CN108514414A - 一种信号处理设备、人体心电信号处理及疾病预测方法 - Google Patents
一种信号处理设备、人体心电信号处理及疾病预测方法 Download PDFInfo
- Publication number
- CN108514414A CN108514414A CN201810448599.3A CN201810448599A CN108514414A CN 108514414 A CN108514414 A CN 108514414A CN 201810448599 A CN201810448599 A CN 201810448599A CN 108514414 A CN108514414 A CN 108514414A
- Authority
- CN
- China
- Prior art keywords
- points
- electrocardiosignal
- rhythm
- module
- signal
- 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]
-
- 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
- A61B5/24—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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供了一种信号处理设备,包括:预处理模块,所述预处理模块用于对原始离散的心电信号去除噪声与基线校准;特征提取模块,所述特征提取模块通过综合运用二进样条小波变换和动态阈值的腐蚀膨胀方法提取心电信号的特征参数;心率计算模块,所述心率计算模块用于动态计算心率;疾病预测模块,所述疾病预测模块利用支持向量机进行疾病预测与分类。具有快速,稳定、精度高的特点。
Description
技术领域
本发明涉及信号处理方法领域,进一步涉及人体医疗健康领域,心电信号的处理。
背景技术
长久以来,心血管疾病因其高发病率和高死亡率严重威胁着人类的健康和生命,据统计,每年全球死于心血管疾病的人约万人,约占死亡人口的三分之一。心律不齐疾病作为心血管疾病的一种,其治疗与预防已经越来越受到人们的关注。心脏类疾病的预防、诊断和治疗尤为重要,是当今医学人员的巨大挑战和研究热点。
心电图是一种使用广泛的廉价无创检查手段,是用来观察心脏电活动、电瞬态方面的标准技术。是心脏活动过程中电流差异在体表的记录图形,也是目前唯一能反映心脏电活动的技术。另外,信号的复杂性和多样性,其分析研究涉及到众多理论和技术,是个多学科综合的庞大课题。目前,由于心电图的智能分析的准确性和可靠性并不能与心脏病专家的分析相提并论,所以它在实际临床应用中的比例并不大。而ECG心电信号(ECG)波形特征的准确提取是保证心电图智能分析准确性和可靠性的一个关键点方法。
发明内容
本发明要解决的技术问题是如何有效的处理采样设备传来的ECG心电信号,从中提取有效的生理参数,并动态地计算心率值,实现疾病预测的功能。为了解决上述技术问题,本发明实施例提供了一种信号处理设备,包括:预处理模块,所述预处理模块用于对原始离散的心电信号去除噪声与基线校准;特征提取模块,所述特征提取模块通过综合运用二进样条小波变换和动态阈值的腐蚀膨胀方法提取心电信号的特征参数;心率计算模块,所述心率计算模块用于动态计算心率;疾病预测模块,所述疾病预测模块利用支持向量机进行疾病预测与分类。
进一步的,所述预处理模块,利用小波分解,软阈值去噪与小波分解逆运算的方法进行信号噪声去除与基线校准。
进一步的,使用bior3.5小波基对原始信号进行小波分解运算,根据不同的原始信号采样率,确定不同的分解层数,系数数组长度的对数作为系数软阈值去噪的阈值,对高层的细节系数进行软阈值去噪后,再进行小波分解的逆运算将处理后的细节系数与轮廓系数还原为去噪。
进一步的,所述特征提取模块利用动态腐蚀膨胀方法提取ECG信号的QRS特征点及利用二进样条小波变换提取TP特征点。
进一步的,所述利用动态腐蚀膨胀方法提取ECG信号的QRS特征点,包括;
选取[1,1,1,1,1]作为结构参数,对心电信号ori进行一次腐蚀方法,再进行一次膨胀方法得到时间序列tmp,将原心电信号ori减去tmp,就得到一个新数组rArr,rArr中极大值所在的位置就是心电信号ori中R点所在的位置;
对心电信号ori进行一次膨胀方法,再进行一次腐蚀方法得到时间序列tmp2,将原心电信号ori减去tmp2,就得到新数组qArr,qArr中包含的极大值的位置分别对应了原心电信号ori中的Q,S点所在的位置;
在一个心电周期中,在R点之前的是Q点,在R点之后的是S点。
进一步的,所述利用二进样条小波变换提取TP特征点,包括:
取出其中的第四层系数,找出所述第四层细节系数中在R点左侧RR值的1/3宽的窗口中的极大值,即为T点的位置,若R点左侧的窗口中没有极大值时,说明该心电周期没有明显的T波;
