CN109009047A - 一种心律失常检测方法、装置及设备 - Google Patents

一种心律失常检测方法、装置及设备 Download PDF

Info

Publication number
CN109009047A
CN109009047A CN201810510790.6A CN201810510790A CN109009047A CN 109009047 A CN109009047 A CN 109009047A CN 201810510790 A CN201810510790 A CN 201810510790A CN 109009047 A CN109009047 A CN 109009047A
Authority
CN
China
Prior art keywords
data
ecg
electrocardiogram
detected
training
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
Application number
CN201810510790.6A
Other languages
English (en)
Other versions
CN109009047B (zh
Inventor
栾欣泽
王晓婷
何光宇
孟健
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.)
Neusoft Corp
Original Assignee
Neusoft Corp
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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN201810510790.6A priority Critical patent/CN109009047B/zh
Publication of CN109009047A publication Critical patent/CN109009047A/zh
Application granted granted Critical
Publication of CN109009047B publication Critical patent/CN109009047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开一种心律失常检测方法、装置及设备，所述方法包括：获取待检测心电数据；将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。本申请能够利用检测模型，基于采集到的心电数据自动化的进行心律失常检测，较快的得到检测结果，从而提高了心律失常的检测效率。

Description

一种心律失常检测方法、装置及设备
技术领域
本申请涉及医学数据处理领域，具体涉及一种心律失常检测方法、装置及设备。
背景技术
心血管类疾病是人类健康的重大杀手，心律失常是原因是心脏正常的节律产生了异常改变，主要表现在快于正常心率的心律失常，通常叫做快速性的心律失常现象。心律失常的症状临床表现为患者会产生心悸、心慌、胸闷乏力且伴有头晕目眩等特点，如果心律失常较严重，还会有胸痛、呼吸困难、意识的丧失和抽搐等表现。
目前，潜在的心律失常患者是通过心电图仪进行检查的，如果心电图仪未检查出心律失常问题，则可能会佩戴可穿戴设备，以进行长达两周之久的心律持续监测，医生通过分析这两周产生的心电数据，以发现患者的心律失常问题。
但是，由于上述检测方式中，医生需要分析的数据量较大，同时失常的心电数据和正常的心电数据极难区分，所以，目前的心律失常检测方法耗时较长，检测效率较低。
发明内容
有鉴于此，本申请提供了一种心律失常检测方法、装置及设备，能够基于心电数据即时做出诊断，较快的得到心律失常的检测结果，提高了心律失常的检测效率。
第一方面，为实现上述发明目的，本申请提供了一种心律失常检测方法，所述方法包括：
获取待检测心电数据；
将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；
将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
一种可选的实施方式中，所述将所述待检测图像作为经过训练的检测模型的输入参数之前，还包括：
获取训练数据集，所述训练数据集包括多组心电数据；
将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像；
分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成；
利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
一种可选的实施方式中，所述预设算法包括快速傅里叶变换。
一种可选的实施方式中，所述检测模型包括随机深林分类器。
一种可选的实施方式中，所述将所述待检测心电数据进行预设算法的处理之前，还包括：
对所述待检测心电数据进行归一化处理。
第二方面，本申请还提供了一种心律失常检测装置，所述装置包括：
第一获取模块，用于获取待检测心电数据；
第一处理模块，用于将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；
检测模块，用于将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
一种可选的实施方式中，所述装置还包括：
第二获取模块，用于获取训练数据集，所述训练数据集包括多组心电数据；
第二处理模块，用于将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像；
变换模块，用于分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成；
训练模块，用于利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
一种可选的实施方式中，所述预设算法包括快速傅里叶变换。
一种可选的实施方式中，所述检测模型包括随机深林分类器。
一种可选的实施方式中，所述装置还包括：
归一化模块，用于对所述待检测心电数据进行归一化处理。
第三方面，本申请还提供了一种心律失常检测设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的心律失常检测方法。
在本申请实施例提供的心律失常检测方法中，对采集到的心电数据进行预设算法的处理后，得到对应的待检测图像，利用经过训练的检测模型对待检测图像进行检测，最终输出检测结果。可见，本申请能够利用检测模型，基于采集到的心电数据自动化的进行心律失常检测，较快的得到检测结果，从而提高了心律失常的检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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他的附图。
图1为本申请实施例提供的一种心律失常检测方法的流程图；
图2为本申请实施例提供的一种对检测模型进行训练的方法流程图；
图3为本申请实施例提供的一种心律失常检测装置的结构示意图；
图4为本申请实施例提供的另一种心律失常检测装置的结构示意图；
图5为本申请实施例提供一种心律失常检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，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。基于本申请中的实施例，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，都属于本申请保护的范围。
为了便于理解本申请提供的技术方案，下面先对本申请技术方案的研究背景进行简单说明。
心血管类疾病严重威胁着人类的健康，目前，对心律失常患者的检测主要是通过医生对采集到的患者的心电数据进行分析，得到患者的心律失常检测结果。但是，由于需要分析的心电数据的数据量较大，而且失常的心电数据与正常的心电数据极难区分，所以，现有的心律失常检测方法效率较低。
为了提高心律失常的检测效率，本申请提供了一种心律失常检测方法、装置及设备，对采集到的心电数据进行预设算法的处理后，得到对应的待检测图像，利用经过训练的检测模型对待检测图像进行检测，最终输出检测结果。可见，本申请能够利用检测模型，基于采集到的心电数据自动化的进行心律失常检测，较快的得到检测结果，从而提高了心律失常的检测效率。
基于此，本申请提供了一种心律失常检测方法，参考图1，为本申请实施例提供的一种心律失常检测方法流程图，该方法包括：
S101：获取待检测心电数据。
本申请实施例中，在进行心律失常检测之前，首先获取待检测心电数据。实际应用中，待检测心电数据可以是实时利用医疗设备，如心电图仪、可穿戴设备等采集到的心电信号，也可以是预先通过上述医疗设备采集并存储的心电信号。
其中，待检测心电数据可以具体为心电12导联数据等类型的数据，在此不对待检测心电数据的具体类型做限定。
S102：将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像。
本申请实施例中，在S101获取到待检测心电数据后，可以先对该待检测心电数据进行归一化处理。具体的，归一化就是要把需要处理的数据通过某种算法的处理后，使其限制在需要的一定范围内，归一化首先是为了后续步骤对数据处理的方便，其次是保证程序运行时收敛加快。
实际应用中，将经过归一化处理的待检测心电数据载入，以便后续步骤对其进行处理。具体的，将载入的经过归一化处理的待检测心电数据，继续进行预设算法的处理，得到待检测心电数据对应的待检测图像。
一种可选的实现方式中，预设算法可以为快速傅里叶变换STFT，具体的，对待检测心电数据进行STFT后，得到该待检测心电数据对应的待检测图像。事实上，是将经过STFT的待检测心电数据以图像的形式进行保存，得到该待检测心电数据对应的待检测图像。
本申请实施例中的预设算法不仅可以为STFT，还可以是其他积分变换方式，在此不做具体限制。
S103：将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
本申请实施例中，在S102经过预设算法处理得到待检测图像后，将该待检测图像作为检测模型的输入参数，经过检测模型的处理后，最终输出检测结果，通过检测结果即可获知S101获取到的待检测心电数据是否为心律失常患者的心电数据，或者患者具体为哪种类型的心律失常等。
实际应用中，在利用检测模型进行心律失常的检测之前，首先对检测模型进行训练，具体的，本申请实施例提供了一种对检测模型进行训练的方法，参考图2，为本申请实施例提供的一种对检测模型进行训练的方法流程图，该方法具体包括：
S201：获取训练数据集，所述训练数据集包括多组心电数据。
本申请实施例中，在对训练模型进行训练之前，首先获取用于模型训练的样本。具体的，获取包括多组心电数据的训练数据集，其中，多组心电数据可以为采集到的包括心律失常患者和非心律失常患者的心电数据，还可以为采集到的包括各种类型的心律失常患者和非心律失常患者的心电数据。
S202：将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像。
本申请实施例中，在S201获取到包括多组心电数据的训练数据集后，将该训练数据集中的各组心电数据进行预设算法的处理，其中，预设算法可以为与S102中相同的算法，如STFT。各组心电数据在经过STFT后得到对应的训练图像，各组心电数据对应的训练图像组成训练图像集，用于对检测模型进行训练。
S203：分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成。
一种可选的实施方式中，分别对训练图像集中的各个训练图像进行Haar小波变换，具体的：
定义Haar基尺度函数为：φi＝φ(2jx-i),i＝0,1,…,(2j-1)；规范化Haar基尺度函数为其中,j为尺度因子,改变j使函数图形缩小或者放大；i为平移参数,改变i使函数沿x轴方向平移。常数因子用来满足内积等于1的条件，如果小波函数不是在[0,1)区间中定义的函数，常数因子将改变。用小波基构成的矢量空间Vj定义为：Vj＝sp{φi(x)},i＝0,1,…,(2j-1)；其中,sp表示线性生成。
小波函数通常用表示，与框函数相对应的小波称为基本Haar小波函数，其定义如下：
Haar小波尺度函数定义为：规范化Haar小波尺度函数为：其中j为尺度因子,改变j使函数图形缩小或者放大；i为平移参数，改变i使函数沿x轴方向平移。常数因子同规范化Haar基。
用小波函数构成的矢量空间Wj定义为：用Haar小波生成的矢量空间Wj包含在矢量Vj+1空间。Haar基函数φ(x)和Haar小波函数生成的矢量空间Vj和Wj具有下面的性质：其中，符号表示直和。这就是说，在矢量空间Vj+1中，生成矢量空间Wj的所有函数与生成矢量空间Vj的所有函数都是正交的，即子空间Wj是子空间Vj的正交补，矢量空间Wj中的小波可用来表示一个函数在矢量空间Vj中不能表示的部分。
Haar小波变换，例如,对只有4个像素的一维图像I(x)进行Haar小波变换,其实质就是用生成矢量空间V0的基函数φ0生成矢量空间W0的小波函数生成矢量空间W1的小波函数和根据将图像I(x)表示成：其中4个系数和就是原始图像经过Haar小波变换所得到的系数,用来表示整幅图像的平均值和不同分辨率下的细节系数，和就是构成V2空间的基。
本申请实施例中，利用各个训练图像进行小波变换后得到的小波变换系数和组成特征向量，具体的，特征向量可以由小波变换系数和中的一个或多个组成。另外，各个训练图像对应的特征向量共同组成特征向量集，用于对检测模型进行训练。
S204：利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
本申请实施例中，在S203获取到特征向量集后，利用特征向量集中的各个特征向量对检测模型进行训练。其中，检测模型可以选取作为分类器模型之一的随机深林模型，随机森林分类器的优点是：随机森林不容易陷入过拟合，并具有很好的抗噪声能力，能够处理很高维度的数据，并且不用做特征选择，对数据集的适应能力强，既能处理离散型数据，也能处理连续型数据，数据集无需规范化等。
一种可选的实施方式中，利用S203获取到的特征向量集，对随机深林模型进行训练的具体实现方式如下：
(1)应用bootstrap法有放回地随机从特征训练集中抽取k个新的自助样本集，并由此构建k棵分类树，每次未被抽到的样本组成了k个袋外数据。
(2)设有mall个变量，则在每一棵分类树的每个节点处随机抽取mtry个变量，然后在mtry中选择一个最具有分类能力的变量，变量分类的阈值通过检查每一个分类点确定。
(3)每棵分类树最大限度地生长,不做任何修剪。
(4)将生成的多棵分类树组成随机森林，用随机森林分类器对作为输入参数的数据进行判别与分类，分类结果按树分类器的投票多少而定。
基于上述实施例方式，本申请能够得到经过训练的随机深林模型，后续利用该经过训练的随机深林模型，能够实现对心律失常的检测。
本申请实施例提供的心律失常检测方法中，对采集到的心电数据进行预设算法的处理后，得到对应的待检测图像，利用经过训练的检测模型对待检测图像进行检测，最终输出检测结果。可见，本申请能够利用检测模型，基于采集到的心电数据自动化的进行心律失常检测，较快的得到检测结果，从而提高了心律失常的检测效率。
与上述方法实施例相对应的，本申请实施例还提供了一种心律失常检测装置，参考图3，为本申请实施例提供的一种心律失常检测装置的结构示意图，所述装置包括：
第一获取模块301，用于获取待检测心电数据；
第一处理模块302，用于将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；
检测模块303，用于将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
另外，在利用检测模型进行心律失常的检测之前，还需要对检测模型进行训练，基于此，本申请实施例还提供了一种心律失常检测装置，参考图4，为本申请实施例提供的另一种心律失常检测装置的结构示意图，所述装置除了包括图3中的各个模型，还包括：
第二获取模块401，用于获取训练数据集，所述训练数据集包括多组心电数据；
第二处理模块402，用于将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像；
变换模块403，用于分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成；
训练模块404，用于利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
具体的，所述预设算法可以包括快速傅里叶变换。
具体的，所述检测模型可以包括随机深林分类器。
另外，所述装置还包括：
归一化模块，用于对所述待检测心电数据进行归一化处理。
本申请实施例提供的心律失常检测装置，对采集到的心电数据进行预设算法的处理后，得到对应的待检测图像，利用经过训练的检测模型对待检测图像进行检测，最终输出检测结果。可见，本申请能够利用检测模型，基于采集到的心电数据自动化的进行心律失常检测，较快的得到检测结果，从而提高了心律失常的检测效率。
另外，本申请实施例还提供了一种心律失常检测设备，参见图5所示，可以包括：
处理器501、存储器502、输入装置503和输出装置504。心律失常检测设备中的处理器501的数量可以一个或多个，图5中以一个处理器为例。在本发明的一些实施例中，处理器501、存储器502、输入装置503和输出装置504可通过总线或其它方式连接，其中，图5中以通过总线连接为例。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行心律失常检测设备的各种功能应用以及数据处理。存储器502可主要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、至少一个功能所需的应用程序等。此外，存储器502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、或其他易失性固态存储器件。输入装置503可用于接收输入的数字或字符信息，以及产生与心律失常检测设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中，处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现上述心律失常检测方法中的各种功能。
可以理解的是，对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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。
以上对本申请实施例所提供的一种心律失常检测方法、装置及设备进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。

Claims (10)

1.一种心律失常检测方法，其特征在于，所述方法包括：
获取待检测心电数据；
将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；
将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
2.根据权利要求1所述的心律失常检测方法，其特征在于，所述将所述待检测图像作为经过训练的检测模型的输入参数之前，还包括：
获取训练数据集，所述训练数据集包括多组心电数据；
将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像；
分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成；
利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
3.根据权利要求1或2所述的心律失常检测方法，其特征在于，所述预设算法包括快速傅里叶变换。
4.根据权利要求1或2所述的心律失常检测方法，其特征在于，所述检测模型包括随机深林分类器。
5.根据权利要求1所述的心律失常检测方法，其特征在于，所述将所述待检测心电数据进行预设算法的处理之前，还包括：
对所述待检测心电数据进行归一化处理。
6.一种心律失常检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检测心电数据；
第一处理模块，用于将所述待检测心电数据进行预设算法的处理，得到所述待检测心电数据对应的待检测图像；
检测模块，用于将所述待检测图像作为经过训练的检测模型的输入参数，经过所述检测模型的处理后，输出所述待检测心电数据的检测结果。
7.根据权利要求6所述的心律失常检测装置，其特征在于，所述装置还包括：
第二获取模块，用于获取训练数据集，所述训练数据集包括多组心电数据；
第二处理模块，用于将所述训练数据集中的各组心电数据进行所述预设算法的处理，得到训练图像集，所述训练图像集包括各组心电数据对应的训练图像；
变换模块，用于分别对所述训练图像集中的各个训练图像进行小波变换，得到特征向量集，所述特征向量集包括各个训练图像对应的特征向量，所述特征向量由对应的训练图像的小波变换系数组成；
训练模块，用于利用所述特征向量集中的各个特征向量对检测模型进行训练，得到经过训练的检测模型。
8.根据权利要求6或7所述的心律失常检测装置，其特征在于，所述预设算法包括快速傅里叶变换。
9.根据权利要求6或7所述的心律失常检测装置，其特征在于，所述检测模型包括随机深林分类器。
10.一种心律失常检测设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5任一项所述的心律失常检测方法。
CN201810510790.6A 2018-05-24 2018-05-24 一种心律失常检测方法、装置及设备 Active CN109009047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810510790.6A CN109009047B (zh) 2018-05-24 2018-05-24 一种心律失常检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810510790.6A CN109009047B (zh) 2018-05-24 2018-05-24 一种心律失常检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109009047A true CN109009047A (zh) 2018-12-18
CN109009047B CN109009047B (zh) 2021-10-26

Family

ID=64611475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810510790.6A Active CN109009047B (zh) 2018-05-24 2018-05-24 一种心律失常检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109009047B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113288169A (zh) * 2021-05-26 2021-08-24 东软集团股份有限公司 一种心电波形信号的波形识别方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN106203536A (zh) * 2016-08-30 2016-12-07 南京工业大学 一种织物疵点的特征提取及检测方法
CN106344004A (zh) * 2016-09-28 2017-01-25 清华大学 心电信号特征点检测方法及装置
CN106650609A (zh) * 2016-10-26 2017-05-10 太原理工大学 基于调q小波变换和高阶累积量的j波检测及分类方法
CN106725426A (zh) * 2016-12-14 2017-05-31 深圳先进技术研究院 一种心电信号分类的方法及系统
CN106778685A (zh) * 2017-01-12 2017-05-31 司马大大（北京）智能系统有限公司 心电图图像识别方法、装置及服务终端
CN107835656A (zh) * 2015-03-30 2018-03-23 国立大学法人滋贺医科大学 心肌兴奋补充/可视装置和心肌兴奋检测装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN107835656A (zh) * 2015-03-30 2018-03-23 国立大学法人滋贺医科大学 心肌兴奋补充/可视装置和心肌兴奋检测装置
CN106203536A (zh) * 2016-08-30 2016-12-07 南京工业大学 一种织物疵点的特征提取及检测方法
CN106344004A (zh) * 2016-09-28 2017-01-25 清华大学 心电信号特征点检测方法及装置
CN106650609A (zh) * 2016-10-26 2017-05-10 太原理工大学 基于调q小波变换和高阶累积量的j波检测及分类方法
CN106725426A (zh) * 2016-12-14 2017-05-31 深圳先进技术研究院 一种心电信号分类的方法及系统
CN106778685A (zh) * 2017-01-12 2017-05-31 司马大大（北京）智能系统有限公司 心电图图像识别方法、装置及服务终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王以沙: "《基于手部心电信号的身份识别研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
谷蓉: "《心电信号处理算法与应用的研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113288169A (zh) * 2021-05-26 2021-08-24 东软集团股份有限公司 一种心电波形信号的波形识别方法、装置及设备
CN113288169B (zh) * 2021-05-26 2024-05-17 东软集团股份有限公司 一种心电波形信号的波形识别方法、装置及设备

Also Published As

Publication number Publication date
CN109009047B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Li et al. Classification of ECG signals based on 1D convolution neural network
Pandey et al. Automatic detection of arrhythmia from imbalanced ECG database using CNN model with SMOTE
Singh et al. Optimal selection of wavelet basis function applied to ECG signal denoising
CN108030488A (zh) 基于卷积神经网络的心律失常的检测系统
Abibullaev et al. A new QRS detection method using wavelets and artificial neural networks
Diker et al. Intelligent system based on Genetic Algorithm and support vector machine for detection of myocardial infarction from ECG signals
Ebrahimzadeh et al. Detection of electrocardiogram signals using an efficient method
Shi et al. Inter-patient heartbeat classification based on region feature extraction and ensemble classifier
CN103970975B (zh) 心电数据处理方法和系统
CN108968941A (zh) 一种心律失常检测方法、装置及终端
CN109044348A (zh) 房颤检测装置及存储介质
Kumar et al. Investigation and classification of ECG beat using input output additional weighted feed forward neural network
CN109222964A (zh) 房颤检测装置及存储介质
Chua et al. Cardiac health diagnosis using higher order spectra and support vector machine
CN114041800B (zh) 心电信号实时分类方法、装置及可读存储介质
Srinivasan et al. A new phase space analysis algorithm for cardiac arrhythmia detection
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
CN109009047A (zh) 一种心律失常检测方法、装置及设备
Besrour et al. ECG beat classifier using support vector machine
Huang et al. A congestive heart failure detection system via multi-input deep learning networks
Garcia et al. Improving automatic cardiac arrhythmia classification: Joining temporal-VCG, complex networks and SVM classifier
Zeng et al. Deep arrhythmia classification based on SENet and lightweight context transform
Queiroz et al. Automatic cardiac arrhythmia detection and classification using vectorcardiograms and complex networks
Jayasanthi et al. Improved ICA algorithm for ECG feature extraction and R‐peak detection
Brennan et al. New insights into the relationship between Poincare plot geometry and linear measures of heart rate variability

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