CN109044347B - 识别心电波图像交界性逸搏方法、装置、系统和电子设备 - Google Patents
识别心电波图像交界性逸搏方法、装置、系统和电子设备 Download PDFInfo
- Publication number
- CN109044347B CN109044347B CN201810759599.5A CN201810759599A CN109044347B CN 109044347 B CN109044347 B CN 109044347B CN 201810759599 A CN201810759599 A CN 201810759599A CN 109044347 B CN109044347 B CN 109044347B
- Authority
- CN
- China
- Prior art keywords
- escape
- identifying
- image
- wave
- electrocardiowave
- 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 54
- 230000000747 cardiac effect Effects 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000000718 qrs complex Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000001615 p wave Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012843 least square support vector machine Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000028161 membrane depolarization Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 230000009979 protective mechanism Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000002759 z-score normalization 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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交界性逸搏的方法、装置、系统和电子设备，涉及便携式医疗设备技术领域。其中，方法包括以下步骤：获取预定时间长度的心电波图像；识别心电波图像中的特征点和特征波；基于特征点和特征波对所述心电波图像进行交界性逸搏的识别。本发明提出的识别心电波图像交界性逸搏方法、装置和系统，提出了新的识别算法，仅需要采集数十秒的心电信号便可以实现对心电波图像的实时识别，识别快、准确率较高，可以用于家用的便携式医疗诊断设备。
Description
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图的方法、装置、系统和电子设备。
背景技术
心电图被用来记录心脏电位的变化，是最重要的诊断心脏疾病的工具之一。近年来，由于计算机辅助诊断可以发现心电图肉眼无法观测到的信息，而且较人工诊断更加稳定，越来越受到人们的重视，逐渐开始被应用。
交界性逸搏是最常见的逸搏，是心律失常的一种。当窦房结发出的激动过于缓慢时，或是窦性激动由于种种原因，过迟的下传至交界区时，交界区便发出逸搏。交界性逸搏本身是一种保护机制，并非病理现象。然而，交界性逸搏常出现干扰以及干扰性房室脱节，与房室传导阻滞较难辨别。准确的识别交界性逸搏可鉴别病理和生理性心律，也有助于发现原发病。另外，交界性逸搏有时也需要起搏治疗。
发明人在实施本发明的过程中，发现现有技术具有以下缺陷：
一、现有的对心电图的识别方法依据的心电信号数据量大，需要采集较长时间的心电信号以得到上百个波形，进而根据对上百个波形的识别得出识别结果。因此，需要先采集数据之后再进行识别，采集过程和得出识别结果的过程较长，不能够实现实时识别。
二、现有技术中并没有关于对交界性逸搏的自动识别方法。
发明内容
(一)发明目的
本发明的目的是提供一种实时的、识别准确率高的识别心电波图像交界性逸搏方法、装置、系统和电子设备。
(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交界性逸搏的方法，包括：获取预定时间长度的心电波图像；识别所述心电波图像中的特征点和特征波；基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述预定时间长度的取值范围为：至少20秒；所述特征点至少包括：P点、Q点、R点和S点；所述特征波至少包括：P波和QRS波群；其中，所述QRS波群包括Q波、R波和S波。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述识别所述心电波图像中的特征点和特征波，包括：基于B-样条双正交小波和一阶差分对所述心电波图像进行识别，得到特征点的位置数据；基于得到的特征点的位置数据得到特征波。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别，包括：对所述心电波图像进行分段，得到多个心拍；基于预设的规则模型和机器学习模型对每个所述心拍进行识别，得到与每个所述心拍对应的识别结果；基于所有心拍的识别结果，得到交界性逸搏次数和其他逸搏次数；若所述心电波图像的心率小于预定频率且所述其他逸搏次数小于预定次数，则基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述基于预设的规则模型和机器学习模型对每个所述心拍进行识别得到与每个所述心拍对应的识别结果，包括：基于规则模型对首个心拍进行识别，得到基于规则模型的识别结果；基于机器学习模型对首个心拍进行识别，得到基于机器学习模型的识别结果；若基于所述规则模型和机器学习模型的识别结果均为交界性逸搏，则得出所述首个心拍的识别结果为交界性逸搏；依次基于所述规则模型和所述机器学习模型对下一个心拍进行识别，如此循环，直到得到最后一个心拍的识别结果。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度，包括：基于交界性逸搏次数和心拍总数得到交界性逸搏所占比；确定与所述交界性逸搏所占比相对应的数值范围；确定与所述数值范围相对应的疑似度系数；将所述疑似度系数输入式(1)，得到所述心电波图像的交界性逸搏疑似度；
S＝100e(-d) 式(1)
其中，S代表交界性逸搏疑似度；d代表疑似度系数；e代表自然常数。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，根据预设的规则模型对一个心拍进行识别得到识别结果，包括：基于当前心拍的特征点和特征波，计算RR间期、QRS时间、P波高度、R波高度和PR波高度比；判断所述RR间期是否异常；若RR间期异常，且RR间期大于1.2秒、QRS时间小于0.12秒、PR波高度比不大于0.12，则得出当前心拍的识别结果为交界性逸搏；若RR间期异常，且RR间期大于1.2秒、QRS时间小于0.12秒、PR波高度比大于0.12，则得出当前心拍的识别结果为其他逸搏。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，所述判断所述RR间期是否异常，包括：基于所有心拍的RR间期进行平均计算，得到RR间期均值；若当前心拍的RR间期大于0.5倍所述RR间期均值且小于1.6倍所述RR间期均值，则判定当前心拍异常；否则，判定当前心拍正常。
进一步，所述的识别心电波图像交界性逸搏的方法，其中，根据机器学习模型对一个心拍进行识别得到识别结果，包括：对心拍进行特征提取，得到特征参数，其中，特征参数包括：RR间期、均方根、偏度、峰度和小波系数；对每个特征参数进行标准化处理；对标准化处理后的多个特征参数进行降维处理；基于最小二乘支持向量机对将降维处理后的特征参数进行计算，得到识别结果。
根据本发明的另一方面，提供了一种识别心电波图像交界性逸搏的装置，包括：心电波图像获取模块，用于获取预定时间长度的心电波图像；特征点识别模块，用于识别所述心电波图像中的特征点和特征波；交界性逸搏识别模块，基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，所述预定时间长度的取值范围为：至少20秒；所述特征点至少包括：P点、Q点、R点和S点；所述特征波至少包括：P波和QRS波群；其中，所述QRS波群包括Q波、R波和S波。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，特征点识别模块，包括：特征点识别单元和特征波识别单元；特征点识别单元，用于基于B-样条双正交小波和一阶差分对所述心电波图像进行识别，得到特征点的位置数据；特征波识别单元，用于基于得到的特征点的位置数据得到特征波。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，所述交界性逸搏识别模块，包括：心拍划分单元、心拍识别单元、逸搏统计单元和交界性逸搏疑似度生成单元。其中，心拍划分单元，用于对所述心电波图像进行分段，得到多个心拍；心拍识别单元，用于基于预设的规则模型和机器学习模型对每个所述心拍进行识别，得到与每个所述心拍对应的识别结果；逸搏统计单元，基于所有心拍的识别结果，得到交界性逸搏次数和其他逸搏次数；交界性逸搏疑似度生成单元，若所述心电波图像的心率小于预定频率且所述其他逸搏次数小于预定次数，则基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，所述心拍识别单元，包括：第一识别单元、第二识别单元、交界性逸搏识别单元、其他逸搏识别单元和循环单元；第一识别单元，用于基于规则模型对首个心拍进行识别，得到基于规则模型的识别结果；第二识别单元，用于基于机器学习模型对首个心拍进行识别，得到基于机器学习模型的识别结果；交界性逸搏识别单元，用于在所述规则模型和机器学习模型的识别结果均为交界性逸搏时，得出所述首个心拍的识别结果为交界性逸搏；其他逸搏识别单元，用于在只有所述规则模型的识别结果为交界性逸搏时，得出所述首个心拍的识别结果为其他逸搏；循环单元，用于依次基于所述规则模型和所述机器学习模型对下一个心拍进行识别，如此循环，直到得到最后一个心拍的识别结果。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，所述交界性逸搏疑似度生成单元，包括：交界性逸搏所占比确定单元、数值范围确定单元、疑似度系数确定单元和交界性逸搏疑似度确定单元；其中，交界性逸搏所占比确定单元，基于交界性逸搏次数和心拍总数得到交界性逸搏所占比；数值范围确定单元，确定与所述交界性逸搏所占比相对应的数值范围；疑似度系数确定单元，确定与所述数值范围相对应的疑似度系数；交界性逸搏疑似度确定单元，将所述疑似度系数输入式(1)，得到所述心电波图像的交界性逸搏疑似度；
S＝100e(-d) 式(1)
其中，S代表交界性逸搏疑似度；d代表疑似度系数；e代表自然常数。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，第一识别单元，包括：参数计算单元、RR间期异常判断单元、交界性逸搏确定单元和其他逸搏确定单元；其中，参数计算单元，基于当前心拍的特征点和特征波，计算RR间期、QRS时间、P波高度、R波高度和PR波高度比；RR间期异常判断单元，用于判断所述RR间期是否异常；交界性逸搏确定单元，用于当RR间期异常，且RR间期大于1.2秒、QRS时间小于0.12秒、PR波高度比不大于0.12时，得出当前心拍的识别结果为交界性逸搏；其他逸搏确定单元，用于当RR间期异常，且RR间期大于1.2秒、QRS时间小于0.12秒、PR波高度比大于0.12时，得出当前心拍的识别结果为其他逸搏。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，所述RR间期异常判断单元，包括：均值计算单元和异常确定单元；均值计算单元用于基于所有心拍的RR间期进行平均计算，得到RR间期均值；异常确定单元，用于在当前心拍的RR间期大于0.5倍所述RR间期均值且小于1.6倍所述RR间期均值时，判定当前心拍异常；否则，判定当前心拍正常。
进一步，所述的识别心电波图像交界性逸搏的装置，其中，第二识别单元，包括：特征参数提取单元，用于对心拍进行特征提取得到特征参数，其中，特征参数包括：RR间期、均方根、偏度、峰度和小波系数；标准化处理单元，用于对每个特征参数进行标准化处理；降维单元，用于对标准化处理后的多个特征参数进行降维处理；支持向量机单元，用于基于最小二乘支持向量机对将降维处理后的特征参数进行计算，得到识别结果。
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。
根据本发明的又一方面，提供了一种识别心电波图像交界性逸搏的系统，包括：心电信号采集器，用于采集预定时间的心电信号；用户终端，与所述心电信号采集器通信连接，用于接收所述心电信号，并对接收的所述心电信号进行滤波处理，得到心电波图像；服务器，与所述用户终端通信连接以接收所述心电波图像；所述服务器包括存储器、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：本发明提出的识别心电波图像交界性逸搏方法、装置和系统，提出了新的识别算法，仅需要采集数十秒的心电信号便可以实现对心电波图像的实时识别，识别快、准确率较高，可以用于家用的便携式医疗诊断设备。
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交界性逸搏方法的第一实施例步骤流程图；
图3是本实施例的对心电波图像进行分段的示意图；
图4是一个具体实施例中步骤S32基于预设的规则模型和机器学习模型对每个心拍进行识别的过程示意图；
图5是一个具体实施例中基于交界性逸搏次数N1和其他逸搏次数N2得到心电波图像的交界性逸搏疑似度S的过程示意图；
图6是一个具体实施例中根据规则模型对一个心拍进行识别的过程示意图；
图7是本发明提供的识别心电波图像交界性逸搏的装置的第一实施例模块关系示意图；
图8是本发明提供的识别心电波图像交界性逸搏的系统的示意图；
图9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。
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交界性逸搏方法的第一实施例步骤流程图。
如图2所示，在本实施例中，识别心电波图像交界性逸搏的方法包括以下步骤S1-S3：
S1，获取预定时间长度的心电波图像。
其中，预定时间长度的取值范围为：至少20秒。
在此步骤之前还包括：获取预定时间长度的心电信号；对获取的心电信号进行滤波处理，得到预定时间长度的心电波图像。在一个具体实施例中，采用小波阈值方法进行滤波以消除噪音。具体地，使用db6小波，将对获取的心电信号分解为8层。对分解得到的小波系数，通过软阈值法处理，得到新小波系数。再由新的小波系数进行信号重构，得到滤波后的心电信号。
S2，识别心电波图像中的特征点和特征波。
具体地，识别心电波图像中特征点的位置数据。其中，特征点至少包括：P点、Q点、R点和S点。特征波至少包括：P波和QRS波群。其中，QRS波群包括Q波、R波和S波。进一步的，特征波还包括：T波和U波。
S3，基于特征点和特征波对心电波图像进行交界性逸搏的识别。
其中，对心电波图像进行交界性逸搏的识别包括：判断心电波图像是否发生交界性逸搏，以及得到疑似发生交界性逸搏的疑似度。
在第二实施例中，第一实施例中的步骤S2包括以下步骤S21-S22：
S21，基于B-样条双正交小波和一阶差分对心电波图像进行识别，得到特征点的位置数据。
具体地，基于B-样条双正交小波对心电波图像进行识别，得到Q点、R点和S点的位置数据；基于一阶差分对心电波图像进行识别，得到P点的位置数据。
S22，基于得到的特征点的位置数据得到特征波。
在第三实施例中，第一实施例中的步骤S3包括以下步骤S31-S36：
S31，对心电波图像进行分段，得到多个心拍。
图3是本实施例的对心电波图像进行分段的示意图。如图3所示，在本步骤的一个具体实施例中，基于预设的分段规则所述心电波图像进行分段。其中，预设的分段规则为：将R波波峰前0.3s的位置作为起始点，R波波峰后0.3s的位置作为结束点，起始点和结束点之间的心电波图像为一个心拍。
S32，基于预设的规则模型和机器学习模型对每个心拍进行识别，得到与每个心拍对应的识别结果。
S33，基于所有心拍的识别结果，得到交界性逸搏次数和其他逸搏次数。
统计识别结果为交界性逸搏的心拍数量，得到交界性逸搏次数N1；统计识别结果为其他逸搏的心拍数量，得到其他逸搏次数N2。
S34，判断心电波图像的心率是否小于预定频率。
其中，预定频率取值为：每分钟55次。
S35，判断其他逸搏次数是否小于预定次数。
其中，预定次数的取值为4次。
S36，若步骤S34和步骤S35的判断结果均为是，则基于交界性逸搏次数N1和其他逸搏次数N2进行疑似度计算，得到心电波图像的交界性逸搏疑似度S。
在第四实施例中，第三实施例中的步骤S32包括步骤S321-S327：
S321，基于规则模型对首个心拍进行识别得到基于规则模型的识别结果。
S322，判断规则模型的识别结果是否为交界性逸搏。
S323，基于机器学习模型对首个心拍进行识别，得到基于机器学习模型的识别结果。
S324，判断机器学习模型的识别结果是否为交界性逸搏。
S325，若基于规则模型和机器学习模型的识别结果均为交界性逸搏，则得出首个心拍的识别结果为交界性逸搏。
S326，依次基于规则模型和机器学习模型对下一个心拍进行识别，如此循环，直到得到最后一个心拍的识别结果。
图4是一个具体实施例中步骤S32基于预设的规则模型和机器学习模型对每个心拍进行识别的过程示意图，以下以图4为例详细介绍以上该步骤。
如图4所示，根据输入的标记好特征点和心拍的心电图，先计算各个心拍的RR间期平均值，然后初始化交界性逸搏次数N1＝0，其他逸搏次数N2＝0。
对首个心拍进行识别：将首个心拍输入规则模型进行识别，之后判断识别结果是否为1(即判断识别结果是否为交界性逸搏)；若识别结果为1，则将其输入机器学习模型；若识别结果不为1，则判断识别结果是否为2(即判断识别结果是否为其他逸搏)，若识别结果为2，则令其他逸搏次数N2增加1，若识别结果不为2，则交界性逸搏次数N1和其他逸搏次数N2均不变。
输入机器学习模型的心拍经过识别后得到识别结果。判断识别结果是否为1(即判断识别结果是否为交界性逸搏)，若识别结果为1，则令交界性逸搏次数N1增加1；否则，交界性逸搏次数N1不变。
至此，完成对首个心拍的识别。之后，判断所有心拍是否已经被识别，若否，则对下一个心拍继续进行上述识别。直到所有心拍被识别完毕后，基于交界性逸搏个数N1和其他逸搏个数N2进行疑似度计算，得到心电波图像的交界性逸搏疑似度S。在第五实施例中，第三实施例中的步骤S36包括步骤S361-S367：
S361，基于交界性逸搏次数和心拍总数得到交界性逸搏所占比r。
S362，确定与交界性逸搏所占比r相对应的数值范围。
S363，确定与数值范围相对应的疑似度系数。
S364，将疑似度系数输入疑似度模型，得到心电波图像的交界性逸搏疑似度。
在一具体实施例中，疑似度模型为式(1)：S＝100e(-d)。式(1)中，S代表交界性逸搏疑似度。d代表疑似度系数。e代表自然常数。
图5是一个具体实施例中基于交界性逸搏次数N1和其他逸搏次数N2得到心电波图像的交界性逸搏疑似度S的过程示意图，以下以图5为例详细介绍以上步骤。
为确定输入波形的心律是否满足逸搏心律的标准，将心律与每分钟55次进行对比，若心律小于每分钟55次，则直接判断其他逸搏次数N2；否则直接令交界性逸搏疑似度S为0，输出。
为确定其他逸搏次数N2是否过多，对N2进行判断：若N2＜4，则执行下一步；否则，直接令交界性逸搏疑似度S为0，输出。
根据交界性逸搏次数N1和心拍总数得到交界性逸搏所占比r，初始化疑似度系数d＝0。为确定交界性逸搏的疑似程度，根据判断r落入哪个数值范围之内确定疑似度系数d的值，具体地：
若r≤0.2，则令疑似度系数d＝5；
若0.2＜r≤0.6，则基于式(2)计算疑似度系数：其中，式(2)为：d＝-1.5305×r+1.5101；
若0.6＜r≤1，则基于式(3)计算疑似度系数；其中，式(3)为：d＝-0.92175×r+1.14485。
在得到疑似度系数d之后，基于式(1)得到交界性逸搏疑似度S。
在第六实施例中，第四实施例中的步骤S321根据规则模型对一个心拍进行识别包括步骤S3211-S3214：
S3211，基于当前心拍的特征点和特征波，计算RR间期、QRS时间、P波高度、R波高度和PR波高度比。
S3212，判断RR间期是否异常。
判断RR间期是否异常，包括：基于所有心拍的RR间期进行平均计算，得到RR间期均值。若当前心拍的RR间期大于RR间期均值的第一预设倍数且小于RR间期均值的第二预设倍数，则判定当前心拍异常。否则，判定当前心拍正常。其中，第一预设倍数的取值为0.5，第二预设倍数的取值为1.6。
S3213，若RR间期异常，且RR间期大于第一预设时间、QRS时间小于第二预设时间、PR波高度比不大于预设比值，则得出当前心拍的识别结果为交界性逸搏。
S3214，若RR间期异常，且RR间期大于1.2秒、QRS时间小于0.12秒、PR波高度比大于0.12，则得出当前心拍的识别结果为其他逸搏。
上述步骤S3213和S3214中，第一预设时间取值为1.2秒，第二预设时间的取值为0.12秒，预设比值的取值为0.12。
图6是一个具体实施例中根据规则模型对一个心拍进行识别的过程示意图，以下以图6为例详细介绍以上步骤。
为确定输入心拍的RR间期是否异常，将输入心拍的RR间期与所有心拍RR间期的均值进行对比。如果RR间期大于0.5倍RR间期均值且小于1.6倍RR间期均值，则进行下一步，计算P波R波高度比；否则，则识别结果W＝0，并输出识别结果。
将RR间期与1.2s进行对比，如果RR间期大于1.2s，则进行下一步判断；否则，则识别结果W＝0，并输出识别结果。
将QRS时间与0.12s进行对比，如果QRS小于0.12s，则进行下一步判断；否则，则识别结果W＝2，并输出识别结果。
为确定输入心拍是否有P波，将检测出的P点高度与R波峰值高度进行对比。如果P波R波高度比小于0.12，则认为没有P波，即初步诊断认为符合交界性逸搏，令识别结果W＝1，并输出识别结果。否则令识别结果W＝2，并输出识别结果。
在第八实施例中，第四实施例中的步骤S323基于机器学习模型对首个心拍进行识别，包括以下步骤S3231-S3234：
S3231，对心拍进行特征提取，得到特征参数；
其中，特征参数包括：RR间期、均方根、偏度、峰度和小波系数。
其中，小波系数特征的提取方法为：使用db4小波对输入心拍分解至4层，得到a4、d4、d3、d2、d1几个频段，取频段a4的小波系数作为所述小波系数特征。
S3232，对每个特征参数进行标准化处理。
对每个特征参数，将它的所有值映射到一个小的范围里。这里采用z-score标准化：y＝(x-X的平均值)/X的标准差。
S3233，对标准化处理后的多个特征参数进行降维处理。
具体地，采用主成分分析法进行降维，所述主成分分析，保留其权重超过98％的前几个主成分完成降维。
S3234，基于最小二乘支持向量机对将降维处理后的特征参数进行计算，得到识别结果。
具体地，包括训练阶段和识别阶段：
训练阶段：使用医生标记好的数据(这些数据被标记为交界性逸搏或非交界性逸搏)来训练支持向量机。根据这些数据，支持向量机会学习到参数，即能划分数据的超平面。
识别阶段，将待诊断波形的特征输入支持向量机，支持向量机会根据上述学习得到的超平面将这个波形分为交界性逸搏或非交界性逸搏。即得到结果。
图7是本发明提供的识别心电波图像交界性逸搏的装置的第一实施例模块关系示意图。
如图7所示，在本实施例中，识别心电波图像交界性逸搏的装置包括心电波图像获取模块、特征点识别模块和交界性逸搏识别模块。
心电波图像获取模块，用于获取预定时间长度的心电波图像；
特征点识别模块，用于识别所述心电波图像中的特征点和特征波。
其中，预定时间长度的取值范围为：至少20秒；所述特征点至少包括：P点、Q点、R点和S点；所述特征波至少包括：P波和QRS波群；其中，所述QRS波群包括Q波、R波和S波。
交界性逸搏识别模块，用于基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别。
图8是本发明提供的识别心电波图像交界性逸搏的系统的示意图。
如图8所示，识别心电波图像交界性逸搏的系统，包括：心电信号采集器、用户终端和服务器。
其中，心电信号采集器，用于采集预定时间的心电信号。
用户终端，与所述心电信号采集器通信连接，用于接收所述心电信号，并对接收的所述心电信号进行滤波处理，得到心电波图像；
服务器，与所述用户终端通信连接以接收所述心电波图像；所述服务器包括存储器、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识别心电波图像交界性逸搏的方法的步骤。
图9是本发明提供的电子设备的硬件结构示意图。
如图9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9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9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9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交界性逸搏的装置对应的程序模块(例如，附图7所示的心电波图像获取模块、特征点识别模块、交界性逸搏识别模块)。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交界性逸搏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交界性逸搏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。
电子设备可以服务器、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 (11)
1.一种识别心电波图像交界性逸搏的方法，其特征在于，包括：
获取预定时间长度的心电波图像；
识别所述心电波图像中的特征点和特征波；
基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别;
所述基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别，包括：
对所述心电波图像进行分段，得到多个心拍；
基于预设的规则模型和机器学习模型对每个所述心拍进行识别，得到与每个所述心拍对应的识别结果；
基于所有心拍的识别结果，得到交界性逸搏次数和其他逸搏次数；
若所述心电波图像的心率小于预定频率且所述其他逸搏次数小于预定次数，则基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度;
所述基于所述交界性逸搏次数和其他逸搏次数进行疑似度计算，得到所述心电波图像的交界性逸搏疑似度，包括：
基于交界性逸搏次数和心拍总数得到交界性逸搏所占比；
确定与所述交界性逸搏所占比相对应的数值范围；
确定与所述数值范围相对应的疑似度系数；
将所述疑似度系数输入疑似度模型，得到所述心电波图像的交界性逸搏疑似度。
2.根据权利要求1所述的方法，其特征在于，
所述特征点至少包括：P点、Q点、R点和S点；
所述特征波至少包括：P波和QRS波群；其中，所述QRS波群包括Q波、R波和S波。
3.根据权利要求1所述的方法，其特征在于，所述识别所述心电波图像中的特征点和特征波，包括：
基于B-样条双正交小波和一阶差分对所述心电波图像进行识别，得到特征点的位置数据；
基于得到的特征点的位置数据得到特征波。
4.根据权利要求1所述的方法，其特征在于，所述基于预设的规则模型和机器学习模型对每个所述心拍进行识别得到与每个所述心拍对应的识别结果，包括：
基于规则模型对首个心拍进行识别，得到基于规则模型的识别结果；
基于机器学习模型对首个心拍进行识别，得到基于机器学习模型的识别结果；
若基于所述规则模型和机器学习模型的识别结果均为交界性逸搏，则得出所述首个心拍的识别结果为交界性逸搏；
依次基于所述规则模型和所述机器学习模型对下一个心拍进行识别，如此循环，直到得到最后一个心拍的识别结果。
5.根据权利要求1所述的方法，其特征在于，根据预设的规则模型对一个心拍进行识别得到识别结果，包括：
基于当前心拍的特征点和特征波，计算RR间期、QRS时间、P波高度、R波高度和PR波高度比；
判断所述RR间期是否异常；
若RR间期异常，且RR间期大于第一预设时间、QRS时间小于第二预设时间、PR波高度比不大于预设比值，则得出当前心拍的识别结果为交界性逸搏；
若RR间期异常，且RR间期大于第一预设时间、QRS时间小于第二预设时间、PR波高度比大于预设比值，则得出当前心拍的识别结果为其他逸搏。
6.根据权利要求5所述的方法，其特征在于，所述判断所述RR间期是否异常，包括：
基于所有心拍的RR间期进行平均计算，得到RR间期均值；
若当前心拍的RR间期大于所述RR间期均值的第一预设倍数且小于所述RR间期均值的第二预设倍数，则判定当前心拍异常；否则，判定当前心拍正常。
7.根据权利要求1所述的方法，其特征在于，根据机器学习模型对一个心拍进行识别得到识别结果，包括：
对心拍进行特征提取，得到特征参数，其中，特征参数包括：RR间期、均方根、偏度、峰度和小波系数;
对每个特征参数进行标准化处理；
对标准化处理后的多个特征参数进行降维处理；
基于最小二乘支持向量机对将降维处理后的特征参数进行计算，得到识别结果。
8.一种识别心电波图像交界性逸搏的装置，其特征在于，包括：采用如权利要求1-7任一项所述的方法识别心电波图像交界性逸搏；
还包括：
心电波图像获取模块，用于获取预定时间长度的心电波图像；
特征点识别模块，用于识别所述心电波图像中的特征点和特征波；
交界性逸搏识别模块，基于所述特征点和特征波对所述心电波图像进行交界性逸搏的识别。
9.一种电子设备，其特征在于，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权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，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权利要求1至7任一项所述方法的步骤。
11.一种识别心电波图像交界性逸搏的系统，其特征在于，包括：
心电信号采集器，用于采集预定时间的心电信号；
用户终端，与所述心电信号采集器通信连接，用于接收所述心电信号，并对接收的所述心电信号进行滤波处理，得到心电波图像；
服务器，与所述用户终端通信连接以接收所述心电波图像；所述服务器包括存储器、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权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810759599.5A CN109044347B (zh) | 2018-07-11 | 2018-07-11 | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810759599.5A CN109044347B (zh) | 2018-07-11 | 2018-07-11 | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109044347A CN109044347A (zh) | 2018-12-21 |
| CN109044347B true CN109044347B (zh) | 2021-08-27 |
Family
ID=64815976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810759599.5A Active CN109044347B (zh) | 2018-07-11 | 2018-07-11 | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109044347B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620207A (zh) * | 2018-12-26 | 2019-04-16 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的室性早搏心跳识别方法及装置 |
| CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
| CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
| CN115089192B (zh) * | 2022-05-27 | 2024-09-17 | 深圳邦健生物医疗设备股份有限公司 | 窦性与交界性异位心搏聚类方法、装置、设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
| CN103705234A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 动态心电信号数据中的检波方法和装置 |
| CN105997055A (zh) * | 2016-07-11 | 2016-10-12 | 吉林大学 | 一种心电信号st段的自动分类方法、系统及装置 |
| CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
| CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7751873B2 (en) * | 2006-11-08 | 2010-07-06 | Biotronik Crm Patent Ag | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
| CN103345600B (zh) * | 2013-06-24 | 2017-06-13 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
| US9586051B2 (en) * | 2015-04-23 | 2017-03-07 | Medtronic, Inc. | Method and apparatus for detection of intrinsic depolarization following high energy cardiac electrical stimulation |
| CN106725420A (zh) * | 2015-11-18 | 2017-05-31 | 中国科学院苏州纳米技术与纳米仿生研究所 | 室性早搏识别方法及室性早搏识别系统 |
| CN107714023B (zh) * | 2017-11-27 | 2020-09-01 | 上海优加利健康管理有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
-
2018
- 2018-07-11 CN CN201810759599.5A patent/CN109044347B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
| CN103705234A (zh) * | 2013-12-05 | 2014-04-09 | 深圳先进技术研究院 | 动态心电信号数据中的检波方法和装置 |
| CN105997055A (zh) * | 2016-07-11 | 2016-10-12 | 吉林大学 | 一种心电信号st段的自动分类方法、系统及装置 |
| CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
| CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109044347A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| CN104523266B (zh) | 一种心电信号自动分类方法 | |
| CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
| WO2021037102A1 (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
| CN109700450B (zh) | 一种心率检测方法及电子设备 | |
| 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 | |
| EP4042445A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN106214145A (zh) | 一种基于深度学习算法的心电图分类方法 | |
| CN106108880B (zh) | 一种心拍自动识别方法及系统 | |
| CN110720894B (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
| Xiang et al. | ECG-based heartbeat classification using two-level convolutional neural network and RR interval difference | |
| CN113080990A (zh) | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 | |
| US9549681B2 (en) | Matrix-based patient signal analysis | |
| CN107958214A (zh) | Ecg信号的并行分析装置、方法和移动终端 | |
| CN113499079A (zh) | 一种心电图中的房颤检测方法 | |
| Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
| US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN108937920B (zh) | 一种心室纤颤信号检测方法、系统及心室纤颤检测装置 | |
| CN109009071A (zh) | 一种识别心电波图像特征点的方法和装置 | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| Hegde et al. | A review on ECG signal processing and HRV analysis | |
| CN116468723A (zh) | 心脏再同步评估方法、装置、设备及介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240514 Address after: 200120 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: Shanghai Hart Zhikang Medical Technology Co.,Ltd. Country or region after: China Address before: 201499 room 1331, No.13, Lane 65, Huandong 1st Road, Fengjing town, Jinshan District, Shanghai Patentee before: SHANGHAI XIAXIAN ELECTROMECHANICAL SCIENCE AND TECHNOLOGY DEVELOPMENT CO.,LTD. Country or region before: China |