在R点右侧RR值的1/3宽的窗口中寻找极大值,即为P点的位置,若R点右侧的窗口中没有极大值时,说明该心电周期没有明显的P波。
进一步的,所述心率计算模块通过分析ECG信号的R点的方法对人体心率进行推导,采用心电周期中 QRS 波群中的 R 波峰之间的时间间隔序列来表示 HRV 信号。
进一步的,所述心率计算模块通过分析小波系数中的模极大值对的位置信息,在此位置区间中找到原心电信号中峰值最高的点作为 R 峰顶点;
假设心电信号中变化最快的波形为 R 波,利用小波系数中正极大值,负极大值位置的先后顺序,判断 R 波方向是正向还是倒置;
检测出特定时间内的R波峰的数目,进而计算出特定时间内的R峰数目。
进一步的,所述疾病预测模块采用了所述支持向量机对正常窦性心律、异常心律进行分类,包括:
分析正常窦性心律、异常心律的波形形态,所述异常心律包括传导性阻滞心律和房室异常心律,所述传导性阻滞心律包括左束支传导性阻滞和右束支传导性阻滞,所述房室异常心律包括房性早搏和室性早缩;
构建第一层的分类器1,对所述正常窦性心律与异常心律进行分类;
构建第二层分类器2,对所述传导性阻滞心律和房室异常心律进行分类;
构建第三层分类器3,对左、右束支传导性阻滞心律进行分类;
构建第三层分类器4,对房性早搏和室性早缩心律进行分类。
本发明实施例还提供了一种人体心电信号处理及疾病预测方法,利用如上所述的一种信号处理设备进行预测。
本发明实施例采用了支持向量机(Support Vector Machine)识别模型对两类(正常窦性心律、异常心率)心搏进行分类。由于分级式二叉树支持向量机(Support VectorMachine) 具有明确的数据流向,在分类过程具有逐级识别、由粗至细地进行分类的特点,这种分类器更适合于心电模式的识别。通过支持向量机(Support Vector Machine)和小波变换的方法构造心律失常分类器,整体精度可达到99.2%。具有快速,稳定、精度高的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1:一种人体心电信号处理及疾病预测方法的结构示意图。
图2:ECG心电信号波形示意图。
图3:未处理前的心电信号与经过本发明去噪,基线校准预处理的心电信号对比示意图。
图4:经过本发明特征点提取方法处理的心电信号特征点示意图。
图5:多种心律不齐疾病的分类模型的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
本发明实施例提供了一种信号处理设备,包括:预处理模块1,用于对原始离散的心电信号去除噪声,基线校准;特征提取模块2,通过综合运用二进样条小波变换和动态阈值的腐蚀膨胀方法提取心电信号的特征参数;心率计算模块3,用于动态计算心率;疾病预测模块4,本发明实施例中运用支持向量机(Support Vector Machine)进行疾病预测与分类,详见附图1。支持向量机(Support Vector Machine, SVM)来实现 ECG 信号的疾病诊断,以充分发挥支持向量机在模式识别上的优势,保证了心电信号去噪,特征点提取的准确性。支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型学习机器,支持向量机用于模式分类的最大优势在于:其计算复杂性与数据库的维数不成正比,只和样本的数量有关;支持向量机对模式分类的准确率一般要高于神经网络。与现有技术相比,本发明实施例集成了去噪,提取特征点,动态计算心率,支持向量机疾病预测技术,具有快速,稳定、精度高的特点。
进一步的:预处理模块1,用于对原始离散的心电信号去除噪声与基线校准,附图2是ECG心电信号波形示意图。其中R波是心电信号特征最为明显的波段,准确的 R 波检测是保证心率计算准确的前提。心电信号的波形,心电信号波形主要由 P 波、QRS 波群及 T 波构成。心电图的改变主要可以分为两大类:一类是 ST段、T 波等改变;另一类则是Q 波的异常。心电信号可以从多角度、多层面的反映出心脏的工作状态信息,为由心电图变化引起的各类疾病的诊断和治疗提供了依据,具有十分突出的实用价值。图中明显还有脉搏波QRS波形,简称为高活性区,同时在T,P区,简称为低活跃区。
如附图3的上半部图片所示,原始的采样信号包含了大量高频噪声与低频噪声,进行去除噪声和基线校准的操作能保证后序方法的运行稳定。本发明提供了一种利用小波分解,软阈值去噪与小波分解逆运算的方法进行信号噪声去除与基线校准。使用bior3.5小波基对原始信号进行小波分解运算,根据不同的原始信号采样率,确定不同的分解层数。一般地,以10为底,系数数组长度的对数作为系数软阈值去噪的阈值。如附图3的下半部图片所示,横轴为采样点个数,纵轴为归一化的信号幅值,对高层的细节系数进行软阈值去噪后,噪声信息已经被清除,再进行小波分解的逆运算即可将处理后的细节系数与轮廓系数还原为去噪,基线校准后的时间序列。
进一步的,特征提取模块2,通过综合运用二进样条小波变换和动态阈值的腐蚀膨胀方法提取心电信号的特征参数,人体的心电信号包含众多有用的生理参数,本发明实施例提供了一种快速准确的提取其中的Q,R,S,T,P特征点的方法。QRS波监测是ECG信号分析中的关键问题。只有在QRS波确定以后,才可以计算心率,监测ST段的参数,才能区别正常与异常心率。目前的多数QRS波的检测方法仍不完善,在干扰严重或非典型R波等情况下检测错误率较大。考虑到ECG信号的QRS信号相对陡峭,本发明实施例通过使用具有动态阈值的腐蚀膨胀方法提取ECG信号的QRS特征点,具有消除噪声,求信号中明显的极大值,极小值区的功能。选取[1,1,1,1,1]作为结构参数,对心电信号ori进行一次腐蚀方法,再进行一次膨胀方法得到时间序列tmp,将原心电信号ori减去tmp,就得到一个新数组rArr,rArr中极大值所在的位置就是心电信号ori中R点所在的位置。如附图4所示,横轴表示采样点个数,纵轴表示归一化后的信号幅值大小。经过本发明的处理后,R点都被正确的提取了出来。对心电信号ori进行一次膨胀方法,再进行一次腐蚀方法得到时间序列tmp2,将原心电信号ori减去tmp2,就得到新数组qArr,qArr中包含的极大值的位置分别对应了原心电信号ori中的Q,S点所在的位置,在一个心电周期中,在R点之前的是Q点,在R点之后的是S点。
QRS点检测完成后,再检测心电信号中的T,P特征点。T,P特征点相比QRS点,其幅值较小,使用腐蚀膨胀方法不容易检测出或产生误检测。因此采用二进样条小波变换对原始信号进行分解,取出其中的第四层系数,它包含了较丰富的T,P波信息,找出第四层细节系数中在R点左侧RR值的1/3宽的窗口中的极大值就是T点的位置,如果R点左侧的窗口中没有极大值,说明该周期没有明显的T波。同理,在R点右侧RR值的1/3宽的窗口中寻找极大值,就是P点的位置,如果没有找到,说明该周期没有明显的P波。
进一步的,心率计算模块3,用于动态计算心率,本发明实施例需要通过分析ECG信号的R点的方法对人体心率进行推导。由于心电波形中 R 波幅度最大,常采用心电周期中QRS 波群中的 R 波峰之间的时间间隔序列来表示 HRV 信号,故 HRV 信号又常被称为 RR间期序列或 NN 间期序列。从图中可以看出逐次心跳间期的长短并不是一个恒定的值,而是存在微小差异的。
心率是指正常人安静状态下每分钟心跳的次数,也叫安静心率,一般为60~100次/分,多年来的研究表明,即便是正常人在静息状态下,心跳的节律(窦性心律)也是高度不规则的,两次心搏之间往往存在几十毫秒的时间差。总体是维持在一个平均值上下波动。这种RR间期时间长短的变化并不是外界刺激的结果,而是体液和神经调节共同作用的结果,是普遍存在的。
分析小波系数中的极大值对应的位置信息,在此位置区间中找到原心电信号中峰值最高的点作为 R 峰顶点。同时,假设心电信号中变化最快的波形为 R 波,利用小波系数中正极大值,负极大值位置的先后顺序,判断 R 波方向是正向还是倒置。对于找到的R波,检测出特定时间内的R峰的数目,进而计算出特定时间内,如一分钟的R峰数目,即为人体的心率的动态计算方法。
进一步的,疾病预测模块4,通过支持向量机(Support Vector Machine)进行疾病预测与分类,特别是获得心律不齐疾病的自动分类方式。
心电信号自动分析的最终目标是通过对 ECG 信号信息的处理和加工的基础上,根据具体的心电信息分类方法,对病人的疾病类型作出准确的诊断。相较于基于心电信号波形形态进行疾病自动分类的方法,利用特征进行心律不齐疾病自动分类具有检测速度快、灵活性强、准确率高的特点,因此本发明选择设计一种基于心电特征的支持向量机(Support Vector Machine)心律不齐疾病的自动分类方式。
心电信号分类和识别的核心部分是分类,数据挖掘中的分类方法被广泛的应用在各种数据的分类中。支持向量机(Support Vector Machine)研究如何制造学习机,实现模式分类;可以较好的解决样本的分类问题,遵循结构风险最小化原则,追求的是在现有信息下的最优解。本发明实施例采用了支持向量机(Support Vector Machine)识别模型对两类(正常窦性心律、异常心率)心搏进行分类。由于分级式二叉树支持向量机(Support VectorMachine) 具有明确的数据流向,在分类过程具有逐级识别、由粗至细地进行分类的特点,这种分类器更适合于心电模式的识别。通过支持向量机(Support Vector Machine)和小波变换的方法构造心律失常分类器,整体精度可达到99.2%。
如附图5所示,通过对正常窦性心律、左束支传导性阻滞、右束支传导性阻滞、房性早搏和室性早缩这五类心拍的波形形态观察,首先正常窦性心律由于其较为规整的结构明显区别与其他四种心律不齐疾病的心拍形态,因此首先构建第一层的分类器1classifier1来对正常窦性心律与其他类别的心拍进行分类。由于左束支传导性阻滞(LBBBB)和右束支传导性阻滞(RBBBB)的结构特性较为相似,房性早搏(APC)和室性早缩(PVC)的结构较为相似,因此对未分类部分构建第二层分类器classifier2来区分传导性阻滞和房室早搏这两大类疾病。最后在第三层分别训练分类器classifier3和 classifier4来分别对左右束支传导性阻滞和房室早搏加以区分。最终利用三层的决策树结构实现对四种心律不齐疾病的心拍分类。
本发明提供了一种人体心电信号处理及疾病预测方法,可以利用上述信号处理设备,可以通过手机,电脑等计算设备方便的进行信号的运算处理。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种信号处理设备,其特征在于,包括:预处理模块,所述预处理模块用于对原始离散的心电信号去除噪声与基线校准;特征提取模块,所述特征提取模块通过综合运用二进样条小波变换和动态阈值的腐蚀膨胀方法提取心电信号的特征参数;心率计算模块,所述心率计算模块用于动态计算心率;疾病预测模块,所述疾病预测模块利用支持向量机进行疾病预测与分类。
2.根据权利要求1所述的一种信号处理设备,其特征在于,所述预处理模块,利用小波分解,软阈值去噪与小波分解逆运算的方法进行信号噪声去除与基线校准。
3.根据权利要求2所述的一种信号处理设备,其特征在于,使用bior3.5小波基对原始信号进行小波分解运算,根据不同的原始信号采样率,确定不同的分解层数,系数数组长度的对数作为系数软阈值去噪的阈值,对高层的细节系数进行软阈值去噪后,再进行小波分解的逆运算将处理后的细节系数与轮廓系数还原为去噪。
4.根据权利要求1所述的一种信号处理设备,其特征在于,所述特征提取模块利用动态腐蚀膨胀方法提取ECG信号的QRS特征点及利用二进样条小波变换提取TP特征点。
5.根据权利要求4所述的一种信号处理设备,其特征在于,所述利用动态腐蚀膨胀方法提取ECG信号的QRS特征点,包括;
选取[1,1,1,1,1]作为结构参数,对心电信号ori进行一次腐蚀方法,再进行一次膨胀方法得到时间序列tmp,将原心电信号ori减去tmp,就得到一个新数组rArr,rArr中极大值所在的位置就是心电信号ori中R点所在的位置;
对心电信号ori进行一次膨胀方法,再进行一次腐蚀方法得到时间序列tmp2,将原心电信号ori减去tmp2,就得到新数组qArr,qArr中包含的极大值的位置分别对应了原心电信号ori中的Q,S点所在的位置;
在一个心电周期中,在R点之前的是Q点,在R点之后的是S点。
6.根据权利要求5所述的一种信号处理设备,其特征在于,所述利用二进样条小波变换提取TP特征点,包括:
取出其中的第四层系数,找出所述第四层细节系数中在R点左侧RR值的1/3宽的窗口中的极大值,即为T点的位置,若R点左侧的窗口中没有极大值时,说明该心电周期没有明显的T波;
在R点右侧RR值的1/3宽的窗口中寻找极大值,即为P点的位置,若R点右侧的窗口中没有极大值时,说明该心电周期没有明显的P波。
7.根据权利要求4所述的一种信号处理设备,其特征在于,所述心率计算模块通过分析ECG信号的R点的方法对人体心率进行推导,采用心电周期中 QRS 波群中的 R 波峰之间的时间间隔序列来表示 HRV 信号。
8.根据权利要求4所述的一种信号处理设备,其特征在于,所述心率计算模块通过分析小波系数中的模极大值对的位置信息,在此位置区间中找到原心电信号中峰值最高的点作为 R 峰顶点;
假设心电信号中变化最快的波形为 R 波,利用小波系数中正极大值,负极大值位置的先后顺序,判断 R 波方向是正向还是倒置;
检测出特定时间内的R波峰的数目,进而计算出特定时间内的R峰数目。
9.根据权利要求1所述的一种信号处理设备,其特征在于,所述疾病预测模块采用了所述支持向量机对正常窦性心律、异常心律进行分类,包括:
分析正常窦性心律、异常心律的波形形态,所述异常心律包括传导性阻滞心律和房室异常心律,所述传导性阻滞心律包括左束支传导性阻滞和右束支传导性阻滞,所述房室异常心律包括房性早搏和室性早缩;
构建第一层的分类器1,对所述正常窦性心律与异常心律进行分类;
构建第二层分类器2,对所述传导性阻滞心律和房室异常心律进行分类;
构建第三层分类器3,对左、右束支传导性阻滞心律进行分类;
构建第三层分类器4,对房性早搏和室性早缩心律进行分类。
10.一种人体心电信号处理及疾病预测方法,其特征在于,利用如权利要求1-9任一所述的一种信号处理设备进行处理与预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448599.3A CN108514414A (zh) | 2018-05-11 | 2018-05-11 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448599.3A CN108514414A (zh) | 2018-05-11 | 2018-05-11 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108514414A true CN108514414A (zh) | 2018-09-11 |
Family
ID=63430575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810448599.3A Pending CN108514414A (zh) | 2018-05-11 | 2018-05-11 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108514414A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109998523A (zh) * | 2019-03-27 | 2019-07-12 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号分类方法和单导心电信号分类系统 |
CN110327032A (zh) * | 2019-03-27 | 2019-10-15 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号pqrst波联合精准识别算法 |
CN110623662A (zh) * | 2019-08-30 | 2019-12-31 | 电子科技大学 | 一种适用于心电信号检测的自适应阈值迭代算法 |
CN111449646A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111449647A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111513706A (zh) * | 2020-04-20 | 2020-08-11 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN112450942A (zh) * | 2020-11-26 | 2021-03-09 | 中国人民解放军南部战区总医院 | 心电信号的监测方法、系统、装置及介质 |
WO2021108950A1 (zh) * | 2019-12-02 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及监护装置、监护设备、计算机可读存储介质 |
CN114515151A (zh) * | 2022-02-28 | 2022-05-20 | 韩宏光 | 基于人工智能的心电信号采集系统及处理方法 |
-
2018
- 2018-05-11 CN CN201810448599.3A patent/CN108514414A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109998523A (zh) * | 2019-03-27 | 2019-07-12 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号分类方法和单导心电信号分类系统 |
CN110327032A (zh) * | 2019-03-27 | 2019-10-15 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号pqrst波联合精准识别算法 |
CN110623662A (zh) * | 2019-08-30 | 2019-12-31 | 电子科技大学 | 一种适用于心电信号检测的自适应阈值迭代算法 |
WO2021108950A1 (zh) * | 2019-12-02 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 监护方法及监护装置、监护设备、计算机可读存储介质 |
CN111449646A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111449647A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111513706A (zh) * | 2020-04-20 | 2020-08-11 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN111513706B (zh) * | 2020-04-20 | 2022-09-27 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN112450942A (zh) * | 2020-11-26 | 2021-03-09 | 中国人民解放军南部战区总医院 | 心电信号的监测方法、系统、装置及介质 |
CN114515151A (zh) * | 2022-02-28 | 2022-05-20 | 韩宏光 | 基于人工智能的心电信号采集系统及处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108514414A (zh) | 一种信号处理设备、人体心电信号处理及疾病预测方法 | |
Chiu et al. | Using correlation coefficient in ECG waveform for arrhythmia detection | |
Kalidas et al. | Enhancing accuracy of arrhythmia classification by combining logical and machine learning techniques | |
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 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
Henzel et al. | Atrial fibrillation episodes detection based on classification of heart rate derived features | |
CN109998523A (zh) | 一种单导心电信号分类方法和单导心电信号分类系统 | |
Satija et al. | A simple method for detection and classification of ECG noises for wearable ECG monitoring devices | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN112971797A (zh) | 连续生理信号质量评估方法 | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
Liu et al. | Persistence Landscape-based Topological Data Analysis for Personalized Arrhythmia Classification | |
CN110327032A (zh) | 一种单导心电信号pqrst波联合精准识别算法 | |
Silipo et al. | ST-T segment change recognition using artificial neural networks and principal component analysis | |
Daqrouq et al. | Wavelet based method for congestive heart failure recognition by three confirmation functions | |
Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
Asadi et al. | Enhancement of life-threatening arrhythmia discrimination in the intensive care unit with morphological features and interval feature extraction via random forest classifier | |
Rani et al. | Arrhythmia discrimination using support vector machine | |
CN112971801A (zh) | 连续生理信号质量评估装置 | |
Gómez-Herrero et al. | Relative estimation of the Karhunen-Loève transform basis functions for detection of ventricular ectopic beats | |
Ghorai et al. | Arrhythmia classification by nonlinear kernel-based ECG signal modeling | |
van Bemmel | 23 Recognition of electrocardiographic patterns | |
Ouelli et al. | AR modeling for automatic cardiac arrhythmia diagnosis using QDF based algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180911 |