CN109009071A - 一种识别心电波图像特征点的方法和装置 - Google Patents

一种识别心电波图像特征点的方法和装置 Download PDF

Info

Publication number
CN109009071A
CN109009071A CN201810759598.0A CN201810759598A CN109009071A CN 109009071 A CN109009071 A CN 109009071A CN 201810759598 A CN201810759598 A CN 201810759598A CN 109009071 A CN109009071 A CN 109009071A
Authority
CN
China
Prior art keywords
characteristic point
point
signal
slope
characteristic
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
CN201810759598.0A
Other languages
English (en)
Inventor
刘成良
王浩任
张飞
刘金磊
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.)
Shanghai Summer Is Dynamo-Electric Development In Science And Technology Co Ltd First
Original Assignee
Shanghai Summer Is Dynamo-Electric Development In Science And Technology Co Ltd First
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 Shanghai Summer Is Dynamo-Electric Development In Science And Technology Co Ltd First filed Critical Shanghai Summer Is Dynamo-Electric Development In Science And Technology Co Ltd First
Priority to CN201810759598.0A priority Critical patent/CN109009071A/zh
Publication of CN109009071A publication Critical patent/CN109009071A/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
    • A61B5/24—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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Landscapes

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

Abstract

本发明公开了一种识别心电波图像特征点的方法和装置，涉及便携式医疗设备技术领域。其中，识别心电波图像特征点的方法，包括：获取心电波图像的原始信号；对所述原始信号进行滤波处理，得到滤波后信号；基于所述滤波后的信号，确定特征点R；基于所述特征点R确定其他特征点。本发明主要解决QRS特征波群诊断困难的问题，这些技术主要是用于现有的便携式可穿戴设备，对于多种心率失常，具有较好的诊断效果。

Description

一种识别心电波图像特征点的方法和装置
技术领域
本发明涉及便携式医疗设备技术领域，尤其涉及一种识别心电波图像特征点的方法和装置。
背景技术
心电图是由人体心脏心肌细胞的自律性、能传导性等产生一系列生理上电活动过程而形成的曲线，是最重要的诊断心脏疾病的工具之一。自1901年由Willem Einthoven发现，并从体表记录到清晰的生理电曲线以来，在临床上已经使用了百余年。百余年的临床使用历史，已使心电图成为一门相对较成熟的技术，且心电图的检测准确、方法可操作性强、对病人伤害小，使得心电图的检测已成为心脏病治疗不可缺少的方法。
现有的采集心电图的装置主要包括以下两种：医院使用的十二导联心电图机和便携式可穿戴心电监护仪。这两种采集心电图的装置的缺陷如下：
十二导联心电图机，主要是通过在四肢和胸部贴上电极片从而采集心电信号，这种设备采集的信号虽然非常准确，但是由于现有技术中并没有针对其信号进行分析识别的诊断模型，只能依靠传统的医生人工阅读心电图从而进行疾病的诊断，不能实现依靠计算机对心电图像识别从而自动诊断。另外，十二导联心电图机结构复杂、患者不便外出携带，即使有条件使用，也不能立刻得出诊断结论。
便携式可穿戴心电监护仪，采用二导联采集手腕处的心电信号，简化了装置的结构使得能够实现便携，且也能够进行简单的数据分析从而自动诊断。然而由于采集信号的准确率有所降低，且并没有有效的诊断模型，且只能检测心率等简单的参数，对于复杂的心率失常的诊断，往往难以实现。
发明内容
(一)发明目的
本发明的目的是提供一种识别心电波图像特征点的方法和装置。
(二)技术方案
为解决上述问题，本发明的第一方面提供了一种识别心电波图像特征点的方法，包括：获取心电波图像的原始信号；对所述原始信号进行滤波处理，得到滤波后信号；基于所述滤波后的信号，确定特征点R；基于所述特征点R确定其他特征点。
进一步，所述识别心电波图像特征点的方法，其中，其他特征点包括：特征点Q、特征点S、特征点P、特征点T中的一个或多个。
进一步，所述识别心电波图像特征点的方法，其中，所述基于所述滤波后的信号，确定特征点R包括：基于所述滤波后的信号，得到斜率和斜率阈值；判断两个连续点的斜率是否大于所述斜率阈值；若是，则对特征点R进行起始点监测，得到特征点R的起始点；将特征点R的起始点之后浮值最大的点确定为特征点R。
进一步，所述识别心电波图像特征点的方法，其中，所述斜率阈值包括第一斜率阈值和第二斜率阈值；若斜率为正，则判断两个连续点的斜率是否大于所述第一斜率阈值；若斜率为负，则判断两个连续点的斜率是否大于所述第二斜率阈值。
进一步，所述识别心电波图像特征点的方法，其中，所述基于特征点R确定特征点Q，具体包括：在所述特征点R之前的预定区间范围内搜索原始信号的差分信号；将所述差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点Q。
进一步，所述识别心电波图像特征点的方法，其中，所述基于特征点R确定特征点S，具体包括：在所述特征点R之后的预定区间范围内搜索原始信号的差分信号；将所述差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点S。
进一步，所述识别心电波图像特征点的方法，其中，所述基于特征点R确定特征点P，具体包括：对所述原始信号进行一阶差分处理；基于第一预设阈值，在所述特征点R之前的1/3范围内搜索，得到特征点P。
进一步，所述识别心电波图像特征点的方法，其中，所述基于特征点R确定特征点T，具体包括：对所述原始信号进行一阶差分处理；基于第二预设阈值，在所述特征点R之后的2/3范围内搜索，得到特征点T。
进一步，所述识别心电波图像特征点的方法，其中，所述对原始信号进行滤波处理具体为：将原始信号输入带通滤波器。
根据本发明的另一个方面，提供了一种识别心电波图像特征点的装置，包括：原始信号获取模块，用于获取心电波图像的原始信号；滤波模块，用于对所述原始信号进行滤波处理，得到滤波后信号；R点确定模块，基于所述滤波后的信号，确定特征点R；其他特征点确定模块，基于所述特征点R确定其他特征点。
根据本发明的又一方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述任一项所述方法的步骤。
根据本发明的又一方面，提供了一种电子设备，包括：存储器、处理器以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程序时实现上述任一项所述方法的步骤。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果：本发明提出的技术方案能够基于便携式的心电信号采集装置所采集的心电信号，识别心电波图像中的QRS特征点，进一步基于QRS特征点确定T特征点和P特征点，识别准确，能够为识别心率失常提供支持，相对于现有技术中的便携式心电识别装置，识别的心率失常参数范围大大增加，且识别的准确率提高。
附图说明
图1为现有技术中心电图记录纸所记载的一段心电图；
图2是本发明提供的识别心电波图像特征点的步骤流程图；
图3是本发明提供的识别心电波图像特征点的模块关系示意图；
图4是本发明提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于区分描述对象的目的，而不能理解为指示或暗示相对重要性。
图1为现有技术中心电图记录纸所记载的一段心电图。
如图1所示，心电图记录纸是一种1mm﹡1mm的方格坐标纸。常规25mm/s走纸速度，每小横格为1mm，表示0.04s，每小格高1mm，表示0.1mV。
P波：反映左右两心房去极过程电位和时间的变化。电刺激由窦房结产生，经由节间传导通路而扩散至左右心房。其波形为直立向上而顶端钝圆平滑。正常时间为0.06-0.12秒。
P-R间期：指以P波起点到QRS波群起点的时间间隔。代表心房开始去极至心室开始去极的时间。正常时间为0.12－0.2秒。
QRS波群：反映左右两心室去极过程中电位和时间的变化。在QRS波群第一个向下的波形就是Q波，正常时间小于0.04秒。R波是一个高尖向上的波形。S波是在r波以后的向下的波形。正常QRS波群时间为0.06-0.1秒。
ST段：从QRS波群终点到T波起点的间段，反映心室复极早期的电位和时间变化。正常的ST段应该在水平基线，在任何导联其向下偏移不超过0.05mv,向上偏移不超过0.1mv。
T波：反映心室复极后期的电位变化。正常时间为0.1-0.25秒，电压为0.1-0.8mv。
Q-T间期：指从QRS波群起点到T波终点的时间，反映心室去极与心室复极的总时间。正常时间一般在0.36-0.44秒之间。
U波：代表心室肌的激后电位。在T波之后0.02-0.04秒出现，方向与T波一致。
图2是本发明提供的识别心电波图像特征点的方法的步骤流程图。
如图2所示，本实施例识别心电波图像特征点的方法包括以下步骤S1-S4：
S1，获取心电波图像的原始信号。
本步骤中，获取预定时间长度的心电波图像的原始信号。其中，预定时间长度的取值范围为：至少20秒。采用便携式可穿戴心电仪，对心电波图像(Electrocardiogram,ECG)信号进行采集，作为接收心电图的信号。
S2，对所述原始信号进行滤波处理，得到滤波后信号。
采集到的信号为连续的信号，需要对信号做预处理，除去噪声和干扰，找到信号的特征起点和终点。该信号主要是通过带通滤波器对原始信号进行初步的筛选。
由于采集的信号为含有噪声高低频混合信号，数据量较大，分析复杂。优选的，为了便于分析，首先通过预处理对信号在不同尺度上进行分析，通过比对信号的形态，确定信号的最佳分解范围。
S3，基于所述滤波后的信号，确定特征点R。
对信号进行特征提取后，得到在时频内的特征点。首先需要提取的是QRS波群的特征点R。
S4，基于所述特征点R确定其他特征点。
确定特征点R之后，在特征点R前后一定时间窗中进行搜索，即可确定特征点Q和S。因为Q和S是紧邻R两侧的波谷，因此在确定特征点R之后，可以根据确定特征点R位置，在其前、后建立搜索区间，检测极值点来确定Q点和S点位置。
P波、T波是心电图诊断中重要的特征波形，在窦性心律失常分类和心肌梗死和心肌缺血判断与检测中有重要作用。因此，P波和T波的特征检测具有重要意义。当完成对QRS波群检测之后，需要确定特征点P波和特征点T，以便确定P波和T波。
本实施例通过一阶差分与搜索时间窗结合的方法进行P波和T波的检测，对心电信号进行一阶差分处理，针对差分后的信号，由于在时域上与原始心电信号具有同步性，因此可以通过对差分信号设定合理的阈值依次进行判断。
其中，步骤S3基于所述滤波后的信号确定特征点R，具体包括以下步骤：
S31，基于所述滤波后的信号，基于得到斜率和斜率阈值；
具体地，基于式(1)得到斜率Slope。
Slope(n)＝Sig(n)-Sig(n-1) 式(1)
其中，n为信号中的一点。
具体地，基于式(2)得到斜率阈值slope shreshold。
其中，thresh_para可以为2,4,8 or 16。
Maxi是一个通过单极点滤波器不断更新的最值，具体地：
S32，判断两个连续点的斜率是否大于所述斜率阈值，若是，则执行S33。
S33，对特征点R进行起始点监测，得到特征点R的起始点。
S34，将特征点R的起始点之后浮值最大的点确定为特征点R。
其中，步骤S31中，所述斜率阈值包括第一斜率阈值和第二斜率阈值。
其中，步骤S32中，在判断两个连续点的斜率是否大于所述斜率阈值的步骤之前，还包括判断斜率的正负，并基于判断结果执行步骤S321和S322。
S321，若斜率为正则判断两个连续点的斜率是否大于第一斜率阈值。
S322，若斜率为负则判断两个连续点的斜率是否大于第二斜率阈值。
步骤S4基于特征点R确定其他特征点具体包括以下步骤S41-S44：
S41，基于特征点R确定特征点Q。
S42，基于特征点R确定特征点S。
S43，基于特征点R确定特征点P。
S44，基于特征点R确定特征点T。
其中，步骤S41基于特征点R确定特征点Q，具体包括步骤S411-S412：
S411，在特征点R之前的预定区间范围内搜索原始信号的差分信号。
S412，将差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点Q。
其中，步骤S41基于特征点R确定特征点S，具体包括步骤S421-S422：
S421，在特征点R之后的预定区间范围内搜索原始信号的差分信号。
S422，将差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点S。
其中，步骤S41基于特征点R确定特征点P，具体包括步骤S431-S432：
S431，对所述原始信号进行一阶差分处理。
S432，基于第一预设阈值，在所述特征点R之前的1/3范围内搜索，得到特征点P。
其中，步骤S41基于特征点R确定特征点T，具体包括步骤S441-S442：
S441，对所述原始信号进行一阶差分处理。
S442，基于第二预设阈值，在所述特征点R之后的2/3范围内搜索，得到特征点T。
基于所述滤波后的信号确定特征点R，具体包括以下步骤：
图3是本发明提供的识别心电波图像特征点的装置的模块关系示意图。
如图3所示，在本实施例中，识别心电波图像特征点的装置包括原始信号获取模块、滤波模块、R点确定模块和其他特征点确定模块。
原始信号获取模块，用于获取心电波图像的原始信号。
滤波模块，用于对所述原始信号进行滤波处理，得到滤波后信号。
R点确定模块，基于所述滤波后的信号，确定特征点R。
其他特征点确定模块，基于所述特征点R确定其他特征点。
R点确定模块包括斜率计算单元、斜率阈值生成单元、斜率判断单元、R起始点确定单元和R点确定单元。
斜率计算单元，用于基于所述滤波后的信号生成斜率。
斜率阈值生成单元，用于基于所述滤波后的信号生成斜率。
斜率判断单元，用于判断两个连续点的斜率是否大于所述斜率阈值。
R起始点确定单元，用于在两个连续点的斜率大于所述斜率阈值时，对特征点R进行起始点监测，得到特征点R的起始点。
R点确定单元，用于将特征点R的起始点之后浮值最大的点确定为特征点R。
斜率阈值生成单元，生成的斜率阈值包括第一斜率阈值和第二斜率阈值。
斜率判断单元包括：第一斜率阈值判断单元和第二斜率阈值判断单元。
第一斜率阈值判断单元，用于在斜率为正时，判断两个连续点的斜率是否大于所述第一斜率阈值。
第二斜率阈值判断单元，用于在斜率为负时，判断两个连续点的斜率是否大于所述第二斜率阈值。
其他特征点确定模块包括：特征点Q确定模块、特征点S确定模块、特征点P确定模块和特征点T确定模块。
特征点Q确定模块包括：差分信号搜索单元和特征点Q确定单元。
差分信号搜索单元，用于在所述特征点R之前的预定区间范围内搜索原始信号的差分信号。
特征点Q确定单元，用于将所述差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点Q。
特征点P确定模块包括：一阶差分处理单元和特征点P确定单元。
一阶差分处理单元，对所述原始信号进行一阶差分处理。
特征点P确定单元，用于基于第一预设阈值，在所述特征点R之前的1/3范围内搜索，得到特征点P。
图4是本发明提供的电子设备的硬件结构示意图。
如图4所示，本发明还提供了一种电子设备，包括：一个或多个处理器以及存储器，图4中以一个处理器为例。
处理器、存储器可以通过总线或其他方式连接，图4中以通过总线连接的方式为例。
本领域技术人员可以理解，图4中示出的电子设备的结构并不构成对本发明实施例的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器可以由集成电路(IntegratedCircuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器可以仅包括中央处理器(CentralProcessingUnit，简称CPU)，也可以是CPU、数字信号处理器(digitalsignalprocessor，简称DSP)、图形处理器(GraphicProcessingUnit，简称GPU)及各种控制芯片的组合。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机课执行程序以及模块，如本申请实施例中的识别心电波图像特征点的装置对应的程序模块(例如，附图3所示的原始信号获取模块、滤波模块、R点确定模块和其他特征点确定模块)处理器通过运行存储在存储器的非暂态软件程序以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述识别心电波图像特征点的方法实施例的处理方法。
存储器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。在本发明实施例中，操作系统可以是Android系统、iOS系统或Windows操作系统等等。存储数据区可存储依据识别心电波图像特征点的装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或者其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器。上述网络的实施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。
电子设备可以为智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备MobileInternetDevices，MID)、PAD等。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种识别心电波图像特征点的方法，其特征在于，包括：
获取心电波图像的原始信号；
对所述原始信号进行滤波处理，得到滤波后信号；
基于所述滤波后的信号，确定特征点R；
基于所述特征点R确定其他特征点。
2.根据权利要求1所述的方法，其特征在于，所述其他特征点包括：特征点Q、特征点S、特征点P、特征点T中的一个或多个。
3.根据权利要求2所述的方法，其特征在于，所述基于所述滤波后的信号，确定特征点R，包括：
基于所述滤波后的信号，得到斜率和斜率阈值；
判断两个连续点的斜率是否大于所述斜率阈值；
若是，则对特征点R进行起始点监测，得到特征点R的起始点；
将特征点R的起始点之后浮值最大的点确定为特征点R。
4.根据权利要求3所述的方法，其特征在于，所述斜率阈值包括第一斜率阈值和第二斜率阈值；
若斜率为正，则判断两个连续点的斜率是否大于所述第一斜率阈值；
若斜率为负，则判断两个连续点的斜率是否大于所述第二斜率阈值。
5.根据权利要求2-4任一项所述的方法，其特征在于，所述基于特征点R确定特征点Q，具体包括：
在所述特征点R之前的预定区间范围内搜索原始信号的差分信号；
将所述差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点Q。
6.根据权利要求2-4任一项所述的方法，其特征在于，所述基于特征点R确定特征点S，具体包括：
在所述特征点R之后的预定区间范围内搜索原始信号的差分信号；
将所述差分信号的值等于信号零点且距离所述特征点R点最近的点作为特征点S。
7.根据权利要求2-4任一项所述的方法，其特征在于，所述基于特征点R确定特征点P，具体包括：
对所述原始信号进行一阶差分处理；
基于第一预设阈值，在所述特征点R之前的1/3范围内搜索，得到特征点P。
8.根据权利要求2-4任一项所述的方法，其特征在于，所述基于特征点R确定特征点T，具体包括：
对所述原始信号进行一阶差分处理；
基于第二预设阈值，在所述特征点R之后的2/3范围内搜索，得到特征点T。
9.根据权利要求1-4任一项所述的方法，其特征在于，所述对原始信号进行滤波处理具体为：将原始信号输入带通滤波器。
10.一种识别心电波图像特征点的装置，其特征在于，包括：
原始信号获取模块，用于获取心电波图像的原始信号；
滤波模块，用于对所述原始信号进行滤波处理，得到滤波后信号；
R点确定模块，基于所述滤波后的信号，确定特征点R；
其他特征点确定模块，基于所述特征点R确定其他特征点。
CN201810759598.0A 2018-07-11 2018-07-11 一种识别心电波图像特征点的方法和装置 Pending CN109009071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810759598.0A CN109009071A (zh) 2018-07-11 2018-07-11 一种识别心电波图像特征点的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810759598.0A CN109009071A (zh) 2018-07-11 2018-07-11 一种识别心电波图像特征点的方法和装置

Publications (1)

Publication Number Publication Date
CN109009071A true CN109009071A (zh) 2018-12-18

Family

ID=64640490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810759598.0A Pending CN109009071A (zh) 2018-07-11 2018-07-11 一种识别心电波图像特征点的方法和装置

Country Status (1)

Country Link
CN (1) CN109009071A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020242334A1 (en) * 2019-05-24 2020-12-03 Autonomous Non-Profit Organization For Higher Education "Skolkovo Institute Of Science And Technology" System and method of automated electrocardiogram analysis and interpretation
CN113749666A (zh) * 2021-09-10 2021-12-07 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1110121A (zh) * 1994-04-14 1995-10-18 王湘生 佩带式超小型心脏保护系统及方法
JP2005270325A (ja) * 2004-03-24 2005-10-06 Toshiba Corp 磁気共鳴イメージング装置
CN101828917A (zh) * 2010-05-07 2010-09-15 深圳大学 心电信号特征提取的方法和系统
CN103549950A (zh) * 2013-11-19 2014-02-05 上海理工大学 移动心电监测差分阈值检测改进算法
CN103750835A (zh) * 2013-11-12 2014-04-30 天津工业大学 一种心电信号特征检测算法
CN104173043A (zh) * 2014-09-04 2014-12-03 东莞理工学院 一种适合于移动平台的心电数据分析方法
CN104680186A (zh) * 2015-03-17 2015-06-03 中国科学院合肥物质科学研究院 一种心电信号中st段形态的自动分类方法
CN105030233A (zh) * 2015-07-08 2015-11-11 上海师范大学 一种心电信号st段的识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1110121A (zh) * 1994-04-14 1995-10-18 王湘生 佩带式超小型心脏保护系统及方法
JP2005270325A (ja) * 2004-03-24 2005-10-06 Toshiba Corp 磁気共鳴イメージング装置
CN101828917A (zh) * 2010-05-07 2010-09-15 深圳大学 心电信号特征提取的方法和系统
CN103750835A (zh) * 2013-11-12 2014-04-30 天津工业大学 一种心电信号特征检测算法
CN103549950A (zh) * 2013-11-19 2014-02-05 上海理工大学 移动心电监测差分阈值检测改进算法
CN104173043A (zh) * 2014-09-04 2014-12-03 东莞理工学院 一种适合于移动平台的心电数据分析方法
CN104680186A (zh) * 2015-03-17 2015-06-03 中国科学院合肥物质科学研究院 一种心电信号中st段形态的自动分类方法
CN105030233A (zh) * 2015-07-08 2015-11-11 上海师范大学 一种心电信号st段的识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
K. F. TAN等: "DETECTION OF THE QRS COMPLEX, P WAVE AND T WAVE IN ELECTROCARDIOGRAM", 《FIRST INTERNATIONAL CONFERENCE ON ADVANCES IN MEDICAL SIGNAL AND INFORMATION PROCESSING》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020242334A1 (en) * 2019-05-24 2020-12-03 Autonomous Non-Profit Organization For Higher Education "Skolkovo Institute Of Science And Technology" System and method of automated electrocardiogram analysis and interpretation
CN113749666A (zh) * 2021-09-10 2021-12-07 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法
CN113749666B (zh) * 2021-09-10 2023-10-27 郑州大学 基于融合心室规则特征与XGBoost的心肌梗死分类方法

Similar Documents

Publication Publication Date Title
JP4386235B2 (ja) 心電図の順次比較のための方法及び装置
JPH11313806A (ja) 心臓機能を表す信号の特性を決定する方法
CN110464333B (zh) 一种心电图数据的存储方法及装置
EP1993439A2 (en) Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal
WO2017059569A1 (zh) 起搏信号处理方法、系统和心电监护仪
CN109288515B (zh) 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
CN109009073A (zh) 房颤检测装置及存储介质
Al-Ani ECG waveform classification based on P-QRS-T wave recognition
CN113499079A (zh) 一种心电图中的房颤检测方法
JPH10211180A (ja) 心臓機能自動診断方法
CN107958214A (zh) Ecg信号的并行分析装置、方法和移动终端
CN109044347B (zh) 识别心电波图像交界性逸搏方法、装置、系统和电子设备
CN109009071A (zh) 一种识别心电波图像特征点的方法和装置
Zhang et al. Deep learning-based signal quality assessment for wearable ECGs
US9474460B2 (en) Non-invasive evaluation of cardiac repolarisation instability for risk stratification of sudden cardiac death
CN111419219A (zh) Ppg心搏信号的预处理方法、装置及房颤检测设备
CN109077719A (zh) 信号识别方法、装置、设备和存储介质
WO2018192997A1 (en) Artifact-tolerant pulse rate variability measurement
Llamedo et al. Analysis of 12-lead classification models for ECG classification
CN106108885A (zh) 评估身体运动状态及心电干扰大小的方法及其仪器
CN109431493A (zh) 基于距离分段加权算法的可穿戴体表电势采集装置和方法
CN112438735B (zh) 一种心电图p波检测方法、分析装置以及存储介质
CN108784683A (zh) 包括用于特征检测的滤波器的ecg机器
CN110464339B (zh) 一种心电图分析方法及装置
CN109044334A (zh) 识别心电波图像房性早搏的方法、装置、系统和电子设备

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: 20181218