CN111685759A - 一种心电信号的p、t特征波检测方法 - Google Patents
一种心电信号的p、t特征波检测方法 Download PDFInfo
- Publication number
- CN111685759A CN111685759A CN202010398929.XA CN202010398929A CN111685759A CN 111685759 A CN111685759 A CN 111685759A CN 202010398929 A CN202010398929 A CN 202010398929A CN 111685759 A CN111685759 A CN 111685759A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- wave
- detecting
- waves
- points
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种心电信号P、T特征波的检测方法,包括以下步骤:a、获取人体的心电信号进行预处理;b、通过平稳小波变换对其P、T特征波待检段尺度下的信号进行平滑处理;c、利用极大极小值原理进行心电数据P、T特征波峰值点检测;d、根据时移修正原则对心电数据P、T特征波峰值点位置进行修正;e、通过计算P、T特征波检测的误差率e r 、敏感度S e 、正确预测度P p 三个指标对检测结果进行评价。经本发明方法处理,平滑处理后的心电信号不但有效的滤除了噪声,且恢复了心电信号低频特征波,保留了心电信号的有效信息。
Description
技术领域
本发明涉及心电信号的分析与自动检测技术,具体地说是一种心电信号的P、T特征波检测方法。
背景技术
近年来,我国的心脑血管疾病的发病率和死亡率位居各类疾病的首位,已经成为人类健康的头号杀手,全球十大致死原因中缺血性心脏病人数位居第一。针对于心电信号的检测,心电图无疑是目前心血管疾病诊断最为有效的手段。
其P、T波代表了心室的复极化,可以对心室颤动和心源性猝死等重大心脏疾病进行有效预测。但是由于P、T波所在位置低频成分较多,噪声较大,加之P、T波形态多变,虽然现有的算法在检测P、T波检测中取得一定效果,但由于ECG信号在采集过程中受到外界各种噪声以及工频干扰,导致ECG信号的特征波的波峰附近会有细小的毛刺,这些毛刺的频段与P、T波频段重叠,因此仅通过频域特性对信号滤波并不能去除这种毛刺,从而无法获得光滑的P、T波待检测段,导致峰值点的判断不准确,进而影响心血管疾病的诊断。
发明内容
本发明的目的就是提供一种心电信号的P、T特征波检测方法,以解决现有方法出现的毛刺干扰、过零点错位等问题。
本发明是这样实现的:一种心电信号的P、T特征波检测方法,包括以下步骤:
a、获取人体的心电信号进行预处理;
b、通过平稳小波变换对其P、T特征波待检段尺度下的信号进行平滑处理;
c、利用极大极小值原理进行心电数据P、T特征波峰值点检测;
d、根据时移修正原则对心电数据P、T特征波峰值点位置进行修正;
e、通过计算P、T特征波检测的误差率er、敏感度Se、正确预测度Pp三个指标对检测结果进行评价。
步骤a的具体过程为:
a-1、采集人体的心电信号,确定输入ECG信号样本;
a-2、对输入的ECG信号进行连续小波变换,利用小波系数优势,将噪声信号和有用信号进行有效区分;
a-3、保留有用信号,去除噪声信号并进行ECG信号重构,消除ECG信号本身存在的工频干扰和基线漂移;
a-4、对ECG信号进行R波峰值点检测,提供ECG信号P、T特征波检测区间。
步骤b的具体过程为:
b-1、选取ECG信号P、T特征波所在频段区间下,P、T特征波待检段尺度下的信号f(x);
b-2、未平滑信号f(x)输入到平稳小波变换中,利用平稳小波变换提高f(x)信号的整体平滑程度,平滑处理信号表达式为:
步骤c的具体过程为:
c-1、在平滑的基础上对P、T特征波进行奇异点检测,利用R波模极值对的位置来判定P、T特征波模极值对的位置区间,位置区间表达式为:
Parea=RL+RRinteral*1/3
Tarea=RR+RRinteral*1/2
Parea和Tarea分别表示P、T特征波位置区间,RL和RR表示R波位置的左右方向,RRinteral表示RR间隔长度;
c-2、在Parea和Tarea区间内检测P、T特征波所对应的模极值对;
c-3、在P、T波模极值对的左右各添加100ms检测窗口,此窗口内检测是否存在正负性极值对,在存在正负性极值对的情况下,通过去掉模极值对较小的极值,保留其明显的一对极值对,此极值对视为两个极值点,在其极值点前后选取7个采样点,检测是否有同极值点,在对其极值点进行修正,修正后的极值点更新了该极值对,此极值对间的过零点为特征波峰值点。
步骤d的具体过程为:
为防止过零点错位,按照2j-1-1规则进行平移,j表示分解尺度,在检测P、T特征波时j=4,根据规则进行修正,修正后的过零点为P、T特征波的波峰。
6、根据权利要求5所述的心电信号的P、T特征波检测方法,其特征是,步骤e的具体过程为:计算误差率、敏感度、正确预测度:
其中,FN为没有检出的P、T特征波峰值点个数,FP为错检P、T特征波峰值点个数,N为心拍个数,Rd为正检P、T特征波峰值点个数。
经本发明方法的处理,平滑后的干净心电信号不但有效地滤除了噪声、毛刺,且恢复了心电信号低频特征波,保留了心电信号的有效信息。本发明检测主要分为对心电数据进行平滑处理和心电信号P、T特征波的峰值点检测及修正。经本发明方法的处理,充分利用了两者的各自优势解决了心电信号P、T特征波检测不准确所面临的的问题,实现了心电信号的P、T特征波检测。
附图说明
图1是本发明方法实施过程流程图。
图2是经过平滑处理前、后心电信号P、T特征波检测结果示意图。
图3是经过时移修正前、后心电信号P、T特征波检测结果示意图。
具体实施方式
以下结合附图对本发明作进一步详细描述,本领域技术人员可由本说明书所揭露的内容实现本发明。本发明未提及的具体处理方式均按本领域常规操作进行。
本实例在Intel Xeon CPU E5-2697@2.70GHz,内存为128.00GB,Win7,64位操作系统的计算机中实现,整个心电信号自动分类算法采用Matlab语言实现。
结合附图1、2、3,本发明的实施过程如下:
A)获取人体的心电信号,并进行滤波处理,检测滤波后的心电信号的R波:
①信号采集:以1000Hz的采集频率采集人体心电原始信号,并存储为TXT文档的数据形式,然后用Matlab软件将所述TXT文档存储的心电原始信号数据读取到电脑中;
②对所述心电原始信号数据进行处理:
通过小波分解对ECG信号采用db1小波进行3层分解,并在第2、3层高频系数中取一段数据计算两个尺度上的检测阈值,然后在第三层高频系数中检测超出阈值的模极大值点,并通过第2层高频系数找到数值符合阈值要求的点作为该模极值是否对应R波的条件,对此时得到的R波峰值预测点进行筛查,将不满足条件的去除,从而得到R波峰值点的准确位置。
小波母函数选择表达式:
保留R波峰值点的满足条件公式:
0.4*RRmean<RR<1.6*RRmean
此时,得到的R波的位置可为后续P、T波检测提供检测区间。
B)P、T波待检段尺度下的信号平滑处理:
①尺度选取:
不同尺度包含不同频段信号,经小波分解后,第四层的低频小波系频带范围为5.76~22.5Hz,第五层低频小波系数频带范围为5.625~11.25Hz。
P、T波在其第四尺度下表现最为明显,本模型选取第四尺度分别进行ECG信号的平滑处理和峰值点检测。
②平滑处理:
平滑处理经平稳小波变换对P、T波待检段尺度下的信号f(x)与光滑函数θj的卷积得到。
平滑处理信号表达式:
其中f(x)为P、T波待检段尺度下的信号,式中f*θj(x)表示光滑函数θj(x)按尺度j对f(x)进行平滑处理,消除毛刺突变部分而保留大尺度下缓慢变化的有效特征,提高f(x)信号的整体平滑程度。
C)P、T特征波峰值点检测:
①峰值点检测:
在Parea和Tarea区间内检测P、T特征波所对应的模极值对,所检测的模极值对间过零点对应其P、T特征波原始信号峰值点;
位置区间表达式:
Parea=RL+RRinteral*1/3
Tarea=RR+RRinteral*1/2
其中Parea和Tarea表示P、T波位置区间,RL和RR表示R波位置左右方向,RRinteral表示RR间隔长度;
②极值点筛选:
在P、T波模极值对的左右添加100ms检测窗口,检测是否存在正负性极值对。若存在,通过去掉模极值对较小的极值,保留其明显的一对极值对。在其极值点前后选取7个采样点,检测是否有同极值点,对其极值点进行修正,修正后的极值点更新了该极值对,此极值对间的过零点为特征波峰值点。
③过零点修正:
在P、T波模极值对间过零点按照2j-1-1规则进行平移,其中j为分解尺度,向右平移7个采样点得到最终的过零点,此过零点为修正后的P、T波波峰。
D)验证:
①数据:
实验数据选用MIT-BIH心律失常数据库中的100号、101号、103号、105号、106号、108号、111号、112号、113号、115号、116号、117号、118号、119号、121号、122号、123号、124号、200号、201号、202号、205号、209号、212号、214号、220号、222号、223号、230号、231号和234号31组数据。
②验证参数:
本文采用误差率、敏感度、正确预测度等三项指标对P、T特征波峰值点检测结果进行验证。
经以上处理后结果如图2、3所示,经本发明方法处理,三个验证参数都达到较好的效果,心电信号P、T特征波峰值点可以有效的检测到,而且还保留了心电信号的有效信息。
Claims (6)
1.一种心电信号P、T特征波的检测方法,其特征是,包括以下步骤:
a、获取人体的心电信号进行预处理;
b、通过平稳小波变换对其P、T特征波待检段尺度下的信号进行平滑处理;
c、利用极大极小值原理进行心电数据P、T特征波峰值点检测;
d、根据时移修正原则对心电数据P、T特征波峰值点位置进行修正;
e、通过计算P、T特征波检测的误差率er、敏感度Se、正确预测度Pp三个指标对检测结果进行评价。
2.根据权利要求1所述的心电信号的P、T特征波检测方法,其特征是,步骤a的具体过程为:
a-1、采集人体的心电信号,确定输入ECG信号样本;
a-2、对输入的ECG信号进行连续小波变换,利用小波系数优势,将噪声信号和有用信号进行有效区分;
a-3、保留有用信号,去除噪声信号并进行ECG信号重构,消除ECG信号本身存在的工频干扰和基线漂移;
a-4、对ECG信号进行R波峰值点检测,提供ECG信号P、T特征波检测区间。
4.根据权利要求3所述的心电信号的P、T特征波检测方法,其特征是,步骤c的具体过程为:
c-1、在平滑的基础上对P、T特征波进行奇异点检测,利用R波模极值对的位置来判定P、T特征波模极值对的位置区间,位置区间表达式为:
Parea=RL+RRinteral*1/3
Tarea=RR+RRinteral*1/2
Parea和Tarea分别表示P、T特征波位置区间,RL和RR表示R波位置的左右方向,RRinteral表示RR间隔长度;
c-2、在Parea和Tarea区间内检测P、T特征波所对应的模极值对;
c-3、在P、T波模极值对的左右各添加100ms检测窗口,此窗口内检测是否存在正负性极值对,在存在正负性极值对的情况下,通过去掉模极值对较小的极值,保留其明显的一对极值对,此极值对视为两个极值点,在其极值点前后选取7个采样点,检测是否有同极值点,在对其极值点进行修正,修正后的极值点更新了该极值对,此极值对间的过零点为特征波峰值点。
5.根据权利要求4所述的心电信号的P、T特征波检测方法,其特征是,步骤d的具体过程为:
为防止过零点错位,按照2j-1-1规则进行平移,j表示分解尺度,在检测P、T特征波时j=4,根据规则进行修正,修正后的过零点为P、T特征波的波峰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398929.XA CN111685759B (zh) | 2020-05-12 | 2020-05-12 | 一种心电信号的p、t特征波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010398929.XA CN111685759B (zh) | 2020-05-12 | 2020-05-12 | 一种心电信号的p、t特征波检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111685759A true CN111685759A (zh) | 2020-09-22 |
CN111685759B CN111685759B (zh) | 2022-09-09 |
Family
ID=72477752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010398929.XA Active CN111685759B (zh) | 2020-05-12 | 2020-05-12 | 一种心电信号的p、t特征波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111685759B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257518A (zh) * | 2020-09-30 | 2021-01-22 | 西安交通大学第二附属医院 | 基于wt与woa-pnn算法的ecg身份识别方法 |
CN113576489A (zh) * | 2021-08-02 | 2021-11-02 | 武汉中旗生物医疗电子有限公司 | 一种突变信号和高t波信号的区分方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104352234A (zh) * | 2014-10-27 | 2015-02-18 | 中国科学院半导体研究所 | 一种生理电信号尖峰奇异点检测方法 |
CN105212922A (zh) * | 2014-06-11 | 2016-01-06 | 吉林大学 | 面向fpga实现心电信号r波自动检测的方法及系统 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
CN105748066A (zh) * | 2016-03-03 | 2016-07-13 | 深圳竹信科技有限公司 | 一种心电信号波形特征点的提取方法及装置 |
CN106485208A (zh) * | 2016-09-22 | 2017-03-08 | 小菜儿成都信息科技有限公司 | 单通道脑电信号中眼电干扰的自动去除方法 |
CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN110169767A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的检索方法 |
-
2020
- 2020-05-12 CN CN202010398929.XA patent/CN111685759B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105212922A (zh) * | 2014-06-11 | 2016-01-06 | 吉林大学 | 面向fpga实现心电信号r波自动检测的方法及系统 |
CN104352234A (zh) * | 2014-10-27 | 2015-02-18 | 中国科学院半导体研究所 | 一种生理电信号尖峰奇异点检测方法 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
CN105748066A (zh) * | 2016-03-03 | 2016-07-13 | 深圳竹信科技有限公司 | 一种心电信号波形特征点的提取方法及装置 |
CN106485208A (zh) * | 2016-09-22 | 2017-03-08 | 小菜儿成都信息科技有限公司 | 单通道脑电信号中眼电干扰的自动去除方法 |
CN106923820A (zh) * | 2017-03-10 | 2017-07-07 | 深圳竹信科技有限公司 | 一种心电信号伪差识别方法及心电信号伪差识别装置 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
CN110169767A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的检索方法 |
Non-Patent Citations (1)
Title |
---|
张杰烁: "基于递归最小二乘法的回声状态网络算法", 《生物医学工程学杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257518A (zh) * | 2020-09-30 | 2021-01-22 | 西安交通大学第二附属医院 | 基于wt与woa-pnn算法的ecg身份识别方法 |
CN113576489A (zh) * | 2021-08-02 | 2021-11-02 | 武汉中旗生物医疗电子有限公司 | 一种突变信号和高t波信号的区分方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111685759B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN110013247B (zh) | 一种心电图p波和t波的检测、区分与定位方法 | |
CN103405227B (zh) | 基于双层形态学滤波的心电信号预处理方法 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
Singh et al. | ECG signal denoising based on empirical mode decomposition and moving average filter | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
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 | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN115120248B (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 | |
Li et al. | Application of an EMG interference filtering method to dynamic ECGs based on an adaptive wavelet-Wiener filter and adaptive moving average filter | |
CN103190901A (zh) | 基于极值域均值模式分解和改进Hilbert包络的R波检测算法 | |
Tang et al. | ECG de-noising based on empirical mode decomposition | |
CN103750835A (zh) | 一种心电信号特征检测算法 | |
CN111685759B (zh) | 一种心电信号的p、t特征波检测方法 | |
CN111568410A (zh) | 一种基于12导联和卷积神经网络的心电数据分类方法 | |
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 | |
CN110507299B (zh) | 一种心率信号检测装置及方法 | |
CN111166325B (zh) | 基于ipcmm算法的心电信号qrs复合波检测方法及系统 | |
Ghosal et al. | Ecg beat quality assessment using self organizing map | |
Golpaygani et al. | Detection and identification of S1 and S2 heart sounds using wavelet decomposition method | |
Suchetha et al. | Denoising and arrhythmia classification using EMD based features and neural network | |
Lin et al. | Fractal QRS-complexes pattern recognition for imperative cardiac arrhythmias |
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 |