CN111643070B - 一种t波起点的确定方法、装置、存储介质及电子设备 - Google Patents
一种t波起点的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111643070B CN111643070B CN202010537832.2A CN202010537832A CN111643070B CN 111643070 B CN111643070 B CN 111643070B CN 202010537832 A CN202010537832 A CN 202010537832A CN 111643070 B CN111643070 B CN 111643070B
- Authority
- CN
- China
- Prior art keywords
- wave
- determining
- starting point
- point
- preset
- 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.)
- Active
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
- A61B5/355—Detecting T-waves
-
- 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
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本公开提供了一种T波起点的确定方法、装置、存储介质及电子设备,该方法包括:识别心电信号中每个T波的形态;根据每个T波的形态对应的预设算法,确定T波的起点。本公开通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态选择最优算法进行该段T波的起点确定,保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
Description
技术领域
本公开涉及医疗数据处理领域,特别涉及一种T波起点的确定方法、装置、存储介质及电子设备。
背景技术
T波是心电(ECG,electrocardiogram)信号中继QRS波群(QRS wave complex)后又一个重要的波段,它是由心室复极引起的电位变化所导致的。临床中T波具有重要的辅助诊断意义,当T波出现低平、倒置、双向等异常形态时,对心肌缺血、冠心病等有很好的诊断价值;此外,ST段作为心电图中诊断心肌缺血疾病的关键指标,它们的准确获取与T波有着直接关系。
目前,T波的检测算法主要分为两类:基于阈值的检测算法和不单纯依赖阈值的检测算法。其中,基于阈值的检测方法主要是通过预设的阈值判断波形边界特征,但由于T波会出现倒置、双向等异常形态,在这些情况下预设阈值的算法检测准确性较低。不单纯依赖阈值的检测算法主要包括小波变换法、累计积分面积法、模板匹配法、统计模式识别等多种算法,其大多通过对心电信号进行先分类再提取特征,但是模板匹配法、统计模式识别在进行T波检测和起点确定时需要耗费较长时间,效率较低,而小波变换法、累计积分面积法无法针对所有类型的T波进行起点的准确确定,适应性较差。
发明内容
本公开实施例的目的在于提供一种T波起点的确定方法、装置、存储介质及电子设备,用以解决现有技术中在确定T波起点时算法效率低或适应性差的问题。
本公开的实施例采用如下技术方案:一种T波起点的确定方法,包括:识别心电信号中每个T波的形态;根据所述每个T波的形态对应的预设算法,确定所述T波的起点。
进一步,所述识别心电信号中每个T波的形态,包括:对所述心电信号进行心拍划分,得到每拍之间的T波数据;对每段T波数据进行小波变换;基于预设尺度确定所述变换后的T波数据的模极值数量;在所述模极值数量小于或等于2时,确定所述T波的形态为单向T波;在所述模极值数量大于2时,确定所述T波的形态为双向T波。
进一步,所述根据所述每个T波的形态对应的预设算法,确定所述T波的起点,包括:在所述T波的形态为单向T波时,根据小波变换法确定所述T波的起点;在所述T波的形态为双向T波时,根据累计积分面积法确定所述T波的起点。
进一步,所述根据小波变换法确定所述T波的起点,包括:确定所述T波数据的峰点;以所述峰点为起点,向所述T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合所述第一预设条件的点即为所述T波的起点;其中,所述第一预设条件为所述起点的幅值小于靠近所述起点的模极大值的预设倍数,并且所述起点的斜率的绝对值小于预设斜率。
进一步,所述根据累计积分面积法确定所述T波的起点,包括:确定每段T波数据的第一时间点和第二时间点;确定所述第一时间点和所述第二时间点之间每个时间点的窗口面积;确定所述窗口面积最大时所对应的时间点为所述T波的起点。
本公开的实施例还提供了一种T波起点的确定装置,包括:识别模块,用于识别心电信号中每个T波的形态;确定模块,用于根据所述每个T波的形态对应的预设算法,确定所述T波的起点。
