CN108852347A - 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 - Google Patents
用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 Download PDFInfo
- Publication number
- CN108852347A CN108852347A CN201810770314.8A CN201810770314A CN108852347A CN 108852347 A CN108852347 A CN 108852347A CN 201810770314 A CN201810770314 A CN 201810770314A CN 108852347 A CN108852347 A CN 108852347A
- Authority
- CN
- China
- Prior art keywords
- cardiac arrhythmia
- parameter
- characteristic
- wave information
- type
- 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
- A61B5/72—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
-
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/30—Input circuits therefor
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
-
- 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
-
- 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
- A61B5/24—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
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (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
本申请公开了一种用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质,所述方法包括获取由心电采集装置采集的心电信号;设置要识别的心律不齐的类型;对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息;根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数,所提取的特征参数能够被利用分类器来识别心律不齐的类型。能够避免将资源花费在对于要识别的心律不齐类型冗余或意义不大的特征波信息和特征参数上,相应地能够提高提取心律不齐的特征参数的提取准确度和效率。
Description
技术领域
本申请涉及生物医学设备领域,特别是一种用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质。
背景技术
心脏在每个心动周期内,起搏点、心房、心室相继发生兴奋,伴随产生的生物电为心电信号,通过心电图仪在体表记录的电位变化形成心电图。每一个心动周期对应一组心电波群,在心电图上表现为P波、QRS波群、T波等。心电检测技术快捷、无创的特点为初级诊疗提供了基础,并在临床广泛应用。
但是,目前临床对于心律不齐分类识别主要是依靠医生对12导联心电图的波形分析,12导联心电图时长较短,一般不超过1分钟,然而很多早期心律不齐,如早期房颤并非持续性发生,患者的心律不齐特征很难在短时的心电图中检测出来,因而心律不齐识别漏诊率很高。为了监控患者的心律不齐,通常需要配合使用Holter来采集长期例如24小时内的12导联动态心电图。传统12导联和Holter尺寸较大,价格昂贵,需要由患者长时间佩戴,给患者的生活造成了不便。
近来开发出多种便携式单导心电图仪,其具有尺寸较小、成本较低、可移动、实时或长时监测心脏波动的功能,但缺乏准确、高效、全面地识别出多类心律不齐的方法。
发明内容
有鉴于现有技术中存在的上述问题,本申请提供一种能够准确的用于提取心律不齐的特征参数的方法、以及准确识别出多类心律不齐的装置及计算机可读介质,其不仅能够应用于多导联例如12导联的心电信号,也能够应用于单导心电信号,以准确、高效、针对性地提取心律不齐的特征参数以及识别出多类心律不齐。
为解决上述问题,本申请提供了一种用于提取心律不齐的特征参数的方法,所述方法包括:
获取由心电采集装置采集的心电信号;
设置要识别的心律不齐的类型;
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息;
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数,所提取的特征参数能够被利用分类器来识别心律不齐的类型。
在本公开的一些实施例中,所述方法还包括对所提取的特征参数进行归一化处理。
在本公开的一些实施例中,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,
所述特征波信息包括QRS波信息、P波信息和T波信息;
所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。
在本公开的一些实施例中,在要识别出的心律不齐类型为房颤心拍的情况下,
所述特征波信息包括R波信息和P波信息;
所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
在本公开的一些实施例中,所述频域特征参数包括f波所在频段的特征参数,所述时域特征参数包括RR间期相关的特征参数和表征心拍内P波的存在状况的特征参数。
本申请还提供了一种用于识别心律不齐的装置,所述装置包括处理器和其上存储有计算机可执行指令的存储器,所述处理器执行所述计算机可执行指令由时实现如下步骤:
根据上述的用于提取心律不齐的特征参数的方法;
基于所提取的特征参数利用分类器来识别心律不齐的类型。
在本公开的一些实施例中,所述心电采集装置为单导心电采集装置。
本申请还提供了一种计算机可读介质,所述可读介质中存储有计算机可执行指令,执行所述计算机可执行指令时,能够实现的步骤如下:
获取由心电采集装置采集的心电信号;
设置要识别的心律不齐的类型;
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息;
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数;
基于所提取的特征参数利用分类器来识别心律不齐的类型。
在本公开的一些实施例中,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,所述特征波信息包括QRS波信息、P波信息和T波信息;所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。
在本公开的一些实施例中,在要识别出的心律不齐类型为房颤心拍的情况下,所述特征波信息包括R波信息和P波信息;所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
与现有技术相比,本申请的有益效果在于:上述的用于提取心律不齐的特征参数的方法,能够根据要识别的心律不齐的不同类型针对性地检测所述心电信号中的特征波信息,进而根据要识别的心律不齐的类型从去噪后的心电信号和所述特征波信息针对性地提取特征参数,从而使得特征波信息的检测和特征参数的提取高效且具针对性,避免将资源花费在提取冗余或意义不大的特征波信息和特征参数上。
上述的用于识别心律不齐的装置和计算机可读介质,能够根据要识别的心律不齐的不同类型针对性地检测所述心电信号中的特征波信息,进而根据要识别的心律不齐的类型从去噪后的心电信号和所述特征波信息针对性地提取特征参数,从而使得特征波信息的检测和特征参数的提取高效且具针对性,避免将资源花费在对于要识别的心律不齐类型冗余或意义不大的特征波信息和特征参数上,相应地能够提高心律不齐的类型的识别准确度和效率,为心律不齐的早期识别提供技术支撑。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1示出根据本公开实施例的一种用于提取识别心律不齐的特征参数的方法的流程图;
图2示出根据本公开实施例的一种用于识别心律不齐的装置的框图;
图3示出根据本公开实施例的所述计算机可执行指令由所述处理器执行时实现的用于识别心律不齐的方法的各个步骤的流程图;
图4为根据本公开实施例的用于从心电信号中识别出依据AAMI标准的5类心律不齐类型(5类标签)的过程的流程图;
图5为根据本公开实施例的用于从心电信号中识别出房颤心拍的过程的流程图。
具体实施方式
为使本领域技术人员更好的理解本申请的技术方案,下面结合附图和具体实施方式对本申请作详细说明。
此处参考附图描述本申请的各种方案以及特征。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其它方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所发明的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作,判明真实的意图,避免不必要或多余的细节使得本申请模糊不清。因此,本文所发明的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其它实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供了一种用于提取心律不齐的特征参数的方法,如图1所示,所述方法包括如下步骤:
获取由心电采集装置采集的心电信号(步骤101);
设置要识别的心律不齐的类型(步骤102);
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息(步骤103);
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数,所提取的特征参数能够被利用分类器来识别心律不齐的类型(步骤104)。
上述的用于提取心律不齐的特征参数的方法,能够根据要识别的心律不齐的不同类型针对性地检测所述心电信号中的特征波信息,进而根据要识别的心律不齐的类型从去噪后的心电信号和所述特征波信息针对性地提取特征参数,从而使得特征波信息的检测和特征参数的提取高效且具针对性,避免将资源花费在提取冗余或意义不大的特征波信息和特征参数上。同时,采用上述的方法所提取的特征参数不能够直接用于识别心律不齐的类型。
在步骤101,获取由心电采集装置采集的心电信号。在本公开的一些实施例中,所述心电信号可以是Ⅰ导联心电信号或Ⅱ导联心电信号。在本公开的一些实施例中,所述心电采集装置可以为单导心电采集装置,其中,单导心电采集装置可以为单导心电图仪。
具体的,读取的心电信号的类型由单导心电采集装置的具体形态决定,其中,Ⅰ导联心电信号为从右手到左手方向,在单导心电采集装置为单导心电图仪时,单导心电图仪可以为以下形态,如上衣服装类短袖、背心等,电极分布方向为右肩-左肩、右臂-左臂;如脖戴类项链、项圈、吊坠等,电极分布方向为脖颈右后侧-脖颈左后侧;如手持类卡片、戒指、手环、手表等,电极分布方向为右手-左手,卡片式在采集信号时需左右手同时接触电极,戒指、手环、手表等形态在采集信号时需要未佩戴的手指搭放在戒指、手环、手表等电极传感器上。Ⅱ导联心电信号为从右手到左脚方向,在单导心电采集装置为单导心电图仪时,单导心电图仪可以为以下形态,如衣物类背带马甲、连体服等,电极分布方向为右肩-左腰前侧;如胸贴类,电极分布方向为右上胸-左下胸。
在步骤102,设置要识别的心律不齐的类型。作为示例,所述心律不齐的类型至少包括:房颤心拍、正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍中的一种或几种。其使得在识别心律不齐时,可有针对性的完成对心律不齐的类型的检测。
在步骤103,对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息。具体地,获取的心电信号为Ⅰ导联心电信号或Ⅱ导联心电信号时,可通过滤波器滤除掉低频基线漂移和高频肌电干扰、电极干扰等噪声。作为示例,滤波器可选取但不限于以下种类:小波滤波器、带通滤波器、形态学滤波器等。下面以小波分解滤波为例,小波分解将心电信号分成10层,分别将高频噪声对应的1、2层细节系数与低频基线漂移对应的9、10层细节系数置零处理,然后将处理后的小波细节系数重构获取去噪后的心电信号。
在本公开的一些实施例中,在完成对心电信号的去噪处理后,可以利用去噪后的心电信号检测出QRS波群、P波及T波信息。
具体地,检测心电信号的P波、QRS波群及T波可以采用但不限于以下方法:阈值检测法、模板匹配法、自适应阈值法、小波变换法和形态学算子法等。下面以二次样条小波分解法为例,利用二次样条小波将心电信号进行四个尺度的小波分解,在23尺度上对应的QRS波群能量分布最大。在23尺度上利用正负极大值对之间过零点获取R波波峰位置;Q波和S波为高频低幅波,能量主要集中在21尺度上,因此在21尺度上利用R波峰位置前第三个拐点位置为Q波起始点,R波峰后第三个拐点位置为S波结束点;P波和T波一般频率和幅度都较低,能量主要集中在24尺度上,在R波峰前固定窗内利用24尺度上的正负极大值对之间过零点获取P波信息,在R波峰后固定窗内利用24尺度上的正负极大值对之间过零点获取T波信息。
在步骤104,根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数。作为示例,特征参数可以选取但不限于以下种类:时域特征、频域特征、小波特征、高阶统计量特征、非线性特征等。具体地,可以利用QRS波群、P波与T波信息提取时域特征参数,且时域特征参数可选取但不限于以下种类:RR间期、QRS波群宽度、R波幅值、是否存在P波等。所提取的小波特征参数可选自但不限于以下种类:小波细节系数、细节系数能量比等。所提取的频域特征可选自但不限于以下种类:心电信号频域斜率、谐波数、幅度差值、能量谱中低频和高频能量占比等。所提取的非线性特征可选自但不限于以下种类:近似熵、样本熵等。所提取的高阶统计量特征可选自但不限于以下种类:二阶统计量、三阶统计量等。
要识别的心律不齐的类型发生变化时,所提取的特征参数也会进行针对性调整。在本公开的一些实施例中,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,所述特征波信息包括QRS波信息、P波信息和T波信息;所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。在本公开的一些实施例中,在要识别出的心律不齐类型为房颤心拍时,所述特征波信息包括R波信息和P波信息;所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。在本公开的一些实施例中,所述频域特征参数包括f波所在频段的特征参数,所述时域特征参数包括RR间期相关的特征参数和表征心拍内P波的存在状况的特征参数。
此时,基于当识别的心律不齐的类型为房颤心拍时,则从去噪后的心电信号中提取用于检测房颤心拍的相应的特征波信息,进而再在所述特征波信息中针对性地提取相应的特征参数,对房颤进行识别。
在本公开的一些实施例中,在提取特征参数后,对所提取的特征参数进行归一化处理,以便利用分类器来识别心律不齐的类型。
具体地,对所提取的特征参数进行归一化处理,即将获取的特征参数按比例进行缩放,使之落入一个小的特定区间内,如[-1,1]或[0,1]。归一化处理可以降低计算量,同时可以防止具有相对较大初始值域的特征属性与具有相对较小初始值域的特征参数相比权重过大。归一化方法可以选取但不限于以下方法:线性比例变换法、极差变换法、0均值标准化法等。下面以极差变换法为例:
其中xi为进行归一化的待处理特征参数,max(x)为该特征参数中最大值,min(x)为该特征参数中最小值,yi为进行归一化处理后的特征参数,作为分类器的输入。
根据本申请的实施例,还提供了一种用于识别心律不齐的装置3,如图2所示,所述装置3包括处理器2和其上存储有计算机可执行指令的存储器1,所述处理器2执行所述计算机可执行指令时实现如图3所示的识别心律不齐的方法的示例,其可以包括如下步骤:
根据上述的用于提取心律不齐的特征参数的方法(获取由心电采集装置采集的心电信号(步骤101);设置要识别的心律不齐的类型(步骤102);对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息(步骤103);根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数(步骤104))
基于所提取的特征参数利用分类器来识别心律不齐的类型(步骤105)。
上述的用于识别心律不齐的装置,能够根据要识别的心律不齐的不同类型针对性地检测所述心电信号中的特征波信息,进而根据要识别的心律不齐的类型从去噪后的心电信号和所述特征波信息针对性地提取特征参数,从而使得特征波信息的检测和特征参数的提取高效且具针对性,避免将资源花费在对于要识别的心律不齐类型冗余或意义不大的特征波信息和特征参数上,相应地能够提高心律不齐的类型的识别准确度和效率,为心律不齐的早期识别提供技术支撑。
在本公开的一些实施例中,处理器2可以是处理装置,包括例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等的一个或更多通用处理装置。更具体地,处理器2可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其它指令集的处理器、或实现指令集的组合的处理器。处理器2还可以是一个或更多专用处理装置,例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SOC)等。如本领域技术人员将领会的,在一些实施例中,处理器2可以是专用处理器而不是通用处理器。处理器2可以包括一个或更多已知的处理装置,例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM、或系列的微处理器,由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列的微处理器,或由太阳微系统公司制造的任何各种处理器。处理器2还可以包括加速处理单元,例如由AMDTM制造的台式A-4(6,8)系列TM,IntelTM制造的Xeon PhiTM系列。公开的实施例不限于任何类型的(一个或数个)处理器,其以其它方式被配置为满足识别、分析、保持、生成和/或提供大量心电信号数据或处理这样的心电信号数据的计算需求,或以其它方式被配置为处理与所公开的实施例一致的任何其它类型的数据。此外,术语“处理器”可包括多于一个处理器,例如,多核设计或每一个都具有多核设计的多个处理器。处理器2可以执行存储在存储器1的计算机程序指令序列以执行本文中更详细地说明的各种操作、处理、方法。
例如,存储器1可以包括一个或多个计算机程序产品的任意组合,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。
在步骤105:基于所提取的特征参数利用分类器来识别心律不齐的类型。其中,分类器可选取但不限于以下种类:神经网络、随机森林、支持向量机等。
利用归一化处理后的特征参数作为分类器输入对心电信号进行分类。下面以支持向量机为例。选取数据的特定百分比作为训练集,这里以80%为例,剩余20%数据作为测试集,训练集与测试集数据不能有重复使用数据。
分类模式可以为逐心拍分类,以单个心拍为一例样本;也可以使用不定长心电信号作为一例样本。这里以MIT-BIH的心律不齐数据库作为数据集为例逐心拍分类,共有48个患者,截取出计102840例心拍样本。依据AAMI标准将数据库标签分为5类,类别与对应样本个数如表所示,从心电信号中识别出依据AAMI标准的5类心律不齐类型(5类标签)的过程的流程图可参见图4所示。
具体说来,5类心律不齐类型为:N-正常或束支阻滞心拍,S-室上性异常心拍,V-室性异常心拍,F-室性融合心拍,Q-未分类心拍。其中,5类心律不齐类型中的子类型为:N-正常心拍,L-左束支传导阻滞,R-右束支传导阻滞,e-房性逸搏,j-交界性逸搏,A-房性早搏,a-异常房性早搏,J-交界性早搏,S-室上性早搏或异位心搏,V-室性期前收缩,E-室性逸搏,F-室性融合心搏,P-起搏器心拍,f-起搏融合心拍,Q-未分类心拍。所截取出的102840例心拍样本中各种心律不齐类型(子类型)的对应性和分布数量如表1所示。
表1心拍样本中各种心律不齐类型(子类型)的对应性和分布
类型 | N | S | V | F | Q |
子类型 | N、L、R、e、j | A、a、J、S | V、E | F | P、f、Q |
数量 | 86021 | 2610 | 5461 | 784 | 7964 |
利用上述标记好类别标签的心拍样本的80%对分类器进行监督训练。
剩余20%数据量作为测试集,利用训练好的分类器进行测试,测试结果的整体准确率为96.9%,其中各类别的精准率与召回率如表2所示。
表2心拍样本测试集中各种心律不齐类型的精准率与召回率
类型 | N | S | V | F | Q |
精准率 | 97.3 | 74.7 | 96.1 | 92.9 | 98.7 |
召回率 | 99.2 | 52.7 | 89.4 | 66.9 | 94.2 |
在上述的MIT-BIH心律不齐数据库中没有房颤心拍,但房颤检测尤其是阵发性房颤识别对于智能诊疗、移动医疗具有重要意义。
在本公开的一些实施例中,在要识别出的心律不齐类型为房颤心拍的情况下,具体请参见图5所示,
所述特征波信息包括R波信息和P波信息;
所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
进一步地,在本公开的一些实施例中,所述频域特征参数包括f波所在频段的特征参数,所述时域特征参数包括RR间期相关的特征参数和表征心拍内P波的存在状况的特征参数。
作为示例,f波所在频段的特征参数中,f波的频率一般在350-600次/分。下面以不定长心电信号为一例样本的分类模式,对房颤进行识别。具体流程如下:
1、读取心电信号,心电信号一般为I导联心电信号或II导联心电信号,心电信号长度一般不短于10秒,不长于1分钟。对心电信号进行滤波,去除低频基线漂移与高频干扰噪声。检测心电R波波峰位置。在R波波峰位置之前特定窗内检测P波。
2、利用去噪心电信号提取小波特征,包括小波细节系数、细节系数能量比等;利用去噪心电信号提取频域特征,包括f波所在频段能量比等;利用检测出R波峰位置提取RR间期相关特征,包括RR间期、R波幅值、RR间期差分值等,以及RR间期等特征的均值、标准差、中位数、最大值、最小值和分位点等;利用检测出的P波位置获取每个心拍是否存在P波,以及不存在P波的心拍占输入的不定长心电信号内总心拍的比例。
3、对步骤2里面提取的小波特征、频域特征及RR间期特征进行归一化处理,然后和P波特征一同输入分类器对房颤进行识别,输出结果为该段心电信号是否检测到疑似房颤。
本公开实施例还提供了一种计算机可读介质,所述可读介质中存储有计算机可执行指令,执行所述计算机可执行指令时,能够实现如图3所示的识别心律不齐的方法的示例,其可以包括如下步骤:
获取由心电采集装置采集的心电信号(步骤201);
设置要识别的心律不齐的类型(步骤202);
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息(步骤203);
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数(步骤204);
基于所提取的特征参数利用分类器来识别心律不齐的类型(步骤205)。
所述计算机可读存储介质可以采用各种形式,包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。
在本公开的一些实施例中,在提取特征参数后,对所提取的特征参数进行归一化处理,以便利用分类器来识别心律不齐的类型。
在本公开的一些实施例中,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,所述特征波信息包括QRS波信息、P波信息和T波信息;所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。
在本公开的一些实施例中,在要识别出的心律不齐类型为房颤心拍的情况下,所述特征波信息包括R波信息和P波信息;所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
在本公开的一些实施例中,所述频域特征参数包括f波所在频段的特征参数,所述时域特征参数包括RR间期相关的特征参数和表征心拍内P波的存在状况的特征参数。
通过上述内容可以看出,上述的用于识别心律不齐的计算机可读介质,能够根据要识别的心律不齐的不同类型针对性地检测所述心电信号中的特征波信息,进而根据要识别的心律不齐的类型从去噪后的心电信号和所述特征波信息针对性地提取特征参数,从而使得特征波信息的检测和特征参数的提取高效且具针对性,避免将资源花费在对于要识别的心律不齐类型冗余或意义不大的特征波信息和特征参数上,相应地能够提高心律不齐的类型的识别准确度和效率,为心律不齐的早期识别提供技术支撑。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种用于提取心律不齐的特征参数的方法,其特征在于,所述方法包括:
获取由心电采集装置采集的心电信号;
设置要识别的心律不齐的类型;
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息;
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数,所提取的特征参数能够被利用分类器来识别心律不齐的类型。
2.根据权利要求1所述的用于提取心律不齐的特征参数的方法,其特征在于,还包括对所提取的特征参数进行归一化处理。
3.根据权利要求1所述的用于提取心律不齐的特征参数的方法,其特征在于,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,
所述特征波信息包括QRS波信息、P波信息和T波信息;
所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。
4.根据权利要求1所述的用于提取心律不齐的特征参数的方法,其特征在于,在要识别出的心律不齐类型为房颤心拍的情况下,
所述特征波信息包括R波信息和P波信息;
所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
5.根据权利要求4所述的用于提取心律不齐的特征参数的方法,其特征在于,所述频域特征参数包括f波所在频段的特征参数,所述时域特征参数包括RR间期相关的特征参数和表征心拍内P波的存在状况的特征参数。
6.一种用于识别心律不齐的装置,所述装置包括处理器和其上存储有计算机可执行指令的存储器,其特征在于,所述处理器执行所述计算机可执行指令时实现如下步骤:
根据权利要求1-5中任何一项所述的用于提取心律不齐的特征参数的方法;
基于所提取的特征参数利用分类器来识别心律不齐的类型。
7.根据权利要求6所述的用于识别心律不齐的装置,其特征在于,所述心电采集装置为单导心电采集装置。
8.一种计算机可读介质,其中存储有计算机可执行指令,其特征在于,所述计算机可执行指令由处理器执行时能够实现如下步骤:
获取由心电采集装置采集的心电信号;
设置要识别的心律不齐的类型;
对所述心电信号进行预处理,所述预处理包括去噪以及根据要识别的心律不齐的类型检测所述心电信号中的特征波信息;
根据要识别的心律不齐的类型,从去噪后的心电信号和所述特征波信息提取特征参数;
基于所提取的特征参数利用分类器来识别心律不齐的类型。
9.根据权利要求8所述的计算机可读介质,其特征在于,在要识别出的心律不齐类型为正常或束支阻滞心拍、室上性异常心拍、室性异常心拍、室性融合心拍和未分类心拍的情况下,
所述特征波信息包括QRS波信息、P波信息和T波信息;
所提取的特征参数包括时域特征参数、小波特征参数、频域特征参数和非线性特征参数。
10.根据权利要求8所述的计算机可读介质,其特征在于,在要识别出的心律不齐类型为房颤心拍的情况下,
所述特征波信息包括R波信息和P波信息;
所提取的特征参数包括小波特征参数、频域特征参数和时域特征参数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810770314.8A CN108852347A (zh) | 2018-07-13 | 2018-07-13 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
US16/448,224 US11389101B2 (en) | 2018-07-13 | 2019-06-21 | Method and device for identifying arrhythmia, and computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810770314.8A CN108852347A (zh) | 2018-07-13 | 2018-07-13 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108852347A true CN108852347A (zh) | 2018-11-23 |
Family
ID=64301933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810770314.8A Pending CN108852347A (zh) | 2018-07-13 | 2018-07-13 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11389101B2 (zh) |
