CN111358459A - 一种心律失常识别方法、装置、设备和存储介质 - Google Patents
一种心律失常识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111358459A CN111358459A CN202010086075.1A CN202010086075A CN111358459A CN 111358459 A CN111358459 A CN 111358459A CN 202010086075 A CN202010086075 A CN 202010086075A CN 111358459 A CN111358459 A CN 111358459A
- Authority
- CN
- China
- Prior art keywords
- segment
- heartbeat
- feature
- interval
- wave
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 62
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 58
- 239000012634 fragment Substances 0.000 claims abstract description 31
- 230000000747 cardiac effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 15
- 230000001746 atrial effect Effects 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 7
- 206010015856 Extrasystoles Diseases 0.000 description 6
- 206010042600 Supraventricular arrhythmias Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010003130 Arrhythmia supraventricular Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 206010008088 Cerebral artery embolism Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 201000010849 intracranial embolism Diseases 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Physiology (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律失常识别方法、装置、设备和存储介质。该方法包括：获取待测用户的原始心电信号对应的至少一个滤波心拍片段；对滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；确定每个导联上的目标心拍片段特征的输出结果；根据输出结果确定每个标签对应的概率估计值，作为心律失常的识别结果。本发明实施例通过对多个输出结果进行融合处理，以确定每个标签对应的概率估计值，有效提高了心律失常识别的准确率。
Description
技术领域
本发明实施例涉及心律识别技术，尤其涉及一种心律失常识别方法、装置、 设备和存储介质。
背景技术
心电图因为直接地反映了心脏收缩和舒张的电生理过程，已经作为心内科 医生诊断心律失常等心脏病症的重要工具。图1是现有技术提供的一种心电信 号的显示示意图。如图1所示，一个典型的心电波形由P波，QRS复合波和T 波组成，其中P波表示心房收缩的电活动，QRS波和T波分别表示心室收缩和 舒张的电活动。
室上性心律失常是心律失常的一种。其临床表现为异常P波。根据起搏点 位置的不同，室上性心律失常包括了房性和结性两种。并且根据起搏时间的不 同，能进一步细分为早搏和逸博。虽然室上性心律失常的致命程度不如室性早 搏，室颤等室性心律失常，但是由于房性心律失常特别是房性早搏容易诱发心 房颤动，造成脑栓塞等严重病症。因此，对室上性心律失常的检测和识别依然 具有重要的临床意义。另一方面，由于室上性心律失常的QRS复合波的形态与 窦性心搏类似，临床上较难以区分。并且，医生对于长时心电图(例如，24小 时心电图)的分析需要耗费较长的时间，工作量大。
发明内容
有鉴于此，本发明提供一种心律失常识别方法、装置、设备和存储介质， 提高了心律失常识别的准确率。
第一方面，本发明实施例提供了一种心律失常识别方法，包括：
获取待测用户的原始心电信号对应的至少一个滤波心拍片段；
对所述滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；
确定每个导联上的所述目标心拍片段特征的输出结果；
根据所述输出结果确定每个标签对应的概率估计值，作为心律失常的识别 结果。
第二方面，本发明实施例还提供了一种心律失常识别装置，包括：
获取模块，用于获取待测用户的原始心电信号对应的至少一个滤波心拍片 段；
提取模块，用于对所述滤波心拍片段进行特征提取，得到对应的目标心拍 片段特征；
第一确定模块，用于确定每个导联上的所述目标心拍片段特征的输出结果；
第二确定模块，用于根据所述输出结果确定每个标签对应的概率估计值， 作为心律失常的识别结果。
第三方面，本发明实施例还提供了一种设备，该设备包括：存储器，以及 一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多 个处理器实现如上述任一实施例所述的心律失常识别方法。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，该程序被 处理器执行时实现如上述任一实施例所述的心律失常识别方法。
本发明通过获取待测用户的原始心电信号对应的至少一个滤波心拍片段； 对滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；确定每个导联 上的目标心拍片段特征的输出结果；根据输出结果确定每个标签对应的概率估 计值，作为心律失常的识别结果。本发明实施例通过对多个导联结果进行融合 处理，以确定每个标签对应的概率估计值，有效提高了心律失常识别的准确率。
附图说明
图1是现有技术提供的一种心电信号的显示示意图。
图2是本发明实施例提供的一种心律失常识别方法的流程图；
图3是本发明实施例提供的另一种心律失常识别方法的流程图；
图4是本发明实施例提供的一种心律失常识别装置的结构框图；
图5是本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此 处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需 要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结 构。
图2是本发明实施例提供的一种心律失常识别方法的流程图，本实施例可 适用于诊断是否患有心律失常病症的情况。如图2所示，本实施例包括如下步 骤：
S110、获取待测用户的原始心电信号对应的至少一个滤波心拍片段。
在实施例中，原始心电信号指的是通过检测仪器直接检测出的未处理过的 心电信号。在实际操作过程中，可以采用多种方式采集待测用户的原始心电信 号，比如，可以采用心电图仪、心电监护仪等心电设备采集待测用户的原始心 电信号。
在获取到待测用户的原始心电信号之后，为了能够清晰并准确地获取到原 始心电信号中的特征，可对原始心电信号进行预处理，得到至少一个滤波心拍 片段。其中，滤波心拍片段指的是对原始心电信号进行预处理之后得到的滤波 心拍片段。在实施例中，预处理可以包括噪声去除和心拍切片两个方面。针对 噪声去除，可采用高通滤波去除原始心电信号中的基线漂移；并且可采用低通 滤波对原始心电信号去除工频以及高频噪声干扰；针对心拍位置检测，可采用 多种现有方法进行心拍检测，例如经典的pan-Tompkins方法；针对心拍切片， 可采用分段方式对滤波之后的心电信号在检出心拍的位置进行分割。示例性地， 以滤波之后的心电信号R波峰为中心，将向前第一预设时间和向后第二预设时 间之间的片段作为一个滤波心拍片段。在实施例中，第一预设时间和第二预设 时间可以是相等的，也可以是不相等的，对此并不进行限定。比如，第一预设 时间为0.4秒(s)，第二预设时间可以为0.5s，即以滤波之后的心电信号R 波峰为中心，向前0.4s和向后0.5s之间的片段作为一个滤波心拍片段。
S120、对滤波心拍片段进行特征提取，得到对应的目标心拍片段特征。
在实施例中，在对滤波心拍片段进行特征提取的过程中，可将滤波心拍片 段的特征分为多心拍片段特征和单心拍片段特征，即目标心拍片段特征包括： 多心拍片段特征和单心拍片段特征。可以理解为，在目标心拍片段特征为不同 特征的情况下，所采集的具体参数是不同的。在实施例中，多心拍片段特征和 单心拍片段特征均包括：心电波的相对位置、大小、形状，以及基于时间的临 床特征(也可以称为时间特征)(比如，RR间隔、PR间隔、QT间隔和QRS波 宽度等)。具体的，多心拍片段特征是以临床特征(也可以称为时间特征)为基础，用于表达临床医学上基于心拍的心电信号的解释；单心拍片段特征可以 分为形态特征和时间特征。也就是说，多心拍片段特征和单心拍片段特征所对 应的具体参数是不同的。
在实施例中，多心拍片段特征可以包括：当前心拍的R波和前一心拍的R 波之间的间隔，当前心拍的R波和后一心拍的R波之间的间隔，当前心拍的P 波和R波峰之间的间隔；在单心拍片段特征为形态特征时，可以基于独立成分 分析(Independent ComponentAnalysis，ICA)，提取完整心拍片段的独立成 分；在单心拍片段特征为时间特征时，可以通过以P波、QRS波群和T波为中 心将滤波心拍片段划分为不同部分，以提取不同的特征。
S130、确定每个导联上的目标心拍片段特征的输出结果。
在实施例中，在确定滤波心拍片段的目标心拍片段特征之后，可以基于树 模型的梯度提升机作为分类模型的分类器，对目标心拍片段特征进行分类，以 将目标心拍片段分类至对应的通道中。可以理解为，不同通道对应的目标心拍 片段特征的类型是不同的。在实施例中，每个目标心拍片段特征的导联结果可 以由每个特征的权重和特征值进行计算的得到。其中，每个目标心拍片段的特 征值可以为每个目标心拍片段特征对应的具体参数值。
S140、根据输出结果确定每个标签对应的概率估计值，作为心律失常的识 别结果。
在实施例中，标签指的是心律失常病症。可以理解为，一个标签表示一种 心律失常病症。在实施例中，在确定每个目标心拍片段特征的导联结果之后， 对至少两个导联结果进行融合处理，以计算每个标签对应的概率估计值，作为 心律失常的识别结果。需要说明的是，每个通多对应一个导联结果，为了获取 最佳可信度的决策结果，可对多个导联结果进行融合处理，即对多个通道的导 联结果进行融合处理。在实施例中，每个通道对应一个导联决策模型。
在实际操作过程中，可根据贝叶斯乘积方法，对每个导联决策模型下的多 个便签进行概率估计，以得到每个标签的概率估计值，并作为心律失常的识别 结果，以使医护人员根据心律失常的识别结果诊断待测用户是否患有心律失常 病症。
在一实施例中，在获取待测用户的原始心电信号对应的至少一个滤波心拍 片段之前，还包括：对待测用户的原始心电信号依次进行高通滤波和低通滤波， 得到滤波心电信号；对滤波心电信号依次进行心拍检测和心拍切片，得到至少 一个滤波心拍片段。
在实施例中，针对待测用户的原始心电信号的基线漂移校正方面，可通过 0.5Hz高通滤波器去除原始心电信号的基线漂移；针对待测用户的原始心电信 号的工频以及高频噪声引起的干扰，可通过40Hz的低通滤波器去除原始心电信 号的噪声干扰，以得到滤波心电信号；然后对滤波心电信号进行分段，以得到 至少一个滤波心拍片段。在实施例中，在得到滤波心电信号之后，需对滤波心 电信号进行心拍检测，以确定该待测用户的原始心电信号中的心拍位置，然后 再对滤波心电信号进行心拍切片，比如，可以滤波心电信号的R波峰为中心， 向前和先后截取一段片段，作为一个滤波心拍片段。选择该区间内的片段，除了包含完整的心拍，切片间有相互重叠的部分能表现心拍间的相互关系。
在实施例中，为了解决训练数据标签的不平衡问题，遵循“跨患者 (inter-patient)”的基础，预选取标签占比较低的所有样本，按照以下条件 采样：Mmax＜αiMi，
其中，Mi为第i个标签的样本数量，Mmax为占比较多的样本的数量，αi为 调整后的比例参数，一般选取范围为[1,4]。
在一实施例中，在目标心拍片段特征为多心拍片段特征时，对滤波心拍片 段进行特征提取，得到对应的目标心拍片段特征，包括：提取滤波心拍片段的 第一间隔，第二间隔以及第三间隔，第一间隔为当前心拍的R波与前一心拍的 R波之间的间隔，第二间隔为当前心拍的R波与后一心拍的R波之间的间隔， 第三间隔为当前心拍的P波和R波峰之间的间隔；将第一间隔、第二间隔和第 三间隔作为多心拍片段特征。
在实施例中，对预处理得到的滤波心拍片段进行特征提取。并且，可将提 取的特征分为多心拍片段特征和单心拍片段特征，其中，多心拍片段特征和单 心拍片段特征均包括：心电波的相对位置、大小、形状和时间特征(比如，RR 间隔、PR间隔、QT间期和QRS波宽度等)。在实施例中，多心拍片段特征以时 间特征为基础，以表达临床医学上基于心拍的心电信号的解释，可包括：第一 间隔、第二间隔和第三间隔。可以理解为，对滤波心拍片段的多心拍片段特征 进行分析的过程，即为对滤波心拍片段的第一间隔、第二间隔和第三间隔进行 分析的过程。
在一实施例中，在目标心拍片段特征为单心拍片段特征时，对滤波心拍片 段进行特征提取，得到对应的目标心拍片段特征，包括：提取滤波心拍片段的 独立成分、第一片段特征、第二片段特征和第三片段特征，第一片段特征为P 波起始位置至QRS波的起始位置之间的特征，第二片段特征为QRS波的起始位 置到QRS波的截止位置之间的特征，第三片段特征为QRS波的截止位置至T波 的截止位置之间的特征；将独立成分、第一片段特征、第二片段特征和第三片 段特征作为单心拍片段特征。
在一实施例中，第一片段特征至少包括：第一片段的最大值、第一片段的 最小值、第一片段的标准差、第一片段的方差、第一片段的一阶差分幅值、第 一片段的平均功率；第二片段特征至少包括：第二片段的小波系数特征；第三 片段特征至少包括：第三片段的最大值、第三片段的最小值、第三片段的平均 功率。
在一实施例中，独立成分的确定方式，包括：确定每个滤波心拍片段的当 前长度；根据当前长度、预设独立成分数和滤波心拍片段确定对应的独立成分。
在实施例中，针对单心拍片段特征，可以分为形态特征和时间特征。对于 滤波心拍片段的形态特征，基于ICA算法提取完整心拍片段的独立成分。其中， 独立成分的计算公式为：ics_component＝A·ecg。其中，ecg为完整的滤波心拍片 段，A为n×Necg的解混矩阵，n为预先设置的独立成分数，Necg为ecg的片段长度。 在实施例中，A可以通过ICA训练得到，比如，采用训练集为每个项目/人中， 对每类滤波心拍信号随机抽取至多5个滤波心拍片段。可通过降低维数后的独 立成分表示心电信号的形态特征，降低了“跨患者”下训练集片段个性化以及 噪音的影响，从而更准确地表达完整片段的心电信号的形态特征。
在一实施例中，针对滤波心拍片段中单心拍片段特征为时间特征的情况。 不同于以往的完整心拍片段特征提取，可通过以P波、QRS波群、T波为中心划 分为不同部分提取不同特征。通过分片段的心拍特征提取，除了获得更多的心 电信号特征表达，分片段的心拍特征提取可以更细致化地刻画滤波心电信号在 主要的波或波群的特征。
在实施例中，在单心拍片段特征为时间特征的情况下，单心拍片段特征可 以包括：第一片段特征、第二片段特征和第三片段特征。其中，第一片段特征 为P波起始位置(即P_onset)至QRS波的起始位置(QRS_onset)之间的特征， 比如，包括：最大值(记为prev_max)、最小值(记为prev_min)、标准差(prev_std)、 方差(prev_var)、片段的一阶差分幅值(prev_diff_win)举例和平均功率 (prev_power)；第二片段特征为QRS波的起始位置(QRS_onset)到QRS波 的截止位置(QRS_offset)之间的特征，比如，包括：小波系数特征(比如，A4_qrs、D4_qrs、D3_qrs)；第三片段特征为QRS波的截止位置(QRS_offset) 至T波的截止位置(T_offset)之间的特征，比如，包括：最大值(记为post_max)、 最小值(post_min)和平均功率(post_power)。在一实施例中，可利用db6小 波基对原始信号进行小波分解，得到第1层信号的高频系数(记为D1_qrs)和 低频系数(记为A1_qrs)。对第1层信号的低频系数(A1_qrs)再次进行小波分解， 得到第2层信号的高频系数(记为D2_qrs)和低频系数(记为A2_qrs)。重复上述 步骤，直到获得第3层信号的低频系数(记为D3_qrs)，以及第4层信号的低频 系数(记为D4_qrs)和(记为A4_qrs)。
具体的，上述特征的具体计算过程分别如下：
其中，P_onset＝R_index-0.26s,QRS_onset＝R_index-0.035s, QRS_offset＝R_index+0.035s,T_offset＝QRS_offset+0.15s，其中，R_index为T波峰 位置。prev_diff_win＝{x1,x2,...,xp}，
p为举例的个数，ecgPQ'j为PR片段幅值的一阶差分，NPR'为其长度。
其中，方差的计算公式为：
标准差的计算公式为：
ei为所截取的滤波心拍片段的第i个样本点，ecgμ为所截取 的滤波心拍片段的均值，Necg为所截取的滤波心拍片段的长度。
在实施例中，平均功率可以由功率谱密度计算获得。具体的，功率谱密度 可以利用基于Hann窗的Welch法功率谱计算方法：1)信号总长度为N，定义 每段的数据长度为M，信号可被切分的个数为：
2)对于每一段信 号的功率谱，有
其中，归一化因子为：
xk(n)为第k个切分片段的信号，d(n)为长度为M的Hann窗。因此，平均功率可 以表示为：
在一实施例中，确定每个导联上的目标心拍片段特征的输出结果，包括： 获取每个目标心拍特征的权重；根据每个目标心拍特征对应的特征值和权重， 确定每个导联上对应的导联结果。
在实施例中，预先为每个目标心拍片段特征设置权重，并根据每个目标心 拍片段特征的权重和特征值计算出每个导联上对应的输出结果。其中，导联， 可以理解为通道，即对每个通道上的目标心拍片段特征进行计算，得到对应的 输出结果。示例性地，每个导联上的目标心拍特征的输出结果可以为对应权重 和特征值之间的乘积值。其中，特征值可以通过基于树模型的梯度提升机进行 计算得到。
在一实施例中，根据输出结果确定每个标签对应的概率估计值，包括：基 于贝叶斯乘积方法，融合至少两个导联决策模型下的输出结果；根据至少两个 导联决策模型下的输出结果确定每个标签的概率估计值。
在实施例中，在计算得到每个目标心拍片段特征的输出结果之后，可通过 树模型的梯度提升机作为分类模型的分类器，对输出结果进行分类，以输入至 不同的通道(即一个通道对应一种类型的输出结果，并且每个输出结果对应一 种导联决策模型)。对于多导联结果，需要融合多个导联决策模型的输出结果， 以获得最佳可信度的决策结果。根据贝叶斯乘积方法，给定K类标签数据，对 于每个导联决策模型的概率估计，对L个导联决策模型的概率进行不相关评估。 其中，第k类的概率估计值的计算公式为：
其中，xl为 l导联下的心电图特征表示，Pl(y＝k|xl)为在第l个导联决策模型下第k类标签的 概率估计。在第k类标签的多导联结果的联合概率被归一化到[0,1]区间后，最 终的类别结果由概率估计值的最高值决定，即，
示例性地，假设标签为5种，即5种心律失常病症(比如，依次为房性早搏、 房性逸搏、结性早搏、结性逸搏和异常房性早搏)，以及存在12路通道，存在6种导联决策模型，对12路通道输出的12个导联结果进行分析，通过上述标 签概率估计值的计算公式，计算出每个标签对应的概率估计值，假设计算得到 第3种标签的概率估计值最高，可医护人员可根据该概率估计值推算出待测用 户患有第三种心律失常病症，即患有结性早搏。
图3是本发明实施例提供的另一种心律失常识别方法的流程图。示例性地， 本实施例可用于对五种基本的室上性心律失常进行分析，包括：房性早搏 (atrial prematurebeat)、房性逸搏(atrial escape beat)与结性早搏(junctional premature beat)、结性逸搏(junctional escape beat)以及异常 房性早搏的分类(aberrated atrialpremature beat)。如图3所示，本实施 例包括如下步骤：
S210、原始心电信号输入。
在实施例中，采用多导联的形式输入待测用户的原始心电信号。
S220、对原始心电信号进行预处理。
在实施例中，对原始心电信号进行预处理，可包括：欠采样、高通滤波、 低通滤波、心拍切片以及过滤非目标心拍等步骤。
S230、对预处理得到的心拍片段进行特征提取。
在实施例中，根据病症特点对预处理得到的心拍片段进行特征提取。其中， 预处理得到的心拍片段的特征可包括：多心拍片段特征和单心拍片段特征。即 根据不同的病症特点提取不同的特征。
S240、对提取的特征进行分类。
在实施例中，采用分类模型对心拍类型进行分类，即采用分类模型对提取 到的特征进行分类的过程。在实施例中，不同的病症对应的特征是不同的，即 根据不同的心拍类型将不同的特征输入至不同的通道中，以采用对应的导联决 策模型对特征进行分析处理，得到对应的导联结果。
S250、对多导联结果进行融合。
在实施例中，基于贝叶斯乘积方法的多导联模型结果融合模块对多导联信 号上的结果进行了多导联结果融合，以确定每个标签的概率估计值，来推断待 测用户是否患有心律失常病症。在现有的心律失常病症检测技术大多基于单导 联的心电数据，这往往造成在某些心律失常病症的检测准确率/敏感率低的问题。 本技术方案考虑到某些病症在不同导联表达不同的特点，采用基于贝叶斯乘积 的方法，融合多导联模型的结果，提高了病症的检出率。
在现有的心律失常病症检测技术中，使用大量的深度模型框架，该模型框 架所具备的特殊性质往往造成难以对决策结果进行有效解释，并且多层的深度 模型不利于轻量型平台使用。因此，本技术方案考虑了医学医疗领域对于决策 解释的需求，使用时间特征及轻量化的树模型等机器学习模型，降低了模型复 杂度，降低设备成本，甚至向便携式移动终端普及，有利于心脏病症的早期筛 查普及和早期预防；提高模型解释性，利于模型的迭代改进，同时增加医师、 患者对技术方案的信任度。
在现有的心律失常病症检测技术中，大多对于特征的选取较为单一，特征 的单一性不对于部分心律失常病症的分类。因此，本技术方案对心电信号重要 的时间节点分片段切割，通过对片段的特征提取，细致化表达心电信号的特征， 提高心律失常病症的检出率。
本实施例的技术方案，面向心律失常病症检测，将室上性早搏、逸搏内的 五类病症细分类为房性早搏、房性逸搏/结性早搏、结性逸搏/异常房性早搏， 通过片段化的特征提取丰富的特性表达，并由多个导联决策结果综合考虑提高 心律失常病症的检出率；利用轻量级机器学习模型降低模型复杂度，达到模型 的可解释性。
图4是本发明实施例提供的一种心律失常识别装置的结构框图，该装置适 用于诊断是否患有心律失常病症的情况，该装置可以由硬件/软件实现。如图4 所示，该装置包括：获取模块310、提取模块320、第一确定模块330和第二确 定模块340。
其中，获取模块310，用于获取待测用户的原始心电信号对应的至少一个 滤波心拍片段；
提取模块320，用于对滤波心拍片段进行特征提取，得到对应的目标心拍 片段特征；
