CN110226928B - 房颤伴室早和房颤伴差传的识别方法和装置 - Google Patents

房颤伴室早和房颤伴差传的识别方法和装置 Download PDF

Info

Publication number
CN110226928B
CN110226928B CN201810182570.5A CN201810182570A CN110226928B CN 110226928 B CN110226928 B CN 110226928B CN 201810182570 A CN201810182570 A CN 201810182570A CN 110226928 B CN110226928 B CN 110226928B
Authority
CN
China
Prior art keywords
atrial fibrillation
qrs wave
algorithm model
lead
wave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810182570.5A
Other languages
English (en)
Other versions
CN110226928A (zh
Inventor
周雅琪
周峰
欧凤
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.)
Edan Instruments Inc
Original Assignee
Edan Instruments Inc
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 Edan Instruments Inc filed Critical Edan Instruments Inc
Priority to CN201810182570.5A priority Critical patent/CN110226928B/zh
Publication of CN110226928A publication Critical patent/CN110226928A/zh
Application granted granted Critical
Publication of CN110226928B publication Critical patent/CN110226928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明适用于医疗技术领域，提供了一种房颤伴室早和房颤伴差传的识别方法和装置，包括：获取心电信号；确定所述心电信号中的房颤伴宽QRS波；在所述心电信号中提取所述房颤伴宽QRS的特征值；基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传；提高了所述房颤伴室早和房颤伴差传识别的准确度和识别效率；解决了现有技术中无法准确地识别并区分所述房颤伴室早的心电信号和所述房颤伴差传的心电信号的问题。

Description

房颤伴室早和房颤伴差传的识别方法和装置
技术领域
本发明属于医疗技术领域，尤其涉及一种房颤伴室早和房颤伴差传的识别方法和装置。
背景技术
心脏在收缩之前，可有预先激动，并向全身扩散，使体表产生电位差，用心电图机把这些电位差记录下来，其图型就叫心电图。目前，通过对心电图进行综合分析可以识别出该心电图反映出的心电信号是否为合并室性期前收缩(简称为房颤伴室早)的心电信号或为合并室内差异性传导(简称为房颤伴差传)的心电信号。
但是，由于所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的QRS波都呈现宽大畸形的特征，使得所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的波形图较相似，导致无法准确地对所述房颤伴室早的心电信号与所述房颤伴差传的心电信号进行识别和区分。
发明内容
有鉴于此，本发明实施例提供了一种房颤伴室早和房颤伴差传的识别方法和装置，可以解决现有技术中无法准确地识别并区分所述房颤伴室早的心电信号和所述房颤伴差传的心电信号的问题。
本发明实施例的第一方面提供了一种房颤伴室早和房颤伴差传的识别方法，包括：
获取心电信号；
确定所述心电信号中的房颤伴宽QRS波；
在所述心电信号中提取所述房颤伴宽QRS波的特征值；
基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
本发明实施例的第二方面提供了一种房颤伴室早和房颤伴差传的识别方法，包括：
获取样本心电信号和所述样本心电信号对应的房颤类别，所述房颤类别包括房颤伴室早和房颤伴差传；
确定所述样本心电信号中的房颤伴宽QRS波；
在所述样本心电信号中提取所述房颤伴宽QRS波的样本特征值；
利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，所述识别算法模型用于识别所述房颤伴室早和房颤伴差传。
本发明实施例的第三方面提供了一种房颤伴室早和房颤伴差传的识别装置，包括：
获取单元，用于获取心电信号；
确定单元，用于确定所述心电信号中的房颤伴宽QRS波；
提取单元，用于在所述心电信号中提取所述房颤伴宽QRS波的特征值；
识别单元，用于基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
本发明实施例的第四方面提供了一种终端设备，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上述第一方面或第二方面所述方法的步骤。
本发明实施例的第五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上述第一方面和/或第二方面所述方法的步骤。
本发明实施例中，通过在获取的心电信号中提取房颤伴宽QRS波的特征值，再利用训练好的所述识别算法模型得到所述心电信号属于房颤伴室早的心电信号或属于房颤伴差传的心电信号的识别结果，提高了所述房颤伴室早和房颤伴差传识别的准确度和识别效率；解决了现有技术中无法准确地识别并区分所述房颤伴室早的心电信号和所述房颤伴差传的心电信号的问题。
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一种房颤伴室早和房颤伴差传的识别方法的实现流程示意图；
图2是本发明实施例提供的心电图示意图；
图3是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法S102的实现流程示意图；
图4是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法S104的实现流程示意图；
图5是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法的另一实现流程示意图；
图6是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法S504的实现流程示意图；
图7是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法S504的另一实现流程示意图；
图8是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别装置的结构示意图；
图9是本发明实施例提供的一种房颤伴室早和房颤伴差传的识别装置的另一结构示意图；
图10是本发明实施例提供的心电图机的结构示意图。
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。
图1示出了本发明实施例提供的一种房颤伴室早和房颤伴差传的识别方法的实现流程，包括步骤S101至步骤S104。
在S101中，获取心电信号。
本实施例中，心电信号是一种生理信号，包括人体心电信号以及动物体心电信号。通过将信号采集设备中的测量电极放置在生物体表面的一定部位，即可采集出一系列的心电数据，该心电数据记录了身体各部位在每一心动周期中发生的有规律的电压变化情况，则描述了该电压动态变化情况的心电数据即为心电信号，其以心电波形的形式展示于信号采集设备中，其中，所述信号采集设备可以为心电图机。
一个心动周期，在心电图上可有5个或6个波，如图2所示，从左至右为P波，QRS波，T波及U波等波群；又分为7个部分，即P波、PR段、PR间期、QRS波群、ST段、T波、QT间期，波型因导联不同可有倒置。本发明的实施例中，可以适用于包含标准肢体导联及胸部V1导联的心电测量模式，因此，适用于各类常规导联体系的心电测量模式，如12标准导联体系、15导联体系、18导联体系、9导联体系等。
在S102中，确定所述心电信号中的房颤伴宽QRS波。
本发明实施例中，如图3所示，所述确定所述心电信号中的房颤伴宽QRS波，包括：步骤S301至步骤S304。
在S301中，识别所述心电信号中的QRS波。
其中，QRS波是指正常心电图中幅度最大的波群，能够反映心室除极的全过程。正常心室除极始于室间隔中部，自左向右方向除极，故QRS波群先呈现一个小向下的Q波。
利用差分法、阈值检测法、模板匹配法、小波变换法等QRS检测算法，可从心电信号中检测出各个QRS波群所在的位置，从而获得心电信号中的每个QRS波群。
在本发明实施例中，可以选用经典的Pan-Tompkins法进行QRS波的识别，该方法包括带通滤波、非线性变换及规则判断三个步骤，所述带通滤波器由高通滤波器和低通滤波器级联而成，增强QRS波主要能量所在的5～12Hz频段的信号分量；接着对信号进行逐点微分、平方与积分运算，得到非线性变换后的信号；若检测出信号的峰值大于预设阈值，则认为检测到一个QRS波。
在S302中，基于所述QRS波确定所述心电信号中的房颤信号波段。
在识别了QRS波之后，则可识别该心电信号中的包括房颤信号的波段。
本实施例中，房颤是心房颤动的简称，属于一种心律失常疾病，人群中的患病率约2％。由于房颤可能引起血栓栓塞和充血性心力衰竭，突发快速型心室率房颤时还会引起头昏、黑蒙或晕厥等症状而受到临床重视。
可选地，基于所述QRS波确定心电信号中的房颤信号波段包括：识别心电信号中的房颤特征波形(f波)及QRS波群间的间隔(RR间期)，若存在f波，同时RR间期不匀齐则认为存在房颤信号的波段。
f波的判定方法可以通过在心电信号的一阶差分信号上提取QRS波相邻的极值点，若所述极值点不在QRS波范围内，且极值点代表的峰幅度大于QRS波群幅度的一定设定比例则认为存在f波，其中，所述设定比例可以为5％～15％。
所述RR间期可以为相邻QRS波群的波峰之间的位置间隔，在识别出QRS波群后便可得到。例如，对于心电信号中的一个QRS波群来说，其波峰位置与前面相邻的一个QRS波群的波峰位置之间的差值为该QRS波群的前RR间期；其波峰位置与后面相邻的一个QRS波群的波峰位置之间的差值为该QRS波群的后RR间期，当所述前RR间期与后RR间期相差超过设定阈值时，表示所述QRS波群的RR间期不匀齐。
在本发明实施例中，当所述心电信号的某一个波段中存在f波，同时RR间期不匀齐时，则认为该波段为房颤信号波段。需要说明的是，在本发明的其他实施例中，还包括其他识别心电信号中的房颤信号波段的方法，此处只是举例说明，不表示为对本发明保护范围的限制。
在S303中，计算所述房颤信号波段中的QRS波的宽度。
在本实施例中，可以采用局部坐标变换法计算所述房颤信号波段中的QRS波的宽度。当QRS波的宽度大于预设阈值时，该QRS波确定为宽QRS波。所述预设阈值通常情况下取为120ms(毫秒)。
具体地，在识别到所述心电信号中的QRS波后，在所述心电信号的两端做直线，获取所述直线与所述波段交点之间位置的差值的绝对值，定义取得最大差值的一个QRS波上两个交点的位置为该QRS波的起点和终点，即，所述QRS波的宽度为所述最大差值。
在S304中，将宽度大于预设阈值的所述QRS波确定为房颤伴宽QRS波。
在所述QRS波的宽度大于预设阈值时，即所述QRS波为宽QRS波，且该QRS波位于所述房颤信号波段，则确定所述QRS波为房颤伴宽QRS波。
在S103中，在所述心电信号中提取所述房颤伴宽QRS波的特征值。
在确定所述房颤伴宽QRS波后，为提高房颤伴室早与房颤伴差传识别的准确率，需要根据房颤伴宽QRS波的特点，并结合现有技术中用于识别房颤伴室早与房颤伴差传选取的特征值；对房颤伴宽QRS波进行特征值的提取，其中，所述特征值用于识别房颤伴室早的心电信号和房颤伴差传的心电信号。
其中，所述房颤伴室早是合并室性期前收缩的简称，为激动起源异常。所述房颤伴差传是合并室内差异性传导的简称，为室上性激动在心室内的传导异常。由于所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的QRS波都呈现宽大畸形的特征，使得所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的波形图较相似，临床上只能根据医生的经验进行所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的识别和区分。而本发明实施例中，通过提取所述心电信号中的房颤伴宽QRS波的特征值，并将其输入至识别算法模型，得到识别结果，减少了人工识别带来的误诊。
需要说明的是，所述房颤伴室早的心电信号与所述房颤伴差传的心电信号的识别属于参数的获取，并不直接得到疾病的诊断结果。
在本发明实施例中，以胸部V1导联的心电测量模式为例，提取所述心电信号中的房颤伴宽QRS波的特征值。
可选地，所述在所述心电信号中提取所述房颤伴宽QRS波的特征值，包括：在所述心电信号中提取所述房颤伴宽QRS波的前RR间期、宽QRS波联律间期、宽QRS波后类代偿间期、V1导联起始r波幅度、V1导联QRS波群形态、心室率、QRS波心电轴大小、Vi/Vt值和类联比中的一个或多个，其中，Vi为QRS波心室除极或激动传导预设时长时的振幅值，Vt是心室终末除极前预设时长时的振幅值。
其中，所述前RR间期为：当前需判断的宽QRS波群前相邻两个QRS波RR间期，记为RRb；
所述宽QRS波联律间期为：当前需判断的宽QRS波与前一QRS波的RR间期，记为RRc；
所述宽QRS波后类代偿间期为：当前需判断的宽QRS波与后一QRS波的RR间期，记为RRa；
所述V1导联起始r波幅度为：宽QRS波起始r波幅值，即当前需判断的宽QRS波起始r波的幅值，记为AMPr。若所述r波存在，则AMPr为所述r波的实际幅值，若所述r波不存在，则将所述AMPr标记为-1；
所述V1导联QRS波群形态为：当前需判断宽QRS波在V1导联的形态，记为MorV1，V1导联宽QRS波形态一般为双相或三相；
所述整体心室率为：包含当前需判断宽QRS波前后一段时间心电信号(一般选取为10s)的平均心室率，记为HR；
所述QRS波心电轴大小为：当前需判断宽QRS波的心电轴，记为Axis；
所述Vi/Vt：其中Vi可以为当前需判断宽QRS波心室除极或激动传导设定时长下(例如，40ms时)的振幅值，Vt可以为心室终末除极前设定时长(例如，40ms时)时的振幅值。
采用Vi/Vt比值(绝对值)识别所述房颤伴室早与所述房颤伴差传有其电生理意义。房颤伴差传时心室激动的初始顺序是通过希浦系统正常进行的，故除极速度较快Vi值大，束支阻滞会使心室中段与终末除极速度较慢，故Vt较小，因而Vi/Vt一般大于1。而房颤伴室早起源于心室的激动，初始除极时通过传导速度较慢的心室肌传导，所以Vi值小，而当心室除极达到希浦系统，其激动传导速度较快，所以Vt值较大，一般Vi/Vt小于1，将Vi/Vt记为Vit。
所述Vi/Vt比值的计算中导联选择较重要，多选用aVR导联，其次V3导联，再其次用V5导联，再次之用V2导联，本发明实施例中可选用aVR导联。
所述类联比为：所述类代偿间期RRa与所述联律间期RRc的比值。
需要说明的是，在本发明的其他实施例中，还可以根据实际需求提取其他房颤伴宽QRS波的特征值，以便进一步提高所述房颤伴室早与所述房颤伴差传识别的准确率。
在S104中，基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
提取了所述房颤伴宽QRS波的特征值后，可以根据所述特征值通过所述识别算法模型得到所述房颤伴室早和所述房颤伴差传的识别结果。
可选地，所述识别算法模型可以为以机器学习技术为基础的识别算法模型，例如，逻辑回归算法模型、支持向量机模型、决策树算法模型和集成学习算法模型等等。
如图4所示，所述基于所述特征值，通过识别算法模型，得到识别结果，包括：步骤S401至步骤S402。
在S401中，将所述特征值构成特征向量。
具体地，在将所述特征值构成特征向量时，为了使所述识别算法模型可适用于不同个体，减小个体差异性的影响，需要对提取的所述特征值进行标准化处理，并在完成所述特征值的标准化后，将所述特征值构成特征向量。其中，所述标准化是一种无量纲处理手段，用于将所述特征值数值的绝对值变成某种相对值的关系，简化计算的同时提高所述识别算法模型的泛化性能。
本实施例中，除MorV1外均需要标准化，同时标准化处理需根据各特征本身的特点选取合适的方法。
例如，RRa、RRb、RRc、HR、AMPr采用的处理方法是将各特征值线性地转换到[0，1]区间。如，将RRa中的每一个特征值x，取最大值Max(x)和最小值Min(x)，其标准化后的值x′，根据公式
Figure GDA0001660974500000091
即可得到所述每一个特征值x在[0，1]区间的取值。
对于AMPr的标准化中，如前所述当V1导联不存在r波时将AMPr标准化后的AMPr′记为-1。
对于Axis的标准化中，根据临床经验可知对于心电轴大小的标准化处理仅需要区分心电轴是否处于无人区(180°～270°)，若处于无人区则赋值为1否则赋值为0，标准化的心电轴大小记为
Figure GDA0001660974500000092
在完成所述特征值的标准化后，即可将所述特征值构成特征向量。
在S402中，将所述特征向量输入识别算法模型，输出识别结果。
获取所述特征值的特征向量后，只需将所述特征向量输入至训练好的所述识别算法模型，即可得到房颤伴室早或房颤伴差传的识别结果。
可选地，所述基于所述特征值，通过识别算法模型，得到识别结果之前，还包括：获取训练好的识别算法模型。
其中，所述识别算法模型可以为以机器学习技术为基础的识别算法模型，例如，逻辑回归算法模型、支持向量机模型、决策树算法模型和集成学习算法模型等等。
如图5所示，本发明实施例另外还提供一种房颤伴室早和房颤伴差传的识别方法，所述识别方法可以得到识别所述房颤伴室早和所述房颤伴差传的训练好的识别算法模型，包括步骤S501至S504。
在S501中，获取样本心电信号和所述样本心电信号对应的房颤类别，所述房颤类别包括房颤伴室早和房颤伴差传。
需要说明的是，所述样本心电信号可以通过临床采集其具体的采集过程可以参照前述步骤S101的描述，此处不再赘述。所述样本心电信号对应的房颤类别是指引发所述房颤的原因，例如，所述房颤伴室早、房颤伴差传、高血压、心力衰竭等等。其中，所述样本心电信号对应的房颤类别可以由医生标注得到，例如，当样本心电信号对应的房颤类别为房颤伴室早时，将该样本心电信号对应的房颤类别标注为1；当样本心电信号对应的房颤类别为房颤伴差传时，将该样本心电信号对应的房颤类别标注为0。
在S502中，确定所述样本心电信号中的房颤伴宽QRS波。
所述确定所述样本心电信号中的房颤伴宽QRS波的具体过程可以参照前述步骤S102的描述。
在S503中，在所述样本心电信号中提取所述房颤伴宽QRS波的样本特征值。
所述在所述样本心电信号中提取所述房颤伴宽QRS波条件的样本特征值的具体过程可以参照前述步骤S103的描述。
在S504中，利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，所述识别算法模型用于识别所述房颤伴室早和房颤伴差传。
在获取到所述样本心电信号的样本特征值，以及所述样本心电信号的样本特征值对应的房颤类别后，即可通过训练识别算法模型，得到训练好的识别算法模型。
如图6所示，为了提高所述识别算法模型的泛化性能，所述利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，包括：步骤S601至步骤S602。
在S601中，将所述样本特征值构成样本特征向量；
在S602中，利用所述样本特征向量及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型。
具体地，所述将所述样本特征值构成样本特征向量的具体过程可以参看前述步骤S401的描述。
在本发明实施例中，所述识别算法模型可以为支持向量机模型。
所述支持向量机模型(Support Vector Machine，SVM)建立在统计学习理论的VC维理论和结构风险最小原理基础之上，可以用于根据输入的特征向量对目标样本进行分类。由于它在解决小样本、非线性及高维模式识别问题中有很多优势，因此广泛应用于模式识别和数据挖掘等领域。
例如，样本特征是一个n维向量
Figure GDA0001660974500000111
分类结果yi∈{0，1}表示分类后样本被划分的类别为0或1，即：
Figure GDA0001660974500000112
Figure GDA0001660974500000113
其中，m表示样本数，n表示特征向量维度，支持向量机即函数sgn[f(x)]，对于输入的特征向量
Figure GDA0001660974500000114
支持向量机输出样本的类别(0或1)。
早期的支持向量机只能对线性可分的二分类问题进行分类，核函数的提出使其能处理非线性可分的问题。所述核函数是指通过一个核函数将线性不可分的样本特征向量映射到一个高维空间中，从而使样本线性可分；而通过多个二分类支持向量机构造的支持向量机网络，又可以解决多类划分问题。
在本发明实施例中，由于只需对房颤伴室早和房颤伴差传进行识别，因此，可以只需要得到用于识别房颤伴室早和房颤伴差传的二分类支持向量机模型。
可选地，在得到所述支持向量机模型的过程中，需要先进行所述核函数的选择。
所述核函数包括线性核、多项式核、径向基函数核、sigmoid核等，所述核函数的选择与具体的应用场景相关。在本发明实施例中，所述SVM输入向量的维度在6～10，而训练样本的数量可以在10000以上，可以选用径向基函数网络作为核函数。其中，所述径向基函数公式如下：
Figure GDA0001660974500000121
其中，
Figure GDA0001660974500000122
为与样本数据关联的数据，γ为所述径向基函数的参数。
如图7所示，所述利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，还包括：步骤S701至步骤S702。
在S701中，采用所述样本特征值及与之对应的房颤类别，结合优化算法获取识别算法模型的最优惩罚系数C和最优核宽γ。
在所述支持向量机模型的建立过程中，包括两个重要的参数，其中之一为所述支持向量机模型的核函数自带的参数γ；另一个为支持向量机的惩罚系数C。所述参数γ隐含地决定了数据映射到新的特征空间后的分布，γ值越大，支持向量越少；γ值越小，支持向量越多，但是，支持向量的个数与训练与预测的速度相关。惩罚系数C表示对误差的宽容度。C越高，越不能容忍出现误差，容易过拟合；C太小，则容易欠拟合。C设定过大或过小，泛化能力都会变差。因此，需要采用所述样本特征值及与之对应的房颤类别，结合优化算法获取识别算法模型的最优惩罚系数C和最优核宽γ。
本发明实施例中，可以选用GridSearch法寻找所述SVM的最优参数，即让C和γ在一定的范围内取值，对于取定的C和γ，将训练集作为原始数据集，利用交叉验证方法得到在所述取定的C和γ下分类的准确率，最终获取分类准确率最高的C和γ作为所述SVM的最优参数。
在利用交叉验证方法得到在所述取定的C和γ下分类的准确率，获取分类准确率最高的C和γ作为所述SVM的最优参数的过程中，需将所述样本特征值及与之对应的房颤类别均分为K份，取K-1份作为训练集，另外1份作为验证集，代入所述SVM中计算其预测准确率，迭代K次，最后取K次预测的平均正确率作为此参数对下的分类准确率。交叉验证可以使每份数据都能作为验证集进行一次测试，从而提高了数据的利用率以及网络结构的适应度。在实际应用中，需要根据数据量的多少决定K的具体数值，若数据量较少，可以选取K＝3；若数据量较大，可以选取K＝8或K＝10。
可选地，所述惩罚系数C的取值范围可以为[2^cmin，2^cmax]，其中cmin＝-4，cmax＝4；所述径向基核参数γ的取值范围可以为[2^gmin，2^gmax]，其中为gmin＝-4，gmax＝4。同时，还可以采用K＝5对模型进行交叉验证。
在S702中，根据所述最优惩罚系数C和最优核宽γ构建最优的所述识别算法模型。
通过上述方法确定好所述最优惩罚系数C及最优核宽γ后，即可得到训练好的支持向量机模型。
可选地，所述识别方法还包括：获取从待识别心电信号中提取的房颤伴宽QRS波的待识别特征向量；将所述待识别特征向量输入所述训练好的识别算法模型，输出所述待识别心电信号的识别结果。
也就是说，在得到所述训练好的支持向量机模型后，即可利用所述支持向量机模型得到所述心电信号的识别结果。
如图8所示，为本发明实施例提供的一种房颤伴室早和房颤伴差传的识别装置800，包括：获取单元801、确定单元802、提取单元803和识别单元804。
获取单元801，用于获取心电信号；
确定单元802，用于确定所述心电信号中的房颤伴宽QRS波条件的QRS波；
提取单元803，用于在所述心电信号中提取所述房颤伴宽QRS波条件的特征值；
识别单元804，用于基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
需要说明的是，本实施例提供的一种房颤伴室早和房颤伴差传的识别装置的实现过程可以参考如图1-4中提供的一种房颤伴室早和房颤伴差传的识别方法的实现过程，在此不再赘述。
如图9所示，为本发明实施例提供的另一种房颤伴室早和房颤伴差传的识别装置900，包括：获取单元901、确定单元902、提取单元903和训练单元904。
获取单元901，用于获取样本心电信号和所述样本心电信号对应的房颤类别，所述房颤类别包括房颤伴室早和房颤伴差传；
确定单元902，用于确定所述样本心电信号中的房颤伴宽QRS波；
提取单元903，用于在所述样本心电信号中提取所述房颤伴宽QRS波的样本特征值；
训练单元904，用于利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，所述识别算法模型用于识别所述房颤伴室早和房颤伴差传。
需要说明的是，本实施例提供的一种房颤伴室早和房颤伴差传的识别装置的实现过程可以参考如图5-7中提供的一种房颤伴室早和房颤伴差传的识别方法的实现过程，在此不再赘述。
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。
图10是本发明一实施例提供的心电图机的示意图。如图10所示，该实施例的心电图机100包括：处理器1000、存储器1001以及存储在所述存储器1001中并可在所述处理器1000上运行的计算机程序1002，例如房颤伴室早和房颤伴差传的识别程序。所述处理器1000执行所述计算机程序1002时实现上述各个房颤伴室早和房颤伴差传的识别方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器1000执行所述计算机程序1002时实现上述各装置实施例中各模块/单元的功能，例如，图8所示模块801至804的功能。
示例性的，所述计算机程序1002可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器1001中，并由所述处理器1000执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序1002在所述心电图机100中的执行过程。例如，所述计算机程序1002可以被分割成获取单元、确定单元、提取单元和识别单元(虚拟装置中的单元)，各单元具体功能如下：
获取单元，用于获取心电信号；
确定单元，用于确定所述心电信号中的房颤伴宽QRS波；
提取单元，用于在所述心电信号中提取所述房颤伴宽QRS波的特征值；
识别单元，用于基于所述特征值，通过识别算法模型，得到识别结果；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
所述心电图机可包括，但不仅限于，处理器1000、存储器1001。本领域技术人员可以理解，图10仅仅是心电图机100的示例，并不构成对心电图机100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，例如所述心电图机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1000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)、现场可编程门阵列(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。
所述存储器1001可以是所述心电图机100的内部存储单元，例如心电图机100的硬盘或内存。所述存储器1001也可以是所述心电图机100的外部存储设备，例如所述心电图机100上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器1001还可以既包括所述心电图机100的内部存储单元也包括外部存储设备。所述存储器1001用于存储所述计算机程序以及所述心电图机所需的其他程序和数据。所述存储器1001还可以用于暂时地存储已经输出或者将要输出的数据。
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，即将所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。
本发明实施例还提供一种服务器，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上述图5至图7所述方法的步骤。
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/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所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。
所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。
所述集成的模块/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，所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，所述计算机程序包括计算机程序代码，所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。所述计算机可读介质可以包括：能够携带所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(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所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电载波信号和电信信号。
以上所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 (8)

1.一种房颤伴室早和房颤伴差传的识别方法，其特征在于，包括：
获取心电信号；
确定所述心电信号中的房颤伴宽QRS波；
在所述心电信号中提取所述房颤伴宽QRS波的特征值，包括：在所述心电信号中提取所述房颤伴宽QRS波的前RR间期、宽QRS波联律间期、宽QRS波后类代偿间期、V1导联起始r波幅度、V1导联QRS波群形态、心室率、QRS波心电轴大小、Vi/Vt值，其中，Vi为QRS波心室除极或激动传导预设时长时的振幅值，Vt是心室终末除极前预设时长时的振幅值，所述Vi/Vt比值的计算中选择aVR导联、V3导联、V5导联或V2导联；
基于所述特征值，通过识别算法模型，得到识别结果，包括：
将所述特征值构成特征向量；
将所述特征向量输入识别算法模型，输出识别结果；
所述识别算法模型用于识别房颤伴室早和房颤伴差传。
2.如权利要求1所述的识别方法，其特征在于，所述确定所述心电信号中的房颤伴宽QRS波，包括：
识别所述心电信号中的QRS波；
基于所述QRS波确定所述心电信号中的房颤信号波段；
计算所述房颤信号波段中的QRS波的宽度；
将宽度大于预设阈值的所述QRS波确定为房颤伴宽QRS波。
3.如权利要求1所述的识别方法，其特征在于，所述基于所述特征值，通过识别算法模型，得到识别结果之前，还包括：
获取训练好的识别算法模型。
4.如权利要求1所述的识别方法，其特征在于，所述识别算法模型包括：逻辑回归算法模型、支持向量机模型、决策树算法模型和集成学习算法模型。
5.一种房颤伴室早和房颤伴差传的识别方法，其特征在于，包括：
获取样本心电信号和所述样本心电信号对应的房颤类别，所述房颤类别包括房颤伴室早和房颤伴差传；
确定所述样本心电信号中的房颤伴宽QRS波；
在所述样本心电信号中提取所述房颤伴宽QRS波的样本特征值，包括：在所述心电信号中提取所述房颤伴宽QRS波的前RR间期、宽QRS波联律间期、宽QRS波后类代偿间期、V1导联起始r波幅度、V1导联QRS波群形态、心室率、QRS波心电轴大小、Vi/Vt值，其中，Vi为QRS波心室除极或激动传导预设时长时的振幅值，Vt是心室终末除极前预设时长时的振幅值，所述Vi/Vt比值的计算中选择aVR导联、V3导联、V5导联或V2导联；
利用所述样本特征值及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，包括：将所述样本特征值构成样本特征向量；利用所述样本特征向量及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型，所述识别算法模型用于识别所述房颤伴室早和房颤伴差传。
6.一种房颤伴室早和房颤伴差传的识别装置，其特征在于，包括：
获取单元，用于获取心电信号；
确定单元，用于确定所述心电信号中的房颤伴宽QRS波；
提取单元，用于在所述心电信号中提取所述房颤伴宽QRS波的特征值，包括：在所述心电信号中提取所述房颤伴宽QRS波的前RR间期、宽QRS波联律间期、宽QRS波后类代偿间期、V1导联起始r波幅度、V1导联QRS波群形态、心室率、QRS波心电轴大小、Vi/Vt值，其中，Vi为QRS波心室除极或激动传导预设时长时的振幅值，Vt是心室终末除极前预设时长时的振幅值，所述Vi/Vt比值的计算中选择aVR导联、V3导联、V5导联或V2导联；
识别单元，用于基于所述特征值，通过识别算法模型，得到识别结果，包括：将所述样本特征值构成样本特征向量；利用所述样本特征向量及与之对应的房颤类别训练识别算法模型，得到训练好的识别算法模型；所述识别算法模型用于识别房颤伴室早和房颤伴差传。
7.一种终端设备，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5任一项所述方法的步骤。
8.一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5任一项所述方法的步骤。
CN201810182570.5A 2018-03-06 2018-03-06 房颤伴室早和房颤伴差传的识别方法和装置 Active CN110226928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810182570.5A CN110226928B (zh) 2018-03-06 2018-03-06 房颤伴室早和房颤伴差传的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810182570.5A CN110226928B (zh) 2018-03-06 2018-03-06 房颤伴室早和房颤伴差传的识别方法和装置

Publications (2)

Publication Number Publication Date
CN110226928A CN110226928A (zh) 2019-09-13
CN110226928B true CN110226928B (zh) 2022-07-01

Family

ID=67861743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810182570.5A Active CN110226928B (zh) 2018-03-06 2018-03-06 房颤伴室早和房颤伴差传的识别方法和装置

Country Status (1)

Country Link
CN (1) CN110226928B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112826514B (zh) * 2019-11-22 2022-07-22 华为技术有限公司 一种房颤信号的分类方法、装置、终端以及存储介质
CN110960207A (zh) * 2019-12-16 2020-04-07 成都天奥电子股份有限公司 一种基于树模型的房颤检测方法、装置、设备及存储介质
CN112603327B (zh) * 2019-12-18 2022-03-11 华为技术有限公司 一种心电信号的检测方法、装置、终端以及存储介质
CN111514458B (zh) * 2020-03-12 2023-07-18 四川大学华西医院 穿戴式心电动态全真绘测智能除颤仪及其控制方法
CN111493859B (zh) * 2020-03-16 2023-01-03 浙江好络维医疗技术有限公司 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法
CN111856490B (zh) * 2020-07-29 2022-06-28 中国科学院光电技术研究所 一种非视域目标探测时中介面回波的抑制方法
CN112971798B (zh) * 2021-02-10 2023-05-30 武汉心络科技有限公司 心电信号处理方法、装置、终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251405A (zh) * 2013-04-18 2013-08-21 深圳市科曼医疗设备有限公司 心律失常分析方法和系统
CN107307860A (zh) * 2017-05-16 2017-11-03 哈尔滨医科大学 一种房颤检测装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7751876B2 (en) * 2005-09-23 2010-07-06 Hewlett-Packard Development Company, L.P. Method and system for detecting premature ventricular contraction from a surface electrocardiogram
RU2303390C1 (ru) * 2006-01-10 2007-07-27 Государственное образовательное учреждение высшего профессионального образования "Санкт-Петербургская государственная медицинская академия им. И.И. Мечникова Федерального агентства по здравоохранению и социальному развитию" Способ прогнозирования развития пароксизмов мерцания и трепетания предсердий у больных с наджелудочковой экстрасистолией

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251405A (zh) * 2013-04-18 2013-08-21 深圳市科曼医疗设备有限公司 心律失常分析方法和系统
CN107307860A (zh) * 2017-05-16 2017-11-03 哈尔滨医科大学 一种房颤检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Comparative study of Neural Networks for Prediction of Cardiac Arrhythmias;J. P. Kelwade，等;《2016 International Conference on Automatic Control and Dynamic Optimization Techniques》;20160930;摘要，正文1-4节以及表1-5 *
房颤伴室性早博与房颤伴差异性传导的量化鉴别方法研究;钱梦瑶，等;《中国生物医学工程学报》;20150430;第34卷(第2期);摘要，第130-133页第1-2节以及表1-6 *

Also Published As

Publication number Publication date
CN110226928A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110226928B (zh) 房颤伴室早和房颤伴差传的识别方法和装置
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
Afkhami et al. Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals
CN108968941B (zh) 一种心律失常检测方法、装置及终端
Krasteva et al. QRS template matching for recognition of ventricular ectopic beats
Tadejko et al. Mathematical morphology based ECG feature extraction for the purpose of heartbeat classification
CN110522440B (zh) 基于分组卷积神经网络的心电信号识别装置
CN113876335B (zh) 心电图心搏分类方法、装置、电子设备和介质
CN109276242A (zh) 心电信号类型识别的方法和装置
CN110522442B (zh) 多导联心电异常检测装置、电子设备和存储介质
CN111631705A (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
CN110680278B (zh) 基于卷积神经网络的心电信号识别装置
CN112690802B (zh) 一种检测心电信号的方法、装置、终端及存储介质
CN110786849B (zh) 基于多视图鉴别分析的心电信号身份识别方法及系统
CN110751131B (zh) 一种心律失常检测装置
CN110575161B (zh) 基于心脏标测激动序列图的房颤分析预测方法
CN110367968B (zh) 一种右束支阻滞检测方法、装置、设备及存储介质
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
Silva et al. One lead ECG based personal identification with feature subspace ensembles
Lei et al. AFC-ECG: An adaptive fuzzy ECG classifier
CN111839502B (zh) 一种心电数据异常检测方法、装置、设备及存储介质
KR20140097039A (ko) 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치
CN111449646B (zh) 一种心电图识别方法、装置、存储介质及电子设备
CN110464339A (zh) 一种心电图分析方法及装置

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