CN110403595A - 可穿戴式心电监测设备的信号质量评估方法 - Google Patents
可穿戴式心电监测设备的信号质量评估方法 Download PDFInfo
- Publication number
- CN110403595A CN110403595A CN201910527239.7A CN201910527239A CN110403595A CN 110403595 A CN110403595 A CN 110403595A CN 201910527239 A CN201910527239 A CN 201910527239A CN 110403595 A CN110403595 A CN 110403595A
- Authority
- CN
- China
- Prior art keywords
- data
- signal quality
- ecg
- amplitude
- electrocardiogram
- 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
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
- A61B5/7221—Determining signal validity, reliability or quality
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种可穿戴式心电监测设备的信号质量评估方法,用于低噪声信号通道以及高质量信号段的选择,从而避免运动干扰对心率及心电参数实时分析结果的影响。该方法首先通过数据变换突出心电信号形态特征,之后利用信号幅值统计分布状态确定最大阈值,并以之对信号幅度进行等间隔分割。最后,统计落在不同分割区域的样点数,利用分割区域比值对信号质量进行评估,从而实时判断并选择信号质量较高的心电数据段,用于各种状态下穿戴式心电监测的准确心率计算以及有效心电分析。
Description
技术领域
本发明涉及用于处置或处理医疗或健康数据的信息和通信技术领域,特别是涉及一种可穿戴式心电监测设备的信号质量评估方法。
背景技术
在穿戴式心电监测中,心率的计算以及心电信号的PR间期、QRS宽度、QT间期等参数的分析能够实时对人体心脏活动进行监控,一方面可对人体运动状态进行评估,另一方面可实时探测人体心脏异常电活动的发生,具有很高的临床应用价值。但穿戴式心电监测面临着运动干扰的影响,尤其是在肢体活动幅度较大以及运动强度较大时,心电信号会因混入了严重干扰,影响准确的心率计算以及心电参数的分析结果。
因此,需要一种能够评估穿戴式心电监测设备信号质量的方法,用于低噪声信号通道以及高质量信号段的选择,为心率及心电参数实时准确的分析计算提供评价依据。
发明内容
为解决以上技术问题,本发明提供一种能够评估运动状态下穿戴式心电监测信号质量的算法,用于信号通道的选择以及高质量信号段的截取使用,为心率及心电参数实时准确的分析计算提供评价依据。
技术方案如下:
一种可穿戴式心电监测设备的信号质量评估方法,包括:
步骤1、按照预设的截取长度,截取心电监测设备采集的心电数据x(n);
步骤2、对截取的心电数据x(n)进行数据处理,生成处理数据;
步骤3、根据幅值将处理数据分割成N个幅值区间Ai,并统计每个幅值区间Ai的数据量ni;
步骤4、选择幅值区间Ai的数据量ni评估信号质量。
更进一步的,所述截取长度大于等于3秒,且小于等于10秒。
更进一步的,所述步骤2中,采用以下方法对截取的心电数据x(n)进行数据处理:
对截取的心电数据x(n)进行变换,放大心电数据x(n)的R波特征,生成变换数据y(n);
计算变换数据y(n)幅值的四分位距IQR;
根据四分位距IQR确定异常值阈值th;
根据异常值阈值th剔除变换数据y(n)中的异常数据,生成处理数据。
更进一步的,采用以下计算式对截取的心电数据x(n)进行变换;
其中,fs为信号采样频率,α为正常心电QRS波的宽度。
更进一步的,采用以下计算式确定异常值阈值th;
th=1.5×IQR+y0.98;
其中,y0.98为心电数据98%位点的幅值。
更进一步的,所述步骤3包括:
确定处理数据x(n)’的幅值范围;
将幅值范围等分成N个幅值子范围,确定每个幅值区间Ai的阈值范围;
根据阈值范围将处理数据分割成N个幅值区间Ai;
统计各个幅值区间Ai的数据量。
更进一步的,所述步骤4中,包括QRS复合波的质量评估。
更进一步的,所述QRS复合波的质量评估包括:
根据幅值区间的数据量ni,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
其中,n1为第一幅值区间的数据量,n4为第四幅值区间的数据量,n5为第五幅值区间的数据量;
采用以下评估标准评估QRS复合波的信号质量。
其中,β、δ分别为评价指标R1的最大阈值和最小阈值。
更进一步的,所述步骤4中,包括T波及P波的质量评估。
更进一步的,所述T波及P波的质量评估包括:
步骤S1、根据幅值区间的数据量,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
步骤S2、判定评价指标是否大于5;
若小于5,则不能获取有效的T波和P波信息;
若大于5,则进入步骤S3;
步骤S3、按照以下计算式计算二次评价指标R2;
R2=n1/n2
n2为第二幅值区间的数据量;
步骤S4、采用以下评价标准评估T波及P波的信号质量
其中,η、μ分别为二次评价指标R2的最大阈值和最小阈值。
有益效果:能准确评估可穿戴监护设备采集的心电数据的质量,以便监护设备选择干扰较小的采样通道进行数据采集,并且心电监护设备可以选择干扰小的心电数据进行分析计算,从而在很大程度上提高数据心率检测的准确性以及分析结果的可靠性,为心率及心电参数实时准确的分析计算提供评价依据。
附图说明
图1为本发明的评估方法的流程图;
图2为数据处理的流程图;
图3为数据分隔分割的流程图;
图4为T波及P波的质量评估流程图;
图5为正常情况下截取的心电数据的数据图;
图6为图5的心电数据变换后的数据图;
图7为各个幅值区间的数据量的分布图;
图8为受到干扰情况下的心电数据的数据图;
图9为图8的心电数据变换后的数据图;
图10为各个幅值区间的数据量的分布图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
如图1所示的可穿戴式心电监测设备的信号质量评估方法流程图,该评估方法包括:
步骤1、按照预设的截取长度,截取心电监测设备采集的心电数据x(n);
步骤2、对截取的心电数据x(n)进行数据处理,生成处理数据;
步骤3、根据幅值将处理数据分割成N个幅值区间Ai,并统计每个幅值区间Ai的数据量ni;
步骤4、选择幅值区间Ai的数据量ni评估信号质量。
具体而言,实时从可穿戴式心电监护设备采集的每个通道的心电数据中,分别截取一段和预设的截取长度相同的心电数据。正常情况下截取的心电数据如图5所示,受到干扰的情况下,截取的心电数据如图8所示。
通过对截取的心电数据的数据处理,放大心电数据的形态特征,比如R波特征,从而抑制干扰。
然后根据幅值将处理后的处理数据分割成10个幅值区间Ai。其中,i=1,2,3,,,10。然后统计各个幅值区间Ai的数据量。根据各个幅值区间Ai的数据量确定评估穿戴式设备采集的心电数据的采样点分布情况,以此评估心电数据的质量。以便选择信号通道以及高质量的信号段,为心率及心电参数实时准确的分析计算提供评价依据。
在本实施例中,为了减少数据计算量,并保证评估准确性,优选的,所述截取长度大于等于3秒,且小于等于10秒。
在本实施例中,优选的,如图2所示,所述步骤2中,采用以下方法对截取的心电数据x(n)进行数据处理:
对截取的心电数据x(n)进行变换,放大心电数据x(n)的R波特征,生成变换数据y(n);
计算变换数据y(n)幅值的四分位距IQR;
根据四分位距IQR确定异常值阈值th;
根据异常值阈值th剔除变换数据y(n)中的异常数据,生成处理数据。
具体而言,对截取的心电数据进行变换后,可以放大心电数据的R波特征,正常情况,变换后的信号,通过对幅值分布进行分析,可以间接反映R波特征的显著性,从而准确评估整个心电信号的质量。四分位距反映了变化后数据的离散程度,通过四分位距确定的异常值阈值表示变换后数据的正常范围,由此,可以剔除变换后数据中由于特殊情况,比如电极扯动、基线跳变等造成的异常数据,提高评估结果的准确性。
对图5的心电数据进行数据处理后,得到的处理数据如图6所示,对图8的心电数据进行数据处理后,得到的处理数据如图9所示。
在本实施例中,优选的,采用以下计算式对截取的心电数据x(n)进行变换;
其中,fs为信号采样频率,α为正常心电QRS波的宽度,在本实施例中,α∈[0.06,0.1]。由此可以放大心电数据的R波特征,由于R波特征在心电数据中最明显,只有在R波质量较高时,才有可能有效的进行心电其他特征参数的分析,因此通过对R波特征的干扰状态进行分析,更能准确评估心电信号的质量。
在本实施例中,优选的,采用以下计算式确定异常值阈值th;
th=1.5×IQR+y0.98;
其中,y0.98为心电数据98%位点的幅值。
具体而言,四分位距反映了处理数据x(n)’的离散程度,通过四分位距计算的异常阈值更准确地反映了处理数据的正常范围,因此,能更准确地剔除处理数据中的异常数据,保证评估结果的准确性。
在本实施例中,优选的,如图3所示,所述步骤3中,所述对处理数据x(n)’中所有采样点数据进行归类包括:
确定处理数据的幅值范围;
将幅值范围等分成N个幅值子范围,确定每个幅值区间Ai的阈值范围;
根据阈值范围将处理数据分割成N个幅值区间Ai;
统计各个幅值区间Ai的数据量。
具体而言,可以根据处理数据的幅值范围确定处理数据的极差,由此确定每个幅值子范围的极差,并根据处理数据的幅值范围和每个幅值子范围的极差,依次确定第1幅值区间、第2幅值区间、、、、、第10幅值区间的阈值范围。最后根据各个采样点的幅值所在的阈值范围,将采样点分隔到对应的幅值区间Ai内,计数落入各个幅值子范围的采样点数据,从而确定各区间中的数据量ni,以此确定采样点的分布情况。
图6所示的处理数据,最后统计的各个幅值区间的样点计数如图7所示。图9所示的处理数据,最后统计的各个幅值区间的样点计数如图10所示。
在本实施例中,优选的,所述步骤4中,包括QRS复合波的质量评估。通过对QRS复合波的质量评估,可以评估心电数据用于计算心率的可行性。
在本实施例中,优选的,所述QRS复合波的质量评估包括:
根据幅值区间的数据量ni,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
其中,n1为第一幅值区间的数据量,n4为第四幅值区间的数据量,n5为第五幅值区间的数据量。根据图7计算出的评价指标R1为17.6,根据图9计算出的评价指标R1为5.2。
采用以下评估标准评估QRS复合波的信号质量。
其中,β、δ分别为评价指标R1的最大阈值和最小阈值。
具体而言,在本实施例中,β=5、δ=1,心电信号受到的干扰越小,信号中R波的特征就越突出,所以变换后的信号中大多数样点的幅值处于0附近,而仅有少数R波位置的样点能够具有较高的幅值,以至在分析信号幅值分布时,采样点大量集中在第1幅值区间Ai,反之数据就会因干扰的出现而分散集中在第2至第5区间中。因此将第1区间Ai的样点数n1与第4幅值区间Ai、第5幅值区间Ai的样点数n4、n5进行比值可作为评价指标,反映出正常采样数据与受到干扰的采样数据之间的差异,从而准确评估心电数据的信号质量。
在本实施例中,优选的,所述步骤4中,包括T波及P波的质量评估。通过进行T波及P波的质量评估,可以评估心电数据用于分析心电参数的可行性。
在本实施例中,优选的,如图4所示,所述T波及P波的质量评估包括:
步骤S1、根据幅值区间的数据量,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
步骤S2、判定评价指标是否大于5;
若小于5,则不能获取有效的T波和P波信息;
若大于5,则进入步骤S3;
步骤S3、按照以下计算式计算二次评价指标R2;
R2=n1/n2
n2为第二幅值区间的数据量;根据图7计算出的二次评价指标R2为13.3,根据图9计算出的二次评价指标R2为2.1。
步骤S4、采用以下评价标准评估T波及P波的信号质量
其中,η、μ分别为二次评价指标R2的最大阈值和最小阈值。
具体而言,在本实施例中,η=8、μ=4,与QRS复合波的信号质量评估原理相同,由于T波及P波的信号质量对干扰要求更高,所以,只有当QRS复合波的信号质量评估合格后,才能进行T波及P波的信号质量的评估。
最后需要说明的是,上述描述仅仅为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (10)
1.一种可穿戴式心电监测设备的信号质量评估方法,其特征在于,包括:
步骤1、按照预设的截取长度,截取心电监测设备采集的心电数据x(n);
步骤2、对截取的心电数据x(n)进行数据处理,生成处理数据;
步骤3、根据幅值将处理数据分割成N个幅值区间Ai,并统计每个幅值区间Ai的数据量ni;
步骤4、选择幅值区间Ai的数据量ni评估信号质量。
2.根据权利要求1所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述截取长度大于等于3秒,且小于等于10秒。
3.根据权利要求1所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述步骤2中,采用以下方法对截取的心电数据x(n)进行数据处理:
对截取的心电数据x(n)进行变换,放大心电数据x(n)的R波特征,生成变换数据y(n);
计算变换数据y(n)幅值的四分位距IQR;
根据四分位距IQR确定异常值阈值th;
根据异常值阈值th剔除变换数据y(n)中的异常数据,生成处理数据。
4.根据权利要求3所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,采用以下计算式对截取的心电数据x(n)进行变换;
其中,fs为信号采样频率,α为正常心电QRS波的宽度。
5.根据权利要求3所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,采用以下计算式确定异常值阈值th;
th=1.5×IQR+y0.98;
其中,y0.98为心电数据98%位点的幅值。
6.根据权利要求1所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述步骤3包括:
确定处理数据的幅值范围;
将幅值范围等分成N个幅值区间Ai,确定每个幅值区间的阈值范围;
统计处理数据在各个幅值区间Ai中的的数据量ni。
7.根据权利要求1所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述步骤4中,包括QRS复合波的质量评估。
8.根据权利要求7所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述QRS复合波的质量评估包括:
根据幅值区间的数据量ni,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
其中,n1为第一幅值区间的数据量,n4为第四幅值区间的数据量,n5为第五幅值区间的数据量;
采用以下评估标准评估QRS复合波的信号质量,确定心电数据应用于心率计算的可靠性:
其中,β、δ分别为评价指标R1的最大阈值和最小阈值。
9.根据权利要求8所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述步骤4中,还包括T波及P波的质量评估。
10.根据权利要求9所述的可穿戴式心电监测设备的信号质量评估方法,其特征在于,所述T波及P波的质量评估包括:
步骤S1、根据幅值区间的数据量,按照以下计算式计算评价指标R1;
R1=n1/(n4+n5)
步骤S2、判定评价指标是否大于5;
若小于5,则不能获取有效的T波和P波信息;
若大于5,则进入步骤S3;
步骤S3、按照以下计算式计算二次评价指标R2;
R2=n1/n2
n2为第二幅值区间的数据量;
步骤S4、采用以下评价标准评估T波及P波的信号质量,确定心电数据应用于T波与P波相关的参数分析的可靠性:
其中,η、μ分别为二次评价指标R2的最大阈值和最小阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527239.7A CN110403595B (zh) | 2019-06-18 | 2019-06-18 | 可穿戴式心电监测设备的信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527239.7A CN110403595B (zh) | 2019-06-18 | 2019-06-18 | 可穿戴式心电监测设备的信号质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110403595A true CN110403595A (zh) | 2019-11-05 |
CN110403595B CN110403595B (zh) | 2022-05-20 |
Family
ID=68359305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527239.7A Active CN110403595B (zh) | 2019-06-18 | 2019-06-18 | 可穿戴式心电监测设备的信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110403595B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117414140A (zh) * | 2023-12-18 | 2024-01-19 | 深圳市奋达智能技术有限公司 | 一种基于四分位法的ecg心拍识别方法 |
CN118141384A (zh) * | 2024-05-09 | 2024-06-07 | 荣耀终端有限公司 | 一种心电信号质量检测方法、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120016249A1 (en) * | 2010-07-13 | 2012-01-19 | Jie Lian | Method and device for noise detection in physiological signals |
CN108814590A (zh) * | 2018-03-23 | 2018-11-16 | 江苏华康信息技术有限公司 | 一种心电qrs波群的检测方法及其心电分析方法 |
CN109497998A (zh) * | 2018-12-14 | 2019-03-22 | 深圳和而泰数据资源与云技术有限公司 | 脑电信号质量评估方法、脑电信号采集器和头戴设备 |
-
2019
- 2019-06-18 CN CN201910527239.7A patent/CN110403595B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120016249A1 (en) * | 2010-07-13 | 2012-01-19 | Jie Lian | Method and device for noise detection in physiological signals |
CN108814590A (zh) * | 2018-03-23 | 2018-11-16 | 江苏华康信息技术有限公司 | 一种心电qrs波群的检测方法及其心电分析方法 |
CN109497998A (zh) * | 2018-12-14 | 2019-03-22 | 深圳和而泰数据资源与云技术有限公司 | 脑电信号质量评估方法、脑电信号采集器和头戴设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117414140A (zh) * | 2023-12-18 | 2024-01-19 | 深圳市奋达智能技术有限公司 | 一种基于四分位法的ecg心拍识别方法 |
CN117414140B (zh) * | 2023-12-18 | 2024-04-02 | 深圳市奋达智能技术有限公司 | 一种基于四分位法的ecg心拍识别方法 |
CN118141384A (zh) * | 2024-05-09 | 2024-06-07 | 荣耀终端有限公司 | 一种心电信号质量检测方法、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110403595B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elgendi et al. | Frequency Bands Effects on QRS Detection. | |
DK178263B1 (en) | Method and system of detecting seizures | |
US7435223B2 (en) | Identifying infants at risk for sudden infant death syndrome | |
CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
DE19942658A1 (de) | Multivariable Artefaktbeurteilung | |
Debnath et al. | Analysis of ECG signal and classification of heart abnormalities using Artificial Neural Network | |
CN106793978A (zh) | 脑功能障碍评价系统、脑功能障碍评价方法以及程序 | |
CN110403595A (zh) | 可穿戴式心电监测设备的信号质量评估方法 | |
CN105125206A (zh) | 一种智能心电监护方法及装置 | |
CN107811631A (zh) | 心电信号质量评估方法 | |
Sadek et al. | Automatic heart rate detection from FBG sensors using sensor fusion and enhanced empirical mode decomposition | |
Shi et al. | Robust assessment of ECG signal quality for wearable devices | |
Iranmanesh et al. | An ultralow-power sleep spindle detection system on chip | |
CN108460350A (zh) | 一种自学习ecg qrs波检测装置及其自学习方法 | |
Bashar et al. | Smartwatch based atrial fibrillation detection from photoplethysmography signals | |
KR101510522B1 (ko) | 심전도 신호 분류 시스템 | |
Fraser et al. | Biosignal quality analysis of surface EMG using a correlation coefficient test for normality | |
Grönlund et al. | On-line signal quality estimation of multichannel surface electromyograms | |
EP1641388B1 (en) | Devices and methods for heart-rate measurement and wrist-watch incorporating same | |
Liu et al. | Diagnosis of AF based on time and frequency features by using a hierarchical classifier | |
Escalona et al. | Electrocardiographic waveforms fitness check device technique for sudden cardiac death risk screening | |
CN114343664A (zh) | 一种基于心率刺激-恢复趋势的心肺耐力评估方法与装置 | |
Goss et al. | Dynamic metrics of heart rate variability | |
US20190374123A1 (en) | Predicting atrial fibrillation or stroke using p-wave analysis | |
Lynn et al. | Arm-ECG bipolar leads signal recovery methods for wearable long-term heart rate and rhythm monitoring |
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 |