第一确定模块330，用于确定每个导联上的目标心拍片段特征的输出结果；
第二确定模块340，用于确定每个输出结果对应的概率估计值，作为心律 失常的识别结果。
本实施例的技术方案，获取待测用户的原始心电信号对应的至少一个滤波 心拍片段；对滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；确 定每个导联上的目标心拍片段特征的输出结果；根据输出结果确定每个标签对 应的概率估计值，作为心律失常的识别结果。本发明实施例通过对多个导联的 输出结果进行融合处理，以确定每个标签对应的概率估计值，有效提高了心律 失常识别的准确率。
进一步地，心律失常识别装置，还包括：
滤波模块，用于在获取待测用户的原始心电信号对应的至少一个滤波心拍 片段之前，对待测用户的原始心电信号依次进行高通滤波和低通滤波，得到滤 波心电信号；
分段模块，用于对滤波心电信号依次进行心拍检测和心拍切片，得到至少 一个滤波心拍片段。
在一实施例中，在目标心拍片段特征为多心拍片段特征时，提取模块，包 括：
第一提取单元，用于提取滤波心拍片段的第一间隔，第二间隔以及第三间 隔，第一间隔为当前心拍的R波与前一心拍的R波之间的间隔，第二间隔为当 前心拍的R波与后一心拍的R波之间的间隔，第三间隔为当前心拍的P波和R 波峰之间的间隔；
第一确定单元，用于将第一间隔、第二间隔和第三间隔作为多心拍片段特 征。
在一实施例中，在目标心拍片段特征为单心拍片段特征时，提取模块，包 括：
第一提取单元，用于滤波心拍片段的独立成分、第一片段特征、第二片段 特征和第三片段特征，第一片段特征为P波起始位置至QRS波的起始位置之间 的特征，第二片段特征为QRS波的起始位置到QRS波的截止位置之间的特征， 第三片段特征为QRS波的截止位置至T波的截止位置之间的特征；
第二确定单元，用于将独立成分、第一片段特征、第二片段特征和第三片 段特征作为单心拍片段特征。
在一实施例中，第一片段特征至少包括：第一片段的最大值、第一片段的 最小值、第一片段的标准差、第一片段的方差、第一片段的一阶差分幅值、第 一片段的平均功率；第二片段特征至少包括：第二片段的小波系数特征；第三 片段特征至少包括：第三片段的最大值、第三片段的最小值、第三片段的平均 功率。
在一实施例中，独立成分的确定方式，包括：确定每个滤波心拍片段的当 前长度；根据当前长度、预设独立成分数和滤波心拍片段确定对应的独立成分。
在一实施例中，第一确定模块，包括：
获取单元，用于获取每个目标心拍特征的权重；
第三确定单元，用于根据每个目标心拍特征对应的特征值和权重，确定每 个导联上对应的输出结果。
在一实施例中，第二确定模块，包括：
融合模块，用于基于贝叶斯乘积方法，融合至少两个导联决策模型下的输 出结果；
第四确定单元，用于根据至少两个导联决策模型下的输出结果确定每个标 签的概率估计值。
上述心律失常识别装置可执行本发明任意实施例所提供的心律失常识别方 法，具备执行方法相应的功能模块和有益效果。
图5是本发明实施例提供的一种设备的硬件结构示意图。本发明实施例中 的设备以计算机设备为例进行说明。如图5所示，本发明实施例提供的计算机 设备，包括：处理器410和存储器420、输入装置430和输出装置440。该计算 机设备中的处理器410可以是一个或多个，图5中以一个处理器410为例，计 算机设备中的处理器410、存储器420、输入装置430和输出装置440可以通过 总线或其他方式连接，图5中以通过总线连接为例。
该计算机设备中的存储器420作为一种计算机可读存储介质，可用于存储 一个或多个程序，程序可以是软件程序、计算机可执行程序以及模块，如本发 明实施例或所提供心律失常识别方法对应的程序指令/模块(例如，图4所示的 心律失常识别装置中的模块，包括：获取模块、提取模块、第一确定模块和第 二确定模块)。处理器410通过运行存储在存储器420中的软件程序、指令以及 模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实 施例中心律失常识别方法。
存储器420可包括存储程序区和存储数据区，其中，存储程序区可存储操 作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所 创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括 非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固 态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程 设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包 括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收用户输入的数字或字符信息，以产生与终端设备 的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显 示设备。
并且，当上述计算机设备所包括一个或者多个程序被一个或者多个处理器 410执行时，程序进行如下操作：获取待测用户的原始心电信号对应的至少一 个滤波心拍片段；对滤波心拍片段进行特征提取，得到对应的目标心拍片段特 征；确定每个导联上的目标心拍片段特征的输出结果；根据输出结果确定每个 标签对应的概率估计值，作为心律失常的识别结果。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序， 该程序被处理器执行时实现本发明实施例提供的心律失常识别定方法，该方法 包括：获取待测用户的原始心电信号对应的至少一个滤波心拍片段；对滤波心 拍片段进行特征提取，得到对应的目标心拍片段特征；确定每个导联上的目标 心拍片段特征的输出结果；根据输出结果确定每个标签对应的概率估计值，作 为心律失常的识别结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质 的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储 介质。计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、 或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的 更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式 计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可 编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、 光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机 可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行 系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据 信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种 形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读 的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算 机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用 或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不 限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计 算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、 Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算 机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算 机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形 中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN) 连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供 商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽 然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以 上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种心律失常识别方法，其特征在于，包括：
获取待测用户的原始心电信号对应的至少一个滤波心拍片段；
对所述滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；
确定每个导联上的所述目标心拍片段特征的输出结果；
根据所述输出结果确定每个标签对应的概率估计值，作为心律失常的识别结果。
2.根据权利要求1所述的方法，其特征在于，在所述获取待测用户的原始心电信号对应的至少一个滤波心拍片段之前，还包括：
对待测用户的原始心电信号依次进行高通滤波和低通滤波，得到滤波心电信号；
对所述滤波心电信号依次进行心拍检测和心拍切片，得到至少一个滤波心拍片段。
3.根据权利要求1所述的方法，其特征在于，在所述目标心拍片段特征为多心拍片段特征时，所述对所述滤波心拍片段进行特征提取，得到对应的目标心拍片段特征，包括：
提取所述滤波心拍片段的第一间隔，第二间隔以及第三间隔，所述第一间隔为当前心拍的R波与前一心拍的R波之间的间隔，所述第二间隔为当前心拍的R波与后一心拍的R波之间的间隔，所述第三间隔为当前心拍的P波和R波峰之间的间隔；
将所述第一间隔、所述第二间隔和所述第三间隔作为多心拍片段特征。
4.根据权利要求1所述的方法，其特征在于，在所述目标心拍片段特征为单心拍片段特征时，所述对所述滤波心拍片段进行特征提取，得到对应的目标心拍片段特征，包括：
提取所述滤波心拍片段的独立成分、第一片段特征、第二片段特征和第三片段特征，所述第一片段特征为P波起始位置至QRS波的起始位置之间的特征，所述第二片段特征为QRS波的起始位置到QRS波的截止位置之间的特征，所述第三片段特征为QRS波的截止位置至T波的截止位置之间的特征；
将所述独立成分、所述第一片段特征、所述第二片段特征和所述第三片段特征作为单心拍片段特征。
5.根据权利要求4所述的方法，其特征在于，所述第一片段特征至少包括：第一片段的最大值、第一片段的最小值、第一片段的标准差、第一片段的方差、第一片段的一阶差分幅值、第一片段的平均功率；
所述第二片段特征至少包括：第二片段的小波系数特征；
所述第三片段特征至少包括：第三片段的最大值、第三片段的最小值、第三片段的平均功率。
6.根据权利要求4所述的方法，其特征在于，所述独立成分的确定方式，包括：
确定每个滤波心拍片段的当前长度；
根据所述当前长度、预设独立成分数和所述滤波心拍片段确定对应的独立成分。
7.根据权利要求1所述的方法，其特征在于，所述确定每个导联上的所述目标心拍片段特征的输出结果，包括：
获取每个所述目标心拍特征的权重；
根据每个所述目标心拍特征对应的特征值和所述权重，确定每个导联上对应的输出结果。
8.根据权利要求1所述的方法，其特征在于，所述根据所述输出结果确定每个标签对应的概率估计值，包括：
基于贝叶斯乘积方法，融合至少两个导联决策模型下的输出结果；
根据所述至少两个导联决策模型下的输出结果确定每个标签的概率估计值。
9.一种心律失常识别装置，其特征在于，包括：
获取模块，用于获取待测用户的原始心电信号对应的至少一个滤波心拍片段；
提取模块，用于对所述滤波心拍片段进行特征提取，得到对应的目标心拍片段特征；
第一确定模块，用于确定每个导联上的所述目标心拍片段特征的输出结果；
第二确定模块，用于确定每个所述输出结果对应的概率估计值，作为心律失常的识别结果。
10.一种设备，其特征在于，所述设备包括：存储器，以及一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的心律失常识别方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的心律失常识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010086075.1A CN111358459A (zh) | 2020-02-11 | 2020-02-11 | 一种心律失常识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010086075.1A CN111358459A (zh) | 2020-02-11 | 2020-02-11 | 一种心律失常识别方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111358459A true CN111358459A (zh) | 2020-07-03 |
Family
ID=71198298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010086075.1A Pending CN111358459A (zh) | 2020-02-11 | 2020-02-11 | 一种心律失常识别方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111358459A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111759298A (zh) * | 2020-07-10 | 2020-10-13 | 齐鲁工业大学 | 一种降低多参数监护仪心律失常误报警率的方法 |
| CN111839502A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 一种心电数据异常检测方法、装置、设备及存储介质 |
| CN111956207A (zh) * | 2020-08-19 | 2020-11-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN112270240A (zh) * | 2020-10-22 | 2021-01-26 | 微医云(杭州)控股有限公司 | 一种信号处理方法、装置、电子设备和存储介质 |
| CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | 中国移动通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
| CN108309262A (zh) * | 2018-02-24 | 2018-07-24 | 乐普（北京）医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护仪 |
| CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
| CN109303559A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
| CN109770860A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
| CN110025308A (zh) * | 2019-04-09 | 2019-07-19 | 澳门大学 | 一种心电特征提取方法、心拍识别方法及装置 |
-
2020
- 2020-02-11 CN CN202010086075.1A patent/CN111358459A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
| CN108309262A (zh) * | 2018-02-24 | 2018-07-24 | 乐普（北京）医疗器械股份有限公司 | 多参数监护数据分析方法和多参数监护仪 |
| CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
| CN109303559A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
| CN109770860A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
| CN110025308A (zh) * | 2019-04-09 | 2019-07-19 | 澳门大学 | 一种心电特征提取方法、心拍识别方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111759298A (zh) * | 2020-07-10 | 2020-10-13 | 齐鲁工业大学 | 一种降低多参数监护仪心律失常误报警率的方法 |
| CN111839502A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 一种心电数据异常检测方法、装置、设备及存储介质 |
| CN111839502B (zh) * | 2020-07-21 | 2024-02-09 | 广州视源电子科技股份有限公司 | 一种心电数据异常检测方法、装置、设备及存储介质 |
| CN111956207A (zh) * | 2020-08-19 | 2020-11-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN111956207B (zh) * | 2020-08-19 | 2024-02-20 | 广州视源电子科技股份有限公司 | 一种心电记录标注方法、装置、设备及存储介质 |
| CN114224355A (zh) * | 2020-09-07 | 2022-03-25 | 中国移动通信有限公司研究院 | 心电信号分类训练方法、分类方法、装置及存储介质 |
| CN112270240A (zh) * | 2020-10-22 | 2021-01-26 | 微医云(杭州)控股有限公司 | 一种信号处理方法、装置、电子设备和存储介质 |
| CN112270240B (zh) * | 2020-10-22 | 2024-02-09 | 微医云(杭州)控股有限公司 | 一种信号处理方法、装置、电子设备和存储介质 |
| CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
| CN112617850B (zh) * | 2021-01-04 | 2022-08-30 | 苏州大学 | 心电信号的早搏心拍检测系统 |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| CN112932431B (zh) * | 2021-01-26 | 2022-09-27 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
| US20190198176A1 (en) | Systems for safe and remote outpatient ecg monitoring | |
| WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| US8666483B2 (en) | System for cardiac medical condition detection and characterization | |
| CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| Mahajan et al. | Cardiac rhythm classification from a short single lead ECG recording via random forest | |
| WO2019057676A1 (en) | ATRIAL FIBRILLATION DETECTION USING SINGLE-LEAD ECG RECORDINGS | |
| CN101065058A (zh) | 使用部分状态空间重构监视生理活动 | |
| WO2009091583A1 (en) | Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal | |
| CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
| Parvaneh et al. | Electrocardiogram monitoring and interpretation: from traditional machine learning to deep learning, and their combination | |
| KR20200125256A (ko) | 심전도 분석 장치 및 방법 | |
| Lai et al. | A real-time QRS complex detection algorithm based on differential threshold method | |
| Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
| CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
| Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
| Sabherwal et al. | Aiding the detection of QRS complex in ECG signals by detecting S peaks independently | |
| Tanasković et al. | A new algorithm for fetal heart rate detection: Fractional order calculus approach | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| Goovaerts et al. | Detection of irregular heartbeats using tensors | |
| Raj et al. | Application of variational mode decomposition and ABC optimized DAG-SVM in arrhythmia analysis | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| Hammed et al. | Patient adaptable ventricular arrhythmia classifier using template matching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |