CN109620214A - 基于人工智能技术的心电信号st段自动判断方法及装置 - Google Patents

基于人工智能技术的心电信号st段自动判断方法及装置 Download PDF

Info

Publication number
CN109620214A
CN109620214A CN201811497524.0A CN201811497524A CN109620214A CN 109620214 A CN109620214 A CN 109620214A CN 201811497524 A CN201811497524 A CN 201811497524A CN 109620214 A CN109620214 A CN 109620214A
Authority
CN
China
Prior art keywords
sections
baseline
electrocardiosignal
wave
point
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
Application number
CN201811497524.0A
Other languages
English (en)
Other versions
CN109620214B (zh
Inventor
朱俊江
张德涛
伍尚实
汪朝阳
陈广怡
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.)
Shanghai Innovation Medical Technology Co Ltd
Original Assignee
Shanghai Innovation 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 Shanghai Innovation Medical Technology Co Ltd filed Critical Shanghai Innovation Medical Technology Co Ltd
Priority to CN201811497524.0A priority Critical patent/CN109620214B/zh
Publication of CN109620214A publication Critical patent/CN109620214A/zh
Priority to PCT/CN2019/109884 priority patent/WO2020114068A1/zh
Priority to EP19891833.6A priority patent/EP3795074B1/en
Application granted granted Critical
Publication of CN109620214B publication Critical patent/CN109620214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/358—Detecting ST segments
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG 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
    • A61B5/353—Detecting P-waves
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • A61B5/36—Detecting PQ interval, PR interval or QT interval
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Abstract

本发明公开了基于人工智能技术的心电信号ST段自动判断方法及装置，针对滤波后的人体心电信号，结合小波滤波和三角形面积法分别提取心电信号各个重要特征点，包括定位S波和T波，实现ST段的起始点、斜率特征的准确识别，继而提出使用基于均值滤波的去除基线方法，将提取出的基线序列减去，得到新的心电信号，再针对此心电信号提取ST段、各段基线，计算心率及各段基线的斜率，综合选取标准基线，最后根据标准基线识别ST段的异常改变，得出定性定量的关于ST段的判断结果，是抬高、压低还是正常。本发明解决了基线漂移带来的基线误差、标准基线选取不准确、异常心拍个数差异大的问题，间接提高了ST段异常改变判断的准确率，计算简单、易于实现。

Description

基于人工智能技术的心电信号ST段自动判断方法及装置
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种基于人工智能技术的心电信号ST段自动判断方法及装置。
背景技术
心电图是心脏活动过程中生物电信号在体表的综合反映，各个心动周期通常由一系列P波、QRS波群、T波组成，其中QRS波群包括Q波、R波、S波。每个特征子波段的起始与偏移之间的时间间隔是显著的，反映了心脏和自主神经系统的生理过程。其中QRS波群的终点到T波起点的一段称为ST段。
ST段代表心室除极完成后复极过程的电位变化，正常的ST段应处于等电位线(基线)上，呈水平或平缓倾斜，并逐渐光滑过渡T波，可有轻度向上或向下的偏移。除ST段，另外两段典型的等电位线为TP段、PR段，与其相比，超出正常偏移范围便属于异常心电图。当某部位的心肌出现缺血或坏死的表现，心室在除极完毕后仍存在电位差，此时表现为心电图上ST段发生偏移，典型的形态表现为抬高和压低。ST段改变作为判断心肌缺血的重要指标，同时又见于心肌梗死、急性心包炎等，其形态变化的准确检测与判断具有重要的临床意义。
目前，基于时间窗检测法、小波滤波法等方法提取和识别ST段，具有计算简单、易于实现、运行速度快的优势，但ST段形态变化多样，而这些方法依赖特征点识别的准确率和基线提取的准确率，在心电信号中干扰较大或者有漂移影响时，会造成ST段识别和判断的准确率大大降低。
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基于人工智能技术的心电信号ST段自动判断方法及装置，旨在解决现有技术在心电信号中干扰较大或者有漂移影响时，ST段识别和判断的准确率大大降低的问题。
本发明的目的采用以下技术方案实现：
一种基于人工智能技术的心电信号ST段自动判断方法，包括：
步骤S1：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰；
步骤S2：对步骤S1中获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰；
步骤S3：对步骤S2中获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点；
步骤S4：对步骤S3中获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点；
步骤S5：对步骤S3中获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点；
步骤S6：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)；
步骤S7：对步骤S1至步骤S5中所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段；
步骤S8：对步骤S7中所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线；
步骤S9：对步骤S7中获得的ST段和步骤S8中获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常。
在上述实施例的基础上，优选的，所述步骤S6中，在均值滤波基础上减去基线序列的方法，采用移动平均滤波函数。
在上述实施例的基础上，优选的，移动平均滤波函数为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。
在上述实施例的基础上，优选的，N＝5。
在上述任意实施例的基础上，优选的，所述步骤S8中综合选取一种基线的方法为：
计算心电信号x(t)的心率；
当心率大于120时认为心率加快，此时选择QQ连线作为标准基线；
当心率不大于120时，计算TP段的斜率KTP与PR段的斜率KPR；当KTP<KPR时，选取TP段作为标准基线；否则选取PR段作为标准基线。
一种基于人工智能技术的心电信号ST段自动判断装置，包括：
第一模块，用于：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰；
第二模块，用于：对第一模块获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰；
第三模块，用于：对第二模块获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点；
第四模块，用于：对第三模块获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点；
第五模块，用于：对第三模块获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点；
第六模块，用于：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)；
第七模块，用于：对第一模块至第五模块所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段；
第八模块，用于：对第七模块所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线；
第九模块，用于：对第七模块获得的ST段和第八模块获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常。
在上述实施例的基础上，优选的，所述第六模块在均值滤波基础上减去基线序列的方法，采用移动平均滤波函数。
在上述实施例的基础上，优选的，移动平均滤波函数为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。
在上述实施例的基础上，优选的，N＝5。
在上述任意实施例的基础上，优选的，所述第八模块综合选取一种基线的方法为：
计算心电信号x(t)的心率；
当心率大于120时认为心率加快，此时选择QQ连线作为标准基线；
当心率不大于120时，计算TP段的斜率KTP与PR段的斜率KPR；当KTP<KPR时，选取TP段作为标准基线；否则选取PR段作为标准基线。
相比现有技术，本发明的有益效果在于：
本发明公开了基于人工智能技术的心电信号ST段自动判断方法及装置，针对滤波后的人体心电信号，结合小波滤波和三角形面积法分别提取心电信号各个重要特征点，包括定位S波和T波，实现ST段的起始点、斜率特征的准确识别，继而提出使用基于均值滤波的去除基线方法，将提取出的基线序列减去，得到新的心电信号，再针对此心电信号提取ST段、各段基线，计算心率及各段基线的斜率，综合选取一种标准基线，最后根据此标准基线识别ST段的异常改变，得出定性定量的关于ST段的判断结果，是抬高、压低还是正常。
本发明在原始信号基础上已准确定位特征点，再去除基线序列后，提取ST段与基线，并且以综合选取的标准基线为标准，考虑到了基线漂移带来的基线提取不准确的误差以及心率等因素对基线选择的影响，解决了基线漂移带来的基线误差、标准基线选取不准确、异常心拍个数差异大的问题，间接提高了ST段异常改变判断的准确率，并且计算简单、易于实现，为心电信号快速有效识别提供新途径。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1a、图1b、图1c分别示出了本发明实施例提供的一种对ST段形态识别的预分类的类型；
图2示出了本发明实施例提供的一种对ST段自动判断方法的总流程图；
图3示出了本发明实施例提供的一种对心电信号的特征点检测流程图；
图4示出了本发明实施例提供的一种对心电信号综合确定标准基线的流程图；
图5示出了本发明实施例提供的一种对ST段进行异常改变判断流程图；
图6示出了本发明实施例提供的一种对心电信号特征点检测的实验效果图；
图7示出了本发明实施例提供的一种对心电信号去除均值基线的实验效果图；
图8示出了本发明实施例提供的一种对心电信号提取ST段及各段基线的实验效果图；
图9示出了本发明实施例提供的一种基于人工智能技术的心电信号ST段自动判断方法的流程示意图；
图10示出了本发明实施例提供的一种基于人工智能技术的心电信号ST段自动判断装置的结构示意图。
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
如图1a、图1b、图1c所示，本发明实施例中，将ST段的判断结果分为三类，包括正常水平、抬高、压低。其中，图1a为ST段正常；图1b为ST段压低；图1c为ST段抬高。
如图2和图9所示，本发明实施例提供了一种基于人工智能技术的心电信号ST段自动判断方法，包括以下步骤：
步骤S1：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰。具体的，以脱敏心电数据作为待处理的心电信号s(t)，该心电信号经过滤波处理，并且含R波峰标记点Rpeak。因此，在此前提下基于QRS波群特征点关系，如图3所示，以R波峰为标准点，在db4小波5层分解重构后，在Rpeak前后0.5ms内找到极小值点，分别为Q波峰Qpeak、S波峰Speak。
步骤S2：对步骤S1中获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰。具体的，对s(t)进行心拍分割，通过小波分解重构，对各个心拍x(t)进行局部放大，继而结合三角形面积法得到P波峰Ppeak、T波峰Tpeak。其中，心拍分割是以Rpeak为标准点，向前推0.3s，向后推0.5s，以此截取出的心电信号为单个心拍，继而对心拍信号进行小波分解、重构，找出xx窗口内极大值，分别为Ppeak、Tpeak。
本发明实施例中，三角形面积法的具体方法可以是：取A波峰前80ms处为B点，X为AB轨迹上可变的顶点，当该三角形的面积SΔABX达到最大值时，求得的对应X'顶点为A波峰的起点，同理，当B点取A波峰后80ms时，所得到的X'顶点为A波峰的终点。该方法为本领域技术人员的公知内容，此处不做赘述。
步骤S3：对步骤S2中获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点。具体的，通过三角形面积法找到P波、T波的起点Pon、Ton，以及P波、T波的终点Pend、Tend。
步骤S4：对步骤S3中获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点。具体的，由P波起点向前推0.05s时间，得到TP段的起点TPon，由Rpeak采用三角形面积法定位R波起点Ron。
步骤S5：对步骤S3中获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点。具体的，对步骤S3中获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点(J点)，再采用三角形法定位到ST段的终点(K点)。
所述R+X法可以为：
根据不同心率大小，J点取Rpeak后相隔n倍RT间隔处，即，J点的位置STi的计算公式为：
其中，Ri为R波峰的位置；x为与心率值HR相关的变量；RTi为RT间隔。
步骤S6：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)。
步骤S7：对步骤S1至步骤S5中所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段。具体的，对步骤S1至步骤S5中所定位的TPon和Pon，截取TPon和Pon之间的心电信号为基线TP段；由定位的Pend和Ron，截取Pend和Ron之间的心电信号为基线PR段；由定位的Qpeak，连接相邻的Qpeak，提取出QQ连线；再由J点、K点，截取J、K点之间的心电信号为ST段。
步骤S8：对步骤S7中所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线，如图4所示。具体的，对步骤S7中所获得的各段基线TP段、PR段、QQ连线，计算各段斜率KTP、KPR，并计算新的心电信号x(t)的心率值，综合选取一种基线作为判断ST段变化的标准。
心率计算的方法可以是：
已知Rpeak，首先分类求取RR间隔值RR(i)，继而得出心率值HR，具体如下式：
其中，i为第i个心拍，K为Rloc的长度，Rloc＝Rpeak，fs为心电信号的采样频率。
综合确定标准基线的方法可以是：
由计算得到心电信号x(t)的心率，当心率大于阈值h(h＝120)时，认为心率加快，此时选择QQ连线为标准基线；当心率不大于阈值h(h＝120)时，比较斜率KTP、KPR，当KTP小于KPR时，选取TP段为标准基线，反之，选取PR段为标准基线。
步骤S9：对步骤S7中获得的ST段和步骤S8中获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常，如图5所示。具体的，对步骤S7中获得的ST段和步骤S8中获得的标准基线，计算ST段的均值高度HST与基线的均值高度Hbas的差值ΔH，根据不同导联的心电信号特征，进行阈值判断，判定ST段是否发生抬高和压低还是处于正常水平。其中，ΔH的计算公式为：
ΔH＝|HST-Hbas|；
由计算得到的差值ΔH，考虑不同导联的心电信号特征：
针对肢体导联I、II、III、AVR、AVF、AVL和胸导联V4、V5、V6，当ΔH大于阈值r2(r2＝0.1)时，判断该导联心电信号为ST段抬高；当ΔH小于阈值r3(r3＝0.05)时，判断该导联心电信号为ST段压低；其余情况判断该导联心电信号的ST段正常；
针对胸导联V1、V2、V3，当ΔH大于阈值r1(r1＝0.3)时，判断该导联心电信号为ST段抬高；当ΔH小于阈值r3(r3＝0.05)时，判断该导联心电信号为ST段压低；其余情况判断该导联心电信号的ST段正常。
为了减少心电信号基线提取中基线漂移带来的误差，本发明实施例在各个特征点提取后，实现了移动平均滤波器，采用均值滤波去除了基线漂移，此过程相当于低通滤波，比起模拟滤波器有更好的效果。优选的，所述步骤S6中，在均值滤波基础上减去基线序列的方法，采用移动平均滤波函数。
优选的，移动平均滤波函数可以为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。这样做的好处是，将原心电信号s(t)减去了Xs，得到新的心电信号x(t)，在此基础上进行ST段的提取、基线提取、异常改变的判断。
本发明实施例对N的取值不做限定，优选的，N＝5。
图6示出了本发明实施例提供的一种对心电信号特征点检测的实验效果图；图7示出了本发明实施例提供的一种对心电信号去除均值基线的实验效果图；图8示出了本发明实施例提供的一种对心电信号提取ST段及各段基线的实验效果图。
本发明实施例首先根据心电信号各个特征点关系，针对滤波后的人体心电信号，结合小波滤波和三角形面积法分别提取心电信号各个重要特征点，在已知R波峰的前提下，检测出QRS波群、P波、T波、各个波的起止点、基线起止点、ST段起止点，实现ST段的起始点、斜率特征的准确识别；再根据心电信号基线漂移的特征，对心电信号采用均值滤波的方法去除基线序列，得到新的心电信号；再针对新的心电信号由均值滤波前提取的各个特征点对ST段和各段基线进行提取，计算心率及各段基线的斜率，综合考虑心率、斜率因素选取一种标准基线，最后根据ST段在不同导联上的振幅特征，将ST段与标准基线比较，根据标准基线识别ST段的异常改变，得出定性定量的关于ST段的判断结果，是抬高、压低还是正常。
本发明实施例在原始信号基础上已准确定位特征点，再去除基线序列后，提取ST段与基线，并且以综合选取的标准基线为标准，考虑到了基线漂移带来的基线提取不准确的误差以及心率等因素对基线选择的影响，解决了基线漂移带来的基线误差、标准基线选取不准确、异常心拍个数差异大的问题，间接提高了ST段异常改变判断的准确率，并且计算简单、易于实现，为心电信号快速有效识别提供新途径。
在上述的具体实施例一中，提供了基于人工智能技术的心电信号ST段自动判断方法，与之相对应的，本申请还提供基于人工智能技术的心电信号ST段自动判断装置。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10所示，本发明实施例提供了一种基于人工智能技术的心电信号ST段自动判断装置，包括：
第一模块201，用于：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰；
第二模块202，用于：对第一模块201获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰；
第三模块203，用于：对第二模块202获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点；
第四模块204，用于：对第三模块203获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点；
第五模块205，用于：对第三模块203获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点；
第六模块206，用于：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)；
第七模块207，用于：对第一模块201至第五模块205所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段；
第八模块208，用于：对第七模块207所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线；
第九模块209，用于：对第七模块207获得的ST段和第八模块208获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常。
优选的，所述第六模块206在均值滤波基础上减去基线序列的方法，可以采用移动平均滤波函数。
优选的，移动平均滤波函数可以为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。
优选的，N＝5。
优选的，所述第八模块208综合选取一种基线的方法可以为：
计算心电信号x(t)的心率；
当心率大于120时认为心率加快，此时选择QQ连线作为标准基线；
当心率不大于120时，计算TP段的斜率KTP与PR段的斜率KPR；当KTP<KPR时，选取TP段作为标准基线；否则选取PR段作为标准基线。
本发明实施例首先根据心电信号各个特征点关系，针对滤波后的人体心电信号，结合小波滤波和三角形面积法分别提取心电信号各个重要特征点，在已知R波峰的前提下，检测出QRS波群、P波、T波、各个波的起止点、基线起止点、ST段起止点，实现ST段的起始点、斜率特征的准确识别；再根据心电信号基线漂移的特征，对心电信号采用均值滤波的方法去除基线序列，得到新的心电信号；再针对新的心电信号由均值滤波前提取的各个特征点对ST段和各段基线进行提取，计算心率及各段基线的斜率，综合考虑心率、斜率因素选取一种标准基线，最后根据ST段在不同导联上的振幅特征，将ST段与标准基线比较，根据标准基线识别ST段的异常改变，得出定性定量的关于ST段的判断结果，是抬高、压低还是正常。
本发明实施例在原始信号基础上已准确定位特征点，再去除基线序列后，提取ST段与基线，并且以综合选取的标准基线为标准，考虑到了基线漂移带来的基线提取不准确的误差以及心率等因素对基线选择的影响，解决了基线漂移带来的基线误差、标准基线选取不准确、异常心拍个数差异大的问题，间接提高了ST段异常改变判断的准确率，并且计算简单、易于实现，为心电信号快速有效识别提供新途径。
本发明在现有技术的基础上，对已有的心电信号进行数据处理，判断其ST段的状态是抬高、压低还是正常；显然的，本发明只涉及直接面对心电信号的数据处理，不包含疾病的诊断和治疗。
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 (10)

1.一种基于人工智能技术的心电信号ST段自动判断方法，其特征在于，包括：
步骤S1：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰；
步骤S2：对步骤S1中获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰；
步骤S3：对步骤S2中获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点；
步骤S4：对步骤S3中获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点；
步骤S5：对步骤S3中获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点；
步骤S6：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)；
步骤S7：对步骤S1至步骤S5中所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段；
步骤S8：对步骤S7中所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线；
步骤S9：对步骤S7中获得的ST段和步骤S8中获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常。
2.根据权利要求1所述的基于人工智能技术的心电信号ST段自动判断方法，其特征在于，所述步骤S6中，在均值滤波基础上减去基线序列的方法，采用移动平均滤波函数。
3.根据权利要求2所述的基于人工智能技术的心电信号ST段自动判断方法，其特征在于，移动平均滤波函数为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。
4.根据权利要求3所述的基于人工智能技术的心电信号ST段自动判断方法，其特征在于，N＝5。
5.根据权利要求1-4任一项所述的基于人工智能技术的心电信号ST段自动判断方法，其特征在于，所述步骤S8中综合选取一种基线的方法为：
计算心电信号x(t)的心率；
当心率大于120时认为心率加快，此时选择QQ连线作为标准基线；
当心率不大于120时，计算TP段的斜率KTP与PR段的斜率KPR；当KTP<KPR时，选取TP段作为标准基线；否则选取PR段作为标准基线。
6.一种基于人工智能技术的心电信号ST段自动判断装置，其特征在于，包括：
第一模块，用于：针对已滤波处理得到的心电信号s(t)，在已知R波峰位置的前提下，通过局部放大，向R波峰前后找到极小值，准确定位Q波峰和S波峰；
第二模块，用于：对第一模块获得的QRS波群准确位置，进行小波变换，通过局部放大，采用三角形面积法，准确定位P波峰、T波峰；
第三模块，用于：对第二模块获得的P波峰、T波峰，分别采用三角形面积法在搜索窗口内找到P波的起止点、T波的起止点；
第四模块，用于：对第三模块获得的P波的起点，由P波起点向前推预定时间得到基线TP段的起点，由R波峰采用三角形面积法定位R波起点；
第五模块，用于：对第三模块获得的T波的终点和已知的R波峰，采用R+X法，定位到ST段的起点，记为J点；再采用三角形面积法定位到ST段的终点，记为K点；
第六模块，用于：对心电信号s(t)进行均值滤波，得到的均值序列默认为基线序列Xs；将原心电信号s(t)减去基线序列Xs，得到新的心电信号x(t)；
第七模块，用于：对第一模块至第五模块所定位的TP段起点和P波起点，提取出基线TP段；由定位的P波终点和R波起点，提取出基线PR段；由定位的相邻两个Q波峰，提取出QQ连线；截取J点、K点之间的心电信号为ST段；
第八模块，用于：对第七模块所获得的各段基线TP段、PR段、QQ连线，计算各段斜率，并计算新的心电信号x(t)的心率值；综合选取一种基线作为判断ST段变化的标准基线；
第九模块，用于：对第七模块获得的ST段和第八模块获得的标准基线，计算ST段与基线的均值高度的差值；根据不同导联的心电信号特征，进行阈值判断，判定ST段是抬高、压低还是正常。
7.根据权利要求6所述的基于人工智能技术的心电信号ST段自动判断装置，其特征在于，所述第六模块在均值滤波基础上减去基线序列的方法，采用移动平均滤波函数。
8.根据权利要求7所述的基于人工智能技术的心电信号ST段自动判断装置，其特征在于，移动平均滤波函数为：
其中，Xs(i)是原心电信号s(t)经过平滑后的第i个采样点；s(i)为原心电信号的第i个采样点；N是相邻采样点的数量，N为正整数，且N<0.05×采样频率；
通过用N个相邻采样点的平均值替换每个采样点来平滑数据，得到一段基线序列值Xs。
9.根据权利要求8所述的基于人工智能技术的心电信号ST段自动判断装置，其特征在于，N＝5。
10.根据权利要求6-9任一项所述的基于人工智能技术的心电信号ST段自动判断装置，其特征在于，所述第八模块综合选取一种基线的方法为：
计算心电信号x(t)的心率；
当心率大于120时认为心率加快，此时选择QQ连线作为标准基线；
当心率不大于120时，计算TP段的斜率KTP与PR段的斜率KPR；当KTP<KPR时，选取TP段作为标准基线；否则选取PR段作为标准基线。
CN201811497524.0A 2018-12-07 2018-12-07 基于人工智能技术的心电信号st段自动判断方法及装置 Active CN109620214B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811497524.0A CN109620214B (zh) 2018-12-07 2018-12-07 基于人工智能技术的心电信号st段自动判断方法及装置
PCT/CN2019/109884 WO2020114068A1 (zh) 2018-12-07 2019-10-08 基于人工智能技术的心电信号st段自动判断方法及装置
EP19891833.6A EP3795074B1 (en) 2018-12-07 2019-10-08 Method and device for automatically determining st segment of electrocardiogram signal based on artificial intelligence technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811497524.0A CN109620214B (zh) 2018-12-07 2018-12-07 基于人工智能技术的心电信号st段自动判断方法及装置

Publications (2)

Publication Number Publication Date
CN109620214A true CN109620214A (zh) 2019-04-16
CN109620214B CN109620214B (zh) 2020-09-25

Family

ID=66072078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811497524.0A Active CN109620214B (zh) 2018-12-07 2018-12-07 基于人工智能技术的心电信号st段自动判断方法及装置

Country Status (3)

Country Link
EP (1) EP3795074B1 (zh)
CN (1) CN109620214B (zh)
WO (1) WO2020114068A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020114068A1 (zh) * 2018-12-07 2020-06-11 上海数创医疗科技有限公司 基于人工智能技术的心电信号st段自动判断方法及装置
CN111643070A (zh) * 2020-06-12 2020-09-11 京东方科技集团股份有限公司 一种t波起点的确定方法、装置、存储介质及电子设备
CN111832537A (zh) * 2020-07-27 2020-10-27 深圳竹信科技有限公司 异常心电信号识别方法及异常心电信号识别装置
WO2021120737A1 (zh) * 2019-12-16 2021-06-24 深圳市邦健科技有限公司 St 检测方法、装置、计算机设备及存储介质
CN114027853A (zh) * 2021-12-16 2022-02-11 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备
WO2022032941A1 (zh) * 2020-08-11 2022-02-17 深圳市科瑞康实业有限公司 一种对心电信号st段进行预警的方法
CN114219028A (zh) * 2021-12-15 2022-03-22 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114521899A (zh) * 2020-11-23 2022-05-24 武汉心络科技有限公司 心电信号滤波方法、装置、计算机设备及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112869753B (zh) * 2021-02-10 2023-03-07 上海交通大学医学院附属瑞金医院 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪
CN113786202B (zh) * 2021-08-17 2023-12-26 广东省科学院健康医学研究所 一种心电图特征起点和终点检测方法、系统、装置及介质
CN114073534B (zh) * 2021-11-25 2023-05-26 成都泰盟软件有限公司 一种心功能分析算法
CN114569077B (zh) * 2022-02-28 2023-03-24 深圳市医未医疗科技有限公司 一种基于移动终端的心肌梗死检测系统及方法
CN115813404B (zh) * 2023-02-15 2023-09-05 深圳市美林医疗器械科技有限公司 一种快速筛选具有临床诊断价值的心电图的方法与装置
CN116369907B (zh) * 2023-03-20 2024-02-13 华南师范大学 一种心冲击图信号定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110021936A1 (en) * 2009-07-24 2011-01-27 Shen Luo Medical data display with 3-D and 2-D color mapping
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置
CN106618542A (zh) * 2015-10-28 2017-05-10 中国科学院上海高等研究院 一种去噪心率信号检测装置及方法
CN106668282A (zh) * 2016-12-30 2017-05-17 辽宁上药好护士药业（集团）有限公司 益心宁神片在制备治疗心脏疾病药物中的应用
CN108814590A (zh) * 2018-03-23 2018-11-16 江苏华康信息技术有限公司 一种心电qrs波群的检测方法及其心电分析方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4930075A (en) * 1987-07-13 1990-05-29 The Board Of Trustees Of The Leland Stanford Junior University Technique to evaluate myocardial ischemia from ECG parameters
CN101028186A (zh) * 2007-03-28 2007-09-05 李楚雅 基于模板匹配的心电图st段自动识别方法
US8024030B2 (en) * 2009-08-12 2011-09-20 Siemens Aktiengesellschaft System and method for analyzing an electrocardiogram signal
US9060699B2 (en) * 2012-09-21 2015-06-23 Beth Israel Deaconess Medical Center, Inc. Multilead ECG template-derived residua for arrhythmia risk assessment
US9949659B2 (en) * 2014-03-27 2018-04-24 The General Hospital Corporation System and method for determining dynamic elecardiographic ischemic changes
CN104173043B (zh) * 2014-09-04 2017-02-15 东莞理工学院 一种适合于移动平台的心电数据分析方法
CN108618777A (zh) * 2017-03-20 2018-10-09 深圳市理邦精密仪器股份有限公司 心电信号中st段信号的处理方法及装置、心电监测设备
CN107951485B (zh) * 2017-11-27 2019-06-11 深圳市凯沃尔电子有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN109620214B (zh) * 2018-12-07 2020-09-25 上海数创医疗科技有限公司 基于人工智能技术的心电信号st段自动判断方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110021936A1 (en) * 2009-07-24 2011-01-27 Shen Luo Medical data display with 3-D and 2-D color mapping
CN106618542A (zh) * 2015-10-28 2017-05-10 中国科学院上海高等研究院 一种去噪心率信号检测装置及方法
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置
CN106668282A (zh) * 2016-12-30 2017-05-17 辽宁上药好护士药业（集团）有限公司 益心宁神片在制备治疗心脏疾病药物中的应用
CN108814590A (zh) * 2018-03-23 2018-11-16 江苏华康信息技术有限公司 一种心电qrs波群的检测方法及其心电分析方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020114068A1 (zh) * 2018-12-07 2020-06-11 上海数创医疗科技有限公司 基于人工智能技术的心电信号st段自动判断方法及装置
WO2021120737A1 (zh) * 2019-12-16 2021-06-24 深圳市邦健科技有限公司 St 检测方法、装置、计算机设备及存储介质
CN111643070A (zh) * 2020-06-12 2020-09-11 京东方科技集团股份有限公司 一种t波起点的确定方法、装置、存储介质及电子设备
WO2021249493A1 (zh) * 2020-06-12 2021-12-16 京东方科技集团股份有限公司 T波起点的确定方法、装置、存储介质及计算机程序产品
CN111832537A (zh) * 2020-07-27 2020-10-27 深圳竹信科技有限公司 异常心电信号识别方法及异常心电信号识别装置
WO2022032941A1 (zh) * 2020-08-11 2022-02-17 深圳市科瑞康实业有限公司 一种对心电信号st段进行预警的方法
CN114073533A (zh) * 2020-08-11 2022-02-22 深圳市科瑞康实业有限公司 一种对心电信号st段进行预警的方法
CN114073533B (zh) * 2020-08-11 2024-01-26 深圳市科瑞康实业有限公司 一种对心电信号st段进行预警的方法
CN114521899A (zh) * 2020-11-23 2022-05-24 武汉心络科技有限公司 心电信号滤波方法、装置、计算机设备及存储介质
CN114521899B (zh) * 2020-11-23 2024-02-13 武汉心络科技有限公司 心电信号滤波方法、装置、计算机设备及存储介质
CN114219028A (zh) * 2021-12-15 2022-03-22 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114219028B (zh) * 2021-12-15 2024-04-12 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114027853A (zh) * 2021-12-16 2022-02-11 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备
CN114027853B (zh) * 2021-12-16 2022-09-27 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备

Also Published As

Publication number Publication date
WO2020114068A1 (zh) 2020-06-11
EP3795074A4 (en) 2021-10-27
CN109620214B (zh) 2020-09-25
EP3795074A1 (en) 2021-03-24
EP3795074B1 (en) 2022-04-27

Similar Documents

Publication Publication Date Title
CN109620214A (zh) 基于人工智能技术的心电信号st段自动判断方法及装置
Yazdani et al. Extraction of QRS fiducial points from the ECG using adaptive mathematical morphology
CN105030228B (zh) 在心电信号中确定其p波位置的方法及装置
CN108814590B (zh) 一种心电qrs波群的检测方法及其心电分析方法
CN106214145A (zh) 一种基于深度学习算法的心电图分类方法
CN103083013A (zh) 基于形态学与小波变换的心电信号qrs复波检测方法
Chatterjee et al. Real time P and T wave detection from ECG using FPGA
CN104783787B (zh) 一种基于神经网络的j波检测方法
Yazdani et al. Adaptive mathematical morphology for QRS fiducial points detection in the ECG
CN108523881B (zh) 一种准确提取qrs内异常电位的方法
Khan et al. ECG feature extraction in temporal domain and detection of various heart conditions
Ramli et al. Correlation analysis for abnormal ECG signal features extraction
CN108814591A (zh) 一种心电qrs波群宽度的检测方法及其心电分析方法
Bhoi et al. Statistical analysis of QRS-complex to evaluate the QR versus RS interval alteration during ischemia
CN107320096B (zh) 一种心电r波定位方法
CN110037691B (zh) 用于r波定位的改进卷积神经网络
CN109875550B (zh) 一种心室除极关键点检测方法
CN110507317A (zh) 一种心电信号r波的自适应ca-cfar定位方法
CN110420022B (zh) 一种基于双密度小波变换的p波检测方法
CN110179456B (zh) 心电噪声识别模型训练及心电噪声检测方法、装置
Vuksanovic et al. Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters
CN108836305B (zh) 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法
Nair et al. Adaptive wavelet based identification and extraction of PQRST combination in randomly stretching ECG sequence
Bayasi et al. A 65-nm low power ECG feature extraction system
Sahoo et al. ECG signal analysis for detection of Cardiovascular abnormalities and Ischemic episodes

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