CN111265194B - 心室肥大的检测方法、装置、存储介质和处理器 - Google Patents

心室肥大的检测方法、装置、存储介质和处理器 Download PDF

Info

Publication number
CN111265194B
CN111265194B CN201911268956.9A CN201911268956A CN111265194B CN 111265194 B CN111265194 B CN 111265194B CN 201911268956 A CN201911268956 A CN 201911268956A CN 111265194 B CN111265194 B CN 111265194B
Authority
CN
China
Prior art keywords
variability feature
wave
ventricular hypertrophy
target
electrocardiosignals
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
CN201911268956.9A
Other languages
English (en)
Other versions
CN111265194A (zh
Inventor
胡静
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201911268956.9A priority Critical patent/CN111265194B/zh
Publication of CN111265194A publication Critical patent/CN111265194A/zh
Application granted granted Critical
Publication of CN111265194B publication Critical patent/CN111265194B/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
    • A61B5/24—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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (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室肥大的检测方法、装置、存储介质和处理器。该方法包括：通过目标导联获取心室的心电信号；基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。通过本发明，达到了提高心室肥大的检测效率的效果。

Description

心室肥大的检测方法、装置、存储介质和处理器
技术领域
本发明涉及心室检测领域，具体而言，涉及一种心室肥大的检测方法、装置、存储介质和处理器。
背景技术
在相关技术中，在检测心室肥大时，通常通过血管造影术实现，但该方法对心室肥大的检测速度慢，且有创伤；还通常通过人工对采集到的数据集进行分析，数据集比较大的情况下，对心室肥大的检测结果的确定耗时长，甚至可能由于人工不正确的区分正常和异常的心电图信号，使得心室肥大的检测结果出现偏差，从而存在心室肥大的检测效率低的问题。
针对相关技术中的心室肥大的检测效率低的技术问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种心室肥大的检测方法、装置、存储介质和处理器，以至少解决心室肥大的检测效率低的技术问题。
为了实现上述目的，根据本发明的一个方面，提供了一种心室肥大的检测方法。该方法可以包括：通过目标导联获取心室的心电信号；基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
可选地，在检测结果为心室肥大的情况下，该方法还包括：基于分类器对心电信号进行分类，得到心室是否肥大的检测结果，其中，分类器通过心电信号样本和对应的心室是否肥大的检测结果进行训练得到。
可选地，基于分类器对心电信号进行分类，得到心室是否肥大的检测结果包括：对心电信号进行归一化处理；基于分类器对归一化处理后的心电信号进行分类，得到心室是否肥大的检测结果。
可选地，基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果包括：将心电信号输入检测模型，检测模型按照对应关系执行以下步骤：获取心电信号中的S波相对于心电信号中的R波的深度比值；获取心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值；在目标指标值大于目标阈值的情况下，确定检测结果为心室肥大；在目标指标值不大于目标阈值的情况下，确定检测结果为非心室肥大。
可选地，获取心电信号中的S波相对于心电信号中的R波的深度比值包括：从心电信号中提取S波的波形信息和R波的波形信息；基于S波的波形信息和R波的波形信息，确定S波相对于R波的深度比值。
可选地，基于S波的波形信息和R波的波形信息，确定S波相对于R波的深度比值包括：获取S波相对于心电信号中的Q波的第一幅度差，其中，S波的波形信息包括第一幅度差；获取R波相对于Q波的第二幅度差，其中，R波的波形信息包括第二幅度差；将第一幅度差和第二幅度差二者之间的比值，确定深度比值。
可选地，获取心电信号中的ST段的第一变异性特征包括：获取心电信号在ST段的第一信号序列；基于第一信号序列确定第一相位空间；基于第一相位空间确定第一变异性特征。
可选地，获取T波的第二变异性特征包括：获取T波的第二信号序列；基于第二信号序列确定第二相位空间；基于第二相位空间确定第二变异性特征。
可选地，获取ST-T段的第三变异性特征包括：获取ST-T段的第三信号序列；基于第三信号序列确定第三相位空间；基于第三相位空间确定第二变异性特征。
可选地，在目标导联为V1导联的情况下，随着深度比值、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大。
可选地，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将深度比值和第一和之间的积，确定为目标指标值。
可选地，在目标导联为V5导联的情况下，随着深度越小，和/或第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大。
可选地，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将第一和与深度比值之间的商，确定为目标指标值。
可选地，在目标导联为aVR导联的情况下，随着深度比值、幅度比值、R波的幅度、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大，其中，幅度比值为R波的幅度和心电信号中的Q波的幅度之比。
可选地，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；获取深度比值、幅度比值和R波的幅度三者之间的第二和；将第一和与第二和之间的积，确定为目标指标值。
可选地，通过目标导联获取心室的心电信号包括：对心电信号进行滤波处理；对滤波后的心电信号进行模数转换，得到数字信号，其中，数字信号用于输入至检测模型。
可选地，该实施例的心室为右心室。
为了实现上述目的，根据本发明的另一方面，还提供了另一种心室肥大的检测方法。该方法包括：在交互界面上显示心室的心电信号；在交互界面上显示心室是否肥大的检测结果，其中，检测结果是基于目标导联对应的检测模型对心电信号进行分析得到，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
为了实现上述目的，根据本发明的另一方面，还提供了一种心室肥大的检测装置。该装置可以包括：获取单元，用于通过目标导联获取心室的心电信号；分析单元，用于基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
为了实现上述目的，根据本发明的另一方面，还提供了另一种心室肥大的检测装置。该装置可以包括：第一显示单元，用于在交互界面上显示心室的心电信号；第二显示单元，用于在交互界面上显示心室是否肥大的检测结果，其中，检测结果是基于目标导联对应的检测模型对心电信号进行分析得到，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
为了实现上述目的，根据本发明的另一方面，还提供了一种存储介质。该存储介质包括存储的程序，其中，在程序被处理器运行时控制存储介质所在设备执行本发明实施例的心室肥大的检测方法。
为了实现上述目的，根据本发明的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的心室肥大的检测方法。
通过本发明，采用通过目标导联获取心室的心电信号；基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。也就是说，基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，方法简单，速度快，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种心室肥大的检测方法的流程图；
图2是根据本发明实施例的另一种心室肥大的检测方法的流程图；
图3是根据本发明实施例的一种右心室肥大的示意图；
图4是根据本发明实施例的一种在右心室肥大时心电图的变化波形的示意图；
图5是根据本发明实施例的另一种心室肥大的检测方法的流程图；
图6是根据本发明实施例的一种用于指示心室肥大的心电信号的示意图；
图7是根据本发明实施例的一种心电心拍的示意图；
图8是根据本发明实施例的另一种右心室肥大的检测方法的流程图；
图9是根据本发明实施例的一种心室肥大的检测装置的示意图；以及
图10是根据本发明实施例的一种心室肥大的检测装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明提供了一种心室肥大的检测方法。
图1是根据本发明实施例的一种心室肥大的检测方法的流程图。如图1所示，该方法可以包括以下步骤：
步骤S102，通过目标导联获取心室的心电信号。
在本发明上述步骤S102提供的技术方案中，目标导联也即心电图导联，可以用于记录电极在人体体表的放置位置及电极与放大器的连接方式，可以通过电极探测人体细胞的电活动，并且通过心电图机器将其转换成波形。该实施例的目标导联可以包括多个，通过目标导联获取心室的心电信号(Electrocardiogram，简称为ECG)，该心室为待检测是否为心室肥大的心室，心电信号可以进行预处理，包括对心电信号进行滤波和波形信息提取等处理。
可选地，该实施例的检测是否发生心室肥大的心室为右心室。
步骤S104，基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
在本发明上述步骤S104提供的技术方案中，在通过目标导联获取心室的心电信号之后，基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
在该实施例中，预先建立检测模型，通过该检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，该检测模型可以用于建立不同的心电信号与对应的心室是否肥大的对应关系，可选地，该实施例基于右心室肥大的心电信号的波形特点，可以设计不同目标导联下右心室肥大和心电信号相关的特征，从而针对每一个导联上对应的特征设计一个检测模型，以用于进行心室肥大的检测，比如，进行右心室肥大的检测。其中，可以采用小波变换技术提取心电信号中的波的波形信息，比如，P波、QRS波和T波的波形信息，即一个完整的心拍，也称为单心拍。
在该实施例中，可以获取目标导联上的与心室肥大对应的心电信号，检测该心电信号的特征，该特征可以包括心电信号的波形特征，该波形特征用于反映心电信号的波形特点，从而基于心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
可选地，目标导联包括V1导联，心室肥大在V1导联上面的心电信号的波形特征可以是：1)电压：V1导R/S≥1；2)继发ST-T改变。提取心电信号的特征，可以包括QS波相对于R波的深度，心电轴的角度，以及ST-T的形态变化等特征。
可选地，目标导联包括V5导联，心室肥大在V5导联上面的心电信号的波形特征可以是：1)电压：V5导R/S≤1；2)继发ST-T改变。提取心电信号的特征，可以包括QS波相对于R波的深度，心电轴的角度，以及ST-T的形态变化等特征。
可选地，目标导联包括aVR导联，心室肥大在aVR导联上面的心电信号的波形特征可以是：1)电压：aVR导R/S或R/q≥1；2)RaVR＞0.05mv；3)继发ST-T改变。提取心电信号的特征，可以包括S波相对于R波的深度，R波的幅度，Q波相对于R波的高度，以及ST-T的形态变化等特征。
可选地，判断心电信号是否符合检测模型对应的条件，如果心电信号符合检测模型对应的条件，则可以确定检测结果为心室肥大，比如，确定检测结果为右心室肥大(RVH)；如果心电信号不符合检测模型对应的条件，则可以确定检测结果为非心室肥大。
通过本发明上述步骤S102至步骤S104，采用通过目标导联获取心室的心电信号；基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。也就是说，基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，方法简单，速度快，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
下面对该实施例的上述步骤进行进一步地介绍。
作为一种可选的实施方式，在检测结果为心室肥大的情况下，该方法还包括：基于分类器对心电信号进行分类，得到心室是否肥大的检测结果，其中，分类器通过心电信号样本和对应的心室是否肥大的检测结果进行训练得到。
在该实施例中，在基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果之后，如果检测结果为心室肥大，则可以进一步通过分析器对心电信号进行处理，以作为右心室肥大检测的辅助依据，其中，分类器也即综合决策分类器，可以为支持向量机(Support Vector Machine，简称为SVM)，用于对通过检测模型检测后没有满足对应的条件的心电信号进行进一步地分类，是一种可以进行训练的机器学习模型，可以采用线性函数、惩罚因子、训练样本采样率进行训练得到，其中，惩罚因子可以0.01，训练样本采样率可以0.8。
可选地，该实施例的SVM的优化目标为公式可以为
Figure GDA0002475849880000071
s.t.yi(ωxi+b)≥1-ξi,i＝1,2...n，其中，ω，b用于表示训练参数，用于反映SVM超平面的法向量系数和偏移系数，C为惩罚因子；yi用于表示实际信号类型；ωxi+b为输入特征xi距离SVM超平面的距离。通过训练，修改ω，b参数从而得到最优超平面，以使样本可分的置信度最大。
作为一种可选的实施方式，基于分类器对心电信号进行分类，得到心室是否肥大的检测结果包括：对心电信号进行归一化处理；基于分类器对归一化处理后的心电信号进行分类，得到心室是否肥大的检测结果。
在该实施例中，在实现基于分类器对心电信号进行分类，得到心室是否肥大的检测结果时，可以先对心电信号进行归一化处理，可以将从心电信号中提取的特征进行归一化处理，比如，对心电信号中的S波相对于R波的深度指标、ST间隔变异性特征、T波变异性特征、ST-T间隔变异性特征、R波幅度与q波的幅度比值、R波的幅度等特征进行归一化处理，该归一化处理可以为z-score归一化处理方式，可以将每个特征处理成“零均值，一方差”，比如，
Figure GDA0002475849880000072
其中，x用于表示需要进行归一化处理的心电信号的特征，μ用于表示均值，σ用于表示标准差，xnorm用于表示归一化后的信号的特征。可选地，在实际使用时，均值、标准差可以采用训练样本的均值、标准差来代替。
作为一种可选的实施方式，步骤S104，基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果包括：将心电信号输入检测模型，检测模型按照对应关系执行以下步骤：获取心电信号中的S波相对于心电信号中的R波的深度比值；获取心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值；在目标指标值大于目标阈值的情况下，确定检测结果为心室肥大；在目标指标值不大于目标阈值的情况下，确定检测结果为非心室肥大。
在该实施例中，在实现基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果时，可以将心电信号输入检测模型，检测模型按照预先已经建立好的不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系对心电信号进行处理，可以从心电信号中提取出S波和R波，获取S波相对于R波的深度比值(RS_ratio)，该深度比值也即深度指标，如果目标导联上的深度比值越大，则越有可能为右心室肥大。
该实施例还可以采用离散程度，变异性分析ST-T的形态变化，其中，该形态变化可以包括ST段的变化、T波的变化以及ST-T的变化。该实施例可以获取心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征，其中，第一变异性特征可以为ST间隔变异性特征(STIV)，第二变异性特征可以为T波变异性特征(TIV)，第三变异性特征可以为ST-T间隔变异性特征(STTIV)。
在获取上述第一变异性特征、上述第二变异性特征和上述第三变异性特征之后，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值，其中，对于不同的目标导联，具体的基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征的公式不同。在获取目标指标值之后，判断目标指标值是否大于目标阈值，该目标阈值可以为由大量实验数据获得的经验参数，可以是自适应阈值。
在判断目标指标值是否大于目标阈值之后，如果判断出目标指标值大于目标阈值，则可以确定检测结果为心室肥大，可以确定为右心室肥大。如果目标指标值不大于目标阈值，则可以确定检测结果为非心室肥大，可以进一步地通过分类器对心电信号进行分类，得到心室是否肥大的检测结果。
下面对该实施例的上述获取心电信号中的S波相对于心电信号中的R波的深度比值的方法，进行进一步介绍。
作为一种可选的实施方式，获取心电信号中的S波相对于心电信号中的R波的深度比值包括：从心电信号中提取S波的波形信息和R波的波形信息；基于S波的波形信息和R波的波形信息，确定S波相对于R波的深度比值。
在该实施例中，可以从心电信号中提取S波的波形信息，该S波的波形信息可以是S波的幅度，从心电信号中提取R波的波形信息，该R波的波形信息可以为R波的幅度，从而可以基于S波的波形信息和R波的波形信息，确定S波相对于R波的深度比值。
作为一种可选的实施方式，基于S波的波形信息和R波的波形信息，确定S波相对于R波的深度比值包括：获取S波相对于心电信号中的Q波的第一幅度差，其中，S波的波形信息包括第一幅度差；获取R波相对于Q波的第二幅度差，其中，R波的波形信息包括第二幅度差；将第一幅度差和第二幅度差二者之间的比值，确定深度比值。
在该实施例中，可以以心电信号中的Q波为基线，确定S波相对于Q波的第一幅度差，可以为S_depth＝ecg(X_Q)-ecg(X_S)，其中，ecg(X_S)可以用于表示S波的幅度，ecg(X_Q)可以用于表示Q波的幅度；该实施例还可以获取R波相对于Q波的第二幅度差，可以为R_height＝ecg(X_R)-ecg(X_Q)，其中，ecg(X_R)可以用于表示R波的幅度。在获取第一幅度差和第二幅度差之后，可以将第一幅度差和第二幅度差之间的比值，确定上述深度比值，也即，RS_ratio＝R_height/S_depth。
下面对该实施例的获取心电信号中的ST段的第一变异性特征的方法，进行进一步地介绍。
作为一种可选的实施方式，获取心电信号中的ST段的第一变异性特征包括：获取心电信号在ST段的第一信号序列；基于第一信号序列确定第一相位空间；基于第一相位空间确定第一变异性特征。
在该实施例中，可以获取心电信号在ST段的第一信号序列，该第一信号序列也即ST间期的序列，可以是x1(n)，其中，n＝1，...m，该第一信号序列也即ST间期的序列。在获取第一信号序列之后，基于第一信号序列确定第一相位空间，该第一相位空间也即ST间期的相位空间(y1(n))，可以通过y1(n)＝(x1(n),x1(n+1),...,x1(n+(m-1)t),n＝1,2,....,m进行表示，进而基于第一相位空间确定第一变异性特征，可以为通过
Figure GDA0002475849880000091
来确定第一变异性特征STIV，其中，||.||用于表示欧几里得距离，h用于表示阶梯函数，m用于表示嵌入维数，t用于表示延迟时间，C用于表示组合运算，r用于表示参数。
下面对该实施例的获取T波的第二变异性特征的方法，进行进一步地介绍。
作为一种可选的实施方式，获取T波的第二变异性特征包括：获取T波的第二信号序列；基于第二信号序列确定第二相位空间；基于第二相位空间确定第二变异性特征。
在该实施例中，可以获取心电信号中的T波的第二信号序列，该第二信号序列也即T波的序列，可以通过x2(n)，n＝1，...m进行表示。在获取第二信号序列之后，基于第二信号序列获取第二相位空间，该第二相位空间也即ST间期的相位空间(y2(n))，可以通过y2(n)＝(x2(n),x2(n+1),...,x2(n+(m-1)t),n＝1,2,....,m进行表示，进而基于第二相位空间确定第二变异性特征，可以通过
Figure GDA0002475849880000101
来确定第二变异性特征TIV，其中，||.||用于表示欧几里得距离，h用于表示阶梯函数，m用于表示嵌入维数，t用于表示延迟时间，C用于表示组合运算，r用于表示参数。
下面对该实施例的获取ST-T段的第三变异性特征的方法，进行进一步介绍。
作为一种可选的实施方式，获取ST-T段的第三变异性特征包括：获取ST-T段的第三信号序列；基于第三信号序列确定第三相位空间；基于第三相位空间确定第二变异性特征。
在该实施例中，可以获取心电信号中的ST-T段的第三信号序列，该第三信号序列也即ST-T间期的序列，可以通过x3(n)，n＝1，...m进行表示。在获取第三信号序列之后，基于第三信号序列获取第三相位空间，该第三相位空间也即ST-T间期的相位空间(y3(n))，可以通过y3(n)＝(x3(n),x3(n+1),...,x3(n+(m-1)t),n＝1,2,....,m进行表示，进而基于第三相位空间确定第三变异性特征，可以通过
Figure GDA0002475849880000102
来确定第三变异性特征STTIV，其中，||.||用于表示欧几里得距离，h用于表示阶梯函数，m用于表示嵌入维数，t用于表示延迟时间，C用于表示组合运算，r用于表示参数。
作为一种可选的实施方式，在目标导联为V1导联的情况下，随着深度比值、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大。
在该实施例中，目标导联可以为V1导联，在V1导联上面计算得到上述深度比值、第一变异性特征、第二变异性特征和第三变异性特征之后，可以设计一个自适应阈值检测器来检测心室是否肥大，可以基于V1导联上的心电信号的波形特点可知，随着深度比值越大，ST段变化越大，T波改变越大、ST-T变化越大，则右心室肥大出现的可能性越大，从而随着深度比值、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大，该目标指标值越大，则越有可能是右心室肥大。
作为一种可选的实施方式，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将深度比值和第一和之间的积，确定为目标指标值。
在该实施例中，基于V1导联上的心电信号的波形特点设计自适应阈值检测器detector_1，可选地，获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将深度比值和第一和之间的积，确定为目标指标值，比如，Z_V1＝RS_ratio×(STIV+TIV+STTIV)，其中，Z_V1用于表示在目标导联为V1导联的情况下的目标指标值，RS_ratio用于表示深度比值，STIV用于表示第一变异性特征，TIV用于表示第二变异性特征，STTIV用于表示第三变异性特征。
在目标导联为V1导联的情况下，在确定目标阈值时，目标指标值Z_V1的初始阈值可以为Z_V1D0(由大量实验获得的经验参数)，Z_V1Dq用于表示第q个Z阈值，自适应阈值的更新公式可以为Z_V1Dq+1＝λ1Z_V1Dq+μ1Z_V1Dq-1，其中，λ1和μ1是参数，并且λ1+μ1＝1，在该实施例中，可以根据大量实验数据，得到λ1＝0.85，μ1＝0.15。
在该实施例中，当实时检测得到的目标指标值Z_V1q值大于目标阈值Z_V1Dq，并且深度比值Rs_ratio大于1时，则可以确定右心室肥大，而反之，剩下心电信号为不可分样本，将其输入到分类器中，以进一步通过分析器对心电信号进行处理，作为右心室肥大检测的辅助依据。
作为一种可选的实施方式，在目标导联为V5导联的情况下，随着深度越小，和/或第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大。
在该实施例中，目标导联可以为V5导联，在V1导联上面计算得到上述深度比值、第一变异性特征、第二变异性特征和第三变异性特征之后，可以设计一个自适应阈值检测器来检测心室是否肥大，可以基于V5导联上的心电信号的波形特点可知，深度比值越小，ST段变化越大，T波改变越大，ST-T变化越大，则右心室肥大出现的可能性越大，从而随着深度越小，和/或第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大，该目标指标值越大，则越有可能是右心室肥大。
作为一种可选的实施方式，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将第一和与深度比值之间的商，确定为目标指标值。
在该实施例中，基于V5导联上的心电信号的波形特点设计自适应阈值检测器detector_2，可选地，获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；将第一和与深度比值之间的商，确定为目标指标值，比如，Z_V5＝(STIV+TIV+STTIV)/RS_ratio，其中，Z_V5用于表示在目标导联为V5导联的情况下目标指标值，RS_ratio用于表示深度比值，STIV用于表示第一变异性特征，TIV用于表示第二变异性特征，STTIV用于表示第三变异性特征。
在目标导联为V5导联的情况下，在确定目标阈值时，目标指标值Z_V5的初始阈值可以为Z_V5D0(由大量实验获得的经验参数)，Z_V5Dq表示第q个Z阈值，则自适应阈值更新公式可以为Z_V5Dq+1＝λ2Z_V5Dq+μ2Z_V5Dq-1，其中，λ2和μ2是参数，i且额λ2+u2＝1，在该实施例中，可以根据大量实验数据，得到λ1＝0.80，μ1＝0.2。
在该实施例中，当实时检测得到的目标指标值Z_V5q值大于目标阈值Z_V5Dq，并且深度比值RS_ratio小于1时，则可以确定右心室肥大，而反之，剩下心电信号为不可分样本，将其输入到分类器中，以进一步通过分析器对心电信号进行处理，作为右心室肥大检测的辅助依据。
作为一种可选的实施方式，在目标导联为aVR导联的情况下，随着深度比值、幅度比值、R波的幅度、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大，其中，幅度比值为R波的幅度和心电信号中的Q波的幅度之比。
在该实施例中，目标导联可以为aVR导联，除了获取深度比值、第一变异性特征、第二变异性特征和第三变异性特征之外，还可以获取幅度比值和Q波的幅度，其中，幅度比值为R波的幅度和心电信号中的Q波的幅度之比，可以为RS_ratio＝ecg(X_R)/ecg(X_Q)，其中，ecg(X_R)用于表示R波的幅度，ecg(X_Q)用于表示Q波的幅度，R波的幅度可以为AmpR＝ecg(X_R)。基于aVR导联上的心电信号的波形特点可知，深度比值越大，幅度比值越大，R波的幅度越大，ST段变化越大，T波改变越大，ST-T变化越大，右心室肥大出现的可能性越大，从而随着随着深度比值、幅度比值、R波的幅度、第一变异性特征、第二变异性特征和第三变异性特征中的至少之一增大，目标指标值越大，目标指标值越大，该目标指标值越大，则越有可能是右心室肥大。
作为一种可选的实施方式，基于深度比值、第一变异性特征、第二变异性特征和第三变异性特征，获取目标指标值包括：获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；获取深度比值、幅度比值和R波的幅度三者之间的第二和；将第一和与第二和之间的积，确定为目标指标值。
在该实施例中，基于aVR导联上的心电信号的波形特点设计自适应阈值检测器detector_3，可选地，获取第一变异性特征、第二变异性特征和第三变异性特征三者之间的第一和；获取深度比值、幅度比值和R波的幅度三者之间的第二和；将第一和与第二和之间的积，确定为目标指标值，比如，Z_aVR＝(RS_ratio+Rq_ratio+AmpR)×(STIV+TIV+STTIV)，其中，Z_aVR用于表示在目标导联为aVR导联的情况下目标指标值，RS_ratio用于表示深度比值，Rq_ratio用于表示幅度比值，AmpR用于表示R波的幅度，STIV用于表示第一变异性特征，TIV用于表示第二变异性特征，STTIV用于表示第三变异性特征。
在目标导联为aVR导联的情况下，在确定目标阈值时，目标指标值Z_aVR的初始阈值可以为Z_aVRD0(由大量实验获得的经验参数)，Z_aVRDq表示第q个Z阈值，则自适应阈值更新公式可以为Z_aVRDq+1＝λ3Z_aVRDq+μ3Z_aVRDq-1，其中，λ3和μ3是参数，λ3+μ3＝1，在本发明中，根据大量实验数据，得到λ3＝0.80，μ3＝0.2。
在该实施例中，当实时检测得到的目标指标值Z_aVR值大于目标阈值Z_aVRDq，并且深度比值RS_ratio大于1，R波的幅度AmpR大于0.5时，则可以确定右心室肥大，而反之，剩下心电信号为不可分样本，将其输入到分类器中，以进一步通过分析器对心电信号进行处理，作为右心室肥大检测的辅助依据。
作为一种可选的实施方式，步骤S102，通过目标导联获取心室的心电信号包括：对心电信号进行滤波处理；对滤波后的心电信号进行模数转换，得到数字信号，其中，数字信号用于输入至检测模型。
在该实施例中，在实现通过目标导联获取心室的心电信号时，还可以对心电信号进行预处理。由于实际采集到的心电信号可能包括各种噪声，波形粗糙，不光滑，这会导致心电信号中的有用信息难以准确提取，该实施例可以对心电信号进行滤波处理，可以采用低通数字滤波器(巴特沃斯滤波器)对心电信号进行低通滤波，以滤除心电信号中的高频噪声，从而得到滤波后的心电信号，该滤波后的心电信号可以包括束支阻滞信号，其中，高频噪声可以在300Hz以上。可选地，该实施例在对心电信号进行滤波处理之前，还可以对心电信号进行阻抗匹配。在对心电信号进行滤波处理之后，还可以对滤波处理后的心电信号进行放大等处理。
可选地，该实施例在对心电信号进行滤波处理之后，对滤波后的心电信号进行模数转换，可以通过模数转换器对滤波后的心电信号进行模数转换，得到数字信号，可以由存储器对该数字信号进行存储。
本发明还提供了另一种心室肥大的检测方法。
图2是根据本发明实施例的另一种心室肥大的检测方法的流程图。如图2所示，该方法可以包括以下步骤：
步骤S202，在交互界面上显示心室的心电信号。
在本发明上述步骤S202提供的技术方案中，通过目标导联获取心室的心电信号，可以将该心电信号显示在交互界面上，其中，心室可以为待检测是否为心室肥大的心室，心电信号可以进行预处理，包括对心电信号进行滤波和波形信息提取等处理。
步骤S204，在交互界面上显示心室是否肥大的检测结果，其中，检测结果是基于目标导联对应的检测模型对心电信号进行分析得到，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
在本发明上述步骤S204提供的技术方案中，在交互界面上显示心室的心电信号之后，在交互界面上显示心室是否肥大的检测结果。该实施例需要预先建立检测模型，通过该检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，该检测模型可以用于建立不同的心电信号与对应的心室是否肥大的对应关系，可选地，该实施例基于右心室肥大的心电信号的波形特点，可以设计不同目标导联下右心室肥大和心电信号相关的特征，从而针对每一个导联上对应的特征设计一个检测模型，以用于进行心室肥大的检测，进而将心室是否肥大的检测结果显示在交互界面上。识别得到的心室肥大的分类结果，可选地，在包含心电模块的单导联心电贴、多体征设备、监护仪设备上显示出来，可以作为个人或者医生检测、诊断的基础。
通过上述步骤S202和步骤S204，在交互界面上显示心室的心电信号；在交互界面上显示心室是否肥大的检测结果，其中，检测结果是基于目标导联对应的检测模型对心电信号进行分析得到，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。也就是说，本申请基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，方法简单，速度快，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
该实施例基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果。与相关技术相比，该实施例的不同点在于：(1)基于心室肥大的波形特征进行特征分析，准确率和稳定性更高，满足实际应用需求；(2)心室肥大的检测方法快速简单，能够应用在便携或手持仪器上面；(3)心室肥大的检测方法简单，区别明显，即使非专业人士也能够明白；(4)使得早期诊断“沉默的”心脏病(大约72％的心脏病是“沉默的”)可以早发现，早治疗，进而减少突然死亡概率。(5)相比血管造影术，该实施例的心室肥大的检测方法诊断速度快，无创伤；(6)相关技术中的人工诊断大数据集的比较困难，浪费时间，甚至可能导致不正确的区分正常和异常的心电图信号，而该实施例实现了自动诊断，可以适用于大数据集的诊断，速度快，可减轻医生工作量实现了自动诊断，可以适用于大数据集的诊断，速度快，可减轻医生工作量，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
实施例2
下面结合优选的实施例对本发明实施例的方案进行进一步举例说明。
心室肥大包括心脏扩大和心室肥厚。心脏扩大是指心脏肌肉失去了原有弹性，因血流量(心室肥厚)及压力增加，使心脏扩大，常见原因为心室炎及心瓣膜闭锁不全、甲状腺功能亢进及维他命B1缺乏。心室肥厚为整个心脏外观比正常大，引起这种症状的常见原因为心脏的出口狭窄(比如，主动脉瓣膜狭窄)，血管末梢阻力增加(比如。高血压)以及心室病变(比如，遗传性心室肥厚症)。其中，诊断心室肥大最客观的方法通常是胸部X光、心电图和心脏超音波检查，各有其诊断的标准。心室肥大有病态性的也有生理性的，比如，训练有素的运动员经常有生理性心室肥大，这是由于长期体能需求使心脏逐渐进行适应性变化所致，至于病态性心室肥大最常见于高血压病患者。
导致心室肥大的原因通常有肥胖、高血压、饮酒过量、血中胰岛素过高(因细胞对胰岛素反应不良所致)、交感神经或肾上腺作用旺盛、血管张力素系统过强。心室肥大者较易发生种种心血管并发症，需要在生活上做好调整，并与医师配合使用适当药物来治疗高血压并减缓心室肥大。
心室肥大包括分为左心室肥大和右心室肥大。当存在右心室肥大(RVH)时，胸导联上的QRS波群形态发生改变，比如，V1导联上QRS波群为正向，R波高大，这是由于右心室心肌体积增大，如图3所示，其中，图3是根据本发明实施例的一种右心室肥大的示意图，这会引起心室去极化净电流流向这一右胸导联，V1导联上的R波高度大于S波高度，从而提示右心室肥大。另外，V6导联上S波通常较深，其深度甚至可大于R波高度。
如图3所示，在发生右心室肥大时，最明显的症状就是心尖波动向左侧移动。图4是根据本发明实施例的一种在右心室肥大时心电图的变化波形的示意图。如图4所示，包括导联aVR、aVL、aVF、V1至V6上的心电信号，该心电图指示出了电轴右偏，V1导联qR型，aVR导联R波振幅为0.6mV，P波改变符合右房异常。在发生右心室肥大时，最明显的症状就是心尖波动向左侧移动，在心电图中表现为：1)电压：V1导R/S≥1；V5导R/S≤1，aVR导R/S或R/q≥1，Rv1+Sv5＞1.05mv，RaVR＞0.05mv，心电轴右偏，继发ST-T改变。
该实施例提出了一种基于心电信号的右心室肥大检测方法，从而更适合实际应用场景。发明所提出的方法为检测心室肥大提供了很好的选择，可以运行在便携式心电图仪或心室肥大检测装置上。
图5是根据本发明实施例的另一种心室肥大的检测方法的流程图。如图5所示，该方法可以包括以下步骤：
步骤S501，对心电信号进行预处理，包括对心电信号进行滤波处理和波形信息的提取。
步骤S502，基于右心室肥大的波形特点，设计不同导联下右心室肥大和心电信号相关的特征，针对每一个导联上的特征设计一个独立检测器，以进行右心室肥大的检测。
步骤S503，融合所有导联对应的特征，设计一个综合决策分类器，用于检测三个导联对应的独立检测器没有分类出来的样本。
步骤S504，结合综合决策分类器和每一个导联上面的独立检测器进行最终的右心室肥大识别。
下面对上述步骤S501进行介绍。
在步骤S501中，可以利用多通道同步数据采集，将要处理的人体心脏信号、背景噪声和心电信号进行采集和存储。首先，通过心电导联和传感器获得心电信号，可以通过模拟电路对采集的心电信号进行阻抗匹配、过滤、放大等处理。然后，由模数转换器把心电信号的模拟信号转化为数字信号，并由存储器进行存储。其中，实际采集到的心电信号包括了各种噪声，波形粗糙，不光滑，导致QRS中蕴含的有用信息难以提取。然后，采用低通数字滤波器(巴特沃斯滤波器)对心电信号进行低通滤波，滤除心电信号中的高频噪声(300Hz以上)，得到滤波后的心电信号O(t)，其中，包含束支阻滞的心电信号，如图6所示，其中，图6是根据本发明实施例的一种用于指示心室肥大的心电信号的示意图，包括在V1导联、V2导联、V3导联、V4导联、V5导联、V6导联上的心电信号。最后，采用小波变换技术提取心电信号中的P波、QRS波和T波的波形信息，即一个完整的心拍，也称为单心拍，如图7所示，其中，图7是根据本发明实施例的一种心电心拍的示意图。如图7所示，包括P波、Q波、R波、S波、T波、U波，横坐标轴用于表示时间(s)，纵坐标用于表示电压(V)。
下面对该实施例的步骤S502进行介绍。
在实现基于右心室肥大的波形特点，设计每一个导联上右心室肥大和心电信号相关的特征，用于右心室肥大识别时，可以针对右心室肥大在V1导联上面的心电信号(ECG)波形特点：1)电压：V1导R/S≥1；2)继发ST-T改变，提取ECG的形态特征，包括QS波相对于R波的深度，心电轴的角度，以及ST-T的形态变化。
可选地，令X_P、X_Q、X_R、X_S和X_T表示P波、Q波、R波、S波和T波的序列，首先，计算S波相对于R波的深度指标(深度比值)RS_ratio，对其进行分析可知，如果V1导联上的深度比值RS_ratio越大，则越有可能是右心室肥大。计算S波相对于Q波(以Q波为基线)的幅度差，如公式(1)所示，并计算R波相对于Q波的幅度差公式，如公式(2)所示。
S_depth＝ecg(X_Q)-ecg(X_S) (1)
R_height＝ecg(X_R)-ecg(X_Q) (2)
基于S波相对于Q波的幅度差、R波相对于Q波的幅度差计算S波相对于R波的深度比值，如公式(3)所示。
RS_ratio＝R_height./S_depth (3)
其次，采用离散程度，也就是变异性来分析ST-T的形态变化，其中，包括ST段的变化、T波的变化以及ST-T的变化。可以令x1(n)，n＝1，...m，为ST间期的序列。ST间期的相位空间(y1(n))的计算结果如公式(4)所示，ST间隔变异性(STIV)的计算结果如公式(5)所示。
y1(n)＝(x1(n),x1(n+1),...,x1(n+(m-1)t),n＝1,2,....,m (4)
Figure GDA0002475849880000171
可以令x2(n)，n＝1，...m，为T波的序列。ST间期的相位空间(y2(n))的计算结果如公式(6)所示，T波变异性(TIV)的计算结果如公式(7)所示。
y2(n)＝(x2(n),x2(n+1),...,x2(n+(m-1)t),n＝1,2,....,m (6)
Figure GDA0002475849880000172
可以令x3(n)，n＝1，...m，为ST-T间期的序列。ST-T间期的相位空间(y3(n))的计算结果如公式(8)所示，ST-T间隔变异性(STTIV)的计算结果如公式(9)所示。
y3(n)＝(x3(n),x3(n+1),...,x3(n+(m-1)t),n＝1,2,....,m (8)
Figure GDA0002475849880000173
其中，公式(5)、(7)、(9)中的||.||用于表示欧几里得距离，h用于表示阶梯函数，m用于表示嵌入维数，t用于表示延迟时间，C用于表示组合运算，r用于表示参数。
最后，在V1导联上面计算得到上述的所有特征之后，接下来设计一个自适应阈值检测器detector_1来检测右心室肥大。基于V1导联上的心电信号的波形特点，可以知道深度比值RS_ratio越大，ST段变化越大ST间隔变异性，T波改变越大T波变异性，ST-T变化越大，右心室肥大出现的可能性越大。因此，设计一个综合指标Z_V1，该Z_V1越大，则越有可能是右心室肥大，如下公式(10)所示。
Z_V1＝RS_ratio×(STIV+TIV+STTIV) (10)
其中，Z_V1的初始阈值为Z_V1D0(由大量实验获得的经验参数)，Z_V1Dq用于表示第q个Z阈值，则自适应阈值更新公式如公式(11)所示，其中λ1和μ1是参数，λ1+μ1＝1，在本发明中，根据大量实验数据，得到λ1＝0.85，μ1＝0.15。
Z_V1Dq+1＝λ1Z_V1Dq+μ1Z_V1Dq-1 (11)
自适应阈值检测器detector_1的判断规则：当实时检测得到的Z_V1q值大于Z_V1Dq，并且RS_ratio大于1时，就可以确定该段信号对应的是右心室肥大的检测结果，而反之，剩下的样本认为是不可分样本，最终将其输入至SVM分类器中。
作为一种可选的实例，该实施例针对右心室肥大在V5导联上面的心电信号(ECG)波形特点：1)电压：V5导R/S≤1；2)继发ST-T改变。提取ECG的形态特征，包括QS波相对于R波的深度，心电轴的角度，以及ST-T的形态变化。
首先，计算S波相对于R波的深度比值RS_ratio，分析可知，V5导联上RS_ratio越大，越有可能是右心室肥大。分别计算S波和R波相对于Q波(以Q波为基线)的幅度差，如公式(1)～(3)所示。
其次，采用离散程度，也就是变异性来分析ST-T的形态变化，包括ST段的变化、T波的变化以及ST-T的变化。令x1(n)，n＝1，...m为ST间期的序列。具体计算过程如公式(4)～(9)所示。
最后，在V5导联上面计算得到上述所有特征之后，接下来设计一个自适应阈值检测器detector_2来检测右心室肥大。基于波形特点，可以知道RS_ratio越小，ST段变化越大，T波改变越大，ST-T变化越大，右心室肥大出现的可能性越大。因此，设计一个综合指标Z_V5，Z_V5越大，越有可能是右心室肥大，如下公式(12)所示。
Z_V5＝(STIV+TIV+STTIV)/RS_ratio (12)
其中，Z_V5的初始阈值为Z_V5D0(由大量实验获得的经验参数)，Z_V5Dq表示第q个Z阈值，则自适应阈值更新公式如公式(13)所示，其中λ2和μ2是参数，λ2+μ2＝1，在本发明中，根据大量实验数据，得到λ1＝0.80，μ1＝0.2。
Z_V5Dq+1＝λ2Z_V5Dq+μ2Z_V5Dq-1 (13)
自适应阈值检测器detector_2的判断规则如下：当实时检测得到的Z_V5q值大于Z_V5Dq，并且RS_ratio小于1时，就可以确定该段信号对应的检测结果为右心室肥大，而反之，剩下的样本则可以确定是不可分样本，最终将其输入至SVM分类器中。
作为一种可选的示例，针对右心室肥大在aVR导联上面的心电信号(ECG)波形特点：1)电压：aVR导R/S或R/q≥1；2)RaVR＞0.05mv；3)继发ST-T改变。提取ECG的形态特征，包括S波相对于R波的深度，R波的幅度，q波相对于R波的高度，以及ST-T的形态变化。
在该实施例中，可以令X_P、X_Q、X_R、X_S和X_T表示P、Q、R、S和T波的时间序列，ecg表示心电信号的电压幅值序列。
首先，计算S波相对于R波的深度比值RS_ratio，分析可知，aVR导联上RS_ratio越大，越有可能是右心室肥大。计算上RS_ratio的过程，如公式(1)～(3)所示。
R波的幅度的AmpR＝ecg(X_R)；则R波幅度与q波的幅度比值为RS_ratio＝ecg(X_R)/ecg(X_Q)；
ST-T的形态变化如公式(4)～(9)所示。
在aVR导联上面计算得到上述所有特征之后，接下来设计一个自适应阈值检测器detector_3来检测右心室肥大。基于波形特点，可以知道RS_ratio越大，RS_ratio(R波幅度与q波的幅度比值为RS_ratio)越大，AmpR(R波的幅度的)越大，ST段变化越大，T波改变越大，ST-T变化越大，右心室肥大出现的可能性越大。因此，设计一个综合指标Z_aVR，Z_aVR越大，越有可能是右心室肥大，如公式(14)所示：
Z_aVR＝(RS_ratio+Rq_ratio+AmpR)×(STIV+TIV+STTIV) (14)
其中，Z_aVR的初始阈值为Z_aVRD0(由大量实验获得的经验参数)，Z_aVRDq表示第q个Z阈值，则自适应阈值更新公式如公式(15)所示，其中λ3和μ3是参数，λ3+μ3＝1，在本发明中，根据大量实验数据，得到λ3＝0.80，μ3＝0.2。
Z_aVRDq+1＝λ3Z_aVRDq+μ3Z_aVRDq-1 (15)
自适应阈值检测器detector_3的判断规则如下：当实时检测得到的Z_aVRq值大于Z_aVRDq，并且RS_ratio大于1，并且Rq_ratio大于1，AmpR大于0.5时，就可以确定该段信号对应的是右心室肥大的检测结果，而反之，剩下的样本可以认为是不可分样本，最终将其输入到SVM分类器中。
下面对该实施例的步骤S503进行介绍。
在步骤S503中，融合所有导联的特征，设计一个综合决策分类器。对提取的所有人工特征进行z-score归一化将每个特征处理成“零均值，一方差”，如公式(16)所示，x用于表示输入的心电信号，μ用于表示均值，σ用于标准差，xnorm用于表示归一化后的信号。可选地，在实际使用时，均值、标准差可以采用训练样本的均值、标准差代替。
Figure GDA0002475849880000201
在该实施例中，将归一化后的特征，输入SVM，进行分类，从而得到最终分类结果。其中，SVM采用线性函数，惩罚因子0.01，训练样本采样率0.8。SVM的优化目标为公式(17)所示，其中，ω，b用于表示训练参数反映SVM超平面的法向量系数和偏移系数；C用于表示惩罚因子；yi用于表示实际信号类型；ωxi+b用于表示输入特征xi距离超平面的距离。通过训练，修改ω，b参数得到最优超平面，使样本可分的置信度最大。
Figure GDA0002475849880000202
图8是根据本发明实施例的另一种右心室肥大的检测方法的流程图。如图8所示，该方法可以包括以下步骤：
通过训练集样本的特征分布，并结合临床经验，确定每个特征判定的阈值，流程细节如下：
步骤S801，V1导联输入心电信号。
步骤S802，判断心电信号是否满足detector_1的条件。
在detector1中，当实时检测得到的Z_V1q值大于Z_V1Dq，并且RS_ratio大于1时，就执行步骤S807，确定该段信号对应的检测结果为右心室肥大的检测结果，而反之，执行步骤S808，将心电信号输入最终的SVM分类器中。
通过训练集样本的特征分布，并结合临床经验，确定每个特征判定的阈值，流程细节如下：
步骤S803，V5导联输入心电信号。
步骤S804，判断心电信号是否满足detector_2的条件。
在detector2中，当实时检测得到的Z_V5q值大于Z_V5Dq，并且RS_ratio小于1时，就执行步骤S807，确定该段信号对应的检测结果为右心室肥大的检测结果，而反之，执行步骤S808，将心电信号输入最终的SVM分类器中。
步骤S805，aVR导联输入心电信号。
步骤S806，判断心电信号是否满足detector_3的条件。
在detector3中，当实时检测得到的Z_aVRq值大于Z_aVRDq，并且RS_ratio大于1，并且RS_ratio大于1，AmpR大于0.5时，就执行步骤S807，确定该段信号对应的检测结果为右心室肥大的检测结果，而反之，执行步骤S808，将心电信号输入最终的SVM分类器中。
步骤S807，确定该段信号对应的检测结果为右心室肥大的检测结果。
步骤S808，将心电信号输入最终的SVM分类器中。
步骤S809，确定是右心室肥大或非右心室肥大。
该实施例利用SVM分类器，对三个独立自适应阈值检测器检测后没有满足阈值要求的样本进行进一步的分类。
通过综合规则和SVM得到的分类结果，可以作为右心室肥大检测的辅助依据，帮助个人或者医生检测、诊断。
识别得到的右心室肥大的分类结果，在包含心电模块的单导联心电贴、多体征设备、监护仪设备上显示出来，可以作为个人或者医生检测、诊断的基础。
该实施例基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例3
本发明还提供了一种心室肥大的检测装置。需要说明的是，该实施例的心室肥大的检测装置可以用于执行本发明实施例的图1所示的心室肥大的检测方法。
图9是根据本发明实施例的一种心室肥大的检测装置的示意图。如图9所示，该心室肥大的检测装置90可以包括：获取单元91和分析单元92。
获取单元91，用于通过目标导联获取心室的心电信号。
分析单元92，用于基于目标导联对应的检测模型，对心电信号进行分析，得到心室是否肥大的检测结果，其中，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
本发明还提供了另一种心室肥大的检测装置。需要说明的是，该实施例的心室肥大的检测装置可以用于执行本发明实施例的图2所示的心室肥大的检测方法。
图10是根据本发明实施例的一种心室肥大的检测装置的示意图。如图10所示，该心室肥大的检测装置100可以包括：第一显示单元101和第二显示单元102。
第一显示单元101，用于在交互界面上显示心室的心电信号，
第二显示单元102，用于在交互界面上显示心室是否肥大的检测结果，其中，检测结果是基于目标导联对应的检测模型对心电信号进行分析得到，检测模型用于通过目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系。
在该实施例中，基于心电信号，通过预先建立的与导联对应的检测模型对输入的心电信号进行分析，得到心室是否肥大的检测结果，方法简单，速度快，从而解决了心室肥大的检测效率低的技术问题，达到了提高心室肥大的检测效率的技术效果。
实施例4
本发明实施例提供了一种存储介质。该存储介质包括存储的程序，其中，在程序被处理器运行时控制存储介质所在设备执行本发明实施例的心室肥大的检测方法。
实施例5
本发明实施例提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的心室肥大的检测方法。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种心室肥大的检测方法，其特征在于，包括：
通过目标导联获取心室的心电信号；
基于所述目标导联对应的检测模型，对所述心电信号进行分析，得到所述心室是否肥大的检测结果，其中，所述检测模型用于通过所述目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系；
其中，基于所述目标导联对应的所述检测模型，对所述心电信号进行分析，得到所述心室是否肥大的所述检测结果，包括：将所述检测模型按照所述对应关系执行以下步骤：
获取所述心电信号中的S波相对于所述心电信号中的R波的深度比值；获取所述心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值；在所述目标指标值大于目标阈值的情况下，确定所述检测结果为所述心室肥大；在所述目标指标值不大于所述目标阈值的情况下，确定所述检测结果为非所述心室肥大。
2.根据权利要求1所述的方法，其特征在于，在所述检测结果为所述心室肥大的情况下，所述方法还包括：
基于分类器对所述心电信号进行分类，得到所述心室是否肥大的检测结果，其中，所述分类器通过心电信号样本和对应的心室是否肥大的检测结果进行训练得到。
3.根据权利要求1所述的方法，其特征在于，获取所述心电信号中的S波相对于所述心电信号中的R波的深度比值包括：
从所述心电信号中提取S波的波形信息和R波的波形信息；
基于所述S波的波形信息和所述R波的波形信息，确定所述S波相对于所述R波的深度比值。
4.根据权利要求1所述的方法，其特征在于，
获取所述心电信号中的ST段的第一变异性特征包括：获取所述心电信号在所述ST段的第一信号序列；基于所述第一信号序列确定第一相位空间；基于所述第一相位空间确定所述第一变异性特征；
获取所述T波的第二变异性特征包括：获取所述T波的第二信号序列；基于所述第二信号序列确定第二相位空间；基于所述第二相位空间确定所述第二变异性特征；
获取所述ST-T段的第三变异性特征包括：获取所述ST-T段的第三信号序列；于所述第三信号序列确定第三相位空间；基于所述第三相位空间确定所述第二变异性特征。
5.根据权利要求1所述的方法，其特征在于，
在所述目标导联为V1导联的情况下，随着所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征中的至少之一增大，所述目标指标值越大，基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值包括：获取所述第一变异性特征、所述第二变异性特征和所述第三变异性特征三者之间的第一和；将所述深度比值和所述第一和之间的积，确定为所述目标指标值；
在所述目标导联为V5导联的情况下，随着所述深度比值越小，且所述第一变异性特征、所述第二变异性特征和所述第三变异性特征中的至少之一增大，所述目标指标值越大，基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值包括：获取所述第一变异性特征、所述第二变异性特征和所述第三变异性特征三者之间的第一和；将所述第一和与所述深度比值之间的商，确定为所述目标指标值。
6.根据权利要求1所述的方法，其特征在于，在所述目标导联为aVR导联的情况下，随着所述深度比值、幅度比值、R波的幅度、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征中的至少之一增大，所述目标指标值越大，其中，所述幅度比值为所述R波的幅度和所述心电信号中的Q波的幅度之比，基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值包括：
获取所述第一变异性特征、所述第二变异性特征和所述第三变异性特征三者之间的第一和；
获取所述深度比值、所述幅度比值和所述R波的幅度三者之间的第二和；
将所述第一和与所述第二和之间的积，确定为所述目标指标值。
7.一种心室肥大的检测方法，其特征在于，包括：
在交互界面上显示心室的心电信号；
在所述交互界面上显示所述心室是否肥大的检测结果，其中，所述检测结果是基于目标导联对应的检测模型对所述心电信号进行分析得到，所述检测模型用于通过所述目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系；
其中，在所述交互界面上显示所述心室是否肥大的所述检测结果之前，所述方法还包括：将所述检测模型按照所述对应关系执行以下步骤：
获取所述心电信号中的S波相对于所述心电信号中的R波的深度比值；获取所述心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值；在所述目标指标值大于目标阈值的情况下，确定所述检测结果为所述心室肥大；在所述目标指标值不大于所述目标阈值的情况下，确定所述检测结果为非所述心室肥大。
8.一种心室肥大的检测装置，其特征在于，包括：
获取单元，用于通过目标导联获取心室的心电信号；
分析单元，用于基于所述目标导联对应的检测模型，对所述心电信号进行分析，得到所述心室是否肥大的检测结果，其中，所述检测模型用于通过所述目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系；
其中，所述分析单元用于通过以下步骤基于所述目标导联对应的所述检测模型，对所述心电信号进行分析，得到所述心室是否肥大的所述检测结果，包括：将所述检测模型按照所述对应关系执行以下步骤：
获取所述心电信号中的S波相对于所述心电信号中的R波的深度比值；获取所述心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值；在所述目标指标值大于目标阈值的情况下，确定所述检测结果为所述心室肥大；在所述目标指标值不大于所述目标阈值的情况下，确定所述检测结果为非所述心室肥大。
9.一种心室肥大的检测装置，其特征在于，包括：
第一显示单元，用于在交互界面上显示心室的心电信号；
第二显示单元，用于在所述交互界面上显示所述心室是否肥大的检测结果，其中，所述检测结果是基于目标导联对应的检测模型，对所述心电信号进行分析得到，所述检测模型用于通过所述目标导联上的与心室肥大对应的心电信号的特征，建立不同的心电信号与对应的心室是否肥大的检测结果之间的对应关系；
其中，所述装置在所述交互界面上显示所述心室是否肥大的所述检测结果之前，还用于：将所述检测模型按照所述对应关系执行以下步骤：
获取所述心电信号中的S波相对于所述心电信号中的R波的深度比值；获取所述心电信号中的ST段的第一变异性特征、T波的第二变异性特征和ST-T段的第三变异性特征；基于所述深度比值、所述第一变异性特征、所述第二变异性特征和所述第三变异性特征，获取目标指标值；在所述目标指标值大于目标阈值的情况下，确定所述检测结果为所述心室肥大；在所述目标指标值不大于所述目标阈值的情况下，确定所述检测结果为非所述心室肥大。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序被处理器运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的方法。
11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。
CN201911268956.9A 2019-12-11 2019-12-11 心室肥大的检测方法、装置、存储介质和处理器 Active CN111265194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911268956.9A CN111265194B (zh) 2019-12-11 2019-12-11 心室肥大的检测方法、装置、存储介质和处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911268956.9A CN111265194B (zh) 2019-12-11 2019-12-11 心室肥大的检测方法、装置、存储介质和处理器

Publications (2)

Publication Number Publication Date
CN111265194A CN111265194A (zh) 2020-06-12
CN111265194B true CN111265194B (zh) 2023-02-14

Family

ID=70992312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911268956.9A Active CN111265194B (zh) 2019-12-11 2019-12-11 心室肥大的检测方法、装置、存储介质和处理器

Country Status (1)

Country Link
CN (1) CN111265194B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108903935A (zh) * 2018-07-11 2018-11-30 上海夏先机电科技发展有限公司 一种室性早搏识别方法、识别系统及电子设备
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN109589110A (zh) * 2018-12-28 2019-04-09 上海联影智能医疗科技有限公司 心电导联检测方法、装置、设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003214188A1 (en) * 2002-03-14 2003-09-29 Inovise Medical, Inc. Method and system for detection of left ventricular hypertrophy

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108903935A (zh) * 2018-07-11 2018-11-30 上海夏先机电科技发展有限公司 一种室性早搏识别方法、识别系统及电子设备
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN109589110A (zh) * 2018-12-28 2019-04-09 上海联影智能医疗科技有限公司 心电导联检测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN111265194A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN107714023B (zh) 基于人工智能自学习的静态心电图分析方法和装置
Fang et al. Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space
Takalo-Mattila et al. Inter-patient ECG classification using deep convolutional neural networks
Beritelli et al. A novel training method to preserve generalization of RBPNN classifiers applied to ECG signals diagnosis
He et al. Automatic detection of QRS complexes using dual channels based on U-Net and bidirectional long short-term memory
Poddar et al. Automated classification of hypertension and coronary artery disease patients by PNN, KNN, and SVM classifiers using HRV analysis
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
CN111358459A (zh) 一种心律失常识别方法、装置、设备和存储介质
Malek et al. Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
CN114732419A (zh) 运动心电数据分析方法、装置、计算机设备与存储介质
Suboh et al. ECG-based detection and prediction models of sudden cardiac death: Current performances and new perspectives on signal processing techniques
Zhang et al. Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy
CN113080991A (zh) 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质
Bhoi et al. QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review.
Thurner et al. Complex-Pan-Tompkins-Wavelets: Cross-channel ECG beat detection and delineation
WO2012173583A1 (en) Method and device for evaluation of myocardial ischemia based on current density maps
Kar et al. A technical review on statistical feature extraction of ECG signal
JPH0767843A (ja) 心電図信号のスペクトル分析方法および装置
Tung et al. Multi-lead ECG classification via an information-based attention convolutional neural network
Kishore et al. An innovative machine learning approach for classifying ECG signals in healthcare devices
Mahajan et al. Identification of heart beat abnormality using heart rate and power spectral analysis of ECG
Simjanoska et al. ECG-derived Blood Pressure Classification using Complexity Analysis-based Machine Learning.
CN111265194B (zh) 心室肥大的检测方法、装置、存储介质和处理器
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks

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