进一步,所述识别模块,具体用于:对所述心电信号进行心拍划分,得到每拍之间的T波数据;对每段T波数据进行小波变换;基于预设尺度确定所述变换后的T波数据的模极值数量;在所述模极值数量小于或等于2时,确定所述T波的形态为单向T波;在所述模极值数量大于2时,确定所述T波的形态为双向T波。
进一步,所述确定模块,具体用于:在所述T波的形态为单向T波时,根据小波变换法确定所述T波的起点;在所述T波的形态为双向T波时,根据累计积分面积法确定所述T波的起点。
进一步,所述确定模块,具体用于:确定所述T波数据的峰点;以所述峰点为起点,向所述T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合所述第一预设条件的点即为所述T波的起点;其中,所述第一预设条件为所述起点的幅值小于靠近所述起点的模极大值的预设倍数,并且所述起点的斜率的绝对值小于预设斜率。
进一步,所述确定模块,具体用于:确定每段T波数据的第一时间点和第二时间点;确定所述第一时间点和所述第二时间点之间每个时间点的窗口面积;确定所述窗口面积最大时所对应的时间点为所述T波的起点。
本公开的实施例还提供了一种存储介质,所述存储介质上存储有计算机程序,在所述计算机程序被处理器执行时,执行上述的T波起点的确定方法的步骤。
本公开的实施例还提供了一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述的T波起点的确定方法。
本公开实施例的有益效果在于:通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态选择最优算法进行该段T波的起点确定,保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开第一实施例中T波起点的确定方法的流程图;
图2(a)示出本公开第一实施例中正常T波的波形示意图;
图2(b)示出本公开第一实施例中倒置T波的波形示意图;
图3示出本公开第一实施例中双向T波的波形示意图;
图4示出本公开第二实施例中T波起点的确定装置的结构示意图;
图5示出本公开第四实施例中电子设备的结构示意图。
具体实施方式
此处参考附图描述本公开的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本公开的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本公开进行了描述,但本领域技术人员能够确定地实现本公开的很多其它等效形式,它们具有如权利要求的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所申请的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
心电图是心脏兴奋的发生、传播及恢复过程的客观指标。其波形主要包括QRS波群、T波和U波等,每种波形均代表了心脏在不同时刻的活动变化,例如QRS波群反映左、右心室除极电位和时间的变化,T波则反映心室复极的过程,U波则可能由心舒张时各部产生的负后电位形成,通过对用户的心电信号进行采集和分析即可得出该用户是否存在或可能存在心脏相关的问题。其中,T波是一个心电信号中非常重要的波段,对心肌缺血、冠心病等有很好的诊断价值,因此,准确的确定T波的起点对心电图的分析是起到非常重要的作用的。
本公开第一实施例提供了一种T波起点的确定方法,主要用于对心电信号中不同形态的T波的起点进行准确的确定,其流程图如图1所示,主要包括步骤S1和S2:
S1,识别心电信号中每个T波的形态。
由于心电信号中通常呈周期性的显示QRS波群、T波和U波,且T波在QRS波群之后显示,两个连续的QRS波群之间一定存在一个T波,因此可根据连续两个QRS波群出现的位置,对心电信号进行划分,得到多个T波数据,并对每个T波数据进行分析,确定每个T波的形态。本实施例中,T波的形态主要包括单向T波和双向T波,如图2和图3中虚线框中部分所示,其中单向T波又分为正常T波和倒置T波,其中图2(a)为正常T波,图2(b)为倒置T波。
本实施例中可以优选使用小波变换法来识别每个T波的形态,具体步骤如下:
S11,对心电信号进行心拍划分,得到每拍之间的T波数据。
心拍划分的依据是对心电信号中的每个QRS波群进行识别,两个连续的QRS波群之间的信号即为一段T波数据。由于QRS波群中R波较为明显,因此在实施过程中以R波的位置作为参考,假设一段ECG信号(采样频率250Hz)中R波的数量为L,Rl则表示第l个R波,那么,每段T波数据xl(n)=ECG(N),N=Rl+1,Rl+2,…,Rl+1,其中,l=1,2,3,…,L-1,n=1,2,3,…,Rl+1-Rl,即最后一段T波数据应当为最后一个R波与倒数第二个R波之间的数据。
S12,对每段T波数据进行小波变换。
本实施例中使用二进制小波作为基小波,变换公式如下:
其中,是平滑算子,j是预设尺度,/>为该段T波数据的低频系数,用于反映T波数据中变化缓慢、波动幅度小的部分,反映的是波形数据的整体变化情况,是该段T波数据的高频系数,用于反映T波数据中变化剧烈、波动幅度大(如R波)的部分,反映的是波形数据的细节信息,hk和gk代表低通滤波器和高通滤波器的系数,其具体的取值与预设尺度相关,k为在整数集合内的遍历取值,Z表示整数集合。
S13,基于预设尺度确定变换后的T波数据的模极值数量。
选择合适的尺度,是小波变换对ECG信号分析的关键,ECG信号通过小波分解后,信号的各波段在不同尺度下都可以寻找到一个模极值组与之相对应。本实施例根据T波的频率范围,这里选择尺度4作为T波分析的主要尺度来分析T波形态,即j=4。
首先在尺度4下的小波系数中,以0<n<0.3(Rl+1-Rl)为检测区,确定出检测区内的模极值序列Pi,其中,i=1,2,3,…m,且m为搜索到的极值个数,随后在检测区内确定出幅值最大的正极大值Pmax和负极大值Pmin,并基于正极大值和负极大值确定正幅值阈值为Pmax/6,副幅值阈值Pmin/6,用以对模极值序列进行筛选。
然后基于正负幅值阈值对模极值序列Pi进行筛选,剔除Pi中无意义的极值,即满足Pmin/6<Pi<Pmax/6的Pi全部剔除,此时剩余的模极值重新组成一个序列为Pr,r=1,2,3,…u,u为剩余的模极值数量,即基于预设尺度确定变换后的T波数据的模极值数量。
S14,在模极值数量小于或等于2时,确定T波的形态为单向T波;在模极值数量大于2时,确定T波的形态为双向T波。
基于模极值数量即可确定T波的形态是单向T波还是双向T波,当模极值数量小于或等于2时,可以确定T波为单向T波,当模极值数量大于2时,则确定T波为双向T波。需要注意的是,在后续的计算过程中,若一段T波的模极值数量超过3个,则从中选出绝对值最大的三个正负交错的模极值作为后续步骤中的计算数据。
S2,根据每个T波的形态对应的预设算法,确定T波的起点。
在确定每个T波的形态后,即可根据该形态对应的预设算法确定该形态的T波的起点位置。本实施例中,针对单向T波,使用小波变换法来确定T波的起点,使用该方法不需要区分是正常T波还是倒置T波,只要是单向T波,即可以使用小波变换法快速确定起点位置;针对双向T波,本实施例使用累计积分面积法确定T波的起点。
具体地,根据小波变换法确定T波的起点时,首先要根据T波数据的模极值之间的过零点确定该T波的峰点位置,然后以该峰点位置为起点,向T波数据的第一个点的方向反向进行依次判断,具体判断每一个点是否符合第一预设条件,在反向判断的过程中,符合第一预设条件的第一个点即为该段T波的起点,其中,第一预设条件为该点的幅值小于靠近该点的模极大值的预设倍数,并且该点的斜率的绝对值小于预设斜率,本实施例中优选的预设倍数为0.3,预设斜率为0.3。实际使用时,也可以根据实际情况或结合不同设备的采集精度设定不同的第一预设条件,本实施例中所提供的第一预设条件仅是第一预设条件的一种示例,并不限制本实施例。
根据累计积分面积法确定T波的起点时,对于各个xl(n),首先需要确定T波起点所在的范围,可通过第一时间点Ta和第二时间点Tb进行表示,用以减少起点的搜索范围,降低计算量,其中,第一时间点Ta和第二时间点Tb分别根据以下公式获得:
基于第一时间点Ta和第二时间点Tb之间的每一个时间点t,即t=Tb,Tb-1,·····,Ta,分别计算各个时间点t代表对应的窗口的面积Dt:
其中,w为滑动窗口的宽度,在本实施例中取值为30,q为平滑窗宽度,本实施例中取值为4,为平滑窗内的均值,以去除噪声的影响,实现平滑波形的效果,l=1,2,3,…,L-1,n=1,2,3,…,Rl+1-Rl。
在每段T波数据内,确定Dt为最大时的所对应的时间点t为该段T波的起点。
本实施例通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态自动选择最优算法进行该段T波的起点确定,当T波为单向T波时使用小波变换法,提升单向T波起点确定时的速度,在T波为双向T波时使用累计积分面积法,保证双向T波起点确定的准确度,通过本实施例所提供的方案,可以保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
本公开的第二实施例提供了一种T波起点的确定装置,其结构示意图如图4所示,主要包括识别模块10和确定模块20,其中,识别模块10用于识别心电信号中每个T波的形态;确定模块20用于根据每个T波的形态对应的预设算法,确定T波的起点。
具体地,识别模块10在识别心电信号中每个T波的形态时,主要使用小波变换法进行,首先对心电信号进行心拍划分,得到每拍之间的T波数据,即对心电信号中的每个QRS波群进行识别,两个连续的QRS波群之间的信号即为一段T波数据,然后对每段T波数据进行小波变换,再选择一个合理的尺度确定变换后的T波数据的模极值数量,最后根据模极值数量确定T波的形态,即在模极值数量小于或等于2时,确定T波的形态为单向T波,在模极值数量大于2时,确定T波的形态为双向T波。需要注意的是,识别模块10实现识别T波形态的具体算法在本公开第一实施例中进行了详细描述,在本实施例中不进行重复赘述。
确定模块20基于识别模块10的识别结果调用对应的预设算法来确定不同形态的T波的起点。具体地,针对单向T波,使用小波变换法来确定T波的起点,使用该方法不需要区分是正常T波还是倒置T波,只要是单向T波,即可以使用小波变换法快速确定起点位置;针对双向T波,则使用累计积分面积法确定T波的起点。确定模块20在获取到识别模块10的识别结果后,可自动选择相应的算法实现起点的确定,提升了T波起点的确定的适应性和准确率。
进一步地,确定模块20根据小波变换法确定T波的起点时,首先要根据T波数据的模极值之间的过零点确定该T波的峰点位置,然后以该峰点位置为起点,向T波数据的第一个点的方向反向进行依次判断,具体判断每一个点是否符合第一预设条件,在反向判断的过程中,符合第一预设条件的第一个点即为该段T波的起点,其中,第一预设条件为该点的幅值小于靠近该点的模极大值的预设倍数,并且该点的斜率的绝对值小于预设斜率,本实施例中优选的预设倍数为0.3,预设斜率为0.3。实际使用时,也可以根据实际情况或结合不同设备的采集精度设定不同的第一预设条件,本实施例中所提供的第一预设条件仅是第一预设条件的一种示例,并不限制本实施例。
确定模块20根据累计积分面积法确定T波的起点时,对于各个xl(n),首先需要确定T波起点所在的范围,可通过第一时间点Ta和第二时间点Tb进行表示,用以减少起点的搜索范围,降低计算量,其中,第一时间点Ta和第二时间点Tb分别根据以下公式获得:
基于第一时间点Ta和第二时间点Tb之间的每一个时间点t,即t=Tb,Tb-1,·····,Ta,分别计算各个时间点t代表对应的窗口的面积Dt:
其中,w为滑动窗口的宽度,在本实施例中取值为30,q为平滑窗宽度,本实施例中取值为4,为平滑窗内的均值,以去除噪声的影响,实现平滑波形的效果,l=1,2,3,…,L-1,n=1,2,3,…,Rl+1-Rl。
在每段T波数据内,确定Dt为最大时的所对应的时间点t为该段T波的起点。
本实施例通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态自动选择最优算法进行该段T波的起点确定,当T波为单向T波时使用小波变换法,提升单向T波起点确定时的速度,在T波为双向T波时使用累计积分面积法,保证双向T波起点确定的准确度,通过本实施例所提供的方案,可以保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
本公开第三实施例提供了一种存储介质,该存储介质为计算机可读介质,存储有计算机程序,该计算机程序被处理器执行时实现本公开任意实施例提供的方法,包括如下步骤S31和S32:
S31,识别心电信号中每个T波的形态;
S32,根据每个T波的形态对应的预设算法,确定T波的起点。
计算机程序被处理器执行识别心电信号中每个T波的形态时,具体被处理器执行如下步骤:对心电信号进行心拍划分,得到每拍之间的T波数据;对每段T波数据进行小波变换;基于预设尺度确定变换后的T波数据的模极值数量;在模极值数量小于或等于2时,确定T波的形态为单向T波;在模极值数量大于2时,确定T波的形态为双向T波。
计算机程序被处理器执行根据每个T波的形态对应的预设算法,确定T波的起点时,具体被处理器执行如下步骤:在T波的形态为单向T波时,根据小波变换法确定T波的起点;在T波的形态为双向T波时,根据累计积分面积法确定T波的起点。
计算机程序被处理器执行根据小波变换法确定T波的起点时,具体被处理器执行如下步骤:确定T波数据的峰点;以峰点为起点,向T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合第一预设条件的点即为T波的起点;其中,第一预设条件为起点的幅值小于靠近起点的模极大值的预设倍数,并且起点的斜率的绝对值小于预设斜率。
计算机程序被处理器执行根据累计积分面积法确定T波的起点时,具体被处理器执行如下步骤:确定每段T波数据的第一时间点和第二时间点;确定第一时间点和第二时间点之间每个时间点的窗口面积;确定窗口面积最大时所对应的时间点为T波的起点。
本实施例通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态自动选择最优算法进行该段T波的起点确定,当T波为单向T波时使用小波变换法,提升单向T波起点确定时的速度,在T波为双向T波时使用累计积分面积法,保证双向T波起点确定的准确度,通过本实施例所提供的方案,可以保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
本公开的第四实施例提供了一种电子设备,该电子设备的结构示意图如图5所示,至少包括存储器100和处理器200,存储器100上存储有计算机程序,处理器200在执行存储器100上的计算机程序时实现本公开任意实施例提供的方法。示例性的,电子设备计算机程序步骤如下S41和S42:
S41,识别心电信号中每个T波的形态;
S42,根据每个T波的形态对应的预设算法,确定T波的起点。
处理器在执行存储器上存储的识别心电信号中每个T波的形态时,具体执行如下计算机程序:对心电信号进行心拍划分,得到每拍之间的T波数据;对每段T波数据进行小波变换;基于预设尺度确定变换后的T波数据的模极值数量;在模极值数量小于或等于2时,确定T波的形态为单向T波;在模极值数量大于2时,确定T波的形态为双向T波。
处理器在执行存储器上存储的根据每个T波的形态对应的预设算法,确定T波的起点时,具体执行如下计算机程序:在T波的形态为单向T波时,根据小波变换法确定T波的起点;在T波的形态为双向T波时,根据累计积分面积法确定T波的起点。
处理器在执行存储器上存储的根据小波变换法确定T波的起点时,具体执行如下计算机程序:确定T波数据的峰点;以峰点为起点,向T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合第一预设条件的点即为T波的起点;其中,第一预设条件为起点的幅值小于靠近起点的模极大值的预设倍数,并且起点的斜率的绝对值小于预设斜率。
处理器在执行存储器上存储的根据累计积分面积法确定T波的起点时,具体执行如下计算机程序:确定每段T波数据的第一时间点和第二时间点;确定第一时间点和第二时间点之间每个时间点的窗口面积;确定窗口面积最大时所对应的时间点为T波的起点。
本实施例通过对心电信号进行分析,准确识别出心电信号中每个T波的形态,即可根据不同的T波形态自动选择最优算法进行该段T波的起点确定,当T波为单向T波时使用小波变换法,提升单向T波起点确定时的速度,在T波为双向T波时使用累计积分面积法,保证双向T波起点确定的准确度,通过本实施例所提供的方案,可以保证每种形态的T波都由相应的算法进行起点确定,提升了T波起点的确定方法的适应性和准确率。
以上对本公开多个实施例进行了详细说明,但本公开不限于这些具体的实施例,本领域技术人员在本公开构思的基础上,能够做出多种变型和修改实施例,这些变型和修改都应落入本公开所要求保护的范围之内。
Claims (8)
1.一种T波起点的确定方法,其特征在于,包括:
识别心电信号中每个T波的形态;
根据所述每个T波的形态对应的预设算法,确定所述T波的起点;
其中,所述识别心电信号中每个T波的形态,包括:
对所述心电信号进行心拍划分,得到每拍之间的T波数据;
对每段T波数据进行小波变换;
基于预设尺度确定所述变换后的T波数据的模极值数量;
在所述模极值数量小于或等于2时,确定所述T波的形态为单向T波;
在所述模极值数量大于2时,确定所述T波的形态为双向T波;
所述根据所述每个T波的形态对应的预设算法,确定所述T波的起点,包括:
在所述T波的形态为单向T波时,根据小波变换法确定所述T波的起点;
在所述T波的形态为双向T波时,根据累计积分面积法确定所述T波的起点。
2.根据权利要求1所述的确定方法,其特征在于,所述根据小波变换法确定所述T波的起点,包括:
确定所述T波数据的峰点;
以所述峰点为起点,向所述T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合所述第一预设条件的点即为所述T波的起点;
其中,所述第一预设条件为所述起点的幅值小于靠近所述起点的模极大值的预设倍数,并且所述起点的斜率的绝对值小于预设斜率。
3.根据权利要求1所述的确定方法,其特征在于,所述根据累计积分面积法确定所述T波的起点,包括:
确定每段T波数据的第一时间点和第二时间点;
确定所述第一时间点和所述第二时间点之间每个时间点的窗口面积;
确定所述窗口面积最大时所对应的时间点为所述T波的起点。
4.一种T波起点的确定装置,其特征在于,包括:
识别模块,用于识别心电信号中每个T波的形态;
确定模块,用于根据所述每个T波的形态对应的预设算法,确定所述T波的起点;
其中,所述识别模块,具体用于:
对所述心电信号进行心拍划分,得到每拍之间的T波数据;
对每段T波数据进行小波变换;
基于预设尺度确定所述变换后的T波数据的模极值数量;
在所述模极值数量小于或等于2时,确定所述T波的形态为单向T波;
在所述模极值数量大于2时,确定所述T波的形态为双向T波;
所述确定模块,具体用于:
在所述T波的形态为单向T波时,根据小波变换法确定所述T波的起点;
在所述T波的形态为双向T波时,根据累计积分面积法确定所述T波的起点。
5.根据权利要求4所述的确定装置,其特征在于,所述确定模块,具体用于:
确定所述T波数据的峰点;
以所述峰点为起点,向所述T波数据的第一个点的方向依次判断每个点是否符合第一预设条件,符合所述第一预设条件的点即为所述T波的起点;
其中,所述第一预设条件为所述起点的幅值小于靠近所述起点的模极大值的预设倍数,并且所述起点的斜率的绝对值小于预设斜率。
6.根据权利要求4所述的确定装置,其特征在于,所述确定模块,具体用于:
确定每段T波数据的第一时间点和第二时间点;
确定所述第一时间点和所述第二时间点之间每个时间点的窗口面积;
确定所述窗口面积最大时所对应的时间点为所述T波的起点。
7.一种存储介质,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3中任一项所述方法的步骤。
8.一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现权利要求1至3中任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537832.2A CN111643070B (zh) | 2020-06-12 | 2020-06-12 | 一种t波起点的确定方法、装置、存储介质及电子设备 |
US17/912,643 US20230309899A1 (en) | 2020-06-12 | 2021-06-10 | Determination method and determination apparatus for beginning of t-wave, storage medium and computer program product |
PCT/CN2021/099437 WO2021249493A1 (zh) | 2020-06-12 | 2021-06-10 | T波起点的确定方法、装置、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537832.2A CN111643070B (zh) | 2020-06-12 | 2020-06-12 | 一种t波起点的确定方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111643070A CN111643070A (zh) | 2020-09-11 |
CN111643070B true CN111643070B (zh) | 2023-05-23 |
Family
ID=72341304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537832.2A Active CN111643070B (zh) | 2020-06-12 | 2020-06-12 | 一种t波起点的确定方法、装置、存储介质及电子设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230309899A1 (zh) |
CN (1) | CN111643070B (zh) |
WO (1) | WO2021249493A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111643070B (zh) * | 2020-06-12 | 2023-05-23 | 京东方科技集团股份有限公司 | 一种t波起点的确定方法、装置、存储介质及电子设备 |
CN113786202B (zh) * | 2021-08-17 | 2023-12-26 | 广东省科学院健康医学研究所 | 一种心电图特征起点和终点检测方法、系统、装置及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751873B2 (en) * | 2006-11-08 | 2010-07-06 | Biotronik Crm Patent Ag | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
WO2012092766A1 (zh) * | 2011-07-25 | 2012-07-12 | 深圳市理邦精密仪器股份有限公司 | 儿童心电图自动检测分析方法及系统 |
EP3048965A4 (en) * | 2013-09-27 | 2017-05-31 | Mayo Foundation for Medical Education and Research | Analyte assessment and arrhythmia risk prediction using physiological electrical data |
CN104783786B (zh) * | 2014-01-20 | 2017-08-08 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图特征识别系统及方法 |
CN109620214B (zh) * | 2018-12-07 | 2020-09-25 | 上海数创医疗科技有限公司 | 基于人工智能技术的心电信号st段自动判断方法及装置 |
CN110013247B (zh) * | 2019-05-24 | 2020-06-05 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
CN110477906B (zh) * | 2019-08-26 | 2021-11-26 | 电子科技大学 | 一种心电信号qrs波起止点定位方法 |
CN111643070B (zh) * | 2020-06-12 | 2023-05-23 | 京东方科技集团股份有限公司 | 一种t波起点的确定方法、装置、存储介质及电子设备 |
-
2020
- 2020-06-12 CN CN202010537832.2A patent/CN111643070B/zh active Active
-
2021
- 2021-06-10 WO PCT/CN2021/099437 patent/WO2021249493A1/zh active Application Filing
- 2021-06-10 US US17/912,643 patent/US20230309899A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230309899A1 (en) | 2023-10-05 |
WO2021249493A1 (zh) | 2021-12-16 |
CN111643070A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Investigating cardiac arrhythmia in ECG using random forest classification | |
Li et al. | A low-complexity data-adaptive approach for premature ventricular contraction recognition | |
Yusuf et al. | MFCC feature extraction and KNN classification in ECG signals | |
CN111643070B (zh) | 一种t波起点的确定方法、装置、存储介质及电子设备 | |
Yang et al. | Heartbeat classification using discrete wavelet transform and kernel principal component analysis | |
Rao et al. | P-and T-wave delineation in ECG signals using parametric mixture Gaussian and dynamic programming | |
Kharshid et al. | Classification of short-time single-lead ECG recordings using deep residual CNN | |
Liu et al. | A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks | |
CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别系统及方法 | |
Vuksanovic et al. | ECG based system for arrhythmia detection and patient identification | |
Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
Espiritu-Santo-Rincon et al. | ECG feature extraction via waveform segmentation | |
Al-Masri | Detecting ECG heartbeat abnormalities using artificial neural networks | |
Sadiq et al. | Classification of cardiac arrhythmia using ID3 classifier based on wavelet transform | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
Li et al. | A novel abnormal ECG beats detection method | |
Chang et al. | Design of a low-complexity real-time arrhythmia detection system | |
Kumar et al. | Robust multiresolution wavelet analysis and window search based approach for electrocardiogram features delineation | |
Pimentel et al. | Hidden semi-Markov model-based heartbeat detection using multimodal data and signal quality indices | |
Huang et al. | Detecting QRS complexes of two-channel ECG signals by using combined wavelet entropy | |
Adeluyi et al. | R-READER: A lightweight algorithm for rapid detection of ECG signal R-peaks | |
Gómez-Herrero et al. | Relative estimation of the Karhunen-Loève transform basis functions for detection of ventricular ectopic beats | |
Wang et al. | A high-precise arrhythmia detection method based on biorthogonal wavelet and fully connected neural network | |
Yusuf et al. | Feature Extraction of ECG Signals using Discrete Wavelet Transform and MFCC | |
Desai | Automated detection of cardiac health condition using linear techniques |
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 |