CN110420028B - 一种基于多级姿态识别分类模型的心电图防误判方法 - Google Patents

一种基于多级姿态识别分类模型的心电图防误判方法 Download PDF

Info

Publication number
CN110420028B
CN110420028B CN201910689650.4A CN201910689650A CN110420028B CN 110420028 B CN110420028 B CN 110420028B CN 201910689650 A CN201910689650 A CN 201910689650A CN 110420028 B CN110420028 B CN 110420028B
Authority
CN
China
Prior art keywords
state
electrocardiogram
threshold
classification model
running
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
CN201910689650.4A
Other languages
English (en)
Other versions
CN110420028A (zh
Inventor
潘敏
马艺文
赵静
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910689650.4A priority Critical patent/CN110420028B/zh
Publication of CN110420028A publication Critical patent/CN110420028A/zh
Application granted granted Critical
Publication of CN110420028B publication Critical patent/CN110420028B/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Cardiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于多级姿态识别分类模型的心电图防误判方法，基于角加速度值和线加速度值，利用多级姿态识别分类模型，结合阈值法和波形特征分析，对静止、走路、跑步/跳跃、弯腰、坐下/起立状态进行快速判断，同时设定连续动作状态下的状态误判及纠正规则，提升姿态识别的准确率。本方案适用于穿戴式心电系统的数据处理。

Description

一种基于多级姿态识别分类模型的心电图防误判方法
技术领域
本发明涉及心电图数据处理领域，尤其是涉及一种基于多级姿态识别分类模型的心电图防误判方法。
背景技术
穿戴式心电检测系统能够实现连续监测、动态检测、移动接入等要求，正越来越广泛地被应用于医疗健康领域。当穿戴式心电系统在监测过程中进行连续剧烈运动时，心电信号中包含的运动伪迹可能会持续影响心电信号，导致能反应心电信号最基本特征的心博属性都被噪声淹没，期间上传至云平台后的大量心电数据都失去诊断价值，剧烈运动也可能导致ST段一段时间内的持续异常，易造成疾病误判；而在监测过程中进行偶发性的运动时，运动后出现的轻微心率变化，也容易被错误判断为病理性质的心动过速。
发明内容
本发明主要是解决现有技术所存在的运动状态会影响心电信号的诊断价值，带来误判的技术问题，提供一种对心电信号添加运动状态标记的基于多级姿态识别分类模型的心电图防误判方法。
本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于多级姿态识别分类模型的心电图防误判方法，包括以下步骤：
S1、依据人体姿态传感器检测到的数据计算线加速度的几何均值GM，如果GM小于或等于第一阈值GM1则进入步骤S2，如果GM大于第一阈值GM1且小于第二阈值GM2则进入步骤S3，如果GM大于或等于第二阈值GM2则进入步骤S4；
S2、读取人体姿态传感器检测到的X轴角加速度Gyrox，如果存在连续的幅度超过第三阈值的波峰或波谷，则判定当前动作为弯腰，对当前采集的心电图添加弯腰标记，然后返回步骤S1；如果Gyrox不存在连续的幅度超过第三阈值的波峰或波谷，则判定当前处于静止状态，直接返回步骤S1；
S3、读取人体姿态传感器检测到的Z轴线加速度Accz，如果波峰值大于第四阈值，则判定当前处于走路状态，进入步骤S5；如果Accz波峰小于或等于第四阈值，则判定当前处于坐下或起立状态，对当前采集的心电图添加起立/坐下标记，然后返回步骤S1；
S4、判定当前处于跑步/跳跃状态，然后进入步骤S5；
S5、对判别结果进行校准，然后对当前采集的心电图添加相应的标记，然后返回步骤S1。
人体姿态传感器整合了三轴线陀螺仪和三轴线加速度传感器，可以实现角加速度和线加速度信号的同步采集。人体姿态传感器一般固定在腰部，通过对其采集到的数据进行分析可以获得当前的运动状态，将运动状态标记到心电图上，可以辅助专业人员区分运动伪迹和异位心博，也可以用于采集运动状态的异常心电信号，防止出现误判。
作为优选，所述步骤5具体为：
S501、如果GM的两个相邻波峰值之间的时间差小于一个运动节拍时间，则去掉幅值较小的一个；由于阈值法是以按照一定的运动节律识别出的波峰为对象，此过程可以排除波峰误检；
S502、采用插空判断策略：如果当前运动节拍的前一个和后一个运动节拍都被识别为走路状态，在当前运动节拍被识别为跑步/跳跃状态的情况下，将当前运动节拍修正为走路状态，对当前采集的心电图添加走路标记，然后返回步骤S1；如果如果当前运动节拍的前一个和后一个运动节拍都被识别为跑步/跳跃状态，在当前运动节拍被识别为走路状态的情况下，将当前运动节拍修正为跑步/跳跃状态，对当前采集的心电图添加跑步/跳跃标记，然后返回步骤S1；如果当前运动状态与前一个或后一个运动节拍相同，则依照依照当前运动状态对心电图添加标记以后返回步骤S1；该策略可以降低由运动幅度的偶然变化引起的错误判断的发生。
作为优选，所述几何均值GM的依照以下公式计算：
Figure GDA0002805826500000031
其中，Accx是人体姿态传感器检测到的X轴线加速度，Accy是人体姿态传感器检测到的Y轴线加速度，Accz是人体姿态传感器检测到的Z轴线加速度。
作为优选，所述第一阈值GM1为0.8g，第二阈值GM2为1.2g。
作为优选，所述第三阈值为±500°/sec。
作为优选，所述第四阈值为1.5g。
静止和弯腰状态时，向量幅值GM均在最小值附近波动，均小于0.8g，故先后以GM幅值和角加速度Gyrox为判断对象，可以判断出静止和弯腰状态。
在弯腰状态时，相当于上半身绕着X轴依次进行了两个方向的旋转，Gyrox依次出现正向和负向的变化；在静止状态时，角加速度Gyrox则在零值附近。
在走路和坐下/起立状态时，Z轴的线加速度会随着步调而上下波动，向量幅值GM均在0.8g到1.2g之间。故先后以向量幅值GM和Z轴线加速度Accz为判断对象，能够识别出行走和坐下/站立。
在坐下/起立状态时，上半身先前倾再恢复直立，身体在垂直方向上移动，引起Z轴线加速度Accz的变化，Accz的波峰值小于1.5g；在走路状态时，Z轴线加速度Accz的变化幅度更大，Accz的波峰值大于1.5g。
跑步和跳跃状态都属于剧烈运动，向量幅值GM均大于1.2g。
作为优选，所述步骤S501中，一个运动节拍时间为0.5秒。
本方案基于角加速度值和线加速度值，利用多级姿态识别分类模型，结合阈值法和波形特征分析，对静止、走路、跑步/跳跃、弯腰、坐下/起立状态进行快速判断，同时设定连续动作状态下的状态误判及纠正规则，提升姿态识别的准确率。
本发明带来的实质性效果是，对静止、走路、跑步/跳跃、弯腰、坐下/起立等运动状态进行快速判断，并用于穿戴式心电系统采集到的心电信号的防误判状态标记，辅助专业人员区分运动伪迹和异位心博，为后台数据的分析和应用提供了分类基础。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种基于多级姿态识别分类模型的心电图防误判方法，如图1所示，包括以下步骤：
S1、依据人体姿态传感器检测到的数据计算线加速度的几何均值GM，如果GM小于或等于第一阈值GM1则进入步骤S2，如果GM大于第一阈值GM1且小于第二阈值GM2则进入步骤S3，如果GM大于或等于第二阈值GM2则进入步骤S4；
S2、读取人体姿态传感器检测到的X轴角加速度Gyrox，如果存在连续的幅度超过第三阈值的波峰或波谷，则判定当前动作为弯腰，对当前采集的心电图添加弯腰标记，然后返回步骤S1；如果Gyrox不存在连续的幅度超过第三阈值的波峰或波谷，则判定当前处于静止状态，直接返回步骤S1；
S3、读取人体姿态传感器检测到的Z轴线加速度Accz，如果波峰值大于第四阈值，则判定当前处于走路状态，进入步骤S5；如果Accz波峰小于或等于第四阈值，则判定当前处于坐下或起立状态，对当前采集的心电图添加起立/坐下标记，然后返回步骤S1；
S4、判定当前处于跑步/跳跃状态，然后进入步骤S5；
S5、对判别结果进行校准，然后对当前采集的心电图添加相应的标记，然后返回步骤S1。
人体姿态传感器整合了三轴线陀螺仪和三轴线加速度传感器，可以实现角加速度和线加速度信号的同步采集。人体姿态传感器一般固定在腰部，通过对其采集到的数据进行分析可以获得当前的运动状态，将运动状态标记到心电图上，可以辅助专业人员区分运动伪迹和异位心博，也可以用于采集运动状态的异常心电信号，防止出现误判。
步骤5具体为：
S501、如果GM的两个相邻波峰值之间的时间差小于一个运动节拍时间，则去掉幅值较小的一个；由于阈值法是以按照一定的运动节律识别出的波峰为对象，此过程可以排除波峰误检；
S502、采用插空判断策略：如果当前运动节拍的前一个和后一个运动节拍都被识别为走路状态，在当前运动节拍被识别为跑步/跳跃状态的情况下，将当前运动节拍修正为走路状态，对当前采集的心电图添加走路标记，然后返回步骤S1；如果如果当前运动节拍的前一个和后一个运动节拍都被识别为跑步/跳跃状态，在当前运动节拍被识别为走路状态的情况下，将当前运动节拍修正为跑步/跳跃状态，对当前采集的心电图添加跑步/跳跃标记，然后返回步骤S1；如果当前运动状态与前一个或后一个运动节拍相同，则依照依照当前运动状态对心电图添加标记以后返回步骤S1；该策略可以降低由运动幅度的偶然变化引起的错误判断的发生。
几何均值GM的依照以下公式计算：
Figure GDA0002805826500000051
其中，Accx是人体姿态传感器检测到的X轴线加速度，Accy是人体姿态传感器检测到的Y轴线加速度，Accz是人体姿态传感器检测到的Z轴线加速度。
第一阈值GM1为0.8g，第二阈值GM2为1.2g。第三阈值为±500°/sec。第四阈值为1.5g。
静止和弯腰状态时，向量幅值GM均在最小值附近波动，均小于0.8g，故先后以GM幅值和角加速度Gyrox为判断对象，可以判断出静止和弯腰状态。
在弯腰状态时，相当于上半身绕着X轴依次进行了两个方向的旋转，Gyrox依次出现正向和负向的变化；在静止状态时，角加速度Gyrox则在零值附近。
在走路和坐下/起立状态时，Z轴的线加速度会随着步调而上下波动，向量幅值GM均在0.8g到1.2g之间。故先后以向量幅值GM和Z轴线加速度Accz为判断对象，能够识别出行走和坐下/站立。
在坐下/起立状态时，上半身先前倾再恢复直立，身体在垂直方向上移动，引起Z轴线加速度Accz的变化，Accz的波峰值小于1.5g；在走路状态时，Z轴线加速度Accz的变化幅度更大，Accz的波峰值大于1.5g。
跑步和跳跃状态都属于剧烈运动，向量幅值GM均大于1.2g。
所述步骤S501中，一个运动节拍时间为0.5秒。
本方案基于角加速度值和线加速度值，利用多级姿态识别分类模型，结合阈值法和波形特征分析，对静止、走路、跑步/跳跃、弯腰、坐下/起立状态进行快速判断，同时设定连续动作状态下的状态误判及纠正规则，提升姿态识别的准确率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了几何均值、角加速度等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (6)

1.一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，包括以下步骤：
S1、依据人体姿态传感器检测到的数据计算线加速度的几何均值GM，如果GM小于或等于第一阈值GM1则进入步骤S2，如果GM大于第一阈值GM1且小于第二阈值GM2则进入步骤S3，如果GM大于或等于第二阈值GM2则进入步骤S4；
S2、读取人体姿态传感器检测到的X轴角加速度Gyrox，如果存在连续的幅度超过第三阈值的波峰或波谷，则判定当前动作为弯腰，对当前采集的心电图添加弯腰标记，然后返回步骤S1；如果Gyrox不存在连续的幅度超过第三阈值的波峰或波谷，则判定当前处于静止状态，直接返回步骤S1；
S3、读取人体姿态传感器检测到的Z轴线加速度Accz，如果波峰值大于第四阈值，则判定当前处于走路状态，进入步骤S5；如果Accz波峰小于或等于第四阈值，则判定当前处于坐下或起立状态，对当前采集的心电图添加起立/坐下标记，然后返回步骤S1；
S4、判定当前处于跑步/跳跃状态，然后进入步骤S5；
S5、对判别结果进行校准，然后对当前采集的心电图添加相应的标记，然后返回步骤S1；
所述步骤5具体为：
S501、如果GM的两个相邻波峰值之间的时间差小于一个运动节拍时间，则去掉幅值较小的一个；
S502、采用插空判断策略：如果当前运动节拍的前一个和后一个运动节拍都被识别为走路状态，在当前运动节拍被识别为跑步/跳跃状态的情况下，将当前运动节拍修正为走路状态，对当前采集的心电图添加走路标记，然后返回步骤S1；如果如果当前运动节拍的前一个和后一个运动节拍都被识别为跑步/跳跃状态，在当前运动节拍被识别为走路状态的情况下，将当前运动节拍修正为跑步/跳跃状态，对当前采集的心电图添加跑步/跳跃标记，然后返回步骤S1；如果当前运动状态与前一个或后一个运动节拍相同，则依照依照当前运动状态对心电图添加标记以后返回步骤S1。
2.根据权利要求1所述的一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，所述几何均值GM的依照以下公式计算：
Figure FDA0002805826490000021
其中，Accx是人体姿态传感器检测到的X轴线加速度，Accy是人体姿态传感器检测到的Y轴线加速度，Accz是人体姿态传感器检测到的Z轴线加速度。
3.根据权利要求1所述的一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，所述第一阈值GM1为0.8g，第二阈值GM2为1.2g。
4.根据权利要求3所述的一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，所述第三阈值为±500°/sec2。
5.根据权利要求4所述的一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，所述第四阈值为1.5g。
6.根据权利要求1所述的一种基于多级姿态识别分类模型的心电图防误判方法，其特征在于，所述步骤S501中，一个运动节拍时间为0.5秒。
CN201910689650.4A 2019-07-29 2019-07-29 一种基于多级姿态识别分类模型的心电图防误判方法 Active CN110420028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910689650.4A CN110420028B (zh) 2019-07-29 2019-07-29 一种基于多级姿态识别分类模型的心电图防误判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910689650.4A CN110420028B (zh) 2019-07-29 2019-07-29 一种基于多级姿态识别分类模型的心电图防误判方法

Publications (2)

Publication Number Publication Date
CN110420028A CN110420028A (zh) 2019-11-08
CN110420028B true CN110420028B (zh) 2021-02-09

Family

ID=68412896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910689650.4A Active CN110420028B (zh) 2019-07-29 2019-07-29 一种基于多级姿态识别分类模型的心电图防误判方法

Country Status (1)

Country Link
CN (1) CN110420028B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207850390U (zh) * 2017-12-26 2018-09-11 北京风语智格物联科技有限公司 一种人体弯腰姿态识别装置
CN109549649A (zh) * 2018-11-19 2019-04-02 东南大学 一种检测颈部活动的可穿戴式设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101721206B (zh) * 2009-12-11 2011-08-03 无锡市吉天通信科技有限公司 具有人体运动状态及姿态检测功能的动态心电图装置
CN104545936A (zh) * 2014-12-31 2015-04-29 戴晓伟 腰部姿态检测方法及检测结果的触觉反馈方法
KR101949163B1 (ko) * 2016-12-07 2019-02-19 한국생산기술연구원 웨어러블 장치를 이용한 사용자 움직임에 따른 정보 제공 장치, 방법 및 전자장치
CN108244744B (zh) * 2016-12-29 2021-06-08 中国移动通信有限公司研究院 一种运动状态识别的方法、鞋底及鞋
CN107343789B (zh) * 2017-05-17 2020-04-14 浙江利尔达物芯科技有限公司 一种基于三轴加速度传感器的脚步运动识别方法
CN108154112B (zh) * 2017-12-22 2022-10-21 联想(北京)有限公司 一种处理心电数据的方法、处理心电数据的装置及电子设备
CN108652637B (zh) * 2018-06-30 2024-04-12 源珈力医疗器材国际贸易（上海）有限公司 一种穿戴式跌倒预测防护系统及其预测方法
CN109828658B (zh) * 2018-12-17 2022-03-08 彭晓东 一种人机共融的远程态势智能感知系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207850390U (zh) * 2017-12-26 2018-09-11 北京风语智格物联科技有限公司 一种人体弯腰姿态识别装置
CN109549649A (zh) * 2018-11-19 2019-04-02 东南大学 一种检测颈部活动的可穿戴式设备

Also Published As

Publication number Publication date
CN110420028A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN105578960B (zh) 用于处理生理信号的处理装置、处理方法和系统
US9523706B2 (en) Posture sensor automatic calibration
JP6129082B2 (ja) 生理学的信号を監視する監視装置
JP5218139B2 (ja) 血圧測定装置及びプログラム並びに記録媒体
US20160220122A1 (en) Physiological characteristics determinator
JP2006263354A (ja) 人体の個体情報取得装置、血圧測定装置および脈波信号解析装置
CN103153177A (zh) 搏动周期计算装置及包括该搏动周期计算装置的生物传感器
CN109803580B (zh) 生物信号，特别是心电图的监测
CN109893111B (zh) 一种动态血压测量模式选择方法及装置
JP2009089829A (ja) 生体状態推定装置及びプログラム並びに記録媒体
US9078575B2 (en) Heartbeat categorization
WO2017150156A1 (ja) 心拍検出方法および心拍検出装置
Song et al. New real-time heartbeat detection method using the angle of a single-lead electrocardiogram
US10939875B2 (en) Optimized real peak detection in cyclic biological data signals
KR101977745B1 (ko) 심장 부정맥을 분류하기 위한 방법 및 장치
Paraschiv-Ionescu et al. Real-world speed estimation using single trunk IMU: methodological challenges for impaired gait patterns
El-Gohary et al. Joint angle tracking with inertial sensors
CN115100159A (zh) 一种呼吸状态检测方法、装置、设备和存储介质
CN110420028B (zh) 一种基于多级姿态识别分类模型的心电图防误判方法
Smaoui et al. Single scale CWT algorithm for ECG beat detection for a portable monitoring system
Leutheuser et al. Instantaneous P-and T-wave detection: Assessment of three ECG fiducial points detection algorithms
Li et al. An approach of heartbeat segmentation in seismocardiogram by matched-filtering
CN110279411A (zh) 一种心脏数据异常检测方法、装置、存储介质及终端设备
Hurnanen et al. Heartbeat detection using multidimensional cardiac motion signals and dynamic balancing
WO2020012807A1 (ja) 生体情報処理装置及び生体情報処理方法

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