CN108670245A - 一种心电信号检测方法及系统 - Google Patents

一种心电信号检测方法及系统 Download PDF

Info

Publication number
CN108670245A
CN108670245A CN201810552206.3A CN201810552206A CN108670245A CN 108670245 A CN108670245 A CN 108670245A CN 201810552206 A CN201810552206 A CN 201810552206A CN 108670245 A CN108670245 A CN 108670245A
Authority
CN
China
Prior art keywords
test
parameter
electrocardiosignal
sliding window
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
Application number
CN201810552206.3A
Other languages
English (en)
Inventor
赵毅
邓宇辉
李建
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute 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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201810552206.3A priority Critical patent/CN108670245A/zh
Publication of CN108670245A publication Critical patent/CN108670245A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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

Landscapes

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

本发明公开了一种心电信号检测方法及系统。该方法包括：获取测试集，测试集包括按照固定频率采集的测试心电信号；对测试心电信号进行滤波，得到处理后的测试心电信号；根据预设长度的滑动窗，将处理后的测试心电信号划分为多段测试滑动窗信号；根据测试滑动窗信号，计算处理后的测试心电信号的幅值；判断幅值是否小于幅值阈值；若是，则测试心电信号为不可电击信号；若否，则通过小波变换函数，计算第一参数；通过离散小波变换法，计算第二参数；通过第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。本发明能够提高心室纤颤检测的精确度，使其灵敏度和特异性满足除颤仪的临床标准。

