合,即连续的区段信号整合成一个片段,从而基于该整合得到的片段,确定该ECG信号的至少一个噪声片段。
需要说明的是,对于该ECG信号划分得到的最后一个区段信号满足预定长度的要求而言,可以直接将叠加得到的片段确定为该ECG信号中的噪声片段;而对于该ECG信号划分得到的最后一个区段信号不满足预定长度的要求而言,如果该最后一个区段信号所相邻的区段信号存在噪声,且该最后一个区段信号被判定为存在噪声,此时,可以将已经叠加得到的包含该最后一个区段信号所相邻的区段信号的片段,与该最后一个区段信号进行叠加,从而将当前所有片段确定为该ECG信号中的噪声片段。
可选地,在另一种具体实现方式中,所述基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段的步骤,可以包括:
从该多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定该ECG信号中的噪声片段。
该具体实现方式中,选取不存在噪声的区段信号,并将不存在噪声的区段信号进行片段整合,即连续的区段信号整合成一个片段,这样,得到该ECG信号中的至少一个非噪声片段,进而将非噪声片段以外的片段确定该ECG信号中的噪声片段。
需要说明的是,对于该ECG信号的最后一个区段信号满足预定长度的要求而言,可以直接将叠加得到的片段以外的片段确定为该ECG信号中的噪声片段;而对于该ECG信号的最后一个区段信号不满足预定长度的要求而言,如果该最后一个区段信号所相邻的区段信号不存在噪声,此时,可以将除已经叠加得到片段和该ECG信号的最后一个区段信号以外的片段,确定为该ECG信号中的噪声片段。
需要强调的是,上述所给出的基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段的具体实现方式仅仅作为示例,并不应该构成对本申请的限定。
本实施例所提供方案中,通过卷积神经网络模型来识别ECG信号中的每一区段信号是否存在噪声,并根据每一区段信号对应的噪声识别结果,来确定该ECG信号中的噪声片段。由于卷积神经网络模型具有较高的识别效果,每一区段信号的噪声识别结果精准度较高,进而基于每一区段信号对应的噪声识别结果所确定的噪声片段的精准度较高,因此,通过本方案可以有效识别ECG信号中的噪声片段。
下面结合具体实施例,对本申请所提供的一种噪声片段识别方法进行介绍。
其中,本申请所提供的一种噪声片段识别方法的执行主体为一种噪声片段识别装置。关于噪声片段识别装置所运行于的电子设备的相关介绍内容参见上述实施例,在此不做赘述。
如图3所示,本申请所提供的一种噪声片段识别方法,可以包括如下步骤:
S201,获得待识别的心电图ECG信号;
本实施例中的S201与上述实施例中的S101相同,在此不做赘述。
S202,利用滑动窗口在该ECG信号上进行滑动,每隔预定时间间隔提取一次该滑动窗口当前所对应的信号,得到多个区段信号;
其中,该滑动窗口的窗口大小为该预定长度。可以理解的是,该多个区段信号中相邻的区段信号可以具有重叠部分,也可以不具有重叠部分;并且,在具有重叠部分或不具有重叠部分的需求确定之后,根据滑动窗口的窗口大小、采样率和相邻区段信号的重叠比例来确定该预定时间间隔。举例而言:假设滑动窗口大小为100个采样点且心电图的采样率为25HZ,此时,滑动窗口的窗口大小为4s的数据,假设重叠比例要求为0,则在滑动窗口滑动过程中每隔4s提取一次区段信号,即该预定时间间隔为4s;而假设重叠比例为50%,则在滑动窗口滑动过程中每隔2s提取一次区段信号,即该预定时间间隔为2s。
可以理解的是,为了达到更加精准的效果,在具体应用中,可以采用滑动窗口滑动的方式来得到多个具有重叠部分的区段信号。
并且,在利用滑动窗口在该ECG信号上进行滑动时,可以利用滑动窗口在该ECG信号上从左到右进行滑动,也可以利用滑动窗口在该ECG信号上从右到左进行滑动。
S203,将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
本实施例中的S203与上述实施例的S103相同,在此不做赘述。
S204,基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
本实施例中,S204与上述S104的具体内容相同,在此不做赘述。
为了方便理解本实施例的方案,下面结合附图4(a)和图4(b)来举例说明:
图4(a)和图4(b)中,0代表噪声识别结果为不存在噪声,1代表噪声识别结果为存在噪声,不可信区段即为噪声片段,可信区段极为非噪声片段;
具体的,如图4(a)所示,基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段时,可以将噪声识别结果为1的区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定为该ECG信号中的至少一个噪声片段;
如图4(b)所示,基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段时,可以将噪声识别结果为0的区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定为该ECG信号中的至少一个噪声片段。
本实施例所提供方案中,利用滑动窗口在ECG信号上滑动,得到多个区段信号,并通过卷积神经网络模型识别每一区段信号是否存在噪声,进而根据每一区段信号对应的噪声识别结果,来确定该ECG信号中的噪声片段。由于卷积神经网络模型具有较高的识别效果,每一区段信号的噪声识别结果精准度较高,进而基于每一区段信号对应的噪声识别结果所确定的噪声片段的精准度较高,因此,通过本方案可以有效识别ECG信号中的噪声片段。
相应于上述的噪声片段识别方法的实施例,本申请一种噪声片段识别装置,如图5所示,该装置可以包括:
信号获得单元510,用于获得待识别的心电图ECG信号;
区段信号提取单元520,用于从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
识别结果获得单元530,用于将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
噪声片段确定单元540,用于基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
本实施例所提供方案中,通过卷积神经网络模型来识别ECG信号中的每一区段信号是否存在噪声,并根据每一区段信号对应的噪声识别结果,来确定该ECG信号中的噪声片段。由于卷积神经网络模型具有较高的识别效果,每一区段信号的噪声识别结果精准度较高,进而基于每一区段信号对应的噪声识别结果所确定的噪声片段的精准度较高,因此,通过本方案可以有效识别ECG信号中的噪声片段。
可选地,如图6所示,所述区段信号提取单元520可以包括:
提取子单元521,用于利用滑动窗口在所述ECG信号上进行滑动,每隔预定时间间隔提取一次所述滑动窗口当前所对应的信号,得到多个区段信号;其中,所述滑动窗口的窗口大小为所述预定长度。
可选地,所述多个区段信号中相邻的区段信号具有重叠部分。
可选地,所述噪声片段确定单元540可以包括:
第一选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
第一确定子单元,用于将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定所述ECG信号中的噪声片段。
可选地,所述噪声片段确定单元540可以包括:
第二选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
第二确定子单元,用于将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定所述ECG信号中的噪声片段。
本申请噪声片段识别装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本申请噪声片段识别装置所在电子设备的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
另外,相应于上述方法实施例,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请上述的噪声片段识别方法。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
另外,基于上述的噪声片段识别方法,本申请还提供了一种ECG信号处理方法、装置及电子设备,以提高属于心电测量的HRV的计算精准度。
下面首先对本申请所提供的一种ECG信号处理方法进行介绍。
需要说明的是,本申请所提供的一种ECG信号处理方法的执行主体可以为一种ECG信号处理装置,该ECG信号处理装置可以为运行于电子设备中的功能软件或插件。
可以理解的是,在具体应用中,该电子设备可以为具有心电信号采集功能的设备,如:智能手环、智能手表或其他专门的心电信号采集设备;当然,该电子设备也可以为不具备心电信号采集功能的设备,例如:该电子设备为能够与具有心电信号采集功能的设备相通信的客户端设备或服务端设备,当然并不局限于此。
如图8所示,本申请所提供的一种ECG信号处理方法,可以包括如下步骤:
S301,获得待处理的心电图ECG信号;
其中,待处理的ECG信号可以为去除数据基线漂移的信号。当然,待处理的ECG信号也可以为未去除数据基线漂移的信号;而当待处理的ECG信号为未去除数据基线漂移的信号时,为了保证较高的精准度,在噪声片段识别之前,可以对所获得的ECG信号进行去除数据基线漂移的处理,后续各个步骤均利用去除数据基线漂移的处理后所得的ECG信号。
可以理解的是,数据基线漂移的计算和去除方式可以采用现有技术的任一种方式,在此不做限定。
S302,对所获得的ECG信号进行噪声片段识别,得到该ECG信号中的噪声片段;
具体的,利用本申请上述的噪声片段识别方法对所获得的ECG信号进行噪声片段识别,其中,具体的识别过程为:
获得待识别的ECG信号;
从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
基于每一区段信号对应的噪声识别结果,确定该ECG信号中的噪声片段。
关于识别过程中各个步骤的具体实现以及相关描述内容可以参见上述关于噪声片段识别方法实施例内容,在此不做赘述。S303,从目标片段中提取多个R峰;其中,该目标片段为该ECG信号中除所述噪声片段以外的片段;
为了计算属于心电测量的HRV,在得到该ECG信号中的噪声片段后,可以从目标片段中提取多个R峰,以避免利用噪声片段的R峰。
其中,从目标片段中提取多个R峰的具体实现方式可以参见现有技术中从ECG信号中提取R峰的任一种实现方式,本申请对此不做限定。
S304,基于所提取的多个R峰对该ECG信号进行平滑处理,得到第一ECG信号;
其中,基于所提取的多个R峰对该ECG信号进行平滑处理的具体实现方式如下:
用滑动窗口求该ECG信号的平均值,利用所求得的平均值对该ECG信号的整体信号进行噪声平滑,然后根据所提取的R峰,将该ECG信号中出现R峰的位置的信号恢复到噪声平滑之前。其中,滑动窗口的尺寸可以预先设置。
通过基于所提取的多个R峰对该ECG信号进行平滑处理,实现了既对ECG信号滤噪,又保护了ECG信号的R峰的目的。
S305,利用所提取的多个R峰和该第一ECG信号,确定该ECG信号的心率变异性HRV。
需要说明的是,利用所提取的多个R峰和该第一ECG信号,确定该ECG信号的心率变异性HRV的具体实现方式可以采用现有技术中的任一种计算方式。
其中,现有技术中HRV的计算方式可以分为频域和时域两类。其中,时域分析是通过计算一系列有关R-R间期的数理统计指标来评价心率变异性的临床指标;而频域分析为将连续正常的R-R间期进行基于FFT的经典谱估计或基于自回归AR模型的现代谱估计获得的功率谱密度,可以作为定量的指标来描述HRV信号的能量分布情况,它将各种生理因素作适当分离后进行分析,因而有较大的临床价值。其中,FFT为的全称为Fast FourierTransformation),其是离散傅氏变换(DFT)的快速算法。
本实施例中,在计算属于心电测量的HRV时,避免利用噪声片段中的R峰,因此,可以达到提高属于心电测量的HRV的计算精准度的目的。
相应于图8所述的ECG信号处理方法,本申请还提供了一种ECG信号处理装置。如图9所示,本申请所提供的一种ECG信号处理装置可以包括:
信号获得单元910,用于获得待处理的心电图ECG信号;
噪声片段识别单元920,用于利用本申请所述的噪声片段识别方法,对所获得的ECG信号进行噪声片段识别,得到所述ECG信号的噪声片段;
R峰提取单元930,用于从目标片段中提取多个R峰;其中,所述目标片段为所述ECG信号中除所述噪声片段以外的片段;
第一ECG信号确定单元940,用于基于所提取的多个R峰对所述ECG信号进行平滑处理,得到第一ECG信号;
结果确定单元950,用于利用所提取的多个R峰和所述第一ECG信号,确定所述ECG信号的心率变异性HRV。
本实施例中,在计算属于心电测量的HRV时,避免利用噪声片段中的R峰,因此,可以达到提高属于心电测量的HRV的计算精准度的目的。
本申请ECG信号处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图10所示,为本申请ECG信号处理装置所在电子设备的一种硬件结构图,除了图10所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
另外,相应于上述方法实施例,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请上述图8所示的ECG信号处理方法。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
另外,基于上述的噪声片段识别方法,本申请还提供了一种ECG信号处理方法、装置及电子设备,以提高属于心电测量的HRV的计算精准度。
下面首先对本申请所提供的一种ECG信号处理方法进行介绍。
需要说明的是,本申请所提供的一种ECG信号处理方法的执行主体可以为一种ECG信号处理装置,该ECG信号处理装置可以为运行于电子设备中的功能软件或插件。
可以理解的是,在具体应用中,该电子设备可以为具有心电信号采集功能的设备,如:智能手环、智能手表或其他专门的心电信号采集设备;当然,该电子设备也可以为不具备心电信号采集功能的设备,例如:该电子设备为能够与具有心电信号采集功能的设备相通信的客户端设备或服务端设备,当然并不局限于此。
如图11所示,本申请所提供的一种ECG信号处理方法可以包括如下步骤:
S401,获得待处理的心电图ECG信号;
其中,待处理的ECG信号可以为去除数据基线漂移的信号。当然,待处理的ECG信号也可以为未去除数据基线漂移的信号;而当待处理的ECG信号为未去除数据基线漂移的信号时,为了保证较高的精准度,在噪声片段识别之前,可以对所获得的ECG信号进行去除数据基线漂移的处理,后续各个步骤均利用去除数据基线漂移的处理后所得的ECG信号。
可以理解的是,数据基线漂移的计算和去除方式可以采用现有技术的任一种方式,在此不做限定。
S402,从所获得的ECG信号中提取多个R峰;
为了计算属于心电测量的HRV,在获得待处理的ECG信号后,可以从所获得的ECG信号中提取多个R峰。
其中,从所获得的ECG信号中提取多个R峰的具体实现方式可以参见现有技术中的从ECG信号中提取R峰的任一种实现方式。
S403,基于该多个R峰对该ECG信号进行平滑处理,得到第二ECG信号;
其中,基于该多个R峰对该ECG信号进行平滑处理的具体实现方式可以如下:
用滑动窗口求该ECG信号的平均值,利用所求得的平均值对该ECG信号的整体信号进行噪声平滑,然后根据所提取的R峰,将该ECG信号中出现R峰的位置的信号恢复到噪声平滑之前。其中,滑动窗口的尺寸可以预先设置。
通过基于所提取的多个R峰对该ECG信号进行平滑处理,实现了既对ECG信号滤噪,又保护了ECG信号的R峰的目的。
S404,对该第二ECG信号进行噪声片段识别,得到该第二ECG信号中的噪声片段;
为了避免利用噪声片段中的R峰,可以对该第二ECG信号进行噪声片段识别,得到该第二ECG信号中的噪声片段。具体的,利用本申请上述的噪声片段识别方法,对该第二ECG信号进行噪声片段识别,其中,具体的识别过程包括:
获得待识别的第二ECG信号;
从所获得的第二ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
基于每一区段信号对应的噪声识别结果,确定该第二ECG信号中的噪声片段。
关于识别过程中各个步骤的具体实现以及相关描述内容可以参见上述关于噪声片段识别方法实施例内容,在此不做赘述。
S405,从所提取的多个R峰中,剔除位于该噪声片段中的R峰,得到剩余的R峰;
为了避免利用噪声片段中的R峰,在确定出多个R峰和该第二ECG信号中的噪声片段后,可以从所提取的多个R峰中,剔除位于该噪声片段中的R峰,得到剩余的R峰。
S406,利用该剩余的R峰和该第二ECG信号,确定该ECG信号的心率变异性HRV。
需要说明的是,利用该剩余的R峰和该第二ECG信号,确定该ECG信号的心率变异性的具体实现方式可以采用现有技术中的任一种计算方式。
其中,现有技术中HRV的计算方式可以分为频域和时域两类。其中,时域分析是通过计算一系列有关R-R间期的数理统计指标来评价心率变异性的临床指标;而频域分析为将连续正常的R-R间期进行基于FFT的经典谱估计或基于自回归AR模型的现代谱估计获得的功率谱密度,可以作为定量的指标来描述HRV信号的能量分布情况,它将各种生理因素作适当分离后进行分析,因而有较大的临床价值。其中,FFT为的全称为Fast FourierTransformation),其是离散傅氏变换(DFT)的快速算法。
为了方便理解方案,参见12所示的R峰剔除过程:图12中,第一行展示出经过基于R峰位置的平滑处理后的ECG信号,第二行展示出利用本申请所提供的噪声片段识别方法对第一行所示出的ECG信号所识别出的噪声片段,第三行展示出在第一行所示出的ECG信号的全信号区段所提取的R峰,第四行展示出剔除位于噪声片段中的R峰后所得到的剩余的R峰。
本实施例中,在计算属于心电测量的HRV时,避免利用噪声片段中的R峰,因此,可以达到提高属于心电测量的HRV的计算精准度的目的。
相应于上述图11所示的ECG信号处理方法,本申请还提供了ECG信号处理装置。如图13所示,该装置可以包括:
信号获得单元1310,用于获得待处理的心电图ECG信号;
R峰提取单元1320,用于从所获得的ECG信号中提取多个R峰;
第二ECG信号确定单元1330,用于基于所述多个R峰对所述ECG信号进行平滑处理,得到第二ECG信号;
噪声片段识别单元1340,用于利用本申请所述的噪声片段识别方法,对所述第二ECG信号进行噪声片段识别,得到所述第二ECG信号中的噪声片段;
R峰剔除单元1350,用于从所提取的多个R峰中,剔除位于所述噪声片段中的R峰,得到剩余的R峰;
结果确定单元1360,用于利用所述剩余的R峰和所述第二ECG信号,确定所述ECG信号的心率变异性。
本实施例中,在计算属于心电测量的HRV时,避免利用噪声片段中的R峰,因此,可以达到提高属于心电测量的HRV的计算精准度的目的。
本申请ECG信号处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图10所示,为本申请ECG信号处理装置所在电子设备的一种硬件结构图,除了图10所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
另外,相应于上述方法实施例,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请上述图11所示的ECG信号处理方法。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (20)
1.一种噪声片段识别方法,其特征在于,包括:
获得待识别的心电图ECG信号;
从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
2.根据权利要求1所述的方法,其特征在于,所述从所获得的ECG信号中依次提取多个区段信号的步骤,包括:
利用滑动窗口在所述ECG信号上进行滑动,每隔预定时间间隔提取一次所述滑动窗口当前所对应的信号,得到多个区段信号;其中,所述滑动窗口的窗口大小为所述预定长度。
3.根据权利要求2所述的方法,其特征在于,所述多个区段信号中相邻的区段信号具有重叠部分。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段的步骤,包括:
从所述多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定所述ECG信号中的噪声片段。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段的步骤,包括:
从所述多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定所述ECG信号中的噪声片段。
6.一种噪声片段识别装置,其特征在于,包括:
信号获得单元,用于获得待识别的心电图ECG信号;
区段信号提取单元,用于从所获得的ECG信号中依次提取多个区段信号;其中,每一区段信号均具有预定长度;
识别结果获得单元,用于将每一区段信号依次作为输入内容输入至预先训练的卷积神经网络模型中,得到每一区段信号对应的噪声识别结果;
噪声片段确定单元,用于基于每一区段信号对应的噪声识别结果,确定所述ECG信号中的噪声片段。
7.根据权利要求6所述的装置,其特征在于,所述区段信号提取单元包括:
提取子单元,用于利用滑动窗口在所述ECG信号上进行滑动,每隔预定时间间隔提取一次所述滑动窗口当前所对应的信号,得到多个区段信号;其中,所述滑动窗口的窗口大小为所述预定长度。
8.根据权利要求7所述的装置,其特征在于,所述多个区段信号中相邻的区段信号具有重叠部分。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述噪声片段确定单元包括:
第一选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为存在噪声的第一类目标区段信号;
第一确定子单元,用于将各个第一类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段,确定所述ECG信号中的噪声片段。
10.根据权利要求6-8任一项所述的装置,其特征在于,所述噪声片段确定单元包括:第二选取子单元,用于从所述多个区段信号中,选取所对应噪声识别结果为不存在噪声的第二类目标区段信号;
第二确定子单元,用于将各个第二类目标区段信号按照时间关系进行叠加,并基于叠加得到的片段以外的片段,确定所述ECG信号中的噪声片段。
11.一种电子设备,其特征在于,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述权利要求1-5任一项所述的噪声片段识别方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-5任一项所述的噪声片段识别方法。
13.一种ECG信号处理方法,其特征在于,包括:
获得待处理的心电图ECG信号;
利用权利要求1-5任一项所述的噪声片段识别方法,对所获得的ECG信号进行噪声片段识别,得到所述ECG信号中的噪声片段;
从目标片段中提取多个R峰;其中,所述目标片段为所述ECG信号中除所述噪声片段以外的片段;
基于所提取的多个R峰对所述ECG信号进行平滑处理,得到第一ECG信号;
利用所提取的多个R峰和所述第一ECG信号,确定所述ECG信号的心率变异性HRV。
14.一种ECG信号处理装置,其特征在于,包括:
信号获得单元,用于获得待处理的心电图ECG信号;
噪声片段识别单元,用于利用权利要求1-5任一项所述的噪声片段识别方法,对所获得的ECG信号进行噪声片段识别,得到所述ECG信号的噪声片段;
R峰提取单元,用于从目标片段中提取多个R峰;其中,所述目标片段为所述ECG信号中除所述噪声片段以外的片段;
第一ECG信号确定单元,用于基于所提取的多个R峰对所述ECG信号进行平滑处理,得到第一ECG信号;
结果确定单元,用于利用所提取的多个R峰和所述第一ECG信号,确定所述ECG信号的心率变异性HRV。
15.一种电子设备,其特征在于,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述权利要求13所述的ECG信号处理方法。
16.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求13所述的ECG信号处理方法。
17.一种ECG信号处理方法,其特征在于,包括:
获得待处理的心电图ECG信号;
从所获得的ECG信号中提取多个R峰;
基于所述多个R峰对所述ECG信号进行平滑处理,得到第二ECG信号;
利用权利要求1-5任一项所述的噪声片段识别方法,对所述第二ECG信号进行噪声片段识别,得到所述第二ECG信号中的噪声片段;
从所提取的多个R峰中,剔除位于所述噪声片段中的R峰,得到剩余的R峰;
利用所述剩余的R峰和所述第二ECG信号,确定所述ECG信号的心率变异性。
18.一种ECG信号处理装置,其特征在于,包括:
信号获得单元,用于获得待处理的心电图ECG信号;
R峰提取单元,用于从所获得的ECG信号中提取多个R峰;
第二ECG信号确定单元,用于基于所述多个R峰对所述ECG信号进行平滑处理,得到第二ECG信号;
噪声片段识别单元,用于利用权利要求1-5任一项所述的噪声片段识别方法,对所述第二ECG信号进行噪声片段识别,得到所述第二ECG信号中的噪声片段;
R峰剔除单元,用于从所提取的多个R峰中,剔除位于所述噪声片段中的R峰,得到剩余的R峰;
结果确定单元,用于利用所述剩余的R峰和所述第二ECG信号,确定所述ECG信号的心率变异性。
19.一种电子设备,其特征在于,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述权利要求17所述的ECG信号处理方法。
20.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求17所述的ECG信号处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335499.1A CN108158578A (zh) | 2017-12-14 | 2017-12-14 | 噪声片段识别方法、ecg信号处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335499.1A CN108158578A (zh) | 2017-12-14 | 2017-12-14 | 噪声片段识别方法、ecg信号处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108158578A true CN108158578A (zh) | 2018-06-15 |
Family
ID=62525174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711335499.1A Pending CN108158578A (zh) | 2017-12-14 | 2017-12-14 | 噪声片段识别方法、ecg信号处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108158578A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836312A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种新型基于人工智能的进行杂波剔除的方法及系统 |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN109645981A (zh) * | 2018-12-18 | 2019-04-19 | 联想(北京)有限公司 | 数据处理方法及数据处理装置 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN109758140A (zh) * | 2019-01-09 | 2019-05-17 | 平安科技(深圳)有限公司 | 一种心率检测方法和装置 |
CN109793511A (zh) * | 2019-01-16 | 2019-05-24 | 成都蓝景信息技术有限公司 | 基于深度学习技术的心电信号噪声检测算法 |
CN110179456A (zh) * | 2019-05-23 | 2019-08-30 | 中国航天员科研训练中心 | 心电噪声识别模型训练及心电噪声检测方法、装置 |
CN110192864A (zh) * | 2019-06-12 | 2019-09-03 | 北京交通大学 | 一种跨域心电图生物特征身份识别方法 |
CN111714101A (zh) * | 2019-03-20 | 2020-09-29 | 安徽华米信息科技有限公司 | 信号处理方法及装置 |
CN111839501A (zh) * | 2020-07-20 | 2020-10-30 | 北京航空航天大学 | 一种基于频域自相关的心电信号干扰去噪方法及系统 |
CN113995394A (zh) * | 2021-12-17 | 2022-02-01 | 珠海格力电器股份有限公司 | 一种生理信号的处理方法、装置、设备及存储介质 |
CN117617984A (zh) * | 2022-08-09 | 2024-03-01 | 荣耀终端有限公司 | 心电信号的处理方法和电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103720468A (zh) * | 2013-12-05 | 2014-04-16 | 深圳先进技术研究院 | 应用于动态心电数据的伪差识别方法和装置 |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN104545844A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院苏州生物医学工程技术研究所 | 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法 |
CN105125206A (zh) * | 2015-09-15 | 2015-12-09 | 中山大学 | 一种智能心电监护方法及装置 |
CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN105726013A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种具有心电信号质量判别功能的心电监测系统 |
CN105769173A (zh) * | 2016-02-29 | 2016-07-20 | 浙江铭众科技有限公司 | 一种具有心电信号去噪功能的心电监测系统 |
CN106037720A (zh) * | 2015-12-04 | 2016-10-26 | 贵州大学 | 混合连续信息分析技术在医学上的应用方法 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106510687A (zh) * | 2016-12-12 | 2017-03-22 | 中国软件与技术服务股份有限公司 | 一种识别心电图数据异常的方法及系统 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
-
2017
- 2017-12-14 CN CN201711335499.1A patent/CN108158578A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103720468A (zh) * | 2013-12-05 | 2014-04-16 | 深圳先进技术研究院 | 应用于动态心电数据的伪差识别方法和装置 |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN104545844A (zh) * | 2014-12-25 | 2015-04-29 | 中国科学院苏州生物医学工程技术研究所 | 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法 |
CN105125206A (zh) * | 2015-09-15 | 2015-12-09 | 中山大学 | 一种智能心电监护方法及装置 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
CN106037720A (zh) * | 2015-12-04 | 2016-10-26 | 贵州大学 | 混合连续信息分析技术在医学上的应用方法 |
CN105726013A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种具有心电信号质量判别功能的心电监测系统 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
CN105769173A (zh) * | 2016-02-29 | 2016-07-20 | 浙江铭众科技有限公司 | 一种具有心电信号去噪功能的心电监测系统 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106510687A (zh) * | 2016-12-12 | 2017-03-22 | 中国软件与技术服务股份有限公司 | 一种识别心电图数据异常的方法及系统 |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836312A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种新型基于人工智能的进行杂波剔除的方法及系统 |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN109157200B (zh) * | 2018-10-31 | 2021-03-23 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN109645981A (zh) * | 2018-12-18 | 2019-04-19 | 联想(北京)有限公司 | 数据处理方法及数据处理装置 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN109758140A (zh) * | 2019-01-09 | 2019-05-17 | 平安科技(深圳)有限公司 | 一种心率检测方法和装置 |
CN109793511A (zh) * | 2019-01-16 | 2019-05-24 | 成都蓝景信息技术有限公司 | 基于深度学习技术的心电信号噪声检测算法 |
