CN108852339A - 一种心电数据分析装置、方法及系统 - Google Patents
一种心电数据分析装置、方法及系统 Download PDFInfo
- Publication number
- CN108852339A CN108852339A CN201810439439.2A CN201810439439A CN108852339A CN 108852339 A CN108852339 A CN 108852339A CN 201810439439 A CN201810439439 A CN 201810439439A CN 108852339 A CN108852339 A CN 108852339A
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiogram
- ecg
- module
- layer
- 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
- A61B5/24—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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
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)
- Physiology (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数据分析装置、方法及系统,其中,该装置用于心电数据的监控设备中,通过对患者的心电数据进行实时分析诊断,当患者的心电数据出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗,解决了现有检测设备中的数据分析模块无法实时对数据进行分析,使得在心电数据出现异常后,无法及时提醒患者就医,有可能会耽误最佳治疗时机的技术问题。
Description
技术领域
本发明涉及生物医学技术领域,尤其涉及一种心电数据分析装置方法及系统。
背景技术
心肌梗死是心脏病的一种严重类型,近年来呈明显上升趋势,每年新发病患者至少50万,现有患者至少200万人,故对于心肌梗死疾病的诊断及治疗一直是国内外医学工作者的研究热点。因心电图中蕴含着心脏活动信息,其一直作为心脏疾病的预防、诊断和治疗的重主要参考依据。
心肌梗死发生后,大多数患者心电图可出现特征性改变,尤其是系列心电图的动态观察,呈现特异性很强的心电图演变规律,在心电图上表现为ST段改变和T波异常。在心肌梗死发生的最开始,首先出现短暂的心内膜下心肌缺血,使面向缺血区的导联产生异常高耸的T波,随着病程发展T波后半部开始倒置,即T波由直立转呈正负双向,随后T波倒置增深且多呈典型的冠状T波,ST段的演变随着缺血时间延长,缺血程度进一步加重,则造成心肌损伤,急性心肌梗死时心电图中出现的ST段抬高即是心肌损伤的标志,故名为损伤型ST段抬高。此时心梗早期心电图最突出,也是最具诊断意义的心电图表现。
对于心肌梗死的确诊,是对大量的数据分析后得出结论。因此,患者需长时间佩戴能够实时检测心电数据的设备进行检测,然后将检测数据送往医院,医生对检测数据分析后得出结论。但是这种确诊方式因无法实时对数据进行分析,使得在心电数据出现异常后,无法及时提醒患者就医,有可能会耽误最佳治疗时机的技术问题。
发明内容
本发明提供了一种心电数据分析装置,解决了现有检测设备中的数据分析模块无法实时对数据进行分析,使得在心电数据出现异常后,无法及时提醒患者就医,有可能会耽误最佳治疗时机的技术问题。
本发明提供了一种心电数据分析装置,用于心电数据的监控设备中,包括:数据处理分析模块、诊断模块和报警模块;
所述数据处理分析模块,用于对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据;
所述诊断模块,用于将所述第一功率谱数据与预置最优分类面进行对比,当所述第一功率谱数据位于所述预置最优分类面的异常侧时,触发所述报警模块发出报警信号,并发送所述报警信号至患者终端和/或医院终端;
其中,所述预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,所述预置最优分类面的正常心电数据所在侧为正常侧,所述预置分类面的异常心电数据所在侧为异常侧。
优选地,所述数据处理分析模块包括:预处理模块、处理模块和特征提取模块;
所述预处理模块,用于对所述检测心电数据去噪得到待分析心电数据;
所述处理模块,用于利用Mallat算法对所述待分析心电数据进行六层分解及各层重构得到各层的重构数据;
所述特征提取模块,用于对所述重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
优选地,所述预处理模块具体用于,对所述检测心电数据去除基线漂移干扰得到待分析心电数据。
优选地,所述预处理模块具体用于,对所述检测心电数据以db4小波为基函数进行十层小波分解得到第一分解数据后,将第一分解数据的第十层的低频系数和第八、第九、第十层的高频系数置零得到第二分解数据,并以db4小波为基函数重构所述第二分解数据得到待分析心电数据。
优选地,所述处理模块具体用于,利用Mallat算法对所述待分析心电数据以db4小波为基函数进行六层分解及各层重构得到各层的重构数据。
优选地,所述特征提取模块具体用于,对所述重构数据的第六层重构数据利用Welch算法进行功率谱估计得到第一功率谱数据。
优选地,所述预置最优分类面为利用SVM分类器对正常心电数据和异常心电数据进行分析后得到的。
