CN108937916A - 一种心电信号检测方法、装置及存储介质 - Google Patents

一种心电信号检测方法、装置及存储介质 Download PDF

Info

Publication number
CN108937916A
CN108937916A CN201810877415.5A CN201810877415A CN108937916A CN 108937916 A CN108937916 A CN 108937916A CN 201810877415 A CN201810877415 A CN 201810877415A CN 108937916 A CN108937916 A CN 108937916A
Authority
CN
China
Prior art keywords
electrocardiosignal
heartbeat
feature
time interval
wavelet transform
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
CN201810877415.5A
Other languages
English (en)
Inventor
温万惠
刘光远
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN201810877415.5A priority Critical patent/CN108937916A/zh
Publication of CN108937916A publication Critical patent/CN108937916A/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/72—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Power Engineering (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

本申请提供了一种心电信号检测方法、装置及储介质，其中，该方法包括：采集被测者的心电信号；通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期时间序列；根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在所述分类器的标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。本申请实施例通过分析上述4种心电信号特征，可以准确的检测出长期处于强压力状态导致的心电信号异常，有效地为心血管疾病的预警提供更多的参考性数据。

Description

一种心电信号检测方法、装置及存储介质
技术领域
本申请涉及医疗检测技术领域，尤其是涉及一种心电信号检测方法、装置及存储介质。
背景技术
自二十世纪以来，随着社会高速发展和进步，人们的生活节奏加快，竞争日渐白热化而带来诸多的压力。如何解除并控制压力状态，预防压力所导致的身心疾病，已越来越受到人们的关注和重视。相关技术中主要集中在对短时压力事件(如短时间演讲、考试等)导致的心电信号异常进行检测，而对于被测者长期处于强压力(如长期加班)状态下导致的心电信号异常却难以发现，缺乏有效的检测手段。
发明内容
有鉴于此，本申请的目的在于提供一种心电信号检测方法、装置及存储介质，可以检测到被测者长期处于强压力状态下导致的心电信号异常。
第一方面，本申请实施例提供了一种心电信号检测方法，其中，包括：
采集被测者的心电信号；
通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期时间序列；
根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在所述分类器的标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期，并组成RR间期时间序列，包括：根据所述心电信号中心动周期调整所述滑动时间窗的长度。
结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，通过以下方式得到所述心电信号特征：
通过计算所述RR间期时间序列的均值得到所述生理唤醒度特征；
通过计算相邻所述RR间期时间序列中相邻RR间期差的均方根得到所述心跳变异率特征；
通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征；
通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征进一步包括：
将n取值小于10时得到的特征作为快速涨落系数特征；
将n取值大于10时得到的特征作为慢速涨落系数特征。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征进一步包括：
根据所述滑动时间窗的长度设定所述连续小波变换的最大尺度，根据所述心电信号采样间隔设定所述连续小波变换的最小尺度；
根据所述最大尺度以及所述最小尺度对所述RR间期时间序列上每一数据点进行所述连续小波变换，以得到连续小波变换系数；
提取所述连续小波变换系数最大值的模，组成系数时间序列；
取所述系数时间序列中的最大值减最小值，得到心跳复杂性特征。
第二方面，本申请实施例还提供一种心电信号检测装置，其中，包括：
采集模块，用于采集被测者的心电信号；
第一处理模块，用于通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期，并组成RR间期时间序列；
第二处理模块，用于根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
