CN109948396A - 一种心拍分类方法、心拍分类装置及电子设备 - Google Patents
一种心拍分类方法、心拍分类装置及电子设备 Download PDFInfo
- Publication number
- CN109948396A CN109948396A CN201711382143.3A CN201711382143A CN109948396A CN 109948396 A CN109948396 A CN 109948396A CN 201711382143 A CN201711382143 A CN 201711382143A CN 109948396 A CN109948396 A CN 109948396A
- Authority
- CN
- China
- Prior art keywords
- heart
- clapped
- supraventricular
- beat
- classification
- 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
Links
Abstract
本发明公开了一种心拍分类方法、心拍分类装置、电子设备及计算机可读存储介质，其中，所述心拍分类方法包括：获取待分析心电数据；从所述待分析心电数据中提取各个心拍的心拍数据；基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果；基于所述一次分类结果，若在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值，则基于预设的分类器对心拍进行二次分类，得到二次分类结果；输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。本发明方案实现了高效及可靠地对心电数据中出现的心律失常心拍进行分类。
Description
技术领域
本发明属于生物医学信号处理技术领域，尤其涉及一种心拍分类方法、心拍分类装置、电子设备及计算机可读存储介质。
背景技术
心血管系统由心脏及周围血管组成。心脏是动力器官，通过其节律性地收缩和舒张，使得血液在血管内按确定方向循环不断地流动。而心律失常和心血管疾病密切相关，约90％的心源性猝死是恶性心律失常所致。目前，临床上广泛使用心电图(Electrocardiogram，ECG)记录患者的心电信息，以作为心血管疾病辅助检查的工具，这些临床检测对及早预防和减少恶性心血管事件具有重要意义。
动态心电图(Dynamic Electrocardiography，DCG)可长时间记录患者的心电信息，相对普通心电图而言包含的信息更多，能发现可能隐藏的心律失常事件。对于几个小时甚至长达一天以上的动态心电图数据，所含的心拍数量庞大，虽然依靠医生进行有效的心律失常诊断是非常重要的，但由于对大量心拍进行识别和分析这项工作耗时费工，处理起来非常困难，很容易漏掉一些重要信息，所以计算机辅助分析的技术在不断发展，而好的心律失常检测技术在辅助医生分析ECG数据诊断心脏方面的疾病有很大帮助。因而，提高对大量心拍数据进行心律失常检测时的效率及可靠性成为当前急需解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种心拍分类方法、心拍分类装置、电子设备及计算机可读存储介质，旨在实现高效及可靠地对心电数据中出现的心律失常心拍进行分类。
本发明的第一方面提供了一种心拍分类方法，所述心拍分类方法包括：
获取待分析心电数据；
从所述待分析心电数据中提取各个心拍的心拍数据；
基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
基于所述一次分类结果，若在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值，则基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。
基于本发明第一方面，在第一种可能的实现方式中，所述基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，包括：
获取预设的室性心拍的特征条件及室上性心拍的特征条件；
检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍；
检测所述各个心拍中的除了所述室性心拍之外的其它心拍的心拍数据是否满足所述室上性心拍的特征条件；
若所述其它心拍的心拍数据满足所述室上性心拍的特征条件，则确定所述其它心拍为室上性心拍；
若所述其它心拍的心拍数据不满足所述室上性心拍的特征条件，则确定所述其它心拍为正常心拍；
其中，所述室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，所述室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象；所述室上性早搏心拍的特征条件为：RR间期提前。
基于本发明第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述基于预设的分类器对心拍进行二次分类，得到二次分类结果，包括：
基于所述一次分类结果，去除所述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用所述预设的分类器进行二次分类。
基于本发明第一方面的第一种可能的实现方式，在第三种可能的实现方式中，所述检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍，包括：
基于所述各个心拍的心拍数据获得各个心拍的波形形态信息及时域信息；
分别将各个心拍的波形形态信息及时域信息与预设的波形形态信息及预设的时域信息进行比较；
若比较所得差异在预设的差异范围内，则确定满足所述室性心拍的特征条件；
其中，所述波形形态信息包括QRS波宽度、R波幅值、QRS面积，所述时域信息包括RR间期。
基于本发明第一方面，或者本发明第一方面的第一种可能的实现方式，或者本发明第一方面的第二种可能的实现方式，或者本发明第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述预设的分类器为基于人工神经网络构建的分类器。
基于本发明第一方面，或者本发明第一方面的第一种可能的实现方式，或者本发明第一方面的第二种可能的实现方式，或者本发明第一方面的第三种可能的实现方式，在第五种可能的实现方式中，所述基于预设的分类器对心拍进行二次分类，包括：
分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为所述各
室上性心拍的特征向量；
依次将所述各室上性心拍的特征向量输入所述分类器，得到所述分类器输出的各个室上性心拍的二次分类结果。
基于本发明第一方面，或者本发明第一方面的第一种可能的实现方式，或者本发明第一方面的第二种可能的实现方式，或者本发明第一方面的第三种可能的实现方式，在第六种可能的实现方式中，所述获取待分析心电数据，包括：
获取原始心电数据；
基于小波自适应阈值法对所述原始心电数据进行预处理，获得待分析心电数据。
本发明的第二方面提供了一种心拍分类装置，所述心拍分类装置包括：
获取单元，用于获取待分析心电数据；
提取单元，用于从所述待分析心电数据中提取各个心拍的心拍数据；
一次分类单元，用于基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
二次分类单元，用于基于所述一次分类结果，当在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值时，基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出单元，用于输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。
基于本发明第二方面，在第一种可能的实现方式中，所述一次分类单元包括：
特征条件获取子单元，用于获取预设的室性心拍的特征条件及室上性心拍的特征条件；
特征条件第一检测子单元，用于检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍；
特征条件第二检测子单元，用于检测所述各个心拍中的除了所述室性心拍之外的其它心拍的心拍数据是否满足所述室上性心拍的特征条件；
一次分类确定子单元，用于当所述其它心拍的心拍数据满足所述室上性心拍的特征条件时，确定所述其它为室上性心拍，当所述其它心拍的心拍数据不满足所述室上性心拍的特征条件时，确定所述其它心拍为正常心拍；
其中，所述室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，所述室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象；所述室上性早搏心拍的特征条件为：RR间期提前。
基于本发明第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述二次分类单元具体用于，基于所述一次分类结果，去除所述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用所述预设的分类器进行二次分类。
基于本发明第二方面的第一种可能的实现方式，在第三种可能的实现方式中，所述特征条件第一检测子单元包括：
信息获取子单元，用于基于所述各个心拍的心拍数据获得各个心拍的波形形态信息及时域信息；
信息比较子单元，用于分别将各个心拍的波形形态信息及时域信息与预设的波形形态信息及预设的时域信息进行比较；
第一检测结果确定子单元，用于当比较所得差异在预设的差异范围内时，确定满足所述室性心拍的特征条件；
其中，所述波形形态信息包括QRS波宽度、R波幅值、QRS面积，所述时域信息包括RR间期。
基于本发明第二方面，或者本发明第二方面的第一种可能的实现方式，或者本发明第二方面的第二种可能的实现方式，或者本发明第二方面的第三种可能的实现方式，在第四种可能的实现方式中，所述预设的分类器为基于人工神经网络构建的分类器。
基于本发明第二方面，或者本发明第二方面的第一种可能的实现方式，或者本发明第二方面的第二种可能的实现方式，或者本发明第二方面的第三种可能的实现方式，在第五种可能的实现方式中，所述二次分类单元，包括：
特征向量提取子单元，用于分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为所述各室上性心拍的特征向量；
特征向量输入子单元，用于依次将所述各室上性心拍的特征向量输入所述分类器，得到所述分类器输出的各个室上性心拍的二次分类结果。
基于本发明第二方面，或者本发明第二方面的第一种可能的实现方式，或者本发明第二方面的第二种可能的实现方式，或者本发明第二方面的第三种可能的实现方式，在第六种可能的实现方式中，所述获取单元包括：
原始数据获取子单元，用于获取原始心电数据；
预处理子单元，用于基于小波自适应阈值法对所述原始心电数据进行预处理，获得待分析心电数据。
本发明的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述方法的步骤。
由上可见，通过本发明，首先获取待分析心电数据，然后从所述待分析心电数据中提取各个心拍的心拍数据，并基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，然后基于所述一次分类结果，若在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值，则基于预设的分类器对心拍进行二次分类，得到二次分类结果，最后输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。由于本发明方案通过检测一级分类后的室上性心拍的数量是否满足预设的数量阈值，以此决定是否需要进行进一步的心律失常分析，一方面在复杂心律失常较少的情况下，可以提高对心律失常心拍进行分类的效率；另一方面在复杂心律失常较多的情况下，可以通过分类器对心拍进行二次分类，使得心拍的分类结果更加准确及可靠。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的心拍分类方法的实现流程示意图；
图2是本发明实施例提供的心拍分类方法步骤S103的具体实现流程示意图；
图3是本发明实施例提供的心拍分类方法步骤S105的具体实现流程示意图；
图4是本发明实施例提供的心拍分类装置的结构示意图；
图5是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的心拍分类方法的实现流程，详述如下：
在步骤S101中，获取待分析心电数据；
在本发明实施例中，首先获取待分析心电数据。在采集用户的动态心电数据进行分析时，往往需要用户较长时间的佩戴Holter盒子，上述Holter盒子为采集用户的动态心电数据时用户背在身上的记录仪。在Holter盒子采集动态心电数据的过程中，不可避免地会受到一些噪声及伪迹的影响，例如工频干扰、基线漂移和其它高频噪声等。可选地，为了消除噪声干扰，上述步骤S101具体表现为：获取原始心电数据；基于小波自适应阈值法对上述原始心电数据进行预处理，获得待分析心电数据。当然，也可以采用其它信号预处理的方法对原始心电数据进行预处理，此处不作限定。通过对原始心电数据进行预处理，能够去除噪声干扰，改善采集到的心电数据的质量，减少出现因噪声影响而造成的心拍误检测的情况。
在步骤S102中，从上述待分析心电数据中提取各个心拍的心拍数据；
在本发明实施例中，通过对待分析心电数据进行QRS波检测，提取出各个待分析心电数据中的各个心拍的心拍数据。QRS波是心电数据波形中最明显的部分，它反映了心室收缩时心脏的电行为，因此，QRS波检测是对心电数据进行分析的基础。通过QRS波检测，检测出待分析心电数据中的R波峰，随后通过R波峰将待分析心电数据划分为一个个心拍，并以心拍为单位，对心拍进行分析处理后进行分类，实现对心律失常现象的分析。在本发明实施例中，可以采用基于小波变换的QRS波检测、基于频数直方图的QRS波检测、基于小波模极大值法的QRS波检测或者基于阈值差分法的QRS波检测等，此处不作限定。
在步骤S103中，基于提取的各个心拍的心拍数据对上述各个心拍进行一次分类，得到各个心拍的一次分类结果；
在本发明实施例中，在步骤S102提取出了各个心拍的心拍数据后，对上述各个心拍进行一次分类，以得到各个心拍的一次分类结果。可以采用逻辑分支判决法对各个心拍进行一次分类，其中，上述逻辑分支判决法包含有预设的逻辑规则，上述逻辑规则为根据医生临床对心电数据进行分析而积累得到的经验。由于上述逻辑规则通常较为简单，因此，上述一次分类的运算速度往往较快，可以快速的初步得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍(即正常窦性心拍)，室性心拍及室上性心拍，即在一次分类后，即可初步确定各个心拍数据的类型。
在步骤S104中，基于上述一次分类结果，检测在上述各个心拍中，室上性心拍的数量是否超过预设的数量阈值，若是，则执行步骤S105，若否，则执行步骤S106；
在本发明实施例中，在经过了步骤S103的一次分类后，已经初步得到了各个心拍的一次分类结果，即，心拍已经被初步划分为了正常心拍、室上性心拍及室性心拍。其中，室性心拍由于其波形具有宽大畸形的特点，比较容易识别出来，因而不容易发生室性心拍的误判；与之相对应的是，由于室上性心拍存在与正常心拍具有一定的相似性，较难对P波进行检测，个体之间具有差异等特点，因此，对室上性心拍的识别较难。也即是说，上述一次分类的结果可能并不是完全准确的。当一次分类结果中的室上性心拍的数量超过了预设的数量阈值时，则意味着此时的待分析心电数据中存在较为复杂的心律失常情况，此时，仅仅依靠一次分类结果可能会有较大误差，因而，当检测到上述各个心拍中，室上性心拍的数量超过了预设的数量阈值时，则表明存在复杂心律失常情况，需要执行步骤S105以进行进一步地分类；当检测到上述各个心拍中，室上性心拍的数量未超过预设的数量阈值时，则表明不存在复杂心律失常情况，可以执行步骤S106输出分类结果，即直接输出一次分类结果。可选地，上述数量阈值的取值范围为[30,100]。
在步骤S105中，基于预设的分类器对心拍进行二次分类，得到二次分类结果；
在本发明实施例中，若上述步骤S104检测到室上性心拍的数量超过了预设的数量阈值，则基于预设的分类器心拍进行二次分类，其中，上述分类器为基于人工神经网络构建的分类器。其中，上述人工神经网络为多层神经网络结构，包括输入层、隐含层及输出层。对于上述输入层，其具有一定个数的输入神经元，用以对应心拍模板的特征向量，即存在多少心拍模板的特征向量，就对应地存在有多少输入神经元；对于上述输出层，其具有一定个数的输出神经元，用以对应输出的心拍的分类类型，例如，由于本发明实施例主要为对室上性心律失常进行分类，因而，可以以输出为0表示室上性心拍，以输出为1表示正常心拍(即窦性心拍)；对于上述隐含层，其神经元的个数可以由开发人员预设而得，例如，可依次设定隐含层的神经元的个数为6个、8个及10个等，此处不作限定。由于人工神经网络模型比上述步骤S103中的逻辑规则要复杂的多，且具有自适应学习的特点，能够根据心拍所隐藏的信息对分类作出决策，因而通过基于人工神经网络构建的分类器对心拍进行二次分类能够大大提升对心拍分类的准确性。当然，上述分类器也可以通过概率神经网络等其它方式构建，此处不作限定。
实际上，虽然通过上述分类器也可以对室性心拍进行二次分类，但由于室性心拍的特征较为明显，通常不会发生误判，对室性心拍进行二次分类在准确性上通常不会有较大的提高，因此在本发明实施例中，可以主要考虑根据室上性心拍的数量决定是否需要对除了室性心拍之外的其它心拍进行进一步的二次分类。更进一步地，室上性心拍中的室上性心动过速心拍的与其它心拍的差异也较大，同样通常不会发生误判，因此在本发明实施例中，可以基于上述一次分类结果，去除上述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用上述预设的分类器进行二次分类，使得心拍分类装置的资源可以得到有效利用，避免对较为简单的心拍作出重复判断。当然，在运算压力允许的情况下，也可以选择对所有的心拍进行二次分类，此处不作限定。
具体地，由于对室上性心拍的判断较为复杂，因而需要选择合适的网络拓扑结果、训练次数、学习速率和学习规则等参数构建上述基于人工神经网络的分类器，并且，在上述分类器构建完成后，还需要对上述分类器进行训练，包括：获取预设的典型室上性心拍模板，其中，上述典型室上性心拍模板已标注对应的分类参考结果；基于上述典型室上性心拍模板的时域特征、频域特征及小波相干特征对上述分类器进行训练。其中，上述典型室上性心拍模板的来源可以是标准数据库，也可以是是临床标准数据库，此处不作限定。需要注意的是，为了保证训练的有效性，上述典型室上性心拍模板的数量大于1。在经过了多次训练及测试后，上述分类器才能够对室上性心拍进行准确的二次分类。
具体地，上述基于人工神经网络的分类器在进行训练时，可以对样本进行初始化，生成随机权值矩阵，并根据梯度下降算法计算得到输出层的神经元及隐含层的神经元的权值(即系数)。在训练过程中，可以通过设定训练次数阈值及训练误差阈值用以停止训练。可选地，上述对基于人工神经网络的分类器进行训练的步骤如下：
1、构建误反差逆传(Back Propagation，BP)神经网络模型，上述误反差逆传神经网络模型具体为：
X2＝f(ω2X1)
X3＝f(ω3X2)
上两式中，X1表示输入层向量，X2表示隐含层向量，X3表示输出层向量；其中m表示输入层神经元个数；其中n表示中间层神经元个数；其中k表示输出层神经元个数；ω2表示隐含层对输入层的权值矩阵，ω3表示输出层对隐含层的权值矩阵。
2、输入本次待训练的样本的特征向量X1。
3、根据预设的误差计算公式计算本次训练的误差，上述误差计算公式具体为：
其中，为输出层误差，为隐含层误差，D为预设的期望输出向量，可表示为D＝[d1,d2,…,dk]，上式中的其它参数，例如ω2，ω3，X1，X2，X3等均已在步骤1中作了详细说明，此处不作赘述。
4、对上述权值矩阵中的权值进行调整及修正，具体为：根据输出层误差调整输出层的权值；同时，通过将上述误差反向传播至隐含层，可得到隐含层的误差；自后根据隐含层误差调整隐含层的权值，也即是说，上述过程即为调整调整ω2及ω3的过程。上述调整ω2及ω3的具体公式如下：
其中j表示训练次数，也即是说，j为大于或等于1的自然数；μ表示学习速率；δ表示常系数项，其取值为[0，1]。
5、根据预设的总输出层误差计算公式，计算得到总输出层误差。上述总输出层误差计算公式的具体公式如下：
其中，E为总输出层误差，为各输出层的神经元误差。
6、若上述总输出层误差大于上述预设的训练误差阈值，则返回再次调整输出层的权值矩阵ω3及隐含层的权值矩阵ω2(即为再次训练)。可以通过信号传递及误差反向传播不断对输出层的权值矩阵ω3及隐含层的权值矩阵ω2进行训练，实现对权值的不断调整。当上述总输出层误差小于上述预设的训练误差阈值时，或者，当上述训练次数达到了上述预设的训练次数阈值时，停止训练，并输出停止训练时所得到的误反差逆传神经网络模型。
可选地，上述基于人工神经网络的分类器在训练完毕后，还可以进行测试。测试过程如下：依次输入心拍样本数据，通过已训练好的人工神经网络的分类器(该分类器所采用的人工神经网络模型为经过了训练的上述误反差逆传神经网络模型)，得到分类器的输出结果，可基于上述输出结果与预设的参考结果进行比对，用以统计上述训练的准确率。当准确率达到一定的准确率阈值时认为上述分类器已通过测试。后续可基于已通过测试的分类器对心拍进行二次分类。
在步骤S106中，输出上述各个心拍的分类结果，上述分类结果包括上述一次分类结果及上述二次分类结果。
在本发明实施例中，如果上述步骤S104中的室上性心拍的数量未超过预设的数量阈值，则直接输出步骤S103所获得的各个心拍的一次分类结果；如果上述步骤S104中的室上性心拍的数量超过了预设的数量阈值，则可以同时输出步骤S103所获得的一次分类结果及步骤S105所获得的二次分类结果。
进一步地，图2示出了上述步骤S103的具体实现流程，详述如下：
在步骤S201中，获取预设的室性心拍的特征条件及室上性心拍的特征条件；
在步骤S202中，检测上述各个心拍的心拍数据是否满足上述室性心拍的特征条件，以确定上述各个心拍中的室性心拍；
在本发明实施例中，由于室性心拍的波形通常较为宽大畸形，与正常心拍的波形的形态差异性较大；并且，室性心拍还存在RR间期提前等特点，因而，可以将上述波形的形态特征及RR间期作为室性心拍的特征条件，将满足室性心拍的特征条件的心拍确定为室性心拍。可选地，还可以基于各个心拍的心拍数据，计算获得各个心拍与室性心拍模板的波形相似度，若波形相似度大于预设的相似度阈值，则认为满足室性心拍的特征条件。进一步地，还可以基于各个心拍的心拍数据计算得到各个心拍的QRS波宽度、R波幅值、QRS面积以及RR间期等波形形态信息及时域信息，与室性心拍模板的QRS波宽度、R波幅值、QRS面积以及RR间期进行比较，若比较所得差异在预设的差异范围内，则认为满足室性心拍的特征条件。实际上，由于室性心拍与正常心拍及室上性心拍的差异均较大，因而可直接通过本步骤，确定上述各个心拍中的室性心拍。
在步骤S203中，分别检测上述各个心拍中的除了上述室性心拍之外的其它心拍的心拍数据是否满足上述室上性心拍的特征条件，若是，则执行步骤S204，若否，则执行步骤S205。
在本发明实施例中，由于室上性心拍与正常心拍在形态上较为复杂，且二者的形态也较为相似，因而，在步骤S202之后，需要通过室上性心拍的特征条件作进一步区分，以获得最终的一次分类结果，例如，分别检测各个心拍中的除了上述室性心拍之外的其它心拍的心拍数据是否满足上述步骤S201中提出的室上性心拍的特征条件。其中，室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，具体地，室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象，同时，在发生室上性心动过速之前，心率通常情况下是比较稳定的正常心率；而室上性早搏心拍的特征条件为：RR间期提前。因而，基于上述室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，能够有效实现对正常心拍及室上性心拍的初步分类。
在步骤S204中，确定上述其它心拍为室上性心拍；
在本发明实施例中，针对除了上述室性心拍之外的任一其它心拍，若满足上述步骤S201中提出的室上性心拍的特征条件，则确定上述其它心拍为室上性心拍。具体地，满足上述室上性心动过速心拍的特征条件的心拍即为室上性心动过速心拍，由于室上性心动过速心拍较为典型，不容易发生误判断，因此，此处得到的室上性心动过速心拍可以不再需要通过分类器进行二次分类。
在步骤S205中，确定上述其它心拍为正常心拍。
在本发明实施例中，针对除了上述室性心拍之外的任一其它心拍，若不满足上述步骤S201中提出的室上性心拍的特征条件，则确定上述其它心拍为正常心拍。
进一步地，图3示出了上述步骤S105的具体实现流程，详述如下：
在步骤S301中，分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为上述各室上性心拍的特征向量；
在本发明实施例中，针对室上性心拍中的任一心拍i，上述时域特征包括：心拍i的RR间期RRi，心拍i-1的RR间期RRi-1，心拍i+1的RR间期RRi+1，RRi-1与RRi的比值，RRi+1与RRi的比值及所有心拍的RR间期的平均值RR’与RRi的比值，其中，上述心拍i-1为上述心拍i的前一心拍，上述心拍i+1为上述心拍i的后一心拍，i为正整数。需要注意的是，上述心拍i的前一心拍指的是在时域上，上述心拍i的前一心拍；上述心拍i的后一心拍指的是在时域上，上述心拍i的后一心拍；并且，此处不限定心拍i-1及心拍i+1的类型，因此，上述心拍i-1及心拍i+1可能是正常心拍、室性心拍及室上性心拍中的任一类型。
针对室上性心拍中的任一心拍i，上述频域特征包括：上述心拍i的低频功率，上述心拍i的高频功率及上述心拍i的总功率。其中，低频的频谱范围为0.04Hz-0.15Hz，高频的频谱范围为0.15Hz-0.4Hz。具体地，可以采用参数型回归模型法，即AR模型法谱估计法，提取任一心拍i的频域特征，能够克服采用傅里叶变换时分辨率较低的缺点，具有良好的分辨率。
针对室上性心拍中的任一心拍i，上述小波相干特征包括：上述心拍i与上述心拍i-1的最大小波相干值、上述心拍i与上述心拍i+1的最大小波相干值及上述心拍i与上述正常心拍模板的最大小波相干值，其中，上述最大小波相干值包括低频范围的最大小波相干值及高频范围的最大小波相干值。具体地，可以通过如下过程得到到心拍i的小波相干特征：
计算上述心拍i、心拍i-1及心拍i+1的连续小波变换，分别记作Wi(α)、Wi-1(α)、Wi+1(α)，其中，α表示尺度；
获取预设的正常心拍模板的连续小波变换W0(α)；
基于上述心拍i、上述心拍i-1、上述心拍i+1及上述正常心拍模板的连续小波变换，分别计算得到上述心拍i与上述心拍i-1的交叉小波谱、上述心拍i与上述心拍i+1的交叉小波谱及上述心拍i与上述正常心拍模板的交叉小波谱，具体地，基于任意两个离散时间信号x(n)和y(n)的交叉小波谱的计算公式为：
其中，α表示尺度，*表示共轭，等式的右侧分别是两个离散时间信号x(n)和y(n)的连续小波变换，因而，根据上述交叉小波谱的计算公式，可以计算得到上述心拍i与上述心拍i-1的交叉小波谱、上述心拍i与上述心拍i+1的交叉小波谱及上述心拍i与上述正常心拍模板的交叉小波谱。
基于上述心拍i与上述心拍i-1的交叉小波谱、上述心拍i与上述心拍i+1的交叉小波谱及上述心拍i与上述正常心拍模板的交叉小波谱，根据预设的平方交叉小波相干计算公式，分别计算得到上述心拍i与上述心拍i-1的最大小波相干值、上述心拍i与上述心拍i+1的最大小波相干值及上述心拍i与上述正常心拍模板的最大小波相干值。具体地，基于任意两个离散时间信号x(n)和y(n)的交叉小波谱的计算公式为：
其中，WCO表示小波相干值，s表示平滑参数，R2(n,α)的取值范围为[0,1]。若WCO的值越接近0，则表明信号x(n)和y(n)之间的相关性越弱；若WCO的值越接近1，则表明信号x(n)和y(n)之间的相关性越强。通过上述计算公式，分别筛选得到上述心拍i与上述心拍i-1在低频范围内的最大的小波相干值及在高频范围内的最大的小波相干值、上述心拍i与上述心拍i+1在低频范围内的最大的小波相干值及在高频范围内的最大的小波相干值、上述心拍i与上述正常心拍模板在低频范围内的最大的小波相干值及在高频范围内的最大的小波相干值，总计六个小波相干值，作为小波相干特征。
在步骤S302中，依次将上述各室上性心拍的特征向量输入上述分类器，得到上述分类器输出的各个室上性心拍的二次分类结果。
在本发明实施例中，通过上述步骤S301，针对室上性心拍中的任一心拍i，均可以获得6个时域特征，3个频域特征，6个小波相干特征，共15个特征向量，作为分类器的输入，以得到心拍i的二次分类结果。可选地，为了提高分类器的效率，减少分类器的运算压力，可以使用基于统计假设检验的方式选取出上述心拍i的差异比较明显的特征向量，并将上述差异比较明显的特征向量输入上述分类器中得到心拍i的二次分类结果。
由上可见，通过本发明实施例，由于一次分类所采用的逻辑规则较为简单，运行速度较快，因而能够在室上性心拍数量较少时，即不存在复杂心律失常时，直接通过一次分类获得各个心拍的分类结果，提升了对心拍进行分类的效率；而在室上性心拍数量较多时，即存在复杂心律失常时，再继续通过基于人工神经网络的分类器对心拍进行二次分类，使得分类结果能够更加准确。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
图4示出了本发明实施例提供的心拍分类装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。该心拍分类装置4包括：获取单元41，提取单元42，一次分类单元43，二次分类单元44，输出单元45。
其中，获取单元41，用于获取待分析心电数据；
提取单元42，用于从上述待分析心电数据中提取各个心拍的心拍数据；
一次分类单元43，用于基于提取的各个心拍的心拍数据对上述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
二次分类单元44，用于基于上述一次分类结果，当在上述各个心拍中，室上性心拍的数量超过了预设的数量阈值时，基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出单元45，用于输出上述各个心拍的分类结果，上述分类结果包括上述一次分类结果及上述二次分类结果。
可选地，上述一次分类单元43包括：
特征条件获取子单元，用于获取预设的室性心拍的特征条件及室上性心拍的特征条件；
特征条件第一检测子单元，用于检测上述各个心拍的心拍数据是否满足上述室性心拍的特征条件，以确定上述各个心拍中的室性心拍；
特征条件第二检测子单元，用于检测上述各个心拍中的除了上述室性心拍之外的其它心拍的心拍数据是否满足上述室上性心拍的特征条件，其中，上述非室性心拍为上述各个心拍中，除了室性心拍之外的其它心拍；
一次分类确定子单元，用于若上述其它心拍的心拍数据满足上述室上性心拍的特征条件时，确定上述其他心拍为室上性心拍，当上述其它心拍的心拍数据不满足上述室上性心拍的特征条件时，确定上述其它心拍为正常心拍；
其中，上述室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，上述室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象；上述室上性早搏心拍的特征条件为：RR间期提前。
可选地，上述二次分类单元44具体用于，基于上述一次分类结果，去除上述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用上述预设的分类器进行二次分类。
可选地，上述特征条件第一检测子单元包括：
信息获取子单元，用于基于上述各个心拍的心拍数据获得各个心拍的波形形态信息及时域信息；
信息比较子单元，用于分别将各个心拍的波形形态信息及时域信息与预设的波形形态信息及预设的时域信息进行比较；
第一检测结果确定子单元，用于当比较所得差异在预设的差异范围内时，确定满足上述室性心拍的特征条件；
其中，上述波形形态信息包括QRS波宽度、R波幅值、QRS面积，上述时域信息包括RR间期。
可选地，上述预设的分类器为基于人工神经网络构建的分类器。
可选地，上述二次分类单元44包括：
特征向量提取子单元，用于分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为上述各室上性心拍的特征向量；
特征向量输入子单元，用于依次将上述各室上性心拍的特征向量输入上述分类器，得到上述分类器输出的各个室上性心拍的二次分类结果。
可选地，上述获取单元41包括；
原始数据获取子单元，用于获取原始心电数据；
预处理子单元，用于基于小波自适应阈值法对上述原始心电数据进行预处理，获得待分析心电数据。
可选地，上述特征向量提取子单元包括：
连续小波变换计算子单元，用于针对室上性心拍中的任一心拍i，计算上述心拍i、心拍i-1及心拍i+1的连续小波变换，其中，上述心拍i-1为上述心拍i的前一心拍，上述心拍i+1为上述心拍i的后一心拍，i为正整数；
连续小波变换获取子单元，用于获取预设的正常心拍模板的连续小波变换；
交叉小波谱计算子单元，用于基于上述心拍i、上述心拍i-1、上述心拍i+1及上述正常心拍模板的连续小波变换，分别计算得到上述心拍i与上述心拍i-1的交叉小波谱、上述心拍i与上述心拍i+1的交叉小波谱及上述心拍i与上述正常心拍模板的交叉小波谱；
小波相干值计算子单元，用于基于上述心拍i与上述心拍i-1的交叉小波谱、上述心拍i与上述心拍i+1的交叉小波谱及上述心拍i与上述正常心拍模板的交叉小波谱，根据预设的平方交叉小波相干计算公式，分别计算得到上述心拍i与上述心拍i-1的最大小波相干值、上述心拍i与上述心拍i+1的最大小波相干值及上述心拍i与上述正常心拍模板的最大小波相干值，其中，最大小波相干值包括低频最大小波相干值及高频最大小波相干值；
小波相干特征确定子单元，用于将上述心拍i与上述心拍i-1的最大小波相干值、上述心拍i与上述心拍i+1的最大小波相干值及上述心拍i与上述正常心拍模板的最大小波相干值作为上述心拍i的小波相干特征。
由上可见，通过本发明实施例，由于一次分类所采用的逻辑规则较为简单，运行速度较快，因而心拍分类装置能够在室上性心拍数量较少时，即不存在复杂心律失常时，直接通过一次分类获得各个心拍的分类结果，提升了对心拍进行分类的效率；而在室上性心拍数量较多时，即存在复杂心律失常时，再由心拍分类装置继续通过基于人工神经网络的分类器对心拍进行二次分类，使得分类结果能够更加准确。
实施例三
图5是本发明实施例提供的电子设备的示意图。如图5所示，该实施例的电子设备5包括：处理器50、存储器51以及存储在上述存储器51中并可在上述处理器50上运行的计算机程序52，例如心拍分类程序。上述处理器50执行上述计算机程序52时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，上述处理器50执行上述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示单元41至45的功能。
示例性的，上述计算机程序52可以被分割成一个或多个单元，上述一个或者多个单元被存储在上述存储器51中，并由上述处理器50执行，以完成本发明。上述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序52在上述电子设备5中的执行过程。例如，上述计算机程序52可以被分割成获取单元，提取单元，一次分类单元，二次分类单元，输出单元，各单元具体功能如下：
获取单元，用于获取待分析心电数据；
提取单元，用于从上述待分析心电数据中提取各个心拍的心拍数据；
一次分类单元，用于基于提取的各个心拍的心拍数据对上述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
二次分类单元，用于基于上述一次分类结果，当在上述各个心拍中，室上性心拍的数量超过了预设的数量阈值时，基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出单元，用于输出上述各个心拍的分类结果，上述分类结果包括上述一次分类结果及上述二次分类结果。
上述电子设备5可以是个人电脑、笔记本等计算设备。上述电子设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述电子设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器51可以是上述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。上述存储器51也可以是上述电子设备5的外部存储设备，例如上述电子设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器51还可以既包括上述电子设备5的内部存储单元也包括外部存储设备。上述存储器51用于存储上述计算机程序以及上述电子设备5所需的其他程序和数据。上述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
由上可见，通过本发明实施例，由于一次分类所采用的逻辑规则较为简单，运行速度较快，因而电子设备能够在室上性心拍数量较少时，即不存在复杂心律失常时，直接通过一次分类获得各个心拍的分类结果，提升了对心拍进行分类的效率；而在室上性心拍数量较多时，即存在复杂心律失常时，再由电子设备继续通过分类器对心拍进行二次分类，使得分类结果能够更加准确。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (13)
1.一种心拍分类方法，其特征在于，所述心拍分类方法包括：
获取待分析心电数据；
从所述待分析心电数据中提取各个心拍的心拍数据；
基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
基于所述一次分类结果，若在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值，则基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。
2.如权利要求1所述的心拍分类方法，其特征在于，所述基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，包括：
获取预设的室性心拍的特征条件及室上性心拍的特征条件；
检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍；
检测所述各个心拍中的除了所述室性心拍之外的其它心拍的心拍数据是否满足所述室上性心拍的特征条件；
若所述其它心拍的心拍数据满足所述室上性心拍的特征条件，则确定所述其它心拍为室上性心拍；
若所述其它心拍的心拍数据不满足所述室上性心拍的特征条件，则确定所述其它心拍为正常心拍；
其中，所述室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，所述室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象；所述室上性早搏心拍的特征条件为：RR间期提前。
3.如权利要求2所述的心拍分类方法，其特征在于，所述基于预设的分类器对心拍进行二次分类，得到二次分类结果，包括：
基于所述一次分类结果，去除所述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用所述预设的分类器进行二次分类。
4.如权利要求2所述的心拍分类方法，其特征在于，所述检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍，包括：
基于所述各个心拍的心拍数据获得各个心拍的波形形态信息及时域信息；
分别将各个心拍的波形形态信息及时域信息与预设的波形形态信息及预设的时域信息进行比较；
若比较所得差异在预设的差异范围内，则确定满足所述室性心拍的特征条件；
其中，所述波形形态信息包括QRS波宽度、R波幅值、QRS面积，所述时域信息包括RR间期。
5.如权利要求1至4任一项所述的心拍分类方法，其特征在于，所述预设的分类器为基于人工神经网络构建的分类器。
6.如权利要求1至4任一项所述的心拍分类方法，其特征在于，所述基于预设的分类器对心拍进行二次分类，包括：
分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为所述各室上性心拍的特征向量；
依次将所述各室上性心拍的特征向量输入所述分类器，得到所述分类器输出的各个室上性心拍的二次分类结果。
7.如权利要求1至4任一项所述的心拍分类方法，其特征在于，所述获取待分析心电数据，包括：
获取原始心电数据；
基于小波自适应阈值法对所述原始心电数据进行预处理，获得待分析心电数据。
8.一种心拍分类装置，其特征在于，所述心拍分类装置包括：
获取单元，用于获取待分析心电数据；
提取单元，用于从所述待分析心电数据中提取各个心拍的心拍数据；
一次分类单元，用于基于提取的各个心拍的心拍数据对所述各个心拍进行一次分类，得到各个心拍的一次分类结果，其中，心拍的类型分为正常心拍，室性心拍及室上性心拍；
二次分类单元，用于基于所述一次分类结果，当在所述各个心拍中，室上性心拍的数量超过了预设的数量阈值时，基于预设的分类器对心拍进行二次分类，得到二次分类结果；
输出单元，用于输出所述各个心拍的分类结果，所述分类结果包括所述一次分类结果及所述二次分类结果。
9.如权利要求8所述的心拍分类装置，其特征在于，所述一次分类单元包括：
特征条件获取子单元，用于获取预设的室性心拍的特征条件及室上性心拍的特征条件；
特征条件第一检测子单元，用于检测所述各个心拍的心拍数据是否满足所述室性心拍的特征条件，以确定所述各个心拍中的室性心拍；
特征条件第二检测子单元，用于检测所述各个心拍中的除了所述室性心拍之外的其它心拍的心拍数据是否满足所述室上性心拍的特征条件；
一次分类确定子单元，用于当所述其它心拍的心拍数据满足所述室上性心拍的特征条件时，确定所述其它为室上性心拍，当所述其它心拍的心拍数据不满足所述室上性心拍的特征条件时，确定所述其它心拍为正常心拍；
其中，所述室上性心拍的特征条件包括室上性心动过速心拍的特征条件及室上性早搏心拍的特征条件，所述室上性心动过速心拍的特征条件为：心率快于正常心率，心率与正常心率的心率差值大于预设的心率差值阈值，并且存在心率跃变现象；所述室上性早搏心拍的特征条件为：RR间期提前。
10.如权利要求9所述的心拍分类装置，其特征在于，所述二次分类单元用于基于所述一次分类结果，去除所述一次分类结果中的室性心拍以及室上性心拍中的室上性心动过速心拍，对剩余的心拍用所述预设的分类器进行二次分类。
所述预设的分类器为基于人工神经网络构建的分类器，所述二次分类单元，包括：特征向量提取子单元，用于分别提取各室上性心拍的时域特征，频域特征及小波相干特征作为所述各室上性心拍的特征向量；特征向量输入子单元，用于依次将所述各室上性心拍的特征向量输入所述分类器，得到所述分类器输出的各个室上性心拍的二次分类结果。
11.如权利要求9所述的心拍分类装置，其特征在于，所述特征条件第一检测子单元包括：
信息获取子单元，用于基于所述各个心拍的心拍数据获得各个心拍的波形形态信息及时域信息；
信息比较子单元，用于分别将各个心拍的波形形态信息及时域信息与预设的波形形态信息及预设的时域信息进行比较；
第一检测结果确定子单元，用于当比较所得差异在预设的差异范围内时，确定满足所述室性心拍的特征条件；
其中，所述波形形态信息包括QRS波宽度、R波幅值、QRS面积，所述时域信息包括RR间期。
12.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711382143.3A CN109948396B (zh) | 2017-12-20 | 2017-12-20 | 一种心拍分类方法、心拍分类装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711382143.3A CN109948396B (zh) | 2017-12-20 | 2017-12-20 | 一种心拍分类方法、心拍分类装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948396A true CN109948396A (zh) | 2019-06-28 |
| CN109948396B CN109948396B (zh) | 2021-07-23 |
Family
ID=67005193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711382143.3A Active CN109948396B (zh) | 2017-12-20 | 2017-12-20 | 一种心拍分类方法、心拍分类装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948396B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111543977A (zh) * | 2020-05-09 | 2020-08-18 | 益体康(北京)科技有限公司 | 基于12导联静息心电图的多级联人工智能排阴方法 |
| CN111612042A (zh) * | 2020-04-24 | 2020-09-01 | 广州视源电子科技股份有限公司 | 左前分支传导阻滞的检测装置、存储介质及终端 |
| CN111956207A (zh) * | 2020-08-19 | 2020-11-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN112842350A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 基于正反传播算法获得心拍的主导心率的方法 |
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| US11564633B2 (en) * | 2018-12-21 | 2023-01-31 | Industrial Technology Research Institute | State assessment system, diagnosis and treatment system, and method for operating the diagnosis and treatment system |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
| CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
| CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
| CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及系统 |
| US20160098836A1 (en) * | 2013-05-16 | 2016-04-07 | Konica Minolta, Inc. | Image processing device and program |
| CN105726016A (zh) * | 2016-02-02 | 2016-07-06 | 深圳市理邦精密仪器股份有限公司 | 一种心电输出方法及装置 |
| 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 |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
| CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
| CN106725420A (zh) * | 2015-11-18 | 2017-05-31 | 中国科学院苏州纳米技术与纳米仿生研究所 | 室性早搏识别方法及室性早搏识别系统 |
| CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
| US20170215808A1 (en) * | 2016-02-01 | 2017-08-03 | Verily Life Sciences Llc | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion |
| US9750420B1 (en) * | 2014-12-10 | 2017-09-05 | Amazon Technologies, Inc. | Facial feature selection for heart rate detection |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
-
2017
- 2017-12-20 CN CN201711382143.3A patent/CN109948396B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
| US20160098836A1 (en) * | 2013-05-16 | 2016-04-07 | Konica Minolta, Inc. | Image processing device and program |
| US9750420B1 (en) * | 2014-12-10 | 2017-09-05 | Amazon Technologies, Inc. | Facial feature selection for heart rate detection |
| CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
| CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
| CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
| CN106725420A (zh) * | 2015-11-18 | 2017-05-31 | 中国科学院苏州纳米技术与纳米仿生研究所 | 室性早搏识别方法及室性早搏识别系统 |
| CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及系统 |
| US20170215808A1 (en) * | 2016-02-01 | 2017-08-03 | Verily Life Sciences Llc | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion |
| CN105726016A (zh) * | 2016-02-02 | 2016-07-06 | 深圳市理邦精密仪器股份有限公司 | 一种心电输出方法及装置 |
| 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 |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
| CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
Non-Patent Citations (7)
| Title |
|---|
| HUIFANG HUANG ET AL: "A new hierarchical method for inter-patient heartbeat classification using random projections and RR intervals", 《BIOMEDICAL ENGINEERING ONLINE》 * |
| 李彩玉: "基于RBF神经网络的心电信号分类识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 汤征: "引入异常心电节律分析的心拍分类算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 王林泓: "心律失常心拍分类方法的研究", 《医学信息》 * |
| 罗堪: "面向健康监护的穿戴式体征信息感知技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 陈义: "心电信号的异常心律分类算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 黄惠芳等: "基于Gabor变换特征选择的ECG心拍分类", 《清华大学学报：自然科学版》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11564633B2 (en) * | 2018-12-21 | 2023-01-31 | Industrial Technology Research Institute | State assessment system, diagnosis and treatment system, and method for operating the diagnosis and treatment system |
| CN111612042A (zh) * | 2020-04-24 | 2020-09-01 | 广州视源电子科技股份有限公司 | 左前分支传导阻滞的检测装置、存储介质及终端 |
| CN111612042B (zh) * | 2020-04-24 | 2023-09-08 | 广州视源电子科技股份有限公司 | 左前分支传导阻滞的检测装置、存储介质及终端 |
| CN111543977A (zh) * | 2020-05-09 | 2020-08-18 | 益体康(北京)科技有限公司 | 基于12导联静息心电图的多级联人工智能排阴方法 |
| CN111956207A (zh) * | 2020-08-19 | 2020-11-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN111956207B (zh) * | 2020-08-19 | 2024-02-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN112842350A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 基于正反传播算法获得心拍的主导心率的方法 |
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| CN112842349B (zh) * | 2021-02-20 | 2022-03-11 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948396B (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| Nayak et al. | A review on the nonlinear dynamical system analysis of electrocardiogram signal | |
| CN107837082B (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| Lu et al. | Feature fusion for imbalanced ECG data analysis | |
| Kropf et al. | ECG classification based on time and frequency domain features using random forests | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| Acharya et al. | Comprehensive analysis of cardiac health using heart rate signals | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN109561841A (zh) | 用于测量心肌缺血、狭窄识别、定位和血流储备分数估计的非侵入式方法和系统 | |
| CN109117730A (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| CN105726018A (zh) | 一种与rr间期无关的房颤自动检测方法 | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
| Jovic et al. | Evaluating and comparing performance of feature combinations of heart rate variability measures for cardiac rhythm classification | |
| Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
| CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
| CN108403107B (zh) | 一种心律失常判别方法及系统 | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| UA104073C2 (uk) | Спосіб оцінки ступеня ушкодження міокарда на основі аналізу змін у часі показників щільності струму | |
| CN109805924A (zh) | 基于cnn的心电信号处理方法及心律不齐检测系统 |
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 |