CN111265211A - 一种用于心搏数据的滑动检测方法和装置 - Google Patents
一种用于心搏数据的滑动检测方法和装置 Download PDFInfo
- Publication number
- CN111265211A CN111265211A CN202010056830.1A CN202010056830A CN111265211A CN 111265211 A CN111265211 A CN 111265211A CN 202010056830 A CN202010056830 A CN 202010056830A CN 111265211 A CN111265211 A CN 111265211A
- Authority
- CN
- China
- Prior art keywords
- segment
- sliding
- index
- identification
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
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
本发明实施例涉及一种用于心搏数据的滑动检测方法和装置,所述方法包括:步骤1对一维心电数据进行滑动片段划分处理生成滑动片段组;步骤2初始化片段索引为1、片段总数为滑动片段组的滑动片段总数;步骤3调用目标检测算法对片段索引对应的滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;对片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;步骤4片段索引加1;步骤5如片段索引大于片段总数转步骤6,如片段索引小于或等于片段总数转步骤3;步骤6对滑动识别框序列进行达标心搏信号筛查处理;对滑动识别框序列进行重复识别框筛查处理;步骤7生成心搏数据滑动检测结果序列。
Description
技术领域
本发明涉及心电信号处理技术领域,特别涉及一种用于心搏数据的滑动检测方法和装置。
背景技术
心电数据是一组与心脏心动周期相关的电信号数据,心电分析是对采集的心电数据进行特征分析。使用深度学习目标检测原理对一维心电数据进行特征识别是当下较为先进的智能心电分析方式,其实现手段是通过对连续心电数据进行片段化之后,将单元片段心电数据输入基于卷积神经网络(Convolutional Neural Network,CNN)原理训练实现的预测网络模型进行R点预测,最终在每个时间栅格内预测出若干个R点预测识别框形成识别框序列,理想的单个预测识别框内最多包含一个心搏信号也即最多包括一个R点。这样的处理方法中,预测网络模型的计算样本数量与预测精度是成正比的。原理上,默认提高心电片段划分细度和片段栅格细度都可以达到增大计算样本的目的;可是,由于片段栅格细度在卷积神经网络中与计算量是指数级关系,也就是说在实际应用中,如果想通过提高片段栅格细度来提高计算精度,将会成倍甚至十数倍增加心电图设备的软硬件成本。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种用于心搏数据的滑动检测方法和装置,在不增加片段栅格细度的前提下,对心电数据片段的顺序划分原则进行改造,将原有的顺序相邻划分方式改进为滑动重叠划分方式,将原方案中被忽视的片段与片段间的连接地带的片段栅格也纳入有效识别范围中。如此,在不增加软硬件成本、不细化片段栅格细度的前提下,也能实现增加计算样本量数量的目的,同时又在原有方案上进一步覆盖了被忽视的片段连接处心电数据。
为实现上述目的,本发明实施例第一方面提供了一种用于心搏数据的滑动检测方法,其特征在于,所述方法包括:
步骤1,以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组;所述滑动片段组包括多个滑动片段;
步骤2,初始化滑动识别框序列为空,初始化片段索引的值为1,初始化片段总数为所述滑动片段组的滑动片段总数;
步骤3,调用目标检测算法对所述片段索引对应的滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;根据所述预置片段滑动步长阈值和所述片段索引对所述片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;提取所述片段索引第二识别框序列的所有第二识别框向所述滑动识别框序列进行识别框添加操作;所述片段索引第一识别框序列包括多个第一识别框;所述片段索引第二识别框序列包括多个所述第二识别框;所述第二识别框包括心搏信号概率、R点时间数据、QRS宽度和心搏分类概率;所述滑动识别框序列包括多个所述第二识别框;
步骤4,将所述片段索引加1;
步骤5,判断所述片段索引是否大于所述片段总数,如果所述片段索引大于所述片段总数则转至步骤6,如果所述片段索引小于或等于所述片段总数则转至步骤3;
步骤6,根据预置心搏信号概率阈值和所述心搏信号概率对所述滑动识别框序列进行达标心搏信号筛查处理;根据预置识别框重叠比例阈值和所述R点时间数据对所述滑动识别框序列进行重复识别框筛查处理;
步骤7,提取所述滑动识别框序列的所有所述第二识别框的所述R点时间数据、所述QRS宽度和所述心搏分类概率,生成心搏数据滑动检测结果序列。
优选的,在所述以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组之前,所述方法还包括:
获取心电导联数据并提取所述心电导联数据的心搏信号时间信息生成所述一维心电数据。
优选的,所述预置片段滑动步长阈值小于或等于所述预置片段时间阈值,且所述预置片段滑动步长阈值=预置栅格时间阈值*N/2,其中N为奇数。
优选的,所述以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组,具体包括:
步骤41,获取所述一维心电数据的起始时间信息生成起始时间,获取所述一维心电数据的结束时间信息生成结束时间;根据所述结束时间减去所述起始时间的差生成一维心电数据长度;判断所述一维心电数据长度是否可以整除所述预置片段滑动步长阈值,如果所述一维心电数据长度可以整除所述预置片段滑动步长阈值则根据所述一维心电数据长度除以所述预置片段滑动步长阈值的商生成第一总数,如果所述一维心电数据长度不可以整除所述预置片段滑动步长阈值则对所述一维心电数据长度除以所述预置片段滑动步长阈值的商进行取整后再加1生成所述第一总数;初始化临时滑动片段组为空;初始化第一索引的值为1;
步骤42,根据所述第一索引减1的差乘以所述预置片段滑动步长阈值的乘积再加上所述起始时间的和生成片段起始时间;根据所述结束时间减去所述片段起始时间的差生成剩余心电数据时间长度;
步骤43,判断所述剩余心电数据时间长度是否大于或等于所述预置片段时间阈值,如果所述剩余心电数据时间长度大于或等于所述预置片段时间阈值则转至步骤44,如果所述剩余心电数据时间长度小于所述预置片段时间阈值则转至步骤45;
步骤44,以所述片段起始时间为滑动片段提取起始时间,以所述预置片段时间阈值为滑动片段提取时间长度,从所述一维心电数据中提取一段心电数据生成第一索引滑动片段;转至步骤46;
步骤45,以所述片段起始时间为滑动片段提取起始时间,以所述剩余心电数据时间长度为滑动片段提取时间长度,从所述一维心电数据中提取一段心电数据生成所述第一索引滑动片段;
步骤46,将所述第一索引滑动片段向所述临时滑动片段组进行滑动片段添加操作;
步骤47,将所述第一索引的值加1;
步骤48,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数转至步骤49,如果所述第一索引小于或等于所述第一总数转至步骤42;
步骤49,顺次提取所述临时滑动片段组的所有所述滑动片段,向所述滑动片段组进行滑动片段添加操作。
优选的,所述调用目标检测算法对所述片段索引对应的滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;根据所述预置片段滑动步长阈值和所述片段索引对所述片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;提取所述片段索引第二识别框序列的所有第二识别框向所述滑动识别框序列进行识别框添加操作,具体包括:
步骤51,调用所述目标检测算法,以所述预置栅格时间阈值为栅格划分步长对所述片段索引对应的滑动片段进行平均栅格划分处理生成所述片段栅格组,对片段栅格进行心搏信号数据特征识别处理生成所述片段索引第一识别框序列;所述片段栅格组包括多个所述片段栅格;所述片段索引第一识别框序列包括多个所述第一识别框;所述第一识别框包括第一心搏信号概率、R点相对时间数据、QRS归一时间宽度和第一心搏分类概率;
步骤52,根据所述片段索引减1的差乘以所述预置片段滑动步长阈值的乘积生成片段索引片段起始时间;初始化所述片段索引第二识别框序列为空;
步骤53,初始化第二索引的值为1,初始化第二总数为所述片段索引第一识别框序列的第一识别框总数;
步骤54,设置第二索引第二识别框;初始化所述第二索引第二识别框的所述心搏信号概率为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述第一心搏信号概率;初始化所述第二索引第二识别框的所述心搏分类概率为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述第一心搏分类概率;初始化所述第二索引第二识别框的所述R点时间数据为空;初始化所述第二索引第二识别框的所述QRS宽度为空;
步骤55,对所述第二索引减1的差除以预置单位栅格识别框数阈值的商做取整计算的结果加上1的和生成识别框所属栅格索引,根据所述识别框所属栅格索引减1的差乘以所述预置栅格时间阈值的乘积生成第二索引栅格起始时间;根据所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述R点相对时间数据加上所述第二索引栅格起始时间的和生成R点片段内相对时间;设置所述第二索引第二识别框的所述R点时间数据为所述R点片段内相对时间加上所述片段索引片段起始时间的和;
步骤56,设置所述第二索引第二识别框的所述QRS宽度为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述QRS归一时间宽度的平方再乘以所述预置片段时间阈值的乘积;
步骤57,将所述第二索引第二识别框向所述片段索引第二识别框序列进行识别框添加操作;
步骤58,将所述第二索引的值加1;
步骤59,判断所述第二索引是否大于所述第二总数,如果所述第二索引大于所述第二总数转至步骤60,如果所述第二索引小于或等于所述第二总数转至步骤54;
步骤60,初始化所述滑动识别框序列为空;依次提取所述片段索引第二识别框序列的所有所述第二识别框,并将提取出的所述第二识别框向所述滑动识别框序列进行识别框添加操作。
优选的,所述根据预置心搏信号概率阈值和所述心搏信号概率对所述滑动识别框序列进行达标心搏信号筛查处理;根据预置识别框重叠比例阈值和所述R点时间数据对所述滑动识别框序列进行重复识别框筛查处理,具体包括:
对所述滑动识别框序列的所有所述第二识别框进行依次轮询,在当前轮询的所述第二识别框的所述心搏信号概率小于所述预置心搏信号概率阈值时,将所述第二识别框从所述滑动识别框序列中删除;
对所述滑动识别框序列的所有所述第二识别框进行两两比对,当参与比对的两个所述第二识别框的时间重合比例大于所述预置识别框重叠比例阈值时,将二者中所述心搏信号概率偏小的所述第二识别框从所述滑动识别框序列中删除;使用两个参与比对的所述第二识别框的所述R点时间数据进行相减生成相邻R点间距时间,当所述R点间距时间小于预置R点间距时间阈值时,将二者中所述心搏信号概率偏小的所述第二识别框从所述滑动识别框序列中删除。
优选的,所述提取所述滑动识别框序列的所有所述第二识别框的所述R点时间数据、所述QRS宽度和所述心搏分类概率,生成心搏数据滑动检测结果序列,具体包括:
步骤71,初始化所述心搏数据滑动检测结果序列为空;初始化第三索引的值为1,初始化第三总数为所述滑动识别框序列的第二识别框总数;
步骤72,设置第三索引心搏数据滑动检测结果单元;初始化所述第三索引心搏数据滑动检测结果单元的R点位置信息为空,初始化所述第三索引心搏数据滑动检测结果单元的QRS宽度信息为空,初始化所述第三索引心搏数据滑动检测结果单元的心搏分类信息为空;
步骤73,设置所述第三索引心搏数据滑动检测结果单元的所述R点位置信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述R点时间数据,设置所述第三索引心搏数据滑动检测结果单元的所述QRS宽度信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述QRS宽度,设置所述第三索引心搏数据滑动检测结果单元的所述心搏分类信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述心搏分类概率;
步骤74,将所述第三索引心搏数据滑动检测结果单元向所述心搏数据滑动检测结果序列进行检测结果单元添加操作;
步骤75,将所述第三索引的值加1;
步骤76,判断所述第三索引是否大于所述第三总数,如果所述第三索引大于所述第三总数则转至步骤77,如果所述第三索引小于或等于所述第三总数则转至步骤72;
步骤77,将所述心搏数据滑动检测结果序列发送至上位应用生成一维心电数据检测报告。
本发明实施例第一方面提供的一种用于心搏数据的滑动检测方法,在不增加片段栅格细度的前提下,对心电数据片段的顺序划分原则进行改造,将原有的顺序相邻划分方式改进为滑动重叠划分方式,将原方案中被忽视的片段与片段间的连接地带的片段栅格也纳入有效识别范围中。如此,在不增加软硬件成本、不细化片段栅格细度的前提下,也能实现增加计算样本量数量的目的,同时又在原有方案上进一步覆盖了被忽视的片段连接处心电数据。
本发明实施例第二方面提供了一种设备,该设备包括存储器和处理器,存储器用于存储程序,处理器用于执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第三方面提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行第一方面及第一方面的各实现方式中的方法。
本发明实施例第四方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第一方面及第一方面的各实现方式中的方法。
附图说明
图1为本发明实施例提供的一种心搏信号示意图;
图2为本发明实施例提供的一种心电数据连续片段划分示意图;
图3为本发明实施例提供的一种心电数据滑动片段划分示意图;
图4为本发明实施例一提供的一种用于心搏数据的滑动检测方法示意图;
图5为本发明实施例二提供的根据预置心搏信号概率阈值和心搏信号概率对滑动识别框序列进行达标心搏信号筛查处理的方法示意图;
图6为本发明实施例三提供的一种用于心搏数据的滑动检测的设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在对本发明实施例进行详细说明之前,结合图例,先行对文中涉及的一些技术信息进行说明简述。
首先,文中提及的一维心电数据是通过提取心电导联数据中的心搏信号时间信息生成的,是一段连续时间长度的心搏信号数据信息;如图1为本发明实施例提供的一种心搏信号示意图所示,一段连续时间长度的心搏信号数据由多个心搏信号数据组成,每个心搏信号数据包括5个特征点P、Q、R、S、T,由图也可见,这5点中,R点峰值最高,相较于P点与T点,R点的抗干扰能力是最强的。因此通过R点进行心搏信号识别比起传统的5点心搏信号识别方法来说,对有效信号的识别精度会提高。
其次,对文中提及的目标检测算法进行简要介绍:本发明实施例涉及的目标检测算法使用了一个心搏信号预测网络模型,该预测网络模型是基于卷积神经网络(Convolutional Neural Network,CNN)原理训练实现的。该预测网络模型通过将固定时间长度(片段时间阈值)的心电数据片段平均分割成若干个时间栅格(每个时间栅格的时间长度固定为栅格时间阈值),对每个时间栅格内的心电数据进行R点预测,最终在每个时间栅格内预测出若干个R点预测识别框(第一识别框序列),理想的预测识别框(第一识别框)内最多包含一个心搏信号也即最多包括一个R点。此处的识别框作为一个预测网络输出的数据对象,不仅仅具备自身的时间宽度信息,还包括了第一心搏信号概率(当前识别框时间段内的心电数据属于心搏信号的可能概率)、R点相对时间数据(当前识别框时间段内R点信号相对于时间栅格起始时间的相对位移)、QRS归一时间宽度(当前识别框时间段内R波信号时间宽度相对于心电数据片段时间长度的归一值,这里由QRS时间宽度标示R波信号时间宽度)和第一心搏分类概率(当前识别框时间段内的心电数据所属的心搏分类概率);
另外,在具体实现中该预测网络模型的数据输入受软硬件资源限制是有长度限制的,如果一维心电数据的时间长度超过预测网络模型的输入长度则需对一维心电数据进行片段化处理,片段化处理的原则是:根据预测网络模型的输入长度预置片段时间阈值,根据片段时间阈值对一维心电数据进行片段划分,将划分后的每一个心电数据片段输入预测网络模型中进行进一步栅格划分和R点信息预测。
由上文可知,一维心电数据被细分出来的栅格越多,则输出的识别框数据越多,则对R点的检测识别精度就越高。又由上文的片段及栅格划分方式可知,提高栅格样本数量的方法有两种:一种是通过降低栅格时间阈值来增大片段栅格细度最终实现提升栅格数量;另一种是提高心电片段数量实现提升栅格数量。对于前一种方法,在背景介绍中已经阐述过,因为片段栅格细度在卷积神经网络中与计算量是指数级关系会导致软硬件成本的增加,所以不再本发明实施例中进行阐述。本发明方法的目的即是提供一种不增加软硬件成本又能提高目标检测算法的R点检测识别精度。
图2为本发明实施例提供的一种心电数据连续片段划分示意图,如图2所示,针对一维心电数据常规的片段划分方法是一种连续片段划分方法,即,将一维心电数据按片段时间阈值进行平均片段划分,每两个相邻片段之间没有任何重叠部分。例如,一维心电数据长度为100,片段时间阈值为10,则划分出的片段总数就是10个,再如果栅格时间阈值为1,则一个片段包括10个栅格,一维心电数据总共能得到10*10=100个栅格计算样本。
图3为本发明实施例提供的一种心电数据滑动片段划分示意图,如图3所示,针对一维心电数据创新的片段划分方法是一种滑动片段划分方法,即,以片段滑动步长阈值为片段提取起始点,以片段时间阈值为片段提取长度,从一维心电数据中提取出多个片段,由图可知,片段与片段之间会出现重叠区间。这样划分,不仅仅可以获得更多的片段,还能对同一区间(重叠)进行多次预测估算,由此既能提升栅格计算样本,还能使用多个栅格对同一区间进行多次计算筛查从而提升预测精度。例如,一维心电数据长度为100,片段时间阈值为10,栅格时间阈值为1,片段滑动步长阈值为1/2,则片段总数为100÷(1/2)=200个,若一个片段包括10个栅格,则一维心电数据总共能得到200*10=2000个栅格计算样本,相较于上文心电数据连续片段划分方式的栅格样本结果,本发明方法提出的滑动片段划分方法将计算精度最少高了20倍。
如图4为本发明实施例一提供的一种用于心搏数据的滑动检测方法的示意图所示,本方法主要包括如下步骤:
步骤1,以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组;
其中,滑动片段组包括多个滑动片段;
具体包括:步骤11,获取一维心电数据的起始时间信息生成起始时间,获取一维心电数据的结束时间信息生成结束时间;根据结束时间减去起始时间的差生成一维心电数据长度;判断一维心电数据长度是否可以整除预置片段滑动步长阈值,如果一维心电数据长度可以整除预置片段滑动步长阈值则根据一维心电数据长度除以预置片段滑动步长阈值的商生成第一总数,如果一维心电数据长度不可以整除预置片段滑动步长阈值则对一维心电数据长度除以预置片段滑动步长阈值的商进行取整后再加1生成第一总数;初始化临时滑动片段组为空;初始化第一索引的值为1;
此处,一维心电数据的起始时间如果是从0开始计时的,则起始时间为0;如果一维心电数据是从另一个更大的一维心电数据中截取的一段中间数据,那么起始时间就应是这段数据实际的起始时间;一维心电数据长度=结束时间-起始时间;
此处,第一总数即是滑动片段总数,它的计算方式是:如果一维心电数据长度可以整除预置片段滑动步长阈值,则第一总数=一维心电数据长度/预置片段滑动步长阈值;如果一维心电数据长度不可以整除预置片段滑动步长阈值,则第一总数=|一维心电数据长度/预置片段滑动步长阈值|+1;例如,一维心电数据长度为10,预置片段滑动步长阈值为2,则第一总数=10/2=5;又例如,一维心电数据长度为10,预置片段滑动步长阈值为3,则第一总数=|10/3|+1=3+1=4;这样计算是为了以免丢失最后一块心电数据片段;
步骤12,根据第一索引减1的差乘以预置片段滑动步长阈值的乘积再加上起始时间的和生成片段起始时间;根据结束时间减去片段起始时间的差生成剩余心电数据时间长度;
此处,如图3所示,如果第一索引按从1开始计数到M的话,则当第一索引等于1时,意味着是第1滑动片段,其片段起始时间=(1-1)*片段滑动步长阈值+起始时间,剩余心电数据时间长度=结束时间-(1-1)*片段滑动步长阈值;当第一索引等于2时,意味着是第2滑动片段,其片段起始时间=(2-1)*片段滑动步长阈值+起始时间,剩余心电数据时间长度=结束时间-(2-1)*片段滑动步长阈值;……,当第一索引等于M时,意味着是第M滑动片段,其片段起始时间=(M-1)*片段滑动步长阈值+起始时间,剩余心电数据时间长度=结束时间-(M-1)*片段滑动步长阈值;
步骤13,判断剩余心电数据时间长度是否大于或等于预置片段时间阈值,如果剩余心电数据时间长度大于或等于预置片段时间阈值则转至步骤14,如果剩余心电数据时间长度小于预置片段时间阈值则转至步骤15;
此处,因为预置片段滑动步长阈值必然小于预置片段时间阈值,且一维心电数据的长度不定,所以至少最后一个滑动片段的长度一定是小于片段时间阈值的,这时片段的截取长度就是剩余心电数据时间长度;如图3所示,以最后一个滑动片段为例,此时剩余心电数据时间长度必然小于片段时间阈值,那么在片段划分时的截取长度就由预置片段时间阈值变更为剩余心电数据时间长度;
步骤14,以片段起始时间为滑动片段提取起始时间,以预置片段时间阈值为滑动片段提取时间长度,从一维心电数据中提取一段心电数据生成第一索引滑动片段;转至步骤16;
步骤15,以片段起始时间为滑动片段提取起始时间,以剩余心电数据时间长度为滑动片段提取时间长度,从一维心电数据中提取一段心电数据生成第一索引滑动片段;
步骤16,将第一索引滑动片段向临时滑动片段组进行滑动片段添加操作;
步骤17,将第一索引的值加1;
步骤18,判断第一索引是否大于第一总数,如果第一索引大于第一总数转至步骤19,如果第一索引小于或等于第一总数转至步骤12;
步骤19,顺次提取临时滑动片段组的所有滑动片段,向滑动片段组进行滑动片段添加操作。
此处,在步骤1完成循环之后,滑动片段组将集合了由一维心电数据划分出的所有滑动片段;此处,预置片段滑动步长阈值小于或等于预置片段时间阈值,且预置片段滑动步长阈值=预置栅格时间阈值*N/2,其中N为奇数。
步骤2,初始化滑动识别框序列为空,初始化片段索引的值为1,初始化片段总数为滑动片段组的滑动片段总数。
步骤3,调用目标检测算法对片段索引滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;根据预置片段滑动步长阈值和片段索引对片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;提取片段索引第二识别框序列的所有第二识别框向滑动识别框序列进行识别框添加操作;
其中,片段索引第一识别框序列包括多个第一识别框;片段索引第二识别框序列包括多个第二识别框;第二识别框包括心搏信号概率、R点时间数据、QRS宽度和心搏分类概率;滑动识别框序列包括多个第二识别框;
具体包括:步骤31,调用目标检测算法,以预置栅格时间阈值为栅格划分步长对片段索引滑动片段进行平均栅格划分处理生成片段栅格组,对片段栅格进行心搏信号数据特征识别处理生成片段索引第一识别框序列;
其中,片段栅格组包括多个片段栅格;片段索引第一识别框序列包括多个第一识别框;第一识别框包括第一心搏信号概率、R点相对时间数据、QRS归一时间宽度和第一心搏分类概率;
此处,如前文所述,目标检测算法使用了一个心搏信号预测网络模型将滑动片段组中的每个滑动片段按栅格时间阈值平均分割成若干个时间栅格组成片段栅格组,并对片段栅格组中的每个时间栅格内的心电数据进行R点预测出若干个R点预测识别框组,最终集合片段栅格组生成的所有识别框组成第一识别框序列;其中,第一识别框包括了第一心搏信号概率(当前识别框时间段内的心电数据属于心搏信号的可能概率)、R点相对时间数据(当前识别框时间段内R点信号相对于时间栅格起始时间的相对位移)、QRS归一时间宽度(当前识别框时间段内R波信号时间宽度相对于心电数据片段时间长度的归一值,这里由QRS时间宽度标示R波信号时间宽度)和第一心搏分类概率(当前识别框时间段内的心电数据所属的心搏分类概率);
步骤32,根据片段索引减1的差乘以预置片段滑动步长阈值的乘积生成片段索引片段起始时间;初始化片段索引第二识别框序列为空;
步骤33,初始化第二索引的值为1,初始化第二总数为片段索引第一识别框序列的第一识别框总数;
步骤34,设置第二索引第二识别框;初始化第二索引第二识别框的心搏信号概率为片段索引第一识别框序列的第二索引对应的第一识别框的第一心搏信号概率;初始化第二索引第二识别框的心搏分类概率为片段索引第一识别框序列的第二索引对应的第一识别框的第一心搏分类概率;初始化第二索引第二识别框的R点时间数据为空;初始化第二索引第二识别框的QRS宽度为空;
此处,第二识别框与第一识别框的区别就是调整两个相对值:R点相对时间数据和QRS归一时间宽度,而其他参数不变,所以第二识别框的心搏信号概率与第一识别框的第一心搏信号概率一致,第二识别框的心搏分类概率与第一识别框的第一心搏分类概率一致;
步骤35,对第二索引减1的差除以预置单位栅格识别框数阈值的商做取整计算的结果加上1的和生成识别框所属栅格索引,根据识别框所属栅格索引减1的差乘以预置栅格时间阈值的乘积生成第二索引栅格起始时间;根据片段索引第一识别框序列的第二索引对应的第一识别框的R点相对时间数据加上第二索引栅格起始时间的和生成R点片段内相对时间;设置第二索引第二识别框的R点时间数据为R点片段内相对时间加上片段索引片段起始时间的和;
此处,因为第一识别框包括的R点相对时间数据仅仅是R点在栅格内的时间偏移数据,如果要得出每个第一识别框中的R点在整个一心电数据中的绝对时间位置(R点时间数据),则需要对第一识别框包括的R点相对时间数据做两次时间调整:1、从栅格偏移时间调整至滑动片段内偏移时间,R点片段内相对时间=R点相对时间数据+栅格起始时间;2、从滑动片段内偏移时间调整至一维心电数据绝对时间:
又,因为一个栅格会输出多个识别框,具体数量以预置单位栅格识别框数阈值为准,第一识别框序列是按栅格顺序依次提取每个栅格里的识别框组成的识别框序列,在对每个识别框进行R点相对时间数据转换时,需要将当前识别框所属的栅格索引确定下来即识别框所属栅格索引,此处识别框所属栅格索引=|(第二索引-1)/预置单位栅格识别框数阈值|+1;例如,一个心电数据片段包括Y个片段栅格,一个片段栅格包括Z个第一识别框,其中Z就是预置单位栅格识别框数阈值,第一识别框序列包括Y×Z个第一识别框,每连续Z个第一识别框分属一个片段栅格;又例如,一个心电数据片段包括3个片段栅格,一个片段栅格包括2个第一识别框,那么第一识别框序列包括3×2=6个第一识别框{识别框11,识别框12,识别框21,识别框22,识别框31,识别框32},当第二索引为1和2时,第二索引第一识别框分别为识别框11和识别框12,则识别框所属栅格索引=|(1-1)/2|+1=1和识别框所属栅格索引=|(2-1)/2|+1=1,表示识别框11和识别框12所述属的栅格是第1栅格;当第一索引为3和4时,识别框13和识别框14所述属的栅格是第2栅格;当第一索引为5和6时,识别框15和识别框16所述属的栅格是第3栅格;
综上,此处R点时间数据=片段起始时间+R点片段内相对时间;R点片段内相对时间=栅格起始时间+R点相对时间数据;栅格起始时间=(识别框所属栅格索引-1)*预置栅格时间阈值;
步骤36,设置第二索引第二识别框的QRS宽度为片段索引第一识别框序列的第二索引对应的第一识别框的QRS归一时间宽度的平方再乘以预置片段时间阈值的乘积;
此处,归一时间的计算原则是:原时间除以预置片段时间阈值的商再开方,反过来计算原时间QRS宽度,则应是QRS宽度=QRS归一时间宽度2*预置片段时间阈值;
步骤37,将第二索引第二识别框向片段索引第二识别框序列进行识别框添加操作;
步骤38,将第二索引的值加1;
步骤39,判断第二索引是否大于第二总数,如果第二索引大于第二总数转至步骤40,如果第二索引小于或等于第二总数转至步骤34;
步骤40,初始化滑动识别框序列为空;依次提取片段索引第二识别框序列的所有第二识别框,并将提取出的第二识别框向滑动识别框序列进行识别框添加操作。
此处,滑动识别框序列包括了一维心电数据滑动划段后产生的所有滑动片段进行预测识别后输出的所有识别框;
步骤4,将片段索引加1。
步骤5,判断片段索引是否大于片段总数,如果片段索引大于片段总数则转至步骤6,如果片段索引小于或等于片段总数则转至步骤3。
步骤6,根据预置心搏信号概率阈值和心搏信号概率对滑动识别框序列进行达标心搏信号筛查处理;根据预置识别框重叠比例阈值和R点时间数据对滑动识别框序列进行重复识别框筛查处理;
具体包括:步骤61,对滑动识别框序列的所有第二识别框进行依次轮询,在当前轮询的第二识别框的心搏信号概率小于预置心搏信号概率阈值时,将第二识别框从滑动识别框序列中删除;
此处,是对滑动识别框序列进行的行达标心搏信号筛查处理过程,方法是通过预置心搏信号概率阈值检查滑动识别框序列内的识别框,如果被检查的识别框的心搏信号概率过小,则将之视为无效心搏信号,从序列中删除;
步骤62,对滑动识别框序列的所有第二识别框进行两两比对,当参与比对的两个第二识别框的时间重合比例大于预置识别框重叠比例阈值时,将二者中心搏信号概率偏小的第二识别框从滑动识别框序列中删除;使用两个参与比对的第二识别框的R点时间数据进行相减生成相邻R点间距时间,当R点间距时间小于预置R点间距时间阈值时,将二者中心搏信号概率偏小的第二识别框从滑动识别框序列中删除。
此处,是对滑动识别框序列进行的重复识别框筛查处理过程,包括两种方法:1、如果某两个识别框彼此时间段覆盖比例过大,则认为二者是预测的同一个R点对象,因此将心搏信号概率偏大的那个识别框保留,将偏小的从序列中删除;2、如果某两个识别框彼此间距过小,则认为二者是预测的同一个R点对象,因此将心搏信号概率偏大的那个识别框保留,将偏小的从序列中删除;
步骤7,提取滑动识别框序列的所有第二识别框的R点时间数据、QRS宽度和心搏分类概率,生成心搏数据滑动检测结果序列;
具体包括:步骤71,初始化心搏数据滑动检测结果序列为空;初始化第三索引的值为1,初始化第三总数为滑动识别框序列的第二识别框总数;
步骤72,设置第三索引心搏数据滑动检测结果单元;初始化第三索引心搏数据滑动检测结果单元的R点位置信息为空,初始化第三索引心搏数据滑动检测结果单元的QRS宽度信息为空,初始化第三索引心搏数据滑动检测结果单元的心搏分类信息为空;
步骤73,设置第三索引心搏数据滑动检测结果单元的R点位置信息为滑动识别框序列的第三索引对应的第二识别框的R点时间数据,设置第三索引心搏数据滑动检测结果单元的QRS宽度信息为滑动识别框序列的第三索引对应的第二识别框的QRS宽度,设置第三索引心搏数据滑动检测结果单元的心搏分类信息为滑动识别框序列的第三索引对应的第二识别框的心搏分类概率;
步骤74,将第三索引心搏数据滑动检测结果单元向心搏数据滑动检测结果序列进行检测结果单元添加操作;
步骤75,将第三索引的值加1;
步骤76,判断第三索引是否大于第三总数,如果第三索引大于第三总数则转至步骤77,如果第三索引小于或等于第三总数则转至步骤72;
步骤77,将心搏数据滑动检测结果序列发送至上位应用生成一维心电数据检测报告。
步骤71-77是对步骤7的详解,步骤7主要是用于从滑动识别框序列中提取与检测结果相关的数据(R点时间数据、QRS宽度和心搏分类概率),组成心搏数据滑动检测结果序列;一般的情况下,上位应用会利用该序列做进一步的报告输出或进一步相关分析的数据输入。
如图5为本发明实施例二提供的根据预置心搏信号概率阈值和心搏信号概率对滑动识别框序列进行达标心搏信号筛查处理的方法示意图所示,本发明实施例二对滑动识别框序列进行达标心搏信号筛查处理的方法步骤进行进一步的补充说明,本方法主要包括如下步骤:
步骤101,初始化第四索引的值为1,初始化第四总数为滑动识别框序列的第二识别框总数;
步骤102,从滑动识别框序列中提取第四索引对应的第二识别框的心搏信号概率生成轮询心搏概率;
步骤103,如果轮询心搏概率小于预置心搏信号概率阈值则将第四索引对应的第二识别框标记为删除对象;
步骤104,将第四索引的值加1;
步骤105,判断第四索引是否大于第四总数,如果第四索引大于第四总数则转至步骤106,如果第四索引小于或等于第四总数则转至步骤102;
步骤106,将滑动识别框序列中标记为删除对象的所有第二识别框进行删除。
此处,实施例二是对滑动识别框序列进行的行达标心搏信号筛查处理过程的进一步详解,方法是通过预置心搏信号概率阈值检查滑动识别框序列内的识别框,如果被检查的识别框的心搏信号概率过小,则将之视为无效心搏信号,从序列中删除。
图6为本发明实施例三提供的一种用于心搏数据的滑动检测的设备结构示意图,该设备包括:处理器和存储器。存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例提供的方法。
需要说明的是,本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,能够实现本发明实施例提供的方法。
本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时,使得处理器执行上述方法。
本发明实施例提供的一种用于心搏数据的滑动检测方法和装置,在不增加栅格细度、目标框细度的前提下,对栅格的顺序划分原则进行改造,将原有的顺序相邻划分方式改进为滑动重叠划分方式,通过修改栅格的划分方式,将原方案中被忽视的栅格与栅格间的连接地带纳入有效识别范围中。如此,不同指数乘积增加栅格总数、目标框信息组数量也能提高计算样本量,同时又很针对地在原有方案上增加覆盖了连接处被忽视的心电信号对象。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于心搏数据的滑动检测方法,其特征在于,所述方法包括:
步骤1,以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组;所述滑动片段组包括多个滑动片段;
步骤2,初始化滑动识别框序列为空,初始化片段索引的值为1,初始化片段总数为所述滑动片段组的滑动片段总数;
步骤3,调用目标检测算法对所述片段索引对应的滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;根据所述预置片段滑动步长阈值和所述片段索引对所述片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;提取所述片段索引第二识别框序列的所有第二识别框向所述滑动识别框序列进行识别框添加操作;所述片段索引第一识别框序列包括多个第一识别框;所述片段索引第二识别框序列包括多个所述第二识别框;所述第二识别框包括心搏信号概率、R点时间数据、QRS宽度和心搏分类概率;所述滑动识别框序列包括多个所述第二识别框;
步骤4,将所述片段索引加1;
步骤5,判断所述片段索引是否大于所述片段总数,如果所述片段索引大于所述片段总数则转至步骤6,如果所述片段索引小于或等于所述片段总数则转至步骤3;
步骤6,根据预置心搏信号概率阈值和所述心搏信号概率对所述滑动识别框序列进行达标心搏信号筛查处理;根据预置识别框重叠比例阈值和所述R点时间数据对所述滑动识别框序列进行重复识别框筛查处理;
步骤7,提取所述滑动识别框序列的所有所述第二识别框的所述R点时间数据、所述QRS宽度和所述心搏分类概率,生成心搏数据滑动检测结果序列。
2.根据权利要求1所述的用于心搏数据的滑动检测方法,其特征在于,在所述以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组之前,所述方法还包括:
获取心电导联数据并提取所述心电导联数据的心搏信号时间信息生成所述一维心电数据。
3.根据权利要求1所述的用于心搏数据的滑动检测方法,其特征在于,
所述预置片段滑动步长阈值小于或等于所述预置片段时间阈值,且所述预置片段滑动步长阈值=预置栅格时间阈值*N/2,其中N为奇数。
4.根据权利要求1所述的用于心搏数据的滑动检测方法,其特征在于,所述以预置片段滑动步长阈值为片段起始时间参考信息,以预置片段时间阈值为片段固定长度信息,对一维心电数据进行滑动片段划分处理生成滑动片段组,具体包括:
步骤41,获取所述一维心电数据的起始时间信息生成起始时间,获取所述一维心电数据的结束时间信息生成结束时间;根据所述结束时间减去所述起始时间的差生成一维心电数据长度;判断所述一维心电数据长度是否可以整除所述预置片段滑动步长阈值,如果所述一维心电数据长度可以整除所述预置片段滑动步长阈值则根据所述一维心电数据长度除以所述预置片段滑动步长阈值的商生成第一总数,如果所述一维心电数据长度不可以整除所述预置片段滑动步长阈值则对所述一维心电数据长度除以所述预置片段滑动步长阈值的商进行取整后再加1生成所述第一总数;初始化临时滑动片段组为空;初始化第一索引的值为1;
步骤42,根据所述第一索引减1的差乘以所述预置片段滑动步长阈值的乘积再加上所述起始时间的和生成片段起始时间;根据所述结束时间减去所述片段起始时间的差生成剩余心电数据时间长度;
步骤43,判断所述剩余心电数据时间长度是否大于或等于所述预置片段时间阈值,如果所述剩余心电数据时间长度大于或等于所述预置片段时间阈值则转至步骤44,如果所述剩余心电数据时间长度小于所述预置片段时间阈值则转至步骤45;
步骤44,以所述片段起始时间为滑动片段提取起始时间,以所述预置片段时间阈值为滑动片段提取时间长度,从所述一维心电数据中提取一段心电数据生成第一索引滑动片段;转至步骤46;
步骤45,以所述片段起始时间为滑动片段提取起始时间,以所述剩余心电数据时间长度为滑动片段提取时间长度,从所述一维心电数据中提取一段心电数据生成所述第一索引滑动片段;
步骤46,将所述第一索引滑动片段向所述临时滑动片段组进行滑动片段添加操作;
步骤47,将所述第一索引的值加1;
步骤48,判断所述第一索引是否大于所述第一总数,如果所述第一索引大于所述第一总数转至步骤49,如果所述第一索引小于或等于所述第一总数转至步骤42;
步骤49,顺次提取所述临时滑动片段组的所有所述滑动片段,向所述滑动片段组进行滑动片段添加操作。
5.根据权利要求3所述的用于心搏数据的滑动检测方法,其特征在于,所述调用目标检测算法对所述片段索引对应的滑动片段进行心搏信号数据特征识别处理生成片段索引第一识别框序列;根据所述预置片段滑动步长阈值和所述片段索引对所述片段索引第一识别框序列进行R点时间绝对值转换处理生成片段索引第二识别框序列;提取所述片段索引第二识别框序列的所有第二识别框向所述滑动识别框序列进行识别框添加操作,具体包括:
步骤51,调用所述目标检测算法,以所述预置栅格时间阈值为栅格划分步长对所述片段索引对应的滑动片段进行平均栅格划分处理生成所述片段栅格组,对片段栅格进行心搏信号数据特征识别处理生成所述片段索引第一识别框序列;所述片段栅格组包括多个所述片段栅格;所述片段索引第一识别框序列包括多个所述第一识别框;所述第一识别框包括第一心搏信号概率、R点相对时间数据、QRS归一时间宽度和第一心搏分类概率;
步骤52,根据所述片段索引减1的差乘以所述预置片段滑动步长阈值的乘积生成片段索引片段起始时间;初始化所述片段索引第二识别框序列为空;
步骤53,初始化第二索引的值为1,初始化第二总数为所述片段索引第一识别框序列的第一识别框总数;
步骤54,设置第二索引第二识别框;初始化所述第二索引第二识别框的所述心搏信号概率为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述第一心搏信号概率;初始化所述第二索引第二识别框的所述心搏分类概率为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述第一心搏分类概率;初始化所述第二索引第二识别框的所述R点时间数据为空;初始化所述第二索引第二识别框的所述QRS宽度为空;
步骤55,对所述第二索引减1的差除以预置单位栅格识别框数阈值的商做取整计算的结果加上1的和生成识别框所属栅格索引,根据所述识别框所属栅格索引减1的差乘以所述预置栅格时间阈值的乘积生成第二索引栅格起始时间;根据所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述R点相对时间数据加上所述第二索引栅格起始时间的和生成R点片段内相对时间;设置所述第二索引第二识别框的所述R点时间数据为所述R点片段内相对时间加上所述片段索引片段起始时间的和;
步骤56,设置所述第二索引第二识别框的所述QRS宽度为所述片段索引第一识别框序列的所述第二索引对应的第一识别框的所述QRS归一时间宽度的平方再乘以所述预置片段时间阈值的乘积;
步骤57,将所述第二索引第二识别框向所述片段索引第二识别框序列进行识别框添加操作;
步骤58,将所述第二索引的值加1;
步骤59,判断所述第二索引是否大于所述第二总数,如果所述第二索引大于所述第二总数转至步骤60,如果所述第二索引小于或等于所述第二总数转至步骤54;
步骤60,初始化所述滑动识别框序列为空;依次提取所述片段索引第二识别框序列的所有所述第二识别框,并将提取出的所述第二识别框向所述滑动识别框序列进行识别框添加操作。
6.根据权利要求1所述的用于心搏数据的滑动检测方法,其特征在于,所述根据预置心搏信号概率阈值和所述心搏信号概率对所述滑动识别框序列进行达标心搏信号筛查处理;根据预置识别框重叠比例阈值和所述R点时间数据对所述滑动识别框序列进行重复识别框筛查处理,具体包括:
对所述滑动识别框序列的所有所述第二识别框进行依次轮询,在当前轮询的所述第二识别框的所述心搏信号概率小于所述预置心搏信号概率阈值时,将所述第二识别框从所述滑动识别框序列中删除;
对所述滑动识别框序列的所有所述第二识别框进行两两比对,当参与比对的两个所述第二识别框的时间重合比例大于所述预置识别框重叠比例阈值时,将二者中所述心搏信号概率偏小的所述第二识别框从所述滑动识别框序列中删除;使用两个参与比对的所述第二识别框的所述R点时间数据进行相减生成相邻R点间距时间,当所述R点间距时间小于预置R点间距时间阈值时,将二者中所述心搏信号概率偏小的所述第二识别框从所述滑动识别框序列中删除。
7.根据权利要求1所述的用于心搏数据的滑动检测方法,其特征在于,所述提取所述滑动识别框序列的所有所述第二识别框的所述R点时间数据、所述QRS宽度和所述心搏分类概率,生成心搏数据滑动检测结果序列,具体包括:
步骤71,初始化所述心搏数据滑动检测结果序列为空;初始化第三索引的值为1,初始化第三总数为所述滑动识别框序列的第二识别框总数;
步骤72,设置第三索引心搏数据滑动检测结果单元;初始化所述第三索引心搏数据滑动检测结果单元的R点位置信息为空,初始化所述第三索引心搏数据滑动检测结果单元的QRS宽度信息为空,初始化所述第三索引心搏数据滑动检测结果单元的心搏分类信息为空;
步骤73,设置所述第三索引心搏数据滑动检测结果单元的所述R点位置信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述R点时间数据,设置所述第三索引心搏数据滑动检测结果单元的所述QRS宽度信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述QRS宽度,设置所述第三索引心搏数据滑动检测结果单元的所述心搏分类信息为所述滑动识别框序列的所述第三索引对应的第二识别框的所述心搏分类概率;
步骤74,将所述第三索引心搏数据滑动检测结果单元向所述心搏数据滑动检测结果序列进行检测结果单元添加操作;
步骤75,将所述第三索引的值加1;
步骤76,判断所述第三索引是否大于所述第三总数,如果所述第三索引大于所述第三总数则转至步骤77,如果所述第三索引小于或等于所述第三总数则转至步骤72;
步骤77,将所述心搏数据滑动检测结果序列发送至上位应用生成一维心电数据检测报告。
8.一种设备,包括存储器和处理器,其特征在于,所述存储器用于存储程序,所述处理器用于执行如权利要求1至7任一项所述的方法。
9.一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056830.1A CN111265211B (zh) | 2020-01-17 | 2020-01-17 | 一种用于心搏数据的滑动检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056830.1A CN111265211B (zh) | 2020-01-17 | 2020-01-17 | 一种用于心搏数据的滑动检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111265211A true CN111265211A (zh) | 2020-06-12 |
CN111265211B CN111265211B (zh) | 2022-07-29 |
Family
ID=70991033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010056830.1A Active CN111265211B (zh) | 2020-01-17 | 2020-01-17 | 一种用于心搏数据的滑动检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111265211B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114533013A (zh) * | 2020-11-26 | 2022-05-27 | 深圳市科瑞康实业有限公司 | 一种对连续获取的心搏数据进行处理的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336522A1 (en) * | 2012-02-01 | 2014-11-13 | Fujitsu Limited | Information processing apparatus and representative-waveform generating method |
US20160287180A1 (en) * | 2015-04-03 | 2016-10-06 | The Regents Of The University Of Michigan | Adaptive epsilon-tube filter for blunt noise removal |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
-
2020
- 2020-01-17 CN CN202010056830.1A patent/CN111265211B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336522A1 (en) * | 2012-02-01 | 2014-11-13 | Fujitsu Limited | Information processing apparatus and representative-waveform generating method |
US20160287180A1 (en) * | 2015-04-03 | 2016-10-06 | The Regents Of The University Of Michigan | Adaptive epsilon-tube filter for blunt noise removal |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
慈成宇: "医院心电信息管理系统的研究与设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114533013A (zh) * | 2020-11-26 | 2022-05-27 | 深圳市科瑞康实业有限公司 | 一种对连续获取的心搏数据进行处理的方法 |
CN114533013B (zh) * | 2020-11-26 | 2024-02-06 | 深圳市科瑞康实业有限公司 | 一种对连续获取的心搏数据进行处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111265211B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259820B (zh) | 一种基于r点的心搏数据分类方法和装置 | |
CN110742653B (zh) | 心动周期的确定方法及超声设备 | |
CN110522440B (zh) | 基于分组卷积神经网络的心电信号识别装置 | |
CN111631705B (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
CN110522442B (zh) | 多导联心电异常检测装置、电子设备和存储介质 | |
CN111053551B (zh) | Rr间期心电数据分布显示方法、装置、计算机设备和介质 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN110680278B (zh) | 基于卷积神经网络的心电信号识别装置 | |
CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN110825826A (zh) | 聚类簇计算方法、装置、终端及存储介质 | |
CN111110224A (zh) | 一种基于多角度特征提取的心电图分类方法及装置 | |
CN111265211B (zh) | 一种用于心搏数据的滑动检测方法和装置 | |
JP2023120282A (ja) | 生体信号処理装置および自動解析用データ生成方法 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Peimankar et al. | Ensemble learning for detection of short episodes of atrial fibrillation | |
CN108537123A (zh) | 基于多特征提取的心电识别方法 | |
CN111134660B (zh) | 一种r点位置的检测方法和装置 | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
CN110179451B (zh) | 心电信号质量检测方法、装置、计算机设备和存储介质 | |
CN114366116B (zh) | 一种基于Mask R-CNN网络及心电图的参数获取方法 | |
CN115316996A (zh) | 心律异常识别模型训练方法、装置、设备及存储介质 | |
CN115067967A (zh) | 心拍信号基准点确定方法、心拍类型识别方法及装置 | |
CN114764581B (zh) | 一种基于rr间期空间特征的房颤分类方法、装置及系统 | |
CN116548980B (zh) | 基于脉冲神经网络的长时程心电分类方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 201612 16 / F, block a, no.668, Xinzhuan Road, Songjiang District, Shanghai Applicant after: Shanghai Lepu Yunzhi Technology Co.,Ltd. Address before: 201612 16 / F, block a, no.668, Xinzhuan Road, Songjiang District, Shanghai Applicant before: SHANGHAI YOCALY HEALTH MANAGEMENT Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |