CN109522916B - 识别单导心电图（ecg）信号中的节律的级联二元分类器 - Google Patents

识别单导心电图（ecg）信号中的节律的级联二元分类器 Download PDF

Info

Publication number
CN109522916B
CN109522916B CN201810149362.5A CN201810149362A CN109522916B CN 109522916 B CN109522916 B CN 109522916B CN 201810149362 A CN201810149362 A CN 201810149362A CN 109522916 B CN109522916 B CN 109522916B
Authority
CN
China
Prior art keywords
ecg signal
rhythms
noise
classifier
windows
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.)
Active
Application number
CN201810149362.5A
Other languages
English (en)
Other versions
CN109522916A (zh
Inventor
什雷亚西·达塔
凯坦亚·普里
阿扬·慕克吉
罗翰·班纳吉
阿尼班·杜塔·乔杜里
阿里吉特·乌基尔
索马·班德亚帕德耶
阿尔帕恩·帕尔
桑蒂普·汉戴瓦
里图拉杰·辛格
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.)
Tata Consultancy Services Ltd
Original Assignee
Tata Consultancy Services 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 Tata Consultancy Services Ltd filed Critical Tata Consultancy Services Ltd
Publication of CN109522916A publication Critical patent/CN109522916A/zh
Application granted granted Critical
Publication of CN109522916B publication Critical patent/CN109522916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • A61B5/347—Detecting the frequency distribution of 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

目前的技术长期分析心电图(ECG)信号，这并不总是实际的情况。此外，目前的情况仅在正常和心房颤动(AF)之间进行二元分类，而除了AF之外，还有许多异常节律。传统的系统/方法具有其自身的限制，并可能倾向于错误分类ECG信号，从而导致不均衡的多标签分类问题。本公开的实施例提供了用于通过实现基于频谱图的噪声去除(其从获取的单导ECG信号中获得干净的ECG信号)、在分类的每层处的最佳特征选择(其从提取的特征池中选择最佳特征)以及多层级联二元分类器(其在分类器的每层处识别干净ECG信号中的节律)来对例如正常、AF的节律、其他异常节律和噪声ECG记录进行分类的鲁棒和更高效的系统和方法。

Description

识别单导心电图(ECG)信号中的节律的级联二元分类器
相关申请的交叉引用和优先权
本专利申请要求于2017年9月19日提交的印度专利申请201721033210的优先权。
技术领域
本公开一般涉及心电图(ECG)信号分析，并且更具体地涉及使用级联二元分类器来识别单导心电图(ECG)信号中的节律的系统和方法。
背景技术
心房颤动(AF)是导致中风、心力衰竭或其他并发症的常见类型的心脏疾病。每年有数百万人受到AF的影响，并且疾病的患病率可能会增加。AF的无创检测是相当长时间以来研究的热门领域。心跳不规则性被认为是AF最常见的症状，并且可以在心电图中进行追踪。然而，作为情景事件，AF的精确检测并不总是微不足道的。传统的AF检测器主要是基于心房活动分析或基于心室响应分析的方法。在基于心房活动分析的AF检测器中搜索TQ间隔中缺少P波或存在f波。另一方面，在基于心室响应分析的方法中从RR间隔中提取时间、频率和形态学特征以识别心跳不规则性。然而，传统方法在实时部署方面存在一定的限制，首先，其中大部分是在相对较长持续时间内记录的在临床上接受的多个导联ECG信号上进行验证。其次，算法主要应用于精心挑选的干净数据。然而，在实际情况下，ECG信号本质上通常是嘈杂的。第三，测试数据集的大小通常不足以作出结论(或决策)，从而导致错误分类。最后，大多数传统或常规方法仅在AF和正常记录之间执行二元分类。然而，有许多表现出类似于AF的心跳模式的非AF异常节律(例如，心动过速、心动过缓、心律失常等)，然而这些非AF异常节律不被考虑用于分类。即使在数据集当中考虑它们也会使分类任务更具挑战性。
发明内容
本公开的实施例提出了技术改进，作为对传统系统中发明人所认识的上述技术问题中的一个或多个的解决方案。例如，在一个方面中，提供了一种用于使用级联二元分类器来识别单导心电图(ECG)信号中的节律的处理器实现的方法。所述方法包括：经由一个或多个硬件处理器获取在预定义的时间间隔内记录的单导心电图(ECG)信号；经由所述一个或多个硬件处理器对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号；从所述干净的ECG信号中提取一个或多个特征；使用最佳特征选择技术从所述一个或多个提取的特征中选择一个或多个最佳特征，其中所述最佳特征选择技术是最小冗余最大相关度(mRMR)技术和最大信息系数(MIC)技术中的至少一种；和使用二元级联分类器，基于所选择的一个或多个最佳特征识别以下中的至少一个：所述单导心电图(ECG)信号和所述干净的ECG信号中的至少一个中的一个或多个正常节律、第一组异常节律、以及第二组异常节律。
在实施例中，经由所述一个或多个硬件处理器对所获取的单导ECG信号应用基于频谱图的噪声数据去除技术的步骤包括：实时将所获取的单导ECG信号分成多个窗口；实时计算所述多个窗口中的每一个的频谱图；实时将所述多个窗口中的每一个的所计算的频谱图与动态计算的阈值进行比较，其中所述动态计算的阈值基于信噪比(SNR)；实时基于所述比较来确定所述多个窗口的至少一个子集中的噪声；和基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。
在实施例中，当来自所述子集的每一个窗口具有大于阈值功率的功率时，在所述多个窗口的至少一个子集中确定噪声。
另一方面，提供一种使用级联二元分类器来识别单导心电图(ECG)信号中的节律的系统。该系统包括：存储指令的存储器；一个或多个通信接口；以及经由所述一个或多个通信接口耦合到所述存储器的一个或多个硬件处理器，其中所述一个或多个硬件处理器由所述指令配置成：获取在预定义的时间间隔内记录的单导心电图(ECG)信号；对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号；从所述干净的ECG信号中提取一个或多个特征；使用最佳特征选择技术从所述一个或多个提取的特征中选择一个或多个最佳特征，其中所述最佳特征选择技术是最小冗余最大相关度(mRMR)技术和最大信息系数(MIC)技术中的至少一种；和使用二元级联分类器，基于所选择的一个或多个最佳特征识别以下中的至少一个：所述单导心电图(ECG)信号和所述干净的ECG信号中的至少一个中的一个或多个正常节律、第一组异常节律、以及第二组异常节律。
在实施例中，通过实时将基于频谱图的噪声数据去除技术应用于所获取的单导ECG信号，通过以下方式来提取干净的ECG信号：实时将所获取的单导ECG信号分成多个窗口；实时计算所述多个窗口中的每一个的频谱图；实时将所述多个窗口中的每一个的所计算的频谱图与动态计算的阈值进行比较，其中所述动态计算的阈值基于信噪比(SNR)；实时基于所述比较来确定所述多个窗口的至少一个子集中的噪声；和基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。
在实施例中，当来自所述子集的每一个窗口具有大于阈值功率的功率时，在所述多个窗口的至少一个子集中确定噪声。
在又一方面，提供了包括一个或多个指令的一个或多个非暂时性机器可读信息存储介质。当由一个或多个硬件处理器执行时，所述一个或多个指令使得经由一个或多个硬件处理器获取在预定义的时间间隔内记录的单导心电图(ECG)信号；经由所述一个或多个硬件处理器对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号；从所述干净的ECG信号中提取一个或多个特征；使用最佳特征选择技术从所述一个或多个提取的特征中选择一个或多个最佳特征，其中所述最佳特征选择技术是最小冗余最大相关度(mRMR)技术和最大信息系数(MIC)技术中的至少一种；和使用二元级联分类器，基于所选择的一个或多个最佳特征识别以下中的至少一个：所述单导心电图(ECG)信号和所述干净的ECG信号中的至少一个中的一个或多个正常节律、第一组异常节律、以及第二组异常节律。
在实施例中，经由一个或多个硬件处理器将基于频谱图的噪声数据去除技术应用于所获取的单导ECG信号的步骤可以包括：将所获取的单导ECG信号分成多个窗口；计算所述多个窗口中的每一个的频谱图；将所述多个窗口中的每一个的所计算的频谱图与动态计算的阈值进行比较，其中所述动态计算的阈值基于信噪比(SNR)；基于所述比较来确定所述多个窗口的至少一个子集中的噪声；和基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。
在实施例中，当来自所述子集的每一个窗口具有大于阈值功率的功率时，在所述多个窗口的至少一个子集中确定噪声。
应该理解的是，前面的一般描述和下面的详细描述仅仅是示例性和说明性的，而不是对所要求保护的本发明的限制。
附图说明
并入并构成本公开的一部分的附图示出了示例性实施例，并且与说明书一起用于解释所公开的原理：
图1示出了根据本公开的实施例的用于使用级联二元分类器来识别单导心电图(ECG)信号中的节律的系统的示例性框图。
图2示出了根据本公开的实施例的使用由图1的系统执行的级联二元分类器来识别单导心电图(ECG)信号中的节律的方法的示例性流程图。
图3示出了根据本公开的示例实施例的图1的系统的示例性体系结构。
图4示出了根据本公开的示例实施例的基于频谱图的噪声去除的图形表示。
图5示出了根据本公开的示例实施例的对单导ECG信号的PQRST检测的图形表示。
具体实施方式
参照附图描述示例性实施例。在这些图中，附图标记的最左边的数字表示附图标记首次出现的数字。在任何方便的地方，贯穿附图使用相同的附图标记来表示相同或相似的部分。尽管在此描述了公开的原理的示例和特征，但是在不脱离所公开的实施例的精神和范围的情况下修改、改编和其他实施方式是可能的。意图是下面的详细描述仅被认为是示例性的，其中真正的范围和精神由下面的权利要求指示。
如上所述(在背景技术部分中)，传统(或常规系统和/或方法)具有其自身的限制，因此可能倾向于错误分类ECG信号，从而导致不均衡的多标签分类问题。本公开的实施例提供用于对正常的AF、其他异常节律和噪声ECG记录进行分类的鲁棒且更有效的技术的系统和方法。更具体地，本公开的实施例提供了用于使用级联二元分类器来识别单导心电图(ECG)信号中的节律的系统和方法。本公开的实施例提供了用于内部性能评估和创建训练模型的不同ECG数据集(在Physionet挑战2017中提供)的实验结果。由于所有与非AF相关的异常节律被聚集在一起形成单独的类别，所以关于数据集中的其他节律关于单独记录的信息不可用。本公开的实施例通过以下来实现识别单引线心电图(ECG)信号中的节律：1)多层级联二元分类器而不是单个多类分类器，2)前端噪声去除和3)从特征池中在每一层分类处选择的最佳特征。
现在参考附图，并且更具体地参照图1-图5，其中相似的附图标记贯穿附图一致地表示相应的特征，示出了优选实施例，并且在以下示例性系统和/或方法的上下文中描述这些实施例。
图1示出了根据本公开的实施例的用于使用级联二元分类器来识别单导心电图(ECG)信号中的节律的系统100的示例性框图。在实施例中，系统100包括一个或多个处理器104、通信接口设备或输入/输出(I/O)接口106以及可操作地耦合到一个或多个处理器104的一个或多个数据存储设备或存储器102。一个或多个处理器104可以是一个或多个软件处理模块和/或硬件处理器。在实施例中，硬件处理器可以被实现为一个或多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令操纵信号的任何设备。除其他能力之外，处理器被配置为获取并执行存储在存储器中的计算机可读指令。在实施例中，设备100可以在各种计算系统中实现，诸如膝上型计算机、笔记本、手持设备、工作站、大型计算机、服务器、网络云等。
I/O接口设备106可以包括各种软件和硬件接口，例如网络接口、图形用户接口等，并且可以促进各种各样的网络N/W和协议类型内的多个通信，包括有线网络，例如LAN、电缆等，以及无线网络，例如WLAN、蜂窝或卫星。在实施例中，I/O接口设备可以包括用于将多个设备彼此连接或连接到另一个服务器的一个或多个端口。
存储器102可以包括本领域已知的任何计算机可读介质，包括例如易失性存储器，诸如静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM)，和/或非易失性存储器，诸如只读存储器(ROM)、可擦除可编程ROM、闪存、硬盘、光盘和磁带。在实施例中，数据库108可以被存储在存储器102中，其中数据库108可以包括但不限于与信号(例如，原始数据和干净信号)有关的信息、提取的特征、最佳特征、节律类型(例如，正常、异常、心房颤动(AF)、非房颤、训练数据集、测试数据集等)。在实施例中，存储器102可以存储分类器(例如级联二元分类器)、一种或多种技术，例如基于频谱图的噪声数据去除技术、特征提取技术、最佳特征选择技术，诸如最小冗余最大相关性(mRMR)技术和/或最大信息系数(MIC)技术等，其由一个或多个硬件处理器104(或由系统100)执行以执行在此描述的方法。
参照图1，图2示出了根据本公开的实施例的使用由图1的系统100执行的级联二元分类器来识别单导心电图(ECG)信号中的节律的方法的示例性流程图。在实施例中，系统100包括可操作地耦合到一个或多个硬件处理器104的一个或多个数据存储设备或存储器102，并且被配置为存储用于由一个或多个处理器执行该方法的步骤的指令。系统100存储与ECG信号相关联的值/信息(和/或参数、特征、节律等)。现在将参照如图1和图3所示的系统100的组件以及图2的流程图来解释本公开的方法的步骤。在本公开的实施例中，在步骤202处，一个或多个硬件处理器104获取在预定义的时间间隔(例如短持续时间-例如30秒)内记录的单导心电图(ECG)信号(以下也称为ECG信号或ECG波形)。在实施例中，可以通过使用一个或多个可穿戴设备(例如，智能手表、健康带、适配带等)或能够记录用户的健康数据的任何其他设备来记录ECG信号。
使用单导非医疗级装置记录的ECG信号固有本质上是有噪声的。在记录期间用户的身体移动、传感器设备的电压波动或者主体与传感器电极之间不适当的接触会严重破坏信号。由于呼吸，还存在低频分量。在特征提取和分类之前，定位和丢弃信号内的噪声部分被认为是先决条件。在本公开的实施例中，在步骤204处，一个或多个硬件处理器104对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号。在本公开的实施例中，通过以下步骤获得干净的ECG信号：将所获取的单导ECG信号划分为多个窗口，计算所述多个窗口中的每一个的频谱图，将所述多个窗口中的每一个的所计算的频谱图与动态计算的阈值进行比较，其中所述阈值是动态计算的，基于所述比较来确定所述多个窗口的至少一个子集中的噪声；和基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。在示例实施例中，实时(或接近实时)执行划分、计算频谱图、执行比较、确定噪声的步骤。在实施例中，动态计算(或实时计算)的阈值基于信噪比(SNR)。在本公开的实施例中，对于记录(或ECG信号)中的所有窗口测量SNR。如果最大和最小SNR值之间的差是最小值的“n”倍(例如3倍)，则最大SNR的x％被测量为用于丢弃噪声窗口的阈值(例如，最大SNR的75％被测量为阈值-这也被称为动态计算的阈值)。换句话说，最大SNR的75％可以被称为动态计算的阈值。在本公开的实施例中，当来自子集的每一个窗口具有大于“X”赫兹(例如，50Hz)以上的阈值功率的功率(例如，高频谱图功率)时，在多个窗口的至少子集中确定噪声。换句话说，来自包括具有超过50Hz以上的阈值功率(也被称为阈值“Px”)的功率的ECG信号的部分(例如，所获取的单导ECG信号)的子集的每一个窗口被认为是噪声窗口并因此被丢弃以获得干净的ECG信号。
重要的心脏信息通常在ECG波形/信号中在20Hz内存储。因此，在时间轴上的频谱图图表之后，如果连续RR间隔之间的区域(其中R是对应于ECG信号的QRS复合波(下面描述)的峰值的点)并且RR是具有50Hz以上的高频谱功率(如图4的图形表示所示)的连续R之间的间隔，其可以安全地标记为有噪声并且在进一步处理之前被丢弃。更具体地，参照图1至图3，图4示出了根据本公开的示例实施例的基于频谱图的噪声去除的图形表示。此外，干净的信号通过高通滤波器(截止频率0.5Hz)以去除信号的基线移动。如果在这个过程中丢弃大于某个波形(例如，单导ECG信号)的X％(例如，80％)，则将其标记为有噪声。
识别区分特征集被认为是任何分类问题的最重要的任务。精确检测P、Q、R、S、T点是精确特征获取的主要要求。系统100实现一种或多种技术(例如，修改的潘-汤普金斯(Pan-Tompkins)技术)以识别QRS复合波和R波峰。QRS复合波是典型心电图(EKG或ECG)上所见的三种图形偏转的组合的名称。它通常是轨迹的核心和视觉上最明显的部分。它对应于人心脏的右心室和左心室的去极化。在随后的阶段，以R个峰值为参考点定位P、Q、S和T点(如图5所示)。更具体地说，参照图1至图4，图5示出了根据本公开的示例实施例的单导ECG信号上的PQRST检测的图形表示。在本公开的实施例中，在步骤206处，一个或多个硬件处理器104从干净的ECG信号中提取一个或多个特征。来自干净ECG信号的一个或多个特征可以大致分类为通过以下示例所示的一个或多个类别：
形态ECG特征：
形态ECG特征是从ECG波形中检测到的PQRST点导出的，如图5所示。在本公开的实施例中，这些特征可以包括但不限于校正的QT间隔(QTc)、QR和QRS宽度的中值、范围和方差、QR，RS和ST间隔的斜率、Q和S点相对于R的深度、TR波的幅度差；P波的数量与R波的数量之比以及从S点穿过的ST分段的距离等。这些特征被临床医生广泛用于识别心脏异常。要注意的是，这些特征中的一些指示AF，而其他用于检测其他异常节律。例如，在AF中，由于P波通常不存在，所以P波的数量与检测到的R波的数量的比被假设是非常小的。因此，该特定特征是由级联二元分类器的层1分类器和层2的分类器3选择的，如图3所示，然而，不是由层2的分级器2选择的。更具体地，参照图1-图2，图3示出了根据本公开的示例实施例的图1的系统100的示例性架构。
AF特征：
几个特征被用于识别AF事件。不规则RR间隔是AF患者中非常普通的症状。有几个指标来确定它。已经提出了几个测量，诸如例如AF证据、原始计数、不规则性证据、起搏计数、密度证据、各向异性证据、来自RR间隔的洛伦兹图的AF证据。某些特征使用也报告称赞识别AF的准确性的Poincare图从跳间间隔导出。其他特征包括用于AF检测的基于近似和样本熵的特征以及RR和德尔塔RR间隔的变化系数。
心率变化性特征：
在所提出的分析中也并入了几个HRV相关的特征。例如特征pNNx(通过记录持续时间归一化的在x之上的NN间隔的数量，其中x在20和500ms之间)、SDNN(NN间隔的标准差)、SDSD(连续差的标准差)和归一化的RMSSD(标准化的连续差的均方根)被用于鉴定心血管疾病。也使用在0-0.04Hz、0.04-0.15Hz和0.15-0.5Hz的频率范围内的RR间隔时间序列的归一化的频谱功率。
频率特征：
本公开的实施例还探讨了在生物医学和其他应用中使用的某些频域特征。原始时间信号被分解成具有使用汉明窗口重叠Y％(例如，50％)的“n”秒持续时间(例如2秒持续时间)的小窗口。频率分析是通过计算每一个窗口的短时傅里叶变换(STFT)来执行的。提取的特征包括但不限于测量中的所有窗口上的平均频谱质心、频谱滚降、频谱通量以及在0-10Hz和10-20Hz之间的归一化的频谱功率。
统计特征：
统计特征包括但不限于RR间隔的均值、中值、方差、范围、峰度和偏度以及RR间隔和德尔塔RR间隔的概率密度估计(PDE)。此外，RR和德尔塔RR间隔的PDE上的峰值的数量以及RR峰值之间的能量变化也被用作特征。原始时间序列数据的Shannon、Tsallis和Renyi熵、线性预测系数(Linear Predictive Coefficients，LPC)也被用作本发明实施例的提取特征，用于识别干净ECG信号中的节律。
其他异常的特征：
本公开的实施例(或系统100)试图提取一些主要特征来检测ECG信号中存在的心律失常或其他非AF相关的异常。在本公开的实施例中，通过使用以下来提取各种特征：每个窗口具有“x”个峰值(例如，每个窗口6个峰值)的滑动窗口及其平均RR间隔、具有超过“z”mV(例如，其中z＝0.1mV)的量值的窗口中的样本数量的第一差的最大值、窗口的归一化功率频谱密度(nPSD)等。使用自适应频率追踪算法(AMM)来估计心率以得到作为RR间隔的平均、HR的下降、最大SPI指数、平均HR、异常HR等的特征。
用于检测噪声记录的特征：
有几个检测信号的不同部分中的噪声/运动伪影的工作。但是，有时候完整的信号对于心脏异常的推导没有任何用处(或者使用很少)。本公开的实施例使用与域相关的时间和频率特征以及利用ECG信号的形态上升和下降的某些统计特征来改善噪声检测。这些特征很好地区分了干净ECG信号的规律性与噪声波形中的随机性。
返回参考图2，在本公开的实施例中，在步骤208处，一个或多个硬件处理器104使用最佳特征选择技术从一个或多个提取的特征中选择一个或多个最佳特征。
特征选择通常通过去除噪声(不相关的)特征来提高分类准确性，并且通过去除冗余特征来减少计算时间。在所提出的方法的三个分类器中的每个中使用单独的特征集，其使用一个或多个统计特征选择技术(以下也称为优化特征选择技术)有效地选择，例如但不限于到最大信息系数(MIC)技术和最小冗余最大关联(mRMR)技术，并在训练阶段期间完成。在所选的功能列表中也并入了由医师对于特定级别的分类推荐的特征。
在本公开的实施例中，在步骤210处，一个或多个硬件处理器104基于所选的一个或多个最佳特征，使用二元级联分类器，识别以下中的至少一个：单导心电图(ECG)信号和干净ECG信号中的至少一个中的一个或多个正常节律(正常)、第一组异常节律(其他)、以及第二组异常节律(AF和噪声)。在本公开的实施例中，级联二元分类器的第一二元分类器(如层1中所示)输出或识别“A”组节律(例如，正常和其他)和“B”组节律(例如，AF和噪声)。在本公开的实施例中，“A”组节律可以被称为一个或多个正常节律和其他节律，并且其中“B”组节律可以被称为AF节律和噪声。
换句话说，系统100将未知短单导ECG信号分类为四个类别之一，包括正常、AF、其他噪声节律和噪声记录。这个任务的主要问题在于没有可以在单个拍摄处(或在单个实例处)分开四个类别的单个特征存在。例如，不规则HRV是正常和AF之间的常见区别。然而，其他节律也具有相同的性质，其在分类器中引入了模糊性。因此，本公开的实施例和系统100包括级联二元分类器，当其由一个或多个硬件处理器104执行时，识别在干净的ECG信号中的可以被称为一个或多个正常节律和其他节律的“A”组节律、以及其中可以被称为AF节律和噪声的“B”组节律。
在本公开的实施例中，在系统100中实现和执行的级联二元分类器是三级分类器，其连接在两个加入层中，如图3所示。在每一层处进行二元分类。如上所述，使用一个或多个统计特征提取技术在每一个级别处选择相应的区别特征。例如，AF和噪声节律都包含高频噪声分量。而正常和AF显示相似的频率特征模式。因此如光谱质心、光谱滚降频谱通量等特征可以很好地将它们分成“正常+其他”和“AF+噪声”两个类别。现在在下一级中系统100(或级联二元分类器)执行更好的分类。例如，正常ECG信号在RR间隔中具有规则的模式，并且心率值处于一定限制内。而对于其他节律HRV特征不是(或可能不是)很稳定。当通过如图3所示的三级分类器时，使用最佳特征选择技术来选择这类特征。另一方面，对于AF信号，经常发现P波缺失，其在噪声记录中是不存在的，此外，噪声记录具有在AF中不存在的高频谱分量。在分类器的第三级(例如，如图3所示的分类器3)处选择这类特征用于分类。在本公开的实施例中，对于每一个分类级别，使用自适应增强(AdaBoost)进行分类，并且可以在草稿中找到细节。AdaBoost(自适应增强)用于所有级别的分类。Adaboost是集成学习方法，其中在每一轮训练中迭代地添加许多弱学习者，并且调整加权向量以减少错误分类率。这种技术不太容易过度拟合，对噪声数据和异常值更敏感，并且可以处理训练集中的类别标签不平衡。对于三个分类器中的每一个，使用贝叶斯优化函数来优化整体分类器的两个参数，即学习周期数量和学习速率。
实验结果：
实验对Physionet数据集进行。该数据集共包括8528个记录，其平均持续时间为32.5秒。所有这些是使用AliveCor设备记录并以300Hz采样的单导ECG信号。正常、AF、其他节律和噪声数据的分布在数据集中是很大程度不平衡的。计算正常(Fnorm)、AF(Faf)和其他节律(Foth)的F1分数用于性能分析，最终准确性根据下面的说明性表达式进行报告：
FT＝((Fnorm+Faf+Foth)/3)
本公开的实施例和图2的所提出的方法使用5折交叉验证最初应用于整个训练数据集，并且通过以下示例其性能在表1中显示：
表1
<![CDATA[F<sub>norm</sub>]]> <![CDATA[F<sub>af</sub>]]> <![CDATA[F<sub>oth</sub>]]> <![CDATA[F<sub>T</sub>]]>
平均 0.9095 0.7978 0.7719 0.8264
标准 0.0022 0.0062 0.0040 0.0026
从上面的表1可以看出，所提出的图2的方法的性能在5折交叉验证中在整个折叠中是足够稳定的，这是由于在不同测试场景上的小标准偏差值。还可以观察到该方法在分类(或识别)正常记录中产生非常高的F1分数(平均值0.9)，而检测其他节律的F1分数接近0.77。详细的检查表明，大量的其他节律被错误地分类为正常。在这个特定的类别中对应于每个记录的实际疾病信息的不可用性使分类任务更难以识别正确的特征，从而降低了分类准确性。对整个训练数据集创建最终的训练模型，并在服务器处对隐藏的测试数据集的子集进行评估。通过下面的说明性示例，表2描述了所提出的方法在隐藏测试数据集的子集上的性能：
表2
Figure BDA0001579563410000121
从表2可以观察到，与训练集上的内部交叉验证相比，检测(或识别)AF节律的性能已经对测试数据集显著改善。另一方面，检测(或识别)其他节律的性能略微下降，并且正常记录的检测几乎保持不变。
本公开的实施例和系统100使用一系列多层级联二元分类器(也被称为级联二元分类器)来识别(短)单导ECG记录(例如，记录30秒的ECG信号)中的一个或多个节律。如上所述，所提出的方法已经对Physionet(2017)数据集验证成功。
书面描述描述了本文的主题以使得本领域的任何技术人员能够制作和使用这些实施例。主题实施例的范围由权利要求限定，并且可以包括本领域技术人员想到的其他修改。如果这样的其他修改具有与权利要求的字面语言相同的元素，或者如果它们包括与权利要求的字面语言无实质区别的等同元素，则这些其他修改意图在权利要求的范围内。
应该理解的是，保护的范围扩展到这样的程序，并且除了其中具有消息的计算机可读装置之外，这样的计算机可读存储装置包含程序代码装置，用于当程序在服务器或移动设备或任何合适的可编程设备上运行时实现该方法的一个或多个步骤。硬件设备可以是任何种类的可以被编程的设备，包括例如，任何种类的计算机，如服务器或个人计算机等，或其任何组合。该设备还可以包括可以是例如硬件装置的装置，如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者硬件和软件装置的组合，例如，ASIC和FPGA，或者至少一个微处理器和具有位于其中的软件模块的至少一个存储器。因此，该装置可以包括硬件装置和软件装置。这里描述的方法实施例可以在硬件和软件中实现。该设备还可以包括软件装置。可选地，实施例可以例如使用多个CPU在不同的硬件设备上实现。
这里的实施例可以包括硬件和软件元件。以软件实现的实施例包括但不限于固件、常驻软件、微代码等。由本文描述的各种模块执行的功能可以以其他模块或其他模块的组合来实现。为了描述的目的，计算机可用或计算机可读介质可以是能够包括、存储、通信、传播或传输供指令执行系统、装置或设备使用或与其结合使用的程序的任何装置。
阐述说明的步骤是为了解释所示的示例性实施例，并且应当预料到，正在进行的技术发展将改变执行特定功能的方式。这里出于说明而非限制的目的呈现这些示例。此外，为了便于描述，功能构建块的边界在此被任意地定义。只要规定的功能及其关系适当地执行，就可以定义可选的边界。基于本文所包含的教导，相关领域的技术人员将会明白替代方案(包括本文所述的那些的等价物、扩展、变化、偏差等)。这样的替代方案落入所公开的实施例的范围和精神内。此外，词语“包括”、“具有”、“包含”和“含有”以及其它类似形式旨在在含义上是等同的并且是开放性的，因为这些词语中的任何一个之后的项目不是旨在作为这样的物品的详尽列表，或者意味着仅限于列出的物品。还必须注意的是，除非上下文另外清楚地指出，否则如本文和所附权利要求书中所使用的单数形式“一个”、“一种”和“该”包括复数形式。
此外，一个或多个计算机可读存储介质可以用于实现与本公开一致的实施例。计算机可读存储介质是指可以存储处理器可读的信息或数据的任何类型的物理存储器。因此，计算机可读存储介质可以存储用于由一个或多个处理器执行的指令，包括用于使处理器执行与在此描述的实施例一致的步骤或阶段的指令。术语“计算机可读介质”应理解为包括有形物品，并排除载波和瞬态信号，即非瞬态的。示例包括随机存取存储器(RAM)、只读存储器(ROM)、易失性存储器、非易失性存储器、硬盘驱动器、CD ROM、DVD、闪存驱动器、磁盘以及任何其他已知的物理存储介质。
意图的是，本公开和示例仅被认为是示例性的，其中所公开的实施例的真实范围和精神由所附权利要求指示。

Claims (6)

1.一种处理器实现的方法，该方法包括：
经由一个或多个硬件处理器获取在预定义的时间间隔内记录的单导心电图(ECG)信号；
经由所述一个或多个硬件处理器对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号，包括：
将所获取的单导ECG信号分成多个窗口；
计算所述多个窗口中的每一个窗口的频谱图；
将所述多个窗口中的每一个窗口的所计算的频谱图与动态计算的阈值进行比较，所述动态计算的阈值是基于信噪比(SNR)的，所述SNR是对于所述单导ECG信号中的所述多个窗口而测量的，如果最大SNR和最小SNR值之间的差是最小值的3倍，则最大SNR的75％被测量为用于丢弃噪声窗口的阈值，并且所述最大SNR的75％被测量为所述动态计算的阈值；
其中，当来自子集的每一个窗口具有的功率大于“X”赫兹以上的阈值功率时，在所述多个窗口的子集中确定噪声，
从所述干净的ECG信号中提取一个或多个特征，其中，来自包括具有超过所述阈值功率的功率的ECG信号的部分的子集的每一个窗口被认为是噪声窗口并被丢弃以获得所述干净的ECG信号；
使用最佳特征选择技术从所述一个或多个提取的特征中选择一个或多个最佳特征；以及
使用作为在两个加入层中连接的三级分类器实现和执行的二元级联分类器，基于所选择的一个或多个最佳特征识别以下中的至少一个：所述单导心电图(ECG)信号和所述干净的ECG信号中的至少一个中的一个或多个正常节律、第一组异常节律、以及第二组异常节律，其中使用统计特征提取技术在所述三级分类器的每一个级别处选择划分所述第一组异常节律、和所述第二组异常节律的特征；以及
由所述二元级联分类器的层1中的第一二元分类器，基于质心、频谱滚降、频谱通量的频率特征在所述干净的ECG信号中识别作为正常和其他的异常节律的“A”组节律、以及作为心房颤动(AF)节律和噪声的“B”组节律；
由所述二元级联分类器的层2中的第二二元分类器，通过选择作为不稳定的具有心率变化性(HRV)特征的其他节律来执行细分类；以及
由所述二元级联分类器的层2中的第三二元分类器，选择特征用于AF信号；其中，对于三个二元分类器中的每一个，使用贝叶斯优化函数来优化整体分类器的两个参数，即学习周期数量和学习速率。
2.根据权利要求1所述的处理器实现的方法，其中经由所述一个或多个硬件处理器对所获取的单导ECG信号应用基于所述频谱图的噪声数据去除技术的步骤还包括：
基于比较来确定所述多个窗口的至少一个子集中的噪声；以及
基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。
3.根据权利要求1所述的处理器实现的方法，其中所述最佳特征选择技术是最小冗余最大相关度(mRMR)技术和最大信息系数(MIC)技术中的至少一种。
4.一种系统，包括：
存储指令的存储器；
一个或多个通信接口；以及
一个或多个硬件处理器，其经由所述一个或多个通信接口耦合到所述存储器，其中所述一个或多个硬件处理器由所述指令配置成：
获取在预定义的时间间隔内记录的单导心电图(ECG)信号；
对所获取的单导ECG信号实时应用基于频谱图的噪声数据去除技术，以获得干净的ECG信号，包括：
将所获取的单导ECG信号分成多个窗口；
计算所述多个窗口中的每一个窗口的频谱图；
将所述多个窗口中的每一个窗口的所计算的频谱图与动态计算的阈值进行比较，所述动态计算的阈值是基于信噪比(SNR)的，所述SNR是对于所述单导ECG信号中的所述多个窗口而测量的，如果最大SNR和最小SNR值之间的差是最小值的3倍，则最大SNR的75％被测量为用于丢弃噪声窗口的阈值，并且所述最大SNR的75％被测量为所述动态计算的阈值；其中，当来自子集的每一个窗口具有的功率大于“X”赫兹以上的阈值功率时，在所述多个窗口的子集中确定噪声，
从所述干净的ECG信号中提取一个或多个特征，其中，来自包括具有超过所述阈值功率的功率的ECG信号的部分的子集的每一个窗口被认为是噪声窗口并被丢弃以获得所述干净的ECG信号；
使用最佳特征选择技术从所述一个或多个提取的特征中选择一个或多个最佳特征；以及
使用作为在两个加入层中连接的三级分类器实现和执行的二元级联分类器，基于所选择的一个或多个最佳特征识别以下中的至少一个：所述单导心电图(ECG)信号和所述干净的ECG信号中的至少一个中的一个或多个正常节律、第一组异常节律、以及第二组异常节律，其中使用统计特征提取技术在所述三级分类器的每一个级别处选择划分所述第一组异常节律、和所述第二组异常节律的特征；以及
由所述二元级联分类器的层1中的第一二元分类器，基于质心、频谱滚降、频谱通量的频率特征在所述干净的ECG信号中识别作为正常和其他的异常节律的“A”组节律、以及作为心房颤动(AF)节律和噪声的“B”组节律；
由所述二元级联分类器的层2中的第二二元分类器，通过选择作为不稳定的具有心率变化性(HRV)特征的其他节律来执行细分类；以及
由所述二元级联分类器的层2中的第三二元分类器，选择特征用于AF信号；
其中，对于三个二元分类器中的每一个，使用贝叶斯优化函数来优化整体分类器的两个参数，即学习周期数量和学习速率。
5.根据权利要求4所述的系统，其中通过对所获取的单导ECG信号应用基于频谱图的噪声数据去除技术来提取所述干净ECG信号，包括以下步骤：
基于比较来确定所述多个窗口的至少一个子集中的噪声；以及
基于在所述多个窗口的至少一个子集中确定的噪声来提取所述干净的ECG信号。
6.根据权利要求4所述的系统，其中所述最佳特征选择技术是最小冗余最大相关度(mRMR)技术和最大信息系数(MIC)技术中的至少一种。
CN201810149362.5A 2017-09-19 2018-02-13 识别单导心电图（ecg）信号中的节律的级联二元分类器 Active CN109522916B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201721033210 2017-09-19
IN201721033210 2017-09-19

Publications (2)

Publication Number Publication Date
CN109522916A CN109522916A (zh) 2019-03-26
CN109522916B true CN109522916B (zh) 2023-04-28

Family

ID=61163478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810149362.5A Active CN109522916B (zh) 2017-09-19 2018-02-13 识别单导心电图（ecg）信号中的节律的级联二元分类器

Country Status (6)

Country Link
US (1) US10750968B2 (zh)
EP (1) EP3456246A1 (zh)
JP (1) JP6786536B2 (zh)
CN (1) CN109522916B (zh)
AU (1) AU2018200751B2 (zh)
SG (1) SG10201800886TA (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11553843B2 (en) * 2017-10-18 2023-01-17 Nxgen Partners Ip, Llc Topological features and time-bandwidth signature of heart signals as biomarkers to detect deterioration of a heart
FR3079405B1 (fr) * 2018-03-30 2023-10-27 Substrate Hd Dispositif informatique de detection de troubles du rythme cardiaque
WO2020086865A1 (en) * 2018-10-26 2020-04-30 Mayo Foundation For Medical Education And Research Neural networks for atrial fibrillation screening
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
CN111743530A (zh) * 2019-03-29 2020-10-09 丽台科技股份有限公司 心电图信号判断装置及方法
CN109907753B (zh) * 2019-04-23 2022-07-26 杭州电子科技大学 一种多维度ecg信号智能诊断系统
EP3735894B1 (en) * 2019-05-09 2022-11-30 Tata Consultancy Services Limited Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg
CN110226921B (zh) * 2019-06-27 2022-07-29 广州视源电子科技股份有限公司 心电信号检测分类方法、装置、电子设备和存储介质
CN110458245B (zh) * 2019-08-20 2021-11-02 图谱未来(南京)人工智能研究院有限公司 一种多标签分类模型训练方法、数据处理方法及装置
US20220313098A1 (en) * 2019-09-06 2022-10-06 Valencell, Inc. Wearable biometric waveform analysis systems and methods
CN110638430B (zh) * 2019-10-23 2022-08-09 苏州大学 级联神经网络ecg信号心律失常分类模型的搭建方法
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
CN111259820B (zh) * 2020-01-17 2023-05-05 上海乐普云智科技股份有限公司 一种基于r点的心搏数据分类方法和装置
KR102461702B1 (ko) * 2020-02-18 2022-11-01 주식회사 에이티센스 심전도 신호 처리 방법
EP3881767A1 (en) * 2020-03-19 2021-09-22 Tata Consultancy Services Limited Systems and methods for atrial fibrillation (af) and cardiac disorders detection from biological signals
CN111407261B (zh) * 2020-03-31 2024-05-21 京东方科技集团股份有限公司 生物信号的周期信息的测量方法及装置、电子设备
US11709844B2 (en) * 2020-09-11 2023-07-25 Volvo Car Corporation Computerized smart inventory search methods and systems using classification and tagging
CN112842342B (zh) * 2021-01-25 2022-03-29 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
CN113052229B (zh) * 2021-03-22 2023-08-29 武汉中旗生物医疗电子有限公司 一种基于心电数据的心脏病症分类方法及装置
CN113177514B (zh) * 2021-05-20 2023-06-16 浙江波誓盾科技有限公司 无人机信号检测方法、装置及计算机可读存储介质
KR20230025959A (ko) * 2021-08-17 2023-02-24 주식회사 메디컬에이아이 딥러닝 알고리즘을 기반으로 복수개의 표준 심전도 데이터를 생성하는 방법
CN114469126B (zh) * 2022-03-09 2023-06-23 平安科技（深圳）有限公司 心电数据的分类处理方法、装置、存储介质及计算机设备
US20240079140A1 (en) * 2022-09-05 2024-03-07 Tata Consultancy Services Limited Method and system for generating 2d representation of electrocardiogram (ecg) signals

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101449971A (zh) * 2008-12-30 2009-06-10 南京大学 基于节律模式的便携式心电诊断监测设备
CN104185443A (zh) * 2011-12-09 2014-12-03 加利福尼亚大学董事会 确定与生物节律异常有关的规律性的方法和系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4322118B2 (ja) * 2001-12-03 2009-08-26 メドトロニック・インコーポレーテッド 不整脈の診断および処置のための二腔の方法および装置
US7751873B2 (en) * 2006-11-08 2010-07-06 Biotronik Crm Patent Ag Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US9314181B2 (en) * 2009-11-03 2016-04-19 Vivaquant Llc Method and apparatus for detection of heartbeat characteristics
US20130096447A1 (en) * 2011-09-27 2013-04-18 Akshay Dhawan System and methods for serial analysis of electrocardiograms
US9089272B2 (en) * 2013-01-02 2015-07-28 Boston Scientific Scimed Inc. Estimating restitution curves in an anatomical mapping system
US9545227B2 (en) * 2013-12-13 2017-01-17 Vital Connect, Inc. Sleep apnea syndrome (SAS) screening using wearable devices
US10154794B2 (en) * 2014-04-25 2018-12-18 Medtronic, Inc. Implantable cardioverter-defibrillator (ICD) tachyarrhythmia detection modifications responsive to detected pacing
GB2526105A (en) 2014-05-13 2015-11-18 Sensium Healthcare Ltd A method for confidence level determination of ambulatory HR algorithm based on a three-way rhythm classifier
EP3166482B1 (en) * 2014-07-07 2019-09-25 Zoll Medical Corporation System and method for distinguishing a cardiac event from noise in an electrocardiogram (ecg) signal
CA2999642C (en) * 2015-10-07 2023-08-01 Precordior Oy Method and apparatus for producing information indicative of cardiac condition
JP6468986B2 (ja) * 2015-10-27 2019-02-13 日本電信電話株式会社 ノイズ判定装置、方法、およびプログラム
EP3379998A4 (en) * 2015-11-23 2019-07-31 Mayo Foundation for Medical Education and Research PROCESSING PHYSIOLOGICAL ELECTRICAL DATA FOR ANALYTICAL ASSESSMENTS

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101449971A (zh) * 2008-12-30 2009-06-10 南京大学 基于节律模式的便携式心电诊断监测设备
CN104185443A (zh) * 2011-12-09 2014-12-03 加利福尼亚大学董事会 确定与生物节律异常有关的规律性的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Cascaded multi-class pairwise classifier (CascaMPa) for normal, cancerous, and cancer confounder classes in prostate histology";Scott Doyle etc;《IEEE》;20110402;715-718页 *
"ECG Signal Quality During Arrhythmia and Its Application to False Alarm Reduction";Joachim Behar etc;《IEEE》;20130115;1660-1666页 *

Also Published As

Publication number Publication date
SG10201800886TA (en) 2019-04-29
AU2018200751A1 (en) 2019-04-04
EP3456246A1 (en) 2019-03-20
CN109522916A (zh) 2019-03-26
US20190082988A1 (en) 2019-03-21
JP6786536B2 (ja) 2020-11-18
AU2018200751B2 (en) 2020-04-02
US10750968B2 (en) 2020-08-25
JP2019055173A (ja) 2019-04-11

Similar Documents

Publication Publication Date Title
CN109522916B (zh) 识别单导心电图（ecg）信号中的节律的级联二元分类器
Datta et al. Identifying normal, AF and other abnormal ECG rhythms using a cascaded binary classifier
Ye et al. Heartbeat classification using morphological and dynamic features of ECG signals
Safara et al. Multi-level basis selection of wavelet packet decomposition tree for heart sound classification
Couceiro et al. Detection of atrial fibrillation using model-based ECG analysis
EP3672474A1 (en) A method of detecting abnormalities in ecg signals
Ye et al. Combining general multi-class and specific two-class classifiers for improved customized ECG heartbeat classification
Dar et al. ECG based biometric identification for population with normal and cardiac anomalies using hybrid HRV and DWT features
Daqrouq et al. Neural network and wavelet average framing percentage energy for atrial fibrillation classification
Sarfraz et al. Using independent component analysis to obtain feature space for reliable ECG Arrhythmia classification
Luz et al. Evaluating the use of ECG signal in low frequencies as a biometry
Smisek et al. Multi-stage SVM approach for cardiac arrhythmias detection in short single-lead ECG recorded by a wearable device
Sedighian et al. Pediatric heart sound segmentation using Hidden Markov Model
Pander A new approach to adaptive threshold based method for QRS detection with fuzzy clustering
Zhao et al. An explainable attention-based TCN heartbeats classification model for arrhythmia detection
Lee et al. A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices
Banerjee et al. A novel recurrent neural network architecture for classification of atrial fibrillation using single-lead ECG
De Giovanni et al. A patient-specific methodology for prediction of paroxysmal atrial fibrillation onset
Chen et al. Finger ECG based two-phase authentication using 1D convolutional neural networks
Mihandoost et al. Cyclic spectral analysis of electrocardiogram signals based on GARCH model
US20210290175A1 (en) Systems and methods for atrial fibrillation (af) and cardiac disorders detection from biological signals
Al-Masri Detecting ECG heartbeat abnormalities using artificial neural networks
Shantha Selva Kumari et al. Classification of cardiac arrhythmias based on morphological and rhythmic features
Raj et al. Application of variational mode decomposition and ABC optimized DAG-SVM in arrhythmia analysis
Yoon et al. Automatic detection of congestive heart failure and atrial fibrillation with short RR interval time series

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