CN111839498A - 心电图分析装置及其心电图分析方法 - Google Patents

心电图分析装置及其心电图分析方法 Download PDF

Info

Publication number
CN111839498A
CN111839498A CN202010221375.6A CN202010221375A CN111839498A CN 111839498 A CN111839498 A CN 111839498A CN 202010221375 A CN202010221375 A CN 202010221375A CN 111839498 A CN111839498 A CN 111839498A
Authority
CN
China
Prior art keywords
heartbeat
electrocardiogram
peak
normal
classification
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
Application number
CN202010221375.6A
Other languages
English (en)
Inventor
郑恩守
尹用根
孙炯官
吴圭三
田恩周
权纯焕
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.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS Co Ltd
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 Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of CN111839498A publication Critical patent/CN111839498A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/7235—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
    • A61B5/72—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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity

Landscapes

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

Abstract

公开一种心电图分析装置及其心电图分析方法。根据一实施例的心电图分析装置，包括：输入部，接收受试者的心电图(electrocardiogram)；心跳分析部，优先检测并分类接收到的所述心电图所包括的多个心跳中的正常心跳，向远程诊断服务器请求针对除了所述正常心跳以外的剩余心跳的心跳分类，并根据所述正常心跳的检测结果和从所述远程诊断服务器接收到的心跳分类结果而对所述多个心跳中的每一个进行标记；以及节律分析部，基于所述标记结果执行针对所述心电图的节律分析。

Description

心电图分析装置及其心电图分析方法
技术领域
公开的实施例涉及用于分析心电图(electrocardiogram)的技术。
背景技术
心电图(electrocardiogram)是分析心脏的电活动并记录为的波长形态的图。心电图分析在诊断心脏病，尤其在诊断心率不规则的心律不齐的情形时是必不可少的。并且，除了心律不齐以外，心电图分析还可以有效地使用于诊断心肌障碍、心房心室肥大、扩张、肺循环障碍、电解质代谢异常、药物效果确认以及其他心脏疾病和关联疾病等的诊断。
由于心律不齐信号在心电图中并不是一直出现的，因此为了诊断心律不齐等需要长期(例如，24小时)观测测量信号。然而，以往不存在用于有效地处理长时间测定的心电图的方案，并且可判断的心律不齐种类也是有限的。而且，为了准确的读取，必须使用能够进行大量运算的远程诊断服务器，但在此情形下，具有需要消耗大量的分析时间和计算资源的问题。
现有技术文献
专利文献
韩国授权专利公报10-1966758号(2019.04.02)
发明内容
公开的实施例提供用于在保证心电图分析的准确度的同时有效节约用于心电图分析的计算资源的技术手段。
根据示例性实施例，提供一种心电图分析装置，包括：输入部，接收受试者的心电图(electrocardiogram)；心跳分析部，优先检测并分类接收到的所述心电图所包括的多个心跳(beat)中的正常心跳，向远程诊断服务器请求针对除了所述正常心跳以外的剩余心跳的心跳分类，并根据所述正常心跳的检测结果和从所述远程诊断服务器接收到的心跳分类结果而对所述多个心跳中的每一个进行标记(Labeling)；以及节律分析部，基于所述标记结果执行针对所述心电图的节律(rhythm)分析。
装置还可以包括：有效性判断部，判断接收到的所述心电图的有效性，在所述判断结果为不属于有效的心电图的情形下输出警告消息。
所述心跳分析部从所述心电图提取多个第一部分信号，并检测提取出的所述第一部分信号中包含的分类对象心跳的波形(wave)信息，并且可以基于所述波形信息而判断所述分类对象心跳是否为正常心跳。
所述心跳分析部可以利用将所述波形信息作为输入值的机器学习分类器、将所述分类对象心跳进行小波变换(wavelet transform)的信号以及所述波形信息的特性中的一个以上而判断所述分类对象心跳是否为正常心跳。
所述机器学习分类器可以将从所述分类对象心跳检测出的波形的时刻和大小信息中的一个以上作为输入而接收，并判定所述分类对象心跳是否为正常心跳。
用于使所述机器学习分类器进行正常心跳分类的临界值可以被设为0.9以上。
所述心跳分析部可以在所述分类对象心跳被小波变换的信号满足下面的第一条件和第二条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳。
第一条件：在S-peak后有两个以上能够读取为T-on/off的极值，在T-on与T-off之间存在过零值；
第二条件：在Q-peak前有两个以上能够读取为P-on/off的极值，在P-on与P-off之间存在过零值。
所述心跳分析部可以在所述分类对象心跳的波形满足下面的第三条件至第六条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳。
第三条件：R-peak的大小(m(R))大于Q-peak和S-peak的大小中更大的值(max(m(Q),m(S)))的情形(m(R)>max(m(Q),m(S)))；
第四条件：P-peak的大小(m(Ppeak))大于P-on和P-off的大小中更大的值(max(m(Pon),m(Poff)))的情形(m(Ppeak)>max(m(Pon),m(Poff)))；
第五条件：T-peak的大小(m(Tpeak))大于T-on和T-off的大小中更大的值(max(m(Ton),m(Toff)))的情形(m(Tpeak)>max(m(Ton),m(Toff)))；
第六条件：分析对象心跳的R-peak和前一个R-peak之间的间距(RR0)与前一个R-peak和其之前的R-peak之间的间距(RR-1)之比为0.9以上。
所述节律分析部从所述心电图提取包括多个心跳的第二部分信号，并且可以通过将提取的所述第二部分信号中包含的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则进行比较，对包括于所述第二部分信号的节律进行分类。
根据另一示例性实施例，提供一种心电图分析方法，所述方法在计算装置执行，所述计算装置具备一个以上的处理器以及存储作为在通过所述一个以上的处理器运行的一个以上的程序的存储器，所述方法包括如下步骤：接收受试者的心电图(electrocardiogram)；优先检测出接收到的所述心电图所包括的多个心跳(beat)中的正常心跳；向远程诊断服务器请求针对所述多个心跳中的除了所述正常心跳以外的剩余心跳的心跳分类，并且从所述远程诊断服务器接收心跳分类结果；根据所述正常心跳的检测结果和所述心跳分类结果而对所述多个心跳中的每一个进行标记；以及基于所述标记结果执行针对所述心电图的节律(rhythm)分析。
接收所述心电图的步骤还可以包括如下步骤：判断接收到的所述心电图的有效性；以及在所述判断结果为不属于有效心电图的情形下输出警告消息。
优先检测出所述正常心跳的步骤还可以包括如下步骤：从所述心电图提取多个第一部分信号；检测出提取出的所述第一部分信号中包含的分类对象心跳的波形(wave)信息；以及基于所述波形信息而判断所述分类对象心跳是否为正常心跳。
在判断是否为所述正常心跳的步骤中，可以利用将所述波形信息作为输入值的机器学习分类器、将所述分类对象心跳小波变换(wavelet transform)的信号以及所述波形信息的特性中的一个以上而判断所述分类对象是否为正常心跳。
所述机器学习分类器可以构成为，将从所述分类对象检测出的波形的时刻和大小信息中的一个以上作为输入而接收，并判定所述分类对象心跳是否为正常心跳。
用于使所述机器学习分类器进行正常心跳分类的临界值可以被设为0.9以上。
判断是否为所述正常心跳的步骤构可以成为，在所述分类对象心跳被小波变换的信号满足下面的第一条件和第二条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳。
第一条件：在S-peak后有两个以上能够读取为T-on/off的极值，在T-on与T-off之间存在过零值(zero-crossing)；
第二条件：在Q-peak前有两个以上能够读取为P-on/off的极值，在P-on与P-off之间存在过零值。
判断是否为所述正常心跳的步骤可以构成为在所述分类对象心跳的波形满足下面的第三条件至第六条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳。
第三条件：R-peak的大小(m(R))大于Q-peak和S-peak的大小中更大的值(max(m(Q),m(S)))的情形(m(R)>max(m(Q),m(S)))；
第四条件：P-peak的大小(m(Ppeak))大于P-on和P-off的大小中更大的值(max(m(Pon),m(Poff)))的情形(m(Ppeak)>max(m(Pon),m(Poff)))；
第五条件：T-peak的大小(m(Tpeak))大于T-on和T-off的大小中更大的值(max(m(Ton),m(Toff)))的情形(m(Tpeak)>max(m(Ton),m(Toff)))；
第六条件：分析对象心跳的R-peak和前一个R-peak之间的间距(RR0)与前一个R-peak和其之前的R-peak之间的间距(RR-1)之比为0.9以上。
执行所述节律分析的步骤还可以包括如下步骤：从所述心电图提取包括多个心跳的第二部分信号；以及通过将被提取的所述第二部分信号中包含的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则进行比较，对包括于所述第二部分信号的节律进行分类。
根据公开的实施例，由于在本地设备中能够处理的作业(例如，判断从受试者测出的心电图的有效性以及检测典型的正常心跳等)也将在心电图分析装置优先执行，并向远程诊断服务器只请求此外的作业，从而可以节约远程诊断服务器的计算资源以及心电图分析装置和远程诊断服务器之间的数据收发容量。
并且，根据公开的实施例，通过将由心电图的心跳分析结果得出的各心跳的分类结果运用到节律分析，具有可以提高节律分析的准确度的效果。
附图说明
图1是用于说明根据一实施例的心电图分析系统100的框图。
图2是用于说明根据一实施例的心电图分析装置102的框图。
图3是示出对心电图中的某一个心跳以及对相应心跳进行小波变换的信号的示例图。
图4是示出从心电图提取第二部分信号的过程的示例图。
图5是用于说明根据一实施例的心电图分析方法500的流程图。
图6是为了示出包括适合用于示例性实施例的计算装置的计算环境10而进行说明的框图。
符号说明
100：心电图分析系统
102：心电图分析装置
104：远程诊断服务器
202：输入部
204：有效性判断部
206：预处理部
208：心跳分析部
210：节律分析部
具体实施方式
以下，参照附图对本发明的具体实施形态进行说明。以下的详细说明是为了有助于全面理解本说明书中记载的方法、装置和/或系统而提供的。然而这些仅为示例，本发明并不限于此。
在对本发明的实施例进行说明的过程中，如果判断为对有关本发明的公知技术的具体说明有可能对本发明的主旨造成不必要的混乱，则省略其详细说明。此外，后述的术语均为考虑到本发明中的功能而定义的术语，其可能根据使用者、运用者的意图或惯例等而不同。因此，需要以贯穿本说明书整体的内容为基础而对其下定义。在详细说明中使用的术语只用于记载本发明的实施例，而绝不用于限定本发明。除非明确不同地使用，否则单数形态的表述包括复数形态的含义。在本说明书中，如“包括”或“具有”等术语用于指代某种特性、数字、步骤、操作、要素及其一部分或组合，不可被解释为排除所记载项之外的一个或一个以上的其他特性、数字、步骤、操作、要素及其一部分或组合的存在或可存在性。
图1是用于说明根据一实施例的心电图分析系统100的框图。如图所示，根据一实施例的心电图分析系统100包括心电图分析装置102和远程诊断服务器104。
心电图分析装置102接收受试者的心电图(electrocardiogram)，并执行针对接收的心电图的心跳分析和节律分析。在公开的实施例中，心电图的心跳分析表示分析构成心电图的各心跳的特征而判断各心跳的种类的行为。并且，心电图的节律分析表示分析由多个心跳构成的心电图的特定区间的特征而判断相当于相应区间的节律的种类的行为。
在一实施例，心电图分析装置102优先检测并分类接收到的所述心电图所包含的多个心跳(beat)中的正常心跳，并且向远程诊断服务器104请求针对除了所述正常心跳以外的剩余心跳的心跳分类。心电图分析装置102构成为，此后在从远程诊断服务器104接收到关于所述剩余心跳的心跳分类结果的情形下，根据直接执行的正常心跳检测结果和从远程诊断服务器104接收到的心跳分类结果而对所述多个心跳分别进行标记(labeling)，并且基于所述标记结果而执行针对所述心电图的节律(rhythm)分析。
远程诊断服务器104从心电图分析装置102接收心跳分类请求，并判断请求的心跳种类而将其提供到心电图分析装置102。在一实施例，远程诊断服务器104可以利用基于规则或者基于机器学习的心跳分类算法判断所述心跳的种类。
在一实施例，可以通过通信网络连接心电图分析装置102和远程诊断服务器104。通信网络可以包括互联网、一个以上的局域网(localarea networks)、广域网(wireareanetworks)、蜂窝网络、移动网络，此外其他类型的网络或者这些网络的组合。
图2是用于说明根据一实施例的心电图分析装置102的框图。如图所示，根据一实施例的心电图分析装置102包括输入部202、有效性判断部204、预处理部206、心跳分析部208以及节律分析部210。
输入部202从作为测定对象的受试者接收心电图。在一实施例，输入部202可以自身配备有用于测定心电图的手段(例如，多通道心电图测定装置等)，或者通过有线和无线通信方式连接到单独的心电图测定手段而获取所述心电图。在另一实施例，输入部202还可以构成为通过受试者佩戴的可穿戴设备或者受试者携带的智能手机等智能设备测定心电图，从而获取所述心电图。
有效性判断部204判断从输入部202测定的心电图的有效性。在心电图测定装置设置错误(例如，心电图测定手段过松地贴附于受试者或者心电图测定装置贴附在错误的位置等)的情形下，可能测定不是心电图信号的无意义的信号。如果由于受试者或者测定负责人等没有认知到错误的部分而长时间输入无意义的信号，则可能引起不必要的时间和资源的浪费。因此，有效性判断部204判断测定的心电图的有效性，并且仅将判断为有效的心电图传递到预处理部206。如果所述判断结果为测定的信号不属于有效心电图，则有效性判断部204删除相应心电图。在此情形下，有效性判断部204可以输出单独的警告消息。
在一实施例，有效性判断部204可以在测定的心电图的周期性中感测到超过临界值的变化、在时域/频域中观测到具有特定范围以上的大小的信号或者在高频(例如，30Hz以上)段中感测到临界值以上的大功率的情形下判断为测定的心电图无效。在测定的心电图被判断为无效的情形下，有效性判断部204可以实时输出警告消息。此时，所述警告消息可以包括警告音、灯光或者警告弹窗等能够以听觉或者视觉方式向受试者或者测定负责人进行通知的所有种类的信息传递手段。
测定的心电图的有效性判断不需要相对复杂的计算。因此，心电图分析装置102充分可以自主地不通过远程诊断服务器104而实时地判断有效性。即，根据公开的实施例，可以在心电图分析装置102内初步执行心电图的有效性判断，从而在接收到无效的心电图的情形下对其快速警告而迅速改正测定装置的异常等。
预处理部206针对在有效性判断部204判断为有效的心电图执行预处理(Preprocessing)。在一实施例，预处理部206可以利用过滤(filtering)、平滑化(smoothing)等多种预处理算法去除测定出的心电图中的噪声。测定的心电图中不仅可能包括来自心脏的信号，还可以包括由于身体的运动、肌肉的使用、测定基线(baseline)的变化、AC干涉等的噪声。预处理部206从测定出的心电图去除诸如此类的噪声，并仅将纯心电图提供到心跳分析部208和节律分析部210。
心跳分析部208分析构成心电图的心跳(beat)而对各个心跳的种类进行分类。在一实施例，心跳在包括于接收到的所述心电图的多个心跳(beat)中，心跳分析部208优先检测并分类正常心跳，并向远程诊断服务器请求针对除了所述正常心跳以外的其他心跳的心跳分类，并根据所述正常心跳检测结果和从所述远程诊断服务器接收到的心跳分类结果而分别标记(Labeling)所述多个心跳中的每一个。
构成心电图的心跳可以包括正常心跳(normalbeat)并根据其形态而被区分为多个种类。下面的表1示出了心电图中可读取的心跳的种类。
Figure BDA0002426186000000081
为了进行心跳分析，心跳分析部208优先从测定的心电图提取特定长度的部分信号(第一部分信号)。所述第一部分信号可以以包括至少一个心跳的方式提取自所述心电图。在一实施例，心跳分析部208可以以包括多个心跳(例如，三个心跳)的方式提取第一部分信号。在另一实施例，心跳分析部208可以从心电图提取特定长度(例如，1秒至1.5秒分量的长度)作为第一部分信号。可以考虑心电图的特性等而适当地决定从心跳分析部208提取的第一部分信号的长度或者心跳数。如果提取的第一部分信号包括多个心跳，则心跳分析部208可以构成为执行针对其中一个心跳的分析。并且，从心跳分析部208提取的多个第一部分信号可以以一部分心跳重复的方式被提取。
如果提取了第一部分信号，则接下来心跳分析部208从提取的第一部分信号中检测波形(wave)。对从正常的心跳中测定的心电图而言，由于心脏的收缩和松弛，观测到具有P-波(P-wave)、QRS-复波(QRS-complex)以及T-波(T-wave)的特定波形的模式，心跳分析部208可以将这种波形信息运用为用于心跳分析的特征。
可以通过将第一部分信号小波变换(wavelet transformation)而变换的信号的过零点(zero-crossing)值、极值等而检测包括于一个心跳的波形的波峰(peak)、开启/关闭点。下面示出了可以从包括于第一部分信号的心跳检测出的值。
R波峰(R-peak)：周期性出现的心电图的最大值
Q波峰/S波峰(Q-/S-peak)：R-peak前/后0.1秒区间内的心电图的最小值
P-on/off：将Q-peak前小波变换信号(wavelet-transformed signal)的极值(一阶导数值为0的值)分别设为P-on、P-off，在没有极值时，将Q-peak前0.16秒的点设为P-on，将0.14秒的点设为P-peak，将0.12秒的点设为P-off；在极值为一个的情形下，将相应极值设为P-on，将P-on以后的0.1秒设为P-off，将两者的中间值设为P-peak；在极值为两个以上的情形下，将小波变换信号的值具有最大值的极值设为P-on，将下一个极值设为P-off
P波峰(P-peak)：P-on/off之间的小波变换信号的过零点(zero-crossing)，在没有Zero-crossing时将P-on、off的中间值设为P-peak
T-on/off，peak：将S-peak后小波变换信号的极值分别设为T-on、T-off，将之间的zero-crossing设为T-peak(例外处理：与P-wave相同)
T波峰(T-peak)：T-on/off之间小波信号的zero-crossing，在没有zero-crossing的情形下将T-on、off的中间值设为T-peak
如果如上所述地检测出波形，则接下来心跳分析部208优先判断包括于第一部分信号的心跳是否为正常心跳(normal beat)。大部分受试者测出的心电图中正常心跳占据最大比率。并且，相比其他种类的心跳，正常心跳具有其形态恒定并且变化少的特征。因此，在公开的实施例，心跳分析部208构成为自主地优先检测典型波形的正常心跳，然后仅将剩余心跳发送到远程诊断服务器104而执行心跳分析。由于通过简单的方法优先检测典型的正常心跳不需要大的计算资源，因此心电图分析装置102充分可以自主地进行处理。因此，根据这种构成，具有可以有效减少远程诊断服务器104的资源的使用的效果。
在一实施例，心跳分析部208可以利用将所述波形信息作为输入值的机器学习分类器、将所述分类对象心跳进行小波变换(wavelet transform)的信号以及所述波形信号的特性中的一个以上而判断所述分类对象心跳是否为正常心跳。具体地，可以利用下面的三个条件执行是否为正常心跳的判断。
[条件1]利用将包括于各心跳的波形的时刻以及大小信息作为输入的机器学习而进行的正常/不正常分类
在条件1中，心跳分析部208可以将包括于各心跳的波形的时刻和大小信息中的一个以上输入到机器学习分类器，并且根据该分类器的分类结果而判断相应心跳是否正常/不正常。此时，所述分类器可以是足够轻量以能够在可穿戴设备或者移动设备中操作的分类器。
例如，将利用包括于各心跳的波形的时刻的正常/不正常分类器称作g1，将相当于各心跳的P-on、P-peak、P-off、Q-peak、R-peak、S-peak、T-on、T-peak、T-off的时刻分别称作t(Pon)、t(Ppeak)、t(Poff)、t(Q)、t(R)、t(Sk)、t(Ton)、t(Tpeak)、t(Toff)。在此情形下，心电图分析装置102可以利用下面的数学式1判断相应心跳是否正常/不正常。
[数学式1]
Figure BDA0002426186000000101
具体地，心跳分析部208在分类器g1的输出值为临界值(thr)以上的情形下，可以将该心跳判断为正常心跳。此时，所述临界值可以设为非常高的值，例如，0.9以上，优选地，设为0.98以上。像这样，如果将临界值设为非常高的值，则只有具有典型的正常心跳的特征的心跳才会被分为正常心跳，稍微脱离正常范围的心跳则会被除外，因此，可以防止非正常心跳被分类成正常心跳的情形(false positive)。
接下来，将利用包括于各心跳的波形的大小(magnitude)的正常/不正常分类器称作g2，将相当于各心跳的P-on、P-peak、P-off、Q-peak、R-peak、S-peak、T-on、T-peak、T-off的大小分别称作m(Pon)、m(Ppeak)、m(Poff)、m(Q)、m(R)、m(Sk)、m(Ton)、m(Tpeak)、m(Toff)。在此情形下，心跳分析部208可以利用下面的数据式2判断所述心跳是否正常/不正常。
[数学式2]
Figure BDA0002426186000000111
与g1分类器相同地，心跳分析部208在分类器g2的输出值为临界值(thr)以上的情形下，可以将该心跳判断为正常心跳。此时，所述临界值可以设为非常高的值，例如，0.9以上，优选地，设为0.98以上。像这样，如果将临界值设为非常高的值，则只有具有典型的正常心跳的特征的心跳才会被分为正常心跳，稍微脱离正常范围的心跳则会被除外，因此，可以防止非正常心跳被分类成正常心跳的情形(false positive)。并且，g1分类器的临界值和g2分类器的临界值可以设为相同值，也可以设为彼此不同的值。
心跳分析部208仅在g1和g2分类器的分类结果全部正常的情形下判断为满足条件1。
[条件2]利用在P/T-Wave检测过程中被小波变换的信号的满足特定条件与否而进行的正常/非正常分类
在条件2中，心跳分析部208在分析对象心跳的被小波变换的信号满足下面的条件2-1以及条件2-2中的至少一个时可以判断为满足条件2。
条件2-1：在S-peak后，可以读取为T-on/off的极值有两个以上，并且在T-on与T-off之间存在zero-crossing
条件2-2：在Q-peak前，可以读取为P-on/off的极值有两个以上，并且在P-on与P-off之间存在zero-crossing
图3是示出对心电图中的某一个心跳以及对相应心跳进行小波变换的信号的示例图。在示出的曲线图中，实线表示心电图中的某一心跳，虚线表示将相应心跳进行小波变换的信号。并且，曲线图的横轴表示时间，竖轴表示心电图的大小。在示出的曲线图，由于在S-peak后，可以读取为T-on/off的极值有两个以上，并且在T-on、T-off之间存在zero-crossing(B)，因此可知满足条件2-1。并且，由于在Q-peak前，可以读取为P-on/off的极值有两个以上，并且在P-on、P-off之间存在zero-crossing(A)，因此可知也足条件2-2。
[条件3]根据心跳的波形是否满足正常心跳的波形条件的正常/不正常分类
在条件3中，心跳分析部208在分析对象的心跳的波形满足下面的条件3-1至304中的至少一个的情形下，可以将相应心跳分类为满足条件3。
条件3-1：R-peak的大小(m(R))大于Q-peak和S-peak的大小中更大的值(max(m(Q),m(S)))的情形(m(R)>max(m(Q),m(S)))
条件3-2：P-peak的大小(m(Ppeak))大于P-on和P-off的大小中更大的值(max(m(Pon),m(Poff)))的情形(m(Ppeak)>max(m(Pon),m(Poff)))
条件3-3：T-peak的大小(m(Tpeak))大于T-on和T-off的大小中更大的值max(m(Ton),m(Toff)))的情形(m(Tpeak)>max(m(Ton),m(Toff)))
条件3-4：分析对象心跳的R-peak和前一个R-peak之间的间距(RR0)与前一个R-peak和其之前的R-peak之间的间距(RR-1)之比为0.9以上
在公开的实施例中，心跳分析部208优先检测正常心跳的理由不是为了在整个心电图中完全分类正常心跳，其主要目的为优先从心电图分析装置102过滤“典型”的一部分正常心跳，从而减少为了分析心跳而传送到远程诊断服务器104的数据。这是由于即使仅预先过滤整体正常心跳中的50％左右，也可以将分析整个心跳所需的时间缩短大约30％以上，从而能够节约相应的远程诊断服务器104的资源。由于诸如此类的理由，公开的实施例中构成为非常严格地应用用于分类正常心跳的条件，尤其通过将临界值设定为与1非常接近的值，能够阻断不是正常心跳的心跳被错误地分了离为正常心跳的情形。
接下来，心跳分析部208将经过如上所述的过程后没有被分类为正常心跳的心跳发送到远程诊断服务器104而请求针对相应心跳的分类。即，在本实施例，心跳分析部208仅负责针对典型的正常心跳的分类，通过实际心跳分析的分类则在远程诊断服务器104执行。
在一实施例，远程诊断服务器104可以利用深度神经网络(deep neuralnetwork)分类各心跳。此时，远程诊断服务器104可以从心跳中提取附加的特征而将其用作分类器的输入，或者可以直接使用已提取的特征。除了深度神经网络以外，远程诊断服务器104还可以利用用于心跳的分类的多种方法而对心跳的种类进行分类。此时，关于可以分类的心跳的种类则如表1所述。
重新回到图2，节律分析部210利用针对心跳分析部208的各心跳的分析结果而执行针对心电图的节律分析。节律的分类也可以大体地分为正常(normal)和不正常，不正常的节律的种类有房扑(AFL：atrial flutter)、房颤(Afib：atrial fibrillation)、室上性心律失常(SVT：supraventricular tachyarrhythmia)和室性心动过速(VT：Ventriculartachycardia)等。具体的节律的种类如下面的表2。
【表2】
Figure BDA0002426186000000131
在一实施例，节律分析部210可以从所述心电图提取包括多个心跳的第二部分信号，并且可以通过将提取的包括于所述第二部分信号的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则比较而对包括于所述第二部分信号的节律进行分类。对此进行更加详细的说明则如下。
节律分析部210优先从心电图提取特定长度的部分信号(第二部分信号)。所述第二部分信号可以提取为包括多个心跳。例如，节律分析部可以构成为从心电图提取包括特定数量的心跳(例如，21个心跳)或者提取特定长度(例如，10秒)的信号。此时，包括于从节律分析部210提取的第二部分信号的各心跳为根据心跳分析部208的分析结果而被标记的状态。并且，第一部分信号用于分类各心跳的种类，与此相反，第二部分信号用于掌握连续的心跳的特性，因此，第二部分信号构成为相比第一部分信号具有更长的长度。可以考虑心电图的特性等而恰当地决定从节律分析部210提取的第二部分信号的长度或者心跳数。并且，从节律分析部210提取的多个部分信号可以以一部分心跳重复的方式被提取。
图4是示出从心电图提取第二部分信号的过程的示例图。如图所示，作为节律分析部210的分析对象的心电图402，包括针对各心跳的标记(label)。示出的实施例中示出了将包括21个心跳的窗口每次移动一个心跳而提取第二部分信号404、406的示例。
接下来，节律分析部210对包括于提取的第二部分信号的节律进行分类。在一实施例，节律读取部210可以通过将包括于提取的第二部分信号的各心跳的种类和从相应第二部分信号提取的一个以上的特征与已设定的规则比较，从而对包括于提取的第二部分信号的节律进行分类。
通常，对正常节律而言，构成节律的大部分心跳构成为正常心跳。然而，在心律不齐节律，不正常的心跳的比重增加，并且会显示特征性的模式。并且，构成节律的心跳的种类及其顺序也可以是读取其节律的重要要素。据此，节律分析部210可以利用构成节律的各心跳的分类结果而提取用于读取节律的特征，从而利用其进行节律分类。在一实施例，节律分析部210可以使用读取的节律所包括的心跳整体而提取特征，或者在读取节律中去除特定种类的心跳(V、S、...)的状态下提取特征后对其进行分类。在其他实施例中，节律分析部210可以在读取节律中仅利用正常心跳而提取特征并获取分类结果，或者利用包括于一个节律的多个心跳种类和心跳数、心跳间距等信息和从这些可以得到的特征而分类节律。像这样，当根据本发明的实施例时，将针对心电图信号的心跳读取结果一起利用于节律分析中，从而可以提高节律分析结果的准确性。
可以将包括于一个节律的心跳的种类、心跳数、心跳间距等的信息和从这些得出的附加特征作为用于读取节律的特征而使用。列举可以为了读取节律而使用的特征则如下。
心跳间距变化：表示节律读取范围内的心跳中的第i个心跳和其前一个心跳之间的R-peak间距(即RRi与RRi-1)之间的差。由于心跳自身的速度根据人和情况不同，因此在需要时可以将RRi和RRi-1归一化(normalize)为平均心跳间距而使用。
香农熵(Shannon Entropy)：可以利用构成节律的各心跳的R-peak值的熵。在必要的情形下还可以利用R-peak和S-peak之间的差或者RR间距等的熵。
基尼分数(Gini Score)：表示观测对象节律的各心跳的R-peak、RS-peak、心跳种类等的差异。
频率分量：可以将测定的信号变换为频域而利用关心频率范围(0.5～30Hz)的信号功率或者相位信息。
下面示出了可以使用于节律读取的规则的示例。
SVT：读取为心跳间距(RR interval)(120ms<RR int.<600ms)
-SVT开始：前一个RR int相比当前的RR int长1.2～1.35倍的点
-SVT结束：前一个RR int相比当前的RR int长1.3～1.35倍的点
VT：读取为V心跳连续出现3次以上时的心跳数(160以上)
IVR：读取为V或者F心跳连续出现3次以上时的心跳数(40～70)，在连续出现三次以上的V或者F心跳后忽略出现一次的其他心跳
VFL：读取为！心跳出现3次以上时的心跳数(160以上)
VB：在V心跳后出现N心跳的现象连续出现三次以上(V-N-V-N-V-N-V-N)，在连续出现三次以上的V-N后忽略最多出现2次的N心跳
VTr：在两次N心跳后出现V心跳的现象连续出现三次以上(V-N-N-V-N-N-V-N-N)在连续出现三次以上的V-N-N后忽略出现1次的其他心跳
Afib、AFL：表示心跳间距不规则的情形，由于无法通过简单的条件进行分类，因此将各个特征的组合输入到被机器学习的分类器而进行分类
图5是用于说明根据一实施例的心电图分析方法500的流程图。示出的流程图可以通过具备一个以上的处理器以及储存通过所述一个以上的处理器运行的一个以上的程序的存储器的计算装置(例如，前述的心电图分析装置102以及远程服务器104)而执行。虽然示出的流程图中将所述方法或者过程分为多个步骤而叙述，但是至少一部分步骤可以被改变顺序而执行，或与其他步骤结合而一起执行，或省略，或分为详细步骤而执行或者可以附加未示出的一个以上的步骤而执行。
在步骤502中，心电图分析装置102的输入部202接收受试者的心电图。
在步骤504中，心电图分析装置102的有效性判断部204判断接收的心电图的有效性。如前所述，有效性判断部204可以在测定的心电图的周期性中感测到超过临界值的变化，或在时域/频域中观测到具有特定范围以上的大小的信号或者在高频(例如，30Hz以上)段中感测到临界值以上的大功率的情形下判断为测定的心电图无效。
在所述504步骤的判断结果为接收到的心电图无效的情形下，有效性判断部204可以在步骤506中删除接收到的心电图并且输出警告消息。
与此不同地，如果在所述504步骤的判断结果为接收到的心电图有效的情形下，预处理部206在步骤508中执行针对接收到的心电图的预处理(preprocessing)。在一实施例，预处理部206可以利用过滤(filtering)、平滑化(smoothing)等多种预处理算法去除测定的心电图的噪声。
此后，心电图分析装置102的心跳分析部208分析构成心电图的心跳(beat)而对各个心跳的种类进行分类。
首先，在步骤510中，心跳分析部208从心电图提取多个第一部分信号。此时，所述第一部分信号可以以包括至少一个心跳的方式从所述心电图中被提取。
在步骤512中，心跳分析部208从被提取的第一部分信号中包含的分类对象心跳检测波形(wave)。关于可以从心跳检测出的波形的事项与前述内容相同。
在步骤514中，心跳分析部208基于所述波形信息而优先判断所述分类对象心跳是否为正常心跳。在一实施例，心跳分析部208可以利用将所述波形信息作为输入值的及其学习分类器、将所述分类对象心跳进行小波变换(wavelet transform)的信号和所述波形信号的特性中的一个以上的信息而判断所述分类对象心跳是否为正常心跳。由于在上文中已详细叙述了用于在心跳分析部208判断是否为正常心跳的具体事项，因此此处省略反复记载。
在所述514步骤的判断结果为不属于正常心跳的情形下，心跳分析部208在步骤516中向远程诊断服务器104请求针对除了正常心跳以外的其他心跳的心跳分类，并从远程诊断服务器104接收心跳分类结果。
在步骤518中，心跳分析部208根据514步骤中的正常心跳检测结果和在516步骤中从远程诊断服务器104接收到的心跳分类结果而对心电图所包括的多个心跳中的每一个进行标记(beat labeling)。
在完成针对各心跳的标记之后，心电图分析装置102的节律分析部210利用心跳分析部208的针对各心跳的标记结果而执行针对心电图的节律分析。
具体地，在步骤520中，节律分析部210从包括各心跳的标记结果的心电图提取第二部分信号。此时，可以以包括多个心跳的方式提取所述第二部分信号。
在步骤522中，节律分析部210可以通过将提取的所述第二部分信号中包含的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则进行比较，从而对包括于所述第二部分信号的节律进行分类，并将节律分类结果标记到心电图(rhythm labeling)。
图6是为了示出包括适合用于示例性实施例的计算装置的计算环境10而进行说明的框图。在示出的实施例，各元件可以具有除了以下记载的作用以外的不同功能和能力，还可以包括以下未记载的附加元件。
示出的计算环境10包括计算装置12。在一实施例，计算装置12可以是根据本发明的实施例的图像分类装置100。计算装置包括至少一个处理器14、计算机可读存储介质16和通信总线18。处理器14可以使计算装置12根据在先提及的示例性实施例工作。例如，处理器14可以运行储存在计算机可读存储介质16中的一个以上的程序。所述一个以上的程序可以包括一个以上的计算机可运行指令，所述计算机可运行指令可以构成为，在通过处理器14被运行的情形下使计算装置12执行根据示例性实施例的工作。
计算机可读存储介质16构成为储存从计算机可运行指令乃至程序代码、程序数据和/或其他恰当的形态的信息。储存于计算机可读存储介质16的程序20包括可通过处理器14运行的指令的集合。在一实施例，计算机可读存储介质16可以是存储器(诸如随机存取存储器等易失性存储器、非易失性存储器或者它们的适当结合)、一个以上的磁盘存储设备、光盘存储设备、闪存设备、除此外的可通过计算设备12访问且存储想要的信息的其他形态的存储介质或者它们的适当组合。
通信总线18包括处理器14、计算机可读存储介质16而将计算设备12的其他多种元件相互连接。
计算设备12还可以包括提供用于一个以上的输入输出装置24的一个以上的输入输出接口22以及一个以上的网络通信接口26。输入输出接口22和网络通信接口26被连接到通信总线18。输入输出设备24可以通过输入输出接口22连接到计算设备12的其他元件。示例性的输入输出设备24可以包括诸如指点设备(鼠标或者触控板等)、键盘、触摸输入设备(触摸板或者触摸屏等)、语音或者声音输入设备、多种诸如传感器设备和/或摄影设备等输入设备和/或显示设备、打印机、扬声器和/或网卡等输出设备。示例性的输入输出设备24可以作为构成计算设备12的一元件而包括于计算设备12的内部，也可以作为与计算设备12区分开的独立的设备而被连接到计算设备102。
此外，本发明的实施例可以包括用于在计算机上执行本说明书中叙述的方法的程序，以及包括所有程序的计算机可读记录介质。所述计算机可读记录介质可以以单独或者组合的形式包括程序指令、本地数据文件、本地数据结构等。所述介质可以是为了本发明而特别设置并构成的介质，或者也可以是能够在计算机软件领域通常使用的介质。计算机可读记录介质的示例包括：磁性介质(诸如硬盘、软盘以及磁带)、光记录介质(诸如CD-ROM、DVD等)以及构成为储存程序指令并执行的硬件装置(只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。所述程序的示例不仅可以包括通过编译器(compiler)创建的机器代码，还可以包括使用解释器(interpreter)等而可以通过计算机运行的高级语言代码。
以上，通过具有代表性的实施例对本发明进行了详细的说明，然而在本发明所属的技术领域中具有基本知识的人员可以理解上述的实施例可在不脱离本发明的范围的限度内实现多种变形。因此，本发明的权利范围不应局限于所说明的实施例，本发明的权利范围需要根据权利要求书记载的范围以及与该权利要求书的记载等同的范围来确定。

Claims (18)

1.一种心电图分析装置，包括：
输入部，接收受试者的心电图；
心跳分析部，优先检测并分类接收到的所述心电图所包括的多个心跳中的正常心跳，向远程诊断服务器请求针对除了所述正常心跳以外的剩余心跳的心跳分类，并根据所述正常心跳的检测结果和从所述远程诊断服务器接收到的心跳分类结果而对所述多个心跳中的每一个进行标记；以及
节律分析部，基于所述标记结果执行针对所述心电图的节律分析。
2.如权利要求1所述的心电图分析装置，其中，还包括：
有效性判断部，判断接收到的所述心电图的有效性，在所述判断结果为不属于有效的心电图的情形下输出警告消息。
3.如权利要求1所述的心电图分析装置，其中，
所述心跳分析部从所述心电图提取多个第一部分信号，并检测提取出的所述第一部分信号中包含的分类对象心跳的波形信息，并且基于所述波形信息而判断所述分类对象心跳是否为正常心跳。
4.如权利要求3所述的心电图分析装置，其中，
所述心跳分析部利用将所述波形信息作为输入值的机器学习分类器、将所述分类对象心跳进行小波变换的信号以及所述波形信息的特性中的一个以上而判断所述分类对象心跳是否为正常心跳。
5.如权利要求4所述的心电图分析装置，其中，
所述机器学习分类器将从所述分类对象心跳检测出的波形的时刻和大小信息中的一个以上作为输入而接收，并判定所述分类对象心跳是否为正常心跳。
6.如权利要求5所述的心电图分析装置，其中，
用于使所述机器学习分类器进行正常心跳分类的临界值被设为0.9以上。
7.如权利要求4所述的心电图分析装置，其中，
所述心跳分析部在所述分类对象心跳被小波变换的信号满足下面的第一条件和第二条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳，所述第一条件和所述第二条件如下：
第一条件：在S-波峰后有两个以上能够读取为T-on/off的极值，在T-on与T-off之间存在过零值；
第二条件：在Q-波峰前有两个以上能够读取为P-on/off的极值，在P-on与P-off之间存在过零值。
8.如权利要求4所述的心电图分析装置，其中，
所述心跳分析部在所述分类对象心跳的波形满足下面的第三条件至第六条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳，所述第三条件至所述第六条件如下：
第三条件：R波峰的大小m(R)大于Q波峰和S波峰的大小中更大的值max(m(Q),m(S))的情形，即m(R)>max(m(Q),m(S))；
第四条件：P波峰的大小m(Ppeak)大于P-on和P-off的大小中更大的值max(m(Pon),m(Poff))的情形，即m(Ppeak)>max(m(Pon),m(Poff))；
第五条件：T波峰的大小m(Tpeak)大于T-on和T-off的大小中更大的值max(m(Ton),m(Toff))的情形，即m(Tpeak)>max(m(Ton),m(Toff))；
第六条件：分析对象心跳的R波峰和前一个R波峰之间的间距RR0与前一个R波峰和其之前的R波峰之间的间距RR-1之比为0.9以上。
9.如权利要求1所述的心电图分析装置，其中，
所述节律分析部从所述心电图提取包括多个心跳的第二部分信号，并且通过将提取的所述第二部分信号中包含的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则进行比较，对包括于所述第二部分信号的节律进行分类。
10.一种心电图分析方法，所述方法在计算装置执行，所述计算装置具备一个以上的处理器以及存储作为在通过所述一个以上的处理器运行的一个以上的程序的存储器，所述方法包括如下步骤：
接收受试者的心电图；
优先检测出接收到的所述心电图所包括的多个心跳中的正常心跳；
向远程诊断服务器请求针对所述多个心跳中的除了所述正常心跳以外的剩余心跳的心跳分类，并且从所述远程诊断服务器接收心跳分类结果；
根据所述正常心跳的检测结果和所述心跳分类结果而对所述多个心跳中的每一个进行标记；以及
基于所述标记结果执行针对所述心电图的节律分析。
11.如权利要求10所述的心电图分析方法，其中，
接收所述心电图的步骤还包括如下步骤：
判断接收到的所述心电图的有效性；以及
在所述判断结果为不属于有效心电图的情形下输出警告消息。
12.如权利要求10所述的心电图分析方法，其中，
优先检测出所述正常心跳的步骤还包括如下步骤：
从所述心电图提取多个第一部分信号；
检测出提取出的所述第一部分信号中包含的分类对象心跳的波形信息；以及
基于所述波形信息而判断所述分类对象心跳是否为正常心跳。
13.如权利要求12所述的心电图分析方法，其中，
在判断是否为所述正常心跳的步骤中，利用将所述波形信息作为输入值的机器学习分类器、将所述分类对象心跳小波变换的信号以及所述波形信息的特性中的一个以上而判断所述分类对象是否为正常心跳。
14.如权利要求13所述的心电图分析方法，其中，
所述机器学习分类器构成为，将从所述分类对象检测出的波形的时刻和大小信息中的一个以上作为输入而接收，并判定所述分类对象心跳是否为正常心跳。
15.如权利要求14所述的心电图分析方法，其中，
用于使所述机器学习分类器进行正常心跳分类的临界值被设为0.9以上。
16.如权利要求13所述的心电图分析方法，其中，
判断是否为所述正常心跳的步骤构成为，在所述分类对象心跳被小波变换的信号满足下面的第一条件和第二条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳，所述第一条件和所述第二条件如下：
第一条件：在S-波峰后有两个以上能够读取为T-on/off的极值，在T-on与T-off之间存在过零值；
第二条件：在Q-波峰前有两个以上能够读取为P-on/off的极值，在P-on与P-off之间存在过零值。
17.如权利要求13所述的心电图分析方法，其中，
判断是否为所述正常心跳的步骤构成为，在所述分类对象心跳的波形满足下面的第三条件至第六条件中的至少一个的情形下，将所述分类对象心跳判断为正常心跳，所述第三条件至所述第六条件如下：
第三条件：R波峰的大小m(R)大于Q波峰和S波峰的大小中更大的值max(m(Q),m(S))的情形，即m(R)>max(m(Q),m(S))；
第四条件：P波峰的大小m(Ppeak)大于P-on和P-off的大小中更大的值max(m(Pon),m(Poff))的情形，即m(Ppeak)>max(m(Pon),m(Poff))；
第五条件：T波峰的大小m(Tpeak)大于T-on和T-off的大小中更大的值max(m(Ton),m(Toff))的情形，即m(Tpeak)>max(m(Ton),m(Toff))；
第六条件：分析对象心跳的R波峰和前一个R波峰之间的间距RR0与前一个R波峰和其之前的R波峰之间的间距RR-1之比为0.9以上。
18.如权利要求10所述的心电图分析方法，其中，
执行所述节律分析的步骤还包括如下步骤：
从所述心电图提取包括多个心跳的第二部分信号；以及
通过将被提取的所述第二部分信号中包含的各心跳的分类结果和从所述第二部分信号提取的一个以上的特征与已设定的节律分类规则进行比较，对包括于所述第二部分信号的节律进行分类。
CN202010221375.6A 2019-04-26 2020-03-26 心电图分析装置及其心电图分析方法 Pending CN111839498A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190049278A KR20200125256A (ko) 2019-04-26 2019-04-26 심전도 분석 장치 및 방법
KR10-2019-0049278 2019-04-26

Publications (1)

Publication Number Publication Date
CN111839498A true CN111839498A (zh) 2020-10-30

Family

ID=70049860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010221375.6A Pending CN111839498A (zh) 2019-04-26 2020-03-26 心电图分析装置及其心电图分析方法

Country Status (3)

Country Link
EP (1) EP3730049A1 (zh)
KR (1) KR20200125256A (zh)
CN (1) CN111839498A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115137300A (zh) * 2021-03-31 2022-10-04 京东方科技集团股份有限公司 信号检测方法、信号检测装置、电子设备和存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102271792B1 (ko) 2020-12-11 2021-07-01 (주)씨어스테크놀로지 웨어러블 심전도 패치를 통한 심박변이도 측정 시스템 및 이를 이용한 심박변이도 측정 방법
KR102342775B1 (ko) * 2021-05-04 2021-12-24 주식회사 에이티센스 심전도 신호 처리 방법 및 장치
CN114652324B (zh) * 2022-02-25 2023-04-07 苏州大学 一种单心拍分类方法、装置、设备及计算机可读存储介质
WO2024019575A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
CN118236072B (zh) * 2024-05-29 2024-08-06 大连智驱科技有限公司 一种用于麻醉过程的患者体征状态监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5819007A (en) * 1996-03-15 1998-10-06 Siemens Medical Systems, Inc. Feature-based expert system classifier
US8204580B2 (en) * 2004-05-25 2012-06-19 Kurzweil Technologies, Inc. Use of patterns in processing on mobile monitoring device and computer system
US7496409B2 (en) * 2006-03-29 2009-02-24 Medtronic, Inc. Implantable medical device system and method with signal quality monitoring and response
EP2589333A1 (en) * 2011-11-04 2013-05-08 BIOTRONIK SE & Co. KG Apparatus and system for long-term cutaneous cardiac monitoring
US10210721B2 (en) * 2016-12-09 2019-02-19 General Electric Company Active ECG lead quality indication at the point of care
KR101966758B1 (ko) 2017-03-13 2019-04-08 아주대학교산학협력단 정규화된 심전도 측정 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115137300A (zh) * 2021-03-31 2022-10-04 京东方科技集团股份有限公司 信号检测方法、信号检测装置、电子设备和存储介质

Also Published As

Publication number Publication date
KR20200125256A (ko) 2020-11-04
EP3730049A1 (en) 2020-10-28

Similar Documents

Publication Publication Date Title
US11147500B2 (en) Electrocardiogram processing system for delineation and classification
Jha et al. Cardiac arrhythmia classification using tunable Q-wavelet transform based features and support vector machine classifier
CN111839498A (zh) 心电图分析装置及其心电图分析方法
Asgari et al. Automatic detection of atrial fibrillation using stationary wavelet transform and support vector machine
US11723576B2 (en) Detecting atrial fibrillation using short single-lead ECG recordings
Tsipouras et al. An arrhythmia classification system based on the RR-interval signal
Mohebbi et al. Prediction of paroxysmal atrial fibrillation based on non-linear analysis and spectrum and bispectrum features of the heart rate variability signal
Saini et al. QRS detection using K-Nearest Neighbor algorithm (KNN) and evaluation on standard ECG databases
WO2019038109A1 (en) METHOD FOR DETECTING ANOMALIES IN ECG SIGNALS
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
US20200337581A1 (en) Apparatus and method for analyzing electrocardiogram
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
Islam et al. Rhythm-based heartbeat duration normalization for atrial fibrillation detection
Daqrouq et al. Neural network and wavelet average framing percentage energy for atrial fibrillation classification
Sridhar et al. Automated diagnosis of Coronary Artery Disease using nonlinear features extracted from ECG signals
Karri et al. A real-time embedded system to detect QRS-complex and arrhythmia classification using LSTM through hybridized features
Mohebbi et al. Detection of atrial fibrillation episodes using SVM
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
Zhu et al. Feature extraction from a novel ECG model for arrhythmia diagnosis
Mehta et al. Comparative study of QRS detection in single lead and 12-lead ECG based on entropy and combined entropy criteria using support vector machine.
US11672464B2 (en) Electrocardiogram processing system for delineation and classification
Mohamad et al. Principal component analysis and arrhythmia recognition using elman neural network
Giraldo-Guzmán et al. Estimation of PQ distance dispersion for atrial fibrillation detection
CN107909048A (zh) 一种基于s变换的心律失常多分类方法
Wannawijit et al. ECG classification with modification of higher-order Hjorth descriptors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030