CN109171703A - 基于可穿戴式体感网的心电信号的获取与处理方法 - Google Patents

基于可穿戴式体感网的心电信号的获取与处理方法 Download PDF

Info

Publication number
CN109171703A
CN109171703A CN201811009125.5A CN201811009125A CN109171703A CN 109171703 A CN109171703 A CN 109171703A CN 201811009125 A CN201811009125 A CN 201811009125A CN 109171703 A CN109171703 A CN 109171703A
Authority
CN
China
Prior art keywords
signal
qrs complex
value
acquisition
electrocardiosignal
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
Application number
CN201811009125.5A
Other languages
English (en)
Inventor
庄伟�
刘佳
夏旻
王保卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201811009125.5A priority Critical patent/CN109171703A/zh
Publication of CN109171703A publication Critical patent/CN109171703A/zh
Pending legal-status Critical Current

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]
    • 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
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种基于可穿戴式体感网的心电信号的获取与处理方法，本发明将导联电极组与四种生理信号传感器部署在对应的人体各个表面，通过采集导联电极组信号与四种生理信号建立MAR模型并根据赤池准则和Arfit预测器，恢复脱落的心电信号；然后将恢复后的心电信号作为输入，根据导联电极组的三轴运动强度与电极移位伪差噪声强度，选择导联；再次，将所选择的导联电极信号作为主导联电极信号输入，并识别出QRS复合波的起止点；本发明在病人各种运动情境下，能够准确有效的恢复ECG信号和识别QRS复合波，从而提高系统的鲁棒性和效率。

Description

基于可穿戴式体感网的心电信号的获取与处理方法
技术领域
本发明涉及无线体域传感器网络及其控制领域，特别涉及一种人体运动环境中可穿戴式体感网的心电信号获取与处理方法。
背景技术
心脏疾病已经成为威胁人类健康的第一杀手，据报道：每隔十五秒钟就有一人被心脏病夺走生命。心脏血管堵塞而突发心脏病的患者必须在1小时内打通堵塞的动脉，才不致造成心肌的永久性伤害，因此，早发现、早预防、早治疗是解决和控制当前各种心脏疾病日趋增多的有效方法和手段。
基于无线体域传感器网络的ECG信号监测能够随时随地给病人提供早期预防或评估心脏疾病的能力，目前体域传感器网络通常包含植入式和穿戴式传感器，例如心电(ECG)、心音(PCG)、动态血压(ABP)、血氧饱和度(SPO2)、光电容积(PPG)和体温等传感器，这些传感器能够连续地监测病人的各项生理信息，并随时将数据汇总给汇聚节点。在病人的ECG信号片段中，有两种参数常常被用来反映病人的心血管系统和自主神经系统的健康程度，分别是心率(HR)和心率变异性(HRV)，心率变异性被广泛用来定量分析神经性心肌系统。因此能够成功地检测反映左、右心室除极电位和时间的变化的波群(QRS复合波)在临床诊断上具有重要的作用。
目前，国内外对QRS复合波检测方法的一般流程为先进行ECG的预处理,消除ECG中常见的工频干扰、肌电干扰、呼吸波干扰及基线漂移等噪声，然后经过非线性变换进一步突出QRS复合波,最后进行QRS波的识别，然而，在体域传感器网络中，QRS复合波的检测算法最需要关注的问题首先是算法的抗噪声能力，即在较低信噪比(SNR)水平上得到较高的检出率(+P)；其次，在保证精度的情况下，尽量减小算法执行复杂度。此外，病人的运动因素会引起ECG自动识别的误报警，例如当ECG识别算法给出心动过速的危险报警时，有可能是因为病人在运动后引起的自然反应。因此，能否通过这些侧面反映心电波形的数据融合来快速有效地恢复或预测受损的ECG信号是QRS复合波检测的重要保证。
发明内容
发明目的：本发明目的是提供基于可穿戴式体感网的心电信号的获取与处理方法，实现在日常运动行为下的心电信号快速恢复和QRS复合波的准确识别。
本发明主要解决以下技术问题：一是利用典型的心电导联电极信号和四种常见生理信号对受损的心电信号进行恢复；二是通过采集导联电极处的运动强度选择不同的导联信号输入；三是提供了一种自适应信噪比的QRS复合波检测方法。
技术方案：面向运动情境的可穿戴式体感网心电获取系统与处理方法，首先将含有a个电极的导联电极组部署在人体胸口处，同时部署四种生理信号传感器于相应位置，四种传感器分别为：肺动脉压(PAP)传感器、呼吸波(RESP)传感器、动脉血压(ABP)传感器和脉搏波(PLETH)传感器。通过采集导联电极处的心电信号以及四种生理信号，建立多变量自回归模型，并根据赤池准则和Arfit预测器训练参数。当系统判定某一导联电极松动或脱落时，则进入心电信号恢复阶段，根据已建立的回归模型输出脱落处的心电信号。
然后，将恢复后的心电信号作为输入。并比较输入信号的三轴加速度，选择最小的三轴加速度对应的心电信号，并将该心电信号作为输入,与阈值ω比较，大于ω,则将输入信号别进行微分、低通滤波计算之后得到y1(n)，将y1(n)取绝对值得到并将与QRS复合波判断阀值比较，利用交叉搜寻、交叉判断的方式寻找输出QRS复合波的起止点。
如果小于ω，则将输入信号进行二通低阶滤波计算之后，得到y1(n)，并将y1(n)进行曲线长度转换，再利用曲线长度平均值搜寻并输出QRS复合波起止点。
有益效果：该方法可以在穿戴式体感网运动情境下准确地恢复松动或脱落的电极处的心电信号，并能够自适应噪声强度输出QRS复合波位置，为心脏病患者、老年人、体弱者等需要及时获知心脏疾病发生的人群提供理论依据。本方法更容易移植入能效优先的可穿戴设备中，并能够实时地对窦性心律失常等急性心脏疾病做出准确判决。用本方法恢复的心电信号与原始信号能保存较高的一致性，QRS复合波检测对不同噪声强度下的适应性较好，具备较好的推广能力和应用价值。
附图说明
图1为传感器节点部署与系统结构示意图；
图2为基于MAR模型的ECG信号恢复方法流程图；
图3为运动状态下的QRS复合波检测方法流程图；
图4为Emin大于ω时，计算QRS起止点的工作流程图；
图5为Emin小于ω时，计算QRS起止点的工作流程图；
图6为本发明的多变量自回归模型恢复的ECG信号与原始ECG信号对比图；
图7为两种算法对QRS识别的效果对比图。
附图标记说明：
图中1.心电导联电极组部署的位置；2.肺动脉压(PAP)传感器部署的位置；3.呼吸波(RESP)传感器部署的位置；4.动脉血压(ABP)传感器部署的位置；5.脉搏波(PLETH)传感器部署的位置；6.便携式终端；7.移动通信基站；8.个人计算机；9.远程医疗云数据库；
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
本发明提供一种基于可穿戴式体感网的心电信号的获取与处理方法，包括如下步骤：
步骤1，信号获取，具体操作如图1所示：将导联电极组部署人体左胸前的位置1，ABP传感器部署于人体上臂中段的位置4，PAP传感器部署于人体颈部的位置2，PLETH传感器部署于人体手腕内侧的位置5，RESP传感器部署于人体右胸前的位置3，从而将可以将获取的ECG信号、PAP信号、RESP信号、ABP信号和PLETH信号传送到便携式终端6，3G移动通信基站7与个人计算机9均可以获取便携式终端的数据并将数据发送给远程医疗数据库9；导联电极组有a个导联电极，本实施例采用3级导联电极组，别分有1、2、3号导联电极，所以a＝3，3级导联电极组的部署方式按照医用标准12导联部署方法部署。
步骤2，远程医疗数据库可以分析上述采集的ECG信号，若其中任意一个信号出现10秒以上零位信号，则认为该导联电极脱落，可以通过建立MAR模型恢复脱落的ECG信号；如果均没有出现10秒以上零位信号，则直接输出α个ECG信号；其计算流程如图2所示，具体包括如下步骤：
步骤2.1：分别对采集的ECG信号、ABP信号、PAP信号、PLETH信号和RESP信号，做滤波，放大基础处理，设导联电极组的信号与ABP信号、PAP信号、PLETH信号和RESP信号之和的个数为N，将处理后的信号分别按顺序保存在x1(k)、x2(k)......xa(k)......xN(k)的数组中；由于本实施列中采用3级导联电极组，所以N＝7；
步骤2.2：进行MAR模型构建，构建方法如下：
公式1所示为利用心电类生理信号的时间序列预测当前的信号，其中i为时间序列序号；a11(i)、a21(i)、…、aNN(i)为MAR模型预测系数；e1(k)、e2(k)、…、eN(k)为MAR模型的一阶预测误差数组；
步骤2.3：进行模型阶数p最优选择计算，将模型阶数代入赤池信息准则公式，如公式2所示，在满足约束条件M2p＜＜ML情况下，输出最佳阶数p,并保存：
AIC(p)＝L×log(detC)+2M2p 公式2
其中，AIC(p)为p的熵权值，L为预测器中训练样本总量；detC为协方差矩阵的行列式，C为MAR模型中的噪声协方差矩阵；M为在赤池信息准则预测器中的未知参数的个数；本实施例中M取值为7；
步骤2.4:恢复脱落电极处的心电信号：假设导联电极j脱落，j＝1，2，3,...,a，则xj(k)需要被恢复，则将参数p、aj1(i)、…、ajN(i)和ej(k)代入MAR模型数组xj(k)的计算公式中，如下：
输出预测信号xj(k)，并保存。
步骤3：根据步骤2输出的ECG信号，寻找并输出运动状态下的QRS复合波。计算流程如图3所示，具体包括如下步骤：
步骤3.1：输入a个ECG信号；
步骤3.2：进行运动强度检测：采集导联电极组的三轴加速度值ax,ay,az，并去除因传感器原因引起的奇异值；本实施例将[-7.99g,-4g]和[+4g，+7.99g]范围内测量值定义为奇异值；
步骤3.3：计算运动强度值E，分别保存a个导联电极的运动强度值为E1、E2，...,Ea；
步骤3.4：比较E1、E2，...,Ea大小，并设置参数Emin＝min(E1,E2…Ea)；Emin为最小的运动强度值；
步骤3.5：Emin是否大于阈值ω；如果Emin大于ω,进入步骤3.6，否则转步骤3.7，本实施例中ω取值为1.732g；
步骤3.6：将Emin对应的导联电极作为主要输入电极输入，保存为x(n)，将x(n)分别进行微分、低通滤波计算之后得到y1(n)，将y1(n)取绝对值得到并将与QRS复合波判断阀值比较，利用交叉搜寻、交叉判断的方式寻找输出QRS复合波的起止点；
步骤3.7：将Emin对应的导联电极作为主要输入电极输入，保存为x1(n)，对x1(n)进行二通低阶滤波计算之后，得到y1(n)，并将y1(n)进行曲线长度转换，再利用曲线长度平均值搜寻并输出QRS复合波的起止点。
如图4所示，所述步骤3.6具体包括如下步骤：
步骤3.6.1：将x(n)进行微分计算，输出一阶导数y0(n)，计算方法为：
y0(n)＝x(n)-x(n-4)
步骤3.6.2：将y0(n)进行低通滤波计算，输出y1(n)，计算方法为：
y1(n)＝y0(n)+4y0(n-1)+6y0(n-2)+4y0(n-3)+y0(n-4)；
步骤3.6.3：y1(n)取绝对值为将与阀值σnew进行比较，σnew为当前QRS复合波判断阀值，若大于σnew，则记录当前波形位置，并进入步骤3.6.4，否则返回步骤3.6.1；
步骤3.6.4：交叉搜寻，以大于σnew处位置为起点，向后160ms，若不存在任何再次大于σnew，则判断为基线漂移；若存在再次大于σnew，则进入步骤3.6.5；
步骤3.6.5：进行交叉判断，若出现大于σnew的的个数为2、3或4，则定义为真实的QRS复合波，记录交叉点处的位置，进入步骤3.6.6；若个数不为2、3或4，则返回步骤3.6.1；
步骤3.6.6：输出当前QRS复合波的起止点；
步骤3.6.7：更新下一次QRS检测阀值σnew，计算方法为：σnew＝(7×σold+B/4)/8，B为已检测到的QRS复合波中的最大斜率，σold为上一轮QRS复合波的判断阀值；并返回步骤3.6.1。
如图5所示，所述步骤3.7具体包括如下步骤：
步骤3.7.1：将x1(n)进行二阶低通滤波计算，输出y(n)，计算方法为：
y(n)＝2y(n-1)-y(n-2)+x1(n)-2x1(n-5)+x1(n-10)；
步骤3.7.2：对y(n)进行曲线长度转换，转换方法为：
将其转化为离散形式：
其中τ为检测窗口的时长，L(τ,t)为从0时刻至t时刻的曲线长度值，L(τ,i)为第i个样本点处的曲线长度值，ΔyK为斜率的微量变化，Δyk＝yk-yk-1，yk为斜率，Δt为采样周期间隔；Δt取值为4ms；
步骤3.7.3：计算10秒内的L(τ,i)，取其均值，保存为
步骤3.7.4：计算后续信号的L(τ,i)，若其大于则表示出现QRS复合波，进入步骤3.7.5；否则回到步骤3.7.1；
步骤3.7.5：当出现时，以当前点为基准点，同时向前向后125ms搜寻起止点，起点为止点为
其中Lmin为125ms内搜寻到的最小曲线长度值，Lmax为125ms内搜寻到的最大曲线长度值，为Lmax与Lmin的差值，
步骤3.7.6：输出QRS复合波的起止点；
步骤3.7.7：更新值，并转步骤3.7.1。
本实施例针对MAR模型的训练和识别数据均来自美国MIT-BIH的MIMIC数据库，该数据库包含了100名心脏疾病患者的真实数据，每一名患者数据均包含24-48小时的连续监测数据，且包含专家对每一段数据的解释，因此利用该数据库进行模型训练和识别具备较高的科学性和严谨性。
实验中，MAR模型训练样本种类为7，经前期研究分析后，将MAR模型阶数设定为6。
如图6所示，可以看出利用MAR模型进行恢复后的信号与原始信号保持较好的一致性。
如图7所示，在信噪比较低时采用步骤3.6的方法，检测的灵敏度和正检率都较为优秀，信噪比较高时采用步骤3.7的方法，检测的灵敏度和正检率较为优秀，从而验证了本发明中对QRS检测分别按信噪比进行选择的科学性和有效性。正检率：SE，
SE＝TP/(TP+FN)％，TP正真值，FN为负假值。

Claims (5)

1.基于可穿戴式体感网的心电信号的获取与处理方法，其特征在于，包括如下步骤：
步骤1：将心电导联电极组、PAP传感器、RESP传感器、ABP传感器、PLETH传感器部署在人体相对的位置上，从而将获取的ECG信号、PAP信号、RESP信号、ABP信号和PLETH信号传送到便携式终端，通过3G移动通信基站或个人计算机获取便携式终端的数据并将数据发送给远程医疗数据库，所述心电导联电极组有a个导联电极；
步骤2：所述远程医疗数据库分析上述采集的a个ECG信号，若其中任意一个信号出现10秒以上零位信号，则认为该导联电极脱落，通过建立MAR模型恢复脱落的ECG信号；如果均没有出现10秒以上零位信号，则直接输出a个ECG信号；
步骤3：根据步骤2输出的ECG信号，寻找并输出运动状态下的QRS复合波。
2.根据权利要求1所述的基于可穿戴式体感网的心电信号的获取与处理方法，其特征在于，所述步骤2通过建立MAR模型恢复脱落的ECG信号包括如下步骤：
步骤2.1：分别对采集的ECG信号、ABP信号、PAP信号、PLETH信号和RESP信号，做滤波，放大基础处理，设导联电极组的信号与ABP信号、PAP信号、PLETH信号和RESP信号之和的个数为N，将处理后的信号分别按顺序保存在x1(k)、x2(k)......xa(k)......xN(k)的数组中；
步骤2.2：进行MAR模型构建，构建方法如下：
公式1所示为利用心电类生理信号的时间序列预测当前的信号，其中i为时间序列序号；a11(i)、a21(i)、…、aNN(i)为MAR模型预测系数；e1(k)、e2(k)、…、eN(k)为MAR模型的一阶预测误差数组；
步骤2.3：进行模型阶数p最优选择计算，将模型阶数代入赤池信息准则公式，如公式2所示，在满足约束条件M2p＜＜ML情况下，输出最佳阶数p,并保存：
AIC(p)＝L×log(detC)+2M2p 公式2
其中，AIC(p)为p的熵权值，L为预测器中训练样本总量；detC为协方差矩阵的行列式，C为MAR模型中的噪声协方差矩阵；M为在赤池信息准则预测器中的未知参数的个数；
步骤2.4:恢复脱落电极处的心电信号：假设导联电极j脱落，j＝1，2，3,...,a，则xj(k)需要被恢复，则将参数p、aj1(i)、…、ajN(i)和ej(k)代入MAR模型数组xj(k)的计算公式中，如下：
输出预测信号xj(k)，并保存。
3.根据权利要求2所述的基于可穿戴式体感网的心电信号的获取与处理方法，其特征在于，所述步骤3，根据步骤2输出的ECG信号，寻找并输出QRS复合波，具体包括如下步骤：
步骤3.1：输入a个ECG信号；
步骤3.2：进行运动强度检测：采集导联电极组的三轴加速度值ax,ay,az，并去除因传感器原因引起的奇异值；
步骤3.3：计算运动强度值E，分别保存a个导联电极的运动强度值为E1、E2，...,Ea；
步骤3.4：比较E1、E2，...,Ea大小，并设置参数Emin＝min(E1,E2…Ea)；Emin为最小的运动强度值；
步骤3.5：Emin是否大于阈值ω；如果Emin大于ω,进入步骤3.6，否则转步骤3.7；
步骤3.6：将Emin对应的导联电极作为主要输入电极输入，保存为x(n)，将x(n)分别进行微分、低通滤波计算之后得到y1(n)，将y1(n)取绝对值得到并将与QRS复合波判断阀值比较，并利用交叉搜寻、交叉判断的方式寻找输出QRS复合波的起止点；
步骤3.7：将Emin对应的导联电极作为主要输入电极输入，保存为x1(n)，对x1(n)进行二通低阶滤波计算之后，得到y1(n)，并将y1(n)进行曲线长度转换，再利用曲线长度平均值搜寻并输出QRS复合波起止点。
4.根据权利要求3所述的基于可穿戴式体感网的心电信号的获取与处理方法，其特征在于，所述步骤3.6具体包括如下步骤：
步骤3.6.1：将x(n)进行微分计算，输出一阶导数y0(n)，计算方法为：
y0(n)＝x(n)-x(n-4)
步骤3.6.2：将y0(n)进行低通滤波计算，输出y1(n)，计算方法为：
y1(n)＝y0(n)+4y0(n-1)+6y0(n-2)+4y0(n-3)+y0(n-4)
步骤3.6.3：y1(n)取绝对值为将与阀值σnew进行比较，σnew为当前QRS复合波判断阀值，若大于σnew，则记录当前波形位置，并进入步骤3.6.4，否则返回步骤3.6.1；
步骤3.6.4：交叉搜寻，以大于σnew处位置为起点，向后150ms～170ms，若不存在任何再次大于σnew，则判断为基线漂移；若存在再次大于σnew，则进入步骤3.6.5；
步骤3.6.5：进行交叉判断，若出现大于σnew的的个数为2、3或4，则定义为真实的QRS复合波，记录交叉点处的位置，进入步骤3.6.6；若个数不为2、3或4，则返回步骤3.6.1；
步骤3.6.6：输出当前QRS复合波的起止点；
步骤3.6.7：更新下一次QRS检测阀值σnew，计算方法为：σnew＝(7×σold+B/4)/8，B为已检测到的QRS复合波中的最大斜率，σold为上一轮QRS复合波的判断阀值；并返回步骤3.6.1。
5.根据权利要求3所述的基于可穿戴式体感网的心电信号的获取与处理方法，其特征在于，所述步骤3.7具体包括如下步骤：
步骤3.7.1：将x1(n)进行二阶低通滤波计算，输出y(n)，计算方法为：
y(n)＝2y(n-1)-y(n-2)+x1(n)-2x1(n-5)+x1(n-10)；
步骤3.7.2：对y(n)进行曲线长度转换，转换方法为：
将其转化为离散形式：
其中τ为检测窗口的时长，L(τ,t)为从0时刻至t时刻的曲线长度值，L(τ,i)为第i个样本点处的曲线长度值，ΔyK为斜率的微量变化，Δyk＝yk-yk-1，yk为斜率，Δt为采样周期间隔；
步骤3.7.3：计算10秒内的L(τ,i)，取其均值，保存为
步骤3.7.4：计算后续信号的L(τ,i)，若其大于则表示出现QRS复合波，进入步骤3.7.5；否则回到步骤3.7.1；
步骤3.7.5：当出现时，以当前点为基准点，同时向前向后115～135ms搜寻起止点，起点为止点为
其中Lmin为搜寻到的最小曲线长度值，Lmax为搜寻到的最大曲线长度值，为Lmax与Lmin的差值，
步骤3.7.6：输出QRS复合波的起止点；
步骤3.7.7；更新值，并转步骤3.7.1。
CN201811009125.5A 2018-08-31 2018-08-31 基于可穿戴式体感网的心电信号的获取与处理方法 Pending CN109171703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811009125.5A CN109171703A (zh) 2018-08-31 2018-08-31 基于可穿戴式体感网的心电信号的获取与处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811009125.5A CN109171703A (zh) 2018-08-31 2018-08-31 基于可穿戴式体感网的心电信号的获取与处理方法

Publications (1)

Publication Number Publication Date
CN109171703A true CN109171703A (zh) 2019-01-11

Family

ID=64917653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811009125.5A Pending CN109171703A (zh) 2018-08-31 2018-08-31 基于可穿戴式体感网的心电信号的获取与处理方法

Country Status (1)

Country Link
CN (1) CN109171703A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109846473A (zh) * 2019-03-19 2019-06-07 苏州哈特智能医疗科技有限公司 一种检测单导联10秒心电图噪音干扰程度的方法
CN110807443A (zh) * 2019-11-27 2020-02-18 南京信息工程大学 基于参数自适应hmm模型的体感网心电信号分段方法
CN111035377A (zh) * 2019-12-31 2020-04-21 合肥赛为智能有限公司 一种基于ZigBee技术的人体健康状态监测系统及方法
CN113499079A (zh) * 2021-06-18 2021-10-15 南京信息工程大学 一种心电图中的房颤检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102283642A (zh) * 2011-06-10 2011-12-21 中国科学院深圳先进技术研究院 一种基于躯感网的可连续测量多生理参数的穿戴式系统
CN103099615A (zh) * 2013-01-23 2013-05-15 深圳市理邦精密仪器股份有限公司 一种消除运动心电信号干扰的方法和装置
US20130317377A1 (en) * 2012-05-23 2013-11-28 University Of Washington Through Its Center For Commercialization Generative Model-Driven Resource-Efficient Monitoring in Body Sensor Networks
US20150157252A1 (en) * 2013-12-05 2015-06-11 Cyberonics, Inc. Systems and methods of limb-based accelerometer assessments of neurological disorders

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102283642A (zh) * 2011-06-10 2011-12-21 中国科学院深圳先进技术研究院 一种基于躯感网的可连续测量多生理参数的穿戴式系统
US20130317377A1 (en) * 2012-05-23 2013-11-28 University Of Washington Through Its Center For Commercialization Generative Model-Driven Resource-Efficient Monitoring in Body Sensor Networks
CN103099615A (zh) * 2013-01-23 2013-05-15 深圳市理邦精密仪器股份有限公司 一种消除运动心电信号干扰的方法和装置
US20150157252A1 (en) * 2013-12-05 2015-06-11 Cyberonics, Inc. Systems and methods of limb-based accelerometer assessments of neurological disorders

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONGXING WEI ，HUAMING LI ，JINDONG TAN: "Body Sensor Network Based Context-Aware QRS Detection", 《J SIGN PROCESS SYST》 *
杜天旭，吴晓雯，庄伟: "基于ZigBee技术的人体健康监测平台", 《测控技术》 *
王文圣: "《水文水资源随机模拟技术》", 31 December 2007 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109846473A (zh) * 2019-03-19 2019-06-07 苏州哈特智能医疗科技有限公司 一种检测单导联10秒心电图噪音干扰程度的方法
CN109846473B (zh) * 2019-03-19 2021-11-05 苏州哈特智能医疗科技有限公司 一种检测单导联10秒心电图噪音干扰程度的方法
CN110807443A (zh) * 2019-11-27 2020-02-18 南京信息工程大学 基于参数自适应hmm模型的体感网心电信号分段方法
CN110807443B (zh) * 2019-11-27 2023-04-25 南京信息工程大学 基于参数自适应hmm模型的体感网心电信号分段方法
CN111035377A (zh) * 2019-12-31 2020-04-21 合肥赛为智能有限公司 一种基于ZigBee技术的人体健康状态监测系统及方法
CN113499079A (zh) * 2021-06-18 2021-10-15 南京信息工程大学 一种心电图中的房颤检测方法
CN113499079B (zh) * 2021-06-18 2023-12-08 南京信息工程大学 一种心电图中的房颤检测方法

Similar Documents

Publication Publication Date Title
CN108478209B (zh) 心电信息动态监护方法和动态监护系统
Sološenko et al. Photoplethysmography-based method for automatic detection of premature ventricular contractions
Nemati et al. Monitoring and detecting atrial fibrillation using wearable technology
TWI650737B (zh) 一種評估心跳停止發生可能的穿戴式裝置及其方法
CN108577830B (zh) 一种面向用户的体征信息动态监护方法和动态监护系统
CN109171703A (zh) 基于可穿戴式体感网的心电信号的获取与处理方法
CN102429649B (zh) 连续血压测量装置
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
CN107080527B (zh) 一种基于可穿戴生命体征监测装置的精神状态监测方法
CN106073755A (zh) 一种微型动态心电监测设备上房颤自动识别的实现方法
CN110650671A (zh) 处理用于分析物评估的生理电数据
CN110420019A (zh) 一种心冲击图信号的深度回归心率估计方法
CN106066933B (zh) 获取房颤识别人工神经网络权重值矩阵的方法
Silva et al. Signal quality estimation with multichannel adaptive filtering in intensive care settings
Adams et al. Using neural networks to predict cardiac arrhythmias
Arefin et al. QRS complex detection in ECG signal for wearable devices
Covello et al. Novel method and real-time system for detecting the Cardiac Defense Response based on the ECG
Kanawade et al. Photoplethysmography based arrhythmia detection and classification
Bashar et al. Smartwatch based atrial fibrillation detection from photoplethysmography signals
CN114190950A (zh) 一种针对含有噪声标签的心电图智能分析方法及心电仪
Zhang et al. Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals
CN113100725A (zh) 基于光纤传感器的健康状态快速检测装置及方法
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
Ghosh et al. Using accelerometric and gyroscopic data to improve blood pressure prediction from pulse transit time using recurrent neural network
Liu et al. Adaptive atrial fibrillation detection focused on atrial activity analysis

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210032 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu

Applicant after: Nanjing University of Information Science and Technology

Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province

Applicant before: Nanjing University of Information Science and Technology

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111