CN (1) | CN108852347A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770860A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
CN112168176A (zh) * | 2019-06-12 | 2021-01-05 | 京东方科技集团股份有限公司 | 一种基于心电信号的身份识别方法、装置和设备 |
CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
CN113384277A (zh) * | 2020-02-26 | 2021-09-14 | 京东方科技集团股份有限公司 | 心电数据的分类方法及分类系统 |
CN113499079A (zh) * | 2021-06-18 | 2021-10-15 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
CN113712567A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列系数的方法和装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021038025A1 (en) * | 2019-08-29 | 2021-03-04 | Ava Ag | System and method for estimating a fertility status of a woman |
CN111557659B (zh) * | 2020-05-22 | 2023-04-28 | 郑州大学 | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 |
CN111920407B (zh) * | 2020-07-27 | 2023-09-22 | 广东省医疗器械研究所 | 基于小波变换的心电特征提取方法、系统、装置及介质 |
CN112244861B (zh) * | 2020-10-09 | 2021-08-10 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
CN112450942B (zh) * | 2020-11-26 | 2023-01-24 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105832328A (zh) * | 2016-03-15 | 2016-08-10 | 安徽华米信息科技有限公司 | 心电数据的处理方法、装置及衣服 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
US7751873B2 (en) * | 2006-11-08 | 2010-07-06 | Biotronik Crm Patent Ag | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
WO2012085841A1 (en) * | 2010-12-20 | 2012-06-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Automatic online delineation of a multi-lead electrocardiogram bio signal |
EP3079571A4 (en) * | 2013-12-12 | 2017-08-02 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
US10194821B2 (en) * | 2014-10-29 | 2019-02-05 | Khalifa University of Science and Technology | Medical device having automated ECG feature extraction |
-
2018
- 2018-07-13 CN CN201810770314.8A patent/CN108852347A/zh active Pending
-
2019
- 2019-06-21 US US16/448,224 patent/US11389101B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105832328A (zh) * | 2016-03-15 | 2016-08-10 | 安徽华米信息科技有限公司 | 心电数据的处理方法、装置及衣服 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770860B (zh) * | 2019-03-28 | 2022-05-17 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
CN109770860A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
CN112168176B (zh) * | 2019-06-12 | 2024-03-19 | 京东方科技集团股份有限公司 | 一种基于心电信号的身份识别方法、装置和设备 |
CN112168176A (zh) * | 2019-06-12 | 2021-01-05 | 京东方科技集团股份有限公司 | 一种基于心电信号的身份识别方法、装置和设备 |
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
CN110623658B (zh) * | 2019-09-24 | 2022-07-26 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
CN113384277A (zh) * | 2020-02-26 | 2021-09-14 | 京东方科技集团股份有限公司 | 心电数据的分类方法及分类系统 |
CN113712567A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列系数的方法和装置 |
CN113712567B (zh) * | 2020-05-12 | 2023-09-01 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列系数的方法和装置 |
CN112426160A (zh) * | 2020-11-30 | 2021-03-02 | 贵州省人民医院 | 一种心电信号类型识别方法及装置 |
CN113499079A (zh) * | 2021-06-18 | 2021-10-15 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
CN113499079B (zh) * | 2021-06-18 | 2023-12-08 | 南京信息工程大学 | 一种心电图中的房颤检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200015695A1 (en) | 2020-01-16 |
US11389101B2 (en) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108852347A (zh) | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 | |
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
CN108348182A (zh) | 具有信号组合的心脏设备中的多个矢量感测 | |
Vijaya et al. | Arrhythmia detection through ECG feature extraction using wavelet analysis | |
Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
Al-Ani | ECG waveform classification based on P-QRS-T wave recognition | |
Naseer et al. | Classification of normal and abnormal ECG signals based on their PQRST intervals | |
Saminu et al. | Wavelet feature extraction for ECG beat classification | |
Khatun et al. | Detection of myocardial infarction and arrhythmia from single-lead ECG data using bagging trees classifier | |
Mykoliuk et al. | Machine learning methods in ECG classification | |
Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
Al-Masri | Detecting ECG heartbeat abnormalities using artificial neural networks | |
Vimala | Stress causing arrhythmia detection from ECG signal using HMM | |
Rao et al. | Performance identification of different heart diseases based on neural network classification | |
WO2013186634A2 (en) | Predicting acute cardiopulmonary events and survivability of a patient | |
Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
Sivanantham et al. | Cardiac arrhythmia detection using linear and non-linear features of HRV signal | |
Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
Mahajan et al. | Identification of heart beat abnormality using heart rate and power spectral analysis of ECG | |
Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
Gollakota et al. | A novel severity ranking approach for continuous monitoring of heart disease progression using beat-wise classification of ecg | |
Saktheeswari et al. | Survey on signal processing techniques for diagnoising cardiovascular diseases | |
Sanamdikar et al. | Analysis of several characteristics of ECG signal for cardiac arrhythmia detection |
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 |