本发明还提供一种心电数据分析方法,包括:
对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据;
将所述第一功率谱数据与预置最优分类面进行对比,当所述第一功率谱数据位于所述预置最优分类面的异常侧时,触发所述报警模块发出报警信号,并发送所述报警信号至患者终端和/或医院终端;
其中,所述预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,所述预置最优分类面的正常心电数据所在侧为正常侧,所述预置分类面的异常心电数据所在侧为异常侧。
优选地,所述对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据具体包括:
对所述检测心电数据去噪得到待分析心电数据;
利用Mallat算法对所述待分析心电数据进行六层分解及各层重构得到各层的重构数据;
对所述重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
本发明还提供一种心电数据分析系统,包括:如上述任意一项所述的心电数据分析装置和患者终端;
或
如上述任意一项所述的心电数据分析装置和医院终端;
或
如上述任意一项所述的心电数据分析装置和患者终端和医院终端。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种心电数据分析装置,用于心电数据的监控设备中,包括:数据处理分析模块、诊断模块和报警模块;数据处理分析模块,用于对实时获取的待确诊患者的心电数据进行处理分析,得到位于检测数据S-T段频带和T波频带的第一功率谱数据;诊断模块,用于将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块发出报警信号,并发送报警信号至患者终端和/或医院终端;其中,预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,预置最优分类面的正常心电数据所在侧为正常侧,预置分类面的异常心电数据所在侧为异常侧。本发明通过对患者的心电数据进行实时分析诊断,当患者的心电数据出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种心电数据分析装置的一个实施例的结构示意图;
图2为本发明提供的一种心电数据分析装置的另一个实施例的结构示意图;
图3为Mallat算法原理图;
图4为SVM分类器算法原理图;
图5为本发明提供的一种心电数据分析方法的一个实施例的流程示意图;
图6为本发明提供的一种心电数据分析方法的另一个实施例的流程示意图;
图7为本发明提供的一种心电数据分析装置的应用例的检测心电数据;
图8为本发明提供的一种心电数据分析装置的应用例的待分析心电数据;
图9为本发明提供的一种心电数据分析装置的应用例的第六层重构数据。
具体实施方式
本发明实施例提供了一种心电数据分析装置,解决了现有检测设备中的数据分析模块无法实时对数据进行分析,使得在心电数据出现异常后,无法及时提醒患者就医,有可能会耽误最佳治疗时机。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种心电数据分析装置的一个实施例,包括:
数据处理分析模块101、诊断模块102和报警模块103;
数据处理分析模块101,用于对实时获取的待确诊患者的心电数据进行处理分析,得到位于检测数据S-T段频带和T波频带的第一功率谱数据;
需要说明的是,为了更准确地得到实时获取到功率谱数据进行心肌梗死疾病的诊断分析,需要对实时获取的待确诊患者的心电数据进行处理得到S-T段频带和T波频带的第一功率谱数据;
诊断模块102,用于将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块103发出报警信号,并发送报警信号至患者终端和/或医院终端,其中,预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,预置最优分类面的正常心电数据所在侧为正常侧,预置分类面的异常心电数据所在侧为异常侧。
本实施例中,通过对患者的心电数据进行实时分析诊断,当患者心电数据的S-T段和T波出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗。
以上为本发明提供的一种心电数据分析装置的一个实施例,以下为本发明实施例提供的一种心电数据分析装置的另一个实施例。
请参阅图2,本发明提供的一种心电数据分析装置的另一个实施例,包括:
数据处理分析模块101、诊断模块102和报警模块103;
数据处理分析模块101,用于对实时获取的待确诊患者的心电数据进行处理分析,得到位于检测数据S-T段频带和T波频带的第一功率谱数据;
需要说明的是,为了更准确地得到实时获取到功率谱数据进行心肌梗死疾病的诊断分析,需要对实时获取的待确诊患者的心电数据进行处理得到S-T段频带和T波频带的第一功率谱数据;
诊断模块102,用于将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块103发出报警信号,并发送报警信号至患者终端和/或医院终端;
其中,预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,预置最优分类面的正常心电数据所在侧为正常侧,预置分类面的异常心电数据所在侧为异常侧。
进一步地,数据处理分析模块101包括:预处理模块1011、处理模块1012和特征提取模块1013;
预处理模块1011,用于对检测心电数据去噪得到待分析心电数据;
处理模块1012,用于对待分析心电数据进行六层分解及各层重构得到各层的重构数据;
需要说明的是,已知临床心电图学的频谱中,心电信号的S-T段的频带主要在0.7-2Hz,T波的频带主要在0-8hz(±2Hz),且已知小波变换进行分解重构后的各层频带如表1所示,选取位于S-T段的频带和T波的频带的心电数据进行分析,故选择对待分析心电数据进行六层分解及及各层重构。
表1
图3为Mallat算法原理图,其分解过程如图3a所述,重构过程如图3b所示。
具体地为:小波分析中存在着子空间分解的关系,从而存在多分辨分析。对任意信号或函数f(x)∈L2(R),它在子空间Vj上的投影fj(x)可以分解成较低分辨空间Vj_1上的投影fj_i(x)∈Vj_1和细节gj-1(x)∈Wj-1之和,更一般地有fj(x)=gj-1(x)+gj-2(x)+...+gj-i(x)+fj-i(x),且各函数的系数之间存在递推公式,这为小波快速算法提供了基础。
设尺度函数为对应的小波函数为ψ(x),它们应满足双尺度方程:
其中,h(k)为滤波器系数,g(k)是求细节系数为:g(k)=(-1)1-kh(1-k),k是分解尺度。
将f(x)的各分量fj(x)∈Vj和gj(x)∈Wj分别表示为:
其中,尺度系数为小波系数为
信号f(x)从尺度j+1到尺度j逐步分解的过程,也就是对f(x)从高分辨率到低分辨率的分析过程,则信号的小波分解过程可以表示为:
令j=N,得:
从而对于通过逐步的小波分解可以得到:
fN=gN-1+fN-1=gN-1+gN-2+.......+gN-M+fN-M;
由初度系数和小波系数可以重构为:
这是小波合成算法,是对C}k依J由低向高的递推过程,相当于把fN_M和gN_M,gN_M+1,…,gN_1合成为fN,即
fN=fN-M+gN-M+gN-M+1...+gN-1。
特征提取模块1013,用于对重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
进一步地,预处理模块1011具体用于,对检测心电数据去除基线漂移干扰得到待分析心电数据。
进一步地,预处理模块1011具体用于,对检测心电数据以db4小波为基函数进行十层小波分解得到第一分解数据后,将第一分解数据的第十层的低频系数和第八、第九、第十层的高频系数置零得到第二分解数据,并以db4小波为基函数重构第二分解数据得到待分析心电数据。
需要说明的是,一般认为第十层的低频系数为0~14Hz的频率系数,第八层的高频系数为2~5Hz的频率系数,第九层的高频系数为1.2~2Hz的频率系数,第十层的高频系数为0.3~1.2Hz的频率系数。
进一步地,处理模块1012具体用于,对待分析心电数据以db4小波为基函数进行六层分解及各层重构得到各层的重构数据。
进一步地,特征提取模块1013具体用于,对重构数据的第六层重构数据利用Welch算法进行功率谱估计得到第一功率谱数据。
需要说明的是,Welch算法具体为:
用表示Welch算法的结果,其过程为将x(n)的长度N分成P段,每段M个数据,则第P段的修正周期图为:
其中,是归一化因子,ω(n)为所加的窗函数,对P个分段的周期图进行平均,可得到整个信号x(n)的功率谱估计为:
进一步地,预置最优分类面为利用SVM分类器对正常心电数据和异常心电数据进行分析后得到的。
需要说明的是,SVM分类器是一种基于统计学习理论的创新学习方法,能够依据有限的样本信息取得最优解决方案。所以SVM分类器能够在解决非线性、小样本、模型匹配等分类问题具有明显的优势,越来越受到研究人员的青睐。
SVM分类器的算法具体为:
根据线性可分的条件下的最优分类发展的,两类线性可分条件下的SVM原理是:假设一个样本集,为了能够明显区分两类样本,寻求最优分类平面,致使分类间隔(margin)尽可能大。如图4所示,H1和H2分别为平行于分类线且经过距离分类线最近的点的直线;分类间隔就是H1和H2之间的距离。
一般情况下,样本在空间中是线性不可分。如果采用恰当的非线性函数映射到充足的高维,那么就可以找到所需的分类平面。非线性SVM会利用非线性映射函数φ:Rd→H,将特征向量x∈Rd映射到高维空间H;则得到最优分类面函数为φ(x)·w+b=0,在限制条件下,求解式的最小值,其中w∈H,b∈R,ζ∈RN是非负松弛因子,C是平衡w大小和ζi总和的参数。
在约束条件下,对ai寻求函数的最小值,如下式所示:
其中,K(xi·xj)=φ(xi)·φ(xj)为核函数,
则最优分类面函数φ(x)·w+b=0记为:
f(x)为最优分类面函数,当f(x)>0,分类类别为+1,否则为-1。
本实施例中,通过对患者的心电数据进行实时分析诊断,当患者心电数据的S-T段和T波出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗。
以上是对本发明提供的一种数据分析装置的另一个实施例进行详细的描述,以下将对本发明提供的一种数据分析方法的一个实施例进行详细的描述。
本发明提供的一种心电数据分析方法的一个实施例,请参阅图5,包括:
301、对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于检测数据S-T段频带和T波频带的第一功率谱数据。
302、将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块发出报警信号,并发送报警信号至患者终端和/或医院终端;其中,预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,预置最优分类面的正常心电数据所在侧为正常侧,预置分类面的异常心电数据所在侧为异常侧。
本实施例中,通过对患者的心电数据进行实时分析诊断,当患者心电数据的S-T段和T波出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗。
以上是对本发明提供的一种数据分析方法的一个实施例进行详细的描述,以下将对本发明提供的一种数据分析方法的另一个实施例进行详细的描述。
本发明提供的一种心电数据分析方法的另一个实施例,请参阅图6,包括:
401、对检测心电数据去噪得到待分析心电数据。
需要说明的是,对检测心电数据去除基线漂移干扰得到待分析心电数据。
对检测心电数据以db4小波为基函数进行十层小波分解得到第一分解数据后,将第一分解数据的第十层的低频系数和第八、第九、第十层的高频系数置零得到第二分解数据,并以db4小波为基函数重构第二分解数据得到待分析心电数据。
402、利用Mallat算法对待分析心电数据进行六层分解及各层重构得到各层的重构数据。
需要说明的是,利用Mallat算法对待分析心电数据以db4小波为基函数进行六层分解及各层重构得到各层的重构数据。
403、对重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
需要说明的是,对重构数据的第六层重构数据利用Welch算法进行功率谱估计得到第一功率谱数据。
404、将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块发出报警信号,并发送报警信号至患者终端和/或医院终端;其中,预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,预置最优分类面的正常心电数据所在侧为正常侧,预置分类面的异常心电数据所在侧为异常侧。
需要说明的是,预置最优分类面为利用SVM分类器对正常心电数据和异常心电数据进行分析后得到的。
本实施例中,通过对患者的心电数据进行实时分析诊断,当患者心电数据的S-T段和T波出现异常后,发出报警信号,同时将报警信号发送至患者终端和/或医院终端,使得患者和/或医生能够第一时间知道异常信息,及时进行治疗。
以上为对本发明提供的一种数据分析方法的另一个实施例进行详细的描述,以下为本发明提供的一种数据分析方法的一个应用例,包括:
步骤一:实时获取的待确诊患者的检测心电数据(如图7所示)。
步骤二:对检测心电数据去噪得到待分析心电数据(如图8所示)。
步骤三:利用Mallat算法对待分析心电数据进行六层分解及各层重构得到各层的重构数据,其中,第六层重构数据如图9所示。
步骤四:对重构数据的第六层重构数据利用Welch算法进行功率谱估计得到第一功率谱数据。
步骤五:用于将第一功率谱数据与预置最优分类面进行对比,当第一功率谱数据位于预置最优分类面的异常侧时,触发报警模块发出报警信号,并发送报警信号至患者终端和/或医院终端。
本发明实施例还提供一种心电数据分析系统,包括:如上述任意一项的心电数据分析装置和患者终端;
或
如上述任意一项的心电数据分析装置和医院终端;
或
如上述任意一项的心电数据分析装置和患者终端和医院终端。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种心电数据分析装置,用于心电数据的监控设备中,其特征在于,包括:数据处理分析模块、诊断模块和报警模块;
所述数据处理分析模块,用于对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据;
所述诊断模块,用于将所述第一功率谱数据与预置最优分类面进行对比,当所述第一功率谱数据位于所述预置最优分类面的异常侧时,触发所述报警模块发出报警信号,并发送所述报警信号至患者终端和/或医院终端;
其中,所述预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,所述预置最优分类面的正常心电数据所在侧为正常侧,所述预置分类面的异常心电数据所在侧为异常侧。
2.根据权利要求1所述的心电数据分析装置,其特征在于,所述数据处理分析模块包括:预处理模块、处理模块和特征提取模块;
所述预处理模块,用于对所述检测心电数据去噪得到待分析心电数据;
所述处理模块,用于利用Mallat算法对所述待分析心电数据进行六层分解及各层重构得到各层的重构数据;
所述特征提取模块,用于对所述重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
3.根据权利要求2所述的心电数据分析装置,其特征在于,所述预处理模块具体用于,对所述检测心电数据去除基线漂移干扰得到待分析心电数据。
4.根据权利要求3所述的心电数据分析装置,其特征在于,所述预处理模块具体用于,对所述检测心电数据以db4小波为基函数进行十层小波分解得到第一分解数据后,将第一分解数据的第十层的低频系数和第八、第九、第十层的高频系数置零得到第二分解数据,并以db4小波为基函数重构所述第二分解数据得到待分析心电数据。
5.根据权利要求2所述的心电数据分析装置,其特征在于,所述处理模块具体用于,利用Mallat算法对所述待分析心电数据以db4小波为基函数进行六层分解及各层重构得到各层的重构数据。
6.根据权利要求2所述的心电数据分析装置,其特征在于,所述特征提取模块具体用于,对所述重构数据的第六层重构数据利用Welch算法进行功率谱估计得到第一功率谱数据。
7.根据权利要求1所述的心电数据分析装置,其特征在于,所述预置最优分类面为利用SVM分类器对正常心电数据和异常心电数据进行分析后得到的。
8.一种心电数据分析方法,其特征在于,包括:
对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据;
将所述第一功率谱数据与预置最优分类面进行对比,当所述第一功率谱数据位于所述预置最优分类面的异常侧时,触发所述报警模块发出报警信号,并发送所述报警信号至患者终端和/或医院终端;
其中,所述预置最优分类面为对正常功率谱数据和异常功率谱数据进行分析后得到的,所述预置最优分类面的正常心电数据所在侧为正常侧,所述预置分类面的异常心电数据所在侧为异常侧。
9.根据权利要求8所述的心电数据分析方法,其特征在于,所述对实时获取的待确诊患者的检测心电数据进行处理分析,得到位于所述检测数据S-T段频带和T波频带的第一功率谱数据具体包括:
对所述检测心电数据去噪得到待分析心电数据;
利用Mallat算法对所述待分析心电数据进行六层分解及各层重构得到各层的重构数据;
对所述重构数据的第六层重构数据进行功率谱估计得到第一功率谱数据。
10.一种心电数据分析系统,其特征在于,包括:如权利要求1至8中任意一项所述的心电数据分析装置和患者终端;
或
如权利要求1至8中任意一项所述的心电数据分析装置和医院终端;
或
如权利要求1至8中任意一项所述的心电数据分析装置和患者终端和医院终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439439.2A CN108852339A (zh) | 2018-05-09 | 2018-05-09 | 一种心电数据分析装置、方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439439.2A CN108852339A (zh) | 2018-05-09 | 2018-05-09 | 一种心电数据分析装置、方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108852339A true CN108852339A (zh) | 2018-11-23 |
Family
ID=64333483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810439439.2A Pending CN108852339A (zh) | 2018-05-09 | 2018-05-09 | 一种心电数据分析装置、方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108852339A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1387823A (zh) * | 2002-07-12 | 2003-01-01 | 清华大学 | 一种运动心电图中的t波交替的检测方法 |
CN101500480A (zh) * | 2006-08-04 | 2009-08-05 | 詹姆麦德有限公司 | 处理心电信号的方法以及相应的装置 |
CN103750835A (zh) * | 2013-11-12 | 2014-04-30 | 天津工业大学 | 一种心电信号特征检测算法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN105686801A (zh) * | 2015-12-25 | 2016-06-22 | 四川大学 | 基于固有时间尺度分解的房颤自发终止预测方法 |
CN106618552A (zh) * | 2016-12-30 | 2017-05-10 | 清华大学 | 一种检测模型获取方法及装置 |
-
2018
- 2018-05-09 CN CN201810439439.2A patent/CN108852339A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1387823A (zh) * | 2002-07-12 | 2003-01-01 | 清华大学 | 一种运动心电图中的t波交替的检测方法 |
CN101500480A (zh) * | 2006-08-04 | 2009-08-05 | 詹姆麦德有限公司 | 处理心电信号的方法以及相应的装置 |
CN103750835A (zh) * | 2013-11-12 | 2014-04-30 | 天津工业大学 | 一种心电信号特征检测算法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN105686801A (zh) * | 2015-12-25 | 2016-06-22 | 四川大学 | 基于固有时间尺度分解的房颤自发终止预测方法 |
CN106618552A (zh) * | 2016-12-30 | 2017-05-10 | 清华大学 | 一种检测模型获取方法及装置 |
Non-Patent Citations (4)
Title |
---|
吴水才: "《医学信号处理及应用》", 31 August 2014, 北京工业大学出版社 * |
尹咪咪: "心电信号分析处理及心肌梗塞疾病模型的建立", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
张忠怀: "《自动化应用技术》", 31 July 2001, 兵器工业出版社 * |
陈培军: "心电T波交替的改进谱估计检测方法", 《航天医学与医学工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Luo et al. | Patient‐Specific Deep Architectural Model for ECG Classification | |
Elgendi et al. | Revisiting QRS detection methodologies for portable, wearable, battery-operated, and wireless ECG systems | |
Chen et al. | Removing muscle artifacts from EEG data: Multichannel or single-channel techniques? | |
Raj et al. | Development of robust, fast and efficient QRS complex detector: a methodological review | |
Chawla | A comparative analysis of principal component and independent component techniques for electrocardiograms | |
Castillo et al. | Noise Suppression in ECG Signals through Efficient One‐Step Wavelet Processing Techniques | |
Kumar et al. | Efficient QRS complex detection algorithm based on Fast Fourier Transform | |
Kumar et al. | Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis | |
CA2849294A1 (en) | Physiological signal denoising | |
Imtiaz et al. | ECG artefact identification and removal in mHealth systems for continuous patient monitoring | |
Jaswal et al. | QRS detection using wavelet transform | |
Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
Li et al. | A deep learning approach to cardiovascular disease classification using empirical mode decomposition for ECG feature extraction | |
Rakshit et al. | Electrocardiogram beat type dictionary based compressed sensing for telecardiology application | |
Engin et al. | Feature measurements of ECG beats based on statistical classifiers | |
Keenan et al. | Detection of fetal arrhythmias in non-invasive fetal ECG recordings using data-driven entropy profiling | |
Tripathi et al. | A novel approach for real-time ECG signal denoising using Fourier decomposition method | |
CN108852339A (zh) | 一种心电数据分析装置、方法及系统 | |
Savostin et al. | Using the k-nearest neighbors algorithm for automated detection of myocardial infarction by electrocardiogram data entries | |
Velmurugan et al. | Gabor wavelet multi-linear discriminant analysis for data extraction in ECG signals | |
Martis et al. | An integrated ECG feature extraction scheme using PCA and wavelet transform | |
Reddy et al. | A tutorial review on data compression with detection of fetal heart beat from noisy ECG | |
Prabu et al. | Heart Patient Health Monitoring Using Artificial Intelligence with Cloud Technology | |
Muppalla et al. | Implementation of an Arrhythmia detection scheme with cellular based alert framework |
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: 20181123 |