CN111528833A - 一种心电信号的快速识别与处理方法及系统 - Google Patents
一种心电信号的快速识别与处理方法及系统 Download PDFInfo
- Publication number
- CN111528833A CN111528833A CN202010379766.0A CN202010379766A CN111528833A CN 111528833 A CN111528833 A CN 111528833A CN 202010379766 A CN202010379766 A CN 202010379766A CN 111528833 A CN111528833 A CN 111528833A
- Authority
- CN
- China
- Prior art keywords
- signal
- ecg
- complexity
- processing
- ecg signal
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
Landscapes
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种心电信号的快速识别与处理方法及系统，所述方法包括：对输入的原始ECG信号进行去噪声处理，得到ECG信号；根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；输出识别处理结果。本发明提供的心电信号的快速识别与处理方法提高了对信号识别的效率及分析结果的准确性，并可以应用在各种嵌入式平台中。
Description
技术领域
本发明涉及心电信号分析技术领域，特别是涉及一种心电信号的快速识别与处理方法及系统。
背景技术
目前，常采用机器学习和深度学习对心电信号进行识别和分类，尤其是利用卷积神经网络(CNN)，然而在实时检测心电信号的过程中，若一直使用CNN对心电信号进行识别分类，由于一直无差别的对大量心电信号进行识别，往往会产生计算延时，且耗费时间长，给计算机也带来较大负担；同时，由于需要将采样率数据量庞大的终端数据传回数据服务器或院内后进行储存分析，若实时回传则容易出现丢包或传输错误的情况，从而导致记录的波形或显示的波形出现缺失；此时若将数据送入神经网络进行识别将会出现错误结果，进一步导致分析结果的准确率低下。
发明内容
本发明的目的在于提供一种心电信号的快速识别与处理方法及系统，能够提高对信号识别的效率及分析结果的准确性。
为了克服上述现有技术中的缺陷，本发明实施例提供一种心电信号的快速识别与处理方法，包括：
对输入的原始ECG信号进行去噪声处理，得到ECG信号；
根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
输出识别处理结果。
优选地，所述根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
优选地，所述将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号先后输入LSTM神经网络和CNN神经网络，进行预测、修补及识别，并与前端特征进行汇总。
优选地，所述将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程，包括：
将复杂度小于预设阈值的ECG信号进行切片后锁定QRS波形；
根据所述QRS波形对恶性心率是否失常进行判断，所述心率失常，包括室颤或极端心动过速。
若是，对所述切片后的信号进行心率失常处理；若否，定位所述QRS波形的波峰位置；计算所述QRS波形的PR间期波段、RR间期波段及ST段波段的时间参数；对所述参数进行匹配异常类型。
优选地，根据所述QRS波形对恶性心率是否失常进行判断，包括：
对所述分流信号进行切片处理，以得到多个信号片段；
计算所述信号片段的相似度，判断所述相似度情况；
当所述信号片段的相似度平稳时，定位所述分流信号的R波；搜索所述分流信号的剩余波形；判断所述剩余波形参数是否超异常；若是，判断为恶性心律失常；
当所述信号片段的相似度低时，分析所述分流信号的HRV；搜索所述分流信号的剩余波形；当无法获取正常波形时，判断为恶性心律失常。
优选地，所述对输入的原始ECG信号进行去噪声处理，得到ECG信号，包括：
对所述原始ECG信号依序进行工频滤波处理、肌电信号去除、基线校正、得到ECG信号。
本发明实施例还提供一种心电信号的快速识别与处理系统，包括：
信号预处理模块，用于对输入的原始ECG信号进行去噪声处理，得到ECG信号；
信号分流模块，用于根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
信号识别处理模块，用于输出识别处理结果。
优选地，所述信号分流模块，还用于将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
本发明实施例还提供一种计算机终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，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所述心电信号的快速识别与处理方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述心电信号的快速识别与处理方法。
相对于现有技术，本发明实施例的有益效果如下：
(1)可实现数据的实时识别过程，过程简单；
(2)采用信号分级判断模式，一方面保证对于极端的恶性心率失常有着最快速的判别速度，另外对于较复杂心率失常信号也能够做到准确判别；
(3)能够与疾病发展趋势预测算法相关联，后端输出关键信号特征及异常种类判别，能够基于时间序列的病情变化对未来疾病发展趋势做出概率预测，为医护人员提前诊断和采取预防措施提供了参考路径；
(4)能够运用于普通ARM构架的嵌入式系统中，为随身监护设备及便携式医疗监护设备提供了判断路径。
附图说明
图1是本发明某一实施例提供的心电信号的快速识别与处理方法的流程示意图；
图2是本发明某一实施例提供的心电信号的快速识别与处理方法的整体结构流程图；
图3是本发明某一实施例提供的信号分流框架图；
图4是本发明某一实施例提供的的信号分流步骤流程图；
图5是本发明某一实施例提供的基础特征信号处理流程图；
图6是本发明某一实施例提供的神经网络信号处理流程图；
图7是本发明某一实施例提供的心电信号去噪声处理流程图；
图8是本发明某一实施例提供的心电信号的快速识别与处理系统的模块连接图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的所获得所有其他是实施例，都属于本发明保护的范围。
请参阅图1，本发明某一实施例提供的一种心电信号的快速识别与处理方法的流程示意图，至少包括如下步骤：
S10、对输入的原始ECG信号进行去噪声处理，得到ECG信号；
需要说明的是，心律不齐是心血管疾病中常见的一种症状，是指心跳或快或慢，超过了一般范围的一种疾病。ECG信号指的是心电信号，是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形得到的信号，被广泛应用于诊断心血管疾病的工具，其具有数据量大、对噪声敏感、分析难度大的特点。目前来说，医院中完全靠医生的经验来诊断的方法不仅耗费大量时间，同时精确度不能得到保障。由于室颤等恶性室性心律失常发作常无预兆，发作时心室的电活动失去同步性，心脏泵血功能丧失，如不及时采取措施转复心律，数分钟之内将导致猝死。
在本实施例中，对原始的ECG信号信号先进行基础处理工作，即去噪声处理，由于心电信号是一种具有强烈的非线性、非平稳性和随机性的微弱信号，在对其采集的过程中，极易受来自体内和体外环境的影响，如人体四肢的运动、呼吸、周边环境中的电磁干扰等等，因此直接采集到的心电信号伴随着大量噪声，常见的噪声有基线漂移、工频干扰、肌电干扰和运动伪迹等。
S20、根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
在本实施例中，ECG信号的复杂度是通过对去燥处理后的ECG信号进行经过简单的神经网络进行预分类，分类后根据信号的特征参数来判断其复杂程度，然后确定是否使用高级分类方法，若是，则神经网络信号识别处理流程；若否，则送入基础特征信号识别处理流程，以保证识别的高效性和准确性。
S30、输出识别处理结果。
在本实施例中，对ECG信号识别结束后，将结果与前端特征进行汇总，包括异常汇总和参数汇总，汇总后的结果可用于推测后续趋势，为后续分析识别提供了数据基础。即该结果能够与疾病发展趋势预测算法相关联，后端输出关键信号特征及异常种类判别，能够基于时间序列的病情变化对未来疾病发展趋势做出概率预测，为医护人员提前诊断和采取预防措施提供了参考路径；同时，该结果能够运用于普通ARM构架的嵌入式系统中，为随身监护设备及便携式医疗监护设备提供了判断路径，同样的，本方法亦可用于高性能计算机系统中进行快速多样本分析。
请参阅图2，本发明某一实施例提供的一种心电信号的快速识别与处理方法的整体结构流程图，具体实施时将去噪声处理后的ECG信号输入至信号分析器，信号分析器对信号进行分流后，分别送入基础信号识别程序、神经网络及机器学习部分进行识别，最后将识别的结果输出，并将模型识别的结果及概率进行汇总，汇总的结果最终为后续处理程序提供了准确有效的数据。
请参阅图3，本发明某一实施例提供的一种信号分流框架图，具体实施时，首先输入原始ECG信号，然后进行滤波处理，对滤波后的ECG信号进行小波变换或信号切片，然后送入简单神经网络进行识别，同时对信号进行参数判断，判断之后就可以根据信号参数的复杂度送入信号分流模块进行信号分流，需要说明的是，信号切片指的是将完整的信号进行切分，直到一整个信号段结束。
本发明某一实施例提供一种心电信号的快速识别与处理方法，所述根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
在本实施例中，需要说明的是，预设阈值指在进行分流操作时，会预设一个参数的复杂度阈值，所述的参数复杂度会由计算机程序程序来执行，用于后面的复杂度判断，当将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程，具体的执行步骤即为信号分流的过程。
请参阅图4，本发明某一实施例提供的一种信号分流步骤图，具体实施时，首先对输入的信号进行定位，即确定导联编号；然后确定R峰的位置；搜索T波，P波等前后波段的信号；然后根据信号波形情况判断是否为恶性心率失常；具体分流得到的信号包括以下四种：
(1)信号波形缺失且判断为恶性心率失常，则送入基础信号模块进行识别；
(2)若信号波形缺失但判断为未发生恶性心率失常，则送入神经网络进行处理；
(3)若波形未缺失且检查各项参数已经正确获取，则送入基础信号是识别；
(4)若波形未缺失且检查各项参数获取不正常，则送入神经网络进行处理。
本发明某一实施例提供一种心电信号的快速识别与处理方法，所述将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号先后输入LSTM神经网络和CNN神经网络，进行预测、修补及识别，并与前端特征进行汇总。
在本实施例中，对于复杂度大于或等于预设阈值的ECG信号，即参数特征复杂的信号送入神经网络进行识别，在此，神经网络联合了LSTM神经网络和CNN神经网络，其中LSTM是一种反馈神经网络，LSTM是RNN的一个优秀的变种模型，继承了大部分RNN模型的特性，同时解决了梯度反传过程由于逐步缩减而产生的Vanishing Gradient问题；具体到语言处理任务中，LSTM非常适合用于处理与时间序列高度相关的问题，例如机器翻译、对话生成、编码、解码等。它更真实地表征或模拟了人类行为、逻辑发展和神经组织的认知过程。CNN即在深度学习领域应用广泛的卷积神经网络；当LSTM结合CNN的实时识别数据能够更好的汇总特征数据，并能够推测后续趋势，为后续分析识别提供了数据基础。
请参阅图5，本发明某一实施例提供一种心电信号的快速识别与处理方法，所述将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程，包括：
将复杂度小于预设阈值的ECG信号进行切片后锁定QRS波形；
根据所述QRS波形对恶性心率是否失常进行判断，所述心率失常包括室颤或极端心动过速。
若是，对所述切片后的信号进行心率失常处理；若否，定位所述QRS波形的波峰位置；计算所述QRS波形的PR间期波段、RR间期波段及ST段波段的时间参数；对所述参数进行匹配异常类型。
在本实施例中，需要理解的是，一个完整的ECG信号包括以下波段：
(1)P波正常心脏的电激动从窦房结开始。P波代表了心房的激动，前半部代表右心房激动，后半部代表左心房的激动。P波时限为0.12秒，高度为0.25mv。当心房扩大，两房间传导出现异常时，P波可表现为高尖或双峰的P波；
(2)PR间期激动沿前中后结间束传导到房室结。由于房室结传导速度缓慢，形成了心电图上的PR段，也称PR间期。正常PR间期在0.12～0.20秒。当心房到心室的传导出现阻滞，则表现为PR间期的延长或P波之后心室波消失。
(3)QRS波群激动向下经希氏束、左右束枝同步激动左右心室形成QRS波群。QRS波群代表了心室的除极，激动时限小于0.11秒。当出现心脏左右束枝的传导阻滞、心室扩大或肥厚等情况时，QRS波群出现增宽、变形和时限延长。
(4)J点QRS波结束，ST段开始的交点。代表心室肌细胞全部除极完毕。
(5)ST段心室肌全部除极完成，复极尚未开始的一段时间。此时各部位的心室肌都处于除极状态，细胞之间并没有电位差。因此正常情况下ST段应处于等电位线上。当某部位的心肌出现缺血或坏死的表现，心室在除极完毕后仍存在电位差，此时表现为心电图上ST段发生偏移。
(6)T波之后的T波代表了心室的复极。在QRS波主波向上的导联，与QRS主波方向相同。心电图上T波的改变受多种因素的影响。例如心肌缺血时可表现为T波低平倒置。T波的高耸可见于高血钾、急性心肌梗死的超急期等。
(7)U波某些导联上T波之后可见U波，目前认为与心室的复极有关。
(8)QT间期代表了心室从除极到复极的时间。正常QT间期为0.44秒。由于QT间期受心率的影响，因此引入了矫正的QT间期(QTC)的概念。其中一种计算方法为QTc＝QT/√RR。QT间期的延长往往与恶性心律失常的发生相关。
心电图波段相应心电活动的意义，P波起心房除极作用、PR间期为房室传导时间作用、QRS波群起心室除极作用、ST段心室除极完成、T波起心室复极化作用、U波可能与复极化有关、QT间期为心室除极到完全复极的时间。
在本实施例中，首先对预处理的分流信号进行信号切片，然后锁定QRS波群，此时如果能根据波形异常判断为恶性心律失常，则可以直接进行快速处理并计算各间期波段的时间；若QRS波群波形正常，则对其他波段的波峰进行定位，并计算各个波峰的位置并汇总数据，将刚才计算的间期时间和波峰的位置参数一起再次进行波峰的定位，然后对参数进行判断，如果异常则进行异常匹配，然后和其他参数进行汇总；如果参数正常，则直接进行参数汇总。
请参阅图6，本发明某一实施例提供的一种神经网络信号处理流程图，具体包括：将预处理分流信号进行信号切片，然后提出信号的特征，将一部分信号送入LSTM神经网络或者CNN神经网络进行识别，最后将识别的特征和没送入神经网络识别的信号特征进行特征汇总，最后汇总的结果用于后续处理步骤。
本发明某一实施例提供一种心电信号的快速识别与处理方法，所述根据所述QRS波形对恶性心率是否失常进行判断，包括：
对所述分流信号进行切片处理，以得到多个信号片段；
计算所述信号片段的相似度，判断所述相似度情况；
当所述信号片段的相似度平稳时，定位所述分流信号的R波；搜索所述分流信号的剩余波形；判断所述剩余波形参数是否超异常；若是，判断为恶性心律失常；或，
当所述信号片段的相似度低时，分析所述分流信号的HRV；搜索所述分流信号的剩余波形；当无法获取正常波形时，判断为恶性心律失常。
在本实施例中，计算信号相似度可以通过做时域或频域相关，同时确定是否采样得到信号是完整的，还可以在每帧信号，或每段信号前加上一段已知的起始识别信号，这样首先找到完整的起始识别信号，接着就是要跟踪这个起始点，从而每帧得到完整的信号；根据相似度情况作进一步判断，当相似度平稳时，只需要对信号的R波定位，然后看剩余的波形参数是否超异常，若是，则判断为恶性心律失常；另一种情况是相似度低时，分析信号的HRV，HRV指心率变异度，心脏除了本身的节律性放电引发的跳动之外，也受到自律神经系统所调控。分析后对剩余波形进行搜索，如果无法获取正常的波形，则也可以判定为恶性心律失常；其中，恶性心律失常是指快速的或缓慢性的心律失常，所导致出现低血压、休克或引起心源性猝死。常见的恶性心律失常，包括缓慢性的心率失常，例如高度房室传导阻滞；快速性的心律失常，例如室性心动过速、室扑、室颤等等。
本发明某一实施例提供一种对输入的原始ECG信号进行去噪声处理，得到ECG信号，包括：
对所述原始ECG信号依序进行工频滤波处理、肌电信号去除、基线校正、得到ECG信号。
可参阅图7，其中工频滤波为第一道去噪声操作，通常采用滤波器设置滤波的频率；肌电信号(EMG)是众多肌纤维中运动单元动作电位(MUAP)在时间和空间上的叠加，可根据对于后续的信号识别是否有用来决定是否肌电信号去除，如果有用，则直接进行基线校正；如果没用并干扰后续的识别过程，则去除肌电信号后再进行基线校正，如果还有其余的干扰需要去除，可在具体实施时根据需要来自主设置，在此不对其作出限制。
请参阅图8，本发明某一实施例提供的一种心电信号的快速识别与处理系统，包括以下三个模块：
信号预处理模块，用于对输入的原始ECG信号进行去噪声处理，得到ECG信号；
信号分流模块，用于根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
信号识别处理模块，用于输出识别处理结果。
本发明某一实施例提供的一种心电信号的快速识别与处理系统，所述信号分流模块，还用于将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
本发明某一实施例还提供一种计算机终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，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所述心电信号的快速识别与处理方法。
本发明某一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述心电信号的快速识别与处理方法。
以上所揭露的仅为本发明优选的实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (10)
1.一种心电信号的快速识别与处理方法，其特征在于，包括：
对输入的原始ECG信号进行去噪声处理，得到ECG信号；
根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
输出识别处理结果。
2.根据权利要求1所述的心电信号的快速识别与处理方法，其特征在于，所述根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
3.根据权利要求2所述的心电信号的快速识别与处理方法，其特征在于，所述将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，包括：
将复杂度大于或等于预设阈值的ECG信号先后输入LSTM神经网络和CNN神经网络，进行预测、修补及识别，并与前端特征进行汇总。
4.根据权利要求2所述的心电信号的快速识别与处理方法，其特征在于，所述将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程，包括：
将复杂度小于预设阈值的ECG信号进行切片后锁定QRS波形；
根据所述QRS波形对恶性心率是否失常进行判断，所述心率失常，包括室颤或极端心动过速。
若是，对所述切片后的信号进行心率失常处理；若否，定位所述QRS波形的波峰位置；计算所述QRS波形的PR间期波段、RR间期波段及ST段波段的时间参数；对所述参数进行匹配异常类型。
5.根据权利要求4所述的心电信号的快速识别与处理方法，其特征在于，根据所述QRS波形对恶性心率是否失常进行判断，包括：
对所述分流信号进行切片处理，以得到多个信号片段；
计算所述信号片段的相似度，判断所述相似度情况；
当所述信号片段的相似度平稳时，定位所述分流信号的R波；搜索所述分流信号的剩余波形；判断所述剩余波形参数是否超异常；若是，判断为恶性心律失常；
当所述信号的片段相似度低时，分析所述分流信号的HRV；搜索所述分流信号的剩余波形；当无法获取正常波形时，判断为恶性心律失常。
6.根据权利要求1所述的心电信号的快速识别与处理方法，其特征在于，所述对输入的原始ECG信号进行去噪声处理，得到ECG信号，包括：
对所述原始ECG信号依序进行工频滤波处理、肌电信号去除、基线校正、得到ECG信号。
7.一种心电信号的快速识别与处理系统，其特征在于，包括：
信号预处理模块，用于对输入的原始ECG信号进行去噪声处理，得到ECG信号；
信号分流模块，用于根据所述ECG信号的复杂度，将所述ECG信号输入基础特征信号识别处理流程，或输入神经网络信号识别处理流程；
信号识别处理模块，用于输出识别处理结果。
8.根据权利要求7所述的心电信号的快速识别与处理系统，其特征在于，所述信号分流模块，还用于将复杂度大于或等于预设阈值的ECG信号输入神经网络信号识别处理流程，将复杂度小于预设阈值的ECG信号输入基础特征信号识别处理流程。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，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至6任一项所述的心电信号的快速识别与处理方法。
10.一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，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的心电信号的快速识别与处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379766.0A CN111528833B (zh) | 2020-05-07 | 2020-05-07 | 一种心电信号的快速识别与处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379766.0A CN111528833B (zh) | 2020-05-07 | 2020-05-07 | 一种心电信号的快速识别与处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111528833A true CN111528833A (zh) | 2020-08-14 |
| CN111528833B CN111528833B (zh) | 2023-05-02 |
Family
ID=71970411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010379766.0A Active CN111528833B (zh) | 2020-05-07 | 2020-05-07 | 一种心电信号的快速识别与处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528833B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112237421A (zh) * | 2020-09-23 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
| CN113438198A (zh) * | 2021-03-29 | 2021-09-24 | 广州大学 | 一种基于udp传输协议的心电数据传输方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006078785A2 (en) * | 2005-01-18 | 2006-07-27 | Heartlab, Inc. | Feature-based editing for electrocardiography |
| US20060281999A1 (en) * | 2005-06-13 | 2006-12-14 | Cardiac Pacemakers, Inc. | Method and apparatus for cardiac arrhythmia classification using sample entropy |
| CN1989897A (zh) * | 2005-12-29 | 2007-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于复杂度的心室纤颤综合检测方法 |
| US20080281216A1 (en) * | 2007-05-10 | 2008-11-13 | Siemens Medical Solutions Usa, Inc. | Cardiac Arrhythmias Analysis of Electrophysiological Signals Based on Symbolic Dynamics |
| CN107898458A (zh) * | 2017-10-12 | 2018-04-13 | 中国人民解放军信息工程大学 | 基于图像先验的单试次脑电p300成分检测方法及装置 |
| CN108564113A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种基于深度神经网络和复杂度感知的舌苔体质识别方法 |
-
2020
- 2020-05-07 CN CN202010379766.0A patent/CN111528833B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006078785A2 (en) * | 2005-01-18 | 2006-07-27 | Heartlab, Inc. | Feature-based editing for electrocardiography |
| US20060281999A1 (en) * | 2005-06-13 | 2006-12-14 | Cardiac Pacemakers, Inc. | Method and apparatus for cardiac arrhythmia classification using sample entropy |
| CN1989897A (zh) * | 2005-12-29 | 2007-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于复杂度的心室纤颤综合检测方法 |
| US20080281216A1 (en) * | 2007-05-10 | 2008-11-13 | Siemens Medical Solutions Usa, Inc. | Cardiac Arrhythmias Analysis of Electrophysiological Signals Based on Symbolic Dynamics |
| CN107898458A (zh) * | 2017-10-12 | 2018-04-13 | 中国人民解放军信息工程大学 | 基于图像先验的单试次脑电p300成分检测方法及装置 |
| CN108564113A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种基于深度神经网络和复杂度感知的舌苔体质识别方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112237421A (zh) * | 2020-09-23 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
| CN112237421B (zh) * | 2020-09-23 | 2023-03-07 | 浙江大学山东工业技术研究院 | 一种基于视频的动态心率变异性分析模型 |
| CN113438198A (zh) * | 2021-03-29 | 2021-09-24 | 广州大学 | 一种基于udp传输协议的心电数据传输方法和系统 |
| CN113438198B (zh) * | 2021-03-29 | 2022-08-26 | 广州大学 | 一种基于udp传输协议的心电数据传输方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111528833B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN107837082B (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| US20220015711A1 (en) | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
| CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
| Kshirsagar et al. | Classification of ECG-signals using artificial neural networks | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| Zidelmal et al. | Heartbeat classification using support vector machines (SVMs) with an embedded reject option | |
| KR102093257B1 (ko) | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 | |
| Kar et al. | A technical review on statistical feature extraction of ECG signal | |
| Riasi et al. | Prediction of ventricular tachycardia using morphological features of ECG signal | |
| Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
| Gawde et al. | Integrating markov model and morphology analysis for finer classification of ventricular arrhythmia in real time | |
| Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
| Hua et al. | An interpretable model for ECG data based on bayesian neural networks | |
| CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
| Sharmila | “Multi-Class Arrhythmia Detection using a Hybrid Spatial-Temporal Feature Extraction Method and Stacked Auto Encoder | |
| Kim et al. | Lightweight Convolutional Neural Network for Real-Time Arrhythmia Classification on Low-Power Wearable Electrocardiograph | |
| CN109480826B (zh) | 一种心电信号处理方法、装置及设备 | |
| CN115316996A (zh) | 心律异常识别模型训练方法、装置、设备及存储介质 | |
| Sreedevi et al. | ECG Feature Extraction and Parameter Evaluation for Detection of Heart Arrhythmias | |
| KR102652326B1 (ko) | 멀티 입력과 멀티뷰 프레임워크를 이용한 실시간 다중 부정맥 탐지 장치 | |
| Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
| Jiang et al. | An SPC-based forward-backward algorithm for arrhythmic beat detection and classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |