CN111449622A - 一种基于bcg检测的房颤识别系统 - Google Patents
一种基于bcg检测的房颤识别系统 Download PDFInfo
- Publication number
- CN111449622A CN111449622A CN202010198440.8A CN202010198440A CN111449622A CN 111449622 A CN111449622 A CN 111449622A CN 202010198440 A CN202010198440 A CN 202010198440A CN 111449622 A CN111449622 A CN 111449622A
- Authority
- CN
- China
- Prior art keywords
- bcg
- signal
- signals
- atrial fibrillation
- energy
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000033764 rhythmic process Effects 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 230000003750 conditioning effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000002861 ventricular Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 2
- 230000017531 blood circulation Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000002033 PVDF binder Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- A61B5/02444—Details of sensor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Power Engineering (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
本发明属于医疗仪器技术领域,具体为一种基于心冲击图(BCG)检测设备的房颤识别系统。本发明房颤识别系统包括传感器、信号调理电路和微处理器;微处理器进行采样和运算处理,判断使用者是否房颤发作;本发明通过对所采集的信号进行能量转换,将原始BCG信号转换为BCG能量信号进行处理,在BCG能量信号上提取16个特征,通过机器学习分类算法对信号进行房颤与窦性心律的判别。有效解决了BCG信号的波形多样性所带来的房颤识别困难的问题,增强了算法的普适性,提高了算法的判别准确率。
Description
技术领域
本发明属于医疗仪器技术领域,具体涉及一种基于BCG检测设备的房颤识别系统。
背景技术
房颤是最常见的心律失常,其患病率随着年龄的增加而增加,不及时治疗还会导致其他多种心血管疾病、脑卒中等致命疾病发作,严重影响了人们的生活质量、加重了社会的医疗负担。房颤常在无预兆的情况下突然发作,且部分患者房颤发作时无症状或症状轻微,在无心功能检测仪器的情况下难以察觉,从而导致患者未能及时接受治疗,引发严重后果。
目前,房颤的临床诊断方式以心电图为主。心电图技术成熟,检测准确率高,但由于心电的检测需要将电极连接到患者身上,长时间佩戴会使患者感到不适,因此不适合进行长期心脏活动监测。这一问题可以通过心冲击图(BCG)这一非接触式心脏监测技术解决。BCG通过放置于身体下方的传感器测量心脏将血液射向全身血管时身体的反冲力,可以提供有关心脏舒张和心脏收缩的信息。为实现房颤的长时间监测与筛查,许多学者凭借BCG方法其无创、操作简便、不给受试者造成负担等优势,提出了将传感器嵌入床垫下,在使用者睡眠期间进行心脏活动监测的方法。依托于相应的信号采集系统,现有的通过BCG信号识别房颤的算法通常是在信号的时域和频域取特征后再进行信号分类。但是在实际情况中,因使用者个人体质、睡眠姿势、身体和传感器之间的相对位置以及睡眠质量的差异,导致BCG信号的波形多样性增加,从而难以在BCG信号中通过时域和频域特征将房颤发作与窦性心律区分开来。
发明内容
本发明的目的是提供一种基于BCG检测的房颤识别系统,以解决由于BCG波形多样性导致的房颤识别困难的问题。
本发明所提供的房颤识别系统,可实现对BCG信号的采集和传输,通过对所采集的信号进行能量转换,将原始BCG信号转换为BCG能量信号进行处理,在BCG能量信号上提取16个特征,通过机器学习分类算法对信号进行房颤与窦性心律的判别。
本发明的房颤识别系统,包括传感器、信号调理电路和微处理器,其中:
所述传感器,用于非接触式采集心跳(BCG)信号,传感器采集到的BCG信号传输至信号调理电路;信号调理电路将微弱的电信号进行放大和滤波,经过电平抬升后,信号送入微处理器(如MSP430单片机)进行采样和运算处理,判断使用者是否房颤发作。
所述传感器采用PVDF压电传感器,其压电特性良好,抗干扰性强,能够实现心跳信号的非接触式采集。
本发明中,所述微处理器对采样信号的运算处理包括四个模块,预处理模块、能量转换模块、特征提取模块和分类模块,其中,核心部分为能量转换模块。其中:预处理模块,是通过小波变换将原始信号中的低频与高频分量滤除,仅保留与心跳信息相关的频段;能量转换模块,是通过滑动窗口计算窗内信号的平方和求得转换后的BCG能量信号;特征提取,是在BCG能量信号的基础上,从信号峰值幅度变化、峰值间隔、谷值变化以及信号平滑程度等角度提取可以突出房颤与窦性心律之间区别的特征;分类模块,是以所提取到的特征为输入,通过机器学习分类算法对信号进行房颤与窦性心律的分类。
所述预处理模块,通过小波变换完成。BCG信号中与心跳信息相关频带大约在0.8和15Hz之间。作为非平稳信号,BCG适合用小波变换进行预处理。处理时选择母小波Daubechie 6原始信号分解,去除高频和低频部分,选择包含全部心跳相关频带部分重建BCG信号。
所述能量转换模块,通过滑动窗口计算窗内信号的平方和来完成。由于BCG信号具有极强的个体间差异性,这使得来自不同样本的BCG信号波形难以统一概括,对在原始BCG信号上提取特征带来了较强的干扰。为了解决这一问题,本发明通过对BCG进行能量转换来削弱信号样本间波形差异带来的负面影响、突出房颤与窦性心律BCG信号之间的差异。能量转化的具体方法为,设置一个定长滑动窗,计算窗内信号的平方和,滑动窗每次向前移动一个点,由一段信号开头滑动至结尾,每次窗内计算所得的值组成的序列即为BCG能量信号。BCG能量信号可以反映信号的能量变化,考虑到BCG中包含的心室射血和主动脉血流成分具有较高的能量, BCG的能量信号可以进一步突出心跳在不同条件下的特征。房颤时的BCG能量信号不规则地波动,因为不仅心律不规则,而且心房和心室搏动也不同步;窦性心律的BCG能量信号则显示出于心律对应的规律起伏波动。房颤与窦性心律的BCG能量信号的规律性的差异构成了特征提取的基础,也使得能量转换部分称为本算法的核心部分。
所述特征提取模块,是在BCG能量信号的基础上提取可以突出房颤与窦性心律之间区别的特征。特征从以下四个角度提取:峰值幅度变化、峰值间隔、谷值变化以及信号平滑程度。首先,生成四个相应的数据序列,即“峰值间隔”(PI[i]),“峰值幅度的相对差异”(DA[i]),“相对谷值”(RT[i])和“相邻峰值之间的毛刺”(BP[i]);然后,分别求出这四个序列的平均值,方差,偏度和峰度。由此得到共16个值来描述信号的特征,作为分类器的输入。
所述分类模块,是以所提取到的特征作为支持向量机(SVM)、决策树(DT)、随机森林(RF)等机器学习分类算法[1]对信号进行房颤与窦性心律的判别的输入,对信号进行房颤与窦性心律的二分类。
本发明的有益效果是通过能量转换后再提取特征进行分类,有效解决了BCG信号的波形多样性所带来的房颤识别困难的问题,增强了算法的普适性,提高了算法的判别准确率。本发明提供的算法的设计更符合现实使用场景,具有较强的实用性,为长期家庭房颤筛查提供了可行的方法思路。
附图说明
图1是本发明系统总框图。
图2是定义峰、谷和毛刺的示意图图。
图3是PI[i]序列计算方法示意图。
图4是DA[i]序列计算方法示意图。
图5是RT[i]序列计算方法示意图。
图6是BP[i]序列计算方法示意图。
具体实施方式
本发明提供的房颤识别系统可植入BCG监测设备中,实现高效、高准确性的房颤筛查功能。在本具体实施例中,信号由特定的BCG信号采集系统进行采集,采集到的信号划分为长度为1分钟的片段,每片段逐个通过该算法进行房颤识别。
图1是本发明系统的总框图。原始BCG信号由特定硬件采集系统完成采集,如图1左侧为“BCG信号采集系统”。采集系统中,所用传感器是Emfit的L系列PVDF压电传感器,采集信号时,传感器置于床垫下方或嵌于床垫中,使用者在夜间睡眠时卧于床垫上,传感器应位于使用者胸腔正下方;所采集信号通过信号调理电路进行放大和滤波,信号调理电路由电荷放大器、前置放大器、低通滤波器、高通滤波器、后置放大器、电平抬升电路和50Hz陷波滤波器构成,其中电荷放大器将电荷转换为电压,电路总放大倍数为40至45倍,低通滤波器截止频率为10Hz,高通滤波器截止频率为0.7Hz,陷波滤波器中心频率为50Hz,各个滤波器阻带衰减至少5倍,电平抬升电路将整个信号平移至0-3.3V的范围内,以便于单片机采样;(系统中还涉及其它器件,文中应有对应交代),单片机对信号调理电路进行定时采样,采样率为125Hz。经过上述系统采集的信号由本发明所提供的算法进行运算处理。
本实施例中,所采得的信号被划分成长度为1分钟的片段,每个片段逐个经算法运算,运算过程如图1右侧“房颤识别算法”部分所示。
本实施例中,预处理部分中使用小波变换来对信号进行处理。使用母小波Daubechie 6来分解得到七个细节(D1到D7)中的信号,并通过包含心跳相关频带的D3到D6细节重建BCG信号。
本实施例中,在对BCG信号进行能量转换时,应用矩形滑动窗口来计算短时能量。将滑动窗口的长度确定为30个样本点,由于信号采样率为125Hz,则窗内信号长度为0.24秒。完成每个能量值计算后,滑动窗口向后移动一个样本点。以E [n]、X [n]、w [n]和N(本实施例中N=5)分别表示BCG能量信号、BCG信号、矩形滑动窗口和滑动窗口的长度,则表示BCG信号的能量转换可以通过以下等式表达:
为使信号平滑,对上述处理后的结果进行均值滤波,滤波后的能量信号记为E’[n],M为滤波器长度,本实施例中,M=30,可用如下等式表示该运算过程:
本实施例中,为实现特征提取中运算的需求,首先定义两个基本序列:即,峰值坐标(P [i])和波谷坐标(T [i]),如图2所示。在能量信号片段中检测局部最大值,其中高于阈值峰值高度的那些被定义为峰值,而其他被称为毛刺。峰值的坐标按顺序记录在P [i]中;波谷是两个相邻峰之间的最小值,其坐标记录在T [i]中。
本实施例中,提取特征时需要的四个数据序列的生成方式如下:
(1)峰值间隔PI[i]序列计算方法如图3所示,通过对P [i]执行差分运算以生成PI[i]:
(2)峰值幅度的相对差异DA[i]序列计算方法如图4所示,通过依次计算两个相邻峰值之间差和较大峰值与谷值差的比值得到该序列:
(4)相邻峰值之间的毛刺BP [i]序列计算方法如图6所示,BP [i]表示 E'[[P [i]] 和E'[P [i + 1]] 之间的毛刺数。
对上述四个数据序列分别求平均值、方差、偏度和峰度,即可得到最终16个特征。
本实施例中,分类这一部分所选择的机器学习分类算法是支持向量机(SVM),分类器通过相关数据训练可得。以所得16个特征作为分类器的输入,输出则是判别该段信号为房颤或者窦性心律的结果。
以上为本发明的较佳实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或者替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书要求所界定的保护范围为准。
参考文献
[1] KOTSIANTIS S B, ZAHARAKIS I D, PINTELAS P E. Machine learning: areview of classification and combining techniques[J]. Artificial IntelligenceReview, 2006,26(3): 159-190.。
Claims (6)
1.一种基于BC检测的房颤识别系统,其特征在于,通过对所采集的信号进行能量转换,将原始BCG信号转换为BCG能量信号进行处理,在BCG能量信号上提取16个特征,通过机器学习分类算法对信号进行房颤与窦性心律的判别;包括传感器、信号调理电路和微处理器,其中:
所述传感器,用于非接触式采集心跳相关的BCG信号;传感器采集到的BCG信号传输至信号调理电路;信号调理电路将微弱的电信号进行放大和滤波,经过电平抬升后,信号送入微处理器进行采样和运算处理,判断使用者是否房颤发作;
所述微处理器对采样信号的运算处理包括四个模块,预处理模块、能量转换模块、特征提取模块和分类模块;其中:预处理模块,是通过小波变换将原始信号中的低频与高频分量滤除,仅保留与心跳信息相关的频段;能量转换模块,是通过滑动窗口计算窗内信号的平方和求得转换后的BCG能量信号;特征提取模块,是在BCG能量信号的基础上,从信号峰值幅度变化、峰值间隔、谷值变化以及信号平滑程度等角度提取可以突出房颤与窦性心律之间区别的特征;分类模块,是以所提取到的特征为输入,通过机器学习分类算法对信号进行房颤与窦性心律的分类。
2. 根据权利要求1所述的房颤识别系统,其特征在于,所述预处理模块,通过小波变换进行预处理;BCG信号中与心跳信息相关频带在0.8和15Hz之间,处理时选择母小波Daubechie 6原始信号分解,去除高频和低频部分,选择包含全部心跳相关频带部分重建BCG信号。
3. 根据权利要求2所述的房颤识别系统,其特征在于,所述能量转换模块,通过滑动窗口计算窗内信号的平方和来完成能量转换;具体而言,设置一个定长滑动窗,计算窗内信号的平方和,滑动窗每次向前移动一个点,由一段信号开头滑动至结尾,每次窗内计算所得的值组成的序列即为BCG能量信号;BCG能量信号反映了信号的能量变化,考虑到BCG中包含的心室射血和主动脉血流成分具有较高的能量, BCG的能量信号可以进一步突出心跳在不同条件下的特征;房颤时的BCG能量信号不规则地波动,因为不仅心律不规则,而且心房和心室搏动也不同步;窦性心律的 BCG能量信号则显示出于心律对应的规律起伏波动;通过对BCG进行能量转换来削弱信号样本间波形差异带来的负面影响、突出房颤与窦性心律BCG信号之间的差异;房颤与窦性心律的BCG能量信号的规律性的差异构成了特征提取的基础。
4.根据权利要求3所述的房颤识别系统,其特征在于,所述特征提取模块,是在BCG能量信号的基础上提取可以突出房颤与窦性心律之间区别的特征;特征从以下四个方面提取:峰值幅度变化、峰值间隔、谷值变化以及信号平滑程度;
首先,生成四个相应的数据序列: “峰值间隔”,记为PI[i];“峰值幅度的相对差异”,记为DA[i];“相对谷值”,记为RT[i];“相邻峰值之间的毛刺”,记为BP[i];
然后,分别求出这四个序列的平均值、方差、偏度和峰度;由此得到共16个值来描述信号的特征,作为分类模块的输入。
5.根据权利要求4所述的房颤识别系统,其特征在于,所述分类模块,是以所提取到的特征作为机器学习分类算法对信号进行房颤与窦性心律的判别的输入,对信号进行房颤与窦性心律的二分类;其中,所述机器学习分类算法包括支持向量机、决策树、随机森林。
6.根据权利要求4所述的房颤识别系统,其特征在于,所述提取四个方面特征的流程为:
首先定义两个基本序列:峰值坐标P [i]和波谷坐标T [i];在能量信号片段中检测局部最大值,其中高于阈值峰值高度的那些被定义为峰值,而其他被称为毛刺;峰值的坐标按顺序记录在P [i]中;波谷是两个相邻峰之间的最小值,其坐标记录在T [i]中;
提取特征时,四个数据序列的生成方式如下:
(1)峰值间隔PI[i]序列计算;
通过对P [i]执行差分运算以生成PI [i]:
(2)峰值幅度的相对差异DA[i]序列计算;
通过依次计算两个相邻峰值之间差和较大峰值与谷值差的比值计算:
(3)相对谷值RT[i]序列计算;
能量信号的每个片段减去最小值,从而使新序列的最小值为零,由E '' [i] 表示:
(4)相邻峰值之间的毛刺BP [i]序列计算;
BP [i]表示 E'[[P [i]] 和E'[P [i + 1]] 之间的毛刺数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198440.8A CN111449622A (zh) | 2020-03-20 | 2020-03-20 | 一种基于bcg检测的房颤识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198440.8A CN111449622A (zh) | 2020-03-20 | 2020-03-20 | 一种基于bcg检测的房颤识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111449622A true CN111449622A (zh) | 2020-07-28 |
Family
ID=71671940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010198440.8A Pending CN111449622A (zh) | 2020-03-20 | 2020-03-20 | 一种基于bcg检测的房颤识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111449622A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515651A (zh) * | 2020-11-30 | 2021-03-19 | 中物云信息科技(无锡)有限公司 | 一种基于bcg的心律失常识别方法及装置 |
CN112617866A (zh) * | 2020-12-31 | 2021-04-09 | 深圳美格尔生物医疗集团有限公司 | Emg肌电信号数字采集电路及系統 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201147314Y (zh) * | 2007-10-11 | 2008-11-12 | 复旦大学 | 用于心脏除颤器的心电图r波快速检测电器 |
US20150164355A1 (en) * | 2009-11-03 | 2015-06-18 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
CN107361764A (zh) * | 2017-06-16 | 2017-11-21 | 华南理工大学 | 一种心电信号特征波形r波的快速提取方法 |
CN108577833A (zh) * | 2018-02-13 | 2018-09-28 | 杭州博博科技有限公司 | 房颤检测装置及方法 |
CN110115574A (zh) * | 2018-02-07 | 2019-08-13 | 普天信息技术有限公司 | 心率监测的方法和装置 |
-
2020
- 2020-03-20 CN CN202010198440.8A patent/CN111449622A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201147314Y (zh) * | 2007-10-11 | 2008-11-12 | 复旦大学 | 用于心脏除颤器的心电图r波快速检测电器 |
US20150164355A1 (en) * | 2009-11-03 | 2015-06-18 | Vivaquant Llc | Method and Apparatus for Detection of Heartbeat Characteristics |
CN107361764A (zh) * | 2017-06-16 | 2017-11-21 | 华南理工大学 | 一种心电信号特征波形r波的快速提取方法 |
CN110115574A (zh) * | 2018-02-07 | 2019-08-13 | 普天信息技术有限公司 | 心率监测的方法和装置 |
CN108577833A (zh) * | 2018-02-13 | 2018-09-28 | 杭州博博科技有限公司 | 房颤检测装置及方法 |
Non-Patent Citations (3)
Title |
---|
XIN WEN 等: "A Feasible Feature Extraction Method for Atrial Fibrillation Detection From BCG", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 24, no. 4, pages 1094 - 1099 * |
杨翠微等: "心房颤动的心外膜标测表征方法初探", 《生物医学工程学杂志》 * |
杨翠微等: "心房颤动的心外膜标测表征方法初探", 《生物医学工程学杂志》, vol. 24, no. 03, 25 June 2007 (2007-06-25), pages 678 - 681 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515651A (zh) * | 2020-11-30 | 2021-03-19 | 中物云信息科技(无锡)有限公司 | 一种基于bcg的心律失常识别方法及装置 |
CN112617866A (zh) * | 2020-12-31 | 2021-04-09 | 深圳美格尔生物医疗集团有限公司 | Emg肌电信号数字采集电路及系統 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN114469133B (zh) * | 2021-12-14 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Satija et al. | A review of signal processing techniques for electrocardiogram signal quality assessment | |
US7862515B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
Migliorini et al. | Automatic sleep staging based on ballistocardiographic signals recorded through bed sensors | |
KR101868888B1 (ko) | 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 | |
CN111449622A (zh) | 一种基于bcg检测的房颤识别系统 | |
Sasikala et al. | Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform | |
CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
Satija et al. | A simple method for detection and classification of ECG noises for wearable ECG monitoring devices | |
Peterkova et al. | The raw ECG signal processing and the detection of QRS complex | |
CN114010171A (zh) | 一种基于心跳数据的分类器设置方法 | |
KR20070087787A (ko) | 생체신호를 통해 실시간으로 감정을 분류하는감정분류시스템과, 감정분류방법 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
WO2018053967A1 (zh) | 催眠深度检测器 | |
CN109893115A (zh) | 一种基于人体微弱生物电信号的处理分析方法 | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
US11541246B2 (en) | Device and method for detecting ventricular fibrillation | |
Sivaranjni et al. | Detection of sleep apnea through ECG signal features | |
CN109770920A (zh) | 基于穿戴式心电信号的紧张情绪判别方法及其系统 | |
KR20160133043A (ko) | 생체신호 기반의 심리 인지 장치 | |
Mendez et al. | Automatic detection of sleep macrostructure based on bed sensors | |
Akşahin et al. | Obstructive sleep apnea classification with artificial neural network based on two synchronic hrv series | |
Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
CN113164055A (zh) | 移动监护设备、生理信号的调整和处理方法 | |
Asadi et al. | Enhancement of life-threatening arrhythmia discrimination in the intensive care unit with morphological features and interval feature extraction via random forest classifier |
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: 20200728 |
|
WD01 | Invention patent application deemed withdrawn after publication |