CN109645979A - 动态心电信号伪差识别方法及装置 - Google Patents
动态心电信号伪差识别方法及装置 Download PDFInfo
- Publication number
- CN109645979A CN109645979A CN201710936264.1A CN201710936264A CN109645979A CN 109645979 A CN109645979 A CN 109645979A CN 201710936264 A CN201710936264 A CN 201710936264A CN 109645979 A CN109645979 A CN 109645979A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- segmentation
- ecg signal
- ambulatory ecg
- sample entropy
- 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
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
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提出一种动态心电信号伪差识别方法及装置,其中,该方法包括:对采集的动态心电信号进行分段,以获取多个分段心电信号;分别确定每个分段心电信号的样本熵;对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵;根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。该方法使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
Description
技术领域
本申请涉及生物医学信号处理技术领域,特别涉及一种动态心电信号伪差识别方法及装置。
背景技术
动态心电图是一种可以长时间连续记录和分析人体心脏在活动和安静状态下心电图变化的方法。随着自动化分析技术的不断发展,现在的动态心电图软件具备了心拍检测和分类、心律失常自动识别等功能,大大提高了医生的诊断效率。然而,经临床应用发现,很多情况下采用自动化诊断技术得出的结果仍存在不可忽视的误差,需要医生的人工干预和再次判读。究其原因,主要是动态心电信号中存在各种干扰。
动态心电信号中可能包含多种不同程度的干扰,这些干扰不是心脏激动所产生的,因此被称为“伪差”。伪差的类型有很多,如被采集者身体移动导致的运动干扰、电极接触不良产生的基线漂移,以及肌电干扰等。干扰程度较小时,可以通过一些预处理算法将伪差滤除,但干扰程度较大时,预处理算法很难在不影响分析诊断的前提下将其有效滤除。特别是运动干扰伪差的引入会造成心拍形态的严重畸变,不仅给自动化分析算法带来很大的误差,也极大影响了医生判读的准确性和效率。
这种严重的伪差信号不仅没有利用价值,而且还会增加自动分析和疾病诊断的误诊率。从长时间记录的动态心电图中人工筛选伪差片段费时费力,且准确性低。因此,对心电信号进行伪差识别是具有十分重要的意义。
相关技术中,可通过结合高阶统计量与聚类分析的方法,利用心电信号的峭度信息区分运动伪差与干净的信号;亦可基于小波变换的方法,利用特定频带中的信号能量识别伪差;还可利用模板匹配法,根据信号与心拍模板的残差评估噪声的大小等方式识别动态心电信号的伪差。然而,上述方法普遍存在以下问题:(1)计算复杂度太高;(2)由于受到数据采样频率、个体差异及心率失常等因素影响,识别结果准确率低,稳健性差。进而,上述方法难以应用在临床动态心电图中的伪差识别中。
发明内容
本申请旨在至少在一定程度上解决上述技术问题。
为此,本申请的第一个目的在于提出一种动态心电信号伪差识别方法,该方法使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
本申请的第二个目的在于提出一种动态心电信号伪差识别装置。
本申请的第三个目的在于提出一种电信号伪差识别装置。
本申请的第四个目的在于提出一种计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
根据本申请第一方面实施例提出了一种动态心电信号伪差识别方法,包括以下步骤:对采集的动态心电信号进行分段,以获取多个分段心电信号;分别确定每个所述分段心电信号的样本熵;对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵;根据预设取值范围和每个所述分段心电信号的归一化样本熵,识别所述动态心电信号中的伪差。
本申请实施例的动态心电信号伪差识别方法,通过对采集的动态心电信号进行分段,以获取多个分段心电信号,并分别确定每个分段心电信号的样本熵,然后,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵,以及根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。由此,提出了一种基于样本熵识别动态心电信号的伪差的方法,该方法使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
本申请第二方面实施例提出了一种动态心电信号伪差识别装置,包括:分段模块,用于对采集的动态心电信号进行分段,以获取多个分段心电信号;确定模块,用于分别确定每个所述分段心电信号的样本熵;归一化处理模块,用于对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵;识别模块,用于根据预设取值范围和每个所述分段心电信号的归一化样本熵,识别所述动态心电信号中的伪差。
本申请实施例的动态心电信号伪差识别装置,通过对采集的动态心电信号进行分段,以获取多个分段心电信号,并分别确定每个分段心电信号的样本熵,然后,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵,以及根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。由此,使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
本申请第三方面实施例提出了一种电信号伪差识别装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行本申请第一方面实施例的动态心电信号伪差识别方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如本申请第一方面实施例的动态心电信号伪差识别方法。
本申请第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本申请第一方面实施例的动态心电信号伪差识别方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例的动态心电信号伪差识别方法的流程图;
图2为三种伪差信号片段的归一化样本熵的示例图;
图3为归一化样本熵序列及其对应的直方图的示例图;
图4为根据本申请另一个实施例的动态心电信号伪差识别方法的流程图;
图5为根据本申请一个实施例的动态心电信号伪差识别装置的结构示意图;
图6为根据本申请另一个实施例的动态心电信号伪差识别装置的结构示意图;
图7为根据本申请又一个实施例的动态心电信号伪差识别装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“多个”指两个或两个以上;术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
下面参考附图描述根据本申请实施例的动态心电信号伪差识别方法及装置。
图1为根据本申请一个实施例的动态心电信号伪差识别方法的流程图。
如图1所示,根据本申请实施例的动态心电信号伪差识别方法,包括以下步骤。
S1,对采集的动态心电信号进行分段,以获取多个分段心电信号。
可以理解,本申请适用于长时程动态心电信号的分析。作为一种示例性实施方式,通过信号采集设备获取受试者的动态心电信号,作为本申请实施例的输入。
需要说明的是,动态心电信号的长度会影响伪差的识别效果,作为一种示例性的实施方式,为了获取较好的伪差识别效果,获取超过预设时间长度的动态心电信号。
其中,预设时间长度至少为30min,这样,通过确定预设时间长度,避免了动态心电信号长度对伪差识别效果的影响,进而,能够获得较好的伪差识别效果。
作为一种示例性的实施方式,在采集动态心电信号后,对采集的动态心电信号进行分段,以获取多个分段心电信号。
其中,多个分段心电信号的长度相等且不重叠。
需要说明的是,分段心电信号的长度的大小会影响后续伪差识别的准确率和运算速度,当分段心电信号的长度较短时,容易导致后续样本熵评估不稳定,将正常的心电信号判别为伪差,从而降低伪差识别的特异性;当分段心电信号的长度较长时,持续时间较短的伪差不容易被识别出来,而且增加样本熵评估的运算量。同时,在动态心电图中,心电信号的伪差一般持续几秒或以上。
为了同时取得较好的伪差识别准确率和运算效率,分段心电信号的长度为预设值,其中,预设值可以为8s-12s中的任意值。也就是说,分段心电信号的长度取8s-12s中的任意一个值时,可以同时获得较好的伪差识别准确率和运算效率。
作为一种示例性的实施方式,为了使得伪差识别准确率和运算效果最好,每个分段心电信号的长度可以为10s。
S2,分别确定每个分段心电信号的样本熵。
其中,需要说明的是,样本熵是一个非线性参数,用于反映时间序列的复杂性、动态性以及测量动态序列的不规则性。样本熵值越大表示序列越随机或越不规则,值越小表示序列中可识别的特征或模式越小。因此,样本熵可以利用信号内在的复杂度和有序程度来区分真实心电信号与干扰。
其中,每个分段心电信号的样本熵的计算过程为:
步骤S21,根据分段心电信号和样本熵的维数m构建一组m维矢量X(0),X(2),……X(N-m),其中X(i)=[u(i),u(i+1),……,u(i+m-1)]。
其中,u(i)表示分段心电信号中的一个点。
假设分段心电信号中包括N个点,该分段心电信号可以表示为[u(1),u(2),……u(N)]。
步骤S22,将矢量X(i)和X(j)两者对应元素中绝对差值最大的一个取值作为矢量X(i)和X(j)之间的距离d[X(i),X(j)]。
即,d[X(i),X(j)]=max|u(i+k)–u(j+k)|
其中k=0,1,…,m-1;i,j=0,1,…,N-m;i≠j。
步骤S23,根据阈值r,对于i≤N-m,统计d[X(i),X(j)]小于r的数目Nm,计算Nm与距离总数N-m-1的比例,记作Bm(i)=Nm/(N-m-1),并计算出所有i的平均值Bm=ΣBm(i)]/(N-m)。
其中,N表示分段心电信号中的总数据量。
其中,需要说明的是,在计算分段心电信号的样本熵的过程中,需要确定维数m和阈值r两个参数的取值。
其中,维数m的取值范围为2~5,阈值r的取值范围为0.1~0.3倍的分段心电信号数据标准差时,能够获得较准确的样本熵,进而能够取得较好的伪差识别准确率。
优选的,在维数m为3,r的取值为0.15倍分段心电信号数据的标准差时,获得的样本熵结果最优。
步骤S24,以步长1增加维数m,以获取更新后的维数m+1,并重复上述步骤S21-S23,以求出Bm+1,然后,根据Bm+1和Bm计算出分段心电信号的样本熵为SE=-ln(Bm+1/Bm)。
其中,需要理解的是,上述步骤是计算一个分段心电信号的样本熵的过程。
其中,需要理解的是,通过上述步骤S21-S24,可确定出每个段心电信号U(t),t=1,2,…,T的样本熵值,得到一个样本熵序列SE(t),t=1,2,…,T,其中,T表示心电信号的总分段数。
S3,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵。
需要说明的是,不同测试者存在个体差异,心电信号的形态以及幅值存在较大变化,同一测试者由于心率快慢和心律失常等因素的影响在同一次采样过程中,心电信号的波形同样存在较大的变化,这些将会影响最终数据的处理和分析。
为了降低个体差异性、心率快慢和心律失常等因素对伪差识别效果的影响,可对每个分段心电信号的样本熵进行归一化处理。
作为一种示例性的实施方式,可根据每个分段心电信号的样本熵,确定多个分段心电信号的样本熵平均值,并根据样本熵平均值,分别对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵。
具体而言,在获取每个分段心电信号的样本熵后,可根据每个分段心电信号的样本熵,确定多个分段心电信号的样本熵平均值
假设用SE(t)表示分段心电信号,其中,计算分段心电信号SE(t)的归一化样本熵SEn(t)的公式为:
其中,t=1,2,…,T,T表示心电信号的总分段数。
其中,分段心电信号的归一化样本熵的取值范围一般在0~3.0之间。
其中,三种伪差信号片段的归一化样本熵的示例图,如图2所示。其中,需要说明的是,图2中所示的三种伪差信号片段分别为基于漂移、运动干扰和肌电干扰。
由此,通过对分段心电信号的样本熵进行归一化处理,能够很好地降低个体差异性、心率快慢和心律失常等因素对后续伪差识别效果的影响。
S4,根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。
其中,预设取值范围是预先设置的归一化样本熵的取值范围。
作为一种示例性的实施方式,在确定出每个分段心电信号的归一化样本熵后,针对每个分段心电信号,判断当前分段心电信号的归一化样本熵是否在预设取值范围内,若判断出当前分段心电信号的归一化样本熵不在预设取值范围内,则确定当前分段心电信号为伪差信号。
若判断出当前分段心电信号的归一化样本熵在预设取值范围内,则确定当前分段心电信号为非伪差信号,即,确定当前分段心电信号为干净的心电信号。
其中,需要说明的是,预设取值范围的下限值与上限值取值的大小对伪差识别的敏感性和特异性有很大影响。
作为一种示例性的实施方式,假设用TH1表示预设取值范围的下限值,用TH2表示预设取值范围的上限值,为了获取较好的伪差识别的敏感性和特异性,TH1的取值范围为0.6~0.8,TH2的取值范围为1.1~1.4。
其中,需要说明的是,如果当前分段心电信号的归一化样本熵小于预设取值范围的TH1的取值,则表明信号复杂度较小,当前段心电信号可能存在饱和或导联脱落等干扰;如果当前分段心电信号的归一化样本熵大于TH2的取值时,表明信号复杂度较大,当前段心电信号可能存在较剧烈的运动干扰或肌电干扰。
作为一种示例性的实施方式,为了准确确定预设取值范围的下限值和上限值的取值,在根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差之前,还可以通过样本动态心电信号,计算出样本动态心电信号的多个分段心电信号的归一化样本熵,然后,根据样本动态心电信号的多个分段心电信号的归一化样本熵确定出最大频数所对应的归一化样本熵SEpeak,然后,通过下述公式计算出TH1和TH2的取值,其中,计算TH1的取值的公式为:TH1=SEpeak*0.85,计算TH2的取值的公式为:TH2=SEpeak*1.4。
其中,归一化样本熵序列及其对应的直方图的示例图,如图3所示。
综上可以看出,本申请实施例的动态心电信号伪差识别方法,通过对采集的动态心电信号进行分段,以获取多个分段心电信号,并分别确定每个分段心电信号的样本熵,然后,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵,以及根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。由此,提出了一种基于样本熵识别动态心电信号的伪差的方法,该方法使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
图4为根据本申请另一个实施例的动态心电信号伪差识别方法的流程图。
如图4所示,根据本申请实施例的动态心电信号伪差识别方法,包括以下步骤。
S41,对采集的动态心电信号进行去除低频和高频干扰处理,以将动态心电信号中的低频基线漂移和高频噪声滤除。
需要说明的是,动态心电信号中一般包含低频的基线漂移与高频噪声,为了防止这些干扰影响后续样本熵的评估,作为一种示例性的实施方式,可利用带通滤波器滤除低频干扰和高频噪声,将动态心电信号中的低频基线漂移和高频噪声滤除。
由于动态心电信号的有效频段为1Hz~30Hz,因此,可使用带通滤波器滤除低频干扰和高频噪声。例如,可使用截止频率为1Hz的高通巴特沃斯滤波器滤除低频干扰,然后再用截止频率为30Hz的低通巴特沃斯滤波器去除高频噪声。
可选的,为了满足滤波要求,以及减少运算量,可选用4阶巴特沃斯带通滤波器。其中,巴特沃斯带通滤波器的高通截止频率设置为1Hz,低通截止频率设置为30Hz。
其中,需要理解的是,滤波后的动态心电信号中包含有效的动态心电信号与叠加在其中的中频噪声干扰,其中,中频噪声干扰不能使用滤波方法滤除。
S42,判断动态心电信号的采样频率是否在预设采样频率范围内,若否,则执行步骤S43。
S43,对动态心电信号进行降采样或者升采样处理,以使处理后的动态心电信号的采样频率在预设采样频率范围内。
可以理解,在动态心电信号采集过程中,当动态心电信号采集的条件不同,或者采集动态心电信号采用的采集设备不同时,动态心电信号的采样频率会在不同的范围内。
为了使得后续步骤中样本熵的计算方法适用的范围更广泛,判断动态心电信号的采样频率是否在预设采样频率范围内,若否,则对动态心电信号进行降采样或者升采样处理。通过对动态心电信号进行降采样或者升采样处理,以使处理后的动态心电信号的采样频率在预设采样频率范围内。其中,预设采样频率范围是根据在计算样本熵时,可以有效反映信号的复杂时所需要的数据采样率预先确定的。预设采样频率范围是预先设置的采样频率的取值范围。例如,预设采样频率范围可以为100Hz~200Hz。这样,后续步骤中样本熵的计算方法能够适用于不同采样频率的动态心电信号的伪差识别,使得后续步骤中样本熵的计算方法适用的范围更广泛。
作为一种示例性的实施方式,在判断动态心电信号的采样频率超过预设采样频率范围的最大值,可对动态心电信号的采样频率进行降采样处理,以使得处理后的动态心电信号的采样频率为第一预设采样频率。
在判断动态心电信号的采样频率小于预设采样频率范围的最小值时,可对动态心电信号的采样频率进行升采样处理,以使得处理后的动态心电信号的采样频率为第二预设采样频率。
其中,第一预设采样频率和第二预设采样频率均为在采样频率的取值范围之内的采样频率,其中,第一预设采样频率和第二预设采样频率可以相同,也可以不同,该实施例对此不作限定。
例如,预设采样频率为100Hz~200Hz,第一预设采样频率和第二预设采样频率均为125Hz,假设所获取的动态心电信号的采样频率频率为500Hz,通过判断可确定出动态心电信号的采样频率频率不在预设采样频率范围,此时,可通过信号的抽取方法将动态心电信号的采样频率从500Hz可降至125Hz。
又例如,预设采样频率为100Hz~200Hz,第一预设采样频率和第二预设采样频率均为125Hz,假设所获取的动态心电信号的采样频率频率为75Hz,通过判断可确定出动态心电信号的采样频率频率不在预设采样频率范围,此时,可通过信号的线性插值方法将动态心电信号的采样频率从75Hz可升至125Hz。
其中,需要说明的是,如果动态心电信号的采样频率在预设采样频率范围内,则无需对进行降采样或者升采样处理。
其中,需要说明的是,在前面已经进行了低通滤波时,对动态心电信号进行降采样或者升采样处理后不需要再进行抗混叠滤波。
其中,需要说明的是,步骤S41和步骤S42-S43的执行不分先后顺序,该实施例对步骤S41和步骤S42-S43的顺序不进行限定。也就是说,可以先对动态心电信号进行去除低频和高频干扰处理,然后再判断动态心电信号的采样频率是否在预设采样频率范围内,也可以先判断动态心电信号的采样频率是否在预设采样频率范围内,再对动态心电信号进行去除低频和高频干扰处理。
S44,将经过上述处理的动态心电信号进行分段处理,以获取多个分段心电信号。
其中,需要说明的是,前述对步骤S1的解释说明也适用于步骤S44,此处不再赘述。
S45,分别确定每个分段心电信号的样本熵。
其中,需要说明的是,步骤S45与前述步骤S2相同,前述对步骤S2的解释说明也适用于该实施例的步骤S45,此处不再赘述。
S46,根据每个分段心电信号的样本熵,确定多个分段心电信号的样本熵平均值。
S47,根据样本熵平均值,分别对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵。
S48,根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。
综上可以看出,本申请实施例的动态心电信号伪差识别方法,通过对采集的动态心电信号进行去除低频和高频干扰处理,以将动态心电信号中的低频基线漂移和高频噪声滤除,并在动态心电信号的采样频率在预设采样频率范围内时,对动态心电信号进行分段,以获取多个分段心电信号,并分别确定每个分段心电信号的样本熵,然后,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵,以及根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。由此,减少了心电波形采样频率以及干扰对心电信号伪差识别的影响,进一步提高了伪差识别的准确性。
基于上述实施例的基础上,为了辅助医护人员快速定位出动态心电信号的伪差,在识别出动态心电信号中的伪差后,可通过预设标识对识别动态心电信号中的伪差进行标记。
其中,预设标识是预先设置的用于标识心电信号中伪差的标识,例如,预设标识可以红色颜色,或者预设颜色的方框等。
为了实现上述实施例,本申请还提出一种动态心电信号伪差识别装置。
图5为根据本申请一个实施例的动态心电信号伪差识别装置的结构示意图。
图5所示,根据本申请实施例的动态心电信号伪差识别装置可以包括分段模块110、确定模块120、归一化处理模块130和识别模块140,其中:
分段模块110用于对采集的动态心电信号进行分段,以获取多个分段心电信号。
确定模块120用于分别确定每个分段心电信号的样本熵。
归一化处理模块130用于对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵。
识别模块140用于根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。
在本申请的一个实施例中,为了防止这些干扰影响后续样本熵的评估,提高伪差识别的准确度,在图5所示的基础上,如图6所示,该装置还可以包括:
预处理模块150用于在分段模块110对采集的动态心电信号进行分段,以获取多个分段心电信号之前,对动态心电信号进行去除低频和高频干扰处理,以将心电信号中的低频基线漂移和高频噪声滤除。
在本申请的一个实施例中,为了减少采样频率对样本熵计算的影响,在图6所示的基础上,如图7所示,该装置还可以包括:
频率预处理模块150用于在分段模块110对采集的动态心电信号进行分段,以获取多个分段心电信号之前,判断动态心电信号的采样频率是否在预设采样频率范围内,若判断出动态心电信号的采样频率不在预设采样频率范围内,对动态心电信号进行降采样或者升采样处理,以使处理后的动态心电信号的采样频率在预设采样频率范围内。
在本申请的一个实施例中,归一化处理模块130具体用于:根据每个分段心电信号的样本熵,确定多个分段心电信号的样本熵平均值,并根据样本熵平均值,分别对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵。
在本申请的一个实施例中,识别模块140具体用于:针对每个分段心电信号,判断当前分段心电信号的归一化样本熵是否在预设取值范围内,若判断出当前分段心电信号的归一化样本熵不在预设取值范围内,则确定当前分段心电信号为伪差信号,若判断出当前分段心电信号的归一化样本熵在预设取值范围内,则确定当前分段心电信号为非伪差信号。
其中,需要说明的是,前述对动态心电信号伪差识别方法的解释说明也适用于该实施例的动态心电信号伪差识别装置,此处不再赘述。
本申请实施例的动态心电信号伪差识别装置,通过对采集的动态心电信号进行分段,以获取多个分段心电信号,并分别确定每个分段心电信号的样本熵,然后,对每个分段心电信号的样本熵进行归一化处理,以获取每个分段心电信号的归一化样本熵,以及根据预设取值范围和每个分段心电信号的归一化样本熵,识别动态心电信号中的伪差。由此,使用计算复杂度低的样本熵,并且,通过使用心电信号的归一化样本熵来识别动态心电信号中的伪差,可避免个体差异以及心律失常等因素对识别结果的影响,进而可准确识别出动态心电信号的伪差,为后续分析和诊断的准确性提供了保障。
为实现上述实施例,本申请还提出了一种电信号伪差识别装置,该电信号伪差识别装置包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行上述实施例的动态心电信号伪差识别方法。
为实现上述实施例,本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现上述实施例的动态心电信号伪差识别方法。
为实现上述实施例,本申请还提出了一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行上述实施例的动态心电信号伪差识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种动态心电信号伪差识别方法,其特征在于,包括以下步骤:
对采集的动态心电信号进行分段,以获取多个分段心电信号;
分别确定每个所述分段心电信号的样本熵;
对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵;
根据预设取值范围和每个所述分段心电信号的归一化样本熵,识别所述动态心电信号中的伪差。
2.如权利要求1所述的方法,其特征在于,在所述对采集的动态心电信号进行分段,以获取多个分段心电信号之前,所述方法还包括:
对所述动态心电信号进行去除低频和高频干扰处理,以将所述心电信号中的低频基线漂移和高频噪声滤除。
3.如权利要求1所述的方法,其特征在于,在所述对采集的动态心电信号进行分段,以获取多个分段心电信号之前,所述方法还包括:
判断所述动态心电信号的采样频率是否在预设采样频率范围内;
若判断出所述动态心电信号的采样频率不在预设采样频率范围内,对所述动态心电信号进行降采样或者升采样处理,以使处理后的所述动态心电信号的采样频率在所述预设采样频率范围内。
4.如权利要求1所述的方法,其特征在于,所述对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵,包括:
根据每个所述分段心电信号的样本熵,确定所述多个分段心电信号的样本熵平均值;
根据所述样本熵平均值,分别对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵。
5.如权利要求1-4任一项所述的方法,其特征在于,所述根据预设取值范围和每个所述分段心电信号的归一化样本熵,识别所述动态心电信号中的伪差,包括:
针对每个分段心电信号,判断当前分段心电信号的归一化样本熵是否在所述预设取值范围内;
若判断出所述当前分段心电信号的归一化样本熵不在所述预设取值范围内,则确定所述当前分段心电信号为伪差信号;
若判断出所述当前分段心电信号的归一化样本熵在所述预设取值范围内,则确定所述当前分段心电信号为非伪差信号。
6.一种动态心电信号伪差识别装置,其特征在于,包括:
分段模块,用于对采集的动态心电信号进行分段,以获取多个分段心电信号;
确定模块,用于分别确定每个所述分段心电信号的样本熵;
归一化处理模块,用于对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵;
识别模块,用于根据预设取值范围和每个所述分段心电信号的归一化样本熵,识别所述动态心电信号中的伪差。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
预处理模块,用于在所述分段模块对采集的动态心电信号进行分段,以获取多个分段心电信号之前,对所述动态心电信号进行去除低频和高频干扰处理,以将所述心电信号中的低频基线漂移和高频噪声滤除。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
频率预处理模块,用于在所述分段模块对采集的动态心电信号进行分段,以获取多个分段心电信号之前,判断所述动态心电信号的采样频率是否在预设采样频率范围内,若判断出所述动态心电信号的采样频率不在预设采样频率范围内,对所述动态心电信号进行降采样或者升采样处理,以使处理后的所述动态心电信号的采样频率在所述预设采样频率范围内。
9.如权利要求6所述的装置,其特征在于,所述归一化处理模块,具体用于:
根据每个所述分段心电信号的样本熵,确定所述多个分段心电信号的样本熵平均值,并根据所述样本熵平均值,分别对每个所述分段心电信号的样本熵进行归一化处理,以获取每个所述分段心电信号的归一化样本熵。
10.如权利要求6-9任一项所述的装置,其特征在于,所述识别模块,具体用于:
针对每个分段心电信号,判断当前分段心电信号的归一化样本熵是否在所述预设取值范围内;
若判断出所述当前分段心电信号的归一化样本熵不在所述预设取值范围内,则确定所述当前分段心电信号为伪差信号;
若判断出所述当前分段心电信号的归一化样本熵在所述预设取值范围内,则确定所述当前分段心电信号为非伪差信号。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5任一项所述的动态心电信号伪差识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710936264.1A CN109645979A (zh) | 2017-10-10 | 2017-10-10 | 动态心电信号伪差识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710936264.1A CN109645979A (zh) | 2017-10-10 | 2017-10-10 | 动态心电信号伪差识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109645979A true CN109645979A (zh) | 2019-04-19 |
Family
ID=66109461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710936264.1A Pending CN109645979A (zh) | 2017-10-10 | 2017-10-10 | 动态心电信号伪差识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109645979A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141215A (zh) * | 2019-05-14 | 2019-08-20 | 清华大学 | 降噪自编码器的训练方法、心电信号的降噪方法及相关装置、设备 |
CN110623662A (zh) * | 2019-08-30 | 2019-12-31 | 电子科技大学 | 一种适用于心电信号检测的自适应阈值迭代算法 |
CN111166320A (zh) * | 2019-12-31 | 2020-05-19 | 中科彭州智慧产业创新中心有限公司 | 电极位置可调的动态心电监测胸带 |
CN111543981A (zh) * | 2020-03-16 | 2020-08-18 | 浙江好络维医疗技术有限公司 | 一种基于分段modwt及自适应阈值的动态心电图实时滤波方法 |
CN111839501A (zh) * | 2020-07-20 | 2020-10-30 | 北京航空航天大学 | 一种基于频域自相关的心电信号干扰去噪方法及系统 |
CN113040784A (zh) * | 2021-04-21 | 2021-06-29 | 福州大学 | 一种心电信号的肌电噪声滤波方法 |
CN113712525A (zh) * | 2020-05-21 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 一种生理参数处理方法、装置及医疗设备 |
CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
CN115778402A (zh) * | 2022-12-02 | 2023-03-14 | 深圳华清心仪医疗电子有限公司 | 一种动态心电信号的伪差识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103720469A (zh) * | 2014-01-02 | 2014-04-16 | 山东大学 | 可穿戴式动态母体胎儿心电检测装置 |
CN104706366A (zh) * | 2013-12-13 | 2015-06-17 | 中国移动通信集团公司 | 一种分心检测方法、装置及系统 |
EP2944251A1 (en) * | 2014-05-13 | 2015-11-18 | Sensium Healthcare Limited | Method, apparatus and computer-readable medium for confidence level determination of ambulatory hr algorithm based on a three-way rhythm classifier |
CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
WO2016032972A1 (en) * | 2014-08-25 | 2016-03-03 | Draeger Medical Systems, Inc. | Rejecting noise in a signal |
CN106073764A (zh) * | 2016-05-31 | 2016-11-09 | 深圳市理邦精密仪器股份有限公司 | 降低动态心电数据记录装置功耗的方法及装置 |
CN106343992A (zh) * | 2016-08-23 | 2017-01-25 | 清华大学 | 心率变异性分析方法、装置及用途 |
-
2017
- 2017-10-10 CN CN201710936264.1A patent/CN109645979A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104706366A (zh) * | 2013-12-13 | 2015-06-17 | 中国移动通信集团公司 | 一种分心检测方法、装置及系统 |
CN103720469A (zh) * | 2014-01-02 | 2014-04-16 | 山东大学 | 可穿戴式动态母体胎儿心电检测装置 |
EP2944251A1 (en) * | 2014-05-13 | 2015-11-18 | Sensium Healthcare Limited | Method, apparatus and computer-readable medium for confidence level determination of ambulatory hr algorithm based on a three-way rhythm classifier |
WO2016032972A1 (en) * | 2014-08-25 | 2016-03-03 | Draeger Medical Systems, Inc. | Rejecting noise in a signal |
CN105342605A (zh) * | 2015-12-09 | 2016-02-24 | 西安交通大学 | 一种去除脑电信号中肌电伪迹的方法 |
CN106073764A (zh) * | 2016-05-31 | 2016-11-09 | 深圳市理邦精密仪器股份有限公司 | 降低动态心电数据记录装置功耗的方法及装置 |
CN106343992A (zh) * | 2016-08-23 | 2017-01-25 | 清华大学 | 心率变异性分析方法、装置及用途 |
Non-Patent Citations (2)
Title |
---|
PING ZHOU,ET AL: "A Novel Technique for Muscle Onset Detection Using Surface EMG Signals without Removal of ECG Artifacts", 《PHYSIOLOGICAL MEASUREMENT》 * |
周雅琪: "便携式心电采集系统及实时分析算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141215B (zh) * | 2019-05-14 | 2020-12-15 | 清华大学 | 降噪自编码器的训练方法、心电信号的降噪方法及相关装置、设备 |
CN110141215A (zh) * | 2019-05-14 | 2019-08-20 | 清华大学 | 降噪自编码器的训练方法、心电信号的降噪方法及相关装置、设备 |
CN110623662A (zh) * | 2019-08-30 | 2019-12-31 | 电子科技大学 | 一种适用于心电信号检测的自适应阈值迭代算法 |
CN110623662B (zh) * | 2019-08-30 | 2021-06-01 | 电子科技大学 | 一种适用于心电信号检测的自适应阈值迭代算法 |
CN111166320A (zh) * | 2019-12-31 | 2020-05-19 | 中科彭州智慧产业创新中心有限公司 | 电极位置可调的动态心电监测胸带 |
CN111543981A (zh) * | 2020-03-16 | 2020-08-18 | 浙江好络维医疗技术有限公司 | 一种基于分段modwt及自适应阈值的动态心电图实时滤波方法 |
CN113712525A (zh) * | 2020-05-21 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 一种生理参数处理方法、装置及医疗设备 |
CN111839501A (zh) * | 2020-07-20 | 2020-10-30 | 北京航空航天大学 | 一种基于频域自相关的心电信号干扰去噪方法及系统 |
CN113040784A (zh) * | 2021-04-21 | 2021-06-29 | 福州大学 | 一种心电信号的肌电噪声滤波方法 |
CN113040784B (zh) * | 2021-04-21 | 2022-07-05 | 福州大学 | 一种心电信号的肌电噪声滤波方法 |
CN115381438A (zh) * | 2022-08-24 | 2022-11-25 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
CN115381438B (zh) * | 2022-08-24 | 2023-04-18 | 华南师范大学 | 生命体征信号的重建方法、装置、计算机设备和存储介质 |
CN115778402A (zh) * | 2022-12-02 | 2023-03-14 | 深圳华清心仪医疗电子有限公司 | 一种动态心电信号的伪差识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109645979A (zh) | 动态心电信号伪差识别方法及装置 | |
US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
Gupta et al. | Detection of R-peaks using fractional Fourier transform and principal component analysis | |
Arif et al. | Detection and localization of myocardial infarction using k-nearest neighbor classifier | |
CN102270264B (zh) | 生理信号质量评估系统及方法 | |
Ghaffari et al. | A new mathematical based QRS detector using continuous wavelet transform | |
Lee et al. | Irregularity index: a new border irregularity measure for cutaneous melanocytic lesions | |
CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
US20210267551A1 (en) | Noise detection method and apparatus | |
CN100493445C (zh) | 中医脉象特征参数自动检测方法 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN112704503B (zh) | 心电信号噪声处理方法 | |
KR20220150901A (ko) | 모체 자궁 활동 검출을 위한 융합 신호 처리 | |
CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
CN107550484B (zh) | 一种心磁信号质量评价方法及系统 | |
US20200196898A1 (en) | Long QT Syndrome Diagnosis and Classification | |
Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
US20080281216A1 (en) | Cardiac Arrhythmias Analysis of Electrophysiological Signals Based on Symbolic Dynamics | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
Zavantis et al. | Robust automatic detection of P wave and T wave in electrocardiogram | |
CN115444385A (zh) | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 | |
CN114145722B (zh) | 一种面向胰腺炎患者的脉搏病理特征挖掘方法 | |
Nankani et al. | R-peak detection from ECG signals using fractal based mathematical morphological operators |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |