CN110464333A - 一种心电图数据的存储方法及装置 - Google Patents
一种心电图数据的存储方法及装置 Download PDFInfo
- Publication number
- CN110464333A CN110464333A CN201910665895.3A CN201910665895A CN110464333A CN 110464333 A CN110464333 A CN 110464333A CN 201910665895 A CN201910665895 A CN 201910665895A CN 110464333 A CN110464333 A CN 110464333A
- Authority
- CN
- China
- Prior art keywords
- ecg data
- classification
- classification collection
- data segment
- heart rhythm
- 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
- A61B5/24—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)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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
本发明公开了一种心电图数据的存储方法及装置，所述方法包括：获取监测的心电图原始数据，将所述心电图原始数据划分为多个心电图数据片段，根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，大大缩减存储相似心电图数据片段，节省存储空间，避免数据冗余。
Description
技术领域
本发明涉及医学技术领域，尤其涉及一种心电图数据的存储方法及装置。
背景技术
心电图(electrocardiogram，ECG)，指心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。心电图是反映心脏兴奋的电活动过程，它对心脏基本功能及其病理研究方面，具有重要的参考价值。心电图可以分析与鉴别各种心律失常，也可以反映心肌受损的程度和发展过程和心房、心室的功能结构情况。在指导心脏手术进行及指示必要的药物处理上有参考价值。
在心电图检测和识别领域，心电图数据作为输入数据输入心电图的检测和识别算法中。为了提高检测和识别的准确率，需要心电图数据的数据量足够大，其次包含的信息量也要足够多，可见，心电图数据库需要存储海量数据以确保输入数据包含足够多的信息特征。
目前，心电图数据库存储心电图数据时，所采取的步骤是：先获取Holter数据，检测出Holter数据中的QRS波；然后根据检测出的QRS波位置，将Holter数据划分为所有的心电图数据片段；最后将所有心电图数据片段全部保存至心电图数据库。这种存储心电图数据方法的优点有：步骤简单、流程清晰，但存在缺点：当存在几十个甚至上百个Holter数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余。
发明内容
有鉴于此，本发明提供了一种心电图数据的存储方法及装置，用于解决现有技术中存储心电图数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余的问题。
为达上述之一或部分或全部目的或是其他目的，本发明实施例的第一方面提供了一种心电图数据的存储方法，包括：
获取监测的心电图原始数据；
将所述心电图原始数据划分为多个心电图数据片段；
根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
在其中一个实施例中，所述根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，包括：
获取不同形态的形态模板，每个形态模板对应一个形态分类集；
匹配每个心电图数据片段的形态与所述形态模板的形态；
将所有心电图数据片段分类至与心电图数据片段的形态相匹配的形态模板对应的形态分类集。
在其中一个实施例中，所述将所述心电图原始数据划分为多个心电图数据片段，包括：
对所述心电图原始数据进行QRS波检测，获取所有R波所在时刻点；
根据所有R波所在时刻点和预设时长对所述心电图原始数据进行划分，得到多个心电图数据片段，其中，所有心电图数据片段的时长相等，所有心电图数据片段的R波所在时刻点不同，每个心电图数据片段的R波位于当前心电图数据片段的中心时刻点。
在其中一个实施例中，所述分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，分别将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，包括：
在所述心电图原始数据中获取每个心电图数据片段的R波与前一个R波之间的长度，作为前RR波间期；
在所述心电图原始数据中获取每个心电图数据片段的R波与后一个R波之间的长度，作为后RR波间期；
分别为每个形态分类集建立一个平面直角坐标系；
将当前形态分类集包含的每个心电图数据片段的前RR波间期作为x、后RR波间期作为y，在当前形态分类集对应的平面直角坐标系中绘制点(x，y)，确定所述绘制点为每个心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点；
根据当前形态分类集包含的心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点的分布，将当前形态分类集包含的心电图数据片段分类到对应的心律分类集，以使每个形态分类集包含的心电图数据片段分类到对应的心律分类集。
在其中一个实施例中，所述根据当前形态分类集包含的心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点的分布，将当前形态分类集包含的心电图数据片段分类到对应的心律分类集，包括：
根据预设网格宽度对当前形态分类集对应的平面直角坐标系进行网格划分；
分别将位于同一个网格中的映射点对应的心电图数据片段划分为一个心律分类集，以使当前形态分类集包含的心电图数据片段分类到对应的心律分类集。
在其中一个实施例中，所述对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，包括：
分别获取每个网格的采样数；
根据所述采样数，在每个网格包括的所有映射点中采样相应个数的映射点，得到与每个形态分类集的每个心律分类集对应的采样结果。
在其中一个实施例中，所述确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，包括：
将所述形态模板、所述所有R波所在时刻点、所述预设时长确定为分类信息；
将每个心律分类集包含的心电图数据片段的个数确定为心律分类集元素个数，每个心律分类集包含的所有心电图数据片段的长度之和确定为心律分类集元素长度，将每个心律分类集包含的心电图数据片段的导联数确定为心律分类集导联数，将所述心律分类集元素个数、所述心律分类集元素长度和所述心律分类集导联数确定为心律分类集信息；
将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
本发明实施例的第二方面提供了一种心电图数据的存储装置，包括：
获取模块，用于获取监测的心电图原始数据；
划分模块，用于将所述心电图原始数据划分为多个心电图数据片段；
分类模块，用于根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
所述分类模块，还用于分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
采样模块，用于对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
存储模块，用于确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
本发明实施例的第三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如上述所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，包括：
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述所述方法的步骤。
本发明提供了一种心电图数据的存储方法及装置，所述方法包括：获取监测的心电图原始数据，将所述心电图原始数据划分为多个心电图数据片段，根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，大大缩减了存储相似心电图数据片段，节省了存储空间，避免了数据冗余，解决了现有技术中存储心电图数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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是本发明实施例一提供的一种心电图数据的存储方法的实现流程示意图；
图2(1)是本发明实施例二提供的另一种心电图数据的存储方法的实现流程示意图；
图2(2)所示形态分类集示意图；
图3(1)是图2(1)所示实施例二的步骤27的细化步骤流程示意图；
图3(2)所示心律分类集示意图；
图4是图2(1)所示实施例二的步骤28的细化步骤流程示意图；
图5是图2(1)所示实施例二的步骤29的细化步骤流程示意图；
图6是本发明实施例六提供的一种心电图数据的存储装置的示意图；
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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是本发明实施例一提供的一种心电图数据的存储方法的实现流程示意图，如图1所示，本实施例提供的心电图数据的存储方法包括以下步骤：
步骤11、获取监测的心电图原始数据。
通过持续监测，获取被监测用户的动态心电图数据，动态心电图数据是通过动态心电图仪在被监测用户的日常生活状态下连续24小时或更长时间记录其心电活动的全过程，相比常规的一次测量心电图，动态心电图数据的信息更全面，包含的信息量足够多，可在后续检测识别时提取足够全面的信息特征，提高判断准确度，可发现在常规体表心电图测量时不易发现的心律失常和心肌缺血等表征，为临床诊断、治疗及检测识别提供重要的客观依据。
本实施例中，可采用Holter动态心电图仪连续监控被监测用户的动态心电图，获取该用户日常生活状态下连续24小时的心电图数据，将获取的数据作为心电图原始数据。
步骤12、将所述心电图原始数据划分为多个心电图数据片段。
获取的动态心电图原始数据，其数据量可达十万级，为方便在数据库中进行存储，将其按照心搏进行分段处理，将每一心搏划分为一个心电图数据片段，从而得到多个心电图数据片段。
步骤13、根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集。
由于不同的心电图数据片段包含的信息不同，在存储时可根据心电图的不同形态表征进行分类存储，据此，根据预设的形态模板对划分的所有心电图数据片段进行分类，每一种形态模板对应设置一形态分类集，将与当前形态模板相匹配的心电图数据片段分类到该形态模板对应的形态分类集中，得到若干个不同形态的形态分类集，从而完成心搏形态分类。
步骤14、分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集。
在心搏形态分类的基础上，再将心搏形态分类得到的形态分类集进行心律分类。心律就是指心跳的节奏。正常人的心脏跳动是由一个称为“窦房结”的高级司令部指挥，窦房结发出信号刺激心脏跳动，这种来自窦房结信号引起的心脏跳动，就称为正常的“窦性心律”，频率每分钟约为60～100次。每分钟心跳的次数即心律。健康的心律应该是十分均匀的，心脏病或心脏神经调节功能不正常时，可出现心律不齐或心律失常。
根据心律对每个形态分类集包含的所有心电图数据片段再进行分类，将每个形态分类集再分类为多个心律分类集，每个心律分类集中的心跳频率相近。
步骤15、对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果。
每个形态分类集中的心电图数据片段的形态一致，每个形态分类集再分类后得到的心律分类集中的心电图数据片段的心跳频率相近，因此，对心律分类集进行采样，采样得到的心电图数据片段的形态、心跳频率等特征，与被采样的心律分类集的特征相符，据此，对所有形态分类集包含的所有心律分类集进行采样，可大大减少心电图数据片段的数据量。
步骤16、确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
根据心电图原始数据进行分类的分类信息、心律分类集信息，以及采样结果进行存储，根据分类信息、心律分类集信息以及采样结果，逆向可得到与心电图原始数据表现特征、数据量均相同的十万级心电图数据，不缩减特征的对心电图原始数据进行采样，减少了存储相似心电图数据片段，节省了存储空间，避免了数据冗余。
本实施例提供了一种心电图数据的存储方法，包括：获取监测的心电图原始数据，将所述心电图原始数据划分为多个心电图数据片段，根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，大大缩减了存储相似心电图数据片段，节省了存储空间，避免了数据冗余，解决了现有技术中存储心电图数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余的问题。
图2(1)是本发明实施例二提供的另一种心电图数据的存储方法的实现流程示意图，如图2(1)所示，本实施例提供的心电图数据的存储方法包括以下步骤：
步骤21、获取监测的心电图原始数据。
本实施例中的步骤21、步骤27至步骤29，分别对应实施例一中的步骤11、步骤14至步骤16，参见实施例一中步骤11、步骤14至步骤16中相应的阐述，本实施例中不再赘述。
本实施例中步骤22、步骤23是实施例一中步骤12的细化步骤，为步骤12的一种可能的实现方式。本实施例中，所述将所述心电图原始数据划分为多个心电图数据片段，具体的：
步骤22、对所述心电图原始数据进行QRS波检测，获取所有R波所在时刻点。
QRS波群反映左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波，自QRS波群起点至QRS波群终点的时间为QRS时限。根据该特征对心电图原始数据进行QRS波检测，从而获取心电图原始数据中所有R波所在时刻点，即R波在心电图原始数据中的位置。根据每个心电图数据片段存在且唯一存在一个R波，以此对原始数据进行切分。
不同时刻的R波，可以以时间来标记区分，例如，位于18时16分43.5秒的R波，也可以以样本点位置来标记区分，如位于第16813个样本点位置上的R波。本实施例优选时间标记的方式，便于快速查找。
步骤23、根据所有R波所在时刻点和预设时长对所述心电图原始数据进行划分，得到多个心电图数据片段，其中，所有心电图数据片段的时长相等，所有心电图数据片段的R波所在时刻点不同，每个心电图数据片段的R波位于当前心电图数据片段的中心时刻点。
根据R波所在时刻点，以预设时长将心电图原始数据进行划分，得到的所有心电图数据片段的时长均等于预设时长。该预设时长可以为预设的初始值，也可以为用户自己设置的值。
心电图原始数据中R波的数量等于划分得到的心电图数据片段的数量，每个心电图数据片段存在且唯一存在一个R波，R波所在位置位于心电图数据片段的中心时刻点，即心电图数据片段的起始点时刻到R波所在时刻的时长等于R波所在时刻到心电图数据片段的终止点时刻的时长，等于1/2预设时长。例如，预设时长为0.3s(秒)，心电图数据片段的时长为0.3s，R波的前后均为0.15s。
不同的心电图数据片段是由R波确定的，本实施例以时间标记R波，从而确定心电图数据片段。
本实施例中步骤24至步骤26是实施例一中步骤13的细化步骤，为步骤13的一种可能的实现方式。本实施例中，所述根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，具体的：
步骤24、获取不同形态的形态模板，每个形态模板对应一个形态分类集。
心电图数据片段根据形态可分为不同的类型，例如，将ST段抬高的作为一类，该类型的形态模板即表征为ST段抬高。预先根据形态设定不同的形态模板，每个形态模板对应一个形态分类集。
步骤25、匹配每个心电图数据片段的形态与所述形态模板的形态。
根据设定的形态模板，将所有心电图数据片段与这些模板一一对比，若当前进行匹配的心电图数据片段与第一个形态模板最为匹配，则将其分类至该形态模板对应的集合中，得到形态分类集。每一个心电图数据片段只可能与一个形态模板相匹配。
步骤26、将所有心电图数据片段分类至与心电图数据片段的形态相匹配的形态模板对应的形态分类集。
将所有心电图数据片段一一进行匹配，均归类到其中一个形态模板对应的形态分类集中。如图2(2)所示形态分类集示意图，为根据6种不同形态的形态模板匹配的结果，每个方框图为一个形态模板对应的形态分类集，实现了一次分类，将形态相近的心电图数据片段分为一类，可提高对形态相近心电图数据片段的检索效率，避免数据的重复比较，节省计算开销。
步骤27、分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集。
步骤28、对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果。
步骤29、确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
本实施例提供了一种心电图数据的存储方法，包括：获取监测的心电图原始数据，对所述心电图原始数据进行QRS波检测，获取所有R波所在时刻点，根据所有R波所在时刻点和预设时长对所述心电图原始数据进行划分，得到多个心电图数据片段，其中，所有心电图数据片段的时长相等，所有心电图数据片段的R波所在时刻点不同，每个心电图数据片段的R波位于当前心电图数据片段的中心时刻点，获取不同形态的形态模板，每个形态模板对应一个形态分类集，匹配每个心电图数据片段的形态与所述形态模板的形态，将所有心电图数据片段分类至与心电图数据片段的形态相匹配的形态模板对应的形态分类集，分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，大大缩减了存储相似心电图数据片段，节省了存储空间，避免了数据冗余，解决了现有技术中存储心电图数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余的问题。
图3(1)是图2(1)所示实施例二的步骤27的细化步骤流程示意图，本实施例三是在实施例二的基础上实现的，如图3(1)所示，本实施例三提供的所述心电图数据的存储方法，其中所述分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，分别将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，具体包括以下步骤：
步骤301、在所述心电图原始数据中获取每个心电图数据片段的R波与前一个R波之间的长度，作为前RR波间期。
步骤302、在所述心电图原始数据中获取每个心电图数据片段的R波与后一个R波之间的长度，作为后RR波间期。
心电图纸被网格线分割成大大小小的方块格。小方块格是1mm×1mm的正方形，大方块格是5mm×5mm的正方形，一个大格内包含25个小格。心电图纸上横线表明宽度或距离，代表时间概念，1小方格宽度代表0.04s，1大方块格宽度代表0.20s。
RR波间期是心电图上QRS波群中相邻的R波与R波之间的距离。心律即心脏的节奏，心律快时RR波间期小，心律慢时RR波间期大。心律快时心电图数据片段的长度短，心律慢时心电图数据片段的长度长，因此，可根据心电图数据片段的长度进行心律判断，从而进行分类，得到心律分类集。
本实施例中，前RR波间期，是由前一个心搏的R波和当前心搏的R波计算得到的，该两个R波之间的长度可由大/小方块格的个数表示。后RR波间期是由当前心搏的R波和后一个心搏的R波计算得到的，该两个R波之间的长度可由大/小方块格的个数表示。
步骤303、分别为每个形态分类集建立一个平面直角坐标系。
如为图2(2)所示的6个形态分类集分别建立平面直角坐标系。
步骤304、将当前形态分类集包含的每个心电图数据片段的前RR波间期作为x、后RR波间期作为y，在当前形态分类集对应的平面直角坐标系中绘制点(x，y)，确定所述绘制点为每个心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点。
在步骤303建立的直角坐标系中描绘当前形态分类集包含的所有心电图数据片段的映射点，映射点即为以前RR波间期为x值，后RR波间期为y值，绘制的点(x，y)。
步骤305、根据当前形态分类集包含的心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点的分布，将当前形态分类集包含的心电图数据片段分类到对应的心律分类集，以使每个形态分类集包含的心电图数据片段分类到对应的心律分类集。
对绘制的所有点根据其分布进行分类，得到不同心律对应的心律分类集。具体如图3(2)所示心律分类集示意图：首先根据预设网格宽度(如0.2s)对当前形态分类集对应的平面直角坐标系进行网格划分，分别将位于同一个网格中的映射点对应的心电图数据片段划分为一个心律分类集，以使当前形态分类集包含的心电图数据片段分类到对应的心律分类集，每个网格即为一个心律分类集，得到的每个心律分类集中的心跳频率相近，从而提高了对形态及心律相近心电图数据片段的检索效率，避免数据的重复比较，节省计算开销。
图4是图2(1)所示实施例二的步骤28的细化步骤流程示意图，本实施例四是在实施例三的基础上实现的，如图4所示，本实施例四提供的所述对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，具体包括以下步骤：
步骤401、分别获取每个网格的采样数。
具体采样时，所有网格可以使用同一采样数，也可采用不同的采样数，例如，根据比例采样：若当前网格中包含的映射点较多，说明该心律下的心电图数据片段的数量多，若当前网格中包含的映射点较少，说明该心律下的心电图数据片段的数量少，根据网格中包含映射点数量的比例进行采样，可使得采样前后心电图数据片段的心律分布大体一致。
若采用相同的采样数进行采样时，若采样数小于或等于当前心律分类集包含的心电图数据片段的个数，则采样结果的个数等于采样数；若采样数大于当前心律分类集包含的心电图数据片段的个数，则采样结果为该心律分类集中所有的心电图数据片段，采样结果的个数小于采样数。
步骤402、根据所述采样数，在每个网格包括的所有映射点中采样相应个数的映射点，得到与每个形态分类集的每个心律分类集对应的采样结果。
根据当前心律分类集确定的采样数，在其中采集相应个数的映射点，得到最终将存储至数据库的心电图数据片段。本实施例通过对所有形态分类集包含的所有心律分类集进行采样，大大减少了预存储的心电图数据片段的数据量，同时没有缩减心电图原始数据中包含的特征，通过采样减少了存储相似心电图数据片段，节省了存储空间，避免了数据冗余。
图5是图2(1)所示实施例二的步骤29的细化步骤流程示意图，本实施例五是在实施例四的基础上实现的，如图5所示，本实施例五提供的所述确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，具体包括以下步骤：
步骤501、将所述形态模板、所述所有R波所在时刻点、所述预设时长确定为分类信息。
确定得到采样结果时中间进行分类时所采用的分类信息，将分类信息同时保存至数据库，由于采样结果与心电图原始数据的特征保持一直，因此可根据存储的少量心电图数据片段逆向推测心电图原始数据数据。
步骤502、将每个心律分类集包含的心电图数据片段的个数确定为心律分类集元素个数，每个心律分类集包含的所有心电图数据片段的长度之和确定为心律分类集元素长度，将每个心律分类集包含的心电图数据片段的导联数确定为心律分类集导联数，将所述心律分类集元素个数、所述心律分类集元素长度和所述心律分类集导联数确定为心律分类集信息。
步骤503、将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
将分类信息、心律分类集信息和采样结果进行保存。与现有的保存心电图原始数据的所有心电图数据片段相比，本实施例的存储方式，大大缩减了存储相似心电图数据片段，节省了存储空间，避免了数据冗余，解决了现有技术中存储心电图数据时，划分得到的心电图数据片段数量太多，占用存储空间大，导致输入心电图检测和识别算法时处理速度缓慢，同时由于划分的心电图数据片段中存在大量的相似片段，存在数据冗余的问题。
图6是本发明实施例六提供的一种心电图数据的存储装置的示意图，如图6所示，本实施例提供的心电图数据的存储装置，包括以下模块：
获取模块61，用于获取监测的心电图原始数据；
划分模块62，用于将所述心电图原始数据划分为多个心电图数据片段；
分类模块63，用于根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
所述分类模块63，还用于分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
采样模块64，用于对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
存储模块65，用于确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
本实施例六提供的一种心电图数据的存储装置，用于实现实施例一所述的心电图数据的存储方法，其中各个模块的功能可以参考方法实施例中相应的描述，其实现原理和技术效果类似，此处不再赘述。
图7是本发明实施例七提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序82，例如心电图数据的存储程序。所述处理器70执行所述计算机程序72时实现上述各个心电图数据的存储方法实施例中的步骤，例如图1所示的步骤11至16。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块的功能，例如图6所示模块61至65的功能。
示例性的，所述计算机程序72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71中，并由所述处理器70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72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成获取模块、划分模块、分类模块、采样模块和存储模块(虚拟装置中的单元模块)，各模块具体功能如下：
获取模块，用于获取监测的心电图原始数据；
划分模块，用于将所述心电图原始数据划分为多个心电图数据片段；
分类模块，用于根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
所述分类模块，还用于分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
采样模块，用于对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
存储模块，用于确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7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，例如所述终端设备7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70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。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7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，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备7所需的其他程序和数据。所述存储器71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，即将所述终端设备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/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。
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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种心电图数据的存储方法，其特征在于，包括：
获取监测的心电图原始数据；
将所述心电图原始数据划分为多个心电图数据片段；
根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
2.根据权利要求1所述的方法，其特征在于，所述根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集，包括：
获取不同形态的形态模板，每个形态模板对应一个形态分类集；
匹配每个心电图数据片段的形态与所述形态模板的形态；
将所有心电图数据片段分类至与心电图数据片段的形态相匹配的形态模板对应的形态分类集。
3.根据权利要求2所述的方法，其特征在于，所述将所述心电图原始数据划分为多个心电图数据片段，包括：
对所述心电图原始数据进行QRS波检测，获取所有R波所在时刻点；
根据所有R波所在时刻点和预设时长对所述心电图原始数据进行划分，得到多个心电图数据片段，其中，所有心电图数据片段的时长相等，所有心电图数据片段的R波所在时刻点不同，每个心电图数据片段的R波位于当前心电图数据片段的中心时刻点。
4.根据权利要求3所述的方法，其特征在于，所述分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，分别将每个形态分类集包含的心电图数据片段分类到对应的心律分类集，包括：
在所述心电图原始数据中获取每个心电图数据片段的R波与前一个R波之间的长度，作为前RR波间期；
在所述心电图原始数据中获取每个心电图数据片段的R波与后一个R波之间的长度，作为后RR波间期；
分别为每个形态分类集建立一个平面直角坐标系；
将当前形态分类集包含的每个心电图数据片段的前RR波间期作为x、后RR波间期作为y，在当前形态分类集对应的平面直角坐标系中绘制点(x，y)，确定所述绘制点为每个心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点；
根据当前形态分类集包含的心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点的分布，将当前形态分类集包含的心电图数据片段分类到对应的心律分类集，以使每个形态分类集包含的心电图数据片段分类到对应的心律分类集。
5.根据权利要求4所述的方法，其特征在于，所述根据当前形态分类集包含的心电图数据片段在当前形态分类集对应的平面直角坐标系中的映射点的分布，将当前形态分类集包含的心电图数据片段分类到对应的心律分类集，包括：
根据预设网格宽度对当前形态分类集对应的平面直角坐标系进行网格划分；
分别将位于同一个网格中的映射点对应的心电图数据片段划分为一个心律分类集，以使当前形态分类集包含的心电图数据片段分类到对应的心律分类集。
6.根据权利要求5所述的方法，其特征在于，所述对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果，包括：
分别获取每个网格的采样数；
根据所述采样数，在每个网格包括的所有映射点中采样相应个数的映射点，得到与每个形态分类集的每个心律分类集对应的采样结果。
7.根据权利要求6所述的方法，其特征在于，所述确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库，包括：
将所述形态模板、所述所有R波所在时刻点、所述预设时长确定为分类信息；
将每个心律分类集包含的心电图数据片段的个数确定为心律分类集元素个数，每个心律分类集包含的所有心电图数据片段的长度之和确定为心律分类集元素长度，将每个心律分类集包含的心电图数据片段的导联数确定为心律分类集导联数，将所述心律分类集元素个数、所述心律分类集元素长度和所述心律分类集导联数确定为心律分类集信息；
将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
8.一种心电图数据的存储装置，其特征在于，包括：
获取模块，用于获取监测的心电图原始数据；
划分模块，用于将所述心电图原始数据划分为多个心电图数据片段；
分类模块，用于根据形态对所述多个心电图数据片段进行分类，将所述多个心电图数据片段分类到对应的形态分类集；
所述分类模块，还用于分别根据心律对每个形态分类集包含的心电图数据片段进行二次分类，将每个形态分类集包含的心电图数据片段分类到对应的心律分类集；
采样模块，用于对所有形态分类集包含的所有心律分类集进行采样，得到与每个形态分类集的每个心律分类集对应的采样结果；
存储模块，用于确定分类信息、心律分类集信息，将所述分类信息、所述心律分类集信息和所述采样结果存储至心电图数据库。
9.一种终端设备，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7任一项所述方法的步骤。
10.一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 |
|---|---|---|---|
| CN201910665895.3A CN110464333B (zh) | 2019-07-23 | 2019-07-23 | 一种心电图数据的存储方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910665895.3A CN110464333B (zh) | 2019-07-23 | 2019-07-23 | 一种心电图数据的存储方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110464333A true CN110464333A (zh) | 2019-11-19 |
| CN110464333B CN110464333B (zh) | 2022-04-22 |
Family
ID=68508793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910665895.3A Active CN110464333B (zh) | 2019-07-23 | 2019-07-23 | 一种心电图数据的存储方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110464333B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111134660A (zh) * | 2020-01-17 | 2020-05-12 | 乐普（北京）医疗器械股份有限公司 | 一种r点位置的检测方法和装置 |
| CN111150387A (zh) * | 2020-01-15 | 2020-05-15 | 深圳市邦健科技有限公司 | 心电图模板匹配方法、装置、计算机设备及存储介质 |
| CN111150386A (zh) * | 2019-12-30 | 2020-05-15 | 深圳市瑞康宏业科技开发有限公司 | 一种心电分析的方法、装置及存储介质 |
| CN111959132A (zh) * | 2020-08-17 | 2020-11-20 | 厦门纳龙科技有限公司 | 一种心电图胸导减半报告打印方法、终端设备及存储介质 |
| CN112842355A (zh) * | 2021-02-24 | 2021-05-28 | 推演医疗科技(北京)有限责任公司 | 基于深度学习目标检测的心电信号心搏检测识别方法 |
| WO2021143400A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种基于r点的心搏数据分类方法和装置 |
| WO2021253709A1 (zh) * | 2020-06-17 | 2021-12-23 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100248A1 (en) * | 2005-10-31 | 2007-05-03 | Van Dam Peter M | Method of and apparatus for classifying arrhythmias using scatter plot analysis |
| US20100152595A1 (en) * | 2006-08-31 | 2010-06-17 | Non-Linear Medicine, Inc. | Automated noise reduction system for predicting arrhythmic deaths |
| CN101773392A (zh) * | 2010-02-06 | 2010-07-14 | 珠海康心电子科技有限公司 | 动态心电数据自适应高效存储方法 |
| CN104586383A (zh) * | 2015-01-12 | 2015-05-06 | 北京世纪今科医疗器械有限公司 | 一种心电波形分类方法及装置 |
| CN105163654A (zh) * | 2013-03-14 | 2015-12-16 | 美敦力公司 | 用于心脏感测和事件检测的搏动形态匹配方案 |
-
2019
- 2019-07-23 CN CN201910665895.3A patent/CN110464333B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100248A1 (en) * | 2005-10-31 | 2007-05-03 | Van Dam Peter M | Method of and apparatus for classifying arrhythmias using scatter plot analysis |
| US20100152595A1 (en) * | 2006-08-31 | 2010-06-17 | Non-Linear Medicine, Inc. | Automated noise reduction system for predicting arrhythmic deaths |
| CN101773392A (zh) * | 2010-02-06 | 2010-07-14 | 珠海康心电子科技有限公司 | 动态心电数据自适应高效存储方法 |
| CN105163654A (zh) * | 2013-03-14 | 2015-12-16 | 美敦力公司 | 用于心脏感测和事件检测的搏动形态匹配方案 |
| CN104586383A (zh) * | 2015-01-12 | 2015-05-06 | 北京世纪今科医疗器械有限公司 | 一种心电波形分类方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111150386A (zh) * | 2019-12-30 | 2020-05-15 | 深圳市瑞康宏业科技开发有限公司 | 一种心电分析的方法、装置及存储介质 |
| CN111150387A (zh) * | 2020-01-15 | 2020-05-15 | 深圳市邦健科技有限公司 | 心电图模板匹配方法、装置、计算机设备及存储介质 |
| CN111134660A (zh) * | 2020-01-17 | 2020-05-12 | 乐普（北京）医疗器械股份有限公司 | 一种r点位置的检测方法和装置 |
| WO2021143400A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种基于r点的心搏数据分类方法和装置 |
| CN111134660B (zh) * | 2020-01-17 | 2022-07-05 | 上海乐普云智科技股份有限公司 | 一种r点位置的检测方法和装置 |
| WO2021253709A1 (zh) * | 2020-06-17 | 2021-12-23 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
| CN111959132A (zh) * | 2020-08-17 | 2020-11-20 | 厦门纳龙科技有限公司 | 一种心电图胸导减半报告打印方法、终端设备及存储介质 |
| CN111959132B (zh) * | 2020-08-17 | 2021-11-16 | 厦门纳龙科技有限公司 | 一种心电图胸导减半报告打印方法、终端设备及存储介质 |
| CN112842355A (zh) * | 2021-02-24 | 2021-05-28 | 推演医疗科技(北京)有限责任公司 | 基于深度学习目标检测的心电信号心搏检测识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110464333B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110464333A (zh) | 一种心电图数据的存储方法及装置 | |
| US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
| Andreotti et al. | An open-source framework for stress-testing non-invasive foetal ECG extraction algorithms | |
| Sultan Qurraie et al. | ECG arrhythmia classification using time frequency distribution techniques | |
| Maharaj et al. | Discriminant analysis of multivariate time series: Application to diagnosis based on ECG signals | |
| CN104736049B (zh) | 用于检测egg波形中的特性的系统和方法 | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN107072545A (zh) | 用于快速诊断的心电图数据分析方法和系统 | |
| US10085663B2 (en) | Automated ECG analysis and diagnosis system | |
| EP4042445A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN105142508B (zh) | 电生理信号的波前检测 | |
| Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
| CN110393520A (zh) | 一种心电数据分析方法及装置、心电分析仪、存储介质 | |
| CN106073760A (zh) | 基于威尔逊导联的18导联动态心电图分析方法及系统 | |
| CN104398257A (zh) | 一种心电波形周期性统计分析方法 | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| CN109044348A (zh) | 房颤检测装置及存储介质 | |
| CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN108597600A (zh) | 单导心贴数据智能诊断云计算系统及其处理方法 | |
| CN111920399A (zh) | 心率变异性的分析方法及装置 | |
| CN112971800A (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
| CN106974637A (zh) | 心率实时计算方法及装置 | |
| CN106974644A (zh) | 一种心电图r波检测方法以及系统 | |
| CN107890347A (zh) | 滤除工频干扰信号的控制方法及系统 | |
| EP2440126A1 (en) | Systems and methods for quantitative assessment of cardiac electrical events |
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 |