CN108852340B - 一种心电采集系统、装置及计算机可读存储介质 - Google Patents
一种心电采集系统、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108852340B CN108852340B CN201810474274.2A CN201810474274A CN108852340B CN 108852340 B CN108852340 B CN 108852340B CN 201810474274 A CN201810474274 A CN 201810474274A CN 108852340 B CN108852340 B CN 108852340B
- Authority
- CN
- China
- Prior art keywords
- matrix
- observation
- electrocardio
- type information
- 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.)
- Active
Links
Images
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
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
本申请公开了一种心电采集系统、装置及计算机可读存储介质,包括:心电采集模块、类型分析模块、数据压缩模块和解压模块,实现采集心电信号,生成采样序列;利用心电信号判断出对应的类型信息;获取采样序列,利用与类型信息对应的观测矩阵和采样序列,生成心电观测信号;利用观测矩阵、与类型信息对应的字典矩阵和心电观测信号,得到稀疏信号,利用稀疏信号和字典矩阵,得到心电信号序列;本申请根据类型信息选择与之相对应观测矩阵,利用观测矩阵针对性的对采样序列进行压缩,再利用字典矩阵和观测矩阵对心电观测信号进行解压,得到稀疏信号,确保了解压过程中数据的完整性,最后得到心电信号序列,保证了心电信号在压缩和解压时的信号质量。
Description
技术领域
本发明涉及信号处理领域,特别涉及一种心电采集系统、装置及计算机可读存储介质。
背景技术
心电图是临床最常用的检查之一,其可以帮助医护人员诊断心律失常、心肌缺血、心肌梗死及部位,及判断药物或电解质情况对心脏的影响等。而许多严重的心脏疾病具有突发性,如大部分猝死患者都在医院外发病。同时,一些慢性心脏疾病例如心律失常具有偶发性,部分患者在短时的心电图检查中未必会发病而导致漏诊。因此,实现长期的心电采集将有利于心脏疾病的诊断和救治,能有效提高患者的生还率。
目前,已有若干类型的长期心电采集方法,包括直接对原心电信号进行采样储存并发送到云端的方法、基于压缩原理对心电信号进行压缩处理后再进行储存和发送的方法。但是由于心电信号的采集需要较高的采样率,直接对原心电信号进行储存和发送将会面临数据总量过大、传输速度不足的问题。而基于压缩原理对心电信号进行压缩处理后再储存和发送的方法将可能导致心电信号质量的下降甚至损坏,这将对医生的诊断产生严重影响。
综上所述,如何实现对心电信号的有效压缩的同时保证心电信号的质量的心电采集方法的研究具有重要意义。
发明内容
有鉴于此,本发明的目的在于提供一种心电采集系统、装置及计算机可读存储介质,能够有效压缩心电信号的同时保证心电信号的质量。其具体方案如下:
一种心电采集系统,包括:
心电采集模块,用于采集心电信号,生成采样序列;
类型分析模块,用于利用所述心电信号判断出对应的类型信息;
数据压缩模块,用于获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;
解压模块,用于利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;
其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵。
可选的,所述心电采集模块,具体用于采集所述心电信号,对所述心电信号进行滤波并生成所述采样序列。
可选的,所述类型分析模块,具体用于利用支持向量机,对所述心电信号进行分析,得到与所述心电信号对应的类型信息。
可选的,所述数据压缩单元,具体用于从所述随机矩阵集中查找到与所述类型信息对应的,且矩阵行数满足预设条件的随机矩阵子集,从所述随机矩阵子集选取所述观测矩阵,利用所述观测矩阵和所述采样序列,生成压缩后的心电观测信号;
其中,所述随机矩阵子集中的每个矩阵的行数相同。
可选的,所述解压模块,具体用于利用所述观测矩阵、基于K-SVD算法训练得到的所述字典矩阵、所述心电观测信号和正交匹配追踪算法,求解出所述稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列。
可选的,还包括:
报警模块,用于判断所述心电观测信号是否满足预设的报警条件,如果是,则报警。
可选的,还包括:
报警模块,用于判断所述心电观测信号是否满足预设的报警条件,如果是,则报警。
本发明还公开了一种心电采集装置,包括:
程序存储器,用于存储心电采集程序;
处理器,用于执行所述心电采集程序,所述心电采集程序包括以下步骤:采集心电信号,生成采样序列;利用所述心电信号判断出对应的类型信息;获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵。
可选的,还包括:
数据存储器,存储所述心电观测信号、所述观测矩阵和所述类型信息,以防止数据丢失。
可选的,还包括:
显示器,利用所述心电观测信号,实时生成心电图像,以实时向用户展示所述心电图像。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有心电采集程序,所述心电采集程序用于实现以下步骤:
采集心电信号,生成采样序列;
利用所述心电信号判断出对应的类型信息;
获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;
利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;
其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵。
本发明中,心电采集系统,包括:心电采集模块,用于采集心电信号,生成采样序列;类型分析模块,用于利用心电信号判断出对应的类型信息;数据压缩模块,用于获取采样序列,利用与类型信息对应的观测矩阵和采样序列,生成压缩后的心电观测信号;解压模块,用于利用观测矩阵和与类型信息对应的字典矩阵,对心电观测信号进行求解,得到稀疏信号,利用稀疏信号和字典矩阵,得到解压后的心电信号序列;其中,观测矩阵为预先生成的随机矩阵集中与类型信息对应的矩阵;字典矩阵为预先生成的字典矩阵集中与类型信息对应的矩阵;本发明在采集心电信号后,利用类型分析模块对心电信号的类型进行分析,获得类型信息,根据类型信息选择与之相对应观测矩阵,利用观测矩阵针对性的对采样序列进行压缩,得到压缩质量更好的心电观测信号,再利用与类型信息对应的字典矩阵和观测矩阵对心电观测信号进行解压,得到稀疏信号,确保了解压过程中数据的完整性,再由稀疏信号配合字典矩阵完成最后的解压,得到心电信号序列,保证了心电信号在压缩时数据不会损坏质量不会下降,解压时保证了心电信号的还原质量,实现了在减少通讯流量的情况下,保障了心电信号的质量。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种心电采集系统结构示意图;
图2为本发明实施例提供的另一种心电采集系统结构示意图;
图3为本发明实施例提供的一种心电采集装置结构示意图。
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。
本发明实施例公开了一种心电采集系统,参见图1所示,该系统包括:
心电采集模块1,用于采集心电信号,生成采样序列;
类型分析模块2,用于利用心电信号判断出对应的类型信息;
数据压缩模块3,用于获取采样序列,类型信息利用与类型信息对应的观测矩阵和采样序列,生成压缩后的心电观测信号;
解压模块4,用于利用观测矩阵和与类型信息对应的字典矩阵,对心电观测信号进行求解,得到稀疏信号,利用稀疏信号和字典矩阵,得到解压后的心电信号序列;
其中,观测矩阵为预先生成的随机矩阵集中与类型信息对应的矩阵;字典矩阵为预先生成的字典矩阵集中与类型信息对应的矩阵。
需要说明的是,类型信息用于表达当前心电信号对应的心律类型,不同的心律类型对应不同的类型信息,心律类型可以包括室颤、房颤和房扑等,均可由相应的类型信息进行体现。
具体的,心电采集模块1采集到心电信号后,将心电信号转换为N×1维矩阵的采样序列,心电采集模块1可以主动将采样序列发送至数据压缩模块3,当然,为提供更为清晰和精准的采样序列,在生成采样序列前,心电采集模块1可以对心电信号进行滤波,再将滤波后的心电信号转换为采样序列。
进一步的,为提高压缩后的心电观测信号的准确度,防止心电观测信号经过压缩导致心电信号质量的下降或损坏,因此,利用类型分析模块2,判断出心电信号对应的类型信息,以便于数据压缩模块3,根据类型信息采用相应的观测矩阵对采样序列进行针对性的压缩,从而确保压缩后心电观测信号的完整度;类型信息与观测矩阵的对应规则可以为根据不同类型信息对应不同的观测矩阵的大小,例如,带病的类型信息对应较大的观测矩阵,以减少对数据的压缩量,而类型信息为正常则可以对应较小的观测矩阵,以更好的压缩心电观测信号,减少数据总量。
其中,预先生成随机数序列并保存为M1×N,M2×N,…,Mn×N维的随机矩阵各若干个,所有随机矩阵构成随机矩阵集,观测矩阵即随机矩阵集中任一个随机矩阵,其中为预设常数序列且M1>M2>…>Mn,M<<N;随机矩阵可以采用高斯随机矩阵、伯努利随机矩阵、部分哈达玛矩阵等类型的矩阵中的一种或多种。
例如,在压缩过程中,可以将采样序列S'视为N×1维矩阵并由压缩公式Y=ΦS'得到Mn×1维的心电观测信号Y,由于Mn<<N,所以信号被压缩,式中,Φ表示观测矩阵。
具体的,为保证解压后心电观测信号的准确性,解压模块4利用观测矩阵、与类型信息对应的字典矩阵和稀疏信号计算公式,对心电观测信号进行求解,得到稀疏信号,其中,稀疏信号计算公式为Y=ΦΨX,式中,Y表示心电感测信号,Ψ表示字典矩阵,X表示稀疏信号,最后利用稀疏信号、字典矩阵和解压公式S”=ΨX,计算出解压后的心电信号序列,式中,S”表示心电信号序列,实现对心电信号的高精度压缩和解压,保证了心电信号在全过程中的完整和质量,同时也减少了数据大小。
可见,本发明实施例中,在采集心电信号后,利用类型分析模块2对心电信号的类型进行分析,获得类型信息,根据类型信息选择与之相对应观测矩阵,利用观测矩阵针对性的对采样序列进行压缩,得到压缩质量更好的心电观测信号,再利用与类型信息对应的字典矩阵和观测矩阵对心电观测信号进行解压,得到稀疏信号,确保了解压过程中数据的完整性,再由稀疏信号配合字典矩阵完成最后的解压,得到心电信号序列,保证了心电信号在压缩时数据不会损坏质量不会下降,解压时保证了心电信号的还原质量,实现了在减少通讯流量的情况下,保障了心电信号的质量。
本发明实施例公开了一种具体的心电采集系统,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。参见图2所示,具体的:
本发明实施例中,上述心电采集模块1,在采集心电信号后,为提高采样序列的精准度,可以对心电信号进行滤波并生成采样序列。
上述类型分析模块2,可以具体用于利用支持向量机,对心电信号进行分析,得到与心电信号对应的类型信息。
具体的,观测矩阵与类型信息的对应规则可以为不同类型信息对应不同矩阵行数的观测矩阵,例如,在患者类型信息为室颤、室性心动过速等严重异常时,选择矩阵行数最大的观测矩阵,在患者类型信息为房颤、房扑等异常时,选择矩阵行数较大的观测矩阵,在患者类型信息为正常窦性心律时,选择矩阵行数最小的观测矩阵;同时,为加快在随机矩阵集中挑选出与类型信息对应的观测矩阵,将随机矩阵集中矩阵行数相同的随机矩阵归类至随机矩阵子集中,随机矩阵集中包括多个不同的随机矩阵子集。
具体的,上述数据压缩单元,可以具体用于从随机矩阵集中查找到与类型信息对应的,且矩阵行数满足预设条件的随机矩阵子集,从随机矩阵子集选取观测矩阵,利用观测矩阵和采样序列,生成压缩后的心电观测信号;其中,随机矩阵子集中的每个矩阵的行数相同。
例如, 表示随机矩阵集,Φn表示包含若干个Mn×N维的观测矩阵的随机矩阵子集;如,第一随机矩阵子集的矩阵行数大于第二随机矩阵子集的矩阵行数,第二随机矩阵子集大于的矩阵行数第三随机矩阵子集的矩阵行数,在患者类型信息为室颤、室性心动过速等严重异常时,选择矩阵行数最多的第一随机矩阵子集中任一个观测矩阵,在患者类型信息为房扑等异常时,选择矩阵行数较多的第二随机矩阵子集中任一个观测矩阵,在患者类型信息为正常窦性心律时,选择矩阵行数最少的第三随机矩阵子集中任一个观测矩阵。
具体的,上述解压模块4,可以具体用于利用观测矩阵、基于K-SVD算法训练得到的字典矩阵、心电观测信号和正交匹配追踪算法,求解出稀疏信号,利用稀疏信号和字典矩阵,得到解压后的心电信号序列。
进一步的,由K-SVD算法训练出对应不同类型信息的N×N维字典矩阵集例如,室颤心律、室性心动过速心律、房颤、房扑、正常窦性心律分别对应字典矩阵集中的字典Ψ1,Ψ2,…,Ψn;将压缩时使用的与心电信号对应的观测矩阵Φ、与心电信号对应的字典矩阵Ψ和心电观测信号Y,代入稀疏信号计算公式Y=ΦΨX,利用正交匹配追踪算法计算出稀疏信号X,再将稀疏信号X和字典矩阵Ψ代入解压公式S”=ΨX得到心电信号序列S”。
可以理解的是,当用户的心脏状态发生变化,心电采集系统为及时提醒用户需要注意心脏状态,通过添加报警模块5对用户进行报警,以起到警示作用;
具体的,报警模块5,用于判断心电观测信号是否满足预设的报警条件,如果是,则报警;报警条件可以为心跳频率和/或心跳幅度等反映心脏状态的参数,当心电信号的数值超过预先设定的报警条件则报警模块5便会报警,如,心跳速率高于预设的报警条件,报警方式可以采用蜂鸣报警或灯光报警等报警方式。
此外,本发明实施例还公开了一种心电采集装置,参见图3所示,该装置包括:
程序存储器11,用于存储心电采集程序;
处理器12,用于执行心电采集程序,心电采集程序包括以下步骤:采集心电信号,生成采样序列;利用心电信号判断出对应的类型信息;获取采样序列,利用与类型信息对应的观测矩阵和采样序列,生成压缩后的心电观测信号;利用观测矩阵和与类型信息对应的字典矩阵,对心电观测信号进行求解,得到稀疏信号,利用稀疏信号和字典矩阵,得到解压后的心电信号序列;其中,观测矩阵为预先生成的随机矩阵集中与类型信息对应的矩阵;字典矩阵为预先生成的字典矩阵集中与类型信息对应的矩阵。
本发明实施例中上述心电采集装置,为方便用户随时观察心电图,增加显示器14,以向用户展示心电图像;为保证数据不会丢失,增加数据存储器13,用于保存重要数据,具体的:
数据存储器13,存储心电观测信号、观测矩阵和类型信息,以防止数据丢失。
显示器14,利用心电观测信号,实时生成心电图像,以实时向用户展示心电图像。
其中,具体的心电采集程序可以参考前述心电采集系统中各模块的功能,在此不再赘述。
另外,本发明实施例还公开了一种计算机可读存储介质,计算机可读存储介质上存储有心电采集程序,心电采集程序用于实现以下步骤:
采集心电信号,生成采样序列;
利用心电信号判断出对应的类型信息;
获取采样序列,利用与类型信息对应的观测矩阵和采样序列,生成压缩后的心电观测信号;
利用观测矩阵和与类型信息对应的字典矩阵,对心电观测信号进行求解,得到稀疏信号,利用稀疏信号和字典矩阵,得到解压后的心电信号序列;
其中,观测矩阵为预先生成的随机矩阵集中与类型信息对应的矩阵;字典矩阵为预先生成的字典矩阵集中与类型信息对应的矩阵。
其中,具体的心电采集程序可以参考前述心电采集系统中各模块的功能,在此不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本发明所提供的一种心电采集系统、装置及计算机可读存储介质进行了详细介绍,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 (9)
1.一种心电采集系统,其特征在于,包括:
心电采集模块,用于采集心电信号,生成采样序列;
类型分析模块,用于利用所述心电信号判断出对应的类型信息;
数据压缩模块,用于获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;
解压模块,用于利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;
其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵;
其中,所述数据压缩单元,具体用于从所述随机矩阵集中查找到与所述类型信息对应的,且矩阵行数满足预设条件的随机矩阵子集,从所述随机矩阵子集选取所述观测矩阵,利用所述观测矩阵和所述采样序列,生成压缩后的心电观测信号;
其中,所述随机矩阵子集中的每个矩阵的行数相同;
其中,所述类型信息用于表达当前心电信号对应的心律类型,不同的心律类型对应不同的类型信息,心律类型包括室颤、房颤和房扑。
2.根据权利要求1所述的心电采集系统,其特征在于,所述心电采集模块,具体用于采集所述心电信号,对所述心电信号进行滤波并生成所述采样序列。
3.根据权利要求1所述的心电采集系统,其特征在于,所述类型分析模块,具体用于利用支持向量机,对所述心电信号进行分析,得到与所述心电信号对应的类型信息。
4.根据权利要求1所述的心电采集系统,其特征在于,所述解压模块,具体用于利用所述观测矩阵、基于K-SVD算法训练得到的所述字典矩阵、所述心电观测信号和正交匹配追踪算法,求解出所述稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列。
5.根据权利要求1至4任一项所述的心电采集系统,其特征在于,还包括:
报警模块,用于判断所述心电观测信号是否满足预设的报警条件,如果是,则报警。
6.一种心电采集装置,其特征在于,包括:
程序存储器,用于存储心电采集程序;
处理器,用于执行所述心电采集程序,所述心电采集程序包括以下步骤:采集心电信号,生成采样序列;利用所述心电信号判断出对应的类型信息;获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵;其中,所述获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号的过程,包括:从所述随机矩阵集中查找到与所述类型信息对应的,且矩阵行数满足预设条件的随机矩阵子集,从所述随机矩阵子集选取所述观测矩阵,利用所述观测矩阵和所述采样序列,生成压缩后的心电观测信号;其中,所述随机矩阵子集中的每个矩阵的行数相同;其中,所述类型信息用于表达当前心电信号对应的心律类型,不同的心律类型对应不同的类型信息,心律类型包括室颤、房颤和房扑。
7.根据权利要求6所述的心电采集装置,其特征在于,还包括:
数据存储器,存储所述心电观测信号、所述观测矩阵和所述类型信息,以防止数据丢失。
8.根据权利要求6所述的心电采集装置,其特征在于,还包括:
显示器,利用所述心电观测信号,实时生成心电图像,以实时向用户展示所述心电图像。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有心电采集程序,所述心电采集程序用于实现以下步骤:
采集心电信号,生成采样序列;
利用所述心电信号判断出对应的类型信息;
获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号;
利用所述观测矩阵和与所述类型信息对应的字典矩阵,对所述心电观测信号进行求解,得到稀疏信号,利用所述稀疏信号和所述字典矩阵,得到解压后的心电信号序列;
其中,所述观测矩阵为预先生成的随机矩阵集中与所述类型信息对应的矩阵;所述字典矩阵为预先生成的字典矩阵集中与所述类型信息对应的矩阵;
其中,所述获取所述采样序列,利用与所述类型信息对应的观测矩阵和所述采样序列,生成压缩后的心电观测信号的过程,包括:
从所述随机矩阵集中查找到与所述类型信息对应的,且矩阵行数满足预设条件的随机矩阵子集,从所述随机矩阵子集选取所述观测矩阵,利用所述观测矩阵和所述采样序列,生成压缩后的心电观测信号;
其中,所述随机矩阵子集中的每个矩阵的行数相同;
其中,所述类型信息用于表达当前心电信号对应的心律类型,不同的心律类型对应不同的类型信息,心律类型包括室颤、房颤和房扑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474274.2A CN108852340B (zh) | 2018-05-17 | 2018-05-17 | 一种心电采集系统、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474274.2A CN108852340B (zh) | 2018-05-17 | 2018-05-17 | 一种心电采集系统、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108852340A CN108852340A (zh) | 2018-11-23 |
CN108852340B true CN108852340B (zh) | 2021-09-03 |
Family
ID=64334174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474274.2A Active CN108852340B (zh) | 2018-05-17 | 2018-05-17 | 一种心电采集系统、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108852340B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6082776A (en) * | 1997-05-07 | 2000-07-04 | Feinberg; Lawrence E. | Storing personal medical information |
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
US8917798B2 (en) * | 2009-12-03 | 2014-12-23 | Qualcomm Incorporated | Method and apparatus for distributed processing for wireless sensors |
WO2011129818A1 (en) * | 2010-04-13 | 2011-10-20 | Empire Technology Development Llc | Adaptive compression |
CN202681920U (zh) * | 2012-06-12 | 2013-01-23 | 东华大学 | 一种基于压缩感知的穿戴式体征监护器 |
CN103431855B (zh) * | 2013-08-30 | 2015-07-22 | 重庆理工大学 | 起搏心电信号的非平衡深度压缩方法 |
CN103927556A (zh) * | 2014-05-07 | 2014-07-16 | 天津工业大学 | 一种基于小波包和近似熵的心电信号分类方法 |
US10595788B2 (en) * | 2016-05-31 | 2020-03-24 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
CN106599903B (zh) * | 2016-11-22 | 2020-01-21 | 电子科技大学成都研究院 | 基于相关性的加权最小二乘字典学习的信号重构方法 |
CN106559744A (zh) * | 2016-11-24 | 2017-04-05 | 湖北文理学院 | 一种基于稀疏识别与压缩感知的体域网节能方法 |
-
2018
- 2018-05-17 CN CN201810474274.2A patent/CN108852340B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108852340A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhai et al. | Automated ECG classification using dual heartbeat coupling based on convolutional neural network | |
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
US9131864B2 (en) | System and method for evaluating an electrophysiological signal | |
WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
US20090131760A1 (en) | Morphograms In Different Time Scales For Robust Trend Analysis In Intensive/Critical Care Unit Patients | |
Gomes et al. | ECG data-acquisition and classification system by using wavelet-domain hidden markov models | |
CN113520401A (zh) | 心电信号的分类方法和装置 | |
US9474460B2 (en) | Non-invasive evaluation of cardiac repolarisation instability for risk stratification of sudden cardiac death | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN115337018A (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN108852340B (zh) | 一种心电采集系统、装置及计算机可读存储介质 | |
Leite et al. | Classification of cardiac arrhythmias using competitive networks | |
Bhat et al. | A Real-Time IoT Based Arrhythmia Classifier Using Convolutional Neural Networks | |
Hassanuzzaman et al. | End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal | |
KR101526774B1 (ko) | 압축센싱을 이용한 심전도 신호 전송 방법 및 이를 이용한 모니터링 시스템 | |
Adib et al. | ECG beat classification using discrete wavelet coefficients | |
CN109009047B (zh) | 一种心律失常检测方法、装置及设备 | |
Kim et al. | Se-resnet-vit hybrid model for noise classification in adhesive patch-type wearable electrocardiographs | |
Reddy et al. | Development of Non Invasive cardiovascular risk diagnosing system | |
Gupta et al. | ECG signal analysis using emerging tools in current scenario of health informatics | |
Siekierski et al. | Heart beats classification method using a multi-signal ECG spectrogram and convolutional neural network with residual blocks | |
CN108926345B (zh) | 一种基于cnn神经网络的急性心肌梗死定时期自动判别系统 |
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 |