CN111714101A (zh) * | 2019-03-20 | 2020-09-29 | 安徽华米信息科技有限公司 | 信号处理方法及装置 |
KR20200113215A (ko) | 2019-03-20 | 2020-10-06 | 안후이 화미 인포메이션 테크놀러지 코., 엘티디. | 착용 가능한 기기, 신호 처리 방법 및 장치 |
CN111714101B (zh) * | 2019-03-20 | 2021-09-24 | 安徽华米信息科技有限公司 | 信号处理方法及装置 |
CN110179456A (zh) * | 2019-05-23 | 2019-08-30 | 中国航天员科研训练中心 | 心电噪声识别模型训练及心电噪声检测方法、装置 |
CN110192864A (zh) * | 2019-06-12 | 2019-09-03 | 北京交通大学 | 一种跨域心电图生物特征身份识别方法 |
CN111839501A (zh) * | 2020-07-20 | 2020-10-30 | 北京航空航天大学 | 一种基于频域自相关的心电信号干扰去噪方法及系统 |
CN111839501B (zh) * | 2020-07-20 | 2021-05-04 | 北京航空航天大学 | 一种基于频域自相关的心电信号干扰去噪方法及系统 |
CN113995394A (zh) * | 2021-12-17 | 2022-02-01 | 珠海格力电器股份有限公司 | 一种生理信号的处理方法、装置、设备及存储介质 |
CN117617984A (zh) * | 2022-08-09 | 2024-03-01 | 荣耀终端有限公司 | 心电信号的处理方法和电子设备 |
CN117617984B (zh) * | 2022-08-09 | 2024-08-27 | 荣耀终端有限公司 | 心电信号的处理方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108158578A (zh) | 噪声片段识别方法、ecg信号处理方法及装置 | |
AU2018200751B2 (en) | A cascaded binary classifier for identifying rhythms in a single-lead electrocardiogram (ecg) signal | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
CN112022144B (zh) | 心电异常检测网络训练方法、心电异常预警方法及装置 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN107233093B (zh) | R波的检测方法、装置及电子设备 | |
CN108968941A (zh) | 一种心律失常检测方法、装置及终端 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
CN110522442B (zh) | 多导联心电异常检测装置、电子设备和存储介质 | |
US11354339B2 (en) | Method and system for clustering users using cognitive stress report for classifying stress levels | |
Dessì et al. | An advanced algorithm for fetal heart rate estimation from non-invasive low electrode density recordings | |
CN110495877A (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
CN108154085A (zh) | 基于心电数据进行身份识别的方法、装置及电子设备 | |
CN110393520A (zh) | 一种心电数据分析方法及装置、心电分析仪、存储介质 | |
CN107361753A (zh) | 基于脉搏波形特征点的人体健康状态监护方法 | |
CN109512395B (zh) | 一种生物信号的分析处理方法、装置及设备 | |
CN104095627A (zh) | 一种心电图数字化信号质量软判决方法和装置 | |
CN108694355B (zh) | 一种信号处理方法及装置 | |
CN108125678A (zh) | 心电信号的方向检测方法、装置及电子设备 | |
CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及系统 | |
CN113499082A (zh) | Qrs波群检测方法、心电检测装置及可读存储介质 | |
CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN111449647B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |