CN109222964A - 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
- CN109222964A CN109222964A CN201810800638.1A CN201810800638A CN109222964A CN 109222964 A CN109222964 A CN 109222964A CN 201810800638 A CN201810800638 A CN 201810800638A CN 109222964 A CN109222964 A CN 109222964A
- Authority
- CN
- China
- Prior art keywords
- interphase
- value
- atrial fibrillation
- electrocardiosignal
- shape information
- 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
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:提取心电信号中的QRS波波形信息;然后,根据QRS波波形信息确定RR间期的间期差序列对应的直方图;之后,按照预设长度对直方图的分布区域进行划分,得到多个子分布区域;最后,根据统计结果,确定心电信号是否为房颤。本发明实施例设计了一种新型的RR间期直方图分析规则,用于识别一部分房颤分布以及滤除一部分非房颤分布,可提高房颤检测的准确度,满足临床需求。
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,其准确度较低,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,以提高房颤检测的准确度,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QRS波波形信息确定RR间期的间期差序列对应的直方图;
计算模块,与所述第一确定模块连接,用于按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
第二确定模块,与所述计算模块连接,用于根据统计结果,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QRS波波形信息,计算RR间期的间期差序列:
ΔRR(n1)=abs(R(n1+1)-RR(n1)),n1=1,...,N1-1
其中,ΔRR(n1)表示从第n1个心电信号周期和第n1+1个心电信号周期间的RR间期,N1为RR间期的总数;
根据如下公式确定所述间期差序列对应的直方图:
其中,HΔRR(i1)表示所述间期差序列对应的直方图;△RRmax、△RRmin分别表示所述间期差序列的最大约束值和最小约束值;i1表示直方图的横坐标,其最大值为M1,M1表示直方图宽度,M1的调整方式为:N1为所述间期差序列的长度;j1表示所述间期差序列的第j1个元素;sgn()为符号函数;[]为向下取整符号。
一种可能的实施方式中,所述计算模块用于统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小时,具体为:
设定得分值、第一计数值和第二计数值的初始值;
对每个所述子分布区域进行以下处理,得到整个分布区域对应的所述统计结果:
若所述子分布区域中的RR间期差的个数大于第一预设阈值,设定增量为第一值,所述得分值自增所述第一值,所述第一计数值自增第一预设值;
或者,若所述子分布区域中的RR间期差的个数小于第二预设阈值,设定所述增量为第二值,所述得分值自增所述第二值,所述第二计数值自增第二预设值,所述第二预设阈值小于所述第一预设阈值;
或者,若所述子分布区域中的RR间期差的个数大于所述第二预设阈值,且所述子分布区域中的RR间期差的个数小于所述第一预设阈值,设定所述增量为第三值,所述得分值自增所述第三值,所述第一计数值自增所述第一预设值,所述第二计数值自增所述第二预设值。
一种可能的实施方式中,所述第二确定模块具体用于:
若所述统计结果中的所述第一计数值小于第一统计值,且所述得分值小于预设分值,确定所述心电信号为房颤;
或者,若所述统计结果中的所述第二计数值大于第二统计值,且所述得分值大于所述预设分值,确定所述心电信号为非房颤。
一种可能的实施方式中,所述提取模块,还用于提取心电信号中的P波波形信息;
所述装置还包括:
第三确定模块,与所述提取模块连接,用于根据所述P波波形信息确定P波变化特征,所述P波变化特征用于表示所述P波波形信息中最大值与最小值之间的关系;
第四确定模块,与所述提取模块连接,用于根据所述QRS波波形信息确定PR间期变化特征;
相应地,所述计算模块与所述第三确定模块、所述第四确定模块连接,还用于计算所述P波变化特征和所述PR间期变化特征的相对变化;
所述第二确定模块,还用于根据所述相对变化及当前检测周期对应的预设阈值,确定所述心电信号是否为房颤的第一结果。
一种可能的实施方式中,所述第三确定模块具体用于:
将所述P波波形信息对应的P波序列划分为多个子序列;
确定每一所述子序列中最大值和最小值的差值;
确定所述多个子序列的差值中最大差值;
将所述最大差值除以所述P波序列中最大值得到所述P波变化特征。
一种可能的实施方式中,所述第四确定模块包括:
第一确定子模块,用于根据所述QRS波波形信息确定PR间期;
第二确定子模块,用于根据所述PR间期对应相空间的概率密度函数确定所述PR间期变化。
一种可能的实施方式中,所述第二确定子模块具体用于:
根据如下公式确定所述PR间期变化:
其中,PRIV表示所述PR间期变化;所述PR间期表示为x(n),n=1,...m,m为PR间期;所述PR间期对应相位空间的概率密度函数表示为y(n)=(x(n),x(n+1),...,x(n+(m-1)t));Σ表示求和符号,||.||表示欧几里得距离,h表示阶梯函数,t表示延迟时间,C表示组合运算,r表示预设参数,N表示样本数量。
一种可能的实施方式中,所述第二确定模块在用于根据所述相对变化及当前检测周期对应的预设阈值,确定所述心电信号是否为房颤的第一结果时,具体用于:
若确定所述相对变化大于所述当前检测周期对应的预设阈值,确定所述心电信号为房颤;
或者,若确定所述相对变化小于所述当前检测周期对应的预设阈值,确定所述心电信号为非房颤。
一种可能的实施方式中,所述心电信号为多导联心电信号,所述计算模块在用于计算所述P波变化特征和所述PR间期变化特征的相对变化时,具体用于:
计算每一导联心电信号对应的所述P波变化和所述PR间期变化的第一相对变化;
确定各所述导联心电信号对应的第一相对变化的均值为所述相对变化。
一种可能的实施方式中,还包括:
第六确定模块,与所述第二确定模块连接,用于根据如下公式计算所述当前检测周期对应的预设阈值:
PPRMDq+1=λPPRMDq+μPPRMDq-1
其中,PPRMDq表示第q个检测周期对应的预设阈值,PPRMDq-1表示第q-1个检测周期对应的预设阈值,q为大于1的整数,λ和μ是预设参数,且λ+μ=1。
一种可能的实施方式中,还包括:
第五确定模块,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;
相应地,所述计算模块,与所述第五确定模块连接,还用于采用熵估计法计算所述RR间期变化特征的信息熵;
所述第二确定模块,还用于根据所述P波变化特征、所述PR间期变化特征、所述信息熵及预设分类模型,确定所述心电信号是否为房颤的第二结果。
可选地,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。
一种可能的实施方式中,所述第五确定模块包括:
第三确定子模块,用于根据所述QRS波波形信息确定RR间期;
第四确定子模块,与所述第三确定子模块相连,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特征,所述直方图特征包括所述间期差序列的直方图中位数、均值和标准差;
相应地,所述计算模块具体用于:计算所述间期差序列的信息熵及所述间期差序列对应的直方图的信息熵。
一种可能的实施方式中,所述第二确定模块还用于:
根据所述第一结果、所述第二结果、根据统计结果确定所述心电信号是否为房颤的第三结果,确定所述心电信号是否为房颤。
一种可能的实施方式中,还包括:
输出模块,与所述第二确定模块连接,用于输出所述心电信号是否为房颤的结果。
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QRS波波形信息;
根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图;
按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;
统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
根据统计结果,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QRS波波形信息;
根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图;
按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;
统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
根据统计结果,确定所述心电信号是否为房颤。
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QRS波波形信息;然后,根据QRS波波形信息确定RR间期的间期差序列对应的直方图;之后,按照预设长度对直方图的分布区域进行划分,得到多个子分布区域;最后,根据统计结果,确定心电信号是否为房颤。本发明实施例设计了一种新型的RR间期直方图分析规则,用于识别一部分房颤分布以及滤除一部分非房颤分布,可提高房颤检测的准确率,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;
图8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,房颤检测的准确度较低,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房颤检测装置及存储介质,设计了一种新型的RR间期直方图分析规则,用于识别一部分房颤分布以及滤除一部分非房颤分布,可提高房颤检测的准确率,满足临床需求。
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、计算模块13和第二确定模块14。
其中,该提取模块11,用于提取心电信号中的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。
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QRS波波形信息确定RR间期的间期差序列对应的直方图。
具体地,QRS波形信息中包含有QRS波形的变化趋势,QRS波形对应时间和幅值,幅值处于波动状态。因此,可根据QRS波波形信息确定RR间期,进而确定RR间期的间期差序列对应的直方图。
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。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。
该计算模块13,与第一确定模块12连接,用于按照预设长度对直方图的分布区域进行划分,得到多个子分布区域;统计位于每个子分布区域中的RR间期差的个数与预设阈值的大小。
例如,直方图的分布区域为D,以预设宽度L对D进行划分,得到子分布区域的数目为C,统计每个子分布区域中的RR间期差的个数,并将其与预设阈值进行比较,确定二者的大小。示例性地,预设阈值包括第一预设阈值和第二预设阈值,子分布区域A中的RR间期差的个数大于第一预设阈值,子分布区域B中的RR间期差的个数小于第二预设阈值,等等。
该第二确定模块14,与计算模块13连接,用于根据统计结果,确定心电信号是否为房颤。例如,统计结果为RR间期差的个数大于预设阈值的子分布区域的数目,当该数目大于某一固定值时,确定心电信号为房颤,当该数目小于某一固定值时,确定心电信号为非房颤,等等。
该实施例,首先提取心电信号中的QRS波波形信息;然后,根据QRS波波形信息确定RR间期的间期差序列对应的直方图;之后,按照预设长度对直方图的分布区域进行划分,得到多个子分布区域;最后,根据统计结果,确定心电信号是否为房颤。本发明实施例设计了一种新型的RR间期直方图分析规则,用于识别一部分房颤分布以及滤除一部分非房颤分布,可提高房颤检测的准确率,满足临床需求。
在上述实施例的基础上,一种实现方式中,第一确定模块12可具体用于:
1)根据QRS波波形信息,计算RR间期的间期差序列:
ΔRR(n1)=abs(R(n1+1)-RR(n1)),n1=1,...,N1-1
其中,ΔRR(n1)表示从第n1个心电信号周期和第n1+1个心电信号周期间的RR间期,N1为RR间期的总数;
2)根据如下公式确定所述间期差序列对应的直方图:
其中,HΔRR(i1)表示所述间期差序列对应的直方图;△RRmax、△RRmin分别表示所述间期差序列的最大约束值和最小约束值;i1表示直方图的横坐标,其最大值为M1,M1表示直方图宽度,M1的调整方式为:N1为所述间期差序列的长度;j1表示所述间期差序列的第j1个元素;sgn()为符号函数,当括号内取值大于0时输出1,括号内取值小于0时输出-1,括号内取值等于0时输出0;[]为向下取整符号。
示例地,△RRmax和△RRmin是预先设定的固定值。例如,△RRmax取值为1500ms,△RRmin取值为-1500ms。可选地,直方图宽度可以自适应调节以满足实际需求。可以理解,当N1较大时,可以对其进行分段处理,以加快处理速度。
一些实施例中,计算模块13在用于统计位于每个子分布区域中的RR间期差的个数与预设阈值的大小时,可以具体为:设定得分值、第一计数值和第二计数值的初始值;对每个子分布区域进行以下处理,得到整个分布区域对应的统计结果:
若子分布区域中的RR间期差的个数大于第一预设阈值,设定增量为第一值,得分值自增第一值,第一计数值自增第一预设值;或者,若子分布区域中的RR间期差的个数小于第二预设阈值,设定增量为第二值,所述得分值自增第二值,第二计数值自增第二预设值,第二预设阈值小于第一预设阈值;或者,若子分布区域中的RR间期差的个数大于第二预设阈值,且子分布区域中的RR间期差的个数小于第一预设阈值,设定增量为第三值,得分值自增第三值,第一计数值自增第一预设值,第二计数值自增第二预设值。
例如,设定得分值Score、第一计数值c1和第二计数值c2的初始值均为0,即Score=0,c1=0,c2=0;然后,开始依次判断每个子分布区域中的RR间期差的个数N(i)与预设阈值的大小,i取值为1,2,……,C,C为子分布区域的个数。具体地:
若N(i)大于第一预设阈值K1,设定增量Shift为-10(即第一值),第一预设值为1,则Score=Score+Shift,c1=c1+1;
若N(i)小于第二预设阈值K2,设定增量Shift为5(即第二值),第二预设值为1,则Score=Score+Shift,c2=c2+1;
若N(i)大于第二预设阈值K2,且N(i)小于第一预设阈值K1,设定增量Shift为1(即第三值),第一预设值为1,第二预设值为1,则Score=Score+Shift,c1=c1+1,c2=c2+1。
其中,第二预设阈值K2小于第一预设阈值K1。可选地,K1=50,K2=30,该条件下房颤识别效果较佳。
进一步地,第二确定模块14可具体用于:若统计结果中的第一计数值小于第一统计值,且得分值小于预设分值,确定心电信号为房颤;或者,若统计结果中的第二计数值大于第二统计值,且得分值大于预设分值,确定心电信号为非房颤。
仍以上述示例为例,在统计完所有子分布区域中的RR间期差的个数N(i)与预设阈值的大小之后,得到统计结果;如果第一计数值c1小于第一统计值K4,且得分值Score小于预设分值0,则认为该段心电信号不是房颤分布段,即心电信号为非房颤;或者,如果第二计数值c2大于第二统计值K5,且得分值Score大于预设分值0,则认为该段心电信号是房颤分布段,即心电信号为房颤。
可选地,K4=4,K5=15。
上述实施例,设计了一种具体的RR间期直方图分析规则,通过该RR间期直方图分析规则可以识别一部分房颤分布以及滤除一部分非房颤分布,可提高房颤检测的准确率,满足临床需求。
进一步地,考虑到房颤检测装置的容错性能,如图4所示,在上述实施例的基础上,房颤检测装置40还可以包括:第三确定模块41和第四确定模块42。
该实施例中,第三确定模块41,与提取模块连接11,用于根据P波波形信息确定P波变化特征。其中,该P波变化特征用于表示P波波形信息的变化的特征,例如,该P波变化特征用于表示P波波形信息中最大值与最小值之间的关系。
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。
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。
第四确定模块42,与提取模块连接11,用于根据QRS波波形信息确定PR间期变化特征。其中,PR间期变化特征为用于表示PR间期的变化的特征。
不同心电信号周期内,PR间期的具体取值可能不同。PR间期为心房开始除极到心室开始除极的一段时间。成年人心率在正常范围时,PR间期为0.12~0.20秒。PR间期随心率和年龄而异,一般的规律是心率越快或年龄越小,PR间期越短;反之,则越长,老年人的心率缓慢,PR间期可能长达0.21~0.22秒。
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PR间期和P波序列,进而确定RR间期变化特征、PR间期变化特征及P波变化特征。
相应地,提取模块11,还用于提取心电信号中的P波波形信息;计算模块13分别与第三确定模块41、第四确定模块42连接,还可以用于计算P波变化特征和PR间期变化特征的相对变化;第二确定模块14,还用于根据该相对变化及当前检测周期对应的预设阈值,确定心电信号是否为房颤的第一结果。
其中,该计算模块13用于计算P波变化特征和PR间期变化特征的相对变化,即计算P波变化特征除以PR间期变化特征的比值,该比值即为二者的相对变化。例如,采用PDI表示P波变化特征,PRIV表示PR间期变化特征,PPR表示相对变化,则有
第二确定模块14用于根据该相对变化及当前检测周期对应的预设阈值,确定心电信号是否为房颤的第一结果,可以具体为:将P波变化特征和PR间期变化特征的相对变化作为房颤识别分类器的输入特征,通过房颤识别分类器的识别,将可将房颤和非房颤区分开来。可选地,若确定相对变化大于当前检测周期对应的预设阈值,确定心电信号为房颤;或者,若确定相对变化小于当前检测周期对应的预设阈值,确定心电信号为非房颤。
需要说明的是,对于相对变化等于当前检测周期对应的预设阈值的情况,可以根据实际需求进行设置,例如,若确定相对变化大于或等于当前检测周期对应的预设阈值,确定心电信号为房颤;或者,若确定相对变化小于或等于当前检测周期对应的预设阈值,确定心电信号为非房颤。
综上所述,该实施例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波变化特征,并根据QRS波波形信息确定PR间期变化特征,之后,计算P波变化特征和PR间期变化特征的相对变化,并根据该相对变化及当前检测周期对应的预设阈值,确定心电信号是否为房颤,从而实现房颤的快速、有效检测。另外,结合上述RR间期直方图分析规则,作为房颤精确识别之前的模糊处理,用于识别少部分房颤分布以及滤除一部分非房颤分布,可进一步提升房颤识别的准确度。
在上述实施例中,一种可能的实施方式中,第三确定模块41可具体用于:将P波波形信息对应的P波序列划分为多个子序列;确定每一子序列中最大值和最小值的差值;确定多个子序列的差值中最大差值;将最大差值除以P波序列中最大值得到P波变化特征。
例如,假设P(i,j)表示P波波形信息对应的P波序列,其中,i表示子序列的样本数,i小于或等于P波序列的样本数;j表示P波序列的第j个样本。接下来,计算P波序列中最大值与最小值的差值,该差值可以表示为PD(i):
采用PDI表示P波变化,其计算公式如下:
其中,表示最大差值,表示P波序列中最大值。
另一种实现方式中,第三确定模块41可具体用于:确定P波波形信息对应的P波序列中最大值和最小值的差值;将该差值除以P波序列中最大值得到P波变化。可以理解,该实现方式中,i等于P波序列的样本数。
图5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5所示,在图4所示结构的基础上,在房颤检测装置50中,第四确定模块42可以包括:第一确定子模块421和第二确定子模块422。其中,
第一确定子模块421,可以用于根据QRS波波形信息确定PR间期。
第二确定子模块422,可以用于根据PR间期对应相空间的概率密度函数确定PR间期变化。
进一步地,第二确定子模块422可具体用于:
根据如下公式确定PR间期变化:
其中,PRIV表示所述PR间期变化;所述PR间期表示为x(n),n=1,...m,m为PR间期;所述PR间期对应相位空间的概率密度函数表示为y(n)=(x(n),x(n+1),...,x(n+(m-1)t));Σ表示求和符号,||.||表示欧几里得距离,h表示阶梯函数,t表示延迟时间,C表示组合运算,r表示预设参数,N表示样本数量。
上述处理均针对单导联心电信号说明。可选地,心电信号还可以为多导联心电信号。这种情况下,计算模块13可以具体用于:计算每一导联心电信号对应的P波变化和PR间期变化的第一相对变化;确定各导联心电信号对应的第一相对变化的均值为相对变化。
针对多导联心电信号,假设导联数为M,则将得到M个第一相对变化PPR,计算其平均值PPRM,如下式所示:
其中,PPRMq表示连续监测过程中第q个计算得到的PPRM,PPRs,q表示第q个计算中第s个导联的PPR。
上述实施例,通过确定各导联心电信号对应的第一相对变化的均值为相对变化,可提升检测结果的准确度。
进一步地,如图5所示,房颤检测装置50还可以包括:第六确定模块51,与第二确定模块14连接,用于根据在先检测周期对应的预设阈值,确定当前检测周期对应的预设阈值。
具体地,第六确定模块51可以用于根据如下公式计算所述当前检测周期对应的预设阈值:
PPRMDq+1=λPPRMDq+μPPRMDq-1
其中,PPRMDq表示第q个检测周期对应的预设阈值,PPRMDq-1表示第q-1个检测周期对应的预设阈值,q为大于1的整数,λ和μ是预设参数,且λ+μ=1。
例如,设定PPRM的初始阈值为PPRMD0,该初始阈值是由大量实验获得的经验参数,PPRMDq表示第q个检测周期对应的预设阈值,则自适应阈值更新公式为上式。
一些实施例中,根据大量实验数据,得到λ=0.85,μ=0.15。
该实施例表明各检测周期对应的预设阈值不是固定不变的,一直在根据之前检测周期对应的预设阈值进行自适应调整,且计算简单,占用资源少,能够快速地运行在房颤检测装置上,快速、有效地识别房颤。
更进一步地,如图6所示,在图4所示结构的基础上,房颤检测装置60还可以包括第五确定模块61。
其中,该第五确定模块61,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。
相应地,计算模块13,与第五确定模块61连接,还用于采用熵估计法计算RR间期变化特征的信息熵。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,因而其相应的信息熵将增大,这是熵估计法可应用于房颤检测的基本原理。
第二确定模块14,还用于根据P波变化特征、PR间期变化特征、信息熵及预设分类模型,确定心电信号是否为房颤的第二结果。具体地,将P波变化特征、PR间期变化特征、信息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波变化特征、PR间期变化特征和信息熵,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波变化特征、PR间期变化特征和信息熵作为输入样本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支持向量机(Support Vector Machine,简称:SVM)回归模型,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波波形信息确定P波变化特征,该P波变化特征用于表示所述P波波形信息中最大值与最小值之间的关系,并根据QRS波波形信息确定PR间期变化特征及RR间期变化特征;之后,采用熵估计法计算RR间期变化特征的信息熵;最后,根据P波变化特征、PR间期变化特征、信息熵及预设分类模型,确定该心电信号是否为房颤。由于本发明实施例综合P波变化特征、PR间期变化特征、信息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方差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。另外,结合上述RR间期直方图分析规则,作为房颤精确识别之前的模糊处理,用于识别少部分房颤分布以及滤除一部分非房颤分布,可进一步提升房颤识别的准确度。
一种可能的实施方式中,第五确定模块61可以包括:第三确定子模块(未示出)和第四确定子模块(未示出)。其中,第三确定子模块,用于根据QRS波波形信息确定RR间期;第四确定子模块,与第三确定子模块相连,用于确定RR间期的间期差序列及间期差序列的直方图特征,该直方图特征可以包括所述间期差序列的直方图中位数、均值和标准差。其中,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及直方图特征。间期差序列及间期差序列的直方图的获取方式可参考前述实现方式,此处不再赘述。
相应地,计算模块13可具体用于:计算间期差序列的信息熵及间期差序列对应的直方图的信息熵。
一些实施例中,设计香农熵算法提取间期差序列和间期差序列对应的直方图的信息熵,作为房颤识别的特征。以下说明具体信息熵计算方法。
一种实现方式中,间期差序列的信息熵计算方法可如下:
1、求解间期差序列的最大、最小RR间期以获得RR间期范围;
2、在RR间期范围内将间期差序列分成N2段,求解每段对应的RR间期个数M(n2),则每段RR间期存在的概率为
3、计算间期差序列的信息熵SE:
另一种实现方式中,间期差序列的信息熵计算方法可如下:
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、求解第二序列的最大、最小RR间期以获得RR间期范围;
4、在RR间期范围内将第二序列分成N2段,求解每段对应的RR间期个数M(n2),则每段RR间期存在的概率为
5、计算第二序列的信息熵SE,作为间期差序列的信息熵:
间期差序列对应的直方图的信息熵的计算方法同上,此处不再赘述。
综上,确定了以下特征参数:
P波变化特征PDI;
PR间期变化特征PRIV;
间期差序列的直方图中位数、均值和标准差;
间期差序列的信息熵;
间期差序列对应的直方图的信息熵。
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。
更进一步地,还可以将上述相对变化PPR或平均值PPRM也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。
综上,上述实施例提及通过以下几种方式确定心电信号是否为房颤:
一、根据统计结果,确定心电信号是否为房颤,作为第三结果;
二、根据相对变化及当前检测周期对应的预设阈值,确定心电信号是否为房颤,作为第一结果;
三、根据P波变化特征、PR间期变化特征、信息熵及预设分类模型,确定心电信号是否为房颤,作为第二结果。
因此,第二确定模块14还可以用于:根据该第一结果、第二结果以及第三结果,确定心电信号是否为房颤。
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。参考图7,在图1所示结构的基础上,进一步地,房颤检测装置70还可以包括:输出模块71。
该输出模块71,与第二确定模块14连接,用于输出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8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8所示,房颤检测装置80包括存储器81和处理器82,以及存储在存储器81上可供处理器82执行的计算机程序。处理器82执行计算机程序使得房颤检测装置80实现如下操作:
提取心电信号中的QRS波波形信息;
根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图;
按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;
统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
根据统计结果,确定所述心电信号是否为房颤。
需说明的是,对于存储器81及处理器82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8以一个为例进行图示;存储器81以及处理器82之间,可以通过多种方式进行有线或者无线连接。
一种实现方式中,房颤检测装置80根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图,包括:
根据所述QRS波波形信息,计算RR间期的间期差序列:
ΔRR(n1)=abs(R(n1+1)-RR(n1)),n1=1,...,N1-1
其中,ΔRR(n1)表示从第n1个心电信号周期和第n1+1个心电信号周期间的RR间期,N1为RR间期的总数;
根据如下公式确定所述间期差序列对应的直方图:
其中,HΔRR(i1)表示所述间期差序列对应的直方图;△RRmax、△RRmin分别表示所述间期差序列的最大约束值和最小约束值;i1表示直方图的横坐标,其最大值为M1,M1表示直方图宽度,M1的调整方式为:N1为所述间期差序列的长度;j1表示所述间期差序列的第j1个元素;sgn()为符号函数;[]为向下取整符号。
一些实施例中,房颤检测装置80统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小时,具体为:
设定得分值、第一计数值和第二计数值的初始值;
对每个所述子分布区域进行以下处理,得到整个分布区域对应的所述统计结果:
若所述子分布区域中的RR间期差的个数大于第一预设阈值,设定增量为第一值,所述得分值自增所述第一值,所述第一计数值自增第一预设值;
或者,若所述子分布区域中的RR间期差的个数小于第二预设阈值,设定所述增量为第二值,所述得分值自增所述第二值,所述第二计数值自增第二预设值,所述第二预设阈值小于所述第一预设阈值;
或者,若所述子分布区域中的RR间期差的个数大于所述第二预设阈值,且所述子分布区域中的RR间期差的个数小于所述第一预设阈值,设定所述增量为第三值,所述得分值自增所述第三值,所述第一计数值自增所述第一预设值,所述第二计数值自增所述第二预设值。
一些实施例中,房颤检测装置80根据统计结果,确定所述心电信号是否为房颤,包括:
若所述统计结果中的所述第一计数值小于第一统计值,且所述得分值小于预设分值,确定所述心电信号为房颤;
或者,若所述统计结果中的所述第二计数值大于第二统计值,且所述得分值大于所述预设分值,确定所述心电信号为非房颤。
一些实施例中,当计算机程序被处理器82执行时还使得房颤检测装置80:提取心电信号中的P波波形信息;根据所述P波波形信息确定P波变化特征,所述P波变化特征用于表示所述P波波形信息中最大值与最小值之间的关系;计算所述P波变化特征和所述PR间期变化特征的相对变化;根据所述相对变化及当前检测周期对应的预设阈值,确定所述心电信号是否为房颤的第一结果。
一些实施例中,房颤检测装置80根据所述P波波形信息确定P波变化特征,可以包括:将所述P波波形信息对应的P波序列划分为多个子序列;确定每一所述子序列中最大值和最小值的差值;确定所述多个子序列的差值中最大差值;将所述最大差值除以所述P波序列中最大值得到所述P波变化特征。
一些实施例中,房颤检测装置80根据所述QRS波波形信息确定PR间期变化特征,可以包括:根据所述QRS波波形信息确定PR间期;根据所述PR间期对应相空间的概率密度函数确定所述PR间期变化。
可选地,房颤检测装置80根据所述PR间期对应相空间的概率密度函数确定所述PR间期变化,可以包括:根据如下公式确定所述PR间期变化:
其中,PRIV表示所述PR间期变化;所述PR间期表示为x(n),n=1,...m,m为PR间期;所述PR间期对应相位空间的概率密度函数表示为y(n)=(x(n),x(n+1),...,x(n+(m-1)t));Σ表示求和符号,||.||表示欧几里得距离,h表示阶梯函数,t表示延迟时间,C表示组合运算,r表示预设参数,N表示样本数量。
可选地,房颤检测装置80根据所述相对变化及当前检测周期对应的预设阈值,确定所述心电信号是否为房颤的第一结果,可以具体为:若确定所述相对变化大于所述当前检测周期对应的预设阈值,确定所述心电信号为房颤;或者,若确定所述相对变化小于所述当前检测周期对应的预设阈值,确定所述心电信号为非房颤。
一种可能的实施方式中,所述心电信号为多导联心电信号,房颤检测装置80计算所述P波变化特征和所述PR间期变化特征的相对变化,可以具体为:计算每一导联心电信号对应的所述P波变化和所述PR间期变化的第一相对变化;确定各所述导联心电信号对应的第一相对变化的均值为所述相对变化。
一些实施例中,当计算机程序被处理器82执行时还使得房颤检测装置80根据如下公式计算所述当前检测周期对应的预设阈值:
PPRMDq+1=λPPRMDq+μPPRMDq-1
其中,PPRMDq表示第q个检测周期对应的预设阈值,PPRMDq-1表示第q-1个检测周期对应的预设阈值,q为大于1的整数,λ和μ是预设参数,且λ+μ=1。
一些实施例中,当计算机程序被处理器82执行时还使得房颤检测装置80: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间期变化特征的信息熵;根据所述P波变化特征、所述PR间期变化特征、所述信息熵及预设分类模型,确定所述心电信号是否为房颤的第二结果。
可选地,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。
一种可能的实施方式中,房颤检测装置80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特征,所述直方图特征包括所述间期差序列的直方图中位数、均值和标准差;计算所述间期差序列的信息熵及所述间期差序列对应的直方图的信息熵。
一些实施例中,当计算机程序被处理器82执行时还使得房颤检测装置80:根据所述第一结果、所述第二结果、根据统计结果确定所述心电信号是否为房颤的第三结果,确定所述心电信号是否为房颤。
可选地,当计算机程序被处理器82执行时还使得房颤检测装置80:输出所述心电信号是否为房颤的结果。因此,房颤检测装置80还可以包括显示屏83。该显示屏83可用于输出该心电信号是否为房颤的结果。
其中,显示屏83可以为电容屏、电磁屏或者红外屏。一般而言,显示屏83用于根据处理器82的指示显示数据,还用于接收作用于显示屏83的触摸操作,并将相应的信号发送给处理器82或房颤检测装置80的其他部件。可选地,当显示屏83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83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82或房颤检测装置80的其他部件。
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QRS波波形信息确定RR间期的间期差序列对应的直方图;
计算模块,与所述第一确定模块连接,用于按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
第二确定模块,与所述计算模块连接,用于根据统计结果,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QRS波波形信息,计算RR间期的间期差序列:
ΔRR(n1)=abs(R(n1+1)-RR(n1)),n1=1,...,N1-1
其中,ΔRR(n1)表示从第n1个心电信号周期和第n1+1个心电信号周期间的RR间期,N1为RR间期的总数;
并,根据如下公式确定所述间期差序列对应的直方图:
其中,HΔRR(i1)表示所述间期差序列对应的直方图;△RRmax、△RRmin分别表示所述间期差序列的最大约束值和最小约束值;i1表示直方图的横坐标,其最大值为M1,M1表示直方图宽度,M1的调整方式为:N1为所述间期差序列的长度;j1表示所述间期差序列的第j1个元素;sgn()为符号函数;[]为向下取整符号。
3.根据权利要求1所述的装置,其特征在于,所述计算模块用于统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小时,具体为:
设定得分值、第一计数值和第二计数值的初始值;
对每个所述子分布区域进行以下处理,得到整个分布区域对应的所述统计结果:
若所述子分布区域中的RR间期差的个数大于第一预设阈值,设定增量为第一值,所述得分值自增所述第一值,所述第一计数值自增第一预设值;
或者,若所述子分布区域中的RR间期差的个数小于第二预设阈值,设定所述增量为第二值,所述得分值自增所述第二值,所述第二计数值自增第二预设值,所述第二预设阈值小于所述第一预设阈值;
或者,若所述子分布区域中的RR间期差的个数大于所述第二预设阈值,且所述子分布区域中的RR间期差的个数小于所述第一预设阈值,设定所述增量为第三值,所述得分值自增所述第三值,所述第一计数值自增所述第一预设值,所述第二计数值自增所述第二预设值。
4.根据权利要求3所述的装置,其特征在于,所述第二确定模块具体用于:
若所述统计结果中的所述第一计数值小于第一统计值,且所述得分值小于预设分值,确定所述心电信号为房颤;
或者,若所述统计结果中的所述第二计数值大于第二统计值,且所述得分值大于所述预设分值,确定所述心电信号为非房颤。
5.根据权利要求1所述的装置,其特征在于,所述提取模块,还用于提取心电信号中的P波波形信息;
所述装置还包括:
第三确定模块,与所述提取模块连接,用于根据所述P波波形信息确定P波变化特征,所述P波变化特征用于表示所述P波波形信息中最大值与最小值之间的关系;
第四确定模块,与所述提取模块连接,用于根据所述QRS波波形信息确定PR间期变化特征;
相应地,所述计算模块与所述第三确定模块、所述第四确定模块连接,还用于计算所述P波变化特征和所述PR间期变化特征的相对变化;
所述第二确定模块,还用于根据所述相对变化及当前检测周期对应的预设阈值,确定所述心电信号是否为房颤的第一结果。
6.根据权利要求5所述的装置,其特征在于,还包括:
第五确定模块,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;
相应地,所述计算模块,与所述第五确定模块连接,还用于采用熵估计法计算所述RR间期变化特征的信息熵;
所述第二确定模块,还用于根据所述P波变化特征、所述PR间期变化特征、所述信息熵及预设分类模型,确定所述心电信号是否为房颤的第二结果。
7.根据权利要求6所述的装置,其特征在于,所述第二确定模块还用于:
根据所述第一结果、所述第二结果、根据统计结果确定所述心电信号是否为房颤的第三结果,确定所述心电信号是否为房颤。
8.根据权利要求1至7任一项所述的装置,其特征在于,还包括:
输出模块,与所述第二确定模块连接,用于输出所述心电信号是否为房颤的结果。
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QRS波波形信息;
根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图;
按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;
统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
根据统计结果,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QRS波波形信息;
根据所述QRS波波形信息确定RR间期的间期差序列对应的直方图;
按照预设长度对所述直方图的分布区域进行划分,得到多个子分布区域;
统计位于每个所述子分布区域中的RR间期差的个数与预设阈值的大小;
根据统计结果,确定所述心电信号是否为房颤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800638.1A CN109222964B (zh) | 2018-07-20 | 2018-07-20 | 房颤检测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800638.1A CN109222964B (zh) | 2018-07-20 | 2018-07-20 | 房颤检测装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109222964A true CN109222964A (zh) | 2019-01-18 |
CN109222964B CN109222964B (zh) | 2021-02-09 |
Family
ID=65072326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810800638.1A Active CN109222964B (zh) | 2018-07-20 | 2018-07-20 | 房颤检测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109222964B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析系统中快速定位房颤位置的方法以及装置 |
CN112244867A (zh) * | 2020-10-10 | 2021-01-22 | 深圳大学 | 用于房颤检测的心电信号分析算法与系统 |
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 |
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 |
CN114190940A (zh) * | 2021-11-23 | 2022-03-18 | 粒恩医疗科技(深圳)有限公司 | 一种疲劳检测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管系统联合变异性指标的检测方法和装置 |
CN101310766A (zh) * | 2007-05-25 | 2008-11-26 | 上海泽生科技开发有限公司 | 神经调节蛋白的新用途 |
CN101969842A (zh) * | 2008-01-14 | 2011-02-09 | 皇家飞利浦电子股份有限公司 | 房颤监测 |
CN102697492A (zh) * | 2012-05-25 | 2012-10-03 | 长春华讯信息科技有限公司 | 一种实时心电信息分析系统及其分析方法 |
EP2626005A1 (de) * | 2012-02-08 | 2013-08-14 | PULSE7 GmbH | Verfahren zur Bestimmung des physischen und/oder psychischen Zustands eines Probanden anhand einer Analyse seiner Herzratenvariabilität |
CN104504375A (zh) * | 2014-12-18 | 2015-04-08 | 广州视源电子科技股份有限公司 | 一种pcb元件的识别方法及装置 |
CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
CN105997054A (zh) * | 2016-06-22 | 2016-10-12 | 天津理工大学 | 一种心电信号预分析的方法 |
CN106264518A (zh) * | 2016-08-04 | 2017-01-04 | 东莞市第三人民医院 | 一种基于指尖心电图的房颤检测方法和装置 |
CN107280698A (zh) * | 2017-05-23 | 2017-10-24 | 西安电子科技大学 | 一种基于前瞻式心电门控的小鼠心脏成像系统及方法 |
WO2017217597A1 (en) * | 2016-06-15 | 2017-12-21 | Samsung Electronics Co., Ltd. | Determining baseline contexts and stress coping capacity |
-
2018
- 2018-07-20 CN CN201810800638.1A patent/CN109222964B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101310766A (zh) * | 2007-05-25 | 2008-11-26 | 上海泽生科技开发有限公司 | 神经调节蛋白的新用途 |
CN101176660A (zh) * | 2007-12-06 | 2008-05-14 | 山东大学 | 一种心血管系统联合变异性指标的检测方法和装置 |
CN101969842A (zh) * | 2008-01-14 | 2011-02-09 | 皇家飞利浦电子股份有限公司 | 房颤监测 |
EP2626005A1 (de) * | 2012-02-08 | 2013-08-14 | PULSE7 GmbH | Verfahren zur Bestimmung des physischen und/oder psychischen Zustands eines Probanden anhand einer Analyse seiner Herzratenvariabilität |
CN102697492A (zh) * | 2012-05-25 | 2012-10-03 | 长春华讯信息科技有限公司 | 一种实时心电信息分析系统及其分析方法 |
CN104504375A (zh) * | 2014-12-18 | 2015-04-08 | 广州视源电子科技股份有限公司 | 一种pcb元件的识别方法及装置 |
CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
WO2017217597A1 (en) * | 2016-06-15 | 2017-12-21 | Samsung Electronics Co., Ltd. | Determining baseline contexts and stress coping capacity |
CN105997054A (zh) * | 2016-06-22 | 2016-10-12 | 天津理工大学 | 一种心电信号预分析的方法 |
CN106264518A (zh) * | 2016-08-04 | 2017-01-04 | 东莞市第三人民医院 | 一种基于指尖心电图的房颤检测方法和装置 |
CN107280698A (zh) * | 2017-05-23 | 2017-10-24 | 西安电子科技大学 | 一种基于前瞻式心电门控的小鼠心脏成像系统及方法 |
Non-Patent Citations (4)
Title |
---|
JIE 等: ""A Simple Method to Detect Atrial Fibrillation Using RR Intervals"", 《THE AMERICAN JOURNAL OF CARDIOLOGY》 * |
万慧华: ""基于RR间期和深度置信网络的房颤检测"", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
刘明等: ""基于RR间期差的深神经网络房颤检测"", 《激光杂志》 * |
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 (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析系统中快速定位房颤位置的方法以及装置 |
CN112244867A (zh) * | 2020-10-10 | 2021-01-22 | 深圳大学 | 用于房颤检测的心电信号分析算法与系统 |
CN112244867B (zh) * | 2020-10-10 | 2023-10-20 | 深圳大学 | 用于房颤检测的心电信号分析方法与系统 |
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 |
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 |
CN114190940A (zh) * | 2021-11-23 | 2022-03-18 | 粒恩医疗科技(深圳)有限公司 | 一种疲劳检测方法、装置、电子设备及存储介质 |
CN114190940B (zh) * | 2021-11-23 | 2024-04-02 | 粒恩医疗科技(深圳)有限公司 | 一种疲劳检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109222964B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222964A (zh) | 房颤检测装置及存储介质 | |
Fang et al. | Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space | |
CN109009073A (zh) | 房颤检测装置及存储介质 | |
He et al. | A novel method for the detection of R-peaks in ECG based on K-Nearest Neighbors and Particle Swarm Optimization | |
CN109044348A (zh) | 房颤检测装置及存储介质 | |
CN103970975B (zh) | 心电数据处理方法和系统 | |
CN111091116A (zh) | 一种用于判断心律失常的信号处理方法及系统 | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
WO2015171804A1 (en) | Detecting artifacts in a signal | |
CN113876335B (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN111772628A (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
Yu et al. | A switchable scheme for ECG beat classification based on independent component analysis | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
CN109044338A (zh) | 房颤检测装置及存储介质 | |
Zaidi et al. | Feature extraction and characterization of cardiovascular arrhythmia and normal sinus rhythm from ECG signals using LabVIEW | |
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 | |
Don et al. | Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features | |
Chatterjee et al. | Real–time detection of electrocardiogram wave features using template matching and implementation in FPGA | |
CN113164055A (zh) | 移动监护设备、生理信号的调整和处理方法 | |
Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
CN113349753A (zh) | 一种基于便携式动态心电监护仪的心律失常检测方法 | |
Oktivasari et al. | A simple real-time system for detection of normal and myocardial ischemia in the ST segment and t wave ECG signal |
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 |