CN109077720A - 信号处理方法、装置、设备和存储介质 - Google Patents
信号处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109077720A CN109077720A CN201810730210.4A CN201810730210A CN109077720A CN 109077720 A CN109077720 A CN 109077720A CN 201810730210 A CN201810730210 A CN 201810730210A CN 109077720 A CN109077720 A CN 109077720A
- Authority
- CN
- China
- Prior art keywords
- signal
- detector
- detected
- recognition result
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (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
本发明实施例公开了一种信号处理方法、装置、设备和存储介质,该方法包括:应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。信号识别结果更准确,容错性更强。
Description
技术领域
本发明涉及信号处理技术,尤其涉及一种信号处理方法、装置设备和存储介质。
背景技术
心房颤动简称房颤,是临床最常见的一种心律失常疾病,减少房颤的发病率和死亡率具有重要的临床意义和社会意义。
在实现本发明的过程中,发明人发现现有技术中至少存在如下问题。现有技术中多研究房颤发作时的某一个信号的临床表现对房颤进行识别,鲁棒性不强。
发明内容
本发明实施例提供一种信号处理方法、装置、设备和存储介质,信号识别结果更准确,容错性更强。
第一方面,本发明实施例提供了一种信号处理方法,该方法包括:
应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;
确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别
结果中所占比例最大的识别结果确定。
第二方面,本发明实施例还提供了一种信号处理装置,该装置包括:
识别结果获取模块,用于应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;
信号类型确定模块,用于确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在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如本发明实施例中任一所述的信号处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的信号处理方法。
本发明实施例中,应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。避免了应用单个信号检测器对待检测信号进行识别造成的识别结果不准确的问题,提高了信号识别的可靠性;改进了目标样本熵和目标近似熵的计算方法,引入了熵的阈值,提高了支持向量机模型训练的准确性;应用自适应阈值检测器、深度神经网络检测器和支持向量机检测器,对待检测信号进行识别,多个信号检测器的识别结果进行比较,多角度确定心电信号的类型,提高了信号识别的准确度。信号识别结果更准确,容错性更强。
附图说明
图1是本发明实施例一中的一种信号处理方法的流程图;
图2是本发明实施例二中的一种信号处理方法的流程图;
图3a是本发明实施例三中的一种信号处理方法的流程图;
图3b是本发明实施例三中所适用的一种实际采集到的心电信号的波形图;
图3c是本发明实施例三中所适用的一种预处理后的心电信号的波形图;
图4是本发明实施例四中的一种信号处理装置的结构示意图;
图5是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
心电信号(Electrocardiogram,ECG)是指,心脏活动时心肌激动产生的生物电信号。通过识别心电信号,可以识别房颤、其他心律(除房颤外的异常节律)、正常窦性心律和噪声等不同的心电信号。房颤是指心房颤动,是临床最常见的一种心律失常疾病,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。因此,准确识别心电信号有重要的意义。
在一个具体的例子中,心电信号显示在心电图机上,心电图机上显示的心电信号由一系列的波组成,每个波组代表着一个心动周期,一个波组包括P波、QRS波和T波。P波是心房除极波,是每一个波组中的第一波,反映了左右心房的除极过程;典型的QRS波包括三个紧密相连的波,第一个向下的波称为Q波,继Q波之后的一个高尖的直立波称为R波,R波后向下的波称为S波,因其紧密相连,且反映了心室电激动过程,故统称为QRS波,反映了左右心室的除极过程。T波位于S-T段之后,是一个比较低而占时较长的波,它是心室复极所产生的。U波是紧接T波后0.02~0.04s出现的一个低频、低振幅波,方向与T波一致,是心室复极的一部分。
实施例一
图1为本发明实施例一提供的一种信号处理方法的流程图,本实施例可适用于对心电信号进行分类识别的情况,该方法可以由本发明实施例提供的信号处理装置来执行,该装置可采用软件和/或硬件的方式实现。参考图1,该方法具体可以包括如下步骤:
S110、应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果。
具体的,本发明实施例中提出一种信号检测器融合优化策略,应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果,避免了应用单个信号检测器对待检测信号进行识别造成的识别结果不准确的问题。
可选的,多个信号检测器包括自适应阈值检测器、支持向量机检测器和深度特征检测器,其中,所述深度特征检测器基于深度神经网络设置。相应的,所述应用多个信号检测器对待检测信号进行识别,包括:应用所述自适应阈值检测器、所述支持向量机检测器和所述深度特征检测器分别对所述待检测信号进行识别。
应用所述自适应阈值检测器的识别结果记为V1、应用所述支持向量机检测器的识别结果记为V2、应用所述深度特征检测器的识别结果记为V3。应用多个信号检测器进行识别,避免了单一的信号检测器识别带来的偶然误差,提高了信号识别的可靠性。
S120、确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
具体的,根据所述识别结果中所占比例最大的识别结果确定待检测心电信号类型。其中,识别结果中包括识别出来的信号类型以及该识别结果的可信度,该可信度用百分数表示。在一个具体的例子中,识别结果可以是房颤信号80%、正常窦性心律20%等,则确定待检测信号为房颤信号。可选的,信号的类型可以是其他异常节律、正常窦性心律和噪声。
在一个具体的例子中,可以将识别得到的房颤分类结果,在包含心电模块的单导联心电贴、多体征设备或监护仪设备上显示出来,作为个人或者医生检测或诊断的基础。本发明实施例提出的方法为检测房颤信号提供了很好的选择,可以运行在便携式心电图仪或房颤检测装置上。
在上述技术方案的基础上,应用支持向量机检测器对待检测信号进行识别包括:获取所述支持向量机的输入特征参数;根据所述输入特征参数建立支持向量机模型,所述支持向量机模型对应所述支持向量机检测器;应用所述支持向量机检测器对待检测信号进行识别。
具体的,获取支持向量机的输入特征参数,可选的,输入特征参数包括P波序列的变化参数PDI、RR间期特征TPR_RR、PR间隔变异性PRIV、RR间期差的均方根RMS△RR、RR间期差的均方根RMS△RR与RR间期均值的比值RA_RMS△RR、目标样本熵d_SaEn(A)和目标近似熵d_ApEn(A)。
将上述特征参数作为支持向量机的输入特征参数,通过训练样本建立支持向量机回归模型,基于训练样本对和训练得到的模型的最优参数,得到训练好的支持向量机模型。在一个具体的例子中,将输入特征参数作为训练支持向量机的输入样本x,将“房颤”、“其他异常节律”、“正常窦性节律”和“噪声”标记作为支持向量机的输出y。(x,y)共同组成支持向量机的训练样本对,对支持向量机进行训练建立支持向量机模型。支持向量机模型对应所述支持向量机检测器;应用所述支持向量机检测器对待检测信号进行识别。
本发明实施例提出的结合P波、RR间期和PR间期特征的房颤检测方法,相对于单一的基于P波、RR间期或者PR间期特征的方法,具有更高的鲁棒性,更适合实际应用场景。
所述支持向量机的输入特征参数包括:目标样本熵和目标近似熵,其中,所述目标样本熵根据样本熵和熵的阈值确定,所述目标近似熵根据近似熵和熵的阈值确定。
其中,目标样本熵用dSaEn(A)表示,目标近似熵用dApEn(A)表示,样本熵用SaEn(A,d,l_A)表示,近似熵用ApEn(A,d,l_A)表示,熵的阈值用d表示。因此,dSaEn(A)=SaEn(A,d,l_A)/d;dApEn(A)=ApEn(A,d,l_A)/d。其中SaEn和ApEn是样本熵和近似熵的算子,d是熵的阈值,A是输入向量,包括RR间期,RR间期的直方图或△RR的直方图,l_A是输入向量的长度。改进了目标样本熵和目标近似熵的计算方法,引入了熵的阈值,提高了支持向量机模型训练的准确性。
本发明实施例中,应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。信号识别结果更准确,容错性更强。
实施例二
图2为本发明实施例二提供的一种信号处理方法的流程图,本实施例在上述实施例的基础上,对“应用自适应阈值检测器对待检测信号进行识别”进行了优化。参考图2,该方法具体可以包括如下步骤:
S210、应用自适应阈值检测器提取待检测信号中的多个PPR值并计算所述多个PPR值的平均值。
具体的,自适应阈值检测器的工作原理如下:针对多导联心电信号的数据,假设导联数为N,则计算提取到的N个PPR值的平均值PPRM,其中,PPRs表示第s个导联的PPR值,PPRMq表示连续监测过程中第q个计算得到的PPRM值。设定PPRM的初始阈值为PPRMD0(由大量实验获得的经验参数),PPRMDq表示第q个PPRM阈值。
S220、根据所述PPR值的平均值确定自适应阈值检测器的更新规则。
其中,根据PPR值的平均值确定自适应阈值则自适应阈值检测器的更新公式为PPRMDq+1=λPPRMDq+μPPRMDq-1,其中λ和μ是参数,λ+μ=1,在一个具体的例子中,λ=0.85,μ=0.15。
S230、应用所述更新规则对所述待检测信号进行识别。
具体的,根据上述更新公式对待检测信号进行识别,在一个具体的例子中,当实时检测得到的PPRMq值大于PPRMDq时,确定该心电信号为房颤信号,反之,该心电信号为非房颤信号。
S240、获取每个检测器的识别结果。
S250、确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
本发明实施例中,应用自适应阈值检测器提取待检测信号中的多个PPR值并计算所述多个PPR值的平均值,根据所述PPR值的平均值确定自适应阈值检测器的更新规则,应用所述更新规则对所述待检测信号进行识别。应用自适应检测器对待检测信号进行识别,提高了信号识别的准确度,还可以将该识别结果和其他检测器的识别结果进行比较,多角度确定心电信号的类型。
实施例三
图3a为本发明实施例三提供的一种信号处理方法的流程图,本实施例在上述实施例的基础上,对“应用自适应阈值检测器对待检测信号进行识别”进行了优化。参考图3a,该方法具体可以包括如下步骤:
S310、提取待检测信号中的瞬时心律信号。
其中,基于单心拍的瞬时心率特征,提取待检测信号中的瞬时心律信号,用于深度神经网络提取深度特征,IHRi=60*f/RRi,其中,IHRi是第i个瞬时心律,f是ECG信号的采样率,RRi是第i个RR间隔。
S320、将所述瞬时心律信号作为识别特征参数来构建深度学习模型,所述深度学习模型对应所述深度特征检测器。
其中,深度神经网络是特征提取和识别相结合的方法,通过对大量的数据进行学习,来自动的提取特征进行识别。
具体的,深度置信网(deep belief networks,DBNs)由多个限制玻尔兹曼机层组成。限制玻尔兹曼机可被视为一个无向图模型,其中h为隐含层,可视为特征提取器,w为连接矩阵,v为可见层。假设每个节点取值都在集合{0,1}中,即i,j,vi∈{0,1},hj∈{0,1},对于一组给定的状态(v,h),限制玻尔兹曼机作为一个系统所具备的能量定义为其中θ={ai,bj,Wij}是限制玻尔兹曼机的参数,均为实数,ai表示可见节点i的偏置,bj表示隐含层节点j的偏置,Wij为可见节点i与隐含层节点j之间的连接矩阵。激活函数采用sigmoid,定义为σ(x)=1/(1+exp(-x)),分类器采用softmax。
将所述瞬时心律信号IHRi作为识别特征参数来构建深度学习模型,所述深度学习模型对应所述深度特征检测器。
S330、应用所述深度特征检测器对所述待检测信号进行识别。
具体的,应用本发明实施例中的深度特征检测器对待检测信号进行识别,确定待检测信号的类型等。
S340、获取每个检测器的识别结果。
S350、确定待检测心电信号类型,其中,所述待检测心电信号类型根据所
述识别结果中所占比例最大的识别结果确定。
本发明实施例中,提取待检测信号中的瞬时心律信号,将所述瞬时心律信号作为识别特征参数来构建深度学习模型,所述深度学习模型对应所述深度特征检测器,应用所述深度特征检测器对所述待检测信号进行识别。应用深度神经网络检测器对待检测信号进行识别,提高了信号识别的准确度,还可以将该识别结果和其他检测器的识别结果进行比较,多角度确定心电信号的类型。
为了使本发明的技术方案更容易理解,接下来对部分输入特征参数的获取过程进行阐述。
首先是信号的获取过程,获取心电信号并进行预处理,然后确定处理后的心电信号的波形信息。具体的实现过程如下:
通过专用的信号采集设备对心电信号进行采集,专用的信号采集设备可以是心电图机,对采集后的信号进行预处理。在一个具体的例子中,利用多通道同步数据采集将处理的人体心脏信号、背景噪声和心电信号进行采集和存储。首先,通过心电导联和传感器获得心电数据,通过模拟电路对采集的信号进行阻抗匹配、过滤和放大等处理。然后,由模数转换器把人体生理参数的模拟信号转化为数字信号,由存储器存储。图3b示出了一种实际采集到的心电信号的波形图,其中,心电信号中包含各种噪声,波形粗糙,不光滑,导致QRS波中蕴含的有用信息难以提取。采用低通数字滤波器(巴特沃斯滤波器)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。
示例性的,采用小波变换技术提取心电信号中的P波和QRS波的波形信息,可选的,波形信息包括PR间期、RR间期和QT间期。通过TP和PQ基线获得心电信号的基准点,即P波、Q波、R波、S波和T波的波峰的位置,并计算得到PR间期、RR间期和QT间期等。可选的,间期是指两个波峰之间的时间间隔,例如,PR间期是指,P波的波峰和R波的波峰之间的时间间隔。图3c示出了一种预处理后的心电信号的波形图,通过图3c可以看出,经过预处理的波形更光滑。
其次,设计自适应阈值检测器具体可以通过如下方式实现,
第一步、计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数。
具体的,P(i,j)表示P波序列,i表示P波序列的样本数,j表示P波序列的第j个样本,PD(i)表示P波序列的差值参数,表示P波序列中信号幅值的最大值,表示P波序列中信号幅值的最小值。因此,
第二步、选取满足设定条件的差值参数进行运算,确定P波序列的变化参数。
其中,PDI表示P波序列的变化参数,将P波序列的差值参数的最大值与P波序列中信号幅值的最大值做商,也即,
第三步、根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。
具体的,令x(n)(n=1,...m)表示PR间期,PR间期的相位空间y(n)和PR间隔变异性PRIV。计算过程如下:
y(n)=(x(n),x(n+1),...,x(n+(m-1)t),n=1,2,....,m..
其中,||.||表示欧几里得距离,h是阶梯函数,m是嵌入维数,t是延迟时间,C是组合运算,r是设定常量参数。
继续计算P波序列的变化参数PDI和PR间期变化的比值,用于表征两者的相对变化PPR,计算过程如下:
最后,计算RR间期特征TPR_RR,设计转折点曲率算法提取RR间期差△RR的离散度特征参数。假设三个相邻的△RR间期为a1,a2,a3,a1>a2>a3,那么这三个△RR间期有6种排列方式如下,(a1,a3,a2)、(a2,a1,a3)、(a3,a1,a2)、(a2,a3,a1)这4种为转折点,(a1,a2,a3)、(a3,a2,a1)这2种为非转折点,即转折点出现的概率为2/3。那么,在一个长度为l的△RR间期随机排列的序列中,计算转折点出现的置信区间为TPR_RR,其中,均值为(2l-4)/3,标准差为置信区间
计算RR间期的均方根RMS△RR,计算公式为计算RR间期差的均方根RMS△RR与RR间期均值的比值RA_RMS△RR,计算公式如下:
实施例四
图4是本发明实施例四提供的一种信号处理装置的结构示意图,该装置适用于执行本发明实施例提供给的一种信号处理方法。如图4所示,该装置具体可以包括:
识别结果获取模块410,用于应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;
信号类型确定模块420,用于确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
进一步的,多个信号检测器包括自适应阈值检测器、支持向量机检测器和深度特征检测器,其中,所述深度特征检测器基于深度神经网络设置;
相应的,识别结果获取模块410具体用于:
应用所述自适应阈值检测器、所述支持向量机检测器和所述深度特征检测器分别对所述待检测信号进行识别。
进一步的,识别结果获取模块410具体用于:
应用自适应阈值检测器提取待检测信号中的多个PPR值并计算所述多个PPR值的平均值;
根据所述PPR值的平均值确定自适应阈值检测器的更新规则;
应用所述更新规则对所述待检测信号进行识别。
进一步的,识别结果获取模块410具体用于:
应用支持向量机检测器对待检测信号进行识别包括:
获取所述支持向量机的输入特征参数;
根据所述输入特征参数建立支持向量机模型,所述支持向量机模型对应所述支持向量机检测器;
应用所述支持向量机检测器对待检测信号进行识别。
进一步的,识别结果获取模块410具体用于:
提取待检测信号中的瞬时心律信号;
将所述瞬时心律信号作为识别特征参数来构建深度学习模型,所述深度学习模型对应所述深度特征检测器;
应用所述深度特征检测器对所述待检测信号进行识别。
进一步的,所述支持向量机的输入特征参数包括:
目标样本熵和目标近似熵,其中,所述目标样本熵根据样本熵和熵的阈值确定,所述目标近似熵根据近似熵和熵的阈值确定。
本发明实施例提供的信号处理装置可执行本发明任意实施例提供的信号处理方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的信号处理方法:
也即,所述处理单元执行所述程序时实现:应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
实施例六
本发明实施例六提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的信号处理方法:
也即,该程序被处理器执行时实现:应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种信号处理方法,其特征在于,包括:
应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;
确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
2.根据权利要求1所述的方法,其特征在于,多个信号检测器包括自适应阈值检测器、支持向量机检测器和深度特征检测器,其中,所述深度特征检测器基于深度神经网络设置;
相应的,所述应用多个信号检测器对待检测信号进行识别,包括:
应用所述自适应阈值检测器、所述支持向量机检测器和所述深度特征检测器分别对所述待检测信号进行识别。
3.根据权利要求2所述的方法,其特征在于,应用自适应阈值检测器对待检测信号进行识别包括:
应用自适应阈值检测器提取待检测信号中的多个PPR值并计算所述多个PPR值的平均值;
根据所述PPR值的平均值确定自适应阈值检测器的更新规则;
应用所述更新规则对所述待检测信号进行识别。
4.根据权利要求2所述的方法,其特征在于,应用支持向量机检测器对待检测信号进行识别包括:
获取所述支持向量机的输入特征参数;
根据所述输入特征参数建立支持向量机模型,所述支持向量机模型对应所述支持向量机检测器;
应用所述支持向量机检测器对待检测信号进行识别。
5.根据权利要求2所述的方法,其特征在于,应用深度特征检测器对所述待检测信号进行识别,包括:
提取待检测信号中的瞬时心律信号;
将所述瞬时心律信号作为识别特征参数来构建深度学习模型,所述深度学习模型对应所述深度特征检测器;
应用所述深度特征检测器对所述待检测信号进行识别。
6.根据权利要求4所述的方法,其特征在于,所述支持向量机的输入特征参数包括:
目标样本熵和目标近似熵,其中,所述目标样本熵根据样本熵和熵的阈值确定,所述目标近似熵根据近似熵和熵的阈值确定。
7.一种信号处理装置,其特征在于,包括:
识别结果获取模块,用于应用多个信号检测器对待检测信号进行识别,获取每个检测器的识别结果;
信号类型确定模块,用于确定待检测心电信号类型,其中,所述待检测心电信号类型根据所述识别结果中所占比例最大的识别结果确定。
8.根据权利要求7所述的装置,其特征在于,多个信号检测器包括自适应阈值检测器、支持向量机检测器和深度特征检测器,其中,所述深度特征检测器基于深度神经网络设置;
相应的,所述识别结果获取模块具体用于:
应用所述自适应阈值检测器、所述支持向量机检测器和所述深度特征检测器分别对所述待检测信号进行识别。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730210.4A CN109077720B (zh) | 2018-07-05 | 2018-07-05 | 信号处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810730210.4A CN109077720B (zh) | 2018-07-05 | 2018-07-05 | 信号处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109077720A true CN109077720A (zh) | 2018-12-25 |
CN109077720B CN109077720B (zh) | 2021-03-23 |
Family
ID=64836963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810730210.4A Active CN109077720B (zh) | 2018-07-05 | 2018-07-05 | 信号处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109077720B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620209A (zh) * | 2018-12-31 | 2019-04-16 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
CN110522443A (zh) * | 2019-08-30 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于心电信号的房室传导阻滞检测方法、装置和电子设备 |
CN110750770A (zh) * | 2019-08-18 | 2020-02-04 | 浙江好络维医疗技术有限公司 | 一种基于心电图的对电子设备进行解锁的方法 |
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
CN112826514A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006089086A2 (en) * | 2005-02-18 | 2006-08-24 | Beth Israel Deaconess Medical Center, Inc. | Complexity-based dynamical assay for assessing the toxicity and efficacy of pharmaceutical and other therapeutic interventions |
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
ES2328205A1 (es) * | 2007-07-30 | 2009-11-10 | Universitat Politecnica De Catalunya | Metodo para obtener la frecuencia cardiaca y la frecuencia respiratoria en una bascula electronica pesa-personas. |
CN102397064A (zh) * | 2011-12-14 | 2012-04-04 | 中国航天员科研训练中心 | 连续血压测量装置 |
CN102512158A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种基于高维模糊识别的心电信号质量评估方法和装置 |
US20120221066A1 (en) * | 2011-02-25 | 2012-08-30 | Pacesetter, Inc. | Systems and Methods for Activating and Controlling Impedance-Based Detection Systems of Implantable Medical Devices |
CN103041502A (zh) * | 2013-01-17 | 2013-04-17 | 上海埃司柯特生物信息技术有限公司 | 一种体外合理释放心脏不应期刺激的判断方法 |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN106066933A (zh) * | 2016-05-27 | 2016-11-02 | 成都信汇聚源科技有限公司 | 获取房颤识别人工神经网络权重值矩阵的方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107913062A (zh) * | 2017-10-18 | 2018-04-17 | 广州视源电子科技股份有限公司 | 一种心电信号的处理方法及系统 |
CN108042141A (zh) * | 2017-11-17 | 2018-05-18 | 深圳和而泰智能控制股份有限公司 | 一种信号处理方法及装置 |
-
2018
- 2018-07-05 CN CN201810730210.4A patent/CN109077720B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006089086A2 (en) * | 2005-02-18 | 2006-08-24 | Beth Israel Deaconess Medical Center, Inc. | Complexity-based dynamical assay for assessing the toxicity and efficacy of pharmaceutical and other therapeutic interventions |
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
ES2328205A1 (es) * | 2007-07-30 | 2009-11-10 | Universitat Politecnica De Catalunya | Metodo para obtener la frecuencia cardiaca y la frecuencia respiratoria en una bascula electronica pesa-personas. |
US20120221066A1 (en) * | 2011-02-25 | 2012-08-30 | Pacesetter, Inc. | Systems and Methods for Activating and Controlling Impedance-Based Detection Systems of Implantable Medical Devices |
CN102397064A (zh) * | 2011-12-14 | 2012-04-04 | 中国航天员科研训练中心 | 连续血压测量装置 |
CN102512158A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种基于高维模糊识别的心电信号质量评估方法和装置 |
CN103041502A (zh) * | 2013-01-17 | 2013-04-17 | 上海埃司柯特生物信息技术有限公司 | 一种体外合理释放心脏不应期刺激的判断方法 |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN106066933A (zh) * | 2016-05-27 | 2016-11-02 | 成都信汇聚源科技有限公司 | 获取房颤识别人工神经网络权重值矩阵的方法 |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107913062A (zh) * | 2017-10-18 | 2018-04-17 | 广州视源电子科技股份有限公司 | 一种心电信号的处理方法及系统 |
CN108042141A (zh) * | 2017-11-17 | 2018-05-18 | 深圳和而泰智能控制股份有限公司 | 一种信号处理方法及装置 |
Non-Patent Citations (6)
Title |
---|
ANTONIO等: ""Comparative study of approximate entropy and sample entropy robustness to spikes"", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
LUCIA BILLECI 等: ""Detection of AF and other rhythms using RR variability and ECG spectral measures"", 《2017 COMPUTING IN CARDIOLOGY》 * |
RASMUS等: ""Age-related changes in P wave morphology in healthy subjects"", 《BMC CARDIOVASCULAR DISORDERS》 * |
SHENDA等: ""ENCASE: An ENsemble ClASsifiEr for ECG classification using expert features and deep neural networks"", 《2017 COMPUTING IN CARDIOLOGY》 * |
王丽苹: ""融合领域知识的心电图分类方法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
龙玉涛: ""基于熵测度的移动条件下十二通道心电信号质量评估"", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620209A (zh) * | 2018-12-31 | 2019-04-16 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
CN109620209B (zh) * | 2018-12-31 | 2023-12-19 | 南京茂森电子技术有限公司 | 一种动态心电、呼吸和运动监测系统和方法 |
CN110750770A (zh) * | 2019-08-18 | 2020-02-04 | 浙江好络维医疗技术有限公司 | 一种基于心电图的对电子设备进行解锁的方法 |
CN110750770B (zh) * | 2019-08-18 | 2023-10-03 | 浙江好络维医疗技术有限公司 | 一种基于心电图的对电子设备进行解锁的方法 |
CN110522443A (zh) * | 2019-08-30 | 2019-12-03 | 广州视源电子科技股份有限公司 | 基于心电信号的房室传导阻滞检测方法、装置和电子设备 |
CN110522443B (zh) * | 2019-08-30 | 2022-05-03 | 广州视源电子科技股份有限公司 | 基于心电信号的房室传导阻滞检测方法、装置和电子设备 |
CN112826514A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
CN112826514B (zh) * | 2019-11-22 | 2022-07-22 | 华为技术有限公司 | 一种房颤信号的分类方法、装置、终端以及存储介质 |
CN112568886A (zh) * | 2020-11-03 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 心律的检测方法、电子设备以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109077720B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109077720A (zh) | 信号处理方法、装置、设备和存储介质 | |
Xia et al. | Detecting atrial fibrillation by deep convolutional neural networks | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
US20190090774A1 (en) | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks | |
CN109077714A (zh) | 信号识别方法、装置、设备和存储介质 | |
US20210378579A1 (en) | Local noise identification using coherent algorithm | |
JP2021194540A (ja) | 安定した不整脈心拍を検出するための、心臓マッピングアノテーションを計算及び検出するためのシステム及び方法 | |
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 | |
CN109009073A (zh) | 房颤检测装置及存储介质 | |
EP3966756A1 (en) | Artificial intelligence trained with optical mapping to improve detection of cardiac arrhythmia sources | |
CN106456032B (zh) | 用于检测ecg子波形的系统和方法 | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
CN109077719A (zh) | 信号识别方法、装置、设备和存储介质 | |
CN113876419A (zh) | 通过建议标测点的位置提高标测效率 | |
US20220008126A1 (en) | Optimized ablation for persistent atrial fibrillation | |
CN114587369A (zh) | 基于学习数据分析来设置自动感兴趣窗口 | |
JP2022023017A (ja) | 広域周方向アブレーション点の自動連続性推定 | |
WO2024098553A1 (zh) | 一种针对心电图的分析识别方法、系统以及存储介质 | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
US20210391082A1 (en) | Detecting atrial fibrillation and atrial fibrillation termination | |
JP2024506633A (ja) | 電位図をリアルタイム解析するコンピュータ装置 | |
CN109044338A (zh) | 房颤检测装置及存储介质 | |
JP2021186675A (ja) | 心臓マッピングにおける心構造の自動検出 |
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 |