CN108888259A - 一种心电信号实时qrs波检测方法 - Google Patents
一种心电信号实时qrs波检测方法 Download PDFInfo
- Publication number
- CN108888259A CN108888259A CN201810488499.3A CN201810488499A CN108888259A CN 108888259 A CN108888259 A CN 108888259A CN 201810488499 A CN201810488499 A CN 201810488499A CN 108888259 A CN108888259 A CN 108888259A
- Authority
- CN
- China
- Prior art keywords
- wave
- amplitude
- slope
- data
- electrocardiosignal
- 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.)
- Granted
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
- A61B5/24—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
Abstract
本发明涉及一种心电信号实时QRS波检测方法,步骤如下:(1)心电信号预处理,得到去噪后的心电信号的数据;(2)R波检测:对去噪后的部分心电信号用斜率法得到R波检测用的幅值阈值At,再用R波幅值阈值At对所有心电信号进行幅值筛选,对经过幅值筛选后的心电信号进行R波检测,并用平均RR间隔修正R波检测结果;(3)Q波检测:取R波前一定范围内的信号做差分运算,寻找差分运算后结果中的最小值点作为Q波位置;(4)S波检测:取R波后一定范围内的信号,寻找其中的最小值点作为S波位置。本发明能够快速、有效、实时地检测心电信号中的QRS波,适用于可穿戴心电监测设备的实时QRS波检测。
Description
技术领域
本发明涉及一种心电信号实时QRS波检测方法。
背景技术
心血管疾病是当今危害人类身体健康的主要疾病之一,而心电图检查是临床上诊断心血管疾病的重要方法。心电信号的参数提取和波形识别是ECG信号分析诊断的关键,其准确性与可靠性决定诊断与治疗心脏病患者的效果。其中QRS波的检测是心电信号分析的基础,QRS波群定位准确与否直接影响后继处理的正确性。
在心血管健康监护中,穿戴式心电监测设备可以对用户的心脏进行长时间的连续监测,方便有效地在用户的疾病危险期中提供重要的心电信号依据,为医务人员的快速、准确诊断心脏病症带来诸多便利之处。
目前的QRS波识别方法主要有差分阈值法、数学形态学法、小波变换法、神经网络法等。其中,差分阈值法的算法原理简单、计算量较小、实时性好,容易于硬件实现,对低频噪声有较强的抑制能力,但对各类高频噪声的消噪效果并不理想,比较容易受到大T波、肌电干扰和高频伪迹的影响;数学形态学法所使用的滤波器组合简单、运算速度快、实时性好,但是在滤除高频噪声的时候容易使得QRS波产生失真,正确率不高;小波变换虽然检测正确率高,但是计算量相对较大,而且需要高性能的硬件支撑,不适用于可穿戴设备的实时监测;神经网络法具有自学习和自适应能力,虽然可获得良好的判别效果,但算法学习训练时间长,运算量过大,也难以适用于实时检测。因此需要一种不仅能够快速高效地识别出QRS波,而且算法复杂度低,原理简单,实时性好的检测方法,应用于可穿戴设备的实时心电监测。
发明内容
本发明的目的是提供一种简单高效的实时QRS波检测方法,适用于便携式可穿戴心电监测设备的实时QRS波检测。
本发明采用的技术方案如下:
一种心电信号实时QRS波检测方法,包括如下步骤:步骤1,心电信号预处理,得到去噪后的心电信号的数据,该数据中包括多个周期;步骤2,R波检测,对所述去噪后的心电信号采用斜率法检测R波,并利用平均RR间隔修正检测结果,得到R波的位置和幅值;步骤3,Q波检测,根据所述R波的位置采用差分法检测Q波的位置和幅值;步骤4,S波检测,根据所述R波的位置采用最小值法检测S波的位置和幅值。
进一步地,步骤1所述的心电信号预处理,具体的步骤包括:心电信号先经过陷波器去除50Hz工频干扰及其谐波,再通过高通滤波器去除基线漂移和运动干扰;
进一步地,步骤2所述的所述R波检测,具体的步骤包括:步骤21,对部分所述去噪后的心电信号用斜率法得到R波检测用的幅值阈值At;步骤22,用幅值阈值At对所有所述去噪后的心电信号进行幅值筛选;步骤23,对经过幅值筛选后的心电信号用斜率法进行R波检测,并用平均RR间隔修正R波检测结果。
所述步骤21的具体实现步骤为:
1)将所述去噪后的心电信号的数据中的第一个t0秒内的数据,记为x0(n),数据长度为L0,l为数据序号,根据公式(1)求得斜率:
S0(l)=-2x0(l-2)-x0(l-1)+x0(l+1)+2x0(l+2),l=3,4,...,L0-2 (1)
其中,t0为大于60且小于120的正整数;
对于x0(n)中的前i个点(250<i<500),取斜率S0(l)的最大值作为筛选前初始斜率阈值St0和筛选前斜率修正值maxi0的初始值;对于x0(n)中的第(i+1)点及其之后的数据,筛选前斜率阈值St0和筛选前斜率修正值maxi0的值根据公式(2)-(3)自适应更新:
St0=0.5maxi0 (2)
其中,H0为筛选前QRS波起点处的幅值,HR0为筛选前R波的幅值;
将计算出的斜率S0(l)与筛选前斜率阈值St0比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St0时,认为斜率S0(l)对应的数据点是一个筛选前QRS波段的起点,记该点的幅值为H0;检测到一个QRS波段的起点后,在此波段中找到幅值最大的点,该点记为筛选前R波位置,记该点的幅值为HR0;
2)将x0(n)中所有数据按步骤1)进行检测后,得到初始t秒内的R波幅值集合,记为Rf0(n);将Rf0(n)按照从小到大的顺序排序,记为Rf(n);为防止信号中出现幅值较大的噪声,取样本Rf(n)中的第m个至第m+9个为R波幅值的样本,求其平均值并以此平均值作为初始R波幅值阈值At0:
其中,m为大于10且小于50的正整数;
3)R波幅值阈值At利用最新检测到的R波根据公式(5)自适应更新:
其中,A(n)为序号为n的R波的幅值;
所述步骤22的具体实现步骤为:选取心电信号数据幅值的绝对值在[0.7At,1.75At]∩[0.1,10]范围内的数据进行R波识别,记为数据x(n),对于幅值不在此范围的数据,不予识别。
所述步骤23的具体实现步骤为:
1)斜率阈值求取:取幅值筛选后的数据中的第一个t秒内的数据为x(n),信号长度为L,根据公式(6)求得斜率:
S(l)=-2x(l-2)-x(l-1)+x(l+1)+2x(l+2),l=3,4,...,L-2 (6)
其中,t为大于20且小于60的正整数,并取此t秒数据中斜率S(l)的最大值作为斜率阈值St和斜率修正值maxi的初始值;若数据x(n)不为心电信号的第一个t秒内的数据,则斜率阈值St和斜率修正值maxi由更新公式(7)至(8)计算:
St=0.5maxi (7)
其中,H为QRS波起点处的幅值,HR为R波的幅值。
2)QRS波起始点确定:计算出第一个t秒之后的每组t秒数据的斜率,并与斜率阈值St比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St时,认为该斜率S(l)对应的数据点是一个QRS波段的起点,记该点的幅值为H;
3)QRS波段R波初判:步骤2)中检测到一个QRS波段的起点后,在此波段中找到幅值最大点,将该点暂记为R波位置;
4)RR间隔确定:已检测出序号为n的R波位置记为P(n),由公式(9)计算出RR间隔记Ir,Ts为采样频率Fs的倒数:
Ir(n)=(P(n)-P(n-1))×Ts (9)
平均RR间隔Ira由公式(10)计算实现,采取最近检测到的10个间隔Ir确定:
5)QRS波段R波排除:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)>1.66Ira,则该最大点与其前一个R波之间可能存在幅值较低的R波漏判,此时降低幅度阈值,令At=0.6At,若Ir(n)<0.6Ira,该最大点与其前一个R波间隙过小,认定为误判;
6)QRS波段R波确定:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)∈(0.6Ira,1.66Ira),则认定为识别到一个R波,并记该最大点的幅值为HR;
7)阈值更新:幅值阈值At、斜率阈值St和斜率修正值maxi的值根据公式(5)、(7)、(8);
8)阈值自适应更新后,重复步骤1),直至数据停止传输。
进一步地,步骤3中所述的Q波检测,具体实现步骤为:
每检测到一个R波,将R波前tq秒内的数据还原为高通滤波后的数据,记为xq(n),xq(n)的数据长度为Lq=tq×Fs;对xq(n)使用公式(11)进行差分运算,得到斜率slopeq(n):
slopeq(n)=xq(n)-xq(n-1) (11)
寻找斜率slopeq(n)中的最小值点,作为Q波位置,并将该点对应的信号幅值作为Q波幅值。
进一步地,步骤4中所述的S波检测,具体实现步骤为:
每检测到一个R波,将R波后ts秒内的数据还原为高通滤波后的数据,记为xs(n),xs(n)的数据长度为Ls=ts×Fs;寻找xs(n)中的最小值点,作为S波位置,并将该点对应的信号幅值作为S波幅值。
本发明提供的实时QRS波检测方法不仅提高了QRS波检测的准确度,而且具有方法简单,实时性好,克服干扰能力强的显著优点,能很好地适用于便携式可穿戴设备中心电信号的实时QRS波检测。
附图说明
图1是本发明方法流程图。
图2是本发明实施例中利用可穿戴设备采集的心电信号。
图3是本发明实施例中利用可穿戴设备采集的心电信号QRS波检测结果。
具体实施方式
如图1所述的流程图,本发明提供的一种心电信号实时QRS波检测方法,包括如下步骤:
步骤1,心电信号预处理,得到去噪后的心电信号的数据,该数据中包括多个周期;
步骤2,R波检测,对所述去噪后的心电信号采用斜率法检测R波,并利用平均RR间隔修正检测结果,得到R波的位置和幅值;
步骤3,Q波检测,根据所述R波的位置采用差分法检测Q波的位置和幅值;
步骤4,S波检测,根据所述R波的位置采用最小值法检测S波的位置和幅值。
本实施例所采用的数据是经过一件单导联可穿戴运动背心采集的,通过干性接触测得单导联ECG信号,两个电极采用差分的方法得到两点的电势差,以250Hz的采样频率采集心电信号,采样的数据如图2。
下面结合附图对本发明作进一步的描述和介绍:
1.对心电信号进行预处理,心电信号先经过陷波器去除50Hz工频干扰及其谐波,再通过高通滤波器去除基线漂移和运动干扰,得到去噪后的心电信号数据;
2.对所述去噪后的心电信号进行R波检测,具体步骤如下:
a.对部分所述去噪后的心电信号用斜率法得到R波检测用的幅值阈值At:
1)将所述去噪后的心电信号的数据中的第一个60秒内的数据,记为x0(n),数据长度为L0,l为数据序号,根据公式(1)求得斜率:
对于x0(n)中的前300个点,取斜率S0(l)的最大值作为筛选前初始斜率阈值St0和筛选前斜率修正值maxi0的初始值;对于x0(n)中的第(i+1)点及其之后的数据,筛选前斜率阈值St0和筛选前斜率修正值maxi0的值根据公式(2)-(3)自适应更新;将计算出的斜率S0(l)与筛选前斜率阈值St0比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St0时,认为斜率S0(l)对应的数据点是一个筛选前QRS波段的起点,记该点的幅值为H0;检测到一个QRS波段的起点后,在此波段中找到幅值最大的点,该点记为筛选前R波位置,记该点的幅值为HR0;
2)将x0(n)中所有数据按步骤1)进行检测后,得到初始20秒内的R波幅值集合,记为Rf0(n);将Rf0(n)按照从小到大的顺序排序,记为Rf(n);为防止信号中出现幅值较大的噪声,取样本Rf(n)中的第11个至第20个为R波幅值的样本,求其平均值并以此平均值作为初始R波幅值阈值At0;
3)R波幅值阈值At利用最新检测到的R波根据公式(5)自适应更新。
b.用幅值阈值At对所有所述去噪后的心电信号进行幅值筛选:
选取心电信号数据幅值的绝对值在[0.7At,1.75At]∩[0.1,10]范围内的数据进行R波识别,记为数据x(n),对于幅值不在此范围的数据,不予识别;
c.对经过幅值筛选后的心电信号用斜率法进行R波检测,并用平均RR间隔修正R波检测结果:
1)斜率阈值求取:取幅值筛选后的数据中的第一个20秒内的数据为x(n),信号长度为L,根据公式(6)求得斜率,并取此20秒数据中斜率S(l)的最大值作为斜率阈值St和斜率修正值maxi的初始值;若数据x(n)不为心电信号的第一个20秒内的数据,则斜率阈值St和斜率修正值maxi由更新公式(7)至(8)计算;
2)QRS波起始点确定:计算出第一个20秒之后的每组20秒数据的斜率,并与斜率阈值St比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St时,认为该斜率S(l)对应的数据点是一个QRS波段的起点,记该点的幅值为H;
3)QRS波段R波初判:步骤2)中检测到一个QRS波段的起点后,在此波段中找到幅值最大点,将该点暂记为R波位置;
4)RR间隔确定:已检测出序号为n的R波位置记为P(n),由公式(9)计算出RR间隔记Ir,Ts为采样频率Fs的倒数;平均RR间隔Ira由公式(10)计算实现,采取最近检测到的10个间隔Ir确定;
5)QRS波段R波排除:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)>1.66Ira,则该最大点与其前一个R波之间可能存在幅值较低的R波漏判,此时降低幅度阈值,令At=0.6At,若Ir(n)<0.6Ira,该最大点与其前一个R波间隙过小,认定为误判;
6)QRS波段R波确定:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)∈(0.6Ira,1.66Ira),则认定为识别到一个R波,并记该最大点的幅值为HR;
7)阈值更新:幅值阈值At、斜率阈值St和斜率修正值maxi的值根据公式(5)、(7)、(8);
8)阈值自适应更新后,重复步骤1),直至数据停止传输。
3.根据所述R波的位置采用差分法检测Q波的位置和幅值,具体步骤如下:
对于x(n),利用检测到的R波位置,每检测到一个R波,将R波前0.1s内的数据还原为高通后的数据,记为xq(n),xq(n)的数据长度为Lq=0.1Fs;对xq(n)使用公式(11)进行差分运算,得到斜率slopeq(n),寻找slopeq(n)中的最小值点,作为Q波位置,并将该点对应的信号幅值作为Q波幅值;
4.根据所述R波的位置采用最小值法检测S波的位置和幅值,具体步骤如下:
对于x(n),利用检测到的R波位置,每检测到一个R波,将R波后0.1s内的数据还原为高通后的数据,记为xs(n),xs(n)的数据长度为Ls=0.1Fs;寻找xs(n)中的最小值点,作为S波位置,并将该点对应的信号幅值作为S波幅值。
采用本发明提出的方法对图2干性接触采集的心电信号进行R波检测,结果如图3所示。图中黑色实线为预处理后的ECG信号,黑色圆点为检测出的R波位置,黑色六角星形为检测出的Q波位置,黑色叉号为检测出的S波位置。由图3可知,本发明所提出的实时QRS波检测方法可以有效检测出QRS波,说明了本发明所提方法的可行性。
需要说明的是上所述实施例,并非用来限定本发明的保护范围。即凡依本技术方案的基础上所作的等同变换或替代及修饰,皆应落入本发明权利要求所保护的范围。
Claims (10)
1.一种心电信号实时QRS波检测方法,其特征在于,所述方法包括以下步骤:
步骤1,心电信号预处理,得到去噪后的心电信号的数据,该数据中包括多个周期;
步骤2,R波检测,对所述去噪后的心电信号采用斜率法检测R波,并利用平均RR间隔修正检测结果,得到R波的位置和幅值;
步骤3,Q波检测,根据所述R波的位置采用差分法检测Q波的位置和幅值;
步骤4,S波检测,根据所述R波的位置采用最小值法检测S波的位置和幅值。
2.根据权利要求1所述的一种心电信号实时QRS波检测方法,其特征在于,步骤1中,心电信号预处理的步骤包括:
心电信号先经过陷波器去除50Hz工频干扰及其谐波,再通过高通滤波器去除基线漂移和运动干扰。
3.根据权利要求1所述的一种心电信号实时QRS波检测方法,其特征在于,步骤2中,R波检测的步骤包括:
步骤21,对部分所述去噪后的心电信号用斜率法得到R波检测用的幅值阈值At;
步骤22,用幅值阈值At对所有所述去噪后的心电信号进行幅值筛选;
步骤23,对经过幅值筛选后的心电信号用斜率法进行R波检测,并用平均RR间隔修正R波检测结果。
4.根据权利要求3所述的一种心电信号实时QRS波检测方法,其特征在于,步骤21的具体实现步骤为:
1)将所述去噪后的心电信号的数据中的第一个t0秒内的数据,记为x0(n),数据长度为L0,l为数据序号,根据公式(1)求得斜率:
S0(l)=-2x0(l-2)-x0(l-1)+x0(l+1)+2x0(l+2),l=3,4,...,L0-2 (1)
其中,t0为大于60且小于120的正整数;
对于x0(n)中的前i个点,250<i<500,取斜率S0(l)的最大值作为筛选前初始斜率阈值St0和筛选前斜率修正值maxi0的初始值;对于x0(n)中的第(i+1)点及其之后的数据,筛选前斜率阈值St0和筛选前斜率修正值maxi0的值根据公式(2)-(3)自适应更新:
St0=0.5maxi0 (2)
其中,H0为筛选前QRS波起点处的幅值,HR0为筛选前R波的幅值;
将计算出的斜率S0(l)与筛选前斜率阈值St0比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St0时,认为斜率S0(l)对应的数据点是一个筛选前QRS波段的起点,记该点的幅值为H0;检测到一个QRS波段的起点后,在此波段中找到幅值最大的点,该点记为筛选前R波位置,记该点的幅值为HR0;
2)将x0(n)中所有数据按步骤1)进行检测后,得到初始t秒内的R波幅值集合,记为Rf0(n);将Rf0(n)按照从小到大的顺序排序,记为Rf(n);为防止信号中出现幅值较大的噪声,取样本Rf(n)中的第m个至第m+9个为R波幅值的样本,求其平均值并以此平均值作为初始R波幅值阈值At0:
其中,m为大于10且小于50的正整数;
3)R波幅值阈值At利用最新检测到的R波根据公式(5)自适应更新:
其中,A(n)为序号为n的R波的幅值。
5.根据权利要求4所述的一种心电信号实时QRS波检测方法,其特征在于,步骤22的具体实现步骤为:选取心电信号数据幅值的绝对值在[0.7At,1.75At]∩[0.1,10]范围内的数据进行R波识别,记为数据x(n),对于幅值不在此范围的数据,不予识别。
6.根据权利要求5所述的一种心电信号实时QRS波检测方法,其特征在于,步骤23的具体实现步骤为:
1)斜率阈值求取:取幅值筛选后的数据中的第一个t秒内的数据为x(n),信号长度为L,根据公式(6)求得斜率:
S(l)=-2x(l-2)-x(l-1)+x(l+1)+2x(l+2),l=3,4,...,L-2 (6)
其中,t为大于20且小于60的正整数,并取此t秒数据中斜率S(l)的最大值作为斜率阈值St和斜率修正值maxi的初始值;若数据x(n)不为心电信号的第一个t秒内的数据,则斜率阈值St和斜率修正值maxi由更新公式(7)至(8)计算:
St=0.5maxi (7)
其中,H为QRS波起点处的幅值,HR为R波的幅值;
2)QRS波起始点确定:计算出第一个t秒之后的每组t秒数据的斜率,并与斜率阈值St比较,当连续两个心电信号数据的斜率S(l)和S(l+1)均大于阈值St时,认为该斜率S(l)对应的数据点是一个QRS波段的起点,记该点的幅值为H;
3)QRS波段R波初判:步骤2)中检测到一个QRS波段的起点后,在此波段中找到幅值最大点,将该点暂记为R波位置;
4)RR间隔确定:已检测出序号为n的R波位置记为P(n),由公式(9)计算出RR间隔记Ir,Ts为采样频率Fs的倒数:
Ir(n)=(P(n)-P(n-1))×Ts (9)
平均RR间隔Ira由公式(10)计算实现,采取最近检测到的10个间隔Ir确定,
5)QRS波段R波排除:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)>1.66Ira,则该最大点与其前一个R波之间可能存在幅值较低的R波漏判,此时降低幅度阈值,令At=0.6At,若Ir(n)<0.6Ira,该最大点与其前一个R波间隙过小,认定为误判;
6)QRS波段R波确定:根据步骤4)中得到的平均RR间隔Ira,若步骤3)检测的幅值最大点与其前一个R波间隔时间Ir(n)∈(0.6Ira,1.66Ira),则认定为识别到一个R波,并记该最大点的幅值为HR;
7)阈值更新:幅值阈值At、斜率阈值St和斜率修正值maxi的值根据公式(5)、(7)、(8);
8)阈值自适应更新后,重复步骤1),直至数据停止传输。
7.根据权利要求1所述的一种心电信号实时QRS波检测方法,其特征在于,步骤3中,根据所述R波位置,取R波前一定范围内的信号做差分运算,寻找差分运算后结果中的最小值点作为Q波位置。
8.根据权利要求7所述的一种心电信号实时QRS波检测方法,其特征在于,所述步骤3的具体实现步骤为:
每检测到一个R波,将R波前tq秒内的数据还原为高通滤波后的数据,记为xq(n),xq(n)的数据长度为Lq=tq×Fs;对xq(n)使用公式(11)进行差分运算,得到斜率slopeq(n):
slopeq(n)=xq(n)-xq(n-1) (11)
寻找斜率slopeq(n)中的最小值点,作为Q波位置,并将该点对应的信号幅值作为Q波幅值。
9.根据权利要求1所述的一种心电信号实时QRS波检测方法,其特征在于,步骤4中,根据所述R波位置,取R波后一定范围内的信号,寻找其中的最小值点作为S波位置。
10.根据权利要求9所述的一种心电信号实时QRS波检测方法,其特征在于,所述步骤4的具体实现步骤为:
每检测到一个R波,将R波后ts秒内的数据还原为高通滤波后的数据,记为xs(n),xs(n)的数据长度为Ls=ts×Fs;寻找xs(n)中的最小值点,作为S波位置,并将该点对应的信号幅值作为S波幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488499.3A CN108888259B (zh) | 2018-05-21 | 2018-05-21 | 一种心电信号实时qrs波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488499.3A CN108888259B (zh) | 2018-05-21 | 2018-05-21 | 一种心电信号实时qrs波检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108888259A true CN108888259A (zh) | 2018-11-27 |
CN108888259B CN108888259B (zh) | 2021-04-27 |
Family
ID=64343052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488499.3A Active CN108888259B (zh) | 2018-05-21 | 2018-05-21 | 一种心电信号实时qrs波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108888259B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
CN110680302A (zh) * | 2019-08-30 | 2020-01-14 | 西北大学 | 一种心电信号特征波的自动识别方法 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN113509187A (zh) * | 2021-07-12 | 2021-10-19 | 广州市康源图像智能研究院 | 一种实时的单导联心电r波检测方法 |
CN113786202A (zh) * | 2021-08-17 | 2021-12-14 | 广东省科学院健康医学研究所 | 一种心电图特征起点和终点检测方法、系统、装置及介质 |
CN114469127A (zh) * | 2022-03-28 | 2022-05-13 | 电子科技大学 | 一种基于心拍差分编码的心电信号人工智能处理电路 |
WO2022247725A1 (zh) * | 2021-05-28 | 2022-12-01 | 合源医疗器械(上海)有限公司 | 心脏信号监测方法及装置、存储介质及电子设备 |
CN116407132A (zh) * | 2023-04-17 | 2023-07-11 | 曦成半导体技术(上海)有限公司 | 一种r波定位方法及基于r波的q、s、t波定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101069639A (zh) * | 2006-05-10 | 2007-11-14 | 北京锐科天智科技有限责任公司 | 精确心电图测试方法及硬件装置 |
US20130191069A1 (en) * | 2012-01-19 | 2013-07-25 | Texas Instruments Incorporated | Adaptive Step Detection |
CN104173030A (zh) * | 2014-09-09 | 2014-12-03 | 北京航空航天大学 | 一种抗波形变化干扰的脉搏波起始点实时检测方法及其应用 |
CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
-
2018
- 2018-05-21 CN CN201810488499.3A patent/CN108888259B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101069639A (zh) * | 2006-05-10 | 2007-11-14 | 北京锐科天智科技有限责任公司 | 精确心电图测试方法及硬件装置 |
US20130191069A1 (en) * | 2012-01-19 | 2013-07-25 | Texas Instruments Incorporated | Adaptive Step Detection |
CN104173030A (zh) * | 2014-09-09 | 2014-12-03 | 北京航空航天大学 | 一种抗波形变化干扰的脉搏波起始点实时检测方法及其应用 |
CN107041743A (zh) * | 2017-04-05 | 2017-08-15 | 南京大学 | 一种心电信号实时r波检测方法 |
Non-Patent Citations (1)
Title |
---|
付乾坤: "基于心电信号的生物识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
CN110432894B (zh) * | 2019-08-09 | 2022-04-22 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
CN110680302A (zh) * | 2019-08-30 | 2020-01-14 | 西北大学 | 一种心电信号特征波的自动识别方法 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN110742599B (zh) * | 2019-11-01 | 2022-05-10 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
WO2022247725A1 (zh) * | 2021-05-28 | 2022-12-01 | 合源医疗器械(上海)有限公司 | 心脏信号监测方法及装置、存储介质及电子设备 |
CN113509187A (zh) * | 2021-07-12 | 2021-10-19 | 广州市康源图像智能研究院 | 一种实时的单导联心电r波检测方法 |
CN113509187B (zh) * | 2021-07-12 | 2023-10-24 | 广州市康源图像智能研究院 | 一种实时的单导联心电r波检测方法 |
CN113786202A (zh) * | 2021-08-17 | 2021-12-14 | 广东省科学院健康医学研究所 | 一种心电图特征起点和终点检测方法、系统、装置及介质 |
CN113786202B (zh) * | 2021-08-17 | 2023-12-26 | 广东省科学院健康医学研究所 | 一种心电图特征起点和终点检测方法、系统、装置及介质 |
CN114469127A (zh) * | 2022-03-28 | 2022-05-13 | 电子科技大学 | 一种基于心拍差分编码的心电信号人工智能处理电路 |
CN116407132A (zh) * | 2023-04-17 | 2023-07-11 | 曦成半导体技术(上海)有限公司 | 一种r波定位方法及基于r波的q、s、t波定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108888259B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108888259A (zh) | 一种心电信号实时qrs波检测方法 | |
Sun et al. | ECG signal conditioning by morphological filtering | |
CN107041743B (zh) | 一种心电信号实时r波检测方法 | |
Xu et al. | Wavelet-based cascaded adaptive filter for removing baseline drift in pulse waveforms | |
Faezipour et al. | A patient-adaptive profiling scheme for ECG beat classification | |
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
CN105796096B (zh) | 一种心率变异性分析方法、系统及终端 | |
Sayadi et al. | Model-based fiducial points extraction for baseline wandered electrocardiograms | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN113197584A (zh) | 一种基于差分过零检测法的qrs波群识别方法 | |
Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
Tan et al. | EMD-based electrocardiogram delineation for a wearable low-power ECG monitoring device | |
Valluraiah et al. | ECG signal analysis using Hilbert transform | |
Thomas et al. | Heart sound segmentation using fractal decomposition | |
Manikandan et al. | Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices | |
Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
Pretorius et al. | Feature extraction from ECG for classification by artificial neural networks | |
Fedotov et al. | A QRS-complex detector of the electrocardiogram signal for the long-term monitoring of the patient’s condition | |
US20190374123A1 (en) | Predicting atrial fibrillation or stroke using p-wave analysis | |
Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |