CN110680302B - 一种心电信号特征波的自动识别方法 - Google Patents
一种心电信号特征波的自动识别方法 Download PDFInfo
- Publication number
- CN110680302B CN110680302B CN201910813468.5A CN201910813468A CN110680302B CN 110680302 B CN110680302 B CN 110680302B CN 201910813468 A CN201910813468 A CN 201910813468A CN 110680302 B CN110680302 B CN 110680302B
- Authority
- CN
- China
- Prior art keywords
- position point
- peak
- peak position
- electrocardiosignal
- sequence
- 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
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]
-
- 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
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种心电信号特征波的自动识别方法。首先采用一种改进去噪函数并结合小波包分解对原始心电信号进行去噪处理;其次对去噪后的心电信号进行差分运算并分别获得正、负差分信号位置点集,经匹配后在差分信号上检测出候选R峰并将其位置置换到去噪后的心电信号上,获得候选R峰位置点集合;再次根据RR间期的局部变化趋势及R峰波形特点,分别对候选R峰进行漏检与误检判断,并最终获得R峰位置点集合;最后以所获得的R峰位置点为基准,结合窗口搜索法、极值法、阈值法等多种方法,进一步实现Q峰、S峰和P峰的准确识别。本发明的方法具有排除噪声干扰能力强,计算复杂度低、自动识别准确率高、实时性及自适应性强等特点,易于推广和应用。
Description
技术领域
本发明涉及心电信号识别方法,具体涉及一种心电信号特征波的自动识别方法。
背景技术
心电信号是通过心电图仪从体表记录的能够反映心脏兴奋产生、传导和恢复过程中所产生的生物电位变化情况的曲线,是一种低频非平稳信号,具有很强的随机性且信号较为微弱。心电信号呈周期性变化,一个心动周期即一次心跳,通常由P波、QRS波群和T波(统称为特征波)组成。因此,若要及时准确地捕捉到心电信号中发生的微弱异常变化,则关于心电信号特征波的准确快速识别是首要的,也是关键的。显然,传统的仅依赖专业知识和经验丰富的专家通过视觉判断来完成上述工作,不仅耗时使得医生工作效率低,而且会带来医疗资源不均衡所导致的看病难、看病贵等系列问题。
人工智能、大数据、物联网、云计算等新一代信息技术的飞速发展,为解决上述问题提供了一条有效途径。鉴于此,本发明设计了一套完整的算法流程,通过系统挖掘并刻画海量心电信号中R峰、Q峰、S峰以及P峰的局部变化趋势及波形特征,并采用机器学习技术来实现上述特征波的自动识别,以期解决现有的心电信号特征波识别方法中存在的计算速度不快、准确率不高、实时性不强等问题。
发明内容
本发明的目的在于提出一个心电信号特征波的自动识别方法,通过系统挖掘并刻画海量心电信号中R峰、Q峰、S峰以及P峰的局部变化趋势及波形特征,并采用机器学习技术来实现上述特征波的自动识别。
为了实现上述任务,本发明采用以下技术方案:
一种心电信号特征波的自动识别方法,用于获得待识别的心电信号序列的Q峰位置点集合、R峰位置点集合、S峰位置点集合以及P峰位置点集合,所述的方法按照以下步骤执行:
步骤1、对所述的待识别的心电信号序列进行去噪处理,获得去噪后的心电信号序列;
步骤2、从所述的去噪后的心电信号序列中获取多个R峰位置点,获得R峰位置点集合,具体按照以下步骤执行:
步骤2.1、对所述的去噪后的心电信号序列进行一阶差分,获得正差分信号序列以及负差分信号序列;
对所述的正差分信号序列以及负差分信号序列分别以QRS波群宽度为步长进行分段处理,获得正差分信号段集以及负差分信号段集;
步骤2.2、在所述的正差分信号段集内寻找每一正差分信号段中最大幅值对应的位置点,获得多个第一位置点;从多个第一位置点中删除其中幅值为0的第一位置点,获得正差分信号位置点集;
在所述的负差分信号段集内寻找每一负差分信号段中最小幅值对应的位置点后,获得多个第二位置点;从多个第二位置点中删除其中幅值为0的第二位置点,获得负差分信号位置点集;
步骤2.3、在所述的正差分信号位置点集与负差分信号位置点集中进行位置点匹配,获得多对匹配位置点对;
步骤2.4、根据匹配位置点对的样本点坐标,在所述的去噪后的心电信号序列中,截取包含于每一匹配位置点对之间的心电信号子序列,获得多段心电信号子序列;
步骤2.5、在每一段心电信号子序列中找到最大幅值对应的位置点,获得候选R峰位置点集合;
步骤2.6、根据候选R峰位置点集合,获得R峰位置点集合;
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个Q峰位置点以及每一个S峰位置点,以此获得Q峰位置点集合以及S峰位置点集合;
步骤4、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个P峰位置点,以此获得P峰位置点集合。
进一步地,所述的步骤2.6中根据候选R峰位置点集合,获得R峰位置点集合,具体包括:
步骤2.6.1、在所述的候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值,获得多个RR间期,每个所述的RR间期对应两个R峰位置点;
将所述的多个RR间期按照数值从小到大的顺序排序,获得RR间期序列;
步骤2.6.2、重复执行本步骤,在所述的RR间期序列中找到大于第一阈值THRrr1的RR间期,并在心电信号中找到其所对应的一段漏检心电信号子序列;
步骤2.6.3、在每段漏检心电信号子序列中,将最大幅值对应的位置点作为新的R峰位置点,并归至所述的候选R峰位置点集合中,获得新的候选R峰位置点集合;
步骤2.6.4、在所述的新的候选R峰位置点集合中,计算相邻两个R峰位置点之间的水平距离值,获得多个新的RR间期,每个所述的新的RR间期对应两个R峰位置点;
将所述的多个新的RR间期按照数值从小到大的顺序排序,获得新的RR间期序列;
步骤2.6.5、重复执行本步骤,在所述的新的RR间期序列中找到小于第二阈值THRrr2的每一个新的RR间期,并在心电信号上找到其所对应的两个R峰位置点,获得多个初选误检R峰位置点;
步骤2.6.6、从所述的多个初选误检R峰位置点中删除幅值小于等于第三阈值THRf对应的确定误检R峰位置点;
获得R峰位置点集合。
进一步地,所述的步骤3具体包括:
步骤3.1、在所述的去噪后的心电信号序列中找到步骤2获得的R峰位置点集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相反的方向对去噪后的心电信号序列进行加窗处理,获得多个第一窗口,在每个第一窗口中利用极小值检测的方法检测极小幅值对应的位置点,获得多个Q峰位置点,获得Q峰位置点集合;
步骤3.2、在所述的去噪后的心电信号中找到步骤2获得的R峰位置集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相同的方向对去噪后的心电信号序列进行加窗处理,获得多个第二窗口,在每个第二窗口中利用极小值检测的方法检测极小幅值对应的位置,获得多个S峰位置,获得S峰位置集合。
进一步地,所述的步骤3.1中第一窗口的窗宽为v1=t1×fs,单位为位置点数,步骤3.2中第二窗口的窗宽为v2=t2×fs,单位为位置点数,其中t1,t2∈(0.06,0.16),单位为s,fs为待识别的心电信号的采样频率,单位为Hz。
进一步地,所述的步骤3.1中,若采用所述极小值检测法在其中一个第一窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之前的第n1个位置点作为当前第一窗口获得的Q峰位置点,n1为正整数;
所述的步骤3.2中,若采用所述极小值检测法在其中一个第二窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之后的第n2个位置点作为当前第一窗口获得的S峰位置点,n2为正整数。
进一步地,n1=λ1×fs,n2=λ2×fs,其中λ1,λ2∈(0.06,0.1),λ1,λ2的单位均为s。
进一步地,所述的步骤4按照以下步骤执行:
步骤4.1、获得第i个P峰位置点坐标范围,所述的第i个P峰位置点坐标范围为[R(i)-0.25×fs,R(i)-0.1×fs],其中R(i)为步骤2获得的第i个R峰位置点坐标,i∈I,I为步骤2获得的R峰位置点集合中R峰位置点的总数;
将在去噪后的心电信号序列中第i个P峰位置点坐标范围内幅值最大的位置点作为第i个P峰侯选位置点;
步骤4.2、判断第i个P峰侯选位置点对应的幅值是否大于U,U为正数,单位为mv:
⑴若第i个P峰侯选位置点对应的幅值大于U,单位为mv,则继续判断第i个P峰侯选位置点与第i个R峰位置点之间的水平距离是否大于第四阈值THR,第四阈值THR=0.5×fs,单位为位置点数:
①若大于,则以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相同的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;
②否则,以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相反的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;
⑵若第i个P峰侯选位置点对应的幅值小于等于U,单位为mv,则直接将第i个P峰侯选位置点作为第i个P峰确定位置点;
步骤4.3、重复执行步骤4.1-4.2,直至获得I个P峰确定位置点,获得P峰位置点集合。
进一步地,所述的U的取值范围为0.2-0.3,单位为mv。
进一步地,所述的步骤4.2中进行加窗处理时,所述窗口的窗宽为v=t×fs,其中t∈(0.01,0.03),单位为s。
本发明与现有技术相比具有以下技术效果:
1、本发明提供了一种高效自适应的心电信号R峰自动识别方法。第一,所述获得候选R峰位置点集的方法中,主要基于心电信号的时域变化特点来完成候选R峰位置点的自动检测。该方法计算简单,从而提高了识别方法的实时性;第二,所述获得R峰位置点集的方法中,根据心电信号中RR间期的局部变化趋势和R峰的波形特点进行漏检与误检的精确筛选,以最终确定R峰的准确位置。该方法大大提高了R峰自动识别的准确性,尤其是针对各种特殊的R峰形态,如双R峰(rSR型、rSr型),小R峰(Qr型、rS型),大R峰(qR型、qRs型、Rs型)等非正常R峰,本发明所提供的方法均可准确识别R峰;第三,所述方法中的动态阈值是针对每一个当前心电信号序列而设置的(即不同的心电信号其阈值不同),因此具有较强的自适应性;
2、本发明提供了一种高效自适应的心电信号中Q峰、S峰与P峰的自动识别方法。所述方法以获得的R峰位置点为基准,通过将窗口搜索法、极值法及阈值法等思想方法进行巧妙融合,有效避免了多次搜索、计算复杂、鲁棒性差等不足,进而提高了识别方法的实时性和计算效率。
附图说明
图1为本发明的一个实施例中提供的待识别的心电信号序列去噪前后对比示意图;
图2为本发明的一个实施例中提供的获得候选R峰位置的示意图;
图3为本发明的一个实施例中提供的有漏检R峰位置的示意图;
图4为本发明的一个实施例中提供的插入漏检R峰位置后,最终R峰检测位置示意图;
图5为本发明的一个实施例中提供的有误检R峰位置的示意图;
图6为本发明的一个实施例中提供的剔除误检R峰位置后,最终R峰检测位置示意图;
图7为本发明的一个实施例中提供的双R峰检测位置示意图;
图8为本发明的一个实施例中提供的小R峰检测位置示意图;
图9为本发明的一个实施例中提供的大R峰检测位置示意图;
图10为本发明的一个实施例中提供的最终Q峰、S峰检测位置示意图;
图11为本发明的一个实施例中提供的有未检测到Q峰、S峰位置示意图;
图12为本发明的一个实施例中提供的最终Q峰、S峰检测位置示意图;
图13为本发明的一个实施例中提供的矫正侯选P峰位置的示意图;
图14为本发明的一个实施例中提供的P峰最终检测位置示意图;
图15为心电信号特征波位置示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
以下对本发明涉及的定义或概念内涵做以说明:
QRS波群:如图15所示,典型的QRS波群包括三个相连的波,第一个向下的波为Q波,继Q波后一个狭高向上的波为R波,与R波相连接的又一个向下的波为S波。由于这三个波紧密相连且总时间不超过0.10秒,故合称QRS波群。
Q峰、R峰、S峰:Q峰为Q波的峰值,R峰为R波的峰值,S峰为S波的峰值,Q峰先出现,后接R峰,最后出现S峰。
P波:向上的圆钝平滑小波,随各导联而稍有不同。P波的宽度一般不超过0.11秒,电压(高度)不超过0.25毫伏。
P峰:P峰为P波的峰值,如图15所示,P峰位于前一个T峰之后和下一个心动周期Q峰之前。
基线漂移频率分布范围:0.15Hz--2Hz,主要分布在0.15Hz。
QRS波群宽度:正常人在0.06*fs~0.10*fs之间,单位为位置点数(图10中的横坐标),fs为心电信号采样频率。
在本发明的实施例中所述的以某个位置点向前是指与心电信号采样方向相反的方向,向后是指与心电信号采样方向相同的方向。
在本实施例中公开了一种心电信号特征波的自动识别方法,用于对待识别的心电信号序列的Q峰、R峰、S峰以及P峰的位置进行识别。
所述的方法按照以下步骤执行:
步骤1、对所述的待识别的心电信号序列进行去噪处理,获得去噪后的心电信号序列;
在本步骤中,对待识别的心电信号序列进行去噪预处理的方法可以是数字带通滤波器,数学形态学滤波法,拟合法,小波分解法等。
为了提高去噪的性能,本发明提出了一种新的小波包分解和小波阈值去噪法,结合了基线漂移,工频干扰和肌电伪迹的频率占优特点,对原本的方法进行了改进,使得去噪性能更强。
可选地,所述的步骤1具体包括:
步骤1.1、对所述的待识别的心电信号序列进行小波包分解,分解层数为M,M≥2,获得M层信号,其中每一层信号包括多个子带信号;
步骤1.3、采用式I对步骤1.1获得的所有子带信号的小波包系数进行更新:
步骤1.4、利用所有子带信号更新后的小波包系数对所述的待识别的心电信号序列进行重构,获得去噪后的心电信号序列。
在本实施例中,如图1所示,对图1中上图的待识别的心电信号序列进行去噪,获得图1中下图所示的去噪后的心电信号序列。
步骤2、从所述的去噪后的心电信号序列中获取多个R峰位置点,获得R峰位置点集合,具体按照以下步骤执行:
步骤2.1、对所述的去噪后的心电信号序列进行一阶差分,获得正差分信号序列以及负差分信号序列;
对所述的正差分信号序列以及负差分信号序列分别以QRS波群宽度为步长进行分段处理,获得正差分信号段集以及负差分信号段集;
步骤2.2、在所述的正差分信号段集内寻找每一正差分信号段中最大幅值对应的位置点,获得多个第一位置点;从多个第一位置点中删除其中幅值为0的第一位置点,获得正差分信号位置点集;
在所述的负差分信号段集内寻找每一负差分信号段中最小幅值对应的位置点后,获得多个第二位置点;从多个第二位置点中删除其中幅值为0的第二位置点,获得负差分信号位置点集;
步骤2.3、在所述的正差分信号位置点集与负差分信号位置点集中进行位置点匹配,获得多对匹配位置点对;
步骤2.4、根据匹配位置点对的时间坐标,在所述的去噪后的心电信号序列中,截取包含于每一匹配位置点对之间的心电信号子序列,获得多段心电信号子序列;
步骤2.5、在每一段心电信号子序列中找到最大幅值对应的位置点,获得候选R峰位置点集合;
步骤2.6、根据候选R峰位置点集合,获得R峰位置点集合;
在本发明中提出了一种基于信号时域变化特点初步检测R峰位置,具有较强的排除异常噪声干扰的能力。
在本实施例中,如图2所示,图2(a)为去噪后的心电信号序列,图2(b)为一阶差分后获得的差分信号序列;针对图2(b)所示的差分信号序列,将其在某幅值阈值带内的值置0,获得如图2(c)的重构信号;将如图2(c)所示的重构信号根据其正负值拆分后,获得如图2(d)所示的正差分信号序列以及如图2(e)所示的负差分信号序列;对如图2(d)所示的正差分信号序列进行分段后,找到最大幅值对应的位置点并且去除幅值为0的位置点后,获得如图2(d)所标记的正差分信号位置点集;对如图2(e)所示的负差分信号进行分段后,找到最小幅值对应的位置点并且去除幅值为0的位置点后,获得如图2(e)所标记的负差分信号位置点集。
在图2(d)以及图2(e)中进行位置点匹配,具体步骤为:
首先在图2(d)中选取第1个点,获取该点的坐标为2159;其次在图2(e)中寻找与图2(d)中第1个点距离最近的一个位置点,例如为图2(e)中的第3个点,获取该点的坐标为2156。这两个点之间的坐标距离为3,小于QRS波群宽度(0.1*fs=50),那么图2(d)中第1个点与图2(e)中的第3个点匹配成功,获得一对匹配位置点对;
利用这个方法获得多对匹配位置点对后,根据每对匹配位置点对的样本点坐标,截取包含于每一匹配位置点对之间的心电信号子序列,获得多段心电信号子序列,之后在每一段信号子序列中找到最大幅值对应的位置点,获得候选R峰位置点集合,如图2(f)所示。
经过步骤2.1-2.5的处理获得了候选R峰位置点集合,但是这个R峰位置点集合中R峰位置点不一定是准确的,因此还需要步骤2.6,根据候选R峰位置点集合,对候选R峰位置点集合进行筛选,获得R峰位置点集合,具体包括:
步骤2.6.1、在所述的候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值,获得多个RR间期,每个所述的RR间期对应两个R峰位置点;
将所述的多个RR间期按照数值从小到大的顺序排序,获得RR间期序列;
步骤2.6.2、重复执行本步骤,在所述的RR间期序列中找到大于第一阈值THRrr1的RR间期,并在心电信号中找到其所对应的一段漏检心电信号子序列;
步骤2.6.3、在每段漏检心电信号子序列中,将最大幅值对应的位置点作为新的R峰位置点,并归至所述的候选R峰位置点集合中,获得新的候选R峰位置点集合;
步骤2.6.4、在所述的新的候选R峰位置点集合中,计算相邻两个R峰位置点之间的水平距离值,获得多个新的RR间期,每个所述的新的RR间期对应两个R峰位置点;
将所述的多个新的RR间期按照数值从小到大的顺序排序,获得新的RR间期序列;
步骤2.6.5、重复执行本步骤,在所述的新的RR间期序列中找到小于第二阈值THRrr2的每一个新的RR间期,并在心电信号上找到其所对应的两个R峰位置点,获得多个初选误检R峰位置点;
步骤2.6.6、从所述的多个初选误检R峰位置点中删除幅值小于等于第三阈值THRf对应的确定误检R峰位置点;
在本实施例中,如图3所示获得了候选R峰位置点集合中所有R峰位置点的示意图,图中带点的峰值对应的信号点即为R峰位置点。计算相邻的两个R峰位置点之间的水平距离值,获得多个RR间期。在本实施例中第23个R峰位置点和第24个R峰位置点之间(图中框出的部分)的RR间期为413,大于第一阈值392,因此说明在第23个R峰位置点和第24个R峰位置点之间存在漏检的R峰值位置点,并将上述两个R峰值点所构成的第23个RR间期内包含的心电信号片段作为漏检心电信号子序列;
在漏检心电信号子序列中找到幅值最大的位置点,作为新的R峰位置点,插入到图3中,获得如图4所示的新的候选R峰位置点集合示意图。
此外,新的候选R峰位置点集合中还可能存在误检的R峰位置点。对此,本发明还提供了一种从新的候选R峰位置点集中删除误检点的方法,具体包括步骤2.6.4-2.6.6。
在本实施例中,如图5所示的新的R峰位置点集合示意图,其中第8个R峰位置点与第9个R峰位置点之间的新的RR间期小于第二阈值,此时第8个R峰位置点与第9个R峰位置点均为初选误检R峰位置点。具体利用幅值的大小判断哪一个位置点是误检的。如图5所示,图中第9个R峰位置点的幅值小于第三阈值,而第8个R峰位置点的幅值大于第三阈值,因此说明第9个R峰位置点是确定误检R峰位置点。故从新的候选R峰位置点集合中删除了第9个R峰位置点;
同理,图5中第19个R峰位置点与第20个R峰位置点之间的新的RR间期小于第二阈值,说明第19个R峰位置点与第20个R峰位置点均为初选误检R峰位置点。其中第19个R峰位置点的幅值大于第三阈值,而第20个R峰位置点的幅值小于第三阈值,因此第20个R峰位置点是确定误检R峰位置点。故从新的候选R峰位置点集合中删除了第20个R峰位置点,获得了如图6所示的R峰位置点集合。
在本实施例中,如图7-9所示,对于双R峰心电信号采用本发明提供的R峰检测方法检测出来的位置如图7所示,图中圆点表示R峰位置点;对于小R峰信号采用本发明提供的R峰检测方法检测出来的位置如图8所示,图中圆点表示R峰位置点;对于大R峰信号采用本发明提供的R峰检测方法检测出来的位置如图9所示,图中圆点表示R峰位置点。
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个Q峰位置点以及每一个S峰位置点,以此获得Q峰位置点集合以及S峰位置点集合;
在本步骤中Q峰和S峰的检测方法还有平面几何斜度法、小波变换法、斜率突变点法、窗口搜素法、阈值法等。
在本发明中为了准确的获得Q峰位置点以及S峰位置点,提出了一种筛选方法,具体包括:
步骤3.1、在所述的去噪后的心电信号序列中找到步骤2获得的R峰位置点集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相反的方向对去噪后的心电信号序列进行加窗处理,获得多个第一窗口,在每个第一窗口中利用极小值检测的方法检测极小幅值对应的位置点,获得多个Q峰位置点,获得Q峰位置点集合;
步骤3.2、在所述的去噪后的心电信号中找到步骤2获得的R峰位置集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相同的方向对去噪后的心电信号序列进行加窗处理,获得多个第二窗口,在每个第二窗口中利用极小值检测的方法检测极小幅值对应的位置,获得多个S峰位置点,获得S峰位置点集合。
在本步骤中,由于Q峰和S峰是伴随着R峰出现的,故根据已确定的R峰位置点来确定Q峰和S峰的位置点就变得相对简单了很多。第一步,根据R峰位置点分别向前和向后进行加窗处理;第二步,从心电信号上可以明显观察到,Q峰点和S峰点均是信号上的局部极小值点。由于局部极值点处导数必为零,故采用极小值法寻找Q峰位置点和S峰位置点。在窗口内的心电信号片段上计算所有极小值点,并选取其中幅值最小的位置点为Q峰位置点或S峰位置点;第三步,当波峰表现非常平缓时,可能会无法找到极值点。在这一情形下,采用阈值法来进一步确定Q峰和S峰的位置点。则将当前对应的R峰位置点之前的第n1个位置点作为当前窗口内获得的Q峰位置点,n1为正整数;同理,将当前对应的R峰位置点之后的第n2个位置点作为当前窗口内获得的S峰位置点,n2为正整数。
在本实施例中,如图10所示,由于QRS波群中Q波、R波、S波依次出现,因此以R峰位置点为基准,分别向前、向后加窗来寻找Q峰和S峰的位置点。图10中圆点为经过步骤2获得的R峰位置点,以图10中第4个R峰位置点为例,由于Q峰在R峰之前出现,故在心电信号序列上以第4个R峰位置点为起点,以相反于心电信号序列采样方向相反的方向(即向前)进行窗宽为v1(60个采样点)的加窗处理,采用前述方法在此窗口内找到第4个R峰位置点所对应的Q峰位置点,即图10所示三角形点。
在本实施例中,如图10所示,与上面选取Q峰同理,以第4个R峰位置点为起点,向后进行窗宽为v2(60个采样点)的加窗处理,在每个窗口中利用所述方法获得Q峰位置点,即图10所示五角形点位置。
可选地,所述的步骤3.1中第一窗口的直径为v1=t1×fs,单位为位置点数,步骤3.2中第二窗口的直径为v2=t2×fs,单位为位置点数,其中t1,t2∈(0.06,0.16),单位为s,fs为待识别的心电信号的采样频率,单位为Hz。
在本发明中为了防止找不到极小值从而搜索不到Q峰以及S峰位置点,提出了峰值点候补搜索方法,具体包括:
可选地,所述的步骤3.1中,若采用所述极小值检测法在其中一个第一窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之前的第n1个位置点作为当前第一窗口获得的Q峰位置点,n1为正整数;
所述的步骤3.2中,若采用所述极小值检测法在其中一个第二窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之后的第n2个位置点作为当前第一窗口获得的S峰位置点,n2为正整数。
其中n1=λ1×fs,n2=λ2×fs,其中λ1,λ2∈(0.06,0.1),λ1,λ2的单位均为s。
在本实施例中,如图11所示圆点为经过步骤2获得的R峰位置点。在所述的步骤3.1中,采用所述极小值检测法在以第9个R峰位置点为起点,向前加窗所得的第一窗口中没有检测到极小幅值对应的位置点,即没有检测到Q峰位置点。则将当前对应的第9个R峰位置点为起点,将其之前的第n1(40个采样点)个位置点作为当前获得的第9个Q峰位置点,即图12所示三角形位置点。
在本实施例中,如图11所示,在所述的步骤3.2中,采用所述极小值检测法在其中第12个R峰位置点为起点,向后加窗所得的第二窗口中没有检测到极小幅值对应的位置点,即没有检测到S峰位置点。与上面选取Q峰同理,将当前对应的第12个R峰位置点为起点,将其之后的第n2(40个采样点)个位置点作为当前获得的第12个S峰位置点,即图12所示五角形位置点。
步骤4、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个P峰位置点,以此获得P峰位置点集合。
可选地,所述的步骤4按照以下步骤执行:
步骤4.1、获得第i个P峰位置点坐标范围,所述的第i个P峰位置点坐标范围为[R(i)-0.25×fs,R(i)-0.1×fs],其中R(i)为步骤2获得的第i个R峰位置点坐标,i∈I,I为步骤2获得的R峰位置点集合中R峰位置点的总数;
将在去噪后的心电信号序列中第i个P峰位置点坐标范围内幅值最大的位置点作为第i个P峰侯选位置点;
步骤4.2、判断第i个P峰侯选位置点对应的幅值是否大于U,U为正数,单位为mv:
⑴若第i个P峰侯选位置点对应的幅值大于U,单位为mv,则继续判断第i个P峰侯选位置点与第i个R峰位置点之间的水平距离是否大于第四阈值THR,第四阈值THR=0.5×fs,单位为位置点数:
①若大于,则以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相同的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;
②否则,以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相反的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;⑵若第i个P峰侯选位置点对应的幅值小于等于U,单位为mv,则直接将第i个P峰侯选位置点作为第i个P峰确定位置点;
步骤4.3、重复执行步骤4.1-4.2,直至获得I个P峰确定位置点,获得P峰位置点集合。
可选地,U的取值范围为0.2-0.3,单位为mv。
在本实施例中,如图13所示,图中圆点表示R峰位置点,图13中菱形表示P峰候选位置点,经过判断图中所有的P峰候选位置点的幅值均小于0.2mv,因此说明图中所有的P峰候选位置点都是P峰确定位置点。
在本实施例中,如图14所示,图中圆点标注的为R峰,图中第一次加窗后找到的候选P峰位置点,菱形标注的为候选P峰位置点,经过判断该候选P峰位置点幅值大于0.2mv,此时需要判断加窗的方向,经过判断后需要向后加窗,即顺着心电信号采样方向加窗,进行二次加窗矫正,得到最终确定的P峰位置点。
可选地,步骤4.2中进行加窗处理时窗口的半径为v=t×fs,其中t∈(0.01,0.03),单位为s。
Claims (9)
1.一种心电信号特征波的自动识别方法,用于获得待识别的心电信号序列的Q峰位置点集合、R峰位置点集合、S峰位置点集合以及P峰位置点集合,其特征在于,所述的方法按照以下步骤执行:
步骤1、对所述的待识别的心电信号序列进行去噪处理,获得去噪后的心电信号序列;
步骤2、从所述的去噪后的心电信号序列中获取多个R峰位置点,获得R峰位置点集合,具体按照以下步骤执行:
步骤2.1、对所述的去噪后的心电信号序列进行一阶差分,获得正差分信号序列以及负差分信号序列;
对所述的正差分信号序列以及负差分信号序列分别以QRS波群宽度为步长进行分段处理,获得正差分信号段集以及负差分信号段集;
步骤2.2、在所述的正差分信号段集内寻找每一正差分信号段中最大幅值对应的位置点,获得多个第一位置点;从多个第一位置点中删除其中幅值为0的第一位置点,获得正差分信号位置点集;
在所述的负差分信号段集内寻找每一负差分信号段中最小幅值对应的位置点后,获得多个第二位置点;从多个第二位置点中删除其中幅值为0的第二位置点,获得负差分信号位置点集;
步骤2.3、在所述的正差分信号位置点集与负差分信号位置点集中进行位置点匹配,获得多对匹配位置点对;一对匹配位置点对之间的坐标距离小于QRS波群宽度;
步骤2.4、根据匹配位置点对的样本点坐标,在所述的去噪后的心电信号序列中,截取包含于每一匹配位置点对之间的心电信号子序列,获得多段心电信号子序列;
步骤2.5、在每一段心电信号子序列中找到最大幅值对应的位置点,获得候选R峰位置点集合;
步骤2.6、根据候选R峰位置点集合,获得R峰位置点集合;
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个Q峰位置点以及每一个S峰位置点,以此获得Q峰位置点集合以及S峰位置点集合;
步骤4、根据步骤2获得的R峰位置点集合中每一个R峰位置点,获得每一个P峰位置点,以此获得P峰位置点集合。
2.如权利要求1所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤2.6中根据候选R峰位置点集合,获得R峰位置点集合,具体包括:
步骤2.6.1、在所述的候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值,获得多个RR间期,每个所述的RR间期对应两个R峰位置点;
将所述的多个RR间期按照数值从小到大的顺序排序,获得RR间期序列;
步骤2.6.2、重复执行本步骤,在所述的RR间期序列中找到大于第一阈值THRrr1的RR间期,并在心电信号中找到其所对应的一段漏检心电信号子序列;
步骤2.6.3、在每段漏检心电信号子序列中,将最大幅值对应的位置点作为新的R峰位置点,并归至所述的候选R峰位置点集合中,获得新的候选R峰位置点集合;
步骤2.6.4、在所述的新的候选R峰位置点集合中,计算相邻两个R峰位置点之间的水平距离值,获得多个新的RR间期,每个所述的新的RR间期对应两个R峰位置点;
将所述的多个新的RR间期按照数值从小到大的顺序排序,获得新的RR间期序列;
步骤2.6.5、重复执行本步骤,在所述的新的RR间期序列中找到小于第二阈值THRrr2的每一个新的RR间期,并在心电信号上找到其所对应的两个R峰位置点,获得多个初选误检R峰位置点;
步骤2.6.6、从所述的多个初选误检R峰位置点中删除幅值小于等于第三阈值THRf对应的确定误检R峰位置点;
获得R峰位置点集合。
3.如权利要求1所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤3具体包括:
步骤3.1、在所述的去噪后的心电信号序列中找到步骤2获得的R峰位置点集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相反的方向对去噪后的心电信号序列进行加窗处理,获得多个第一窗口,在每个第一窗口中利用极小值检测的方法检测极小幅值对应的位置点,获得多个Q峰位置点,获得Q峰位置点集合;
步骤3.2、在所述的去噪后的心电信号中找到步骤2获得的R峰位置集合中每一个R峰位置点,以每一个R峰位置点为起点,以与心电信号采样方向相同的方向对去噪后的心电信号序列进行加窗处理,获得多个第二窗口,在每个第二窗口中利用极小值检测的方法检测极小幅值对应的位置,获得多个S峰位置,获得S峰位置集合。
4.如权利要求3所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤3.1中第一窗口的窗宽为v1=t1×fs,单位为位置点数,步骤3.2中第二窗口的窗宽为v2=t2×fs,单位为位置点数,其中t1,t2∈(0.06,0.16),单位为s,fs为待识别的心电信号的采样频率,单位为Hz。
5.如权利要求3所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤3.1中,若采用所述极小值检测法在其中一个第一窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之前的第n1个位置点作为当前第一窗口获得的Q峰位置点,n1为正整数;
所述的步骤3.2中,若采用所述极小值检测法在其中一个第二窗口中没有检测到极小幅值对应的位置点,则将当前第一窗口对应的R峰位置点之后的第n2个位置点作为当前第一窗口获得的S峰位置点,n2为正整数。
6.如权利要求5所述的心电信号特征波的自动识别方法,其特征在于,n1=λ1×fs,n2=λ2×fs,其中λ1,λ2∈(0.06,0.1),λ1,λ2的单位均为s。
7.如权利要求1所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤4按照以下步骤执行:
步骤4.1、获得第i个P峰位置点坐标范围,所述的第i个P峰位置点坐标范围为[R(i)-0.25×fs,R(i)-0.1×fs],其中R(i)为步骤2获得的第i个R峰位置点坐标,i∈I,I为步骤2获得的R峰位置点集合中R峰位置点的总数;
将在去噪后的心电信号序列中第i个P峰位置点坐标范围内幅值最大的位置点作为第i个P峰侯选位置点;
步骤4.2、判断第i个P峰侯选位置点对应的幅值是否大于U,U为正数,单位为mv:
⑴若第i个P峰侯选位置点对应的幅值大于U,单位为mv,则继续判断第i个P峰侯选位置点与第i个R峰位置点之间的水平距离是否大于第四阈值THR,第四阈值THR=0.5×fs,单位为位置点数:
①若大于,则以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相同的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;
②否则,以第i个P峰侯选位置点为起点,以与心电信号序列采样方向相反的方向进行加窗处理,获取窗口内的幅值最大值,将幅值最大值对应的位置点作为第i个P峰确定位置点;
⑵若第i个P峰侯选位置点对应的幅值小于等于U,单位为mv,则直接将第i个P峰侯选位置点作为第i个P峰确定位置点;
步骤4.3、重复执行步骤4.1-4.2,直至获得I个P峰确定位置点,获得P峰位置点集合。
8.如权利要求7所述的心电信号特征波的自动识别方法,其特征在于,所述的U的取值范围为0.2-0.3,单位为mv。
9.如权利要求7所述的心电信号特征波的自动识别方法,其特征在于,所述的步骤4.2中进行加窗处理时,所述窗口的窗宽为v=t×fs,其中t∈(0.01,0.03),单位为s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813468.5A CN110680302B (zh) | 2019-08-30 | 2019-08-30 | 一种心电信号特征波的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813468.5A CN110680302B (zh) | 2019-08-30 | 2019-08-30 | 一种心电信号特征波的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110680302A CN110680302A (zh) | 2020-01-14 |
CN110680302B true CN110680302B (zh) | 2021-09-10 |
Family
ID=69107690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910813468.5A Active CN110680302B (zh) | 2019-08-30 | 2019-08-30 | 一种心电信号特征波的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110680302B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113786200B (zh) * | 2020-05-28 | 2022-10-11 | 深圳邦健生物医疗设备股份有限公司 | 心电信号处理方法、装置、设备及可读介质 |
US11766207B2 (en) * | 2020-06-01 | 2023-09-26 | Pacesetter, Inc. | Methods, devices and systems for improving R-wave detection and arrhtymia detection accuracy |
CN111685754B (zh) * | 2020-06-19 | 2022-05-10 | 苏州大学 | 针对可穿戴ecg采集设备的心率计算方法及系统 |
CN112635047B (zh) * | 2020-09-22 | 2021-09-07 | 广东工业大学 | 一种鲁棒的心电r峰检测方法 |
CN113317757A (zh) * | 2021-04-30 | 2021-08-31 | 深圳麦格米特电气股份有限公司 | 一种获取生命体征数据的方法、光纤传感器及设备 |
CN113288169B (zh) * | 2021-05-26 | 2024-05-17 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113440145B (zh) * | 2021-06-28 | 2022-04-08 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
WO2023012608A1 (en) * | 2021-08-05 | 2023-02-09 | Boston Scientific Medical Device Limited | Treatment time duration identified in electrocardiogram |
CN113892933B (zh) * | 2021-10-11 | 2023-12-26 | 中国电子科技南湖研究院 | 一种心脏机械活动波形关键基准点检测方法和系统 |
CN115886834A (zh) * | 2022-11-11 | 2023-04-04 | 研祥智慧物联科技有限公司 | Ecg的心电数据波峰检测方法、装置及计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103549950B (zh) * | 2013-11-19 | 2015-04-01 | 上海理工大学 | 移动心电监测差分阈值检测改进算法 |
CN105877741B (zh) * | 2016-05-19 | 2018-11-30 | 中南大学 | 一种便携式手握心电监护仪及qrs波检测方法 |
CA3062901C (en) * | 2017-05-11 | 2024-01-23 | Sridhar KRISHNAN (sri) | System and method for qrs complex detection in compressively sensed electrocardiogram data |
CN108888259B (zh) * | 2018-05-21 | 2021-04-27 | 南京大学 | 一种心电信号实时qrs波检测方法 |
-
2019
- 2019-08-30 CN CN201910813468.5A patent/CN110680302B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110680302A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110680302B (zh) | 一种心电信号特征波的自动识别方法 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
CN101856225B (zh) | 一种心电信号r波峰检测方法 | |
Andreao et al. | ST-segment analysis using hidden Markov Model beat segmentation: application to ischemia detection | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN113440145B (zh) | 一种心电信号t波及其终点自动检测方法 | |
CN107184203A (zh) | 基于自适应集合经验模态分解的心电信号特征点识别方法 | |
CN108294745A (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
Belkadi et al. | A robust QRS detection approach using stationary wavelet transform | |
KR20220150901A (ko) | 모체 자궁 활동 검출을 위한 융합 신호 처리 | |
CN110236538B (zh) | 一种基于肌电信号的运动起始点自动实时检测方法 | |
CN109009087A (zh) | 一种心电信号r波的快速检测方法 | |
CN110090016B (zh) | 定位r波位置的方法及系统、使用lstm神经网络的r波自动检测方法 | |
CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
Boucheham et al. | Piecewise linear correction of ECG baseline wander: a curve simplification approach | |
CN111281378A (zh) | 一种动态心电图中疑似t波电交替分段的筛选方法及装置 | |
CN110420022B (zh) | 一种基于双密度小波变换的p波检测方法 | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN111956209A (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
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 |