CN109009084B - 多导联心电信号的qrs波群校验方法、装置及设备、介质 - Google Patents
多导联心电信号的qrs波群校验方法、装置及设备、介质 Download PDFInfo
- Publication number
- CN109009084B CN109009084B CN201810587396.2A CN201810587396A CN109009084B CN 109009084 B CN109009084 B CN 109009084B CN 201810587396 A CN201810587396 A CN 201810587396A CN 109009084 B CN109009084 B CN 109009084B
- Authority
- CN
- China
- Prior art keywords
- qrs
- lead
- heart beat
- qrs complex
- electrocardiosignals
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000718 qrs complex Methods 0.000 claims abstract description 245
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 230000015654 memory Effects 0.000 claims description 22
- 238000002565 electrocardiography Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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]
- 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
- A61B5/72—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)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (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
本发明提供一种多导联心电信号的QRS波群校验方法、装置及设备、介质，所述方法包括：获取各导联的心电信号被检出的QRS波群的位置数据；基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群；基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比；至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。实施本发明实施例，可以准确地校验出各导联的心电信号前期被检测出的QRS波群是否为误检的QRS波群，尽可能避免误检造成的问题。
Description
技术领域
本发明涉及心电信号处理技术领域，尤其涉及多导联心电信号的QRS波群校验方法、装置及设备、介质。
背景技术
采集心电信号，一般是先在被检体的不同部位放置导联的电极，目前临床上可以在被检体的肢体部位放置3个双极导联的电极和3个加压单级导联的电极，在被检体的胸前放置6个胸前导联的电极，然后将导联的导联线与心电设备的正负极相连接。通过连接的多个导联，心电设备可以通过多个导联采集到心电信号，本发明将通过某个导联采集的心电信号称作该导联的心电信号。
在医学领域，为了检测心脏功能、诊断心血管疾病或进行心电监护，会检测各导联的心电信号中的QRS波群，该QRS波群是继P波之后出现的一个狭窄但振幅高的波群，由Q波(有或无)、R波(有或无)和S波组成(有或无)。相关检测QRS波群的技术，对理想的环境中采集到的纯净的心电信号上具有很好的检测效果。但是对于受到外界噪声影响的采集过程采集的心电信号，很容易出现QRS波群误检的问题，因此需要对检出的QRS波群进行进一步地校验。
发明内容
有鉴于此，本发明实施例提供一种多导联心电信号的QRS波群校验方法、装置及设备、介质，以解决相关检测QRS波群的技术检测出的QRS波群中易出现误检的QRS波群的问题。
根据本发明的第一方面，提供一种多导联心电信号的QRS波群校验方法，包括步骤：
获取各导联的心电信号被检出的QRS波群的位置数据；
基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群；
基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比；
至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
在一个实施例中，所述至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，包括：
将每个心拍的QRS波群的检出比及以下至少一项，作为该心拍的特征量，输入训练好的分类模型进行分类：
各导联的心电信号在预定时段内的高频噪声能量占比的最大值；所述预定时段为该心拍之前零点一秒至该心拍之后零点一秒；
各导联的心电信号在所述预定时段内的信号幅度的最小值；
各导联的心电信号在所述预定时段内的信号幅度的方差。
在一个实施例中，所述分类模型为支持向量机。
在一个实施例中，所述支持向量机的核函数为径向基核函数。
在一个实施例中，预训练所述分类模型时，采用交叉验证的方式训练所述分类模型。
在一个实施例中，基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中属于同一心拍的QRS波群，包括：
基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群。
在一个实施例中，基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群，包括：
将各导联的心电信号被检出的QRS波群，按照位置数据从小到大的顺序进行排序；
按照排序，顺次计算相邻的两个QRS波群的位置数据的差值；
如果计算所得的位置数据的差值在所述预定范围内，则将所述相邻的两个QRS波群划分为同一心拍的QRS波群；
如果计算所得的位置数据的差值不在所述预定范围内，则将所述相邻的两个QRS波群划分为不同心拍的QRS波群。
在一个实施例中，获取各导联的心电信号被检出的QRS波群的位置数据前，所述方法还包括：
对每个导联的心电信号进行带通滤波；
计算带通滤波后的每个导联的心电信号的微分；
计算所得微分的平方；
采用预定长度的滑动窗口对平方后的心电信号进行积分；
根据各导联的心电信号的积分的局部极大值的幅度，检测各导联的心电信号的QRS波群。
在一个实施例中，分类结果表示任一心拍的QRS波群不是误检的QRS波群时，所述方法还包括以下步骤：
将所述任一心拍的QRS波群的位置数据的均值，更新为所述任一心拍的QRS波群在各导联的心电信号的位置数据。
根据本发明的第二方面，提供一种多导联心电信号的QRS波群校验装置，包括：
位置数据获取模块，用于获取各导联的心电信号被检出的QRS波群的位置数据；
QRS波群识别模块，用于基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群；
检出比计算模块，用于基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比；
QRS波群校验模块，用于至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
根据本发明的第三方面，提供一种电子设备，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如上所述方法中的操作。
在一个实施例中，所述电子设备为心电监护仪或多参数体征监测仪。
在一个实施例中，所述电子设备通过导联线连接放置在被检体不同部位的导联。
根据本发明的第四方面，提供一个或多个机器可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上所述方法中的操作。
实施本发明提供的实施例，获取各导联的心电信号被检出的QRS波群的位置数据后，基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群，可以将不同导联的心电信号被检出的QRS波群，识别为同一心拍的QRS波群，并将每个心拍的QRS波群检出比输入训练好的分类模型进行分类进行分类，输入分类模型的特征可以融合不同导联的心电信号的QRS波群的特征，并非仅针对单个导联上被检出的单个QRS波群进行校验，因此，可以准确地校验出前期检测QRS波群是否为误检的QRS波群，尽可能避免误检造成的问题。
此外，分类模型至少可以将每个心拍的QRS波群检出比，映射到高纬度的特征空间进行分类，因此，以分类模型对每个心拍的特征量，进行分类得到的分类结果，准确性更高，能有效降低校验QRS波群的出错率。
附图说明
图1A是本申请一示例性实施例示出的采集心电信号的系统的架构图；
图1B是本申请一示例性实施例示出的校验QRS波群的处理逻辑；
图2是本申请一示例性实施例示出的多导联心电信号的QRS波群校验方法的流程图；
图3是本申请另一示例性实施例示出的多导联心电信号的QRS波群校验方法的流程图；
图4是本发明一示例性实施例示出的多导联心电信号的QRS波群校验装置的框图；
图5是本发明一示例性实施例示出的电子设备的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本发明实施例涉及的心电信号，可以通过图1A所以的系统进行采集和处理，图1A所示的系统可以包括导联的电极110、处理心电信号的电子设备130及连接电极110和电子设备130的导联线120，该导联线120用于将电极110采集的电信号传输至电子设备130。
其中，电极110可以放置在被检体140的不同部位，采集电信号时，先感测被检体140体表的电变化，然后将感测的电变化转换为电信号，该电变化可以反映心脏运动状态，由心脏各部分在兴奋过程中出现的生物电活动，通过心脏周围的导电组织和液体传到体表。
一例子中，被检体140为人，本发明实施例可以在被检体140的肢体部位放置3个双极导联的电极和3个加压单级导联的电极，在被检体140的胸前放置6个胸前导联的电极，如图1A所示的电极I、II、III、avF、avL、avR及v1至v6，为避免导联线120遮挡电极110的放置位置，图1A中未示出导联线120与电极110具体连接关系。
导联线120，可以由护套包裹起来，一端与放置在被检体140不同部位的电极110连接，另一端与电子设备130连接，将电极110采集的电信号传输至电子设备130。
电子设备130，用于将导联线120接入的电信号转换为表示心脏运动的心电信号，本发明实施例，将通过各导联采集的电信号转换所得的心电信号，称作各导联的心电信号。
某些例子中，电子设备130可以是心电相关的设备，如心电监护仪、多参数体征监测仪等，其他例子中，电子设备130也可以是其他用于将电信号转换为心电信号的计算机设备，如个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、平板计算机、智能交互设备、智能家居设备等，或者这些设备中的任意几种设备的组合。
实际应用中，为了检测心脏功能、诊断心血管疾病或进行心电监护，可以在图1B所示的步骤S2中，采用相关检测QRS波群的技术，对图1B中采样信号的步骤S1得到的各导联的心电信号分别进行检测，检测各导联的心电信号中的QRS波群，各导联的心电信号如第1导联的心电信号、第2导联的心电信号至第N导联的心电信号，N为大于或等于3的正整数。
而相关检测QRS波群的技术，对于受到外界噪声影响的采集过程采集的心电信号(本发明实施例中的多导联心电信号)，很容易出现QRS波群误检的问题，因此需要对检出的QRS波群进行进一步地校验。
校验QRS波群时，考虑到常见的噪声来源有基线漂移、肌电和工频噪声等，其中，基线漂移和肌电只对个别电极采集的心电信号造成影响，因此，可以通过预定的阈值，判断各导联上检出的QRS波群是否为误检的QRS波群。例如:预定检出的同一QRS波群的数量阈值，如果超过数量阈值的导联的心电信号均检出了同一QRS波群，则判定该QRS波群不是误检的QRS波群，反之则为误检的QRS波群，其他例子中，还可以预定QRS波的波幅、持续时间、斜率等特征中至少一项的下限阈值及上限阈值等，相应特征在预定的阈值间的QRS波群不是误检的QRS波群，反之则为误检的QRS波群。
由上可知，这种通过预定阈值校验QRS波群是否为误检的QRS波群的方式，实现起来比较简单快捷，但是校验规则相对简单，只能在少量特征维度上进行校验，而且需要相关技术人员根据自身经验，花费大量时间调整阈值。
针对上述问题，本发明方案的设计人员提出了一种多导联心电信号的QRS波群校验方法，如图1B中所示的步骤S3，该方法获取各导联的心电信号被检出的QRS波群的位置数据后，基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群，然后将不同多导联心电信号被检出的QRS波群，识别为同一心拍的QRS波群，并将每个心拍的QRS波群检出比输入训练好的分类模型进行分类进行分类。
其中，输入分类模型的特征可以融合不同导联的心电信号的QRS波群的特征，并非仅针对单个导联上被检出的单个QRS波群进行校验，因此，可以准确地校验出前期检测QRS波群是否为误检的QRS波群，尽可能避免误检造成的问题。
此外，分类模型至少可以将每个心拍的QRS波群检出比，映射到高纬度的特征空间进行分类，因此，以分类模型对每个心拍的特征量，进行分类得到的分类结果，准确性更高，能有效降低校验QRS波群的出错率。以下结合实施例详细说明下本发明的多导联心电信号的QRS波群校验过程。
请参阅图2，图2是本发明一示例性实施例示出的多导联心电信号的QRS波群校验方法的流程图，该实施例可以应用于电子设备上，包括以下步骤S201-S204：
步骤S201、获取各导联的心电信号被检出的QRS波群的位置数据。
步骤S202、基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群。
步骤S203、基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比。
步骤S204、至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
本发明实施例应用的电子设备及涉及的多导联心电信号，可以是图1A涉及的实施例中的电子设备与多导联心电信号，在此不再赘述。
其中，QRS波群的位置数据是QRS波群在多导联心电信号中的位置标识，多导联心电信号的描述方式不同时，位置数据的具体形式也可以有所不同，例如:多导联心电信号记录的是电压随时间变化的曲线，位置数据为QRS波群在心电导联上的检出时间。QRS波检波算法的输出为QRS波群的位置。
实际应用中，由于不同导联的电极放置在被检体的不同部位，与心脏的距离不同，感测到反应心脏同一时间运动的电变化的时间不完全相同，致使不同导联信号中能反映同一心拍中左、右心室除极电位和时间的变化的QRS波群，在各自导联信号中的位置数据不完相同。有鉴于此，本发明实施例的设计人员，发现在校验是否为误检QRS波群时，将能反映同一心拍中左、右心室除极电位和时间的变化的所有QRS波群进行结合，综合起来进行验证，能更准确地判断出是否为误检QRS波群。
为了综合校验能反映同一心拍中左、右心室除极电位和时间的变化的所有QRS波群，本发明实施例首先以一心拍为单位，基于所获取的位置数据，识别各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群。
识别同一心拍的QRS波群时，某些例子中，本发明可以基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群。其中，预定范围可以设置为0.1倍的采样率，便于从不同多导联心电信号中，找出属于同一心拍的QRS波群。其他例子中，本发明实施例也可以采取其他方式识别同一心拍的QRS波群，例如，按照心拍划分模型，对各导联的心电信号进行心拍划分，将各导联的心电信号中，位置数据落在同一序号的心拍内的QRS波群，识别为同一心拍的QRS波群。因此，只要能识别出同一心拍的QRS波群即可，本发明实施例不限制具体的实现方式。
以下以将位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群的方式为例，详细介绍下具体的识别过程：
将各导联的心电信号被检出的QRS波群，按照位置数据从小到大的顺序进行排序。
按照排序，顺次计算相邻的两个QRS波群的位置数据的差值。
如果计算所得的位置数据的差值在所述预定范围内，则将所述相邻的两个QRS波群划分为同一心拍的QRS波群。
如果计算所得的位置数据的差值不在所述预定范围内，则将所述相邻的两个QRS波群划分为不同心拍的QRS波群。
一例子中，排序时，可以矩阵的方式进行排序，如n个导联的多导联心电信号分别为ECGi,i＝1,...,n，用QRS_listi,i＝1,...,n表示第i个多导联心电信号上检出的QRS波群的位置的集合。
然后对各导联上检出的QRS波位置集合进行分组，将位置间隔在预定范围内的QRS波群分为一组，得到矩阵QRS_CLUSTE
该矩阵中n为心电导联的个数，m为分组之后的QRS波群的组数，QRS_CLUSTER的行向量表示每个导联的心电信号被检出的各QRS波群在该导联的心电信号上的位置，列向量表示同一组的QRS波群在不同导联上的位置。
矩阵中QRS波群的位置数据可以用一个大于等于1，且小于等于心电信号长度的整数来表示，在心电信号上未检出任一组QRS波群时，用零值表示所述任一组QRS波群的位置。其他场景下，还可以用其他可以区分不同QRS波群位置的数值代替实际的位置数据，本发明实施例对此不做限制。
其中，在对QRS波群进行分组时，可以将QRS_listi,i＝1,...,n中的所有元素(即QRS波群的位置数据)由小至大排列，然后根据相邻两个QRS波群在各导联的心电信号的位置距离(QRS_dist)，按照公式(1)依次更新矩阵QRS_CLUSTER的值(默认值为0)：
其中，如果QRS_dist的值小于阈值(dist_thre)，则认为与前一个QRS波群属于同一个组，反之则认为属于新的组。例如：当前的QRS波群位于第i个导联上，其位置为QRS_loca，分组后的QRS波群的数量为k(初始值k＝1)。
在通过上述按照位置距离分组或其他方式，识别出属于同一心拍的QRS波群后，可以每个心拍的QRS波群为单位，将每个心拍的特征量，分别输入训练好的分类模型进行分类。
本发明实施例将特征量输入分类模型是为了校验QRS波群，是否为采集过程中的造成的误检QRS波群，而再考虑到噪声中的基线漂移和肌电只对个别电极采集的心电信号造成影响，因此，在确定每个心拍的特征量时，可以将基于每个心拍的QRS波群数与采集心电信号的导联数，计算出的该心拍的QRS波群检出比，作为该心拍的特征量，来排除基线漂移和肌电造成的误检。
其中，计算出每个心拍的QRS波群检出比时，可以直接计算出每个心拍的QRS波群数与采集心电信号的导联数的比值，也可以计算出比值的百分比，还可以根据实际的应用需求，修正计算的比值后得到QRS波群的检出比，本发明实施例对此不做限制。
此外，为了进一步提高校验的准确率，本发明实施例还可以将更多的特征量同时输入训练模型进行分类，某些例子中，可以将每个心拍的QRS波群检出比及以下至少一项，作为该心拍的特征量，输入训练好的分类模型进行分类：
各导联的心电信号在预定时段内的高频噪声能量占比的最大值；所述预定时段为该心拍之前零点一秒至该心拍之后零点一秒。
各导联的心电信号在所述预定时段内的信号幅度的最小值。
各导联的心电信号在所述预定时段内的信号幅度的方差。
以下以上述分组后的矩阵为例，介绍下这些特征的计算过程：
根据矩阵QRS_CLUSTER中各列元素的的数值，计算非零元素个数所占的比例(r)为QRS波群的检出比，如公式(2)所示。
按照公式(3)，计算各导联的心电信号中高频噪声(例如频率为40Hz以上)所占能量比例的最大值(powermax)。
按照公式(4)，计算QRS波群前后0.1秒内的多导联心电信号的幅度的最小值(heightmin)。
按照公式(5)，计算QRS波群前后0.1秒内的多导联心电信号的幅度的方差(heightstd)。
r＝n′/n (2)
powermax＝max(||ECG_noisei||2/||ECGi||2) (3)
heightmin＝min(max(ECG'i')-min(ECG'i')) (4)
heightstd＝std(max(ECG'i)-min(ECG'i)) (5)
其中，位置位于QRS_loca'k的QRS波群，在各导联的心电信号ECGi',i'＝i1,i2,...,in'上被检出，第i导联的心电信号40HZ以上部分的信号为ECG_NOISEi，QRS波群前后0.1秒的心电信号为ECG'i,i＝1,...,n。
将上述特征输入分类模型尽可进行分类计算，其中，进行分类是为了判断QRS波的真假，本质上一个典型的两类分类问题。例如：QRS_loca'k与任一标注的QRS波群的距离小于阈值(可以设为0.15倍的采样率)，则位置为QRS_loca'k的QRS波群为“真”，反之则为“假”。
本发明方案的设计人员，考虑到QRS波群的校验，可以被视为一个经典的二分类问题(是或者不是)，采用分类器为分类模型，预先通过对各导联的心电信号的标注，即专业心电医师在各导联的心电信号上标出的误检或非误检的QRS波群的位置，来建立QRS波群的标签，然后，采用机器学习训练分类器，然后利用训练好的分类器作为训练后的分类模型，从多个维度来校验前期检出的QRS波群是否为误检。
某些例子中，选择分类器时可以选择支持向量机(Support vector machine)为分类器，进而，支持向量机利用核函数(kernel function)将输入的数据(特征量)映射到一个高维特征空间后，构造出一个不同类别之间的数据点间隔最大化的超平面用于分类。
其中，支持向量机的核函数可以为径向基函数(Radial Basis Function，RBF)，如公式(6)所示：
κ(xa,xb)＝exp(-γ×||xa-xb||2) (6)
其中，xa和xb分别为特征量，γ为径向基函数的参数。
此外，为了进一步提高校验的准确度，预训练所述分类模型时，可以采用交叉验证的方式训练所述分类模型。
某些例子中，以交叉验证的方式训练时，还可以在[2-5,25]的范围内来进行支持向量机的误差惩罚参数(C)和径向基函数的参数(γ)，对支持向量机进行调优。
如：对于参数对的每一个可能的组合，首先将训练数据分成k份。每次利用k-1份来训练模型，其他的数据进行验证。该过程重复k次，以平均错误率作为该参数对的性能。最后将平均错误率最低的参数对作为最优参数，在全部训练数据上重新训练后得到支持向量机的最终识别模型。测试时，模型的输入为来自未知样本的特征量，输出为识别的类别“真”或者“假”。
在得出分类结果后，可以将误检的QRS波群剔除，更换为正常的心电导联数据，对于正确的QRS波群，为了便于在不同导联的心电信号中统一同一心拍的QRS波群的位置，可以在分类结果表示任一心拍的QRS波群不是误检的QRS波群时，将所述任一心拍的QRS波群的位置数据的均值，更新为所述任一心拍的QRS波群在各导联的心电信号的位置数据。
然后输出各导联的心电信号，便于后续使用多导联心电信号进行心电分析或临床应用。
由上述实施例可知，本发明实施例的多导联心电信号的QRS波群校验方法，可以对各导联的心电信号预先被检测出的QRS波群进行校验，识别出误检的QRS波群和正确的QRS波群，在其他实施例中，本发明实施例也可以先检测出各导联的心电信号上的QRS波群后，再即时对检测出的QRS波群进行校验。
本发明实施例检测各导联的心电信号上的QRS波群时，可以采用Pan等提出的基于时域的方法进行检测，具体可以参阅图3，图3是本发明另一示例性实施例示出的多导联心电信号的QRS波群校验方法的流程图，该实施例可以应用于电子设备上，包括以下步骤S301-S308：
步骤S301、对每个导联的心电信号进行带通滤波。其中，带通滤波的频带范围可以为5Hz-15Hz。
步骤S302、计算带通滤波后的每个导联的心电信号的微分及所得微分的平方。某些例子中，设数据点分别为xi和xi+1，xi的微分为xi+1-xi；xi微分的平方为(xi+1-xi)*(xi+1-xi)。
步骤S303、采用预定长度的滑动窗口对平方后的每个导联的心电信号进行积分。其中，预定长度为0.15倍采样率。
步骤S304、根据各导联的心电信号的积分的局部极大值的幅度，检测各导联的心电信号的QRS波群。
步骤S305、获取各导联的心电信号被检出的QRS波群的位置数据。
步骤S306、基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群。
步骤S307、基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比。
步骤S308、至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
本发明实施例的步骤S305至步骤S308，与前述实施例相应，在此不再赘述。
与前述方法的实施例相对应，本发明还提供了装置的实施例。
参见图4，图4是本发明一示例性实施例示出的多导联心电信号的QRS波群校验装置的框图，该装置可以应用于电子设备，可以包括：位置数据获取模块410、QRS波群识别模块420、检出比计算模块430和QRS波群校验模块440。
其中，位置数据获取模块410，用于获取各导联的心电信号被检出的QRS波群的位置数据。
QRS波群识别模块420，用于基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群。
检出比计算模块430，用于基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比。
QRS波群校验模块440，用于至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
一例子中，QRS波群校验模块440还可以被配置为：
将每个心拍的QRS波群的检出比及以下至少一项，作为该心拍的特征量，输入训练好的分类模型进行分类：
各导联的心电信号在预定时段内的高频噪声能量占比的最大值；所述预定时段为该心拍之前零点一秒至该心拍之后零点一秒；
各导联的心电信号在所述预定时段内的信号幅度的最小值；
各导联的心电信号在所述预定时段内的信号幅度的方差。
作为例子，所述分类模型为支持向量机。
作为例子，所述支持向量机的核函数为径向基核函数。
作为例子，预训练所述分类模型时，采用交叉验证的方式训练所述分类模型。
另一例子中，QRS波群识别模块420还被配置为：
基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群。
作为例子，QRS波群识别模块420还被配置为：
将各导联的心电信号被检出的QRS波群，按照位置数据从小到大的顺序进行排序；
按照排序，顺次计算相邻的两个QRS波群的位置数据的差值；
如果计算所得的位置数据的差值在所述预定范围内，则将所述相邻的两个QRS波群划分为同一心拍的QRS波群；
如果计算所得的位置数据的差值不在所述预定范围内，则将所述相邻的两个QRS波群划分为不同心拍的QRS波群。
另一例子中，本发明的多导联心电信号的QRS波群校验装置还可以包括：
带通滤波模块，用于在位置数据获取模块410获取各导联的心电信号被检出的QRS波群的位置数据前，对每个导联的心电信号进行带通滤波；
信号微分模块，用于计算带通滤波后的每个导联的心电信号的微分及所得微分的平方；
信号积分模块，用于采用预定长度的滑动窗口对平方后的每个导联的心电信号进行积分；
波群检测模块，用于根据各导联的心电信号的积分的局部极大值的幅度，检测各导联的心电信号的QRS波群。
另一例子中，本发明的多导联心电信号的QRS波群校验装置还可以包括：
位置修正模块，用于在分类结果表示任一心拍的QRS波群不是误检的QRS波群时，将所述任一心拍的QRS波群的位置数据的均值，更新为所述任一心拍的QRS波群在各导联的心电信号的位置数据。
上述装置中各个单元(或模块)的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
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或模块可以是或者也可以不是物理上分开的，作为单元或模块显示的部件可以是或者也可以不是物理单元或模块，即可以位于一个地方，或者也可以分布到多个网络单元或模块上。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发明方案的目的。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。
本发明多导联心电信号的QRS波群校验装置的实施例可以应用在电子设备上。具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现中，电子设备为计算机，计算机的具体形式可以是心电监护仪，多参数体征监测仪、心电腕表等心电相关设备，也可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、平板计算机、智能交互设备、智能家居设备等，或者这些设备中的任意几种设备的组合。
装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器等可读存储介质中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明多导联心电信号的QRS波群校验装置所在终端设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的终端设备通常根据该终端设备的实际功能，还可以包括其他硬件，对此不再赘述。其中，内存和非易失性存储器是计算机可读的存储器，终端设备的存储器可以存储处理器可执行的程序指令；处理器可以耦合存储器，用于读取所述存储介质存储的程序指令，并作为响应，执行以上任一实施例中过滤电视内容的方法中的操作。
在其他实施例中，处理器所执行的操作可以参考以上所述多导联心电信号的QRS波群校验方法的实施例中相关的描述，在此不予赘述。
此外，本发明实施例还提供一种机器可读存储介质(电子设备的存储器)，所述可读存储介质中存储有程序指令，所述程序指令包括以上所述过滤电视内容的方法的各步骤对应的指令。当由一个或多个处理器执行时，使得电子设备执行以上所述多导联心电信号的QRS波群校验方法。
本发明实施例可采用在一个或多个其中包含有程序代码的可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。机器可读存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (14)
1.一种多导联心电信号的QRS波群校验方法，其特征在于，包括步骤：
获取各导联的心电信号被检出的QRS波群的位置数据；
基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群；
基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比；
至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，包括：
将每个心拍的QRS波群的检出比及以下至少一项，作为该心拍的特征量，输入训练好的分类模型进行分类：
各导联的心电信号在预定时段内的高频噪声能量占比的最大值；所述预定时段为该心拍之前零点一秒至该心拍之后零点一秒；
各导联的心电信号在所述预定时段内的信号幅度的最小值；
各导联的心电信号在所述预定时段内的信号幅度的方差。
3.根据权利要求1所述的方法，其特征在于，所述分类模型为支持向量机。
4.根据权利要求3所述的方法，其特征在于，所述支持向量机的核函数为径向基核函数。
5.根据权利要求3所述的方法，其特征在于，预训练所述分类模型时，采用交叉验证的方式训练所述分类模型。
6.根据权利要求1所述的方法，其特征在于，基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中属于同一心拍的QRS波群，包括：
基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群。
7.根据权利要求6所述的方法，其特征在于，基于所获取的位置数据，将各导联的心电信号中位置间隔在预定范围的相邻QRS波群，识别为同一心拍的QRS波群，包括：
将各导联的心电信号被检出的QRS波群，按照位置数据从小到大的顺序进行排序；
按照排序，顺次计算相邻的两个QRS波群的位置数据的差值；
如果计算所得的位置数据的差值在所述预定范围内，则将所述相邻的两个QRS波群划分为同一心拍的QRS波群；
如果计算所得的位置数据的差值不在所述预定范围内，则将所述相邻的两个QRS波群划分为不同心拍的QRS波群。
8.根据权利要求1所述的方法，其特征在于，获取各导联的心电信号被检出的QRS波群的位置数据前，所述方法还包括：
对每个导联的心电信号进行带通滤波；
计算带通滤波后的每个导联的心电信号的微分；
计算所得微分的平方；
采用预定长度的滑动窗口对平方后的心电信号进行积分；
根据各导联的心电信号的积分的局部极大值的幅度，检测各导联的心电信号的QRS波群。
9.根据权利要求1至8中任一项所述的方法，其特征在于，分类结果表示任一心拍的QRS波群不是误检的QRS波群时，所述方法还包括以下步骤：
将所述任一心拍的QRS波群的位置数据的均值，更新为所述任一心拍的QRS波群在各导联的心电信号的位置数据。
10.一种多导联心电信号的QRS波群校验装置，其特征在于，包括：
位置数据获取模块，用于获取各导联的心电信号被检出的QRS波群的位置数据；
QRS波群识别模块，用于基于所获取的位置数据，识别出各导联的心电信号被检出的QRS波群中，属于同一心拍的QRS波群；
检出比计算模块，用于基于每个心拍的QRS波群数与采集心电信号的导联数，计算出该心拍的QRS波群检出比；
QRS波群校验模块，用于至少将每个心拍的QRS波群检出比，作为该心拍的特征量，输入训练好的分类模型进行分类，得到表示该心拍的QRS波群是否为误检的QRS波群的分类结果。
11.一种电子设备，其特征在于，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如权利要求1-9中任一项所述方法中的操作。
12.根据权利要求11所述的设备，其特征在于，所述电子设备为心电监护仪或多参数体征监测仪。
13.根据权利要求12所述的设备，其特征在于，所述电子设备通过导联线连接放置在被检体不同部位的导联。
14.一个或多个机器可读存储介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如权利要求1-9中任一项所述方法中的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810587396.2A CN109009084B (zh) | 2018-06-08 | 2018-06-08 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810587396.2A CN109009084B (zh) | 2018-06-08 | 2018-06-08 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109009084A CN109009084A (zh) | 2018-12-18 |
| CN109009084B true CN109009084B (zh) | 2021-03-23 |
Family
ID=64612588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810587396.2A Active CN109009084B (zh) | 2018-06-08 | 2018-06-08 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109009084B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109875548B (zh) * | 2019-03-24 | 2022-04-19 | 浙江好络维医疗技术有限公司 | 一种基于多导联综合分析的心电图特征波形聚类方法 |
| CN109770861B (zh) * | 2019-03-29 | 2022-04-12 | 广州视源电子科技股份有限公司 | 心电节律模型的训练及检测方法、装置、设备和存储介质 |
| CN111345815B (zh) * | 2020-02-11 | 2023-05-02 | 广州视源电子科技股份有限公司 | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 |
| CN111345817B (zh) * | 2020-02-25 | 2023-04-07 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
| CN111513706B (zh) * | 2020-04-20 | 2022-09-27 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
| CN115474941B (zh) * | 2021-06-16 | 2024-09-06 | 广州视源电子科技股份有限公司 | 心拍基准点检测方法、装置、设备及存储介质 |
| CN114027853B (zh) * | 2021-12-16 | 2022-09-27 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020091330A1 (en) * | 2000-11-10 | 2002-07-11 | C.R. Bard, Inc. | Methods for processing electrocardiac signals having superimposed complexes |
| WO2007106829A2 (en) * | 2006-03-14 | 2007-09-20 | Cardionet, Inc. | Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal |
| CN102834050A (zh) * | 2011-07-25 | 2012-12-19 | 深圳市理邦精密仪器股份有限公司 | 儿童心电图自动检测分析方法及系统 |
| CN104783787A (zh) * | 2015-04-24 | 2015-07-22 | 太原理工大学 | 一种基于神经网络的j波检测方法 |
| CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
| CN105050493A (zh) * | 2013-12-20 | 2015-11-11 | 皇家飞利浦有限公司 | 用于确定ecg数据中的qrs复合波的出现的装置和方法 |
| CN105344007A (zh) * | 2015-09-02 | 2016-02-24 | 深圳市理邦精密仪器股份有限公司 | 心电起搏脉冲信号的检测装置及其心电图设备 |
| US20160228027A1 (en) * | 2009-11-03 | 2016-08-11 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
| US20160235319A1 (en) * | 2010-06-08 | 2016-08-18 | Alivecor, Inc. | Two electrode apparatus and methods for twelve lead ecg |
| US20160296131A1 (en) * | 2015-04-08 | 2016-10-13 | Cameron Health Inc. | Automated screening methods and apparatuses for implantable medical devices |
| CN106073766A (zh) * | 2016-05-30 | 2016-11-09 | 中国科学院上海微系统与信息技术研究所 | Qrs数据波识别方法、系统及具有该系统的服务器 |
| CN106667478A (zh) * | 2016-12-07 | 2017-05-17 | 成都亿咖极科技有限公司 | 一种多导联联合检测的智能胎儿心电检测方法及系统 |
| CN107007279A (zh) * | 2017-03-17 | 2017-08-04 | 浙江大学 | 一种基于堆栈式自编码器的无创心内异常激动点定位方法 |
| CN108056773A (zh) * | 2017-12-11 | 2018-05-22 | 重庆邮电大学 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
-
2018
- 2018-06-08 CN CN201810587396.2A patent/CN109009084B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020091330A1 (en) * | 2000-11-10 | 2002-07-11 | C.R. Bard, Inc. | Methods for processing electrocardiac signals having superimposed complexes |
| WO2007106829A2 (en) * | 2006-03-14 | 2007-09-20 | Cardionet, Inc. | Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal |
| US20160228027A1 (en) * | 2009-11-03 | 2016-08-11 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
| US20160235319A1 (en) * | 2010-06-08 | 2016-08-18 | Alivecor, Inc. | Two electrode apparatus and methods for twelve lead ecg |
| CN102834050A (zh) * | 2011-07-25 | 2012-12-19 | 深圳市理邦精密仪器股份有限公司 | 儿童心电图自动检测分析方法及系统 |
| CN105050493A (zh) * | 2013-12-20 | 2015-11-11 | 皇家飞利浦有限公司 | 用于确定ecg数据中的qrs复合波的出现的装置和方法 |
| US20160296131A1 (en) * | 2015-04-08 | 2016-10-13 | Cameron Health Inc. | Automated screening methods and apparatuses for implantable medical devices |
| CN104783787A (zh) * | 2015-04-24 | 2015-07-22 | 太原理工大学 | 一种基于神经网络的j波检测方法 |
| CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
| CN105344007A (zh) * | 2015-09-02 | 2016-02-24 | 深圳市理邦精密仪器股份有限公司 | 心电起搏脉冲信号的检测装置及其心电图设备 |
| CN106073766A (zh) * | 2016-05-30 | 2016-11-09 | 中国科学院上海微系统与信息技术研究所 | Qrs数据波识别方法、系统及具有该系统的服务器 |
| CN106667478A (zh) * | 2016-12-07 | 2017-05-17 | 成都亿咖极科技有限公司 | 一种多导联联合检测的智能胎儿心电检测方法及系统 |
| CN107007279A (zh) * | 2017-03-17 | 2017-08-04 | 浙江大学 | 一种基于堆栈式自编码器的无创心内异常激动点定位方法 |
| CN108056773A (zh) * | 2017-12-11 | 2018-05-22 | 重庆邮电大学 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
Non-Patent Citations (4)
| Title |
|---|
| COMPARATIVE STUDY OF QRS DETECTION IN SINGLE LEAD AND 12-LEAD ECG BASED ON ENTROPY AND COMBINED ENTROPY CRITERIA USING SUPPORT VECTOR MACHINE;S. S. Mehta等;《Journal of Theoretical and Applied Information Technology》;20071231;第8-18页 * |
| Myocardial ischemia analysis based on electrocardiogram QRS complex;Jinzhong Song等;《Australas Phys Eng Sci Med》;20111231;第515-521页 * |
| 一种新的QRS检测技术;罗小松 等;《中国医疗器械杂志》;19931231;第17卷(第1期);第1-7页 * |
| 小波变换用于心电信号消噪及QRS波检测的研究进展;范宝林 等;《北京生物医学工程》;20050430;第24卷(第2期);第147-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109009084A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
| CN110393519B (zh) | 心电信号的分析方法、装置、存储介质和处理器 | |
| US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Ye et al. | Heartbeat classification using morphological and dynamic features of ECG signals | |
| Citi et al. | A real-time automated point-process method for the detection and correction of erroneous and ectopic heartbeats | |
| KR102141617B1 (ko) | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
| CN107530019B (zh) | 针对不同ecg导联系统的ecg电缆互换的自动检测/分类 | |
| CN113712569B (zh) | 高频qrs波群数据分析方法及装置 | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| CN108968941B (zh) | 一种心律失常检测方法、装置及终端 | |
| CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
| US11589828B2 (en) | System and methods for electrocardiogram beat similarity analysis using deep neural networks | |
| RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
| EP3003140A1 (en) | Electrocardiogram analysis | |
| van de Leur et al. | Big data and artificial intelligence: opportunities and threats in electrophysiology | |
| WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| JP2020528295A (ja) | 不整脈に関係する心拍を分類するためのシステム及び方法 | |
| Deng et al. | ST-Net: Synthetic ECG tracings for diagnosing various cardiovascular diseases | |
| KR101977745B1 (ko) | 심장 부정맥을 분류하기 위한 방법 및 장치 | |
| Liu et al. | FGSQA-Net: A weakly supervised approach to fine-grained electrocardiogram signal quality assessment | |
| CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
| ES2924025T3 (es) | Análisis de electrocardiograma | |
| CN113171102A (zh) | 基于持续深度学习的ecg数据分类方法 | |
| Krasteva et al. | Delineation of 12-Lead ECG Representative Beats Using Convolutional Encoder–Decoders with Residual and Recurrent Connections |
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 |