CN111265204A - 一种由母亲腹部混合ecg信号提取胎儿心率的算法 - Google Patents
一种由母亲腹部混合ecg信号提取胎儿心率的算法 Download PDFInfo
- Publication number
- CN111265204A CN111265204A CN202010267503.0A CN202010267503A CN111265204A CN 111265204 A CN111265204 A CN 111265204A CN 202010267503 A CN202010267503 A CN 202010267503A CN 111265204 A CN111265204 A CN 111265204A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- wave
- heart rate
- fecg
- fhr
- 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
- 210000002458 fetal heart Anatomy 0.000 title claims abstract description 34
- 210000001015 abdomen Anatomy 0.000 title abstract description 13
- 238000000926 separation method Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000001605 fetal effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 21
- 230000003187 abdominal effect Effects 0.000 claims description 10
- 230000008774 maternal effect Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000012880 independent component analysis Methods 0.000 description 10
- 238000002604 ultrasonography Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 210000003754 fetus Anatomy 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种由母亲腹部混合ECG信号提取胎儿心率的算法,包括腹部混合心电信号预处理、MQRS波检测、胎儿心电信号FECG分离、FQRS波检测、信号质量估计和卡尔曼滤波融合六个部分。算法融合了TS、TS‑PCA和TS‑ICA的分离算法,避免单一算法在处理某些数据时的不可用性,以提高分离算法的准确性和可靠性,同时利用信号质量估计、卡尔曼滤波算法进行多导联胎儿心率信息进行优化和融合,得到最优的胎儿心率FHR曲线,这种方法综合利用了各个通道的信息,大大提高了胎儿心率FHR曲线的准确性和抗干扰能力。
Description
技术领域
本发明涉及胎儿心率算法领域,具体涉及一种由母亲腹部混合信号提取胎儿心率的算法。
背景技术
胎儿心率(FHR)是监测胎儿的生长发育状况的重要指标,通过获取的胎儿心率可以判定胎儿的生长发育中是否发生异常状况,以便可以及早采取补救的措施,保障胎儿及孕妇的健康与安全。当前胎儿心率主要通过多普勒超声的方法检测,如普遍采用各种多普勒胎心仪对胎心进行监护,其根据多普勒效应制成的超声诊断胎心的状况,从而可以得到胎儿心率。
上述采用多普勒超声的方法虽然能够有效地监护胎儿心率,但是因为超声辐射的能量会进入人体,考虑到该超声辐射会对人体的健康产生影响,因此在采用多普勒超声的方法监护胎儿心率时,在其监护次数及监测方法上都要受到控制,而不能频繁且长期地使用。
在现有技术中,公开了基于孕妇心电信号获得胎儿心电信号用以得到胎儿心率,具体的是通过电极方式采集孕妇腹部心电信号,从所采集的孕妇腹部心电信号中分离并计算出胎儿心率。此方法对胎儿及孕妇来说都是一种无创的方法,可以避免对人体有害的超声能量等进入人体,相对于传统的多普勒超声的方法更为安全,且可实现长期监测。
由母亲腹部混合ECG信号(AECG)提取胎儿心率FHR的算法主要包括两步:一是从AECG信号中分离出胎儿心电信号(FECG),二是根据FECG信号计算胎儿心率FHR。目前已有的基于AECG信号的FECG分离算法主要有自适应滤波算法、模板减法(TS)、以及盲信号分析(主成成分分析(ICA)、独立成分分析(PCA)等),以及其减法(TS-PCA)、(TS-ICA)等融合算法。其中自适应滤波算法必须同步采集母亲胸部导联作为参考,利用自适应滤波消除AECG信号中的母亲ECG信号,算法的效果受自适应滤波器的影响较大;TS技术是在AECG中,利用母亲QRS波(MQRS)波检测,利用平均技术等建立一个MECG模板(一个母亲心拍周期,记为TsECG),然后从AECG中减去TsECG信号,剩余的信号作为FECG信号,依赖于MQRS波的检测,模板匹配算法,且受噪声影响较大。盲信号分离算法(BSS)主要是利用多导联AECG信号(导联越多越好),利用PCA、ICA等方法从AECG中直接估计出FECG。但是ICA方法依赖于信号源是独立的以及非高斯性的假设,当使用高阶统计量,ICA将多变量信号分解为其子件组的形式;PCA方法假设来自各种来源的信号是线性混合的,大的方差代表感兴趣的结构,并且各种成分是正交。然而,MECG和FECG在观察空间中,没有任何正交性,所以PCA和ICA的算法,很多情况下并不合理,且PCA和ICA算法受多导联信号的限制。融合算法TS-BSS(TS-PCA和TS-ICA)是性能一般优于TS、BSS算法,但是由于涉及环境和母体的基线漂移、工频干扰、运动伪迹、肌电干扰,以及胎儿在子宫中的位置、电极的位置、以及孕周的大小等因素,导致FECG在AECG中可能淹没于噪声,甚至完全不可见,在很多情况下TS-BSS算法,同样不能满足临床应用的要求。
发明内容
本发明提供的一种技术方案是一种由母亲腹部混合ECG信号提取胎儿心率的算法,提供一种能够提高胎儿心率提取的精确度的方法,且不必依赖母体导联信号作为参考。
本发明由母亲腹部混合ECG信号提取胎儿心率的算法,包括腹部混合心电信号预处理、MQRS波检测、胎儿心电信号FECG分离、FQRS波检测、信号质量估计和卡尔曼滤波融合六个部分。
(1)腹部混合心电信号预处理,包括:
1Hz IIR高通滤波器,去除AECG信号中的基线漂移;
80Hz FIR低通滤波器,去除AECG信号中的高频成分;
50/60Hz陷波器,去除工频干扰
(2)MQRS波检测
通过MQRS波检测确定母亲心搏发生的位置,为接下来的胎儿心电信号分离算法提供参考点。
(3)FECG信号分离
对胎儿心电信号FECG进行分离,分离算法在TS、TS-BSS(TS-PCA和TS-ICA)的基础上,融合BSS算法,即对于TS、TS-PCA和TS-ICA算法分离得到的FECG作为信号输入,再次使用PCA和ICA方法进行二次FECG分离。
(4)FQRS检测
FQRS检测算法同步运行在多通道的FECG;
(5)信号质量估计
进行信号质量估计,评估各个通道得到的FQRS波的可靠程度。
(6)卡尔曼滤波融合
①从各个通道初步得到的FQRS波位置,结合信号质量,对初步得到的FHR曲线,利用卡尔曼滤波器进行优化;
②根据信号质量、以及卡尔曼滤波的残差,利用各个通道的FHR曲线进行加权,得到最优的FHR曲线。
根据上述的技术方案,相对于现有技术,本发明具有如下的有益效果:
1)融合TS、TS-PCA和TS-ICA的FECG分离算法,避免单一算法在处理某些数据时的不可用性,以提高分离算法的准确性和可靠性;
2)二是扩增FECG导联数,为进一步地BSS分离,提供更全面的信号输入;
3)利用信号质量估计、卡尔曼滤波算法进行多导联FHR信息进行优化和融合,得到最优的FHR曲线,这种方法综合利用了各个通道的信息,大大提高了胎儿心率FHR曲线的准确性和抗干扰能力。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1是算法的整体的流程图;
图2是胎儿信号分离和卡尔曼滤波优化的流程图;
图3是原始的AECG信号和提取的FECG信号的实例图;
图4(a)是本算法输入的4个导联的AECG信号图,(b)是输入的AECG信号经过算法分离方法获得的FECG信号图;
图5(a)是导联经过FQRS检测获取的初步的FHR曲线图,(b)是利用卡尔曼滤波处理后的FHR曲线图;
图6(a)(b)(c)(d)是经过卡尔曼滤波前后的FHR曲线对比图,(e)是经过融合算法得到的最优的FHR曲线处理后的结果图。
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。
本发明提供了一种由母亲腹部混合ECG信号提取胎儿心率的算法,包括腹部混合心电信号预处理、MQRS波检测、胎儿心电信号FECG分离、FQRS波检测、信号质量估计和卡尔曼滤波融合六个部分,具体地,如图1所示,包括:
步骤S1,从母体的腹部采集包含母体心电信号和胎儿心电信号的腹部混合信号AECG。
步骤S2,利用滤波器对步骤S1采集到的AECG信号进行预处理,去除采集到的AECG信号中的基线漂移、工频干扰、高频噪声、随机噪声等;
具体地,预处理算法主要包括:
1Hz IIR高通滤波器,去除AECG信号中的基线漂移;
80Hz FIR低通滤波器,去除AECG信号中的高频成分;
50/60Hz陷波器,去除工频干扰。
步骤S3,通过MQRS波检测确定母亲心搏发生的位置,为接下来的胎儿心电信号分离算法提供参考点。
QRS波的检测,主要是经过带通、差分、平方、平滑等处理之后,削弱ECG信号中的噪声和P、T波等,突出QRS波群的成分,最后根据一种自适应阈值,检测大于阈值的点,作为QRS波的位置。
在使用TS算法提取胎儿心电信号时,要基于MQRS波的位置,但是不同通道上QRS波的位置略有差异,所以在每个通道分析之前,需要重新调整QRS波的位置。
步骤S4,对胎儿心电信号FECG进行分离,分离算法在TS、TS-BSS(TS-PCA和TS-ICA)的基础上,融合BSS算法,即对于TS、TS-PCA和TS-ICA算法分离得到的FECG作为信号输入,再次使用PCA和ICA方法进行二次FECG分离。融合多种分离算法的目的,一方面是为了防止单一算法不适用于某些特定的数据,而导致算法不适用,二是扩增FECG导联数,为进一步地BSS分离,提供更全面的信号输入。
在本实施例中,假如原始AECG信号是4个导联的数据,分别经过TS、TS-PCA和TS-ICA算法分离得到的FECG数据一共包括了12个通道的FECG数据(本实施例中未区分经过TS-PCA、TS-ICA、PCA、ICA算法输出的FECG信号、噪声信号或是MECG信号,统一称为FECG)。如图2所示,最后一共得到36个通道的FECG信号用于FQRS波检测和信号质量评估(所得到的FECG信号记为,fecgSig(lead,:),lead=1,…,L,L是通道数,这里L=36)。
步骤S5,FQRS检测算法同步运行在多通道的FECG,一方面是为了用于计算FHR曲线,另一方面用于评估该通道的信号质量。
具体地,本实施例利用QRS波检测算法,对各个导联的FECG进行同步处理,检测各个导联中疑似QRS波的波,记为FQRS波。然后根据RR间期的波动,以及FQRS和MQRS波的匹配程度,记为参数F1,进行信号质量的估计。如果某个通道的计算得到的参数F1小于一定阈值的情况下,波动性越大,说明其对应的FHR曲线越好,用FSQI表示,具体见公式(3)。
FQRS和MQRS波的匹配程度F1的公式如式(1)所示:
式中,TP是FQRS和MQRS相互匹配的QRS数量,FP是MQRS波不存在而FQRS波存在的QRS波数量(不匹配),FN是MQRS波存在而FQRS波存在的QRS波的数量(不匹配)。本实施例中,匹配窗口的长度取50ms。
fecgSig(lead,:),lead=1,…L中,对某个通道的fecgSig(lead,:),如果FQRS和MQRS的匹配程度F1很高,说明该通道lead对应的fecgSig(lead,:)很可能是分离不成功,导致MECG信号非常明显。
fecgSig(lead,:),lead=1,…L中,对每个通道的fecgSig(lead,:)进行FHR提取处理,然后利用线性插值对FHR曲线进行插值,插值后的FHR曲线,记newFhr,插值的时间间隔为0.25s。假如fecgSig(lead,:)的时长为20秒,经过插值处理后的FHR曲线newFhr的总点数为80个点,newFhr(n),n=1,…N,N=80。
Abs(newFhr(n+1)-newFhr(n))<threshold (2)
根据(2)式,判断newFhr波动小于阈值的点数,记为oCnt。oCnt越大,说明newFhr波动越小。
步骤S6,进行信号质量估计,评估各个通道得到的FQRS波的可靠程度。FQRS波的可靠程度可用信号质量指数FSQI表示,可由式(3)表示
公式(3)用来度量第lead通道的fecgSig(lead,:)(lead=1,…L)得到的FHR曲线的信号质量。FSQI(lead)越大,说明对应的FHR曲线越可靠,ecgSig(lead,:)越接近真实的FECG。
步骤S7,从各个通道初步得到的FQRS波位置,结合信号质量,对初步得到的FHR曲线,利用卡尔曼滤波器进行优化,目的是利用卡尔曼滤波估计能够大大的提高算法的抗干扰能力。经过卡尔曼滤波器处理,能够提高FHR曲线的准确性,但是只看某一个通道的FHR,会丢失其他FHR曲线的重要信息。
卡尔曼滤波KF是一种最优随机信号状态估计方法,估计离散时间控制过程,用测量数据z,x,其中x和z由线性随机差分方程进行管理。
xk=Axk-1+Buk+wk-1
zk=Hxk+vk
随机变量w和v,是独立的,并且满足高斯分布,P(w)~N(1,Q)且p(v)~N(0,R),A,B,H是系数状态转移矩阵,Q是状态噪声协方差,R是测量噪声协方差,u是状态x的可选控制输入。
KF算法由以下等式给出:
为了从更干净的数据中估计出更新的权值,当KK更新时,我们使用FSQI去调整测量的误差的协方差矩阵R。当FSQI值低的时候,Zk应该不那么值得相信,因此KK的值应该更小,因此我们强制使得R更大。这可以通过下面的方程来实现:
R→R·(1+ea(SQI-b))2)
其中a和b是一个常数,其中a<0,而b∈(0,1)。当FSQI=1时,协方差矩阵R几乎无变化,当FAQI<b尤其是接近0的时候,(1+ea(SQI-b))会使R收敛于一个很大的值。这个函数影响KF信任当前测量值的程度,Zk和卡尔曼增益Kk。在低的FSQI值时,R倾向无穷大(但实际上限收敛于一个很大的值)并迫使KF减少Kk值,并且更相信之前的测量值。
步骤S8,根据信号质量、以及卡尔曼滤波的残差,利用各个通道的FHR曲线进行加权,得到最优的FHR曲线。
使用卡尔曼滤波对FQRS检测算法得到的FHR曲线进行优化(优化后的FHR曲线记为kfHR),对优化后的FHR曲线kfHR(lead)(lead=1,2…,L),按照下面的公式进行加权平均处理。
图3是本实施例中一段AECG信号和所提取的FECG信号,图中虚线是原始的AECG信号,实线是相应的算法分离得到的FECG曲线(在实际中AECG和FECG均是多导联信号,这里只选择其中一个通道进行显示),“+”’是算法检测到的MQRS波的位置,“o”是算法检测到的FQRS波的位置。
图4是本实施例中的4导联AECG以及分离算法获得的36通道的中的12个通道的FECG信号,包括FECG、MECG、噪声等;图4(a)是本算法输入的4个导联的AECG信号;图4(b)是4导联AECG信号经过TS、TS-ICA、TS-PCA等分离算法获得的36通道的中的12个通道的FECG信号,包括FECG、MECG、噪声等,图中曲线是信号、“*”是FQRS波的位置。
图5(a)是一个导联FECG,根据FQRS检测获取的初步的FHR曲线;(b)实线曲线是利用卡尔曼滤波对(a)中初步得到的FHR曲线进行处理,得到的FHR曲线(kfHR(lead)),虚线曲线是根据胎儿头皮电极获取的ECG信号得到的参考FHR曲线。可以看出,经过卡尔曼滤波处理,可以进一步的降低原始FHR曲线中的噪声成分,逼近参考的FHR曲线。
图6(a)(b)(c)(d)是四个通道的KF滤波前后的FHR曲线,其中虚线是根据FQRS波检测获取的原始FHR曲线,实线是KF算法对原始FHR曲线处理后的结果。图6(e)实线曲线是利用KF算法得到的FHR,根据信号质量FSQI值进行融合得到的最终的最优的FHR曲线,虚线曲线是根据胎儿头皮电极获取的ECG信号得到的参考FHR曲线。可以看到四个包含噪声波动的FHR曲线,经过加权平均后,获得的最优FHR曲线,和参考值非常接近
虽然本发明已以较佳实施例公开如上,但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (5)
1.一种由母亲腹部混合ECG信号提取胎儿心率的算法,其特征在于:包括腹部混合心电信号预处理、MQRS波检测、胎儿心电信号FECG分离、FQRS波检测、信号质量估计、卡尔曼滤波融;
所述胎儿心电信号FECG分离包括:以TS、TS-BSS算法分离所得的FECG数据作为信号输入,使用PCA和ICA算法对其进行二次FECG分离;
FQRS波检测包括:基于FQRS波检测算法,对多通道中各个导联的FECG数据进行同步处理,并根据各FQRS波和MQRS波的匹配程度F1进行FHR曲线提取及插值处理,匹配程度F1公式为:
其中,TP是FQRS波和MQRS波相互匹配的QRS数量,FP是MQRS波不存在而FQRS波存在情况下的QRS波数量,FN是MQRS波存在而FQRS波存在情况下的QRS波的数量;
卡尔曼滤波融包括:对FHR曲线进行随机信号状态估计算法的优化,算法公式为:
其中,和是给定一个测量zk之前或之后的先验和后验的状态估计值,Pk是先验和后验状态的误差的协方差矩阵;Kk是最小化后验误差协方差Pk的条件下的增益;A、B、H是系数状态转移矩阵;Q是状态噪声协方差;u是状态x的可选控制输入;
R是测量噪声协方差:R→R·(1+ea(SQI-b)2),其中a和b是常数,其中a<0,而b∈(0,1);
经过卡尔曼滤波优化后的FHR曲线:kfHR(lead)(lead=1,2…,L)进行加权平均处理,加权平均处理公式为:
2.根据权利要求1所述的一种由母亲腹部混合ECG信号提取胎儿心率的算法,其特征在于:所述腹部混合心电信号预处理,包括:
1HzIIR高通滤波器,去除AECG信号中的基线漂移;
80Hz FIR低通滤波器,去除AECG信号中的高频成分;
50/60Hz陷波器,去除工频干扰。
3.根据权利要求1所述的一种由母亲腹部混合ECG信号提取胎儿心率的算法,其特征在于:所述MQRS波检测包括通过MQRS波检测确定母亲心搏发生的位置。
5.根据权利要求1所述的一种由母亲腹部混合ECG信号提取胎儿心率的算法,其特征在于:对每个通道中导联的FECG数据进行FHR提取处理,同时利用线性插值对FHR曲线进行插值,插值的时间间隔为0.25s。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359208.5A CN110101378A (zh) | 2019-04-30 | 2019-04-30 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
CN2019103592085 | 2019-04-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111265204A true CN111265204A (zh) | 2020-06-12 |
Family
ID=67487702
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359208.5A Pending CN110101378A (zh) | 2019-04-30 | 2019-04-30 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
CN202010267503.0A Pending CN111265204A (zh) | 2019-04-30 | 2020-04-08 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359208.5A Pending CN110101378A (zh) | 2019-04-30 | 2019-04-30 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110101378A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068589A1 (zh) * | 2020-09-30 | 2022-04-07 | 青岛歌尔智能传感器有限公司 | 动态心率预测方法、装置、设备及可读存储介质 |
CN114847972A (zh) * | 2022-04-25 | 2022-08-05 | 燕山大学 | 一种经颅脑刺激多通道数据采集系统及方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110720905B (zh) * | 2019-09-20 | 2021-10-15 | 中南大学 | 一种基于阵列处理的胎儿心电信号干扰抑制系统 |
CN110974180B (zh) * | 2019-12-25 | 2023-03-28 | 索思(苏州)医疗科技有限公司 | 基于母体生理电信号的宫缩检测装置及方法 |
CN111317500B (zh) * | 2020-02-21 | 2021-05-07 | 孙磊 | 基于胎心胎动信号的智能穿戴系统 |
CN113907765B (zh) * | 2021-10-10 | 2024-02-23 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
CN104027105A (zh) * | 2014-04-23 | 2014-09-10 | 河南科技大学 | 一种新型母胎心电分离方法 |
GB201618027D0 (en) * | 2016-10-25 | 2016-12-07 | Guangdong University Of Technology | Method for blind extraction of fetal electrocardio based on time-frequency conversion |
CN108013872A (zh) * | 2018-01-10 | 2018-05-11 | 北京大学第三医院 | 用于母体胎儿心率监测的系统 |
CN109124622A (zh) * | 2018-08-17 | 2019-01-04 | 山东康佑医疗科技有限公司 | 一种胎儿心电检测分析系统及方法 |
-
2019
- 2019-04-30 CN CN201910359208.5A patent/CN110101378A/zh active Pending
-
2020
- 2020-04-08 CN CN202010267503.0A patent/CN111265204A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
CN104027105A (zh) * | 2014-04-23 | 2014-09-10 | 河南科技大学 | 一种新型母胎心电分离方法 |
GB201618027D0 (en) * | 2016-10-25 | 2016-12-07 | Guangdong University Of Technology | Method for blind extraction of fetal electrocardio based on time-frequency conversion |
CN108013872A (zh) * | 2018-01-10 | 2018-05-11 | 北京大学第三医院 | 用于母体胎儿心率监测的系统 |
CN109124622A (zh) * | 2018-08-17 | 2019-01-04 | 山东康佑医疗科技有限公司 | 一种胎儿心电检测分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
FERNANDO ANDREOTTI LAGE: "Extraction and Detection of Fetal Electrocardiograms from Abdominal Recordings", 《TECHNISCHE UNIVERSITAT DRESDEN》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068589A1 (zh) * | 2020-09-30 | 2022-04-07 | 青岛歌尔智能传感器有限公司 | 动态心率预测方法、装置、设备及可读存储介质 |
CN114847972A (zh) * | 2022-04-25 | 2022-08-05 | 燕山大学 | 一种经颅脑刺激多通道数据采集系统及方法 |
CN114847972B (zh) * | 2022-04-25 | 2024-05-10 | 燕山大学 | 一种经颅脑刺激多通道数据采集系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110101378A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111265204A (zh) | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 | |
Sathyapriya et al. | Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm | |
Vigneron et al. | Fetal electrocardiogram extraction based on non-stationary ICA and wavelet denoising | |
Vullings et al. | Dynamic segmentation and linear prediction for maternal ECG removal in antenatal abdominal recordings | |
KR101504487B1 (ko) | 태아의 심박동수를 실시간으로 측정하기 위한 시스템 | |
CN108013872A (zh) | 用于母体胎儿心率监测的系统 | |
US20220280116A1 (en) | Systems and methods for maternal uterine activity detection | |
WO2018023697A1 (zh) | 一种胎儿心电分离方法及装置 | |
Karvounis et al. | Detection of fetal heart rate through 3-D phase space analysis from multivariate abdominal recordings | |
Algunaidi et al. | Evaluation of an improved algorithm for fetal QRS detection | |
Dessì et al. | Identification of fetal QRS complexes in low density non-invasive biopotential recordings | |
Sæderup et al. | Comparison of cardiotocography and fetal heart rate estimators based on non-invasive fetal ECG | |
Kuzilek et al. | Advanced signal processing techniques for fetal ECG analysis | |
US5479933A (en) | Method and apparatus for processing ECG signals | |
Rodrigues | Fetal ECG detection in abdominal recordings: a method for QRS location | |
Suganthy | Analysis of R-peaks in fetal electrocardiogram to detect heart disorder using fuzzy clustering | |
Palaniappan et al. | R-peak detection using altered pan-Tompkins algorithm | |
EP3958747B1 (en) | Fetal ultrasound processing unit for separating heart rate signals | |
Dhage et al. | An automated methodology for FECG extraction and fetal heart rate monitoring using independent component analysis | |
Arvinti et al. | Adaptive thresholding algorithm for noisy electrocardiograms using reverse biorthogonal mother wavelets | |
Khalaf et al. | Fetal ECG extraction from abdominal composite recordings-A preliminary study | |
Algunaidi et al. | Fetal heart rate monitoring based on adaptive noise cancellation and maternal QRS removal window | |
US20190374123A1 (en) | Predicting atrial fibrillation or stroke using p-wave analysis | |
Sovilj et al. | Real time P-wave detector based on wavelet analysis | |
Vullings et al. | Artifact reduction in maternal abdominal ECG recordings for fetal ECG estimation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200612 |
|
WD01 | Invention patent application deemed withdrawn after publication |