判断模块，用于将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述第二处理模块具体用于：
通过计算所述RR间期时间序列的均值得到所述生理唤醒度特征；
通过计算相邻所述RR间期时间序列的均方差得到所述心跳变异率特征；
通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征；
通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述第二处理模块具体用于：
根据所述滑动时间窗的长度设定所述连续小波变换的最大尺度，根据所述心电信号采样间隔设定所述连续小波变换的最小尺度；
根据所述最大尺度以及所述最小尺度对所述RR间期时间序列上每一数据点进行所述连续小波变换，以得到连续小波变换系数；
取所述连续小波变换系数最大值的模，并组成系数时间序列；
取所述系数时间序列中的最大值减最小值，得到心跳复杂性特征。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述一种心电信号检测方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种心电信号检测方法的步骤。
本申请实施例提供的一种心电信号检测方法、装置及存储介质，采用滑动时间窗截取心电信号并计算得到RR间期时间序列，根据RR间期时间序列，提取得到生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征4种心电信号特征，并通过分类器进行分析，判断心电信号是否异常，相关技术中的心电信号检测方法只能检测到短时压力导致的心电信号异常，采用本申请实施例的方法，通过分析上述4种心电信号特征，可以准确的检测出长期处于强压力状态导致的心电信号异常，进而有效地为心血管疾病的预警提供更多的参考性数据。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种心电信号检测方法的流程图；
图2a示出了本申请实施例提供的强压力状态下的快速涨落系数特征的概率密度图；
图2b示出了本申请实施例提供的弱压力状态下的压力下的快速涨落系数特征的概率密度图；
图3a示出了本申请实施例提供的强压力状态下的慢速涨落系数特征的概率密度图；
图3b示出了本申请实施例提供的弱压力状态下的慢速涨落系数特征的概率密度图；
图4a示出了本申请实施例提供的强压力状态下心跳复杂性特征的概率密度图；
图4b示出了本申请实施例提供的弱压力状态下心跳复杂性特征的概率密度图；
图5示出了本申请实施例所提供的K近邻分类器区分效果的示意图；
图6a示出了本申请实施例提供的滑动时间窗长度为104个心动周期下K近邻分类器的特征散点分布示意图；
图6b示出了本申请实施例提供的滑动时间窗长度为4800个心动周期下K近邻分类器的特征散点分布示意图；
图7示出了本申请实例所提供的一种心电信号检测方法装置的功能模块框图；
图8示出了本申请实施例提供的执行一种心电信号检测方法的电子设备的硬件结构的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种心电信号检测方法进行详细介绍。
实施例一
图1示出了本申请实施例提供的一种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：
S110、采集被测者的心电信号；
S120、通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期时间序列；
S130、根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
S140、将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在所述分类器的标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
具体的，使用心电采集设备,采集用户每天24小时的实时心电信号，使用滑动时间窗截取心电信号,得到包含一个完整QRS波群且与滑动时间窗长度等长的心电数据，QRS波群是指由心室激活而产生的振幅最大且较狭窄的波，反映心室肌除极化期间的电位变化情况，一般由三个紧密相连但波峰方向分别为下上下的波组成。确定当前滑动时间窗长度范围内心电数据的最大值，检测到的最大值即为当前该段心电信号的R波波峰位置，然后将窗口向后滑动并检测直至滑动到心电信号数据的末尾，通过后一R波顶点与前一R波顶点之间的时间间隔差来计算得到RR间期，RR间期是指心电信号中两个紧紧相邻的R波波峰之间的持续时间长度，一个RR间期表示一次完整的心动周期。将所有RR间期按照出现的时间先后顺序排列组成RR间期时间序列，提取RR间期时间序列的四种特征：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征，将上述特征输入预先训练好的分类器进行心电信号的检测，判断心电信号特征是否在分类器的标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。本申请实施例的提取方式以及分类器的训练将在下文详细阐述。
采用本申请实施例的方法，通过分析上述4种心电信号特征，可以准确的检测出长期处于强压力状态导致的心电信号异常，进而有效地为心血管疾病的预警提供更多的参考性数据。
在本申请实施例中，根据心电信号中的心动周期设定滑动时间窗的长度，具体的，根据常规的心动周期数据，滑动时间窗的长度可以取104个心动周期、800个心动周期、2400个心动周期以及4800个心动周期，随着检测过程的进行，再根据心电信号中实际的心动周期调整滑动时间窗的长度，滑动时间窗越长，对慢性压力导致的心电信号异常检测效果越好。
首先，将采集到的心电信号进行预处理，去除基线漂移，基线漂移是一种低频干扰，频率一般处于0.05HZ到几HZ之间，且大都集中分布在0.1Hz附近，波形变化浮动范围一般为心电信号波峰值的15％。本申请实施例在MATLAB中首先采用dmey小波编程将心电数据6层分解，并同时去掉基线漂移所对应的低频段的能量(即将6层分解的低频系数置零)，其后仍采用dmey小波将修改后的小波分解系数重构即可获得去除基线漂移的心电数据。
在去除基线漂移之后，进行R波波峰检测，现有技术中，在R波定位时容易造成R波的漏检和误检，其原因在于滑动时间窗长度是一个定值，在当前截取的窗口中存在部分心电信号其他波峰幅度高于R波，定位时误将其他波当作R波进行了标记。而漏检则主要是因为心动周期突变使得R波不在当前定位窗口内或是当前定位窗口内不止一个R波。基于此，本申请可以将滑动时间窗窗长从固定值设置为随心动周期变化而变化的一个变值，首先，定位当前的滑动时间窗，并检测当前时间窗内的R波波峰，计算当前滑动时间窗内的RR间期，当该RR间期与前一RR间期的差大于或小于一预先设定的阈值时，则根据当前RR间期的长度调整滑动时间窗的长度和位置，以此来避免定位过程中R波的漏检以及误检。
计算RR间期时间序列的公式如下：
{xn}＝tn+1-tn,n＝1,2,…,N-1 (1)
其中，N表示总的R波波峰个数，n表示RR间期时间序列中某一RR间期的序号，tn表示第n个R波波峰在对应时间轴上的时间点。
优化后的滑动时间窗定位法可以检测到普通滑动时间窗定位法漏检和误检的R波波峰，其定位准确率更高。
在得到RR间期时间序列后，根据所述RR间期时间序列提取心电信号特征，心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征。
生理唤醒度特征即为RR间期时间序列中所有RR间期的均值，代表心跳快慢的总体水平，其表征了交感神经和副交感神经的总体活动情况，与生理唤醒度高度相关。交感神经激活引起生理唤醒度增加，则60m(次/分钟心跳)变大；反之，副交感神经激活导致生理唤醒度降低，则60m(次/分钟心跳)减小。一般通过将观察时间内的所有RR间隔长度相加再除以RR间隔总个数N的方式进行计算，其公式如下如：
心跳变异率特征，通过计算相邻RR间期差的均方根得到所述心跳变异率特征。
心跳涨落系数特征用来描述心跳活动的长程相关性，本申请实施例中的心跳涨落系数可以分为快速涨落系数特征和慢速涨落系数特征。
具体的，平均涨落系数通过计算间隔z次心跳的心率值的平均绝对差值来获得。其计算公式如下：
其中，y(n)为RR间期时间序列中任意位置的一个心率值，而y(n+z)表示心率时间序列中与y(n)间隔z个RR间期的心率值。z表示两个RR间期y(n)和y(n+z)之间的间隔心跳次数，z的最大值一般设为RR间期时间序列长度的一半。表示先取绝对值，之后再求各项平均。
根据公式(3)，将n取值小于等于10得到的结果作为快速涨落系数特征，图2a示出了本申请实施例提供的强压力状态下的快速涨落系数特征的概率密度图，图2b示出了本申请实施例提供的弱压力状态下的压力下的快速涨落系数特征的概率密度图，通过图2a和图2b可以看出，图2a和图2b的心跳平均涨落在四种不同时间窗长下的分布集中程度都相差不大，但图2a均略靠左，说明心跳的涨落变化变小，因而，当n的取值小于等于10时，快速涨落系数特征可以有效地区分出短时压力事件导致的心跳的快速涨落变化。
根据公式(3)，将n取值大于10得到的结果作为慢速涨落系数特征，图3a示出了本申请实施例提供的强压力状态下的慢速涨落系数特征的概率密度图，图3b示出了本申请实施例提供的弱压力状态下的慢速涨落系数特征的概率密度图，观察图3a及图3b可发现，和图3b相比，图3a仍更靠左，平均涨落波峰仍随着滑动时间窗长度的增加而变大，但集中程度均高于图3b，且波峰间的距离随着滑动时间窗长度的增加而略有增大，即是说慢速涨落系数特征对强/弱压力的区分度随着尺度变大略有增高，这表明强/弱压力状态下的心率慢速涨落均在发生变化，随着时间的累积而逐渐变得显著，说明当n的取值大于10时，慢速涨落系数特征可以有效区分短时压力事件反复发作引起的累积效应导致的心跳的慢速涨落变化。
本申请实施例采用赫斯特指数(Hurst)作为心跳复杂性特征，Hurst指数是一个用于研究时间序列自相似性的参数，其衡量的是相邻样本之间的相关性随着它们之间的滞后增加而变化的速率。一般正常的心跳动力过程是极其复杂的，具有多分形特性。本申请实施例中该指标用于衡量心跳动力过程的复杂性，是交感神经和副交感神经竞争活动在RR间期序列上的体现。小尺度范围内的Hurst指数范围可以有效地检测短时压力事件引起的自主神经反应，而大尺度下的Hurst指数范围可以有效地检测短时压力事件反复发作引起的累积效应导致的自主神经反应。心动过速与极度缩小的局部Hurst指数取值范围的同时出现具有表征心理压力下极度焦虑情绪的能力，可用于生理数据压力标签的客观标定。当该指标小于急性压力临界上限经验阈值时，表征心跳复杂性急剧减弱，预示着强压力状态的产生。Hurst指数范围的计算过程主要包括以下三步：
使用高斯小波(Gauss)对RR间期时间序列进行连续小波变换，小波变换的最大尺度通常设置为小于滑动时间窗内RR间隔总个数的1/5左右,而最小尺度一般设置为信号采样间隔的2000倍左右。
确定小波变换的尺度步进。尺度较小时一般将其取为2×1.01i，而尺度较大时则考虑将其设置为2×1.05i，其中，i是一个整数，且其每个取值都必须使得求取的尺度处于最小尺度和最大尺度之间。
在各种小波变换尺度下，对RR间期时间序列的每一个观测值位置上取小波变换系数的最大值的绝对值，并组成系数时间序列，该系数时间序列中的最大值作为最大局部Hurst指数，该系数时间序列中的最小值作为最小局部Hurst指数，用最大局部Hurst指数减去最小局部Hurst指数即可计算出局部Hurst指数取值范围，即心跳复杂性特征。
其中，为消除小波变换边界效应带来的影响，在计算局部Hurst指数取值范围前，需去掉经小波变换之后获得的RR间期序列头部以及尾部中等于最大小波变换尺度的小波系数数据点。
图4a示出了本申请实施例提供的强压力状态下心跳复杂性特征的概率密度图，图4b示出了本申请实施例提供的弱压力状态下心跳复杂性特征的概率密度图，如图4a以及图4b所示，随着滑动时间窗长的增加，Hurst指数范围分布程度均逐渐变大，波峰逐渐减小，且总体呈现向右滑动。在四种时间尺度下，强压力状态下的心跳动力过程复杂性均低于弱压力，并且随着时间尺度的增加，其复杂性变化趋势仍保持相同，但心跳复杂性在强/弱压力状态下的差异随着观察尺度的增加而增加，表明持续压力存在累积效应，并且压力累积导致大尺度上心跳复杂性更显著的降低。同时也是说明Hurst指数范围能够较好的反应短时压力事件反复发作引起的累积效应导致的心跳复杂性变化，是量化压力累积效应的有效指标。
将上述生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征输入预先训练好的分类器，本申请通过以下方式训练得到分类器：
获取两类心电信号数据样本，第一类心电信号数据样本代表被测者长时间处于强压力状态下，第二类心电信号数据样本代表被测者处于弱压力状态下，上述两组心电信号数据样本各30个。使用一个长度为a的滑动时间窗对一个心电信号数据样本进行截取，得到其RR间期时间序列，a的值可以取104个心动周期，800个心动周期，2400个心动周期，4800个心动周期，滑动时间窗以一个RR间期为步进，沿着观察时间轴向后移动，每移动一次，形成一个观察样本RR间期时间序列。通过上述方式从每一个心电信号样本中获得RR间期时间序列。
对上述RR间期时间序列，计算上述4种特征，并将每个样本表示为4种特征的数值向量。用这些数值向量训练常用分类器。
使用前向漂移选择算法对特征进行选择，同时采用折半验证法分别结合K近邻分类器、对不同窗长下的样本进行分类识别。
图5示出了本申请实施例提供的K近邻分类器区分效果的示意图，如图5所示，对K近邻分类器进行测试，K近邻分类器在滑动时间窗长为4800个心动周期的识别率最高，而在滑动时间窗长为104个心动周期的识别率最低，且随着滑动时间窗长的增加，分类器的强/弱压力分类识别率均呈现上升趋势。其对滑动时间窗长为4800个心动周期获取的心电信号特征处于强/弱压力状态区分度较高，其识别精度(F1分数)可达到99.63％。
图6a示出了本申请实施例提供的滑动时间窗长度为104个心动周期下K近邻分类器的特征散点分布示意图，图6b示出了本申请实施例提供的滑动时间窗长度为4800个心动周期下K近邻分类器的特征散点分布示意图，如图6a以及图6b所示，滑动时间窗长度为104个心动周期下的生理唤醒度特征、心跳涨落系数特征以及心跳复杂性特征在特征空间分布重叠部分较多，可区分性较小，而滑动时间窗长度为4800个心动周期下生理唤醒度特征、心跳涨落系数特征以及心跳复杂性特征呈分区域集中的分布模式，两类数据重叠部分较少，可区分性较高。生理唤醒度特征、心跳涨落系数特征以及心跳复杂性特征在特征空间的散点分布情况表明，K近邻分类器适当地抓住了压力累积效应引起的生理唤醒度特征、心跳涨落系数特征以及心跳复杂性特征在特征空间中的分块聚合趋势。因此，通过较长滑动时间窗获得的心电信号特征通过K近邻分类器对生理唤醒度特征、心跳涨落系数特征以及心跳复杂性特征的识别效果显著更好。
基于相同的技术构思，本申请实施例还提供一种心电信号检测装置、电子设备、以及计算机存储介质等，具体可参见以下实施例
实施例二
与上述实施例一一种心电信号检测方法相对应的，本申请还提供了一种心电信号检测方法装置，图7示出了本申请实例所提供的一种心电信号检测方法装置的功能模块框图，如图7所示，该装置包括：
采集模块210，用于采集被测者的心电信号；
第一处理模块220，用于通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期，并组成RR间期时间序列；
第二处理模块230，用于根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
判断模块240，用于将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
可选地，所述第二处理模块230具体用于：
通过计算所述RR间期时间序列的均值得到所述生理唤醒度特征；
通过计算相邻所述RR间期时间序列的均方差得到所述心跳变异率特征；
通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征；
通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征。
可选地，所述第二处理模块230具体用于：
根据所述滑动时间窗的长度设定所述连续小波变换的最大尺度，根据所述心电信号采样间隔设定所述连续小波变换的最小尺度；
根据所述最大尺度以及所述最小尺度对所述RR间期时间序列上每一数据点进行所述连续小波变换，以得到连续小波变换系数；
取所述连续小波变换系数最大值的模，并组成系数时间序列；
取所述系数时间序列中的最大值减最小值，得到心跳复杂性特征。
实施例三
图8示出了本申请实施例提供的执行一种心电信号检测方法的电子设备的硬件结构的示意图，如图8所示，该设备包括：
一个或多个处理器310以及存储器320，图8中以一个处理器310为例。
处理器310和存储器320可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器320作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的一种心电信号检测方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的一种心电信号检测方法。
存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种心电信号检测方法的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件。在一些实施例中，存储器320可选包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至运行一种心电信号检测方法的处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器320中，当被一个或者多个处理器310执行时，执行上述任意方法实施例中的一种心电信号检测方法。
实施例四
本申请实施例提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机可执行指令，计算机可执行指令被处理器运行时执行上述申请实施例中的一种心电信号检测方法。
本申请实施例所提供的进行一种心电信号检测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种心电信号检测方法，其特征在于，包括：
采集被测者的心电信号；
通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期时间序列；
根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在所述分类器的标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
2.根据权利要求1所述的一种心电信号检测方法，其特征在于，通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期，并组成RR间期时间序列，包括：根据所述心电信号中心动周期调整所述滑动时间窗的长度。
3.根据权利要求1所述的一种心电信号检测方法，其特征在于，通过以下方式得到所述心电信号特征：
通过计算所述RR间期时间序列的均值得到所述生理唤醒度特征；
通过计算相邻所述RR间期时间序列中相邻RR间期差的均方根得到所述心跳变异率特征；
通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征；
通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征。
4.根据权利要求3所述的一种心电信号检测方法，其特征在于，通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征进一步包括：
将n取值小于10时得到的特征作为快速涨落系数特征；
将n取值大于10时得到的特征作为慢速涨落系数特征。
5.根据权利要求3所述的一种心电信号检测方法，其特征在于，通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征进一步包括：
根据所述滑动时间窗的长度设定所述连续小波变换的最大尺度，根据所述心电信号采样间隔设定所述连续小波变换的最小尺度；
根据所述最大尺度以及所述最小尺度对所述RR间期时间序列上每一数据点进行所述连续小波变换，以得到连续小波变换系数；
提取所述连续小波变换系数最大值的模，组成系数时间序列；
取所述系数时间序列中的最大值减最小值，得到心跳复杂性特征。
6.一种心电信号检测装置，其特征在于，包括：
采集模块，用于采集被测者的心电信号；
第一处理模块，用于通过滑动时间窗截取所述心电信号的心电数据，根据所述心电数据得到RR间期，并组成RR间期时间序列；
第二处理模块，用于根据所述RR间期时间序列提取心电信号特征，所述心电信号特征包括：生理唤醒度特征、心跳变异率特征、心跳涨落系数特征以及心跳复杂性特征；
判断模块，用于将所述心电信号特征输入预先训练好的分类器中，并判断所述心电信号特征是否在标准限值范围内，若不在所述标准限值范围内，确定所述被测者的心电信号异常。
7.根据权利要求6所述的一种心电信号检测装置，其特征在于，所述第二处理模块具体用于：
通过计算所述RR间期时间序列的均值得到所述生理唤醒度特征；
通过计算相邻所述RR间期时间序列中相邻RR间期差的均方根得到所述心跳变异率特征；
通过计算间隔n次心跳的心率的平均绝对差值得到所述心跳涨落系数特征；
通过对所述RR间期时间序列上每一数据点进行连续小波变换得到所述心跳复杂性特征。
8.根据权利要求7所述的一种心电信号检测装置，其特征在于，所述第二处理模块具体用于：
根据所述滑动时间窗的长度设定所述连续小波变换的最大尺度，根据所述心电信号采样间隔设定所述连续小波变换的最小尺度；
根据所述最大尺度以及所述最小尺度对所述RR间期时间序列上每一数据点进行所述连续小波变换，以得到连续小波变换系数；
取所述连续小波变换系数最大值的模，并组成系数时间序列；
取所述系数时间序列中的最大值减最小值，得到心跳复杂性特征。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的一种心电信号检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至5任一项所述的一种心电信号检测方法的步骤。
CN201810877415.5A 2018-08-03 2018-08-03 一种心电信号检测方法、装置及存储介质 Pending CN108937916A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810877415.5A CN108937916A (zh) 2018-08-03 2018-08-03 一种心电信号检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810877415.5A CN108937916A (zh) 2018-08-03 2018-08-03 一种心电信号检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN108937916A true CN108937916A (zh) 2018-12-07

Family

ID=64467027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810877415.5A Pending CN108937916A (zh) 2018-08-03 2018-08-03 一种心电信号检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN108937916A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109864736A (zh) * 2019-03-22 2019-06-11 深圳市理邦精密仪器股份有限公司 心电信号的处理方法、装置、终端设备及介质
CN110367968A (zh) * 2019-08-15 2019-10-25 广州视源电子科技股份有限公司 一种右束支阻滞检测方法、装置、设备及存储介质
CN111860081A (zh) * 2019-04-30 2020-10-30 北京嘀嘀无限科技发展有限公司 一种时间序列信号的分类方法、装置以及电子设备
CN112545531A (zh) * 2020-11-27 2021-03-26 苏州维伟思医疗科技有限公司 一种结合时域与频域分析识别可除颤心律的方法
CN113558634A (zh) * 2021-07-26 2021-10-29 西南大学 一种数据监测方法、装置、电子设备和存储介质
CN113768511A (zh) * 2020-06-04 2021-12-10 深圳市理邦精密仪器股份有限公司 生理参数检测方法及电子设备
CN114246569A (zh) * 2020-09-25 2022-03-29 华为技术有限公司 检测早搏类型的方法、装置及介质
CN117271977A (zh) * 2023-09-27 2023-12-22 北京津发科技股份有限公司 一种hrv数据预处理方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130237776A1 (en) * 2010-03-15 2013-09-12 Nanyang Technological University Method of predicting acute cardiopulmonary events and survivability of a patient
CN106333667A (zh) * 2013-06-03 2017-01-18 飞比特公司 可佩戴心率监视器
CN106510737A (zh) * 2015-12-16 2017-03-22 西南大学 一种用心率测度实时检测说话期间心理应激状态的方法
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别系统及信息处理方法
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
CN107595305A (zh) * 2017-09-18 2018-01-19 西南大学 焦虑状态检测方法及装置
CN107802273A (zh) * 2017-11-21 2018-03-16 重庆邮电大学 一种抑郁状态监测装置、系统及预测方法
CN108113647A (zh) * 2016-11-28 2018-06-05 深圳先进技术研究院 一种心电信号分类装置及方法
CN108113667A (zh) * 2017-12-20 2018-06-05 王艳景 一种心电监测方法及监测系统
US20180214089A1 (en) * 2015-12-18 2018-08-02 Microsoft Technology Licensing, Llc Drowsiness onset detection

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130237776A1 (en) * 2010-03-15 2013-09-12 Nanyang Technological University Method of predicting acute cardiopulmonary events and survivability of a patient
CN106333667A (zh) * 2013-06-03 2017-01-18 飞比特公司 可佩戴心率监视器
CN106510737A (zh) * 2015-12-16 2017-03-22 西南大学 一种用心率测度实时检测说话期间心理应激状态的方法
US20180214089A1 (en) * 2015-12-18 2018-08-02 Microsoft Technology Licensing, Llc Drowsiness onset detection
CN108113647A (zh) * 2016-11-28 2018-06-05 深圳先进技术研究院 一种心电信号分类装置及方法
CN107007291A (zh) * 2017-04-05 2017-08-04 天津大学 基于多生理参数的紧张情绪强度识别系统及信息处理方法
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
CN107595305A (zh) * 2017-09-18 2018-01-19 西南大学 焦虑状态检测方法及装置
CN107802273A (zh) * 2017-11-21 2018-03-16 重庆邮电大学 一种抑郁状态监测装置、系统及预测方法
CN108113667A (zh) * 2017-12-20 2018-06-05 王艳景 一种心电监测方法及监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANHUI WEN, ET AL: "Toward Constructing a Real-time Social Anxiety Evaluation System: Exploring Effective Heart Rate Features", 《IEEE TRANSACTIONS ON AFFECTIVE COMPUTING》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109864736A (zh) * 2019-03-22 2019-06-11 深圳市理邦精密仪器股份有限公司 心电信号的处理方法、装置、终端设备及介质
CN111860081A (zh) * 2019-04-30 2020-10-30 北京嘀嘀无限科技发展有限公司 一种时间序列信号的分类方法、装置以及电子设备
CN110367968A (zh) * 2019-08-15 2019-10-25 广州视源电子科技股份有限公司 一种右束支阻滞检测方法、装置、设备及存储介质
CN110367968B (zh) * 2019-08-15 2022-04-15 广州视源电子科技股份有限公司 一种右束支阻滞检测方法、装置、设备及存储介质
CN113768511A (zh) * 2020-06-04 2021-12-10 深圳市理邦精密仪器股份有限公司 生理参数检测方法及电子设备
CN113768511B (zh) * 2020-06-04 2023-09-22 深圳市理邦精密仪器股份有限公司 生理参数检测方法及电子设备
CN114246569A (zh) * 2020-09-25 2022-03-29 华为技术有限公司 检测早搏类型的方法、装置及介质
CN112545531A (zh) * 2020-11-27 2021-03-26 苏州维伟思医疗科技有限公司 一种结合时域与频域分析识别可除颤心律的方法
CN113558634A (zh) * 2021-07-26 2021-10-29 西南大学 一种数据监测方法、装置、电子设备和存储介质
CN117271977A (zh) * 2023-09-27 2023-12-22 北京津发科技股份有限公司 一种hrv数据预处理方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN108937916A (zh) 一种心电信号检测方法、装置及存储介质
Fan et al. Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals
Saini et al. QRS detection using K-Nearest Neighbor algorithm (KNN) and evaluation on standard ECG databases
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN109700450B (zh) 一种心率检测方法及电子设备
Karpagachelvi et al. ECG feature extraction techniques-a survey approach
CN105997043B (zh) 一种基于腕式可穿戴设备的脉率提取方法
Sumathi et al. A wavelet transform based feature extraction and classification of cardiac disorder
CN110226919B (zh) 心电信号类型检测方法、装置、计算机设备及存储介质
Al-Ani ECG waveform classification based on P-QRS-T wave recognition
CN108509823A (zh) Qrs波群的检测方法及装置
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
US9549681B2 (en) Matrix-based patient signal analysis
CN109044348A (zh) 房颤检测装置及存储介质
Slama et al. Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals
Tabassum et al. An approach of cardiac disease prediction by analyzing ECG signal
CN108420406A (zh) 基于脉搏波睡眠分期的方法
CA3065208C (en) Long qt syndrome diagnosis and classification
Yin et al. Arrhythmia classification based on multi-domain feature extraction
Reddy et al. Ecg signal characterization and correlation to heart abnormalities
CN112545528A (zh) 基于分数阶傅里叶变换和张量分解的心电t波特征提取方法
Hussein et al. Detection of electrocardiogram QRS complex based on modified adaptive threshold
Chumrit et al. Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine
CN113633293B (zh) 混沌检测t波电交替的心源性猝死预警方法
Sanamdikar et al. Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6

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: 20181207