CN109171697A - 一种基于双重判断标准的可电击复律心律识别方法 - Google Patents
一种基于双重判断标准的可电击复律心律识别方法 Download PDFInfo
- Publication number
- CN109171697A CN109171697A CN201810829494.2A CN201810829494A CN109171697A CN 109171697 A CN109171697 A CN 109171697A CN 201810829494 A CN201810829494 A CN 201810829494A CN 109171697 A CN109171697 A CN 109171697A
- Authority
- CN
- China
- Prior art keywords
- signal
- rhythm
- slope
- shockable
- heart
- 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
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000009977 dual effect Effects 0.000 title claims abstract description 8
- 238000013195 electrical cardioversion Methods 0.000 title abstract 7
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000016507 interphase Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000013194 cardioversion Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 208000010496 Heart Arrest Diseases 0.000 description 5
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 208000003663 ventricular fibrillation Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 0.000 description 1
- 230000000007 visual 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于双重判断标准的可电击复律心律识别方法，包括：1)对读取的体表心电信号x(t)进行分段，得分段信号y(t)；2)当体表心电信号的幅度大于等于80uv时，则转至步骤3)及步骤4)；3)根据R波位置计算RR间期，当RR间期小于400ms时，则初步判别为可电击复律心律，并转至步骤6)，否则，则为不可电击复律心律；4)将分段信号y(t)分为长度为s的小段信号o(t)，计算各小段信号o(t)对应的斜率绝对值slope；5)计算各斜率绝对值的偏离度系数，当偏离度系数小于偏离度阈值时，则初步判断为可电击复律心律，并转至步骤6)；否则，则为不可电击复律心律；6)输出最终判断结果为可电击复律心律，该识别方法具有通用性较好、鲁棒性较强的特点。
Description
技术领域
本发明属于心电信号自动识别技术领域，涉及一种基于双重判断标准的可电击复律心律识别方法。
背景技术
心脏骤停已成为影响公共健康的主要因素和造成死亡的主要原因，而心脏骤停大多是由于持续的室性心动过速快速发展为心室纤颤造成的。若具备及时除颤的条件，生存率将增加到30％～50％之多。
传统的依靠专业医生对心律失常心电波形肉眼识别是一个十分耗时的过程，自动心律失常检测设备在识别正常/异常心电波形发面明显具有更优的效果，这些设备可分析病人的心电图并在室颤情况下决定是否需要发放电击。自动体外除颤器(AED)的出现使早期除颤成为可能，为了让没有丰富急救经验的普通人方便使用AED实施早期除颤，高准确率的可电击复律心律识别算法至关重要。AED对没有发生心脏骤停的昏迷患者不应该释放电击，已经除颤成功的病人也不应该被再次除颤。
异常心律通常伴随着不规则的心电波形发生，美国心脏学会(AHA)将心律分为三大类：可电击复律心律(Shockable Rhythm,ShR)、不可电击复律心律(Non-ShockableRhythm,NShR)和Intermediate Rhythm。AED中可电击复律心律识别算法必须对ShR有高的灵敏度，对NShR有高的特异性。
AED识别可电击复律心律的基础是一种或多种数学心电分析算法。传统的可电击复律心律识别算法主要有：时域方面：PR间期、QRS宽度等特征，确定心律与变异性分析；频域方面：频谱分析算法、高阶谱分析算法、幅度概率密度函数算法等；时频分析方法：小波分析算法、快速模板匹配算法等；还有基于复杂度分析、人工神经网络分类的非线性方法等。虽然心电图自动分析的算法种类繁多，但在实际应用中，需要算法在识别的准确率和运算时间上寻求平衡，因此频域、时频域和非线性分析算法在心电图实时分析中不占据优势。传统可电击复律心律识别算法最大的缺点在于，同一算法的性能在不同的测试中表现出的性能很不一致，主要原因在于每次测试的条件不同，尤其是样本集的不同，导致算法灵敏度、特异性千差万别。因此需要一种具备通用性、鲁棒性强的可电击复律心律识别算法，同时满足实时分析心电波形的低功耗、速率快等要求。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于双重判断标准的可电击复律心律识别方法，该识别方法具有通用性较好、鲁棒性较强的特点，同时满足实时分析当心电波形的低功耗、速度快的要求。
为达到上述目的，本发明所述的基于双重判断标准的可电击复律心律识别方法包括以下步骤：
1)读取体表心电信号x(t)，采用高通滤波器及巴特沃斯低通滤波器对体表心电信号x(t)进行滤波处理，然后以8s为段长对体表心电信号x(t)进行分段，得分段信号y(t)，其中，相邻两个分段信号y(t)之间的时间差为1s；
2)当体表心电信号的幅度小于80uv时，则归入NShR中；当体表心电信号的幅度大于等于80uv时，则转至步骤3)及步骤5)；
3)获取分段信号y(t)幅值的最大值，再设定判别阈值为分段信号y(t)幅值的最大值的80％，由于正常心律小于150次/分，因此将时间坐标差在100个采样点以内大于判别阈值的样本z(t)确定为一个R波分布候选区域qrs{r}，并将各R波分布候选区域qrs{r}的位置坐标最大值与最小值中间的位置作为中心点，然后以该中心点为中心、以B为半径寻找信号幅度的最大值，该信号幅度最大值所在的位置即为R波所在的位置；
当系统在分析心电信号过程中，在2s内未检测到R波时，则将判别阈值逐渐减小，直至检测到R波为止；
4)根据检测得到的R波位置计算RR间期，当RR间期小于400ms时，则初步判别为可电击复律心律，并转至步骤7)，否则，则为不可电击复律心律；
5)将分段信号y(t)按照相同时间间隔分为长度为s的小段信号o(t)，计算各小段信号o(t)的最后一个采样点与第一个采样点之间差值的斜率绝对值slope；
6)计算各小段信号o(t)对应斜率绝对值的偏离度系数，当计算得到的偏离度系数小于偏离度阈值时，则初步判断为可电击复律心律，并转至步骤7)；否则，则为不可电击复律心律；
7)输出最终判断结果为可电击复律心律，完成基于双重判断标准的可电击复律心律识别。
步骤5)中第i个小段信号对应的斜率绝对值slopei＝abs(signali(s)-signali(i))，其中，signali(s)为第i个小段信号的最后一个采样点，signali(i)为第i个小段信号的第一个采样点。
各小段信号o(t)对应斜率绝对值的偏离度系数skew为：
其中，n为斜率绝对值序列的长度。
本发明具有以下有益效果：
本发明所述的基于双重判断标准的可电击复律心律识别方法在具体操作时，通过RR间期长度、斜率绝对值偏离度及搜索法的结合，通过RR间期及偏离度系数双重判断是否为可电击复律心律，以准确确定可电击复律心律的时间位置，提高识别的灵敏度及精度，避免对可电击复律心律的错判及漏判，同时缩短计算时间，通用性及鲁棒性较好，抗干扰能力强，为自动体外除颤器或心电监护设备等相关研究提供了新的方法和思路。
附图说明
图1为本发明的流程图；
图2a为第133个片段原心电信号的示意图；
图2b为第133个片段原心电信号滤波后的示意图；
图3a为第222个片段原信号的示意图；
图3b为第222个片段原信号经滤波后的示意图；
图4为第133个片段的心脏停搏检测示意图；
图5为第222个片段心脏停搏检测示意图；
图6为第133个片段检测得到的R波位置示意图；
图7为第222个片段检测得到的R波位置示意图；
图8为各参数对应的分类正确率等高线图；
图9为133片段计算得到的斜率绝对值示意图；
图10为第222个片段计算得到的斜率绝对值示意图；
图11为测试被试1的斜率绝对值偏离度系数趋势图；
图12为第133个片段检测的心律失常类型图；
图13为第222个片段检测的心律失常类型图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，本发明所述的基于双重判断标准的可电击复律心律识别方法包括以下步骤：
1)读取体表心电信号x(t)，对体表心电信号x(t)实用5阶滑动平均滤波器进行处理，避免肌电噪声等高频噪声，采用截止频率为1Hz的高通滤波器及截止频率为30Hz的巴特沃斯低通滤波器对体表心电信号x(t)进行滤波处理，以抑制基线漂移对检测结果的影响，同时滤除无关的高频成分，然后以8s为段长对体表心电信号x(t)进行分段，得分段信号y(t)，其中，相邻两个分段信号y(t)之间的时间差为1s，根据数据库中被试心电数据对应的心律失常专家诊断结果；
2)当体表心电信号的幅度小于80uv时，判断为心脏停博，则归入NShR中；当体表心电信号的幅度大于等于80uv时，则转至步骤3)及步骤5)，图4、5分别为专家判别的不可电击复律心律、可电击复律心律状态的心电波形的心脏停搏检测，检测结果均不是心脏停搏心律。
3)获取分段信号y(t)幅值的最大值，再设定判别阈值为分段信号y(t)幅值的最大值的80％，由于正常心律小于150次/分，因此将时间坐标差在100个采样点以内大于判别阈值的样本z(t)确定为一个R波分布候选区域qrs{r}，其中，采用频率为2500Hz，并将各R波分布候选区域qrs{r}的位置坐标最大值与最小值中间的位置作为中心点，然后以该中心点为中心、以20为半径寻找信号幅度的最大值，该信号幅度最大值所在的位置即为R波所在的位置；
在室速或室颤时心电波形的幅度会大幅度减小，因此当系统在分析心电信号过程中，在2s内未检测到R波时，则自动将判别阈值逐渐减小，直至检测到R波为止，其中可以先减少到初始判别阈值的60％，然后降低至50％，并以此类推，图6为不可电击复律心律检测得到的R波位置示意图，图7为可电击复律心律状态下检测得到的R波位置示意图。
4)根据检测得到的R波位置计算RR间期，当RR间期小于400ms时，即心律高于150次/分，则初步判别为可电击复律心律，并转至步骤7)，否则，则为不可电击复律心律；
5)将分段信号y(t)按照相同时间间隔分为长度为s的小段信号o(t)，s为4-8，计算各小段信号o(t)的最后一个采样点与第一个采样点之间差值的斜率绝对值slope；其计算公式为：
slopei＝abs(signali(s)-signali(i))
其中，slopei表示第i个小段信号o(t)的斜率绝对值，signali表示第i个信号片段的样本序列，图9为不可电击复律心律心电信号计算得到的斜率绝对值序列图，图10为可电击复律心律时的心电信号计算得到的斜率绝对值序列图。
6)计算各小段信号o(t)对应斜率绝对值的偏离度系数skew，当计算得到的偏离度系数小于偏离度阈值时，则初步判断为可电击复律心律，并转至步骤7)；否则，则为不可电击复律心律，其中，
其中，slope(i)代表斜率绝对值序列，n代表斜率绝对值序列长度。图11为测试被试1不同片段斜率绝对值偏离度趋势图。根据图11所述的趋势图所示规律和专家的判断结果观察，可电击复律心律对应的斜率绝对值偏离度明显低于不可电击复律心律对应的斜率绝对值偏离度。因此当偏离度系数低于偏离度阈值时，判别此时的心律为可电击复律心律。而偏离度阈值的设定为正常心律状态下偏离度系数的0.5～0.9，和信号长度s一起以网格搜索法寻找正确率达到最大时对应的参数大小，各参数对对应的分类正确率等高线图如图8所示。由图8可以看出，随着参数对的变化，分类正确率并没有发生剧烈的改变，始终维持在一个较高的正确率水平。综合各测试被试情况，最优偏离度系数为0.7，此时的分类正确率为99.4247％。
7)输出最终判断结果为可电击复律心律，完成基于双重判断标准的可电击复律心律识别。图12为检测得到的不可电击复律心律(正常心电信号)示意图，图13为检测得到的可电击复律心律示意图。
本发明的本质仍是对频率和形态上的规律性的分析，第一重判断在R波识别的基础上，首先根据心律判断是否发生心动过速，R波识别的方法为最简单易行的自适应差分阈值法。可电击复律心律最明显的特征就是频率的加快，而频率的快慢对于心电图来说就是波峰出现的多少，这里的波峰指正常心律时的R波和室颤时的颤波峰。因此对R波的识别可以从根本上判断是否为可电击复律心律，提高检测的灵敏度。当信号按照时间分割为小段信号时，心电图都会变化覆盖一定幅度范围，若小段时间内包含一个或多个波峰(ShR)，那么心电图覆盖的幅度范围就比较大，而如果小段时间内没有包含一个波峰(NShR)，那么心电图覆盖的幅度范围就很小，但是为了避免测试对象的差异性和ShR形态上的多样性影响，因此只考虑小段信号内幅度变化的离散程度或偏离程度，其中，偏离度较离散度在NShR和ShR具分布更加分散，使得斜率绝对值偏离度对ShR的识别具有更高的灵敏度。本发明相较其他可电击复律心律识别算法，首先具有更高的识别灵敏度，其次检测结果对信号的质量依赖程度较低，当噪声引起偏离度系数不能准确反应信号真实情况时，可通过RR间期初步判断是否心律失常；当R波存在误判和漏判时，偏离度系数可以及时纠正算法检测结果。
本发明中斜率绝对值计算片段的长度范围为4～8，偏离度系数范围为0.5～0.9，根据网格搜索法对最优参数对进行选取，片段长度步长为1，系数步长为0.05。根据在不同参数对下的等高线图，在实际应用中，斜率绝对值片段长度为6时在不同数据库、不同被试间均取得较好的效果，因此一般斜率绝对值片段长度设置为6即可，此时信号采样率为250Hz，相当于24ms，偏离度系数的选取在0.6～0.8范围内一般可达到最佳分类效果。
在CUDB和VFDB标准数据库构成的测试数据集基础上，对CUDB数据库中全部35位被试以及VFDB数据库中10位被试的心电数据采用本发明进行测试，结果发现各被试可电击复律心律识别最佳正确率均大于90％，如测试被试1检测结果所示，最佳正确率达到99.4272％，且正确率随片段长度和偏离度阈值变化不大，始终维持在99％以上，具有很强的鲁棒性及稳定性。将部分被试参考注释为可电击复律心律和不可电击复律心律各抽取10s的数据组成一个测试数据集，一共11分钟的心电数据，最终灵敏度为93.39％，特异性为98.48％，每一段8s片段计算时间大约0.9346ms。
Claims (3)
1.一种基于双重判断标准的可电击复律心律识别方法,其特征在于,包括以下步骤：
1)读取体表心电信号x(t)，采用高通滤波器及巴特沃斯低通滤波器对体表心电信号x(t)进行滤波处理，然后以8s为段长对体表心电信号x(t)进行分段，得分段信号y(t)，其中，相邻两个分段信号y(t)之间的时间差为1s；
2)当体表心电信号的幅度小于80uv时，则归入NShR中；当体表心电信号的幅度大于等于80uv时，则转至步骤3)及步骤5)；
3)获取分段信号y(t)幅值的最大值，再设定判别阈值为分段信号y(t)幅值的最大值的80％，由于正常心律小于150次/分，因此将时间坐标差在100个采样点以内大于判别阈值的样本z(t)确定为一个R波分布候选区域qrs{r}，并将各R波分布候选区域qrs{r}的位置坐标最大值与最小值中间的位置作为中心点，然后以该中心点为中心、以B为半径寻找信号幅度的最大值，该信号幅度最大值所在的位置即为R波所在的位置；
当系统在分析心电信号过程中，在2s内未检测到R波时，则将判别阈值逐渐减小，直至检测到R波为止；
4)根据检测得到的R波位置计算RR间期，当RR间期小于400ms时，则初步判别为可电击复律心律，并转至步骤7)，否则，则为不可电击复律心律；
5)将分段信号y(t)按照相同时间间隔分为长度为s的小段信号o(t)，计算各小段信号o(t)的最后一个采样点与第一个采样点之间差值的斜率绝对值slope；
6)计算各小段信号o(t)对应斜率绝对值的偏离度系数，当计算得到的偏离度系数小于偏离度阈值时，则初步判断为可电击复律心律，并转至步骤7)；否则，则为不可电击复律心律；
7)输出最终判断结果为可电击复律心律，完成基于双重判断标准的可电击复律心律识别。
2.根据权利要求1所述的基于双重判断标准的可电击复律心律识别方法,其特征在于,步骤5)中第i个小段信号对应的斜率绝对值slopei＝abs(signali(s)-signali(i))，其中，signali(s)为第i个小段信号的最后一个采样点，signali(i)为第i个小段信号的第一个采样点。
3.根据权利要求2所述的基于双重判断标准的可电击复律心律识别方法,其特征在于,各小段信号o(t)对应斜率绝对值的偏离度系数skew为：
其中，n为斜率绝对值序列的长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810829494.2A CN109171697A (zh) | 2018-07-25 | 2018-07-25 | 一种基于双重判断标准的可电击复律心律识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810829494.2A CN109171697A (zh) | 2018-07-25 | 2018-07-25 | 一种基于双重判断标准的可电击复律心律识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109171697A true CN109171697A (zh) | 2019-01-11 |
Family
ID=64937414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810829494.2A Pending CN109171697A (zh) | 2018-07-25 | 2018-07-25 | 一种基于双重判断标准的可电击复律心律识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109171697A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112137611A (zh) * | 2020-10-14 | 2020-12-29 | 山东平伟医疗技术有限公司 | 心电信号波形的检测研究方法 |
| CN114533080A (zh) * | 2020-11-26 | 2022-05-27 | 深圳市科瑞康实业有限公司 | 一种对心电信号数据进行颤动波识别的方法和装置 |
| CN116271539A (zh) * | 2023-05-15 | 2023-06-23 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
| CN116328187A (zh) * | 2023-05-30 | 2023-06-27 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
| CN116825323A (zh) * | 2023-03-21 | 2023-09-29 | 深圳市凯博医疗科技有限公司 | 一种基于三重判定标准的可电击节律识别方法 |
-
2018
- 2018-07-25 CN CN201810829494.2A patent/CN109171697A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112137611A (zh) * | 2020-10-14 | 2020-12-29 | 山东平伟医疗技术有限公司 | 心电信号波形的检测研究方法 |
| CN114533080A (zh) * | 2020-11-26 | 2022-05-27 | 深圳市科瑞康实业有限公司 | 一种对心电信号数据进行颤动波识别的方法和装置 |
| CN114533080B (zh) * | 2020-11-26 | 2023-10-13 | 深圳市科瑞康实业有限公司 | 一种对心电信号数据进行颤动波识别的方法和装置 |
| CN116825323A (zh) * | 2023-03-21 | 2023-09-29 | 深圳市凯博医疗科技有限公司 | 一种基于三重判定标准的可电击节律识别方法 |
| CN116825323B (zh) * | 2023-03-21 | 2024-09-27 | 深圳市凯博医疗科技有限公司 | 一种基于三重判定标准的可电击节律识别方法 |
| CN116271539A (zh) * | 2023-05-15 | 2023-06-23 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
| CN116271539B (zh) * | 2023-05-15 | 2023-09-08 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
| CN116328187A (zh) * | 2023-05-30 | 2023-06-27 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
| CN116328187B (zh) * | 2023-05-30 | 2023-09-26 | 苏州维伟思医疗科技有限公司 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109171697A (zh) | 一种基于双重判断标准的可电击复律心律识别方法 | |
| US10548499B2 (en) | Medical device and method for detecting a ventricular arrhythmia event | |
| Arafat et al. | A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram | |
| Cheng et al. | Life-threatening ventricular arrhythmia detection with personalized features | |
| US6490478B1 (en) | System and method for complexity analysis-based cardiac tachyarrhythmia detection | |
| CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
| Balasundaram et al. | Wavelet-based features for characterizing ventricular arrhythmias in optimizing treatment options | |
| CN108523873B (zh) | 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法 | |
| CN109893115A (zh) | 一种基于人体微弱生物电信号的处理分析方法 | |
| CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
| CN111449622A (zh) | 一种基于bcg检测的房颤识别系统 | |
| Othman et al. | A new semantic mining approach for detecting ventricular tachycardia and ventricular fibrillation | |
| Parsi et al. | Heart rate variability analysis to predict onset of ventricular tachyarrhythmias in implantable cardioverter defibrillators | |
| CN116328187A (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
| KR102458657B1 (ko) | 인공지능 기반 자동심장충격기용 복합 ecg특징 추출 방식의 심전도 분석 및 적용 방법 | |
| Hayn et al. | Automated prediction of spontaneous termination of atrial fibrillation from electrocardiograms | |
| Asadi et al. | Enhancement of life-threatening arrhythmia discrimination in the intensive care unit with morphological features and interval feature extraction via random forest classifier | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| Ming et al. | Detection of shockable rhythm using multi-parameter fusion identification and BP neural network | |
| CN113208615B (zh) | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 | |
| Poigai Arunachalam et al. | Robust discrimination of Normal Sinus Rhythm and Atrial Fibrillation on ECG using a multiscale frequency technique | |
| CN112545531A (zh) | 一种结合时域与频域分析识别可除颤心律的方法 | |
| Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
| Schuckers | Approximate entropy as a measure of morphologic variability for ventricular tachycardia and fibrillation | |
| Chen | Complexity-measure-based sequential hypothesis testing for real-time detection of lethal cardiac arrhythmias |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |