CN109044348A - 房颤检测装置及存储介质 - Google Patents
房颤检测装置及存储介质 Download PDFInfo
- Publication number
- CN109044348A CN109044348A CN201810898494.8A CN201810898494A CN109044348A CN 109044348 A CN109044348 A CN 109044348A CN 201810898494 A CN201810898494 A CN 201810898494A CN 109044348 A CN109044348 A CN 109044348A
- Authority
- CN
- China
- Prior art keywords
- wave
- determining
- interval
- entropy
- module
- 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
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 239000006185 dispersion Substances 0.000 claims abstract description 65
- 238000013145 classification model Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000001746 atrial effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 210000005246 left atrium Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000005245 right atrium Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 241001497337 Euscorpius gamma Species 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- A61B5/361—Detecting fibrillation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供一种房颤检测装置及存储介质，该房颤检测装置包括：提取模块，用于提取心电信号中的P波波形信息和QRS波波形信息；第一确定模块，与提取模块连接，用于根据P波波形信息确定P波离散度，P波离散度用于表示P波波形的分布离散程度；第二确定模块，与提取模块连接，用于根据QRS波波形信息确定RR间期变化特征；计算模块，与第二确定模块连接，用于采用熵估计法计算RR间期变化特征的样本熵；第三确定模块，与第一确定模块和计算模块连接，用于根据P波离散度、样本熵及预设分类模型，确定心电信号是否为房颤。本发明实施例可提高房颤检测的鲁棒性。
Description
技术领域
本发明实施例涉及信号处理技术，尤其涉及一种房颤检测装置及存储介质。
背景技术
心房颤动(Atrial fibrillation，简称：AF)简称房颤，是临床较为常见的一种心律失常疾病，其特点是紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，导致较高的致残率和死亡率，严重危害着人类的健康和生命。为了及早发现并进行治疗，减少房颤的发病率和死亡率，研究房颤检测具有重要的临床意义和社会意义。
但现有房颤检测的研究多集中研究房颤发作的某一个临床表现，其鲁棒性较差，很难满足临床需求。
发明内容
本发明实施例提供一种房颤检测装置及存储介质，以提高房颤检测的鲁棒性，满足临床需求。
第一方面，本发明实施例提供一种房颤检测装置，包括：
提取模块，用于提取心电信号中的P波波形信息和QRS波波形信息；
第一确定模块，与所述提取模块连接，用于根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
第二确定模块，与所述提取模块连接，用于根据所述QRS波波形信息确定RR间期变化特征；
计算模块，与所述第二确定模块连接，用于采用熵估计法计算所述RR间期变化特征的样本熵；
第三确定模块，与所述第一确定模块和所述计算模块连接，用于根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
一种可能的实施方式中，所述第一确定模块具体用于：
根据所述P波波形信息，确定P波的相空间分布密度；
根据所述相空间分布密度，确定所述P波离散度。
一种可能的实施方式中，所述第二确定模块包括：
第一确定子模块，用于根据所述QRS波波形信息确定RR间期；
第二确定子模块，与所述第一确定子模块相连，用于确定所述RR间期的间期差序列及所述间期差序列的直方图；
相应地，所述计算模块具体用于：计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵。
一种可能的实施方式中，所述第三确定模块具体用于：
根据所述P波离散度、所述间期差序列的样本熵与预设值的比值、所述间期差序列对应的直方图的样本熵与所述预设值的比值及预设分类模型，确定所述心电信号是否为房颤。
一种可能的实施方式中，所述计算模块用于计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵时，具体为：
计算所述间期差序列的近似熵及所述间期差序列对应的直方图的近似熵；
将所述间期差序列的近似熵除以预设值，得到所述间期差序列的样本熵；
将所述间期差序列对应的直方图的近似熵除以预设值，得到所述间期差序列对应的直方图的样本熵。
一种可能的实施方式中，所述计算模块在计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵之前，还用于：
选取预设长度的间期差序列为第一序列；
去除所述第一序列中预设个数的最值，得到第二序列，所述最值至少包括最大值和最小值中任一个；
相应地，所述计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵，包括：计算所述第二序列的样本熵及所述第二序列对应的直方图的样本熵。
一种可能的实施方式中，上述房颤检测装置还可以包括：输出模块，与所述第三确定模块连接，用于输出所述心电信号是否为房颤的结果。
一种可能的实施方式中，所述预设分类模型可以为神经网络分类型模式或支持向量机SVM分类模型。
第二方面，本发明实施例提供一种房颤检测装置，包括存储器和处理器，以及存储在所述存储器上可供所述处理器执行的计算机程序；所述处理器执行所述计算机程序实现如下操作：
提取心电信号中的P波波形信息和QRS波波形信息；
根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
根据所述QRS波波形信息确定RR间期变化特征；
采用熵估计法计算所述RR间期变化特征的样本熵；
根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
第三方面，本发明实施例提供一种计算机可读存储介质，包括计算机可读指令，当处理器读取并执行所述计算机可读指令时，使得所述处理器执行如下操作：
提取心电信号中的P波波形信息和QRS波波形信息；
根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
根据所述QRS波波形信息确定RR间期变化特征；
采用熵估计法计算所述RR间期变化特征的样本熵；
根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
在上述任一设计中，所述预设分类模型是根据训练数据得到的检测结果准确率高于预设值的分类模型。
本发明实施例提供的房颤检测装置及存储介质，首先提取心电信号中的P波波形信息和QRS波波形信息；然后，根据P波波形信息确定P波离散度，该P波离散度用于表示P波波形的分布离散程度，并根据QRS波波形信息确定RR间期变化特征；之后，采用熵估计法计算RR间期变化特征的样本熵；最后，根据P波离散度、样本熵及预设分类模型，确定该心电信号是否为房颤。由于本发明实施例综合P波离散度和样本熵来确定心电信号是否为房颤，相比目前通过一个临床表现研究房颤是否发作的实现方式，可提高房颤检测的鲁棒性，满足临床需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的房颤检测装置的结构示意图；
图2为实际采集获得的心电信号的示例图；
图3为一种P波波形信息和QRS波波形信息的示例图；
图4为本发明另一实施例提供的房颤检测装置的结构示意图；
图5示出了在△RR中的两个不同时间点对应的直方图；
图6为本发明又一实施例提供的房颤检测装置的结构示意图；
图7为本发明又一实施例提供的房颤检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的说明书、权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
发明人发现：房颤发作时的两个重要临床表现为：1)P波消失，出现连续不等的f波；2)RR间期绝对不规则。另外，房颤检测的难点在于：一方面，P波和f波信号微弱，难以检测；另一方面，RR间期不规则也是其他心律失常的特征之一。目前，房颤检测的研究多集中研究房颤发作的某一个单一的临床表现，其鲁棒性较差，很难满足临床实际的需求。
基于上述，本发明实施例提供一种综合P波离散度和样本熵的房颤检测装置及存储介质，以提高房颤检测的鲁棒性，适合实际应用场景。
图1为本发明一实施例提供的房颤检测装置的结构示意图。该实施例提供一种房颤检测装置，该房颤检测装置可以通过软件和/或硬件的方式实现。示例地，该房颤检测装置可以包括但不限于便携式心电图仪、穿戴设备及计算机、服务器等电子设备。其中，服务器可以是一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。
如图1所示，房颤检测装置10包括：提取模块11、第一确定模块12、第二确定模块13、计算模块14和第三确定模块15。
其中，该提取模块11，用于提取心电信号中的P波波形信息和QRS波波形信息。
具体地，心电信号可以为采集到的原始心电信号，也可以为经预处理后的心电信号。其中，预处理可以包括阻抗匹配、过滤、放大、滤波等处理。可以理解，实际采集获得的心电信号如图2所示例，包含各种噪声，且波形粗糙，不光滑，导致QRS波中蕴含的有用信息难以提取。因此，可以通过预处理进行降噪等。
示例性地，在实际应用中可以利用多通道同步数据采集将要处理的人体心脏信号和背景噪声，即原始心电信号。首先，通过心电导联和传感器获得原始心电信号；之后，通过模拟电路对采集的原始心电信号进行阻抗匹配、过滤、放大等处理，得到模拟信号；然后，由模数转换器将模拟信号转化为数字信号，由存储器存储；再然后，采用低通数字滤波器(例如巴特沃斯滤波器)对数字信号进行低通滤波，滤除高频噪声(300Hz以上)，得到滤波后的心电信号。
其中，P波是心房除极波，代表左右二心房的激动。由于窦房结位于右心房内膜下，所以激动首先传到右心房，较晚传到左心房。右心房的除极作用因此也比左心房略早完毕。临床上为了实用起见，P波的前部代表右心房的激动，后部代表左心房的激动。分析P波对心律失常的诊断与鉴别诊断具有重要意义。
QRS波波形信息反映左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波。自QRS波起点至QRS波终点的时间为QRS时限。参考图3，示出一种P波波形信息和QRS波波形信息的示例。
一些实施例中，可以采用小波变换技术提取心电信号中的P波波形信息和QRS波波形信息。
该第一确定模块12，与提取模块11连接，用于根据P波波形信息确定P波离散度。其中，P波离散度为用于表示P波波形的分布离散程度。
该第二确定模块13，与提取模块11连接，用于根据QRS波波形信息确定RR间期变化特征。其中，RR间期变化特征为用于表示RR间期的变化的特征。不同心电信号周期内，RR间期的具体取值可能不同。示例地，RR间期的计算方法是：60除以心率(正常的窦性心律为60～100次/分)，所以PP间期为0.6～1.0s。
具体地，波形信息中包含有波形的变化趋势，波形对应时间和幅值，幅值处于波动状态。因此，可根据P波波形信息确定P波离散度，根据QRS波波形信息确定RR间期变化特征。
仍以图3为例，可以通过TP基线和PQ基线获得心电信号的基准点，并计算得到RR间期和P波序列，进而确定RR间期变化特征及P波离散度。
该计算模块14，与第二确定模块13连接，用于采用熵估计法计算RR间期变化特征的样本熵。
房颤时，心房内的高频刺激信号导致RR间期产生的不确定性增强，近似熵从时间复杂度衡量的角度来估计信号产生新模式概率的大小，产生新模式的概率越大，则序列的复杂度越大，近似熵也越大。釆用熵估计方法，较短的数据点就能得出较为稳定的近似熵估计值，用以表征信号的不规则性和复杂程度，这是熵估计法可应用于房颤检测的基本原理。
该第三确定模块15，与第一确定模块12和计算模块14连接，用于根据P波离散度、样本熵及预设分类模型，确定心电信号是否为房颤。
具体地，将P波离散度、样本熵作为预设分类模型的输入特征，通过预设分类模型的分类，可将房颤和非房颤区分开来。其中，预设分类模型是根据大量训练数据得到的检测结果准确率高于预设值的分类模型。可选地，预设值的取值可根据实际需求进行设置，例如，取值为99.9％等。
在训练得到预设分类模型的过程中，将提取得到的训练数据的P波离散度和样本熵，作为训练预设分类模型的输入样本X，将“房颤”、“非房颤”标记作为预设分类模型的输出Y，(X,Y)共同组成预设分类模型的训练样本对，进行预设分类模型训练。基于训练样本对和训练得到的预设分类模型的最优参数，得到训练好的预设分类模型。利用训练得到的预设分类模型，将待检测心电信号的P波离散度和样本熵作为输入样本X输入预设分类模型，进行房颤识别，得到输出Y：“房颤”或“非房颤”。
可选地，预设分类模型可以为神经网络分类模型或支持向量机(Support VectorMachine，简称：SVM)分类模型，但本发明实施例不以此为限。
综上所述，首先提取心电信号中的P波波形信息和QRS波波形信息；然后，根据P波波形信息确P波离散度，并根据QRS波波形信息确定RR间期变化特征；之后，采用熵估计法计算RR间期变化特征的样本熵；最后，根据P波离散度、样本熵及预设分类模型，确定该心电信号是否为房颤。由于本发明实施例综合P波离散度和样本熵来确定心电信号是否为房颤，相比目前通过一个临床表现研究房颤是否发作的实现方式，可提高房颤检测的鲁棒性，满足临床需求。
在上述实施例的基础上，一种具体的实现方式中，第一确定模块12可具体用于：根据P波波形信息，确定P波的相空间分布密度，并根据该相空间分布密度，确定P波离散度。
具体地，提取P波波形信息中P波的相空间分布密度，来体现P波波形的分布离散程度。时间延迟-相空间分布密度算法原理是通过分析P波的相空间轨迹分布特征来识别房颤。具体如下：首先，针对一个切片形成的二维图表，用m×m的方块格子覆盖，总的格子数为m2。示例地，m取值为40，m可以根据切片的长度作调整；然后，统计切片内P波信号覆盖的格子数md，并计算信号重构轨迹的相空间分布密度d，作为放松度检测的依据。
根据上述公式(1)计算得到P波的相空间分布密度d，并进一步根据该相空间分布密度d，确定P波离散度。
图4为本发明另一实施例提供的房颤检测装置的结构示意图。如图4所示，在图1所示结构的基础上，在房颤检测装置40中，第二确定模块13可以包括：第一确定子模块131和第二确定子模块132。其中，
该第一确定子模块131，用于根据QRS波波形信息确定RR间期。
该第二确定子模块132，与第一确定子模块相连131，用于确定RR间期的间期差序列及间期差序列的直方图。
具体地，针对QRS波波形信息，计算RR间期的间期差序列ΔRR：
ΔRR(n)＝abs(R(n+1)-RR(n)),n＝1,...,N-1 (2)
其中，ΔRR(n)表示从第n个心电信号周期和第n+1个心电信号周期间的RR间期，N为RR间期的总数。
通过前后RR间期差值处理后，即得到△RR，主导节律的大部分趋势将会被去除，从而获得一条围绕“0”值微小变化的曲线。但在房颤时，窦房结的自主节律控制消失，导致RR间期的主导节律出现紊乱，在△RR上即表现为围绕“0”值上下的剧烈变化。通过△RR的直方图能很直观地看出这一变化，图5示出了在△RR中的两个不同时间点对应的直方图。可见，窦性心律的直方图中存在一个绝对的主导节律，但在房颤时，基本无法找出其主导节律。
第二确定子模块132在用于确定间期差序列的直方图时，具体可参考现有相关技术，此处不再赘述。
可选地，RR间期变化特征包括间期差序列和间期差序列对应的直方图。相应地，计算模块14可具体用于：计算间期差序列的样本熵及间期差序列对应的直方图的样本熵。
一些实施例中，第三确定模块15具体用于：根据P波离散度、间期差序列的样本熵与预设值的比值、间期差序列对应的直方图的样本熵与预设值的比值、及预设分类模型，确定心电信号是否为房颤。
作为可选方案，计算模块15在用于计算间期差序列的样本熵及间期差序列对应的直方图的样本熵时，可以具体为：计算间期差序列的近似熵及间期差序列对应的直方图的近似熵；将间期差序列的近似熵除以预设值，得到间期差序列的样本熵；将间期差序列对应的直方图的近似熵除以预设值，得到间期差序列对应的直方图的样本熵。
示例性地，通过以下实现方式说明具体样本熵计算方法。
实现方式一中，间期差序列的样本熵计算方法可如下：
1、求解间期差序列的最大、最小RR间期差以获得RR间期差范围；
2、在RR间期差范围内，所有RR间期差按序号顺序组成一组m维向量X(i)，X(i)＝[xi,xi+1,...,xi+m-1],i＝1,2,...,N-m+1，N为RR间期的总数。
3、定义X(i)和X(j)间的距离d[X(i),X(j)]为两者对应元素中差值最大的一个，如公式(3)所示。其中，d[X(i),X(j)]表示每一个i值对应的X(i)与其余向量X(j)(j≠i,j＝1,2,...,N-m+1)间的距离。
4、计算d[X(i),X(j)]<r的个数count，并计算count与向量总数N-m的比值如公式(4)所示。其中，r为预设值，通常，r＝(0.1～0.25)SD，SD为序列{x1,x2,...,xN}的标准差。
5、计算的的平均值φm(r)，如公式(5)所示
6、重复上述步骤2～5，维数从m变成m+1，即可计算得到和φm+1(r)。
7、计算RR间期差的近似熵SAE，如公式(6)所示：
SAE＝φm(r)-φm+1(r) (6)
8、为了避免由预设值r引起的样本熵估计的不可靠性，本发明实施例提供了一种改进的基于密度的熵估计方法，将RR间期差的近似熵SAE与预设值r做比，得到间期差序列的样本熵，表示为rAE，如公式(7)所示：
间期差序列对应的直方图的样本熵rAEH计算方法同上。
样本熵的优势在于：
(1)避免引入误差，样本熵不计数自身匹配值，因而其为条件概率的负平均自然对数的精确值；
(2)近似熵缺乏一致性，即若某一时刻序列的近似熵比另一个时间序列的近似熵大，则对其他m、r值而言，也应具备相应的关系，但近似熵不一定满足这一性质，而样本熵解决了这一问题，因而其更适用于生物医学信号序列的分析。
实现方式二中，间期差序列的样本熵计算方法可如下：
1、选取预设长度的间期差序列为第一序列；
2、去除第一序列中预设个数的最值，得到第二序列。该最值可至少包括最大值和最小值中任一个。通过去除预设个数的最值，可以减少异位心搏的干扰。其中，预设个数的大小可根据实际情况进行设置。
3、之后针对第二序列，按照上述实现方式一中步骤1～8进行计算，得到间期差序列的样本熵。
间期差序列对应的直方图的样本熵的计算方法同上，此处不再赘述。
综上，确定了以下特征参数：
P波离散度；
间期差序列的样本熵；
间期差序列对应的直方图的样本熵。
将上述特征参数作为输入的房颤特征参数，通过训练样本建立预设分类模型，并作用于测试样本输出检测结果，实现房颤识别。
示例地，针对给定样本对{(xi,yi),xi∈R，R表示实数集合，yi＝{0,1,2，...，100}，xi为训练样本，yi为待判决样本，提出一种参数自适应调节的SVM分类模型训练方法。步骤如下：
步骤1：将C设置在[C1,C2]区间内，即C∈[C1,C2]，变化步长为Cs，而γ设置在[γ1,γ2]区间内，即γ∈[γ1,γ2]，变化步长为γs。示例C∈[2-10,210],Cs＝2；γ∈[2-10,210],γs＝2。针对每对参数(C，γ)进行训练，取效果最好的一对参数作为模型参数。
步骤2：针对参数不同组合，将样本对的集合分成k份相等的子集，每次将其中k-1份数据作为训练数据，而将另外一份数据作为测试数据。重复k次，根据k次迭代后得到的均方误差(mean-square error，简称：MSE)的平均值来估计期望泛化误差，并获得交叉验证正确率。
步骤3：根据前述参数范围进一步细分网格，得到更精确的参数值，根据交叉验证平均正确率排序，选择分类正确率最高的参数组合作为模型的最优参数。
步骤4：将样本对的集合重新分成训练数据与测试数据，利用最优化参数模型训练模型，利用测试数据测试模型性能。
最后，基于训练样本对和训练得到的模型的最优参数，得到训练好的SVM分类模型。
或者，针对给定样本对{(xi,yi),xi∈R，R表示实数集合，yi＝{0,1,2，...，100}，xi为训练样本，yi为待判决样本，构造神经网络分类模型，包括：神经网络选取、隐含层数和隐含层节点数选择、输入/输出层的节点数确定等。
隐含层数选择，单隐层前馈网络能够处理大部分非线性问题；在隐含层节点数过多，但仍无法满足收敛精度要求时，采用双隐层前馈网络，双隐层前馈网络能处理所有非线性问题，但网络训练速度相对单隐层前馈网络有所下降，收敛时间长，故本发明可根据实际情况选用隐含层数。
对于隐含层节点数选择，采用试凑法选择隐含层节点数。用同一样本集来训练，先将隐含层节点数设置在inum/2+1附近，逐渐增加隐含层节点数至2*inum+1，并继续增加直至不收敛，通过分析误差性能曲线来确定最合适的隐含层节点数。其中，inum是输入层节点数，及输入的特征维数。
输入层节点数为特征样本的维数，即有几个特征就有几个输入层节点。输出层节点数可以只有一个，即放松度。
神经网络分类模型的训练和分类识别。首先，将提取得到的特征作为训练神经网络分类模型的输入样本X，将房颤标签作为神经网络分类模型的输出Y，(X,Y)共同组成神经网络分类模型的训练样本对，进行神经网络分类模型训练。其次，利用训练得到的神经网络分类模型，进行房颤识别。
上述实施例提出了一种改进的基于密度的熵估计方法，将近似熵与预设值r做比得到样本熵，能够避免由预设值r引起的熵估计的不可靠性，更适合生物医学信号的处理。
图6为本发明又一实施例提供的房颤检测装置的结构示意图。参考图6，在图1所示结构的基础上，进一步地，房颤检测装置60还可以包括：输出模块61。
该输出模块61，与第三确定模块15连接，用于在第三确定模块15根据P波离散度、样本熵及预设分类模型，确定心电信号是否为房颤之后，输出该心电信号是否为房颤的结果。
该实施例，在识别得到的房颤分类结果之后，在包含心电模块的单导联心电贴、多体征设备、监护仪设备等电子设备上显示出来，作为个人或者医生检测、诊断的基础。或者，还可以通过音频形式进行心电信号是否为房颤的结果的输出，具体形式本发明实施例不予限制。
图7为本发明又一实施例提供的房颤检测装置的结构示意图。如图7所示，房颤检测装置70包括存储器71和处理器72，以及存储在存储器71上可供处理器72执行的计算机程序。处理器72执行计算机程序使得房颤检测装置70实现如下操作：
提取心电信号中的P波波形信息和QRS波波形信息；
根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
根据所述QRS波波形信息确定RR间期变化特征；
采用熵估计法计算所述RR间期变化特征的样本熵；
根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
需说明的是，对于存储器71及处理器72的个数，本发明实施例不对其进行限制，其均可以为一个或多个，图7以一个为例进行图示；存储器71以及处理器72之间，可以通过多种方式进行有线或者无线连接。
一些实施例中，房颤检测装置70根据所述P波波形信息确定P波离散度，可包括：根据所述P波波形信息，确定P波的相空间分布密度；根据所述相空间分布密度，确定所述P波离散度。
可选地，房颤检测装置70根据所述QRS波波形信息确定RR间期变化特征，可以包括：根据所述QRS波波形信息确定RR间期；确定所述RR间期的间期差序列及所述间期差序列的直方图。
相应地，房颤检测装置70采用熵估计法计算所述RR间期变化特征的样本熵，可以包括：计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵。
一种可能的实施方式中，房颤检测装置70根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤，可以具体为：根据所述P波离散度、所述间期差序列的样本熵与预设值的比值、所述间期差序列对应的直方图的样本熵与所述预设值的比值及预设分类模型，确定所述心电信号是否为房颤。
可选地，房颤检测装置70计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵时，可以具体为：计算所述间期差序列的近似熵及所述间期差序列对应的直方图的近似熵；将所述间期差序列的近似熵除以预设值，得到所述间期差序列的样本熵；将所述间期差序列对应的直方图的近似熵除以预设值，得到所述间期差序列对应的直方图的样本熵。
进一步地，处理器72执行计算机程序使得房颤检测装置70实现如下操作：在计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵之前，选取预设长度的间期差序列为第一序列；去除所述第一序列中预设个数的最值，得到第二序列，所述最值至少包括最大值和最小值中任一个。相应地，房颤检测装置70计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵，包括：计算所述第二序列的样本熵及所述第二序列对应的直方图的样本熵。
一些实施例中，当计算机程序被处理器72执行时还使得房颤检测装置70：在根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤之后，输出所述心电信号是否为房颤的结果。
因此，房颤检测装置70还可以包括显示屏73。该显示屏73可用于输出该心电信号是否为房颤的结果。
其中，显示屏73可以为电容屏、电磁屏或者红外屏。一般而言，显示屏73用于根据处理器72的指示显示数据，还用于接收作用于显示屏73的触摸操作，并将相应的信号发送给处理器72或房颤检测装置70的其他部件。可选地，当显示屏73为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏73的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器72或房颤检测装置70的其他部件。
上述任一实施例中，所述预设分类模型可以为神经网络分类模型或SVM分类模型等。
本发明实施例还提供一种计算机可读存储介质，包括计算机可读指令，当处理器读取并执行所述计算机可读指令时，使得所述处理器执行如上述任一实施例中的步骤。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：只读内存(Read-OnlyMemory，简称：ROM)、随机存取存储器(Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种房颤检测装置，其特征在于，包括：
提取模块，用于提取心电信号中的P波波形信息和QRS波波形信息；
第一确定模块，与所述提取模块连接，用于根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
第二确定模块，与所述提取模块连接，用于根据所述QRS波波形信息确定RR间期变化特征；
计算模块，与所述第二确定模块连接，用于采用熵估计法计算所述RR间期变化特征的样本熵；
第三确定模块，与所述第一确定模块和所述计算模块连接，用于根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
2.根据权利要求1所述的装置，其特征在于，所述第一确定模块具体用于：
根据所述P波波形信息，确定P波的相空间分布密度；
根据所述相空间分布密度，确定所述P波离散度。
3.根据权利要求1所述的装置，其特征在于，所述第二确定模块包括：
第一确定子模块，用于根据所述QRS波波形信息确定RR间期；
第二确定子模块，与所述第一确定子模块相连，用于确定所述RR间期的间期差序列及所述间期差序列的直方图；
相应地，所述计算模块具体用于：计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵。
4.根据权利要求3所述的装置，其特征在于，所述第三确定模块具体用于：
根据所述P波离散度、所述间期差序列的样本熵与预设值的比值、所述间期差序列对应的直方图的样本熵与所述预设值的比值及预设分类模型，确定所述心电信号是否为房颤。
5.根据权利要求3所述的装置，其特征在于，所述计算模块用于计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵时，具体为：
计算所述间期差序列的近似熵及所述间期差序列对应的直方图的近似熵；
将所述间期差序列的近似熵除以预设值，得到所述间期差序列的样本熵；
将所述间期差序列对应的直方图的近似熵除以预设值，得到所述间期差序列对应的直方图的样本熵。
6.根据权利要求3所述的装置，其特征在于，所述计算模块在计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵之前，还用于：
选取预设长度的间期差序列为第一序列；
去除所述第一序列中预设个数的最值，得到第二序列，所述最值至少包括最大值和最小值中任一个；
相应地，所述计算所述间期差序列的样本熵及所述间期差序列对应的直方图的样本熵，包括：计算所述第二序列的样本熵及所述第二序列对应的直方图的样本熵。
7.根据权利要求1至6任一项所述的装置，其特征在于，还包括：
输出模块，与所述第三确定模块连接，用于输出所述心电信号是否为房颤的结果。
8.根据权利要求1-6任一项所述的装置，其特征在于，所述预设分类模型为神经网络分类模型或支持向量机SVM分类模型。
9.一种房颤检测装置，其特征在于，包括存储器和处理器，以及存储在所述存储器上可供所述处理器执行的计算机程序；
所述处理器执行所述计算机程序实现如下操作：
提取心电信号中的P波波形信息和QRS波波形信息；
根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
根据所述QRS波波形信息确定RR间期变化特征；
采用熵估计法计算所述RR间期变化特征的样本熵；
根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
10.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当处理器读取并执行所述计算机可读指令时，使得所述处理器执行如下操作：
提取心电信号中的P波波形信息和QRS波波形信息；
根据所述P波波形信息确定P波离散度，所述P波离散度用于表示P波波形的分布离散程度；
根据所述QRS波波形信息确定RR间期变化特征；
采用熵估计法计算所述RR间期变化特征的样本熵；
根据所述P波离散度、所述样本熵及预设分类模型，确定所述心电信号是否为房颤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898494.8A CN109044348A (zh) | 2018-08-08 | 2018-08-08 | 房颤检测装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898494.8A CN109044348A (zh) | 2018-08-08 | 2018-08-08 | 房颤检测装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109044348A true CN109044348A (zh) | 2018-12-21 |
Family
ID=64678886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810898494.8A Pending CN109044348A (zh) | 2018-08-08 | 2018-08-08 | 房颤检测装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109044348A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| CN110226918A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN110226917A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备和存储介质 |
| CN110226919A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN113749665A (zh) * | 2021-08-19 | 2021-12-07 | 深圳邦健生物医疗设备股份有限公司 | 异常指标的捕捉方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1219237A2 (en) * | 2000-12-28 | 2002-07-03 | GE Medical Systems Information Technologies, Inc. | Atrial fibrillation detection method and apparatus |
| US20040092836A1 (en) * | 2002-11-11 | 2004-05-13 | Medtronic, Inc. | Algorithms for detecting atrial arrhythmias from discriminatory signatures of ventricular cycle lengths |
| CN106682630A (zh) * | 2016-12-30 | 2017-05-17 | 张苑 | 一种基于心电信号的特征取样方法 |
| CN107169424A (zh) * | 2017-04-24 | 2017-09-15 | 南京数维康信息科技有限公司 | 基于人工神经网络的房颤检测算法 |
| CN108324264A (zh) * | 2018-01-23 | 2018-07-27 | 江苏康尚生物医疗科技有限公司 | 一种房颤的检测方法和系统 |
-
2018
- 2018-08-08 CN CN201810898494.8A patent/CN109044348A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1219237A2 (en) * | 2000-12-28 | 2002-07-03 | GE Medical Systems Information Technologies, Inc. | Atrial fibrillation detection method and apparatus |
| US20040092836A1 (en) * | 2002-11-11 | 2004-05-13 | Medtronic, Inc. | Algorithms for detecting atrial arrhythmias from discriminatory signatures of ventricular cycle lengths |
| CN106682630A (zh) * | 2016-12-30 | 2017-05-17 | 张苑 | 一种基于心电信号的特征取样方法 |
| CN107169424A (zh) * | 2017-04-24 | 2017-09-15 | 南京数维康信息科技有限公司 | 基于人工神经网络的房颤检测算法 |
| CN108324264A (zh) * | 2018-01-23 | 2018-07-27 | 江苏康尚生物医疗科技有限公司 | 一种房颤的检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 黄超: "动态心电图中房颤自动检测算法研究及其临床应用", 《中国博士学位论文数据库医药卫生科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
| CN109770858B (zh) * | 2019-03-28 | 2021-07-13 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| CN110226918A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN110226917A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备和存储介质 |
| CN110226919A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN110226919B (zh) * | 2019-06-26 | 2022-05-03 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN110226918B (zh) * | 2019-06-26 | 2022-06-28 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
| CN113749665A (zh) * | 2021-08-19 | 2021-12-07 | 深圳邦健生物医疗设备股份有限公司 | 异常指标的捕捉方法、装置、设备和介质 |
| CN113749665B (zh) * | 2021-08-19 | 2024-02-02 | 深圳邦健生物医疗设备股份有限公司 | 异常指标的捕捉方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN109044348A (zh) | 房颤检测装置及存储介质 | |
| CN109009073B (zh) | 房颤检测装置及存储介质 | |
| US9131864B2 (en) | System and method for evaluating an electrophysiological signal | |
| Yang | Multiscale recurrence quantification analysis of spatial cardiac vectorcardiogram signals | |
| CN109222964B (zh) | 房颤检测装置及存储介质 | |
| KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
| CN110226919B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
| CN110367936B (zh) | 心电信号检测方法及装置 | |
| CN112543617A (zh) | 用于量化和去除生物物理信号中的异步噪声的方法和系统 | |
| CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
| CN109077721B (zh) | 房颤检测装置及存储介质 | |
| CN103961089A (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
| Diery et al. | Automated ECG diagnostic P-wave analysis using wavelets | |
| Slama et al. | Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals | |
| Bhoi et al. | QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review. | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| Ganguly et al. | A non-invasive approach for fetal arrhythmia detection and classification from ecg signals | |
| CN109044338B (zh) | 房颤检测装置及存储介质 | |
| Chin et al. | A fast critical arrhythmic ECG waveform identification method using cross-correlation and multiple template matching | |
| Butt et al. | Classifying normal sinus rhythm and cardiac arrhythmias in ECG signals using statistical features in temporal domain | |
| Zubair et al. | Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks | |
| CN113288169B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
| Islam et al. | Resampling of ECG signal for improved morphology alignment | |
| Rodrigues et al. | The issue of automatic classification of heartbeats |
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 |
Application publication date: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |