CN111568470A - 一种基于心电同步的超声多普勒心功能包络峰识别方法 - Google Patents
一种基于心电同步的超声多普勒心功能包络峰识别方法 Download PDFInfo
- Publication number
- CN111568470A CN111568470A CN202010429946.5A CN202010429946A CN111568470A CN 111568470 A CN111568470 A CN 111568470A CN 202010429946 A CN202010429946 A CN 202010429946A CN 111568470 A CN111568470 A CN 111568470A
- Authority
- CN
- China
- Prior art keywords
- peak
- ultrasonic
- envelope
- data
- electrocardiographic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004217 heart function Effects 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 54
- 230000000747 cardiac effect Effects 0.000 claims abstract description 22
- 238000002604 ultrasonography Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 206010003119 arrhythmia Diseases 0.000 claims description 19
- 230000006793 arrhythmia Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 4
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 8
- 239000003814 drug Substances 0.000 abstract description 5
- 230000028161 membrane depolarization Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000004962 physiological condition Effects 0.000 abstract description 5
- 230000002336 repolarization Effects 0.000 abstract description 5
- 230000009982 effect on human Effects 0.000 abstract description 4
- 210000002064 heart cell Anatomy 0.000 abstract description 4
- 231100000957 no side effect Toxicity 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000000718 qrs complex Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004413 cardiac myocyte Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036279 refractory period Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5261—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from different diagnostic modalities, e.g. ultrasound and X-ray
-
- 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
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/02—Measuring pulse or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
- A61B8/065—Measuring blood flow to determine blood output from the heart
Abstract
本发明公开了一种基于心电同步的超声多普勒心功能包络峰识别方法，超声多普勒信号与心电信号同步采集，通过比较两种数据各自的峰值，可以有效准确提取超声频谱峰，排除伪峰的干扰，提高包络识别和心排量参数计算的准确度。心电信号从宏观上记录心脏细胞的除极和复极过程，在一定程度上客观反映了心脏各部位的生理状况，因而在临床医学中有重要意义。并且多普勒超声和心电同样都是无创检测方法，正常的检测对人体基本无副作用，并且操作简单方便，亦可做监护使用。
Description
技术领域
本发明涉及医学信号与图像处理技术领域，具体地是涉及一种基于心电同步的超声多普勒心功能包络峰识别方法。
背景技术
超声多普勒心排量检测技术是监测心输出量的无创方法，这种方法与己有技术(Swan-Ganz导管、Picco连续心排量监测)相比，具有直观、准确、无创、灵敏及重复性好等特点。采用相关技术的现有设备包括心功能彩超、黑白超、小型便携超声检测设备等。
超声多普勒心排量检测技术实时地以动态图像显示心排量的变化，具有直观的效果。并且超声多普勒是一项无创检测技术，对人体副作用很小。超声多普勒检测技术己比较成熟，准确度得到国际广泛认可。其灵敏度也相当高，可观察到药物作用对心排量的变化。
心电是心脏的无数心肌细胞电活动的综合反映，心电的产生与心肌细胞的除极和复极过程密不可分。心电信号从宏观上记录心脏细胞的除极和复极过程，在一定程度上客观反映了心脏各部位的生理状况，因而在临床医学中有重要意义。心电信号无论是自身的多项参数还是为超声心功能信号作同步都具有重要意义。
目前还没有一种方法将心电信号与超声多普勒心排量检测技术结合进行分析和计算的方法。
发明内容
本发明旨在提供一种基于心电同步的超声多普勒心功能包络峰识别方法，其包括了多普勒频谱的自动包络、结合心电数据准确有效的识别包络峰、提取出是否为心律失常的两部分超声频谱数据、有效峰的心功能参数的计算。
为解决上述技术问题，本发明的技术方案是：
一种基于心电同步的超声多普勒心功能包络峰识别方法，包括如下步骤：
S1：在采集超声信号的同时采集心电信号，并根据超声信号计算多普勒频谱，得到一维的频谱数组；
S2：对频谱数组做包络计算，得到当前频谱数组的包络点，并对包络点做平滑处理，得到新的平滑包络点；
S3：在处理超声数据的同时处理心电信号，对心电信号进行滤波处理，滤除基线漂移得到心电数据；
S4：对步骤S3得到的心电数据确定R波的波峰位置，并计算每一个QRS波的宽度；保存每个QRS波段，对QRS波段进行心律是否失常分析，对心律失常的波段进行标记；
S5：对通过步骤S2得到的平滑包络点并根据步骤S4中QRS波的宽度选取数据点作为一个数据集做波峰识别，通过比较数据集中的数据点大小，找出其中的最大值点作为识别到波峰；
S6：对步骤S5识别到的超声频谱的波峰和步骤S4得到的心电波形R波的波峰位置，采用峰顶点做时间差计算，若最终得到的时间差小于设定时间差时，则认为该识别到的超声频谱的波峰是有效峰，否则认为是伪峰；
S7：对步骤S6得到的有效峰，根据步骤S4得到的R波的波峰位置以及QRS波的宽度，确定超声频谱波段的起点和结束点，从而得到整个超声频谱的数据；
S8：对照步骤S4的是否为心律失常将超声频谱波段分为两部分，分别进行参数计算，即分别计算心律失常期间的心排量以及正常期间的心排量。
优选地，所述步骤S1具体包括：
S11：在采集超声信号的同时采集心电信号；
S12：对于超声信号，每次从超声硬件模块得到一段新的IQ信号超声数据，在计算机中计算多普勒频谱，过程是先对IQ信号做傅立叶变换，然后计算幅值，得到一维的频谱数组。
优选地，所述步骤S2中为了时间域上包络的连贯性，需将当前频谱数组的包络点结合时间域上前至少5个包络点做平滑处理，得到新的平滑包络点。
优选地，所述步骤S3具体包括：
S31：使用中值滤波滤除心电数据的基线漂移，得到滤除基线漂移后的心电波形；
S32：为了去除P波、T波及噪声的影响，采用带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据。
优选地，所述步骤S8中参数计算具体包括如下步骤：
S81：计算血液流速：公式为：
其中，c是超声在人体中的声速，fd是超声发射频率和接收频率的频移，f是发射频率，θ为探头与血管的角度；
S82：计算心搏距离：心搏距离由步骤1.5得到的超声频谱的有效峰的积分面积(速度时间积分)得到，公式为：
其中，s为心搏距离，t1为波峰起始时刻，t2为波峰结束时刻，v(t)为速度随时间变化函数，在图像上反映即为包络；
S83：计算心排量，公式为：
co＝s·hr·xSa
其中，hr为心率，由60秒和单个心电波形的QRS波的时间比值得到，xsa是人体动脉血管的截面积，co为输出的心排量。
优选地，所述步骤S32中采用截止频率为10Hz的高通滤波及截止频率为30Hz的低通滤波器组成的带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据；其中
使用的低通滤波器的差分方程为：
y(nT)＝2y(n-1)T-y(n-2)T+xnT-2x(n-6)T+x(n-12)T
其中T为采样周期，n为整数，对应的系统函数为
使用的高通滤波器的差分方程为：
y(nT)＝32x(n-16)T-[y(n-1)T+xnT-x(n-32)T]
其中T为采样周期，n为整数，对应的系统函数为
优选地，所述步骤S6中的设定时间差为0.2ms。
采用上述技术方案，本发明至少包括如下有益效果：
本发明所述的基于心电同步的超声多普勒心功能包络峰识别方法，超声多普勒信号与心电信号同步采集，通过比较两种数据各自的峰值，可以有效准确提取超声频谱峰，排除伪峰的干扰，提高包络识别和心排量参数计算的准确度。心电信号从宏观上记录心脏细胞的除极和复极过程，在一定程度上客观反映了心脏各部位的生理状况，因而在临床医学中有重要意义。并且多普勒超声和心电同样都是无创检测方法，正常的检测对人体基本无副作用，并且操作简单方便，亦可做监护使用。
附图说明
图1为本发明所述的基于心电同步的超声多普勒心功能包络峰识别方法的流程图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
如图1所示，为符合本发明的一种基于心电同步的超声多普勒心功能包络峰识别方法，包括如下步骤：
S1：在采集超声信号的同时采集心电信号，并根据超声信号计算多普勒频谱，得到一维的频谱数组；
S2：对频谱数组做包络计算，得到当前频谱数组的包络点，并对包络点做平滑处理，得到新的平滑包络点；
S3：在处理超声数据的同时处理心电信号，对心电信号进行滤波处理，滤除基线漂移得到心电数据；
S4：对步骤S3得到的心电数据确定R波的波峰位置，并计算每一个QRS波的宽度；保存每个QRS波段，对QRS波段进行心律是否失常分析，对心律失常的波段进行标记；
S5：对通过步骤S2得到的平滑包络点并根据步骤S4中QRS波的宽度选取数据点作为一个数据集做波峰识别，通过比较数据集中的数据点大小，找出其中的最大值点作为识别到波峰；
S6：对步骤S5识别到的超声频谱的波峰和步骤S4得到的心电波形R波的波峰位置，采用峰顶点做时间差计算，若最终得到的时间差小于设定时间差时，则认为该识别到的超声频谱的波峰是有效峰，否则认为是伪峰；
S7：对步骤S6得到的有效峰，根据步骤S4得到的R波的波峰位置以及QRS波的宽度，确定超声频谱波段的起点和结束点，从而得到整个超声频谱的数据；
S8：对照步骤S4的是否为心律失常将超声频谱波段分为两部分，分别进行参数计算，即分别计算心律失常期间的心排量以及正常期间的心排量。
优选地，所述步骤S1具体包括：
S11：在采集超声信号的同时采集心电信号；
S12：对于超声信号，每次从超声硬件模块得到一段新的IQ信号超声数据，在计算机中计算多普勒频谱，过程是先对IQ信号做傅立叶变换，然后计算幅值，得到一维的频谱数组。
优选地，所述步骤S2中为了时间域上包络的连贯性，需将当前频谱数组的包络点结合时间域上前至少5个包络点做平滑处理，得到新的平滑包络点。
优选地，所述步骤S3具体包括：
S31：使用中值滤波滤除心电数据的基线漂移，得到滤除基线漂移后的心电波形；
S32：为了去除P波、T波及噪声的影响，采用带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据。
优选地，所述步骤S8中参数计算具体包括如下步骤：
S81：计算血液流速：公式为：
其中，c是超声在人体中的声速，fd是超声发射频率和接收频率的频移，f是发射频率，θ为探头与血管的角度；
S82：计算心搏距离：心搏距离由步骤1.5得到的超声频谱的有效峰的积分面积(速度时间积分)得到，公式为：
其中，s为心搏距离，t1为波峰起始时刻，t2为波峰结束时刻，v(t)为速度随时间变化函数，在图像上反映即为包络；
S83：计算心排量，公式为：
co＝s·hr·xsa
其中，hr为心率，由60秒和单个心电波形的QRS波的时间比值得到，xsa是人体动脉血管的截面积，co为输出的心排量。
优选地，所述步骤S32中采用截止频率为10Hz的高通滤波及截止频率为30Hz的低通滤波器组成的带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据；其中
使用的低通滤波器的差分方程为：
y(nT)＝2y(n-1)T-y(n-2)T+xnT-2x(n-6)T+x(n-12)T
其中T为采样周期，n为整数，对应的系统函数为
使用的高通滤波器的差分方程为：
y(nT)＝32x(n-16)T-[y(n-1)T+xnT-x(n-32)T]
其中T为采样周期，n为整数，对应的系统函数为
优选地，所述步骤S6中的设定时间差为0.2ms。
本发明提供的一种结合心电的超声多普勒心功能包络峰识别的方法，其步骤为同时采用超声多普勒探头及心电电极片，在人体相关部位同步采集心排量信号和心电信号，两者信号输入到计算机做处理。计算机将心排量信号和心电信号相结合自动分析出有效峰并包络，然后计算心排量参数和心电参数。本发明能利用心电参数去匹配超声多普勒频谱包络从而有效提取真实峰，并通过计算有效包络峰得到反映心功能的相关参数，能够反映人体心功能的基本生理状况和变化。本发明亦能够利用心电参数剔除心律失常时的超声频谱波形。下面以一实施例来具体阐述本发明。
本发明所述的一种结合心电的超声多普勒心功能包络峰识别的方法，其主要包括结合心电的超声多普勒频谱分析和参数计算两个部分。其中结合心电的超声多普勒频谱分析包括步骤S1-S7，参数计算包括步骤S8。
步骤S1、在超声探头采集信号的同时采集心电信号，对于实时信号，每次从超声硬件模块得到一段新的IQ信号超声数据，在计算机中计算多普勒频谱，过程是先对IQ信号做傅立叶变换，然后计算幅值，得到一维的频谱数组；
步骤S2、对频谱数组做包络计算，得到当前频谱数组的包络点，为了时间域上包络的连贯性，需将当前频谱数组的包络点结合时间域上前至少5个包络点做平滑处理，得到新的平滑包络点。
步骤S3、在处理超声数据的同时处理心电数据，使用中值滤波滤除心电数据的基线漂移，中值滤波就是取数据点前N(取奇数)的一段数据，对这段数据进行排序，然后取中间一位的值作为该点的数据，将整段心电信号都进行如上处理，提取出信号中的基线漂移部分，最后将原始信号减去该基线漂移成分，便得到滤除基线漂移后的心电数据；为了去除P波、T波及噪声的影响，采用截止频率为10Hz的高通滤波及截止频率为30Hz的低通滤波器组成的带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据。
其中使用的低通滤波器的差分方程为：
y(nT)＝2y(n-1)T-y(n-2)T+xnT-2x(n-6)T+x(n-12)T
其中T为采样周期，n为整数，对应的系统函数为
使用的高通滤波器的差分方程为：
y(nT)＝32x(n-16)T-[y(n-1)T+xnT-x(n-32)T]
其中T为采样周期，n为整数，对应的系统函数为
步骤S4、对步骤S3得到的心电数据确定R波的波峰位置，为了能准确有效的检测出心电数据中的R波，还需要结合一些判决策略来定出R波所在的位置。首先是阈值检测，为适应心电波形特征随时间的变化，同样采用固定阈值与可变阈值相结合的方法来对R波的位置进行判定，初始阈值公式为Ts1＝m×max(a2),这里m取0.6。根据初始阈值找到第一个R波峰值的位置maxR1，之后的检测阈值则结合前面已检测出的所有R波峰值的平均值进行自适应修改，公式为Ts(n)＝0.2Ts1+0.5meanRn-1,此外，在本算法中仍将心电不应期定为200ms，每检测出一个R波则略去之后的200ms的时间对应的采样点，从那之后的采样点开始再继续对R波进行检测。具体检测过程如下：
首先，对心电数据利用sym4小波进行多尺度分解，得到重构的第二层近似细节信号a2，然后取a2的前1/5部分的数据，计算出最大值，从而得到初始阈值Ts1，开始寻找大于初始阈值的点，找到之后采用时域加窗法，找出指定范围内大于阈值的最大点，则为第一个R波峰值；根据自适应阈值公式修改阈值，以新的阈值为基准，从距离上一个R波峰值的不应期间隔后开始寻找新的R波峰值，将找到的峰值位置存入数组。
当前检测QRS波群宽度所使用的方法很多，最常用依然是差分法。QRS波群宽度的检测算法大多以差分法为基础，其最大的优势在于可以增强具有高频特性的QRS波群，同时削弱低频特性的P波和T波，从而使得QRS波群转化为一个与QRS宽度相当的脉冲信号，心电信号其他部分转化为水平线，从而方便确定脉冲信号的周期，脉冲信号的宽度即是QRS波群的宽度；保存每个QRS波段，然后使用支持向量机分类算法对QRS波段进行心律失常分析，对心律失常的波段进行标记.
步骤S5、对通过步骤S2得到的平滑包络点并根据步骤S4中QRS波的宽度选取数据点作为一个数据集做波峰识别，通过比较数据集中的数据点大小，找出其中的最大值点作为识别到波峰。
步骤S6、对步骤S5识别到的超声频谱的波峰和步骤S4得到的心电波形R波的波峰位置，采用峰顶点做时间差计算，若最终得到的时间差小于0.2ms范围，则认为该识别到的超声频谱的波峰是有效峰，否则认为是伪峰；
步骤S7、对步骤S6得到的有效峰，根据步骤S4得到的R波的波峰位置以及QRS波的宽度，确定超声频谱波段的起点和结束点，从而得到整个超声频谱的数据。
而后对照步骤S4的是否为心律失常将超声频谱波段分为两部分。
优选地，所述步骤S8中参数计算具体包括如下步骤：
S81：计算血液流速：公式为：
其中，c是超声在人体中的声速，fd是超声发射频率和接收频率的频移，f是发射频率，θ为探头与血管的角度；
S82：计算心搏距离：心搏距离由步骤1.5得到的超声频谱的有效峰的积分面积(速度时间积分)得到，公式为：
其中，s为心搏距离，t1为波峰起始时刻，t2为波峰结束时刻，v(t)为速度随时间变化函数，在图像上反映即为包络；
S83：计算心排量，公式为：
co＝s·hr·xsa
其中，hr为心率，由60秒和单个心电波形的QRS波的时间比值得到，xsa是人体动脉血管的截面积，co为输出的心排量。
与现有技术相比，本发明具有以下优点：
1、超声多普勒信号与心电信号同步采集，通过比较两种数据各自的峰值，可以有效准确提取超声频谱峰，排除伪峰的干扰，提高包络识别和心排量参数计算的准确度；
2、对于结合心音来对超声频谱包络峰识别来说，心电相对于心音能够识别出心律失常部分，从而得到的是否为心律失常两部分超声频段数据，分别进行参数计算，即心律失常期间的心排量以及正常期间的心排量；
3、心电信号从宏观上记录心脏细胞的除极和复极过程，在一定程度上客观反映了心脏各部位的生理状况，因而在临床医学中有重要意义。；
4、多普勒超声和心电同样都是无创检测方法，正常的检测对人体基本无副作用，并且操作简单方便，亦可做监护使用。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于，包括如下步骤：
S1：在采集超声信号的同时采集心电信号，并根据超声信号计算多普勒频谱，得到一维的频谱数组；
S2：对频谱数组做包络计算，得到当前频谱数组的包络点，并对包络点做平滑处理，得到新的平滑包络点；
S3：在处理超声数据的同时处理心电信号，对心电信号进行滤波处理，滤除基线漂移得到心电数据；
S4：对步骤S3得到的心电数据确定R波的波峰位置，并计算每一个QRS波的宽度；保存每个QRS波段，对QRS波段进行心律是否失常分析，对心律失常的波段进行标记；
S5：对通过步骤S2得到的平滑包络点并根据步骤S4中QRS波的宽度选取数据点作为一个数据集做波峰识别，通过比较数据集中的数据点大小，找出其中的最大值点作为识别到波峰；
S6：对步骤S5识别到的超声频谱的波峰和步骤S4得到的心电波形R波的波峰位置，采用峰顶点做时间差计算，若最终得到的时间差小于设定时间差时，则认为该识别到的超声频谱的波峰是有效峰，否则认为是伪峰；
S7：对步骤S6得到的有效峰，根据步骤S4得到的R波的波峰位置以及QRS波的宽度，确定超声频谱波段的起点和结束点，从而得到整个超声频谱的数据；
S8：对照步骤S4的是否为心律失常将超声频谱波段分为两部分，分别进行参数计算，即分别计算心律失常期间的心排量以及正常期间的心排量。
2.如权利要求1所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于，所述步骤S1具体包括：
S11：在采集超声信号的同时采集心电信号；
S12：对于超声信号，每次从超声硬件模块得到一段新的IQ信号超声数据，在计算机中计算多普勒频谱，过程是先对IQ信号做傅立叶变换，然后计算幅值，得到一维的频谱数组。
3.如权利要求1或2所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于：所述步骤S2中为了时间域上包络的连贯性，需将当前频谱数组的包络点结合时间域上前至少5个包络点做平滑处理，得到新的平滑包络点。
4.如权利要求1-3任一所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于，所述步骤S3具体包括：
S31：使用中值滤波滤除心电数据的基线漂移，得到滤除基线漂移后的心电波形；
S32：为了去除P波、T波及噪声的影响，采用带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据。
5.如权利要求1-4任一所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于，所述步骤S8中参数计算具体包括如下步骤：
S81：计算血液流速：公式为：
其中，c是超声在人体中的声速，fd是超声发射频率和接收频率的频移，f是发射频率，θ为探头与血管的角度；
S82：计算心搏距离：心搏距离由步骤1.5得到的超声频谱的有效峰的积分面积(速度时间积分)得到，公式为：
其中，s为心搏距离，t1为波峰起始时刻，t2为波峰结束时刻，v(t)为速度随时间变化函数，在图像上反映即为包络；
S83：计算心排量，公式为：
co＝s·hr·xsa
其中，hr为心率，由60秒和单个心电波形的QRS波的时间比值得到，xsa是人体动脉血管的截面积，co为输出的心排量。
6.如权利要求4所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于：所述步骤S32中采用截止频率为10Hz的高通滤波及截止频率为30Hz的低通滤波器组成的带通滤波器对滤除基线漂移后的心电波形进行滤波，得到主要成分为QRS波的心电数据；其中
使用的低通滤波器的差分方程为：
y(nT)＝2y(n-1)T-y(n-2)T+xnT-2x(n-6)T+x(n-12)T
其中T为采样周期，n为整数，对应的系统函数为
使用的高通滤波器的差分方程为：
y(nT)＝32x(n-16)T-[y(n-1)T+xnT-x(n-32)T]
其中T为采样周期，n为整数，对应的系统函数为
7.如权利要求1-6任一所述的基于心电同步的超声多普勒心功能包络峰识别方法，其特征在于：所述步骤S6中的设定时间差为0.2ms。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429946.5A CN111568470A (zh) | 2020-05-20 | 2020-05-20 | 一种基于心电同步的超声多普勒心功能包络峰识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010429946.5A CN111568470A (zh) | 2020-05-20 | 2020-05-20 | 一种基于心电同步的超声多普勒心功能包络峰识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111568470A true CN111568470A (zh) | 2020-08-25 |
Family
ID=72109496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010429946.5A Pending CN111568470A (zh) | 2020-05-20 | 2020-05-20 | 一种基于心电同步的超声多普勒心功能包络峰识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111568470A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098684A (zh) * | 2021-12-31 | 2022-03-01 | 深圳市汇顶科技股份有限公司 | 生物信息测量设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101779966A (zh) * | 2010-02-25 | 2010-07-21 | 上海三埃弗电子有限公司 | 一种结合心音的超声频谱包络峰识别的方法 |
| CN207785276U (zh) * | 2017-05-18 | 2018-08-31 | 南京市第一医院 | 一种心脏手术用推车 |
| CN109452936A (zh) * | 2018-12-15 | 2019-03-12 | 浙江大学台州研究院 | 呼吸和心排量联合监测设备 |
| CN109730723A (zh) * | 2019-03-11 | 2019-05-10 | 京东方科技集团股份有限公司 | 确定脉搏传输时间的方法、动脉硬化检测设备及系统 |
| CN109875544A (zh) * | 2019-01-31 | 2019-06-14 | 湖北省体育科学研究所 | 用于运动员精准选材的心脏机能评定方法 |
| CN110522471A (zh) * | 2019-10-09 | 2019-12-03 | 业成科技（成都）有限公司 | 可佩戴式生理信息测量装置 |
-
2020
- 2020-05-20 CN CN202010429946.5A patent/CN111568470A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101779966A (zh) * | 2010-02-25 | 2010-07-21 | 上海三埃弗电子有限公司 | 一种结合心音的超声频谱包络峰识别的方法 |
| CN207785276U (zh) * | 2017-05-18 | 2018-08-31 | 南京市第一医院 | 一种心脏手术用推车 |
| CN109452936A (zh) * | 2018-12-15 | 2019-03-12 | 浙江大学台州研究院 | 呼吸和心排量联合监测设备 |
| CN109875544A (zh) * | 2019-01-31 | 2019-06-14 | 湖北省体育科学研究所 | 用于运动员精准选材的心脏机能评定方法 |
| CN109730723A (zh) * | 2019-03-11 | 2019-05-10 | 京东方科技集团股份有限公司 | 确定脉搏传输时间的方法、动脉硬化检测设备及系统 |
| CN110522471A (zh) * | 2019-10-09 | 2019-12-03 | 业成科技（成都）有限公司 | 可佩戴式生理信息测量装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098684A (zh) * | 2021-12-31 | 2022-03-01 | 深圳市汇顶科技股份有限公司 | 生物信息测量设备 |
| CN114098684B (zh) * | 2021-12-31 | 2024-01-30 | 深圳市汇顶科技股份有限公司 | 生物信息测量设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5271718B2 (ja) | 複数の時間区分にわたり胎児及び産婦のｅｃｇを特定する方法 | |
| Choudhary et al. | Automatic detection of aortic valve opening using seismocardiography in healthy individuals | |
| Sahoo et al. | De-noising of ECG signal and QRS detection using Hilbert transform and adaptive thresholding | |
| Sathyapriya et al. | Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm | |
| Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
| Legarreta et al. | Continuous wavelet transform modulus maxima analysis of the electrocardiogram: beat characterisation and beat-to-beat measurement | |
| Sadhukhan et al. | R-peak detection algorithm for ECG using double difference and RR interval processing | |
| AL-Ziarjawey et al. | Heart rate monitoring and PQRST detection based on graphical user interface with Matlab | |
| WO1991013587A1 (en) | Myocardial ischemia detection system | |
| Elgendi et al. | Heart rate variability and the acceleration plethysmogram signals measured at rest | |
| CN108523881B (zh) | 一种准确提取qrs内异常电位的方法 | |
| CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
| Song et al. | New real-time heartbeat detection method using the angle of a single-lead electrocardiogram | |
| CN111839488A (zh) | 基于脉搏波的无创连续血压测量装置和方法 | |
| Illanes-Manriquez et al. | An algorithm for robust detection of QRS onset and offset in ECG signals | |
| TWI527560B (zh) | 一種基於經驗模態分解法之心跳訊號檢測方法與檢測裝置 | |
| CN113827215B (zh) | 一种基于毫米波雷达的多种心律失常自动诊断方法 | |
| Hugeng et al. | Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno | |
| CN111568470A (zh) | 一种基于心电同步的超声多普勒心功能包络峰识别方法 | |
| Vuksanovic et al. | Analysis of human electrocardiogram for biometric recognition using analytic and ar modeling extracted parameters | |
| Abboud et al. | An improved detection algorithm in fetal electrocardiography | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| Sbrollini et al. | Athria: a new adaptive threshold identification algorithm for electrocardiographic p waves | |
| Nguyen et al. | An Efficient Electrocardiogram R-peak Detection Exploiting Ensemble Empirical Mode Decomposition and Hilbert Transform | |
| Mayapur | Detection and Processing of the R Peak |
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: 20200825 |