CN110123304A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110123304A
CN110123304A CN201910060912.0A CN201910060912A CN110123304A CN 110123304 A CN110123304 A CN 110123304A CN 201910060912 A CN201910060912 A CN 201910060912A CN 110123304 A CN110123304 A CN 110123304A
Authority
CN
China
Prior art keywords
noise
dynamic electrocardiogram
template matching
correlation matrix
signal
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
CN201910060912.0A
Other languages
English (en)
Other versions
CN110123304B (zh
Inventor
刘澄玉
李艺璇
赵莉娜
王帅
李建清
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910060912.0A priority Critical patent/CN110123304B/zh
Publication of CN110123304A publication Critical patent/CN110123304A/zh
Application granted granted Critical
Publication of CN110123304B publication Critical patent/CN110123304B/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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Abstract

本发明专利公开了一种基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，针对获取的原始动态心电数据依次进行基线漂移滤除、R波位置检测，计算R波个数及RR间期序列标准差后，进行心电多模板匹配，并对得到的相关系数矩阵做主成分分析，通过最大贡献率与RR间期序列标准差、R波个数等指标划分信号质量等级，快速得出质量评估结果，实现自动滤除心电噪声段的目标。该方法计算简便，准确率高，有效适用于动态心电实时质量评估应用。

Description

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
所属领域
本发明涉及动态心电信号处理领域，具体涉及一种基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法。
背景技术
心电图(Electrocardiogram，ECG)反映心脏有节奏的收缩和舒张的体表电活动变化过程，对于各种心律失常、心室心房肥大、心肌梗死、心肌缺血等病症检查以及在指导心脏手术进行及指示必要的药物处理上有重要的临床参考价值。
心电研究的起源可以追溯到1893年，Einthoven设计了弦线电流计并把它用于人体心电的测量，开创了心电研究的先驱。随着电子技术的发展，电子放大器、示波器和热笔记录仪等被用于心电记录，进一步完善了ECG记录显示系统。动态ECG是在1961年由电子工程师Norman J.Holter发明，故又称心电Holter，其基本结构是：一个重量较轻的ECG记录盒由病人携带，并连续长达24小时及以上记录ECG，而后将记录的ECG输入计算机分析系统，进行人工计算机辅助分析。
研究表明，长时ECG记录能够提高心律失常检出率，但由于心电信号比较微弱，仅为毫伏级，极易受环境噪声的影响，在动态心电记录过程中，个体活动导致动态心电质量比常规心电图差得多，对分析结果的准确性有很大影响。因此，评估动态ECG信号质量并实现自动滤除噪声段是动态心电监测的重要问题。
针对动态心电质量评估，常用方法主要分三大类：第一是基于信号波形特征的方法；第二是基于时域和频域的方法；第三是基于机器学习的方法。穿戴式心电用于临床诊断时，需要去伪存真，去粗留精，把噪声严重的没有临床价值的心电片段自动去除，将信号质量相对较好，具有临床诊断价值的信号片段提供给医生已进行辅助诊断。当前，研究对于心电信号质量问题越来越关注，一些研究者采用大量的信号特征和复杂的分类算法来提高性能，但由于复杂度过高，导致算法并不适用于动态心电信号实时质量评估，并且考虑到智能手机端电力耗能的限制，设计一个运算简单，能实时反馈心电信号质量的算法变得极为迫切。
发明内容
本发明正是针对现有技术中存在的问题，提供了一种基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，针对获取的原始动态心电数据依次进行基线漂移滤除、R波位置检测，计算R波个数及RR间期序列标准差后，进行心电多模板匹配，并对得到的相关系数矩阵做主成分分析，通过最大贡献率与RR间期序列标准差、R波个数等指标划分信号质量等级，快速得出质量评估结果，实现自动滤除心电噪声段的目标，该方法计算简便，准确率高，有效适用于动态心电实时质量评估应用。
为了实现上述目的，本发明采用的技术方案是：基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，包括以下步骤：
S1，获取原始动态心电数据；
S2，去除信号基线漂移噪声；
S3，检测R波位置；
S4，由步骤S3中R波位置，计算R波个数及RR间期序列标准差；
S5，以步骤S3中检测到的R波为中心，建立三组时间长度不同的模板，并进行模板匹配，得到三个相关系数矩阵；
S6，对步骤S5中相关系数矩阵分别进行主成分分析，得到三个最大贡献率；
S7，基于步骤S4中得到的R波个数、RR间期序列标准差和步骤S6得到的最大贡献率，设定阈值，划分信号质量等级，滤除心电噪声段信号。
作为本发明的一种改进，所述步骤S1中，通过穿戴式心电设备获取长程记录的原始动态心电数据，所述心电数据处理的时间窗口长度设置为10秒。
作为本发明的一种改进，所述步骤S2中，通过巴特沃斯高通滤波器去除基线漂移噪声，所述滤波器的截止频率为0.5赫兹。
作为本发明的另一种改进，所述步骤S3中通过阈值判断和小波变换两种方法共同检测到的R波作为最终R波位置，所述检测容许误差范围在50毫秒内。
作为本发明的又一种改进，所述步骤S5中模板的R波位置，不包括步骤 S3中处于首尾两端的R波位置，以防止模板长度超出信号边界。
作为本发明的更进一步改进，所述步骤S5中模板长度分别为0.1倍RR间期长度、0.5倍RR间期长度及1倍RR间期长度。
作为本发明的另一种改进，所述步骤S6中经过主成分分析处理相关系数矩阵R，得到特征值λi与特征向量αi，并将特征向量按对应特征值大小从上到下按行排列成矩阵，最大贡献率P的计算公式为：
其中λmax为最大特征值。
作为本发明的更进一步改进，所述步骤S7中对于本此获取的动态心电数据，设定阈值与划分信号等级,具体步骤为：
a.若R波个数Nr满足Nr＜5或Nr＞40，则判断该信号段为噪声信号，否则进入步骤b；
b.若RR间期序列标准差满足sN＞440毫秒，则判断该信号段为噪声信号，否则进入步骤c；
c.若三组模板经计算得到的三个最大贡献率Pmin，Pmid，Pmax之和满足∑P＜150, 则判断该信号段为噪声信号，反之，则判断信号质量良好，可为临床使用；
d.以上均不满足时，判断为噪声信号的临床不可用信号段。
与现有技术相比，本发明专利的有益效果：
1、实现划分临床可用心电信号和噪声大、质量差、临床不可用心电片段，自动滤除噪声信号，自动挑出具有临床诊断价值信号段提供给医生进行诊断参考，提高工作效率，为后续信号自动分析与疾病自动诊断提供有力保障；
2、穿戴式心电设备与智能手机通过无线连接，将实时心电波形、检测评估、风险预警、行为建议等信息传递给用户这一新兴医疗模式已成为大势所趋，该方法计算简单，检测准确度高，能耗低，适合应用在智能手机端，有助于穿戴式心电与远程心电医疗的发展；
3、能够对采集到的数据进行实时、连续质量评估，快速进行结果反馈，提升了用户使用感；
4、能够实现动态心电实时监控，克服了Holter设备不能实时监控的弊端，适用于临床监护和远程护理等方面，对Holter心电监测有一定的指导作用；
5、穿戴式长程记录的原因是普通心电图机只能记录短时间内的心电波形，容易遗漏阵发性、一过性的心电异常,而通过穿戴式心电设备获取长程记录的原始动态心电数据，更加的准确高效。
6、模板的R波位置以两种方法共同检测到的R波作为R波位置，且不包括步骤S3中处于首尾两端的R波位置，以防止模板长度超出信号边界，保证R 波检测的准确性，从而为RR间期序列标准差、R波个数指标的计算和模板匹配奠定基础。
附图说明
图1是本发明基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法的步骤流程示意图；
图2是本发明基于R波个数指标，评估出的需要滤除的噪声心电片段示例；
图3是本发明基于RR间期序列标准差指标，评估出的需要滤除的噪声心电片段示例；
图4是本发明实施例1自动滤除后得到的临床可用心电片段示例。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明，本发明所有信号分析处理均采用固定10秒的分析窗口。
实施例1
基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，如图1所示，包括以下步骤：
S1，获取原始动态心电数据信号；
通过穿戴式心电设备获取心电数据，所述穿戴式心电设备设置为10秒的时间窗口长度，因为短时长的数据帧能降低基线漂移的影响。
S2，消除信号基线漂移；
通过截止频率为0.5赫兹的巴特沃斯高通滤波器，消除信号基线漂移。基线漂移作为一种干扰心电信号的低频噪声，在心电图上表现为一条近似缓慢变化的正弦曲线，它的频率范围通常在0.15到0.3赫兹，会与心电信号中的S-T段频率重叠，影响心电信号检测。本步骤通过巴特沃斯高通滤波器消除了信号基线漂移，提高信噪比。
S3，检测R波位置；
通过阈值判断和小波变换两种检测算法共同检测R波位置，并以在50毫秒的容许误差范围内，以两种方法共同检测到的R波作为最终R波位置，保证R 波检测的准确性，从而为RR间期序列标准差、R波个数指标的计算和模板匹配奠定基础。
S4，由步骤S3中R波位置，计算R波个数，RR间期序列标准差；
对于10秒长度的ECG信号，若R波个数满足Nr＜5或Nr＞40，则该信号存在异常，为噪声段信号，应该滤除，示例如图2所示，图2中只检测到4个R 波，不在正常ECG信号R波的个数范围内，应对此信号进行滤除。
RR间期序列标准差sN计算公式为：其中N是RR 间期个数，xi是第i个RR间期，是RR间期均值。RR间期序列标准差SN用于衡量RR间期序列的离散程度。如果检测到的RR间期序列中出现异常值，则说明该区间无法检测到正常R波波形，存在较大噪声。经实验归纳分析，当Sn＞ 440毫秒时，说明该信号RR间期序列离散程度严重，异常值较多，示例如图3 所示，该信号SN＝628毫秒，是噪声段信号。
S5，以步骤S3中检测到的R波为中心，建立三组时间长度不同的模板，并进行模板匹配，得到三个相关系数矩阵；
模板匹配是一种基本的模式识别方法，本实施例中，舍弃S3中检测的R波序列中的首尾两端的R波位置建立模板，这样可以保证模板长度不会超出信号边界。以除去首尾两端之后的n个R波位置为中心(n＝Nr-2)，以一定模板长度抽取心拍，将每一个心拍模板与包括自身在内的所有心拍模板进行匹配，组成相关系数矩阵R：
其中ρij(i，j＝1，2，…n)为第i个模板Ti(p，q)与第j个模板Tj(p，q)通过归一化相关法进行模板匹配后的相关系数。
相关系数ρij的计算公式为：
其中p，q分别为模板的长、宽。
三组模板长度分别为0.1倍RR间期长度(短模板)、0.5倍RR间期长度(中模板)及1倍RR间期长度(长模板)，实现对不同区间范围内信号图像的模板匹配。
S6，对步骤S5中相关系数矩阵，进行主成分分析，得到三个最大贡献率；
主成分分析(Principal Component Analysis，PCA)通过处理相关系数矩阵 R，得到特征值λi与特征向量αi，并将特征向量按对应特征值大小从上到下按行排列成矩阵，最大贡献率P的计算公式为：
其中λmax为最大特征值。
贡献率为某个主成分的方差占全部方差的比重，即某个特征值占全部特征值合计的比重。由于各个主成分的方差是递减的，因而包含的信息量也是减少的。通过观察发现，信号质量好，最大贡献率P数值高，反之，信号质量差，最大贡献率数值低。在这里以三个最大贡献率Pmin，Pmid，Pmax分别表示短、中、长三组模板匹配相关程度，最大贡献率数值越大，模板匹配相关程度高，说明该段ECG信号越符合近似周期性，信号质量好，适于临床使用，反之，则信号质量差，为噪声信号。
S7，综合S3中得到的R波个数、RR间期序列标准差和S5中最大贡献率等指标，设定阈值，划分信号质量等级，滤除噪声段、临床无法使用的心电信号。
令矩阵X＝[Nr,Sn,Pmin,Pmid，Pmax]。其中Nr为R波个数，Sn为RR间期序列标准差，Pmin为由短模板所得最大贡献率，Pmid为由中模板所得最大贡献率，Pmax为由长模板所得最大贡献率。
如图4为经过本发明方法得到的质量比较好的心电片段示例，其对应矩阵 X＝[18,33.8,91.3,72.5,56.2]。
对于本此获取的原始动态心电数据，设定阈值与划分信号等级，具体步骤为：
a.若R波个数Nr满足Nr＜5或Nr＞40，则判断该信号段为噪声信号，否则进入步骤b；
b.若RR间期序列标准差满足sN＞440毫秒，则判断该信号段为噪声信号，否则进入步骤c；
c.若三组模板经计算得到的三个最大贡献率Pmin，Pmid，Pmax之和满足∑P＜150, 则判断该信号段为噪声信号，反之，则判断信号质量良好，可为临床使用；
d.最后滤除上述判断为噪声信号的临床不可用信号段，实现动态心电实时质量评估。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于，包括以下步骤：
S1，获取原始动态心电数据；
S2，去除信号基线漂移噪声；
S3，检测R波位置；
S4，由步骤S3中R波位置，计算R波个数及RR间期序列标准差；
S5，以步骤S3中检测到的R波为中心，建立三组时间长度不同的模板，并进行模板匹配，得到三个相关系数矩阵；
S6，对步骤S5中三个相关系数矩阵分别进行主成分分析，得到三个最大贡献率；
S7，基于步骤S4中得到的R波个数、RR间期长度序列标准差和步骤S6得到的最大贡献率，设定阈值，划分信号质量等级，滤除心电噪声段信号。
2.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S1中，通过穿戴式心电设备获取长程记录的原始动态心电数据，所述心电数据处理的时间窗口长度设置为10秒。
3.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S2中，通过巴特沃斯高通滤波器去除基线漂移噪声，所述滤波器的截止频率为0.5赫兹。
4.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S3中通过阈值判断和小波变换两种方法共同检测到的R波作为最终R波位置，所述检测容许误差范围在50毫秒内。
5.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S4中RR间期序列标准差sN计算公式为：
其中，N是RR间期个数；xi是第i个RR间期长度；是RR间期长度均值。
6.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S5中模板的R波位置，不包括步骤S3中处于首尾两端的R波位置。
7.如权利要求6所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S5中，相关系数ρij的计算公式为：
其中p，q分别为模板的长、宽。
8.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S5中模板长度分别为0.1倍RR间期长度、0.5倍RR间期长度及1倍RR间期长度。
9.如权利要求1所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S6中经过主成分分析处理相关系数矩阵R，得到特征值λi与特征向量αi，并将特征向量按对应特征值大小从上到下按行排列成矩阵，最大贡献率P的计算公式为：
其中λmax为最大特征值。
10.如权利要求9所述的基于多模板匹配和相关系数矩阵的动态心电噪声自动滤除方法，其特征在于所述步骤S7中对于本此获取的动态心电数据，设定阈值与划分信号等级,具体步骤为：
a.若R波个数Nr满足Nr＜5或Nr＞40，则判断该信号段为噪声信号，否则进入步骤b；
b.若RR间期序列标准差满足sN＞440毫秒，则判断该信号段为噪声信号，否则进入步骤c；
c.若三组模板经计算得到的三个最大贡献率Pmin，Pmid，Pmax之和满足∑P＜150,则判断该信号段为噪声信号，反之，则判断信号质量良好，可为临床使用；
d.以上均不满足时，判断为噪声信号的临床不可用信号段。
CN201910060912.0A 2019-01-22 2019-01-22 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 Active CN110123304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910060912.0A CN110123304B (zh) 2019-01-22 2019-01-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910060912.0A CN110123304B (zh) 2019-01-22 2019-01-22 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

Publications (2)

Publication Number Publication Date
CN110123304A true CN110123304A (zh) 2019-08-16
CN110123304B CN110123304B (zh) 2021-08-27

Family

ID=67568321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910060912.0A Active CN110123304B (zh) 2019-01-22 2019-01-22 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

Country Status (1)

Country Link
CN (1) CN110123304B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112869752A (zh) * 2021-02-10 2021-06-01 武汉大学 一种心电信号采集装置及质量等级评估和qrs波检测方法
CN114224353A (zh) * 2022-02-21 2022-03-25 深圳泰和智能医疗科技有限公司 一种基于体温监测仪的心电检测分类方法
CN114403831A (zh) * 2022-03-25 2022-04-29 广东玖智科技有限公司 一种ppg波形脉冲提取方法及装置
CN115670397A (zh) * 2022-11-17 2023-02-03 北京中科心研科技有限公司 一种ppg伪迹识别方法、装置、存储介质及电子设备
WO2023108331A1 (zh) * 2021-12-13 2023-06-22 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4680708A (en) * 1984-03-20 1987-07-14 Washington University Method and apparatus for analyzing electrocardiographic signals
US4751931A (en) * 1986-09-22 1988-06-21 Allegheny-Singer Research Institute Method and apparatus for determining his-purkinje activity
US5666959A (en) * 1995-08-30 1997-09-16 British Technology Group Limited Fetal heart rate monitoring
CN102247143A (zh) * 2011-06-03 2011-11-23 吉林大学珠海学院 一种可集成的心电信号去噪和qrs波识别的快速算法
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN104323773A (zh) * 2014-10-31 2015-02-04 东北大学 一种基于eog的erg信号采集与处理系统及方法
CN104545887A (zh) * 2014-12-24 2015-04-29 深圳先进技术研究院 伪差心电波形识别方法和装置
US20160183827A1 (en) * 2014-12-31 2016-06-30 General Electric Company Method and apparatus for comparing and visualizing serial ecg data
CN105902263A (zh) * 2016-04-29 2016-08-31 深圳市理邦精密仪器股份有限公司 评估心电图波形的rr间期不规则程度的方法及装置
CN106388825A (zh) * 2016-10-14 2017-02-15 广州视源电子科技股份有限公司 一种呼吸率提取方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4680708A (en) * 1984-03-20 1987-07-14 Washington University Method and apparatus for analyzing electrocardiographic signals
US4751931A (en) * 1986-09-22 1988-06-21 Allegheny-Singer Research Institute Method and apparatus for determining his-purkinje activity
US5666959A (en) * 1995-08-30 1997-09-16 British Technology Group Limited Fetal heart rate monitoring
CN102247143A (zh) * 2011-06-03 2011-11-23 吉林大学珠海学院 一种可集成的心电信号去噪和qrs波识别的快速算法
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN104323773A (zh) * 2014-10-31 2015-02-04 东北大学 一种基于eog的erg信号采集与处理系统及方法
CN104545887A (zh) * 2014-12-24 2015-04-29 深圳先进技术研究院 伪差心电波形识别方法和装置
US20160183827A1 (en) * 2014-12-31 2016-06-30 General Electric Company Method and apparatus for comparing and visualizing serial ecg data
CN105902263A (zh) * 2016-04-29 2016-08-31 深圳市理邦精密仪器股份有限公司 评估心电图波形的rr间期不规则程度的方法及装置
CN106388825A (zh) * 2016-10-14 2017-02-15 广州视源电子科技股份有限公司 一种呼吸率提取方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ASIM D. BAKHSHI 等: "Empirical Mode Decomposition Template Matched Filter for Detection and Estimation of T-Wave Alternans", 《2016 COMPUTING IN CARDIOLOGY CONFERENCE》 *
LINA ZHAO 等: "Coupling analysis for systolic, diastolic and RR interval time series using multivariable fuzzy measure entropy", 《2017 COMPUTING IN CARDIOLOGY (CINC)》 *
MORTEN SMEDSRUD WIGEN 等: "4-D Intracardiac Ultrasound Vector Flow Imaging-Feasibility and Comparison to Phase-Contrast MRI", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
刘澄玉 等: "心电模板构造方法及其在心电去噪中的应用", 《计算机工程与应用》 *
孙佳敏: "EEG_fMRI混合脑机接口系统中EEG信号的在线去伪迹研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
朱晓军: "心电信号评估与QRS波检测技术研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
蔡志鹏 等: "低功耗微型无线心电节点", 《生物医学工程学杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112869752A (zh) * 2021-02-10 2021-06-01 武汉大学 一种心电信号采集装置及质量等级评估和qrs波检测方法
CN112869752B (zh) * 2021-02-10 2022-02-01 武汉大学 一种心电信号采集装置及质量等级评估和qrs波检测方法
WO2023108331A1 (zh) * 2021-12-13 2023-06-22 中国科学院深圳先进技术研究院 自适应实时心电信号质量评估方法
CN114224353A (zh) * 2022-02-21 2022-03-25 深圳泰和智能医疗科技有限公司 一种基于体温监测仪的心电检测分类方法
CN114403831A (zh) * 2022-03-25 2022-04-29 广东玖智科技有限公司 一种ppg波形脉冲提取方法及装置
CN115670397A (zh) * 2022-11-17 2023-02-03 北京中科心研科技有限公司 一种ppg伪迹识别方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN110123304B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN110123304A (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
CN109077715B (zh) 一种基于单导联的心电信号自动分类方法
CN111449645B (zh) 心电图心拍智能分类识别方法
Oweis et al. QRS detection and heart rate variability analysis: A survey
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
Mei et al. Automatic atrial fibrillation detection based on heart rate variability and spectral features
Xu et al. Rule-based method for morphological classification of ST segment in ECG signals
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
CN102485172B (zh) T波的峰值点检测方法和系统
CN110037668B (zh) 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统
Kelwade et al. Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series
CN107622259B (zh) 一种t波检测方法、心电数据分析方法及装置
CN109117769A (zh) 一种针对穿戴式心电采集的实时质量评估反馈方法
CN110751131B (zh) 一种心律失常检测装置
CN109645979A (zh) 动态心电信号伪差识别方法及装置
Gupta et al. A derivative-based approach for QT-segment feature extraction in digitized ECG record
US11344246B2 (en) Long QT syndrome diagnosis and classification
Arini et al. Electrocardiogram delineation in a Wistar rat experimental model
Zhang et al. Cardiac arrhythmia classification by time–frequency features inputted to the designed convolutional neural networks
Zhang et al. Method of diagnosing heart disease based on deep learning ECG signal
CN105877739A (zh) 一种心电智能分析系统的临床检验方法
Hugeng et al. Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno
Saraswat et al. Classification of ECG signals using cross-recurrence quantification analysis and probabilistic neural network classifier for ventricular tachycardia patients
CN114469041A (zh) 一种运动过程中心率变化数据特征分析方法
Wei et al. Automatic recognition of epileptic discharges based on shape similarity in time-domain

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