CN110547790A - 一种心电监测系统 - Google Patents
一种心电监测系统 Download PDFInfo
- Publication number
- CN110547790A CN110547790A CN201910810491.9A CN201910810491A CN110547790A CN 110547790 A CN110547790 A CN 110547790A CN 201910810491 A CN201910810491 A CN 201910810491A CN 110547790 A CN110547790 A CN 110547790A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- electrocardio
- diagnosis report
- monitoring
- filtering
- 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.)
- Pending
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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Nursing (AREA)
- Power Engineering (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种心电监测系统,包括:心电图检测装置,用于检测监测用户的实时心电信息;心电监测客户端,用于将心电信息发送给心电监测服务端;接收心电精确诊断报告;心电监测服务端,用于根据心电图分析模型分析处理,生成心电初步诊断报告;心电监测管理端,用于根据复核操作信息对心电初步诊断报告进行处理,生成心电精确诊断报告。本发明实施例提供的心电监测系统,先对心电信号进行智能分析,在智能分析后再由人工进行复核,一方面降低了人工分析数据,有效地提高了分析效率,另一方面配合后续的人工复核,提高了分析准确率,有效提高了用户的体验。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种心电监测系统。
背景技术
心电信号描述了病人的心电情况,能够反映出了病人的心脏疾病。在很多时候,通过监测心电信号,就能对很多突发的心脏疾病做出预测。
现有的心电监测系统大多都是由便携的心电监测仪与后台服务器进行通讯,心电监测仪在采集到心电信号后发送给后台服务器进行分析,然而,如果是人工在后台对心电信号进行分析,效率不高,导致监测的效果不够理想,而如果采用智能分析算法对心电信号进行分析,现有的大多数心电图分析算法准确率不够高,同样也会导致监测的效果不够理想。
可见,现有的心电监测系统还存在着分析效率低或者分析准确率不高,而导致监测效果不够理想的技术问题。
发明内容
本发明实施例的目的在于提供一种心电监测系统,旨在解决上述背景技术中心提到的现有的心电监测系统还存在的因分析效率低或者分析准确率不高,而导致监测效果不够理想的技术问题。
本发明实施例是这样实现的,一种心电监测系统,所述心电监测诊断系统包括:
心电图检测装置,用于按照预设的检测规则检测监测用户的实时心电信息并生成心电图,并发送给心电监测客户端;
心电监测客户端,用于接收所述心电图检测装置发送的心电图,并发送给心电监测服务端;用于接收心电监测管理端发送的心电精确诊断报告;
心电监测服务端,用于接收所述心电监测客户端发送的心电图,并根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理,生成心电初步诊断报告,并将所述心电初步诊断报告发送给心电监测管理端;以及
心电监测管理端,用于接收所述心电监测服务端发送的心电初步诊断报告,并根据复核用户的复核操作信息对所述心电初步诊断报告进行处理,生成心电精确诊断报告,并发送给所述心电监测客户端。
本发明实施例提供的一种心电监测系统,在心电图检测装置检测到监测用户的心电信息后,将心电信息发送给心电监测客户端,然后心电监测客户端再将心电信息发送给心电监测服务端,心电监测服务端能够智能分析所述心电信息并生成心电初步诊断报告,并发送给心电监测管理端,心电监测管理端能够根据复核用户的复核操作信息对所述心电信号初步诊断报告进行处理,生成心电精确诊断报告,再发送给心电监测客户端。本发明实施例提供的心电监测系统,先利用心电监测服务端对心电信号进行智能分析,在智能分析后再由人工进行复核,一方面使人工分析数据的流程变少,有效地提高了心电信号的分析效率,另一方面在心电监测服务端采用的是基于形态学滤波算法-自适应滤波算法两种算法所建立的心电图智能分析模型,分析生成的心电信号初步诊断报告准确率较高,配合后续的人工复核,进一步提高了心电信号的分析准确率,即本发明提供的心电监测服务端对心电信号的处理效率以及处理效果更好,用户的体验更优。
附图说明
图1为本发明实施例提供的一种心电监测系统的结构示意图;
图2为本发明实施例提供的一种心电监测系统的时序图;
图3为本发明实施例提供的另一种心电监测系统的时序图;
图4为本发明实施例提供的又一种心电监测系统的时序图;
图5为本发明实施例提供的一种心电监测服务端用于对心电图进行分析处理的方法的步骤流程图;
图6为本发明实施例提供的一种心电监测服务端用于获取基线漂移参考信号的方法的步骤流程图;
图7为本发明实施例提供的一种心电监测服务端用于进行自适应滤波降噪处理的方法的步骤流程图;
图8为本发明实施例提供的一种心电监测服务端的结构示意图;
图9为本发明实施例提供的一种心电图分析处理单元的结构示意图;
图10为本发明实施例提供的一种基线漂移参考信号获取模块的结构示意图;
图11为本发明实施例提供的一种降噪处理模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1、图2所示,为本发明实施例提供的一种心电监测系统的结构示意图以及所述心电监测系统在执行监测过程中各结构交互的时序图,详述如下。
如图1所示,在本发明实施例中,所述心电监测系统包括心电图检测装置110、心电监测客户端120、心电监测服务端130以及心电监测管理端140。
所述心电图检测装置110,用于按照预设的检测规则检测监测用户的实时心电信息并生成心电图,并将所述心电图发送给心电监测客户端。
在本发明实施例中,所述心电图检测装置是可以便携地检测用户心电信息的便携式心电检测仪,由于目前市场上已存在不同种类的便携式心电检测仪,本发明对便携式心电检测仪具体的品牌、类型均不做限定,凡能够实现对用户心电信息进行周期性或持续性检测,并能实现通讯功能的心电检测仪均在发明要求保护的范围之内。
在本发明实施例中,所述按照预设的检测规则可以是按照预设的周期,周期性进行检测,例如半小时、15分钟检测一次,也可以是持续性进行检测,本发明对具体的检测规则不做限定,可以根据待检测用户的实际情况进行调整。
所述心电监测客户端120,用于接收所述心电图检测装置发送的心电图,并向心电监测服务端发送所述心电图;用于接收心电监测管理端发送的心电精确诊断报告。
在本发明实施例中,所述心电监测客户端通常情况下是指运行于终端设备上的应用程序,当然也可以是指直接具有相应功能的终端设备。所述终端设备可以是智能手机、智能手表、平板、笔记本电脑等等,本发明对具体的终端设备不做限定。
在本发明实施例中,所述心电监测客户端是指与监测用户绑定的客户端,监测用户通常意义是指病患者,但并不局限于此。
在本发明实施例中,所述心电监测客户端120能够与心电图检测装置110、心电监测服务端130以及心电监测管理端140进行通讯。
所述心电监测服务端130,用于接收所述心电监测客户端发送的心电图,并根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理,生成心电初步诊断报告,并将所述心电初步诊断报告发送给心电监测管理端。
在本发明实施例中,所述心电监测服务端130可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,当然也可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
在本发明实施例中,所述心电监测服务端130能够对接收到的心电信息进行智能分析,为进一步提高智能分析的效果,需要预先对心电图进行降噪处理,本发明采用的是基于形态学滤波算法-自适应滤波算法建立的心电图分析模型,能够先对心电图进行降噪处理,然后再进行智能分析,其中具体的进行智能分析的步骤请参阅5及其解释说明的内容。
所述心电监测管理端140,用于接收所述心电监测服务端发送的心电初步诊断报告,并根据复核用户的复核操作信息对所述心电初步诊断报告进行处理,生成心电精确诊断报告,并向所述心电监测客户端发送所述心电精确诊断报告。
在本发明实施例中,所述心电监测管理端与前述心电监测客户端120相似,可以是终端设备,也可以是运行于终端设备上的应用程序。具体的,心电监测管理端可以理解为与复核用户绑定的客户端,复核用户通常是指医生,但并不局限于此。
在本发明实施例中,其中复核用户在对心电初步诊断报告进行复核的过程中,同样需要用到心电图,也就是说心电监测管理端同样需要获取到心电图,在本发明中,所述心电图可以是由心电监测客户端发送给心电监测管理端,也可以是由心电监测服务端发送给心电监测管理端,当然也可是通过其他任意形式获取到心电图,本发明不对心电监测管理端获取到心电图的方法做出具体的限定。
在本发明实施例中,为了更好的描述各结构在执行监测功能时的交互流程,请参阅图2所示出的心电监测系统的时序图。
作为本发明的一个优选实施例,所述心电监测管理端140,还用于将所述心电精确诊断报告发送给心电监测服务端130,所述心电监测服务端130,还用于接收所述心电精确诊断报告,并根据所述心电精确诊断报告对所述预设的心电图分析模型进行优化。同样的,为了更好地描述上述优选实施例提供的心电监测系统在执行监测功能时的交互流程,请参阅图3所示出的心电监测系统的时序图。
作为本发明的另一个优选实施例,所述心电检测服务端130,还用于根据所述心电初步诊断报告判断监测用户心电是否存在异常,当判断监测用户心电存在异常时,向所述心电监测管理端140发送心电异常警示信息。同样的,为了更好地描述上述优选实施例提供的心电监测系统在执行监测功能时的交互流程,请参阅图4所示出的心电监测系统的时序图。
本发明实施例提供的一种心电监测系统,在心电图检测装置检测到监测用户的心电信息后,将心电信息发送给心电监测客户端,然后心电监测客户端再将心电信息发送给心电监测服务端,心电监测服务端能够智能分析所述心电信息并生成心电初步诊断报告,并发送给心电监测管理端,心电监测管理端能够根据复核用户的复核操作信息对所述心电信号初步诊断报告进行处理,生成心电精确诊断报告,再发送给心电监测客户端。本发明实施例提供的心电监测系统,先利用心电监测服务端对心电信号进行智能分析,在智能分析后再由人工进行复核,一方面使人工分析数据的流程变少,有效地提高了心电信号的分析效率,另一方面在心电监测服务端采用的是基于形态学滤波算法-自适应滤波算法两种算法所建立的心电图智能分析模型,分析生成的心电信号初步诊断报告准确率较高,配合后续的人工复核,进一步提高了心电信号的分析准确率,即本发明提供的心电监测服务端对心电信号的处理效率以及处理效果更好,用户的体验更优。
如图2所示,为本发明实施例提供的一种心电监测系统的时序图,详述如下。
在本发明实施例中,如图所示,其中心电图检测装置在检测到监测用户的实时心电信息后,生成心电图,并发送给心电监测客户端,心电监测客户端再将所述心电图发送给心电监测服务端,在心电监测服务端中,根据预设的心电图分析模型对心电图分析处理并生成心电初步诊断报告,并发送给心电监测管理端,心电监测管理端结合复核用户的复核操作信息对心电初步诊断报告进行处理,生成心电精确诊断报告并发送给心电监测客户端,如此实现了对监测用户心电信息的监测功能。
如图3所示,为本发明实施例提供的另一种心电监测系统的时序图,详述如下。
在本发明实施例中,与图2所示出的一种心电监测系统的时序图的区别在于:在心电监测管理端处理心电初步诊断报告并生成心电精确诊断报告后,同时将所述心电精确诊断报告发送给心电监测服务端,而心电监测服务端在接收到心电精确诊断报告后,能够进一步对预设的心电图分析模型进行优化。
在本发明实施例中,可以理解,心电监测服务端中所使用的心电图分析模型包含了多种可以优化调整的参数,而当复核用户对心电初步诊断报告进行了修改,表明此时心电监测服务端所使用的心电图分析模型还不够完善,仍然会存在误诊的现象,进一步,将修改之后正确的诊断报告返回给心电监测服务端,心电监测服务段基于正确的诊断报告就可以对心电图分析模型中的参数进行优化调整,随着样本量的逐步增多,优化越来越完善,可以使得最终智能分析生成的诊断报告准确率更高。
本发明实施例提供的一种心电监测系统的时序图,心电监测管理端将心电精确诊断报告返回给心电监测服务端,以使心电监测服务端能够根据心电精确诊断报告对智能分析算法进行优化,随着样本量的增加,能够有效改善心电监测服务端中智能分析算法的准确性,提高生成的诊断报告的准确率。
如图4所示,为本发明实施例提供的另一种心电监测系统的时序图,,详述如下。
在本发明实施例中,与图2所示出的一种心电监测系统的时序图的区别在于:在心电监测服务端生成心电初步诊断报告后,同时判断监测用户的心电是否存在异常,当判断监测用户的心电存在异常时,同时发送心电警示异常信息。
在本发明实施例中,所述心电警示异常信息主要用于提醒复核用户及时对诊断为存在异常的心电初步诊断报告作出复核,并给出心电精确诊断报告,避免复核用户因遗漏或其他原因耽误复核,进一步提高了心电监测的效率,提高了监测用户的体验。
本发明实施例提供的一种心电监测系统的时序图,通过使心电监测服务端在生成心电初步诊断报告后,进一步根据心电初步诊断报告判断监测用户心电是否存在异常,当判断存在异常时,向心电监测管理端发送心电警示异常信息已提醒复核用户及时对该心电初步诊断报告进行复核,避免复核用户因遗漏或其他原因耽误复核,进一步提高了心电监测的效率,提高了监测用户的体验。
如图5所示,在一个实施例中,提供了一种心电监测服务端用于对心电图进行分析处理的方法的步骤流程图,具体包括以下步骤:
步骤S502,基于形态学滤波算法获取所述心电信号的基线漂移参考信号。
在本发明实施例中,由于在心电监测过程中,或多或少会受到外界的干扰,因此对心电信号分析通常需要先经过除噪,在进行分析,而本发明实施例中,步骤S502以及步骤S504提供的算法能够有效地去除心电信号中的噪音,以使在步骤S506中对除噪后的心电信号分析生成的心电初步诊断报告更加准确。
在本发明实施例中,所述基于形态学滤波算法获取所述心电信号的基线漂移参考信号的步骤请参阅图6及其解释说明的部分。
步骤S504,基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号。
在本发明实施例中,所述可变参数包括滤波系数。
在本发明实施例中,所述基于预先建立的含有可变参数的心电信号自适应滤波模型是一种基于负反馈调节思想的信号处理方法,具体的处理步骤请参阅下述图7及其解释说明的内容。
步骤S506,基于卷积神经网络算法对所述降噪后心电信号进行分析处理,生成心电初步诊断报告。
在本发明实施例中,卷积神经网络算法对图像具有强大的分析能力,能够很好的从图像中识别出特征部分,而心电图的诊断过程中同样是基于各波段的特征信息,例如QRS波以及P波,T波等,因此,卷积神经网络算法能够准确有效地对心电信号进行处理分析,生成心电初步诊断报告。
如图6所示,在一个实施例中,提供了一种心电监测服务端用于获取基线漂移参考信号的方法的步骤流程图,具体包括以下步骤:
步骤S602,采用预设的第一直线型结构元素对所述心电信息进行滤波处理,生成滤除QRS波的心电信号。
在本发明实施例中,所述结构元素属于本领域技术人员的公知常识,在此不做具体的解释说明。
在本发明实施例中,所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度,小于P波的宽度。
在本发明实施例中,结构元素主要有直线型、余弦型、半圆型、三角型几种类型,而选用不同类型的结构元素的会导致最终滤波效果不同,由于直线型结构元素对低频噪音信号的滤除效果较好,因此在本发明实施例中选用直线型结构元素,进一步的,通过限定第一直线型结构元素的宽度,相比于采用其他宽度的直线型结构元素滤波的效果更好。
在本发明实施例中,采用结构元素对心电信号进行滤波处理的步骤中主要涉及到腐蚀运算以及膨胀运算的组合,而腐蚀运算与膨胀运算属于本领域技术人员熟知的运算规则,本发明对具体的滤波过程不做具体的限定,例如滤波过程可以是先腐蚀后膨胀的组合方式,也可以是先膨胀后腐蚀的组合方式,当然也可以是将两种组合方式得到的结果再取平均值的方式。
步骤S604,采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理,生成滤除P波以及T波的心电信号。
在本发明实施例中,所述滤除P波以及T波的心电信号即为基线漂移参考信号。
在本发明实施例中,所述第二直线型结构元素的宽度大于P波的宽度。
在本发明实施例中,与前述步骤相似,具体的滤波过程也同时是腐蚀运算以及膨胀运算的组合,区别仅仅在于采用的结构元素不同,处理的心电信号不同,具体可以参阅前述步骤S602的解释说明。
如图7所示,在一个实施例中,提供了一种心电监测服务端用于进行自适应滤波降噪处理的方法的步骤流程图,具体包括以下步骤:
步骤S702,将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号。
在本发明实施例中,为便于理解,以具体的数学公式进行举例说明。假设待降噪处理的心电信号为s,由两部分组成,纯净的心电信号s0,以及噪音信号n0,而为了得到噪音信号n0,再滤波过程中不断调整自适应滤波处理器的权值w,以使基线漂移参考信号n经过自适应滤波处理器处理之后得到的输出y(即基线漂移模拟信号)无限接近于n0,则此时心电信号s和输出y的差值ε即无限接近于纯净的心电信号s0,即ε=s-y=(s0+n0)-y=s0+(n0-y)。
步骤S704,计算所述心电信号与所述基线漂移模拟信号的差的均方差。
在本发明实施例中,由前述的步骤进一步两边求均方差可知,ε2=s0 2+2s0(n0-y)+(n0-y)2=s0 2+2s0(w*n-y)+(w*n-y)2,即均方差是权值w的二次函数。
步骤S706,判断所述均方差是否小于预设的阈值。当判断所述均方差不小于预设的阈值时,执行步骤S708;当判断所述均方差小于预设的阈值时,执行步骤S710。
步骤S708,基于梯度下降算法,根据所述均方差以及预设的步长对所述滤波系数进行优化,并返回至所述步骤S702。
在本发明实施例中,结合前述均方差的计算公式,基于梯度下降的算法可以找出权值w和输出误差的关系,即w(t+1)=w(t)+2μεtn(t),其中μ为预设的步长,影响到权重w的收敛速度以及稳定性,步长越长,收敛速度会提高,但稳定性会降低,而步长过短,导致收敛速度低,处理效率降低。作为优选,所述步长选择0.0002。
步骤S710,将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
在本发明实施例中,当均方差满足预设的条件后,此时表明自适应滤波处理器的权值w已优化完全,优化之后的自适应滤波处理器的输出y(即本发明实施例中的基线漂移模拟信号)无限接近于噪音信号n0,此时,心电信号s与所述基线漂移模拟信号y的差即为需要的纯净的心电信号s0。
如图8所示,在一个实施例中,提供了一种心电监测服务端的结构示意图,详述如下。
在本发明实施例中,所述心电监测服务端包括:
心电图第二接收单元810,用于接收所述心电监测客户端发送的心电图。
心电图分析处理单元820,用于根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理,生成心电初步诊断报告。
在本发明实施例中,所述心电图分析处理单元的具体结构示意图请参阅图9及其解释说明。
心电初步诊断报告发送单元830,用于将所述心电初步诊断报告发送给心电监测管理端。
如图9所示,在一个实施例中,提供了一种心电图分析处理单元的结构示意图,详述如下。
在本发明实施例中,所述心电图分析处理单元包括:
基线漂移参考信号获取模块901,用于基于形态学滤波算法获取所述心电信号的基线漂移参考信号。
在本发明实施例中,由于在心电监测过程中,或多或少会受到外界的干扰,因此对心电信号分析通常需要先经过除噪,在进行分析,而本发明实施例中,基线漂移参考信号获取模块901以及降噪处理模块902能够有效地去除心电信号中的噪音,以使分析处理模块903对除噪后的心电信号分析生成的心电初步诊断报告更加准确。
在本发明实施例中,所述基线漂移参考信号获取模块的结构示意图请参阅图10及其解释说明。
降噪处理模块902,用于基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号。
在本发明实施例中,所述可变参数包括滤波系数。
在本发明实施例中,所述基于预先建立的含有可变参数的心电信号自适应滤波模型是一种基于负反馈调节思想的信号处理方法,所述降噪处理模块的结构示意图请参阅图11及其解释说明的内容。
分析处理模块903,用于基于预先经过卷积神经网络算法训练生成的心电信号分析模型对所述降噪后心电信号进行分析处理,生成心电初步诊断报告。
在本发明实施例中,卷积神经网络算法对图像具有强大的分析能力,能够很好的从图像中识别出特征部分,而心电图的诊断过程中同样是基于各波段的特征信息,例如QRS波以及P波,T波等,因此,卷积神经网络算法能够准确有效地对心电信号进行处理分析,生成心电初步诊断报告。
如图10所示,在一个实施例中,提供了一种基线漂移参考信号获取模块的结构示意图,详述如下。
在本发明实施例中,所述基线漂移参考信号获取模块包括:
QRS波滤除次模块1001,用于采用预设的第一直线型结构元素对所述心电信息进行滤波处理,生成滤除QRS波的心电信号。
在本发明实施例中,所述结构元素属于本领域技术人员的公知常识,在此不做具体的解释说明。
在本发明实施例中,所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度,小于P波的宽度。
在本发明实施例中,结构元素主要有直线型、余弦型、半圆型、三角型几种类型,而选用不同类型的结构元素的会导致最终滤波效果不同,由于直线型结构元素对低频噪音信号的滤除效果较好,因此在本发明实施例中选用直线型结构元素,进一步的,通过限定第一直线型结构元素的宽度,相比于采用其他宽度的直线型结构元素滤波的效果更好。
在本发明实施例中,采用结构元素对心电信号进行滤波处理的步骤中主要涉及到腐蚀运算以及膨胀运算的组合,而腐蚀运算与膨胀运算属于本领域技术人员熟知的运算规则,本发明对具体的滤波过程不做具体的限定,例如滤波过程可以是先腐蚀后膨胀的组合方式,也可以是先膨胀后腐蚀的组合方式,当然也可以是将两种组合方式得到的结果再取平均值的方式。
P波T波滤除次模块1002,用于采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理,生成滤除P波以及T波的心电信号。
在本发明实施例中,所述滤除P波以及T波的心电信号即为基线漂移参考信号。
在本发明实施例中,所述第二直线型结构元素的宽度大于P波的宽度。
在本发明实施例中,与前述QRS波滤除次模块相似,P波T波滤除次模块也同时是腐蚀运算以及膨胀运算的组合,区别仅仅在于采用的结构元素不同,处理的心电信号不同,具体可以参阅前述QRS波滤除次模块1001的解释说明。
如图11所示,在一个实施例中,提供了一种降噪处理模块的结构示意图,详述如下。
在本发明实施例中,所述降噪处理模块包括:
基线漂移模拟信号生成次模块1101,用于将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号。
在本发明实施例中,为便于理解,以具体的数学公式进行举例说明。假设待降噪处理的心电信号为s,由两部分组成,纯净的心电信号s0,以及噪音信号n0,而为了得到噪音信号n0,再滤波过程中不断调整自适应滤波处理器的权值w,以使基线漂移参考信号n经过自适应滤波处理器处理之后得到的输出y(即基线漂移模拟信号)无限接近于n0,则此时心电信号s和输出y的差值ε即无限接近于纯净的心电信号s0,即ε=s-y=(s0+n0)-y=s0+(n0-y)。
均方差计算次模块1102,用于计算所述心电信号与所述基线漂移模拟信号的差的均方差。
在本发明实施例中,由前述的步骤进一步两边求均方差可知,ε2=s0 2+2s0(n0-y)+(n0-y)2=s0 2+2s0(w*n-y)+(w*n-y)2,即均方差是权值w的二次函数。
均方差判断次模块1103,用于判断所述均方差是否小于预设的阈值。
负反馈调节次模块1104,用于当判断所述均方差不小于预设的阈值时,基于梯度下降算法,根据所述均方差以及预设的步长对所述滤波系数进行优化,并返回至所述基线漂移模拟信号生成次模块。
在本发明实施例中,结合前述均方差的计算公式,基于梯度下降的算法可以找出权值w和输出误差的关系,即w(t+1)=w(t)+2μεtn(t),其中μ为预设的步长,影响到权重w的收敛速度以及稳定性,步长越长,收敛速度会提高,但稳定性会降低,而步长过短,导致收敛速度低,处理效率降低。作为优选,所述步长选择0.0002。
降噪心电信号确定次模块1105,用于当判断所述均方差小于预设的阈值时,将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
在本发明实施例中,当均方差满足预设的条件后,此时表明自适应滤波处理器的权值w已优化完全,优化之后的自适应滤波处理器的输出y(即本发明实施例中的基线漂移模拟信号)无限接近于噪音信号n0,此时,心电信号s与所述基线漂移模拟信号y的差即为需要的纯净的心电信号s0。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述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发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种心电监测系统,其特征在于,所述心电监测诊断系统包括:
心电图检测装置,用于按照预设的检测规则检测监测用户的实时心电信息并生成心电图,并发送给心电监测客户端;
心电监测客户端,用于接收所述心电图检测装置发送的心电图,并发送给心电监测服务端;用于接收心电监测管理端发送的心电精确诊断报告;
心电监测服务端,用于接收所述心电监测客户端发送的心电图,并根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理,生成心电初步诊断报告,并将所述心电初步诊断报告发送给心电监测管理端;以及
心电监测管理端,用于接收所述心电监测服务端发送的心电初步诊断报告,并根据复核用户的复核操作信息对所述心电初步诊断报告进行处理,生成心电精确诊断报告,并发送给所述心电监测客户端。
2.根据权利要求1所述的心电监测系统,其特征在于,所述心电监测管理端,还用于将所述心电精确诊断报告发送给心电监测服务端;
所述心电监测服务端,还用于接收所述心电精确诊断报告,并根据所述心电精确诊断报告对所述预设的心电图分析模型进行优化。
3.根据权利要求1所述的心电监测系统,其特征在于,所述心电检测服务端,还用于根据所述心电初步诊断报告判断监测用户心电是否存在异常,当判断监测用户心电存在异常时,向所述心电监测管理端发送心电异常警示信息。
4.根据权利要求1所述的心电监测系统,其特征在于,所述根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理的步骤具体包括:
基于形态学滤波算法获取所述心电信号的基线漂移参考信号;
基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号,所述可变参数包括滤波系数;
基于卷积神经网络算法对所述降噪后心电信号进行分析处理,生成心电初步诊断报告。
5.根据权利要求4所述的心电监测系统,其特征在于,所述基于形态学滤波算法获取所述心电信号的基线漂移参考信号的步骤具体包括:
采用预设的第一直线型结构元素对所述心电信息进行滤波处理,生成滤除QRS波的心电信号,所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度,小于P波的宽度;
采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理,生成滤除P波以及T波的心电信号,所述滤除P波以及T波的心电信号即为基线漂移参考信号,所述第二直线型结构元素的宽度大于P波的宽度。
6.根据权利要求4所述的心电监测系统,其特征在于,所述基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号的步骤具体包括:
将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号;
计算所述心电信号与所述基线漂移模拟信号的差的均方差;
判断所述均方差是否小于预设的阈值;
当判断所述均方差不小于预设的阈值时,基于梯度下降算法,根据所述均方差以及预设的步长对所述滤波系数进行优化,并返回至所述将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号的步骤;
当判断所述均方差小于预设的阈值时,将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
7.根据权利要求1所述的心电监测系统,其特征在于,所述心电监测服务端包括:
心电图第二接收单元,用于接收所述心电监测客户端发送的心电图;
心电图分析处理单元,用于根据预设的基于形态学滤波算法-自适应滤波算法建立的心电图分析模型对所述心电图进行分析处理,生成心电初步诊断报告;
心电初步诊断报告发送单元,用于将所述心电初步诊断报告发送给心电监测管理端。
8.根据权利要求7所述的心电监测系统,其特征在于,所述心电图分析处理单元包括:
基线漂移参考信号获取模块,用于基于形态学滤波算法获取所述心电信号的基线漂移参考信号;
降噪处理模块,用于基于预先建立的含有可变参数的心电信号自适应滤波模型以及所述基线漂移参考信号对所述心电信号进行自适应滤波降噪处理生成降噪后心电信号,所述可变参数包括滤波系数;
分析处理模块,用于基于预先经过卷积神经网络算法训练生成的心电信号分析模型对所述降噪后心电信号进行分析处理,生成心电初步诊断报告。
9.根据权利要求8所述的心电监测系统,其特征在于,所述基线漂移参考信号获取模块包括:
QRS波滤除次模块,用于采用预设的第一直线型结构元素对所述心电信息进行滤波处理,生成滤除QRS波的心电信号,所述第一直线型结构元素的宽度大于心电信号中QRS波的宽度,小于P波的宽度;
P波T波滤除次模块,用于采用所述预设的第二直线型结构元素对所述滤除QRS波的心电信号进行二次滤波处理,生成滤除P波以及T波的心电信号,所述滤除P波以及T波的心电信号即为基线漂移参考信号,所述第二直线型结构元素的宽度大于P波的宽度。
10.根据权利要求8所述的心电监测系统,其特征在于,所述降噪处理模块包括:
基线漂移模拟信号生成次模块,用于将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号;
均方差计算次模块,用于计算所述心电信号与所述基线漂移模拟信号的差的均方差;
均方差判断次模块,用于判断所述均方差是否小于预设的阈值;
负反馈调节次模块,用于当判断所述均方差不小于预设的阈值时,基于梯度下降算法,根据所述均方差以及预设的步长对所述滤波系数进行优化,并返回至所述将所述基线漂移参考信号输入到含有可变参数的心电信号自适应滤波模型中生成基线漂移模拟信号的步骤;
降噪心电信号确定次模块,用于当判断所述均方差小于预设的阈值时,将所述心电信号与所述基线漂移模拟信号的差确定为降噪后心电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810491.9A CN110547790A (zh) | 2019-08-29 | 2019-08-29 | 一种心电监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810491.9A CN110547790A (zh) | 2019-08-29 | 2019-08-29 | 一种心电监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110547790A true CN110547790A (zh) | 2019-12-10 |
Family
ID=68738411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910810491.9A Pending CN110547790A (zh) | 2019-08-29 | 2019-08-29 | 一种心电监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110547790A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108309276A (zh) * | 2018-01-31 | 2018-07-24 | 希蓝科技(北京)有限公司 | 基于云端的人体监测系统和方法 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
-
2019
- 2019-08-29 CN CN201910810491.9A patent/CN110547790A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108309276A (zh) * | 2018-01-31 | 2018-07-24 | 希蓝科技(北京)有限公司 | 基于云端的人体监测系统和方法 |
CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
孙明丽: "用于心信号去噪的自适应方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shukla et al. | An advanced EEG motion artifacts eradication algorithm | |
EP3668404B1 (en) | Techniques for breast imaging patient motion artifact compensation | |
Kim et al. | Simple and robust realtime QRS detection algorithm based on spatiotemporal characteristic of the QRS complex | |
US9042973B2 (en) | Apparatus and method for measuring physiological signal quality | |
US20130261482A1 (en) | Systems and methods for ecg monitoring | |
WO2019041772A1 (zh) | 一种基于脑电信号的麻醉深度的监测方法及系统 | |
Boashash et al. | A review of time–frequency matched filter design with application to seizure detection in multichannel newborn EEG | |
CN103026379A (zh) | 推算图像噪音水平的方法 | |
Mir et al. | ECG denoising and feature extraction techniques–a review | |
KR101483756B1 (ko) | 맥파 검출 방법 | |
Mohamed et al. | Correlation for efficient anomaly detection in medical environment | |
CN110547790A (zh) | 一种心电监测系统 | |
Huynh et al. | A noise-robust Koopman spectral analysis of an intermittent dynamics method for complex systems: a case study in pathophysiological processes of obstructive sleep apnea | |
Hartmann et al. | Identifying IIR filter coefficients using particle swarm optimization with application to reconstruction of missing cardiovascular signals | |
Lee et al. | Efficient template cluster generation for real-time abnormal beat detection in lightweight embedded ECG acquisition devices | |
Garner et al. | Measuring and locating zones of chaos and irregularity by application of high spectral chaotic global variants | |
CN110638441A (zh) | 一种心电图降噪方法、装置、计算机设备及存储介质 | |
EP3954289A1 (en) | Monitoring device and physiological parameter processing method therefor | |
Taouli et al. | Noise and baseline wandering suppression of ECG signals by morphological filter | |
JP6706996B2 (ja) | 生体信号処理装置、異常判別方法およびプログラム | |
Chattopadhyay et al. | Sleep apnea diagnosis by DWT-based kurtosis, radar and histogram analysis of electrocardiogram | |
Rahul et al. | Baseline correction of ECG using regression estimation method | |
Kugiumtzis et al. | Assessment of measures of scalar time series analysis in discriminating preictal states | |
CN114176550A (zh) | 心率数据分类方法、装置、设备及存储介质 | |
Tan et al. | Real-time baseline wander removal in ECG signal based on weighted local linear regression smoothing |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |