CN111803054A - 一种实时评估室颤信号质量和除颤成功率的方法与仪器 - Google Patents

一种实时评估室颤信号质量和除颤成功率的方法与仪器 Download PDF

Info

Publication number
CN111803054A
CN111803054A CN202010537815.9A CN202010537815A CN111803054A CN 111803054 A CN111803054 A CN 111803054A CN 202010537815 A CN202010537815 A CN 202010537815A CN 111803054 A CN111803054 A CN 111803054A
Authority
CN
China
Prior art keywords
ventricular fibrillation
signal quality
fibrillation signal
success rate
electrocardiosignals
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
Application number
CN202010537815.9A
Other languages
English (en)
Other versions
CN111803054B (zh
Inventor
李永勤
谢佳玲
魏良
龚渝顺
王建杰
戴晨曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Medical University
Original Assignee
Army Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Army Medical University filed Critical Army Medical University
Priority to CN202010537815.9A priority Critical patent/CN111803054B/zh
Publication of CN111803054A publication Critical patent/CN111803054A/zh
Application granted granted Critical
Publication of CN111803054B publication Critical patent/CN111803054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Power Engineering (AREA)
  • Electrotherapy Devices (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种实时评估室颤信号质量和除颤成功率的方法，包括以下步骤：按间隔时间采集心电信号；对心电信号进行预处理、节律分析，判断心电信号类型；根据心电信号类型判断结果，通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；将室颤信号质量指数与设定阈值比较，评估室颤信号质量；根据评估结果启动除颤成功率的计算，提取室颤特征参数得出除颤成功率；本发明还提供一种实时评估室颤信号质量和除颤成功率的仪器；本发明可以解决在心肺复苏过程中，现有评估方法无法自动判断心电信号中是否存在干扰，无法准确评估室颤信号质量、评估除颤成功率准确性不高的技术问题。

Description

一种实时评估室颤信号质量和除颤成功率的方法与仪器
技术领域
本发明涉及心肺复苏技术领域，具体涉及一种实时评估室颤信号质量和除颤成功率的方法与仪器。
背景技术
当患者出现心脏骤停时，心肺复苏是针对心脏骤停患者采取的一系列急救措施，包括胸外按压、人工通气和电击除颤。电击除颤是心肺复苏过程中一个非常重要的环节，它是指用一定量的电流冲击心脏从而终止心室颤动并使其恢复自主搏动的方法。电击除颤的成功与否直接关系着心室颤动患者的存活，是治疗心室颤动最为有效的方法，然而过量的或不恰当的电击除颤又会增加心肌的损伤并增加患者的死亡风险。心室颤动(室颤)是心脏骤停患者最常见的初始心电节律，研究表明，通过分析评估室颤患者的心电室颤信号，可以实时地掌握患者心脏状态，并能根据室颤信号的特征来判断和预测电击除颤成功的概率。这种除颤成功率的评估预测可以优化除颤的时机：当除颤成功的概率较低时，不进行电击除颤而是通过提高心肺复苏的质量来增加除颤成功的概率，当室颤信号的特征指标使得除颤成功的概率超过某个设定的阈值时才进行除颤，就会使得心肺复苏的成功率最大化。
目前，依据室颤信号的特征来预测除颤成功率的算法有很多，包括基于幅度、频率、幅频以及非线性特征或者它们的组合来实现对除颤结果的预测。利用这些特征或除颤成功率的初始值以及这些指标在心肺复苏过程中的变化趋势，急救人员就可以制定最佳的救治策略和方案。但这些算法只有在停止心肺复苏的过程中完成，因为胸外按压产生的干扰信号，会使得室颤信号的特征发生改变，并最终改变对除颤结果的预测。这种限制，大大降低了基于室颤信号特征分析的除颤结果预测算法的临床应用。
发明内容
针对现有技术中的缺陷，本发明提供一种实时评估室颤信号质量和除颤成功率的方法与仪器，以解决现有技术中存在的在心肺复苏过程中，现有评估方法无法自动判断心电信号中是否存在干扰，无法准确评估室颤信号质量、评估除颤成功率计算准确性不高的技术问题。
本发明采用的技术方案如下：
第一方面，提供了一种实时评估室颤信号质量和除颤成功率的方法；
在第一种可实现方式中，包括以下步骤：
步骤一、按间隔时间Δt采集心电信号，采集时长为T；
步骤二、对采集到的心电信号进行预处理；
步骤三、对预处理后的心电信号进行节律分析，判断心电信号类型；
步骤四、根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
步骤五、将室颤信号质量指数与设定阈值比较，评估室颤信号质量；
步骤六、根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数得出除颤成功率。
结合第一种可实现方式，在第二种可实现方式中，步骤一中，采集间隔时间△t在取值为0.1s-10s，采集时长T取值为0.1s-10s。
结合第一种可实现方式，在第三种可实现方式中，步骤二中，预处理为滤波处理；滤波处理选用高通滤波器和低通滤波器进行滤波；高通滤波器、低通滤波器的数量均为一个或多个。
结合第三种可实现方式，在第四种可实现方式中，高通滤波器截止频率选为0.5-1Hz之间的任意一频率，低通滤波器截止频率选为30-50Hz之间的任意一频率。
结合第一种可实现方式，在第五种可实现方式中，步骤四中，自相关系数序列，按以下公式进行计算：
Figure BDA0002537672440000031
其中，rxy为自相关系数序列，x(n)为预处理后的心电信号，N为心电信号的采样点数。
结合第一种可实现方式，在第六种可实现方式中，步骤四中，室颤信号质量指数，按以下公式进行计算：
Figure BDA0002537672440000032
其中，SQI为室颤信号质量指数；x1为各波峰值/波谷幅度连线的斜率，x2为各波峰/波谷的平均间隔值，信号一阶导数为0、二阶导数为负值或正值的点作为波峰/波谷；a1、a2、a3为固定系数，a1取值范围是15～25，a2取值范围是0.1～0.5，a3取值范围是-2～0。
结合第一种可实现方式，在第七种可实现方式中，步骤五中，阈值的取值范围为0.5-0.75。
结合第一种可实现方式，在第八种可实现方式中，在步骤五和步骤六之间，还包括以下步骤：
当室颤信号质量评估结果为低质量室颤信号时，对心电信号的噪声进行滤波处理之后，再进行室颤信号质量的评估。
结合第八种可实现方式，在第九种可实现方式中，滤波处理的次数为一次或多次，当室颤信号质量指数从设定阈值以下提高到设定阈值以上，结束自适应滤波处理。
第二方面，提供了一种实时评估室颤信号质量和除颤成功率的仪器，使用第一种到第九种可实现方式中任意一项方式，实时评估室颤信号质量和除颤成功率；
包括信号采集模块、信号处理模块、信号质量评估分析模块、参数比较模块、室颤特征参数和除颤成功概率计算模块和输出模块；
信号采集模块用于采集心电信号；
信号处理模块用于对采集的心电信号进行预处理，还用于对预处理后的心电信号进行节律分析、判断心电信号类型；
信号质量评估分析模块用于根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
参数比较模块用于将室颤信号质量指数与预设阈值进行比较，评估室颤信号质量；还用于根据室颤信号质量评估结果启动滤波处理；
室颤特征参数和除颤成功概率计算模块用于根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数计算得出除颤成功率；
输出模块用于输出室颤信号特征参数和除颤成功概率的计算结果。
由上述技术方案可知，本发明的有益技术效果如下：
1.提供了一种实时评估室颤信号质量的方法，该方法对室颤信号质量的评估效果较现有技术更为准确。
2.根据室颤信号质量的评估结果，可以自动判断出所分析的心电信号是否受到了心肺复苏产生噪声的干扰，并在识别出有干扰的情况下，进行滤波处理，可以在心肺复苏过程中提高除颤成功概率计算的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例1的方法流程图。
图2为室颤信号质量指数运算的方法流程图。
图3为本发明实施例2的方法流程图。
图4为室颤信号的信号质量指数对比图。
图5为实时评估室颤信号质量和除颤成功率的仪器功能模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
如图1所示，本发明提供一种实时评估室颤信号质量和除颤成功率的方法，包括以下步骤：
步骤一、按间隔时间Δt采集心电信号，采集时长为T；
步骤二、对采集到的心电信号进行预处理；
步骤三、对预处理后的心电信号进行节律分析，判断心电信号类型；
步骤四、根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
步骤五、将室颤信号质量指数与设定阈值比较，评估室颤信号质量；
步骤六、根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数得出除颤成功率。
以下对实施例1工作原理进行详细说明：
1.按间隔时间Δt采集心电信号，采集时长为T
使用信号采集模块，在心肺复苏过程中采集心电信号。具体的，在心肺复苏过程中，将心电/除颤电极贴合于患者胸前，每间隔Δt的时间长度，进行一次心电信号的采集，采集时长为T。使用心电/除颤电极的数量不作限定，在本实施例中，为得到较好的心电信号采集效果，心电/除颤电极的数量为2个，2个心电/除颤电极的信号采集方式为同步采集；采集间隔时间Δt取值0.1s-10s，采集时长T取值1s-10s。
2.对采集到的心电信号进行预处理
为获得后续更好的计算效果，需要对心电信号进行预处理。在本实施例中，使用信号处理模块对采集的心电信号进行预处理；预处理主要是滤波处理，通过滤波器有效的滤出低频干扰信号。选用高通滤波器和低通滤波器进行滤波，高通滤波器、低通滤波器的数量可以是1个，也可以是多个；这样就可以通过一个到多个高通滤波器和一个到多个低通滤波器的组合，实现更好的滤波效果。高通滤波器截止频率选为0.5-1Hz之间的任意一频率，低通滤波器截止频率选为30-50Hz之间的任意一频率。心电信号通过高通滤波器、低通滤波器的顺序不作限定，可以先通过高通滤波器，也可以先通过低通滤波器。
3.对预处理后的心电信号进行节律分析，判断心电信号类型
心电信号的节律是指心脏搏动的节律。正常的心脏节律控制起源于窦房结的电活动。当患者出现室颤时，心电信号的节律会产生变化，出现室颤特有的心电图特征，比如QRS-T波消失，呈大小不等、形态不同的心室颤动波；f-f之间无等电位线；等等。
在本实施例中，使用信号处理模块通过特征识别的方法，对预处理后心电信号进行节律分析。如果识别出的心电图信号符合室颤的心电图特征，则可以判断采集到的心电信号属于室颤信号，此时就可以对心电信号进行室颤信号质量指数的计算。如果识别出的心电图信号不符合室颤的心电图特征，则可以判断采集到的心电信号不属于室颤信号；因该心电信号不属于室颤信号，所以就不对该心电信号进行计算，而是返回执行心肺复苏的处理。
4.根据心电信号类型判断结果，启动室颤信号质量指数的计算，得出室颤信号质量指数
当根据节律分析，判断出心电信号是室颤信号时，由信号质量评估分析模块启动和进行室颤信号质量指数的计算。具体的如图2所示，按以下步骤进行：
(1)计算经预处理后的心电信号的自相关系数序列，
自相关系数序列，按以下公式(1)进行计算：
Figure BDA0002537672440000071
其中，rxy为自相关系数序列，x(n)为预处理后的心电信号，N为心电信号的采样点数(即使用心电/除颤电极的个数)。
(2)提取自相关系数序列的波峰/波谷
以自相关系数序列中，信号一阶导数为0、二阶导数为负值或正值的点，作为波峰/波谷所在的点进行提取，得到波峰/波谷。
(3)根据波峰值/波谷值的幅度和间隔分布特性，计算得出室颤信号的信号质量指数。
室颤信号质量指数，按以下公式(2)进行计算：
Figure BDA0002537672440000072
其中，SQI为室颤信号质量指数；x1为各波峰值/波谷幅度连线的斜率，x2为各波峰/波谷的平均间隔值；a1、a2、a3为固定系数，a1取值范围是15～25，a2取值范围是0.1～0.5，a3取值范围是-2～0。
如图4所示，为室颤信号的信号质量指数对比图。左侧的图4(a)为受到胸外按压干扰的低质量室颤信号，波峰/波谷的幅值呈线性变化，斜率为0.15，各波峰/波谷之间的时间间隔均匀，平均为0.37±0.026秒。该信号自相关系数序列的波峰/波谷分布比较规律，波峰/波谷的幅度呈线性上升或下降趋势，各波峰/波谷之间的时间间隔相对稳定。右侧的图4(b)为没有受到胸外按压干扰的高质量室颤信号，波峰/波谷的幅值振荡性变化，斜率为0.03，各波峰/波谷之间的时间间隔不均匀，平均为0.29±0.084秒。该信号自相关系数序列的波峰/波谷分布没有规律性，波峰/波谷的幅度呈随机变化，各波峰/波谷之间的时间间隔也相对变化较大。
通过本步骤的技术方案，提供了一种实时评估室颤信号质量的方法，该方法对室颤信号质量的评估效果较现有技术更为准确。
5.将室颤信号质量指数与设定阈值比较，评估室颤信号质量
预先设定一阈值，给评估室颤信号质量作为参照。在本实施例中，阈值取值设在0.5-0.75之间的某一数值，优选的，阈值设为0.55。使用参数比较模块将室颤信号质量指数与设定阈值进行比较，如果室颤信号质量指数小于设定阈值，则表明该心电信号在采集时存在外界干扰，比如被胸外按压产生的噪声干扰，室颤信号为低质量室颤信号；如果室颤信号质量指数大于设定阈值，则表明该心电信号在采集时不存在或者存在较小的外界干扰，室颤信号为高质量室颤信号。
对于高质量室颤信号，可以直接进行除颤成功率的计算；对于低质量室颤信号，需要先进行滤波处理然后才能进行除颤成功率的计算。
在本实施例中，阈值设定为0.55，如图4所示，左侧的图4(a)中室颤信号受到胸外按压干扰时，信号质量指数值为0.19，小于设定阈值，判定为低质量室颤信号，需要进行滤波处理后才能计算其除颤成功的概率；右侧的图4(b)中室颤信号为没有受到胸外按压干扰的信号，信号质量指数值为0.75，大于设定阈值，判定为高质量室颤信号，可以直接进行除颤成功率的计算。
6.根据室颤信号质量评估结果，启动除颤成功率的计算，得出除颤成功率
根据室颤信号质量评估结果，当评估结果是室颤信号为高质量室颤信号时，室颤特征参数和除颤成功率计算模块直接从该室颤信号中提取室颤特征参数，根据室颤特征参数计算除颤成功的概率。根据室颤特征参数计算除颤成功率的方法不作限定，可以用现有技术中的任意一项可实现的方法进行计算，在本实施例中举例说明。比如：通过使用室颤时长、室颤波频率和振幅等参数来进行计算。
最后，输出模块将室颤信号、除颤成功率的结果进行输出，供医生参考判断是否进行电击除颤。输出的方式不作限定，可以用现有技术中的任意一项可实现的方法进行输入，在本实施例中用液晶显示屏的方式进行输出。
需要说明的是，本发明的技术方案是提供信息给医生参考使用，不能直接得出疾病的诊断结果，也不能直接对疾病展开治疗，所以不是疾病的诊断和治疗方法。
实施例2
在临床中，会出现因为胸外按压产生的干扰信号，使得室颤信号质量评估结果为低质量室颤信号，此时胸外按压一般是持续的进行，在此种情况下，因为持续性的干扰信号，室颤信号质量评估结果也会一直为低质量室颤信号，但不能因为评估结果是低质量室颤信号，就始终不进行电击除颤操作，这样会危及到患者的生命安全。所以即使在评估结果持续是低质量室颤信号的情况下，也要选取其中相对电击除颤成功率大的时段进行电击除颤。为解决上述技术问题，在实施例1的基础上进一步优化，采用以下技术方案：
如图3所示，当室颤信号质量评估结果为低质量室颤信号时，由参数比较模块启动滤波处理，通过信号处理模块对心电信号的噪声进行滤波处理之后，再进行室颤信号质量的评估。所述滤波处理的次数为一次或多次，当室颤信号质量指数从设定阈值以下提高到设定阈值以上，结束滤波处理。
以下对实施例2工作原理进行详细说明：
对心电信号的噪声进行滤波的方式不作限定，可以采用现有技术中任意一项或多项可实现的方式进行，在本实施例中举例说明。比如：基于最小平方根误差的心电去噪，基于小波阈值法的心电信号去噪，基于双树复小波变换的心电信号去噪，等等。当进行了滤波处理后，再对心电信号进行波形特征提取以及除颤成功概率的计算与分析。
在本实施例中，进行滤波处理时，可以将实施例1中经预处理后的心电信号再次进行滤波处理，也可以对采集到的心电信号在未经过预处理的情况下直接进行滤波处理。当室颤信号为低质量室颤信号时，室颤信号质量指数的数值应在预设定的阈值之下；当对心电信号的噪声进行了滤波处理后，如果室颤信号质量指数从设定阈值以下提高到该阈值以上，则表示滤波处理成功。具体的，同实施例1一样，阈值设定为0.55，室颤信号质量指数在进行滤波处理前，值为0.19；在进行滤波处理后，室颤信号质量指数会有所上升，比如经过第一次滤波处理后为0.3、经过第二次滤波处理后0.5，经过第一次滤波处理后为0.6，此时表示滤波成功，无需继续进行滤波处理；否则，信号处理模块会对心电信号进行再一次的滤波处理，直至室颤信号质量指数从设定阈值以下提高到该阈值以上。
实施例3
一种实时评估室颤信号质量和除颤成功率的仪器，使用实施例1或实施例2中的技术方案，实时评估室颤信号质量和除颤成功率。如图5所示，仪器包括信号采集模块、信号处理模块、信号质量评估分析模块、参数比较模块、室颤特征参数和除颤成功概率计算模块和输出模块；
信号采集模块用于采集心电信号；
信号处理模块用于对采集的心电信号进行预处理，还用于对预处理后的心电信号进行节律分析、判断心电信号类型；
信号质量评估分析模块，用于根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
参数比较模块用于将所述室颤信号质量指数与预设阈值进行比较，评估室颤信号质量；还用于根据室颤信号质量评估结果启动滤波处理；
室颤特征参数和除颤成功概率计算模块，用于根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数计算得出除颤成功率；
输出模块用于输出室颤信号特征参数和除颤成功概率的计算结果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种实时评估室颤信号质量和除颤成功率的方法，其特征在于，包括以下步骤：
步骤一、按间隔时间Δt采集心电信号，采集时长为T；
步骤二、对采集到的心电信号进行预处理；
步骤三、对预处理后的心电信号进行节律分析，判断心电信号类型；
步骤四、根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
步骤五、将室颤信号质量指数与设定阈值比较，评估室颤信号质量；
步骤六、根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数得出除颤成功率。
2.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于：所述步骤一中，采集间隔时间△t在取值为0.1s-10s，采集时长T取值为0.1s-10s。
3.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于：所述步骤二中，所述预处理为滤波处理；所述滤波处理选用高通滤波器和低通滤波器进行滤波；所述高通滤波器、低通滤波器的数量均为一个或多个。
4.根据权利要求3所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于：所述高通滤波器截止频率选为0.5-1Hz之间的任意一频率，低通滤波器截止频率选为30-50Hz之间的任意一频率。
5.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于，步骤四中所述自相关系数序列，按以下公式进行计算：
Figure FDA0002537672430000011
其中，rxy为自相关系数序列，x(n)为预处理后的心电信号，N为心电信号的采样点数。
6.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于，步骤四中所述室颤信号质量指数，按以下公式进行计算：
Figure FDA0002537672430000021
其中，SQI为室颤信号质量指数；x1为各波峰值/波谷幅度连线的斜率，x2为各波峰/波谷的平均间隔值，信号一阶导数为0、二阶导数为负值或正值的点作为波峰/波谷；a1、a2、a3为固定系数，a1取值范围是15～25，a2取值范围是0.1～0.5，a3取值范围是-2～0。
7.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于：步骤五中所述阈值的取值范围为0.5-0.75。
8.根据权利要求1所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于，在步骤五和步骤六之间，还包括以下步骤：
当室颤信号质量评估结果为低质量室颤信号时，对心电信号的噪声进行滤波处理之后，再进行室颤信号质量的评估。
9.根据权利要求8所述一种实时评估室颤信号质量和除颤成功率的方法，其特征在于：所述滤波处理的次数为一次或多次，当室颤信号质量指数从设定阈值以下提高到设定阈值以上，结束滤波处理。
10.一种实时评估室颤信号质量和除颤成功率的仪器，其特征在于：使用权利要求1-9中任意一项所述方法实时评估室颤信号质量和除颤成功率，包括信号采集模块、信号处理模块、信号质量评估分析模块、参数比较模块、滤波处理模块、室颤特征参数和除颤成功概率计算模块和输出模块；
所述信号采集模块用于采集心电信号；
所述信号处理模块用于对采集的心电信号进行预处理，还用于对预处理后的心电信号进行节律分析、判断心电信号类型；
所述信号质量评估分析模块用于根据心电信号类型判断结果，启动室颤信号质量指数的计算；通过计算经预处理后的心电信号的自相关系数序列，结合自相关系数序列中提取出的波峰/波谷分布特性，得出室颤信号质量指数；
所述参数比较模块用于将所述室颤信号质量指数与预设阈值进行比较，评估室颤信号质量；还用于根据室颤信号质量评估结果启动滤波处理；
所述室颤特征参数和除颤成功概率计算模块用于根据室颤信号质量评估结果，启动除颤成功率的计算，提取室颤特征参数计算得出除颤成功率；
所述输出模块用于输出室颤信号特征参数和除颤成功概率的计算结果。
CN202010537815.9A 2020-06-12 2020-06-12 一种实时评估室颤信号质量和除颤成功率的方法与仪器 Active CN111803054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537815.9A CN111803054B (zh) 2020-06-12 2020-06-12 一种实时评估室颤信号质量和除颤成功率的方法与仪器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537815.9A CN111803054B (zh) 2020-06-12 2020-06-12 一种实时评估室颤信号质量和除颤成功率的方法与仪器

Publications (2)

Publication Number Publication Date
CN111803054A true CN111803054A (zh) 2020-10-23
CN111803054B CN111803054B (zh) 2023-04-07

Family

ID=72845054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537815.9A Active CN111803054B (zh) 2020-06-12 2020-06-12 一种实时评估室颤信号质量和除颤成功率的方法与仪器

Country Status (1)

Country Link
CN (1) CN111803054B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113974642A (zh) * 2021-11-23 2022-01-28 深圳市联普医疗科技有限公司 一种基于多尺度斜率特征的可除颤节律识别方法
CN114533080A (zh) * 2020-11-26 2022-05-27 深圳市科瑞康实业有限公司 一种对心电信号数据进行颤动波识别的方法和装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0874584A1 (en) * 1995-12-28 1998-11-04 The Ohio State University Research Foundation Non-invasive monitoring and treatment of subjects in cardiac arrest using ecg parameters predictive of outcome
GB0407293D0 (en) * 2004-03-31 2004-05-05 Cardiodigital Ltd A method for the prediction of the likelihood of successful defibrillation for patients exhibiting ventricular fibrillation
ES2232228A1 (es) * 2002-04-26 2005-05-16 Osatu, S.Coop. Metodo para la deteccion de ritmos cardiacos desfibrilables.
CN102380164A (zh) * 2011-08-03 2012-03-21 复旦大学 基于二阶导数编码的自动判别室速室颤的体外除颤器
WO2012127380A1 (en) * 2011-03-23 2012-09-27 Koninklijke Philips Electronics N.V. Defibrillator with protocol for selectively interrupting cpr
US20130080489A1 (en) * 2011-09-23 2013-03-28 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
CN104257372A (zh) * 2014-09-05 2015-01-07 深圳邦健生物医疗设备股份有限公司 远程胎儿监护方法及系统
CN104274907A (zh) * 2014-09-19 2015-01-14 中国人民解放军第三军医大学 一种预测除颤成功概率的方法及除颤仪
CN104323769A (zh) * 2014-09-19 2015-02-04 中国人民解放军第三军医大学 一种抑制心肺复苏引起的心电干扰的方法、系统及体外除颤仪
US20150297107A1 (en) * 2012-03-27 2015-10-22 Physio-Control, Inc. System and method for electrocardiogram analysis and optimization of cardiopulmonary resuscitation and therapy delivery
CN105208926A (zh) * 2013-03-14 2015-12-30 佐尔医药公司 用于识别电击结果的加窗
CN107280661A (zh) * 2017-06-29 2017-10-24 中山大学 预判除颤时机的方法
CN109091757A (zh) * 2018-07-06 2018-12-28 中山大学孙逸仙纪念医院 一种电除颤时机的判断方法、装置、设备及存储介质
CN109363647A (zh) * 2018-10-29 2019-02-22 北京大学（天津滨海）新代信息技术研究院 睡眠质量监测方法、装置及终端设备
CN109567781A (zh) * 2018-11-13 2019-04-05 中国人民解放军陆军军医大学 心肺复苏过程中自动检测脉搏的装置及其检测方法
CN110074816A (zh) * 2019-04-26 2019-08-02 深圳市理邦精密仪器股份有限公司 胎心率确定方法、装置及终端设备
CN110917497A (zh) * 2016-01-16 2020-03-27 Zoll医疗公司 除颤器

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001519681A (ja) * 1995-12-28 2001-10-23 ジ オハイオ ステイト ユニヴァーシテイ リサーチ ファウンデイション 結果を予測するｅｃｇパラメータを使用する、心停止患者の非侵襲的モニタリングおよび治療
EP0874584A1 (en) * 1995-12-28 1998-11-04 The Ohio State University Research Foundation Non-invasive monitoring and treatment of subjects in cardiac arrest using ecg parameters predictive of outcome
ES2232228A1 (es) * 2002-04-26 2005-05-16 Osatu, S.Coop. Metodo para la deteccion de ritmos cardiacos desfibrilables.
GB0407293D0 (en) * 2004-03-31 2004-05-05 Cardiodigital Ltd A method for the prediction of the likelihood of successful defibrillation for patients exhibiting ventricular fibrillation
WO2012127380A1 (en) * 2011-03-23 2012-09-27 Koninklijke Philips Electronics N.V. Defibrillator with protocol for selectively interrupting cpr
CN102380164A (zh) * 2011-08-03 2012-03-21 复旦大学 基于二阶导数编码的自动判别室速室颤的体外除颤器
US20130080489A1 (en) * 2011-09-23 2013-03-28 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US20150297107A1 (en) * 2012-03-27 2015-10-22 Physio-Control, Inc. System and method for electrocardiogram analysis and optimization of cardiopulmonary resuscitation and therapy delivery
CN105208926A (zh) * 2013-03-14 2015-12-30 佐尔医药公司 用于识别电击结果的加窗
CN104257372A (zh) * 2014-09-05 2015-01-07 深圳邦健生物医疗设备股份有限公司 远程胎儿监护方法及系统
CN104274907A (zh) * 2014-09-19 2015-01-14 中国人民解放军第三军医大学 一种预测除颤成功概率的方法及除颤仪
CN104323769A (zh) * 2014-09-19 2015-02-04 中国人民解放军第三军医大学 一种抑制心肺复苏引起的心电干扰的方法、系统及体外除颤仪
CN110917497A (zh) * 2016-01-16 2020-03-27 Zoll医疗公司 除颤器
CN107280661A (zh) * 2017-06-29 2017-10-24 中山大学 预判除颤时机的方法
CN109091757A (zh) * 2018-07-06 2018-12-28 中山大学孙逸仙纪念医院 一种电除颤时机的判断方法、装置、设备及存储介质
CN109363647A (zh) * 2018-10-29 2019-02-22 北京大学（天津滨海）新代信息技术研究院 睡眠质量监测方法、装置及终端设备
CN109567781A (zh) * 2018-11-13 2019-04-05 中国人民解放军陆军军医大学 心肺复苏过程中自动检测脉搏的装置及其检测方法
CN110074816A (zh) * 2019-04-26 2019-08-02 深圳市理邦精密仪器股份有限公司 胎心率确定方法、装置及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张洁: "脉搏信号质量评估及其情绪识别应用", 《中国硕士学位论文全文数据库 (医药卫生科技辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533080A (zh) * 2020-11-26 2022-05-27 深圳市科瑞康实业有限公司 一种对心电信号数据进行颤动波识别的方法和装置
CN114533080B (zh) * 2020-11-26 2023-10-13 深圳市科瑞康实业有限公司 一种对心电信号数据进行颤动波识别的方法和装置
CN113974642A (zh) * 2021-11-23 2022-01-28 深圳市联普医疗科技有限公司 一种基于多尺度斜率特征的可除颤节律识别方法
CN113974642B (zh) * 2021-11-23 2024-03-19 深圳市联普医疗科技有限公司 一种基于多尺度斜率特征的可除颤节律识别方法

Also Published As

Publication number Publication date
CN111803054B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US8983588B2 (en) Signal analysis
US7809433B2 (en) Method and system for limiting interference in electroencephalographic signals
CN111803054B (zh) 一种实时评估室颤信号质量和除颤成功率的方法与仪器
Kumar et al. Performance analysis of different filters for power line interface reduction in ECG signal
US11253204B2 (en) Method for assessing electrocardiogram signal quality
CN111265210A (zh) 一种基于深度学习的房颤预测装置和设备
CN109620206B (zh) 包含异位心跳判断的房颤人工智能识别方法及装置
Kumar et al. Advanced DSP Technique to Remove Baseline Noise from ECG Signal
Dora et al. Robust ECG artifact removal from EEG using continuous wavelet transformation and linear regression
Almalchy et al. Noise removal from ECG signal based on filtering techniques
KR101048763B1 (ko) 신호 검출 장치 및 방법
Manikandan et al. Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices
CN113499082B (zh) Qrs波群检测方法、心电检测装置及可读存储介质
Hegde et al. A review on ECG signal processing and HRV analysis
Tun et al. Analysis of computer aided identification system for ECG characteristic points
Sasirekha et al. Noise removal in ECG signal using digital filters
Franchevska et al. The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference
Khandait et al. Efficient ECG abnormalities recognition using neuro-fuzzy approach
Das et al. Noise elimination and ECG R peak detection using wavelet transform
Kavitha et al. A study on ECG signal classification techniques
Kaur et al. Adaptive wavelet thresholding for noise reduction in electrocardiogram (ECG) signals
Georgieva-Tsaneva A novel photoplethysmographic noise removal method via wavelet transform to effective preprocessing
Patwary et al. Comparison among ECG filtering methods for non-linear noise
Fahruzi et al. An Investigation of Dynamic Features Influence in ECG-Apnea Using Detrended Fluctuation Analysis
Riasi Prediction of ventricular fibrillation using complexity analysis of T Wave from surface electrocardiogram

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