CN109350037A - 一种从10秒心电图中识别房颤和房性早搏的方法 - Google Patents

一种从10秒心电图中识别房颤和房性早搏的方法 Download PDF

Info

Publication number
CN109350037A
CN109350037A CN201811260467.4A CN201811260467A CN109350037A CN 109350037 A CN109350037 A CN 109350037A CN 201811260467 A CN201811260467 A CN 201811260467A CN 109350037 A CN109350037 A CN 109350037A
Authority
CN
China
Prior art keywords
qrs
atrial fibrillation
wave
interphase
characteristic parameter
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
CN201811260467.4A
Other languages
English (en)
Inventor
夏鹤年
张雷刚
周星
朱健
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.)
Anhui Zhiyun Medical Technology Co Ltd
Original Assignee
Anhui Zhiyun Medical Technology Co Ltd
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 Anhui Zhiyun Medical Technology Co Ltd filed Critical Anhui Zhiyun Medical Technology Co Ltd
Priority to CN201811260467.4A priority Critical patent/CN109350037A/zh
Publication of CN109350037A publication Critical patent/CN109350037A/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
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

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

Abstract

本发明公开了一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，涉及医疗检查技术领域。该从10秒心电图中识别房颤和房性早搏的方法，通过定义一组基于心率变化和P波的特征参数，所得特征组合能更好区别房颤与其他心律，同时这些特征参数对噪音干扰更不敏感，本发明定义了一组基于P波的特征参数，进一步提高了准确率，同时利用了心电图信号的质量信息，使PAC的识别更为准确。

Description

一种从10秒心电图中识别房颤和房性早搏的方法
技术领域
本发明涉及医疗检查技术领域，具体为一种从10秒心电图中识别房颤和房性早搏的方法。
背景技术
目前在对心电图上的房颤和房性早搏进行识别时，由于准确识别P波难度较大，同类技术通常依赖于心电图RR间期，其中连续差异均方根(RMSSD)，转折点比率(TPR)和香农熵(SE)这三个参数最为重要，，规定当这三个参数值同时超过各自阈值时，心电图为房颤，这些参数全部源自心电图RR间期，由于房性早搏(PAC)、室性早搏(PVC)、窦性心律失常和二度房室传导阻滞等均可能导致RR间期不规则，因而完全依赖于RR间期的算法易于导致大量假房颤被检测出，比如，分别使用设备AliveCor与Microlife WatchBP对2052个病人检测房颤，各自的阳性预测值(即诊断为阳性中有病的概率)分别只有59.26％和42.55％，其原因都在于将部分房性早搏、室性早搏或窦性心律失常错误检测成了房颤。
另外，现有技术在检测房性早搏时易受噪音影响，比如，肌电信号、电极移位等噪音易产生形似QRS的波形，当这类波形被错误检测为QRS时，与前一个QRS的间期将明显小于正常的RR间期，因而它会有较大可能性被错误检测成房性早搏。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种从10秒心电图中识别房颤和房性早搏的方法，解决了现有技术在检测房性早搏时易受噪音影响，会有较大可能性被错误检测成房性早搏，同时会大大降低PAC的识别准确性的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：
S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；
S2、采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，再采用基于逻辑回归算法的机器学习技术识别PVC，可选取一组对PVC心跳具有独一性的特征组合，并且所设计的特征参数对噪音干扰较不敏感，使算法性能较同类技术得到较大提升；
S3、从第二个QRS开始，逐个查看各QRS，首先查看该QRS和前一个QRS的信号质量是否高于选定阈值，如果两个QRS中有一个低于阈值，丢弃该QRS，接着查看下一个QRS，QRS的信号质量基于S1中获得的各QRS概率值，再查看该QRS和前一个QRS是否为PVC，如果两个QRS中有一个是PVC，丢弃该QRS，接着查看下一个QRS，在前两个条件均满足时，计算该QRS和前一个QRS的间期，由此算得瞬时心率；
S4、计算前一步骤获得的众心率的标准差，作为第1个特征参数，并计算前一步骤获得的众心率的RMSSD作为第2个特征参数，然后利用K平均聚类算法将S3中获得的心率聚合成两类，分别计算两个聚类中心率的标准差，再以两个聚类中心率的数目为权值，计算所有心率的加权标准差，该加权心率标准差作为第3个特征参数，另外，选取两个聚类中心率标准差较小的一个聚类，以其心率标准差为第4个特征参数；
S5、根据S1中获得的各QRS概率值判断各QRS信号质量是否高于阈值，如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用，同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第5个特征参数，利用前面中获得的PR间期，计算所有PR间期的标准差作为第6个特征参数，另计算PR间期的相对标准差作为第7个特征参数；
S6、利用K平均聚类算法将S5中获得的PR间期聚合成两类，分别计算两个聚类中PR间期的标准差，选取两个聚类中PR间期标准差较小的一个聚类，以其PR间期标准差为第8个特征参数，另外选取两个聚类中PR间期标准差较小的一个聚类，计算PR间期相对标准差作为第9个特征参数，然后计算心电图中PVC占全部QRS的比值，作为第10个特征参数。计算心电图中各QRS的平均宽度，作为第11个特征参数；
S7、选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒，然后对各个10秒心电图片段按前述步骤进行处理，获得一个判别房颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，对各心电图片段，与专家标记进行比对，判断其是否为房颤；
S8、将S7获得的特征参数矩阵和是否为房颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛，训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次，全部训练完成后对所得N个模型做平均，得到最终模型，最后，以F1分数为指标选取概率阈值，在阈值以下，认为非房颤，阈值以上，认为是房颤；
S9、对任一新的待分析的10秒心电片段，采用S1至S6的方法进行处理，获得该心电图的房颤特征参数组合，采用前步中训练获得的模型进行分类，获得其房颤的概率，再利用前一步骤中确定的概率阈值最终决定该心电图是否为房颤。
优选的，所述步骤S1中采用基于小波变换和逻辑回归算法的方法在判别疑似QRS波是否真实时，综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，同时，算法对每一个疑似QRS给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量，有助于减少错误警报。
优选的，所述步骤S1中对QRS波附近的区域进行直线化处理，以突出T波部分。
优选的，所述步骤S5中PR间期的相对标准差为PR间期标准差与平均PR间期的比值。
优选的，所述步骤S7中的列数11为S4至S6步骤中获得的房颤特征参数的数目。
优选的，所述步骤S9中的心电图若无房颤检测出，利用如下步骤识别房性早搏：
T1、计算心电图所有瞬时心率的平均值，标为Mean_Hr；
T2、利用K平均聚类算法将心电图所有瞬时心率分成两类，选出平均心率较低的一类，表为Mean_Hr_Small_Cluster；
T3、计算步骤2所得各QRS为真实QRS的概率的平均值，标为Mean_Qrs_Prob；
T4、根据病人情况，定义PAC与前一个QRS最大允许的间期，由此计算出任一PAC的最低允许瞬时心率。标为MIN_PAC_HR；
T5、对每个非PVC的QRS，判断其是否为PAC，如果前一个QRS为PVC，不考虑该QRS是否为PAC，如果该心电图的平均质量(Mean_Qrs_Prob)低于选定阈值，或该QRS的质量低于选定阈值，不考虑该QRS是否为PAC，如果该QRS与前一个QRS的瞬时心率低于MIN_PAC_HR，认为该QRS非PAC，如果该QRS与前一个QRS的瞬时心率高于Mean_Hr*(1+TH_1)，或高于Mean_Hr_Small_Cluster*(1+TH_2)，认为该QRS为PAC，其中TH_1和TH_2为选定的阈值。
(三)有益效果
本发明提供了一种从10秒心电图中识别房颤和房性早搏的方法。与现有技术相比具备以下有益效果：该从10秒心电图中识别房颤和房性早搏的方法，通过在提取适用于房颤识别的心电图特征，然后利用这些特征训练基于逻辑回归算法的房颤识别分类器，本发明提取的特征既有基于心率变化的，也有基于P波的，同时还定义了一些特征以反映室性早搏和QRS宽度的影响，本发明提取了心电图心率标准差和心率RMSSD作为第1个和第2个特征参数，同时利用聚类算法将心电图所有心率分成两类，分别计算两个聚类心率的标准差，再以两个聚类心率的数目为权值计算该心电图的加权平均标准差作为第3个特征参数，同时本发明还选取标准差较小的一个聚类的心率标准差作为第4个特征参数，第3和第4个特征参数可将房颤发生时随机不规则的心率变化与房性或室性早搏发生时不规则但非随机的心率变化区分开，另外也可以有效区别房颤导致的随机不规则与噪音干扰导致的不规则，另外，本发明在提取基于心率变化的特征时，利用QRS提取时获得的各心跳的质量信息，确保所提取的心率变化信息可靠，除上述基于心率的特征外，本发明还提取了一组基于P波的特征，本发明使用了自主设计的一套P波检测算法，使P波检测更准确，这些基于P波的特征包括非PVC心跳中检测出P波的比例，PR间期标准差和PR间期相对标准差，另外，又利用K平均聚类算法将心电图中所有PR间期分成两类，取两类中PR间期标准差较小的一类计算PR间期标准差和PR间期相对标准差分别作为第8个和第9个特征参数，由于心电图中PVC较多时，易于被错误识别成房产，本发明将心电图中PVC数目占所有心跳数目的比例作为第10个特征参数，最后，在心电图QRS宽度较大时，由于过宽的QRS，RR间期可能会有轻微扰动，导致心率错误的不规则，所以本发明定义了QRS平均宽度作为第11个特征参数，另外对于未检测出房颤的心电图，本发明对所有非PVC的QRS通过一系列规则判断其是否为PAC。这些规则利用K平均聚类算法，同时利用了心电图信号的质量信息，使PAC的识别更为准确，本发明通过定义一组基于心率变化和P波的特征参数，所得特征组合能更好区别房颤与其他心律，同时这些特征参数对噪音干扰更不敏感，相比于现有技术，本发明基于心率变化的特征参数可将房颤发生时随机不规则的心率变化与房性或室性早搏发生时不规则但非随机的心率变化区分开，另外也可以有效区别房颤导致的随机不规则与噪音干扰导致的不规则，由于P波是否可见为房颤是否发生的最佳判断标准，本发明定义了一组基于P波的特征参数，进一步提高了准确率，本发明利用K平均聚类算法，同时利用了心电图信号的质量信息，使PAC的识别更为准确。
附图说明
图1为本发明结原始心电信号处理和提取AF特征的流程图；
图2为本发明判断各心电图信号为AF的逻辑回归模型的流程图；
图3为本发明各心电图信号AF概率的流程图；
图4为本发明连续差异均方根计算公式的结构示意图。
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做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。
请参阅图1-4，本发明实施例提供一种技术方案：一种从10秒心电图中识别房颤和房性早搏的方法，具体包括以下步骤：
S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰，该方法能够在各种心律失常情况下和噪音干扰下更稳健可靠的提取P波，同时可以更准确的判断P波是否可见。该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，相对同类技术范围大为拓展，可以涵盖所有可能的P波，包括在房室传导阻滞发生时。通过基于聚类算法的模糊搜索的方法，该方法不通过人为定义的规则确定P波位置，因此算法性能更优鲁棒性更佳；
S2、采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，再采用基于逻辑回归算法的机器学习技术识别PVC，可选取一组对PVC心跳具有独一性的特征组合，并且所设计的特征参数对噪音干扰较不敏感，使算法性能较同类技术得到较大提升；
S3、从第二个QRS开始，逐个查看各QRS，首先查看该QRS和前一个QRS的信号质量是否高于选定阈值，如果两个QRS中有一个低于阈值，丢弃该QRS，接着查看下一个QRS，QRS的信号质量基于S1中获得的各QRS概率值，再查看该QRS和前一个QRS是否为PVC，如果两个QRS中有一个是PVC，丢弃该QRS，接着查看下一个QRS，在前两个条件均满足时，计算该QRS和前一个QRS的间期，由此算得瞬时心率；
S4、计算前一步骤获得的众心率的标准差，作为第1个特征参数，并计算前一步骤获得的众心率的RMSSD作为第2个特征参数，众心率的RMSSD计算公式如图4所示，其中，N为S3中获得的心率的数目，HR为各个瞬时心率，然后利用K平均聚类算法将S3中获得的心率聚合成两类，分别计算两个聚类中心率的标准差，再以两个聚类中心率的数目为权值，计算所有心率的加权标准差，该加权心率标准差作为第3个特征参数，另外，选取两个聚类中心率标准差较小的一个聚类，以其心率标准差为第4个特征参数；
S5、根据S1中获得的各QRS概率值判断各QRS信号质量是否高于阈值，如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用，同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第5个特征参数，利用前面中获得的PR间期，计算所有PR间期的标准差作为第6个特征参数，另计算PR间期的相对标准差作为第7个特征参数；
S6、利用K平均聚类算法将S5中获得的PR间期聚合成两类，分别计算两个聚类中PR间期的标准差，选取两个聚类中PR间期标准差较小的一个聚类，以其PR间期标准差为第8个特征参数，另外选取两个聚类中PR间期标准差较小的一个聚类，计算PR间期相对标准差作为第9个特征参数，然后计算心电图中PVC占全部QRS的比值，作为第10个特征参数。计算心电图中各QRS的平均宽度，作为第11个特征参数；
S7、选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒，然后对各个10秒心电图片段按前述步骤进行处理，获得一个判别房颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，对各心电图片段，与专家标记进行比对，判断其是否为房颤；
S8、将S7获得的特征参数矩阵和是否为房颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛，训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次，全部训练完成后对所得N个模型做平均，得到最终模型，最后，以F1分数为指标选取概率阈值，在阈值以下，认为非房颤，阈值以上，认为是房颤；
S9、对任一新的待分析的10秒心电片段，采用S1至S6的方法进行处理，获得该心电图的房颤特征参数组合，采用前步中训练获得的模型进行分类，获得其房颤的概率，再利用前一步骤中确定的概率阈值最终决定该心电图是否为房颤。
本发明中，步骤S1中采用基于小波变换和逻辑回归算法的方法在判别疑似QRS波是否真实时，综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，同时，算法对每一个疑似QRS给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量，有助于减少错误警报。
本发明中，步骤S1中对QRS波附近的区域进行直线化处理，以突出T波部分。
本发明中，步骤S5中PR间期的相对标准差为PR间期标准差与平均PR间期的比值。
本发明中，步骤S7中的列数11为S4至S6步骤中获得的房颤特征参数的数目。
本发明中，步骤S9中的心电图若无房颤检测出，利用如下步骤识别房性早搏：
T1、计算心电图所有瞬时心率的平均值，标为Mean_Hr；
T2、利用K平均聚类算法将心电图所有瞬时心率分成两类，选出平均心率较低的一类，表为Mean_Hr_Small_Cluster；
T3、计算步骤2所得各QRS为真实QRS的概率的平均值，标为Mean_Qrs_Prob；
T4、根据病人情况，定义PAC与前一个QRS最大允许的间期，由此计算出任一PAC的最低允许瞬时心率。标为MIN_PAC_HR；
T5、对每个非PVC的QRS，判断其是否为PAC，如果前一个QRS为PVC，不考虑该QRS是否为PAC，如果该心电图的平均质量(Mean_Qrs_Prob)低于选定阈值，或该QRS的质量低于选定阈值，QRS的质量为S1中所得该QRS为真实QRS的概率，不考虑该QRS是否为PAC，如果该QRS与前一个QRS的瞬时心率低于MIN_PAC_HR，认为该QRS非PAC，如果该QRS与前一个QRS的瞬时心率高于Mean_Hr*(1+TH_1)，或高于Mean_Hr_Small_Cluster*(1+TH_2)，认为该QRS为PAC，其中TH_1和TH_2为选定的阈值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：具体包括以下步骤：
S1、首先预处理心电图信号，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率，再采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，然后采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；
S2、采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，再采用基于逻辑回归算法的机器学习技术识别PVC，可选取一组对PVC心跳具有独一性的特征组合，并且所设计的特征参数对噪音干扰较不敏感，使算法性能较同类技术得到较大提升；
S3、从第二个QRS开始，逐个查看各QRS，首先查看该QRS和前一个QRS的信号质量是否高于选定阈值，如果两个QRS中有一个低于阈值，丢弃该QRS，接着查看下一个QRS，QRS的信号质量基于S1中获得的各QRS概率值，再查看该QRS和前一个QRS是否为PVC，如果两个QRS中有一个是PVC，丢弃该QRS，接着查看下一个QRS，在前两个条件均满足时，计算该QRS和前一个QRS的间期，由此算得瞬时心率；
S4、计算前一步骤获得的众心率的标准差，作为第1个特征参数，并计算前一步骤获得的众心率的RMSSD作为第2个特征参数，然后利用K平均聚类算法将S3中获得的心率聚合成两类，分别计算两个聚类中心率的标准差，再以两个聚类中心率的数目为权值，计算所有心率的加权标准差，该加权心率标准差作为第3个特征参数，另外，选取两个聚类中心率标准差较小的一个聚类，以其心率标准差为第4个特征参数；
S5、根据S1中获得的各QRS概率值判断各QRS信号质量是否高于阈值，如果QRS信号质量高于阈值且非PVC，且有P波检出，计算PR间期待用，同时，计算这些信号质量高于阈值且非PVC的QRS中能检出P波的QRS的比例，作为第5个特征参数，利用前面中获得的PR间期，计算所有PR间期的标准差作为第6个特征参数，另计算PR间期的相对标准差作为第7个特征参数；
S6、利用K平均聚类算法将S5中获得的PR间期聚合成两类，分别计算两个聚类中PR间期的标准差，选取两个聚类中PR间期标准差较小的一个聚类，以其PR间期标准差为第8个特征参数，另外选取两个聚类中PR间期标准差较小的一个聚类，计算PR间期相对标准差作为第9个特征参数，然后计算心电图中PVC占全部QRS的比值，作为第10个特征参数。计算心电图中各QRS的平均宽度，作为第11个特征参数；
S7、选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒，然后对各个10秒心电图片段按前述步骤进行处理，获得一个判别房颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于11，对各心电图片段，与专家标记进行比对，判断其是否为房颤；
S8、将S7获得的特征参数矩阵和是否为房颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛，训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次，全部训练完成后对所得N个模型做平均，得到最终模型，最后，以F1分数为指标选取概率阈值，在阈值以下，认为非房颤，阈值以上，认为是房颤；
S9、对任一新的待分析的10秒心电片段，采用S1至S6的方法进行处理，获得该心电图的房颤特征参数组合，采用前步中训练获得的模型进行分类，获得其房颤的概率，再利用前一步骤中确定的概率阈值最终决定该心电图是否为房颤。
2.根据权利要求1所述的一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：所述步骤S1中采用基于小波变换和逻辑回归算法的方法在判别疑似QRS波是否真实时，综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，同时，算法对每一个疑似QRS给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量，有助于减少错误警报。
3.根据权利要求1所述的一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：所述步骤S1中对QRS波附近的区域进行直线化处理，以突出T波部分。
4.根据权利要求1所述的一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：所述步骤S5中PR间期的相对标准差为PR间期标准差与平均PR间期的比值。
5.根据权利要求1所述的一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：所述步骤S7中的列数11为S4至S6步骤中获得的房颤特征参数的数目。
6.根据权利要求1所述的一种从10秒心电图中识别房颤和房性早搏的方法，其特征在于：所述步骤S9中的心电图若无房颤检测出，利用如下步骤识别房性早搏：
T1、计算心电图所有瞬时心率的平均值，标为Mean_Hr；
T2、利用K平均聚类算法将心电图所有瞬时心率分成两类，选出平均心率较低的一类，表为Mean_Hr_Small_Cluster；
T3、计算步骤2所得各QRS为真实QRS的概率的平均值，标为Mean_Qrs_Prob；
T4、根据病人情况，定义PAC与前一个QRS最大允许的间期，由此计算出任一PAC的最低允许瞬时心率。标为MIN_PAC_HR；
T5、对每个非PVC的QRS，判断其是否为PAC，如果前一个QRS为PVC，
不考虑该QRS是否为PAC，如果该心电图的平均质量(Mean_Qrs_Prob)低于选定阈值，或该QRS的质量低于选定阈值，不考虑该QRS是否为PAC，如果该QRS与前一个QRS的瞬时心率低于MIN_PAC_HR，认为该QRS非PAC，如果该QRS与前一个QRS的瞬时心率高于Mean_Hr*(1+TH_1)，或高于Mean_Hr_Small_Cluster*(1+TH_2)，认为该QRS为PAC，其中TH_1和TH_2为选定的阈值。
CN201811260467.4A 2018-10-26 2018-10-26 一种从10秒心电图中识别房颤和房性早搏的方法 Pending CN109350037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811260467.4A CN109350037A (zh) 2018-10-26 2018-10-26 一种从10秒心电图中识别房颤和房性早搏的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811260467.4A CN109350037A (zh) 2018-10-26 2018-10-26 一种从10秒心电图中识别房颤和房性早搏的方法

Publications (1)

Publication Number Publication Date
CN109350037A true CN109350037A (zh) 2019-02-19

Family

ID=65346804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811260467.4A Pending CN109350037A (zh) 2018-10-26 2018-10-26 一种从10秒心电图中识别房颤和房性早搏的方法

Country Status (1)

Country Link
CN (1) CN109350037A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109770861A (zh) * 2019-03-29 2019-05-21 广州视源电子科技股份有限公司 心电节律模型的训练及检测方法、装置、设备和存储介质
CN109770862A (zh) * 2019-03-29 2019-05-21 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
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
CN109875548A (zh) * 2019-03-24 2019-06-14 浙江好络维医疗技术有限公司 一种基于多导联综合分析的心电图特征波形聚类方法
CN109893119A (zh) * 2019-03-24 2019-06-18 浙江好络维医疗技术有限公司 一种基于多导联聚类分析的p波识别定位方法
CN109998523A (zh) * 2019-03-27 2019-07-12 苏州平稳芯跳医疗科技有限公司 一种单导心电信号分类方法和单导心电信号分类系统
CN111110224A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种基于多角度特征提取的心电图分类方法及装置
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN111739631A (zh) * 2020-06-19 2020-10-02 首都医科大学附属北京潞河医院 基于心电图的处理方法及处理系统
CN111803080A (zh) * 2020-06-11 2020-10-23 河南迈松医用设备制造有限公司 婴儿畸变耳声检测仪及其检测方法
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
CN112244860A (zh) * 2020-09-27 2021-01-22 山东平伟医疗技术有限公司 一种动态心电图数据分析方法
WO2021098488A1 (zh) * 2019-11-22 2021-05-27 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
CN112842349A (zh) * 2021-02-20 2021-05-28 无锡市中健科仪有限公司 一种基于注意力转换机制的室上性早搏智能分析方法
CN112971798A (zh) * 2021-02-10 2021-06-18 武汉心络科技有限公司 心电信号处理方法、装置、终端及存储介质
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
CN115486855A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN116058850A (zh) * 2023-03-06 2023-05-05 厦门纳龙健康科技股份有限公司 一种阵发房颤标记方法、终端设备及存储介质
CN116570295A (zh) * 2023-07-14 2023-08-11 浙江好络维医疗技术有限公司 一种心电图低电压t波终点定位方法

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN109893119B (zh) * 2019-03-24 2022-01-04 浙江好络维医疗技术有限公司 一种基于多导联聚类分析的p波识别定位方法
CN109875548A (zh) * 2019-03-24 2019-06-14 浙江好络维医疗技术有限公司 一种基于多导联综合分析的心电图特征波形聚类方法
CN109893119A (zh) * 2019-03-24 2019-06-18 浙江好络维医疗技术有限公司 一种基于多导联聚类分析的p波识别定位方法
CN109875548B (zh) * 2019-03-24 2022-04-19 浙江好络维医疗技术有限公司 一种基于多导联综合分析的心电图特征波形聚类方法
CN109998523A (zh) * 2019-03-27 2019-07-12 苏州平稳芯跳医疗科技有限公司 一种单导心电信号分类方法和单导心电信号分类系统
CN109770861A (zh) * 2019-03-29 2019-05-21 广州视源电子科技股份有限公司 心电节律模型的训练及检测方法、装置、设备和存储介质
CN109770861B (zh) * 2019-03-29 2022-04-12 广州视源电子科技股份有限公司 心电节律模型的训练及检测方法、装置、设备和存储介质
CN109770862B (zh) * 2019-03-29 2022-03-08 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
CN109770862A (zh) * 2019-03-29 2019-05-21 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
WO2021098488A1 (zh) * 2019-11-22 2021-05-27 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
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN111134659B (zh) * 2020-01-17 2022-04-26 上海乐普云智科技股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN111110224A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种基于多角度特征提取的心电图分类方法及装置
CN111803080A (zh) * 2020-06-11 2020-10-23 河南迈松医用设备制造有限公司 婴儿畸变耳声检测仪及其检测方法
CN111803080B (zh) * 2020-06-11 2023-06-16 河南迈松医用设备制造有限公司 婴儿畸变耳声检测仪及其检测方法
CN111739631A (zh) * 2020-06-19 2020-10-02 首都医科大学附属北京潞河医院 基于心电图的处理方法及处理系统
CN112244860B (zh) * 2020-09-27 2023-06-20 山东平伟医疗技术有限公司 一种动态心电图数据分析方法
CN112244860A (zh) * 2020-09-27 2021-01-22 山东平伟医疗技术有限公司 一种动态心电图数据分析方法
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
CN112971798A (zh) * 2021-02-10 2021-06-18 武汉心络科技有限公司 心电信号处理方法、装置、终端及存储介质
CN112842349A (zh) * 2021-02-20 2021-05-28 无锡市中健科仪有限公司 一种基于注意力转换机制的室上性早搏智能分析方法
CN112842349B (zh) * 2021-02-20 2022-03-11 无锡市中健科仪有限公司 一种基于注意力转换机制的室上性早搏智能分析方法
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
CN115486855A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN115486855B (zh) * 2022-09-15 2024-05-03 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN116058850A (zh) * 2023-03-06 2023-05-05 厦门纳龙健康科技股份有限公司 一种阵发房颤标记方法、终端设备及存储介质
CN116058850B (zh) * 2023-03-06 2023-06-06 厦门纳龙健康科技股份有限公司 一种阵发房颤标记方法、终端设备及存储介质
CN116570295A (zh) * 2023-07-14 2023-08-11 浙江好络维医疗技术有限公司 一种心电图低电压t波终点定位方法
CN116570295B (zh) * 2023-07-14 2024-04-30 浙江好络维医疗技术有限公司 一种心电图低电压t波终点定位方法

Similar Documents

Publication Publication Date Title
CN109350037A (zh) 一种从10秒心电图中识别房颤和房性早搏的方法
CN109864739A (zh) 一种从10秒心电图中识别二度房室传导阻滞的方法
EP0540141B1 (en) Implantable apparatus for monitoring and classifying cardiac rhythms
CN106108889A (zh) 基于深度学习算法的心电图分类方法
CN110013247B (zh) 一种心电图p波和t波的检测、区分与定位方法
CN106214123A (zh) 一种基于深度学习算法的心电图综合分类方法
CN109117730A (zh) 心电图心房颤动实时判断方法、装置、系统及存储介质
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN109522916A (zh) 识别单导心电图（ecg）信号中的节律的级联二元分类器
CN103356182B (zh) 用于预测室性快速型心律失常的方法、设备和计算机程序产品
Plesinger et al. Parallel use of a convolutional neural network and bagged tree ensemble for the classification of Holter ECG
CN107693000A (zh) 基于心电和脉搏信号融合的心率估计方法、装置和系统
CN112617849A (zh) 一种基于cnn+lstm的心房颤动检测与分类方法
CN110084096A (zh) 基于小波变换和k平均聚类算法的心电信号p波提取方法
CN116269355B (zh) 一种基于人物姿态识别的安全监测系统
Yang et al. A novel approach for heart ventricular and atrial abnormalities detection via an ensemble classification algorithm based on ECG morphological features
CN109171697A (zh) 一种基于双重判断标准的可电击复律心律识别方法
Xu et al. An effective premature ventricular contraction detection algorithm based on adaptive template matching and characteristic recognition
CN104434310A (zh) 监护设备及其参数性能改进方法、系统
Sá et al. Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks
CN109846473A (zh) 一种检测单导联10秒心电图噪音干扰程度的方法
CN110226918A (zh) 心电信号类型检测方法、装置、计算机设备及存储介质
CN112022149B (zh) 一种基于心电信号的房颤检测方法
CN114652319A (zh) 一种基于图神经网络的心律失常检测方法
Mohseni et al. Heart arrhythmias classification via a sequential classifier using neural network, principal component analysis and heart rate variation

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: 20190219

RJ01 Rejection of invention patent application after publication