CN109620206B - 包含异位心跳判断的房颤人工智能识别方法及装置 - Google Patents
包含异位心跳判断的房颤人工智能识别方法及装置 Download PDFInfo
- Publication number
- CN109620206B CN109620206B CN201811600454.7A CN201811600454A CN109620206B CN 109620206 B CN109620206 B CN 109620206B CN 201811600454 A CN201811600454 A CN 201811600454A CN 109620206 B CN109620206 B CN 109620206B
- Authority
- CN
- China
- Prior art keywords
- interval
- module
- heartbeat
- atrial fibrillation
- peak position
- 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
Links
Images
Classifications
-
- 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
- A61B5/24—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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了包含异位心跳判断的房颤人工智能识别方法及装置,针对大于10s长度的单导联心电图,提供一种包含异位心跳校正的心房颤动自动识别方法,降低误诊率。该方法先对心电信号的RR间隔进行提取,再判断是否存在异位心跳并修正,然后对RR间隔进行统计,最后采用神经网络进行分类。本发明方法简单,计算量小,容易在硬件上实现;相比于传统的基于RR间隔的房颤识别方法,本发明的异位心跳识别准确率高、可以有效降低包含房性早搏、室性早搏等心跳的心电信号的误诊率,提高识别准确率。
Description
技术领域
本发明涉及生物医学信号处理的技术领域,尤其涉及包含异位心跳判断的房颤人工智能识别方法及装置。
背景技术
心房颤动(房颤)是最常见的持续性心律不齐,全球患者约3350万。房颤虽然不至人死亡,但可能导致血栓的形成以及增加脑卒中的患病机率。临床上,一般依靠十二导联心电监护仪器进行监护:首先采集多个导联的心电信号(Electrocardiogram,ECG),然后由医生根据心电信号特征对心电信号是否代表房颤心电信号做出判断。但依靠人工判断耗时耗力,而且还受制于医生的水平,因此每年约30%的患者未能得到有效的检测和监护,使得房颤治疗复发率很高,影响了人类健康。
根据心电信号,自动化的进行房颤识别的方法有很多,其中,基于RR间隔的房颤识别方法计算量小稳定性高,在处理临床心电图和动态心电图中均得到广泛应用,然而,在心电图中包含异位心跳时,RR间隔数值可能会受到干扰,导致窦性心律心电图被误诊。
发明内容
为了克服现有技术的不足,本发明的目的在于提供包含异位心跳判断的房颤人工智能识别方法及装置,旨在解决现有技术在心电图中包含异位心跳时,RR间隔数值可能会受到干扰,导致窦性心律心电图被误诊的问题。
本发明的目的采用以下技术方案实现:
一种包含异位心跳判断的房颤人工智能识别方法,包括:
步骤S1:从某一心电信号中截取出时间长度为第一预定时间的一部分;采用R波提取算法确定出所截取的心电信号中的每个R波波峰在心电信号序列中的位置ri;
步骤S2:对步骤S1得到的R波波峰的位置序列进行差分,计算出若干个RR间隔rri;
步骤S3:根据步骤S1提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波波峰位置ti;
步骤S4:根据步骤S2得到的RR间隔rri和步骤S3得到的疑似P波波峰位置pi和疑似T波波峰位置ti,判断是否存在异位心跳;
步骤S5:如果存在异位心跳,则确定异位心跳的位置,并根据异位心跳的位置对步骤S2计算出的RR间隔rri进行修正;否则不对步骤S2计算出的RR间隔rri进行处理;
步骤S6:针对步骤S5得到的RR间隔,统计9个统计量,包括RR间隔数量、最大RR间隔、最小RR间隔、RR间隔平均值、RR间隔方差、RR间隔最大差值、RR间隔最小差值、RR间隔差值平均值、RR间隔差值方差;
步骤S7:将步骤S6得到的9个统计量输入到神经网络中,经过计算得出识别结果;如果识别结果大于预定值,则判定该心电信号代表房颤心电信号;如果识别结果不大于预定值,则判定该心电信号并非房颤心电信号。
在上述实施例的基础上,优选的,所述步骤S3中,基于均值滤波和小波分解的方法,具体为:
步骤S31:采用第二预定时间的窗函数对心电信号进行均值滤波;
步骤S32:对均值滤波后的心电信号采用db4作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构;
步骤S33:对重构后的心电信号进行局部最大值提取,将步骤S1提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
在上述实施例的基础上,优选的,所述步骤S4中,判断是否存在异位心跳的方法,具体为:
如果有待定心跳满足:
其他心跳对应的RR间隔高于待定心跳对应的RR间隔的预定比例;并且,待定心跳对应的疑似P波波峰位置与上一心跳的T波波峰位置之间的间隔不高于第三预定时间和预定倍数RR间隔值;
则待定心跳为待定心跳,判定存在异位心跳。
在上述实施例的基础上,优选的,所述步骤S7中,所述神经网络为3层神经网络,并且,
输入层、隐含层和输出层分别为9个、6个和1个神经元;隐含层和输出层的激励函数均采用sigmoid函数;
输入层、隐含层的参数利用第一预定数量的房颤心电信号和第二预定数量的非房颤心电信号组成的训练集训练得到。
在上述实施例的基础上,优选的,所述第一预定时间为10秒;
所述预定值为0.5;
所述第二预定时间为0.06秒;
所述预定比例为25%;
所述第三预定时间为0.12秒;
所述预定倍数为0.2倍;
所述第一预定数量为4066,所述第二预定数量为4066。
一种包含异位心跳判断的房颤人工智能识别装置,包括:
第一模块,用于:从某一心电信号中截取出时间长度为第一预定时间的一部分;采用R波提取算法确定出所截取的心电信号中的每个R波波峰在心电信号序列中的位置ri;
第二模块,用于:对第一模块得到的R波波峰的位置序列进行差分,计算出若干个RR间隔rri;
第三模块,用于:根据第一模块提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波波峰位置ti;
第四模块,用于:根据第二模块得到的RR间隔rri和第三模块得到的疑似P波波峰位置pi和疑似T波波峰位置ti,判断是否存在异位心跳;
第五模块,用于:如果存在异位心跳,则确定异位心跳的位置,并根据异位心跳的位置对第二模块计算出的RR间隔rri进行修正;否则不对第二模块计算出的RR间隔rri进行处理;
第六模块,用于:针对第五模块得到的RR间隔,统计9个统计量,包括RR间隔数量、最大RR间隔、最小RR间隔、RR间隔平均值、RR间隔方差、RR间隔最大差值、RR间隔最小差值、RR间隔差值平均值、RR间隔差值方差;
第七模块,用于:将第六模块得到的9个统计量输入到神经网络中,经过计算得出识别结果;如果识别结果大于预定值,则判定该心电信号代表房颤心电信号;如果识别结果不大于预定值,则判定该心电信号并非房颤心电信号。
在上述实施例的基础上,优选的,所述第三模块包括:
第31模块,用于:采用第二预定时间的窗函数对心电信号进行均值滤波;
第32模块,用于:对均值滤波后的心电信号采用db4作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构;
第33模块,用于:对重构后的心电信号进行局部最大值提取,将第一模块提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
在上述实施例的基础上,优选的,所述第四模块用于:
如果有待定心跳满足:
其他心跳对应的RR间隔高于待定心跳对应的RR间隔的预定比例;并且,待定心跳对应的疑似P波波峰位置与上一心跳的T波波峰位置之间的间隔不高于第三预定时间和预定倍数RR间隔值;
则待定心跳为待定心跳,判定存在异位心跳。
在上述实施例的基础上,优选的,对于所述第七模块,所述神经网络为3层神经网络,并且,
输入层、隐含层和输出层分别为9个、6个和1个神经元;隐含层和输出层的激励函数均采用sigmoid函数;
输入层、隐含层的参数利用第一预定数量的房颤心电信号和第二预定数量的非房颤心电信号组成的训练集训练得到。
在上述实施例的基础上,优选的,所述第一预定时间为10秒;
所述预定值为0.5;
所述第二预定时间为0.06秒;
所述预定比例为25%;
所述第三预定时间为0.12秒;
所述预定倍数为0.2倍;
所述第一预定数量为4066,所述第二预定数量为4066。
相比现有技术,本发明的有益效果在于:
本发明公开了包含异位心跳判断的房颤人工智能识别方法及装置,针对大于10s长度的单导联心电图,提供一种包含异位心跳校正的心房颤动自动识别方法,降低误诊率。该方法先对心电信号的RR间隔进行提取,再判断是否存在异位心跳并修正,然后对RR间隔进行统计,最后采用神经网络进行分类。本发明方法简单,计算量小,容易在硬件上实现;相比于传统的基于RR间隔的房颤识别方法,本发明的异位心跳识别准确率高、可以有效降低包含房性早搏、室性早搏等心跳的心电信号的误诊率,提高识别准确率。
附图说明
图1示出了本发明实施例提供的一种包含异位心跳判断的房颤人工智能识别方法的流程示意图;
图2示出了本发明实施例提供的一种异位心跳判断方法及校正方法的流程示意图;
图3示出了本发明实施例提供的一种RR间隔示意图;
图4示出了本发明实施例提供的一种异位心跳示意图;
图5示出了本发明实施例提供的一种神经网络结构示意图;
图6示出了本发明实施例提供的一种包含异位心跳判断的房颤人工智能识别装置的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
具体实施例一
本发明实施例中的下列几项预定参数,均为发明人经过大量实验取得或者凭借自身经验取得,本发明实施例对这些参数具体取值不做限定,优选的,其可以如下所示:所述第一预定时间为10秒;所述预定值为0.5;所述第二预定时间为0.06秒;所述预定比例为25%;所述第三预定时间为0.12秒;所述预定倍数为0.2倍;所述第一预定数量为4066,所述第二预定数量为4066。
选取某医院提供的的8132条单导联心电数据作为待处理的心电信号,如图1所示,本发明实施例提供了一种包含异位心跳判断的房颤人工智能识别方法,包括以下几个步骤。
步骤S1,将心电信号截取为10s,采用现有的R波提取算法确定出心电信号中的每个R波波峰在心电信号序列中的位置ri,如图3所示,每个R波波峰位置都记有标记“+”;
其中,i表示R波波峰的序列号,i∈[1,N],N表示单条心电信号中R波波峰总数。
步骤S2:对步骤S1中得到的R波波峰位置序列进行差分,计算出若干个RR间隔rri,如图3所示,在两R波波峰之间标记出RR间隔rri;
步骤S3:根据步骤S1中提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波位置ti,具体步骤如下:
步骤S31:采用0.06s的窗函数对心电信号进行均值滤波;
步骤S32:对步骤S31所提的均值滤波后的心电信号采用“db4”作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构。
步骤S33:对步骤S33中得到的重构后的信号进行局部最大值提取,将步骤S1提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
步骤S4:根据步骤S2得到的RR间隔和步骤S3得到的疑似P波和疑似T波的位置,确定是否存在异位心跳及异位心跳的位置,如图4所示,示例中异位心跳所在位置加粗显示;
其中,如图2所示,异位心跳判断按照以下的规则进行:(1)其他心跳对应的RR间隔高于异位心跳所对应的RR间隔的25%;(2)异位心跳对应的疑似P波位置与上一心跳的T波波峰位置之间的间隔不高于0.12s和0.1倍RR间隔值。满足这两个条件则存在异位心跳,不满足则不存在。
步骤S5:若存在步骤S4判断得到的异位心跳,对步骤S2计算出的RR间隔进行修正,否则不对步骤S2计算出的RR间隔进行处理,具体步骤如下:
步骤S6:针对步骤S5得到的新的RR间隔,统计RR间隔数量(num_RR)、最大RR间隔(max_RR)、最小RR间隔(min_RR)、RR间隔平均值(mean_RR)、RR间隔方差(var_RR),RR间隔最大差值(max_diff_RR)、RR间隔最小差值(min_diff_RR)、RR间隔差值平均值(mean_diff_RR)、RR间隔差值方差(var_diff_RR)9个统计量。
其中,RR间隔方差的计算公式为:
RR间隔差值方差的计算公式为:
步骤S7:将步骤S6得到的9个统计量输入到3层神经网络中,经过计算得出结果,结果大于0.5表示该心电信号代表房颤心电信号,结果小于或等于0.5表示该心电信号并非房颤心电信号。
其中,输入层、隐含层和输出层分别为9个,6个和1个神经元,隐含层和输出层的激励函数均采用sigmoid函数,神经网络结构图如图5所示。输入层,隐含层参数可以利用4066条房颤心电信号和4066条非房颤心电信号组成的训练集训练得到,训练算法使用反向传播算法得到。得到的输入层系数为:
输入层偏置:
b1=[0.087049 16.383 -3.4275 -0.04171 -0.08622 -2.0315]T
隐含层系数:
w2=[22.555 11.922 -11.544 -9.4425 -3.7007 6.8797]T
隐含层偏置:b1=0.6678。
本发明实施例针对大于10s长度的单导联心电图,提供一种包含异位心跳校正的心房颤动自动识别方法用于降低误诊率,先对心电信号的RR间隔进行提取,再判断是否存在异位心跳并修正,然后对RR间隔进行统计,最后采用神经网络进行分类。所具备的优点包括:方法简单,计算量小,容易在硬件上实现;相比于传统的基于RR间隔的房颤识别方法,本发明实施例的异位心跳识别准确率高、可以有效降低包含房性早搏、室性早搏等心跳的心电信号的误诊率,提高识别准确率。
在上述的具体实施例一中,提供了包含异位心跳判断的房颤人工智能识别方法,与之相对应的,本申请还提供包含异位心跳判断的房颤人工智能识别装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
具体实施例二
如图6所示,本发明实施例提供了一种包含异位心跳判断的房颤人工智能识别装置,包括:
第一模块,用于:从某一心电信号中截取出时间长度为第一预定时间的一部分;采用R波提取算法确定出所截取的心电信号中的每个R波波峰在心电信号序列中的位置ri;
第二模块,用于:对第一模块得到的R波波峰的位置序列进行差分,计算出若干个RR间隔rri;
第三模块,用于:根据第一模块提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波波峰位置ti;
第四模块,用于:根据第二模块得到的RR间隔rri和第三模块得到的疑似P波波峰位置pi和疑似T波波峰位置ti,判断是否存在异位心跳;
第五模块,用于:如果存在异位心跳,则确定异位心跳的位置,并根据异位心跳的位置对第二模块计算出的RR间隔rri进行修正;否则不对第二模块计算出的RR间隔rri进行处理;
第六模块,用于:针对第五模块得到的RR间隔,统计9个统计量,包括RR间隔数量、最大RR间隔、最小RR间隔、RR间隔平均值、RR间隔方差、RR间隔最大差值、RR间隔最小差值、RR间隔差值平均值、RR间隔差值方差;
第七模块,用于:将第六模块得到的9个统计量输入到神经网络中,经过计算得出识别结果;如果识别结果大于预定值,则判定该心电信号代表房颤心电信号;如果识别结果不大于预定值,则判定该心电信号并非房颤心电信号。
优选的,所述第三模块可以包括:
第31模块,用于:采用第二预定时间的窗函数对心电信号进行均值滤波;
第32模块,用于:对均值滤波后的心电信号采用db4作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构;
第33模块,用于:对重构后的心电信号进行局部最大值提取,将第一模块提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
优选的,所述第四模块可以用于:
如果有待定心跳满足:
其他心跳对应的RR间隔高于待定心跳对应的RR间隔的预定比例;并且,待定心跳对应的疑似P波波峰位置与上一心跳的T波波峰位置之间的间隔不高于第三预定时间和预定倍数RR间隔值;
则待定心跳为待定心跳,判定存在异位心跳。
优选的,对于所述第七模块,所述神经网络可以为3层神经网络,并且,
输入层、隐含层和输出层分别为9个、6个和1个神经元;隐含层和输出层的激励函数均采用sigmoid函数;
输入层、隐含层的参数利用第一预定数量的房颤心电信号和第二预定数量的非房颤心电信号组成的训练集训练得到。
优选的,所述第一预定时间可以为10秒;
所述预定值可以为0.5;
所述第二预定时间可以为0.06秒;
所述预定比例可以为25%;
所述第三预定时间可以为0.12秒;
所述预定倍数可以为0.2倍;
所述第一预定数量可以为4066,所述第二预定数量可以为4066。
本发明实施例针对大于10s长度的单导联心电图,提供一种包含异位心跳校正的心房颤动自动识别方法用于降低误诊率,先对心电信号的RR间隔进行提取,再判断是否存在异位心跳并修正,然后对RR间隔进行统计,最后采用神经网络进行分类。所具备的优点包括:方法简单,计算量小,容易在硬件上实现;相比于传统的基于RR间隔的房颤识别方法,本发明实施例的异位心跳识别准确率高、可以有效降低包含房性早搏、室性早搏等心跳的心电信号的误诊率,提高识别准确率。
本发明从使用目的上、效能上、进步及新颖性等观点进行阐述,其具有的实用进步性,己符合专利法所强调的功能增进及使用要件,本发明以上的说明及附图,仅为本发明的较佳实施例而己,并非以此局限本发明,因此,凡一切与本发明构造、装置、待征等近似、雷同的,即凡依本发明专利申请范围所作的等同替换或修饰等,皆应属本发明的专利申请保护的范围之内。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种包含异位心跳判断的房颤人工智能识别方法,其特征在于,包括:
步骤S1:从某一心电信号中截取出时间长度为第一预定时间的一部分;采用R波提取算法确定出所截取的心电信号中的每个R波波峰在心电信号序列中的位置ri;
步骤S2:对步骤S1得到的R波波峰的位置序列进行差分,计算出若干个RR间隔rri;
步骤S3:根据步骤S1提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波波峰位置ti;
步骤S4:根据步骤S2得到的RR间隔rri和步骤S3得到的疑似P波波峰位置pi和疑似T波波峰位置ti,判断是否存在异位心跳;
步骤S5:如果存在异位心跳,则确定异位心跳的位置,并根据异位心跳的位置对步骤S2计算出的RR间隔rri进行修正;否则不对步骤S2计算出的RR间隔rri进行处理;
步骤S6:针对步骤S5得到的RR间隔,统计9个统计量,包括RR间隔数量、最大RR间隔、最小RR间隔、RR间隔平均值、RR间隔方差、RR间隔最大差值、RR间隔最小差值、RR间隔差值平均值、RR间隔差值方差;
步骤S7:将步骤S6得到的9个统计量输入到神经网络中,经过计算得出识别结果;如果识别结果大于预定值,则判定该心电信号代表房颤心电信号;如果识别结果不大于预定值,则判定该心电信号并非房颤心电信号;
所述步骤S4中,判断是否存在异位心跳的方法,具体为:
如果有待定心跳满足:
其他心跳对应的RR间隔高于待定心跳对应的RR间隔的预定比例;并且,
待定心跳对应的疑似P波波峰位置与上一心跳的T波波峰位置之间的间隔不高于第三预定时间和预定倍数RR间隔值;
则待定心跳为待定心跳,判定存在异位心跳。
2.根据权利要求1所述的包含异位心跳判断的房颤人工智能识别方法,其特征在于,所述步骤S3中,基于均值滤波和小波分解的方法,具体为:
步骤S31:采用第二预定时间的窗函数对心电信号进行均值滤波;
步骤S32:对均值滤波后的心电信号采用db4作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构;
步骤S33:对重构后的心电信号进行局部最大值提取,将步骤S1提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
3.根据权利要求1所述的包含异位心跳判断的房颤人工智能识别方法,其特征在于,所述步骤S7中,所述神经网络为3层神经网络,并且,
输入层、隐含层和输出层分别为9个、6个和1个神经元;隐含层和输出层的激励函数均采用sigmoid函数;
输入层、隐含层的参数利用第一预定数量的房颤心电信号和第二预定数量的非房颤心电信号组成的训练集训练得到。
4.根据权利要求3所述的包含异位心跳判断的房颤人工智能识别方法,其特征在于,所述第一预定时间为10秒;
所述预定值为0.5;
所述第二预定时间为0.06秒;
所述预定比例为25%;
所述第三预定时间为0.12秒;
所述预定倍数为0.2倍;
所述第一预定数量为4066,所述第二预定数量为4066。
5.一种包含异位心跳判断的房颤人工智能识别装置,其特征在于,包括:
第一模块,用于:从某一心电信号中截取出时间长度为第一预定时间的一部分;采用R波提取算法确定出所截取的心电信号中的每个R波波峰在心电信号序列中的位置ri;
第二模块,用于:对第一模块得到的R波波峰的位置序列进行差分,计算出若干个RR间隔rri;
第三模块,用于:根据第一模块提取得到的R波波峰位置ri,采用基于均值滤波和小波分解的方法确定出现在R波之前的疑似P波波峰位置pi和出现在R波之后的疑似T波波峰位置ti;
第四模块,用于:根据第二模块得到的RR间隔rri和第三模块得到的疑似P波波峰位置pi和疑似T波波峰位置ti,判断是否存在异位心跳;
第五模块,用于:如果存在异位心跳,则确定异位心跳的位置,并根据异位心跳的位置对第二模块计算出的RR间隔rri进行修正;否则不对第二模块计算出的RR间隔rri进行处理;
第六模块,用于:针对第五模块得到的RR间隔,统计9个统计量,包括RR间隔数量、最大RR间隔、最小RR间隔、RR间隔平均值、RR间隔方差、RR间隔最大差值、RR间隔最小差值、RR间隔差值平均值、RR间隔差值方差;
第七模块,用于:将第六模块得到的9个统计量输入到神经网络中,经过计算得出识别结果;如果识别结果大于预定值,则判定该心电信号代表房颤心电信号;如果识别结果不大于预定值,则判定该心电信号并非房颤心电信号;
所述第四模块用于:
如果有待定心跳满足:
其他心跳对应的RR间隔高于待定心跳对应的RR间隔的预定比例;并且,
待定心跳对应的疑似P波波峰位置与上一心跳的T波波峰位置之间的间隔不高于第三预定时间和预定倍数RR间隔值;
则待定心跳为待定心跳,判定存在异位心跳。
6.根据权利要求5所述的包含异位心跳判断的房颤人工智能识别装置,其特征在于,所述第三模块包括:
第31模块,用于:采用第二预定时间的窗函数对心电信号进行均值滤波;
第32模块,用于:对均值滤波后的心电信号采用db4作为母小波函数,进行5层小波分解,并选取轮廓1,轮廓2,轮廓3,轮廓4,轮廓5系数进行重构;
第33模块,用于:对重构后的心电信号进行局部最大值提取,将第一模块提取得到的R波波峰位置之前的第一个局部最大值记为疑似P波波峰位置pi,将R波波峰位置之后的第一个局部最大值记为疑似T波波峰位置ti。
7.根据权利要求6所述的包含异位心跳判断的房颤人工智能识别装置,其特征在于,对于所述第七模块,所述神经网络为3层神经网络,并且,
输入层、隐含层和输出层分别为9个、6个和1个神经元;隐含层和输出层的激励函数均采用sigmoid函数;
输入层、隐含层的参数利用第一预定数量的房颤心电信号和第二预定数量的非房颤心电信号组成的训练集训练得到。
8.根据权利要求7所述的包含异位心跳判断的房颤人工智能识别装置,其特征在于,所述第一预定时间为10秒;
所述预定值为0.5;
所述第二预定时间为0.06秒;
所述预定比例为25%;
所述第三预定时间为0.12秒;
所述预定倍数为0.2倍;
所述第一预定数量为4066,所述第二预定数量为4066。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600454.7A CN109620206B (zh) | 2018-12-26 | 2018-12-26 | 包含异位心跳判断的房颤人工智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600454.7A CN109620206B (zh) | 2018-12-26 | 2018-12-26 | 包含异位心跳判断的房颤人工智能识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109620206A CN109620206A (zh) | 2019-04-16 |
CN109620206B true CN109620206B (zh) | 2020-07-07 |
Family
ID=66077695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600454.7A Active CN109620206B (zh) | 2018-12-26 | 2018-12-26 | 包含异位心跳判断的房颤人工智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109620206B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113712566B (zh) * | 2020-05-12 | 2024-02-06 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列的方法和装置 |
CN112587151B (zh) * | 2020-11-11 | 2022-04-12 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取装置 |
CN113598788B (zh) * | 2021-06-24 | 2024-02-13 | 上海数创医疗器械有限公司 | 一种心跳识别预判断模型 |
CN115607167A (zh) * | 2022-11-18 | 2023-01-17 | 中山大学 | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453192B1 (en) * | 2000-03-13 | 2002-09-17 | Cardiac Pacemakers, Inc. | Detection of ventricular ectopic beats using ventricular electrogram |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010034488A1 (en) * | 2000-02-09 | 2001-10-25 | Shal Policker | Method and system of automated hemodynamical detection of arrhythmias |
US7428436B2 (en) * | 2000-11-02 | 2008-09-23 | Cardiac Pacemakers, Inc. | Method for exclusion of ectopic events from heart rate variability metrics |
-
2018
- 2018-12-26 CN CN201811600454.7A patent/CN109620206B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453192B1 (en) * | 2000-03-13 | 2002-09-17 | Cardiac Pacemakers, Inc. | Detection of ventricular ectopic beats using ventricular electrogram |
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
Non-Patent Citations (1)
Title |
---|
基于心音HRV理论的精神压力分析系统;姚鹏飞;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109620206A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109620206B (zh) | 包含异位心跳判断的房颤人工智能识别方法及装置 | |
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
Lin et al. | Discrete-wavelet-transform-based noise removal and feature extraction for ECG signals | |
Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
Wijaya et al. | Abnormalities state detection from P-wave, QRS complex, and T-wave in noisy ECG | |
Paradkar et al. | Cardiac arrhythmia detection using photoplethysmography | |
US11083404B2 (en) | Processing apparatus for processing a physiological signal | |
CN108720832B (zh) | 一种心电信号处理方法及装置 | |
Christov et al. | Ranking of the most reliable beat morphology and heart rate variability features for the detection of atrial fibrillation in short single-lead ECG | |
Jeyarani et al. | Analysis of noise reduction techniques on QRS ECG waveform-by applying different filters | |
Bae et al. | ECG PQRST complex detector and heart rate variability analysis using temporal characteristics of fiducial points | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
Pingale | Using Pan Tompkin ‘S Method, ECG signal processing and dignose various diseases in Matlab | |
Prasad et al. | Heart rate detection using Hilbert transform | |
CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
Sadr et al. | Reducing false arrhythmia alarms in the ICU using multimodal signals and robust QRS detection | |
CN110558959B (zh) | 一种基于极值能量分解法的冥想训练的hrv信号分析方法 | |
CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
KR20120122856A (ko) | Ecg 신호에서의 r-피크 검출 방법 및 그 장치 | |
KR101048763B1 (ko) | 신호 검출 장치 및 방법 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
He et al. | Reducing false arrhythmia alarms in the ICU using novel signal quality indices assessment method | |
US20120136264A1 (en) | System for Ventricular Function Abnormality Detection and Characterization | |
CN113040784B (zh) | 一种心电信号的肌电噪声滤波方法 |
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 |