Description

一种心电信号检测方法及系统
技术领域
本发明涉及体表心电信号(ECG)的检测领域，特别是涉及一种心电信号检测方法及系统。
背景技术
如果心室发放的兴奋很迅速而没有规律，这就称为心室纤颤，心室纤颤是引发心脏骤停猝死的常见因素之一。通过查阅IEEE数据库、万方数据库以及美国专利，发现自从1970年后期由Dyack和Wellborn发明第一台自动体外除颤器(AED)以来，心室纤颤的识别检测算法也开始研究。但是由于没有得到足够的重视，并没有达到理想的效果，不能满足临床的要求。由于心室纤颤出现越来越多，但是通过抢救存活率却没有提高，人们开始逐渐重视心室纤颤的检测和除颤。
目前，现有的室颤检测方法对于停搏和幅值小于0.2的心室纤颤信号(不可电击信号)均会有误检，而且该算法对于部分心率偏小的心室纤颤也会漏检，因此它的灵敏度和特异性都不能满足除颤仪的临床标准。
发明内容
本发明的目的是提供一种心电信号检测方法及系统，提高心室纤颤检测的精确度，使其灵敏度和特异性满足除颤仪的临床标准。
为实现上述目的，本发明提供了如下方案：
一种心电信号检测方法，所述方法包括：
获取测试集，所述测试集包括按照固定频率采集的测试心电信号；
对所述测试心电信号进行滤波，得到处理后的测试心电信号；
根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号；
根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值；
判断所述幅值是否小于幅值阈值；
若是，则所述测试心电信号为不可电击信号；
若否，则通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数；
通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数；
通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
可选的，在所述获取测试集，之前还包括：
获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
可选的，根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值，具体包括：
计算各所述测试滑动窗口信号的波峰与波谷的差值；
根据计算得到的差值，剔除最大差值以及最小差值，得到剩余差值；
计算所述剩余差值的平均值，得到所述处理后的测试心电信号的幅值。
可选的，所述通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测，具体包括：
以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断所述输出参数是否为正数；
若是，则所述测试心电信号为可电击信号；
若否，则所述测试心电信号为不可电击信号。
本发明还提供了一种心电信号检测系统，所述系统包括：
测试集获取模块，用于获取测试集，所述测试集包括按照固定频率采集的测试心电信号；
滤波模块，用于对所述测试心电信号进行滤波，得到处理后的测试心电信号；
第一划分模块，用于根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号；
幅值计算模块，用于根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值；
判断模块，用于判断所述幅值是否小于幅值阈值；
结果确定模块，用于当所述测试滑动窗信号的幅值小于幅值阈值时，确定所述测试心电信号为不可电击信号；
第一参数计算模块，用于当所述测试滑动窗信号的幅值大于幅值阈值时，通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数；
第二参数计算模块，用于通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数；
检测模块，用于通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
可选的，所述系统还包括：
训练集获取模块，用于在获取测试集之前获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
第二划分模块，用于根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
第三参数计算模块，用于通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
第四参数计算模块，用于通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
训练模块，用于通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
可选的，所述幅值计算模块包括：
差值计算单元，用于计算各所述测试滑动窗口信号的波峰与波谷的差值；
剔除单元，用于根据计算得到的差值，剔除最大差值以及最小差值，得到剩余差值；
幅值计算单元，用于计算所述剩余差值的平均值，得到所述处理后的测试心电信号的幅值。
可选的，所述检测模块包括：
输出参数确定单元，用于以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断单元，用于判断所述输出参数是否为正数；
结果确定单元，用于当所述输出参数为正数时，确定所述测试心电信号为可电击信号；以及用于当所述输出参数为负数时，确定所述测试心电信号为不可电击信号。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明对TCSC算法进行了改进，并与离散小波分解(DWT)方法和支持向量机(SVM)方法结合。将TCSC算法和DWT方法分别计算出的时域和频域特征值参数，通过支持向量机分类器从而对可电击信号和不可电击信号进行分类。实现了对心室纤颤(VF)的检测，提高了检测的灵敏度和特异性，有效解决了停博和小幅室颤的误检以及小心率室颤的漏检问题。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例心电信号检测方法的流程图；
图2为本发明实施例心电信号检测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例心电信号检测方法的流程图。如图1所示，一种心电信号检测方法包括以下步骤：
步骤101：获取测试集，所述测试集包括按照固定频率采集的测试心电信号。按照采样率250Hz，采集10s的数据存入预设的固定长度的存储空间，对该10s数据x(n)进行分析，其中n＝2500。
步骤102：对所述测试心电信号进行滤波，得到处理后的测试心电信号y(n)。滤波方法包括如下步骤：使用一个滑动平均滤波器，然后使用一个截止频率1Hz的高通滤波器，再使用一个截止频率为30Hz的巴特沃斯低通滤波器。
步骤103：根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号。将信号y(n)分为长度为m的滑动窗，得到L段滑动窗信号yi(m)。
步骤104：根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值。计算每段窗口信号yi(m)波峰与波谷差值，然后在L个差值中剔除最大值和最小值后计算平均值得到的y(n)相对幅值A。
步骤105：判断各所述测试滑动窗信号的幅值是否小于幅值阈值。
步骤106：若是，则所述测试心电信号为不可电击信号。
将A与设定的阈值A0比较，如果A小于设定的阈值A0，则检测为停搏或幅值小于A0的室颤信号，将其归为不可电击信号；如果A大于设定的阈值A0，则对该信号进行以下步骤的检测。
步骤107：若否，则通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数。
对上步得到的每段窗口信号yi(m)乘以小波变换函数w(t)得到hi(m)；
(其中Ls为m秒ECG的长度)通过绝对最大值的方法对hi(m)进行归一化得到通过与给定阈值V的比较，得到0-1序列b1b2b3…bn；计算0-1序列中上升沿和下降沿的个数Ni；进而计算所有L段滑动窗信号的平均上升沿和下降沿的个数，记为N。
步骤108：通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数。将信号y(n)进行离散小波分解(DWT)得到细节值d(m)，对该细节值进行平方放大并对其利用移动窗积分以获取波形信息，进而求得积分结果w(m)的极大值点个数，记为M。
步骤109：通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断所述输出参数是否为正数；
若是，则所述测试心电信号为可电击信号；
若否，则所述测试心电信号为不可电击信号。
在所述获取测试集，之前还包括：
获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
选择20个训练数据(其中包括10个可电击信号和10个不可电击信号)按照步骤107和步骤108计算得到各训练数据对应的N和M,并将它们记为Nj和Mj，j＝1,2,...20。将(Nj,Mj)作为支持向量机算法的输入参数，应用支持向量机技术进行训练，得到支持向量以及分类超平面H，再将由上面测试数据计算得到的N和M作为输入参数输入训练后得到的分类模型，计算得到输出参数S。如果S为+1则判定该信号为可电击信号，如果S为-1则判定该信号为不可电击的信号。
根据本发明提供的具体实施例，本发明具有以下技术效果：本发明对TCSC算法进行了改进，并与离散小波分解(DWT)方法和支持向量机(SVM)方法结合。将TCSC算法和DWT方法分别计算出的时域和频域特征值参数，通过支持向量机分类器从而对可电击信号和不可电击信号进行分类。实现了对心室纤颤(VF)的检测，提高了检测的灵敏度和特异性，有效解决了停博和小幅室颤的误检以及小心率室颤的漏检问题。
图2为本发明实施例心电信号检测系统的结构框图。本发明还提供了一种心电信号检测系统。所述系统包括：
测试集获取模块201，用于获取测试集，所述测试集包括按照固定频率采集的测试心电信号；
滤波模块202，用于对所述测试心电信号进行滤波，得到处理后的测试心电信号。
第一划分模块203，用于根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号。
幅值计算模块204，用于根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值。
所述幅值计算模块204具体包括：
差值计算单元，用于计算各所述测试滑动窗口信号的波峰与波谷的差值；
剔除单元，用于根据计算得到的差值，剔除最大差值以及最小差值，得到剩余差值；
幅值计算单元，用于计算所述剩余差值的平均值，得到所述处理后的测试心电信号的幅值。
判断模块205，用于判断所述幅值是否小于幅值阈值。
结果确定模块206，用于当所述测试滑动窗信号的幅值小于幅值阈值时，确定所述测试心电信号为不可电击信号。
第一参数计算模块207，用于当所述测试滑动窗信号的幅值大于幅值阈值时，通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数。
第二参数计算模块208，用于通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数。
检测模块209，用于通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
所述检测模块209具体包括：
输出参数确定单元，用于以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断单元，用于判断所述输出参数是否为正数；
结果确定单元，用于当所述输出参数为正数时，确定所述测试心电信号为可电击信号；以及用于当所述输出参数为负数时，确定所述测试心电信号为不可电击信号。
所述系统还包括：
训练集获取模块，用于在获取测试集之前获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
第二划分模块，用于根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
第三参数计算模块，用于通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
第四参数计算模块，用于通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
训练模块，用于通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种心电信号检测方法，其特征在于，所述方法包括：
获取测试集，所述测试集包括按照固定频率采集的测试心电信号；
对所述测试心电信号进行滤波，得到处理后的测试心电信号；
根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号；
根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值；
判断所述幅值是否小于幅值阈值；
若是，则所述测试心电信号为不可电击信号；
若否，则通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数；
通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数；
通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
2.根据权利要求1所述的检测方法，其特征在于，在所述获取测试集，之前还包括：
获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
3.根据权利要求1所述的检测方法，其特征在于，所述根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值，具体包括：
计算各所述测试滑动窗口信号的波峰与波谷的差值；
根据计算得到的差值，剔除最大差值以及最小差值，得到剩余差值；
计算所述剩余差值的平均值，得到所述处理后的测试心电信号的幅值。
4.根据权利要求1所述的检测方法，其特征在于，所述通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测，具体包括：
以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断所述输出参数是否为正数；
若是，则所述测试心电信号为可电击信号；
若否，则所述测试心电信号为不可电击信号。
5.一种心电信号检测系统，其特征在于，所述系统包括：
测试集获取模块，用于获取测试集，所述测试集包括按照固定频率采集的测试心电信号；
滤波模块，用于对所述测试心电信号进行滤波，得到处理后的测试心电信号；
第一划分模块，用于根据预设长度的滑动窗，将所述处理后的测试心电信号划分为多段测试滑动窗信号；
幅值计算模块，用于根据所述测试滑动窗信号，计算所述处理后的测试心电信号的幅值；
判断模块，用于判断所述幅值是否小于幅值阈值；
结果确定模块，用于当所述测试滑动窗信号的幅值小于幅值阈值时，确定所述测试心电信号为不可电击信号；
第一参数计算模块，用于当所述测试滑动窗信号的幅值大于幅值阈值时，通过小波变换函数，计算所有所述测试滑动窗信号的上升沿以及下降沿的平均个数，得到第一参数；
第二参数计算模块，用于通过离散小波变换法，计算所有所述测试滑动窗信号的极大值点的个数，得到第二参数；
检测模块，用于通过所述第一参数、第二参数以及分类模型对大于幅值阈值的测试滑动窗信号进行检测。
6.根据权利要求5所述的检测系统，其特征在于，所述系统还包括：
训练集获取模块，用于在获取测试集之前获取训练集，所述训练集包括多个可电击心电信号以及多个不可电击心电信号；
第二划分模块，用于根据预设长度的滑动窗，将各所述可电击心电信号以及各所述不可电击心电信号划分为多段训练滑动窗信号；
第三参数计算模块，用于通过小波变换函数，计算所述训练滑动窗信号的上升沿以及下降沿的平均个数，得到第三参数；
第四参数计算模块，用于通过离散小波变换法，计算所述训练滑动窗信号的极大值点的个数，得到第四参数；
训练模块，用于通过所述第三参数以及所述第四参数训练所述支持向量机模型，得到分类模型。
7.根据权利要求5所述的检测系统，其特征在于，所述幅值计算模块包括：
差值计算单元，用于计算各所述测试滑动窗口信号的波峰与波谷的差值；
剔除单元，用于根据计算得到的差值，剔除最大差值以及最小差值，得到剩余差值；
幅值计算单元，用于计算所述剩余差值的平均值，得到所述处理后的测试心电信号的幅值。
8.根据权利要求5所述的检测系统，其特征在于，所述检测模块包括：
输出参数确定单元，用于以所述第一参数以及所述第二参数为所述分类模型的输入参数，得到输出参数；
判断单元，用于判断所述输出参数是否为正数；
结果确定单元，用于当所述输出参数为正数时，确定所述测试心电信号为可电击信号；以及用于当所述输出参数为负数时，确定所述测试心电信号为不可电击信号。
CN201810552206.3A 2018-05-31 2018-05-31 一种心电信号检测方法及系统 Pending CN108670245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810552206.3A CN108670245A (zh) 2018-05-31 2018-05-31 一种心电信号检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810552206.3A CN108670245A (zh) 2018-05-31 2018-05-31 一种心电信号检测方法及系统

Publications (1)

Publication Number Publication Date
CN108670245A true CN108670245A (zh) 2018-10-19

Family

ID=63809587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810552206.3A Pending CN108670245A (zh) 2018-05-31 2018-05-31 一种心电信号检测方法及系统

Country Status (1)

Country Link
CN (1) CN108670245A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109846694A (zh) * 2019-04-10 2019-06-07 军事科学院系统工程研究院卫勤保障技术研究所 在人工通气间期进行心电节律辨识的心肺复苏一体化装置及方法
CN110037686A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 用于室早心跳定位的神经网络训练方法及卷积神经网络
CN110037690A (zh) * 2019-04-22 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的r波定位方法和装置
CN110037687A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳定位方法和装置
CN111988097A (zh) * 2020-08-25 2020-11-24 青岛歌尔智能传感器有限公司 Ppg信号的信号质量检测方法及装置和计算机可读存储介质
CN115778404A (zh) * 2023-01-09 2023-03-14 苏州维伟思医疗科技有限公司 一种心电信号处理方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070233196A1 (en) * 2006-03-29 2007-10-04 Stadler Robert W Method and apparatus for detecting arrhythmias in a subcutaneous medical device
CN102048531A (zh) * 2009-11-03 2011-05-11 心脏科学公司 心肺复苏术期间经自适应分段拼接算法的真实心电图测量
CN103007431A (zh) * 2012-12-31 2013-04-03 深圳邦健生物医疗设备股份有限公司 一种可电击信号的检测方法和装置
CN103071236A (zh) * 2012-12-31 2013-05-01 深圳邦健生物医疗设备股份有限公司 一种电击信号检测方法及装置
US20160082278A1 (en) * 2013-03-14 2016-03-24 Zoll Medical Corporation Windowing for Identifying Shock Outcome
CN106137184A (zh) * 2015-04-08 2016-11-23 四川锦江电子科技有限公司 基于小波变换的心电信号qrs波检测方法
US20170113055A1 (en) * 2006-03-29 2017-04-27 Medtronic, Inc. Method and apparatus for detecting arrhythmias in a subcutaneous medical device
US20200030620A1 (en) * 2015-10-30 2020-01-30 Zoll Medical Corporation Estimating Shock Success by Monitoring Changes in Spectral Data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070233196A1 (en) * 2006-03-29 2007-10-04 Stadler Robert W Method and apparatus for detecting arrhythmias in a subcutaneous medical device
US20170113055A1 (en) * 2006-03-29 2017-04-27 Medtronic, Inc. Method and apparatus for detecting arrhythmias in a subcutaneous medical device
CN102048531A (zh) * 2009-11-03 2011-05-11 心脏科学公司 心肺复苏术期间经自适应分段拼接算法的真实心电图测量
CN103007431A (zh) * 2012-12-31 2013-04-03 深圳邦健生物医疗设备股份有限公司 一种可电击信号的检测方法和装置
CN103071236A (zh) * 2012-12-31 2013-05-01 深圳邦健生物医疗设备股份有限公司 一种电击信号检测方法及装置
US20160082278A1 (en) * 2013-03-14 2016-03-24 Zoll Medical Corporation Windowing for Identifying Shock Outcome
CN106137184A (zh) * 2015-04-08 2016-11-23 四川锦江电子科技有限公司 基于小波变换的心电信号qrs波检测方法
US20200030620A1 (en) * 2015-10-30 2020-01-30 Zoll Medical Corporation Estimating Shock Success by Monitoring Changes in Spectral Data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李健: "应用非线性动力技术室颤算法研究及其实现", 《中国硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110037686A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 用于室早心跳定位的神经网络训练方法及卷积神经网络
CN110037687A (zh) * 2019-04-09 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的室性早搏心跳定位方法和装置
CN109846694A (zh) * 2019-04-10 2019-06-07 军事科学院系统工程研究院卫勤保障技术研究所 在人工通气间期进行心电节律辨识的心肺复苏一体化装置及方法
CN109846694B (zh) * 2019-04-10 2023-10-13 军事科学院系统工程研究院卫勤保障技术研究所 在人工通气间期进行心电节律辨识的心肺复苏一体化装置及方法
CN110037690A (zh) * 2019-04-22 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的r波定位方法和装置
CN111988097A (zh) * 2020-08-25 2020-11-24 青岛歌尔智能传感器有限公司 Ppg信号的信号质量检测方法及装置和计算机可读存储介质
CN115778404A (zh) * 2023-01-09 2023-03-14 苏州维伟思医疗科技有限公司 一种心电信号处理方法、装置、设备及存储介质
CN115778404B (zh) * 2023-01-09 2023-05-26 苏州维伟思医疗科技有限公司 一种心电信号处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108670245A (zh) 一种心电信号检测方法及系统
Kropf et al. ECG classification based on time and frequency domain features using random forests
CN106108889B (zh) 基于深度学习算法的心电图分类方法
CN108960182B (zh) 一种基于深度学习的p300事件相关电位分类识别方法
Cheng et al. Life-threatening ventricular arrhythmia detection with personalized features
EP3644220A1 (en) Detection of electrocardiogram signal
CN109117730A (zh) 心电图心房颤动实时判断方法、装置、系统及存储介质
CN107358196A (zh) 一种心搏类型的分类方法、装置及心电仪
EP2872039B1 (en) Device for evaluation of myocardial damages based on the current density variations
US10602944B2 (en) Detecting artifacts in a signal
CN106473750A (zh) 基于光电容积脉搏波最佳周期波形的身份识别方法
CN106725420A (zh) 室性早搏识别方法及室性早搏识别系统
CN107945817A (zh) 心肺音信号分类方法、检测方法、装置、介质和计算机设备
CN104840186A (zh) 一种充血性心力衰竭患者自主神经功能的评估方法
CN106066933A (zh) 获取房颤识别人工神经网络权重值矩阵的方法
CN105147252A (zh) 心脏疾病识别及评估方法
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
CN109124620A (zh) 一种房颤检测方法、装置及设备
CN109620260A (zh) 心理状态识别方法、设备及存储介质
CN109344763A (zh) 一种基于卷积神经网络的斜眼检测方法
WO2012173583A1 (en) Method and device for evaluation of myocardial ischemia based on current density maps
CN107837083A (zh) 基于最小二乘支持向量机的j波自动检测方法
Nidhyananthan et al. Myocardial infarction detection and heart patient identity verification
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
Haibing et al. A method of continuous wavelet transform for qrs wave detection in ecg signal

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: 20181019