CN112200232A

CN112200232A - Qrs识别方法及电子设备

Info

Publication number: CN112200232A
Application number: CN202011050493.1A
Authority: CN
Inventors: 侯杨; 徐潇; 高梓桓; 孙庆文
Original assignee: Shanghai Yishi Network Technology Co ltd
Current assignee: Shanghai Yishi Network Technology Co ltd
Priority date: 2020-09-29
Filing date: 2020-09-29
Publication date: 2021-01-08
Anticipated expiration: 2040-09-29
Also published as: CN112200232B

Abstract

本发明涉及人体检测技术领域，具体涉及一种QRS识别方法及电子设备，本发明包括以下步骤：S1输入心电图，并进行差分处理，得到DECG；S2对DECG的每个数值取绝对值得到ADECG序列；S3对ADECG的数据集合建立混合模型，得到ADECG的每个时刻数值对应的分类序列CECG；S4根据DECG对应时刻的符号，得到带符号的SCECG；S5对SCECG进行分组，并计算最邻近的分组进行联合；S6通过线性拟合函数对分组数据进行拟合，并确认R点位置，进而得到有效的HRV分析结果。本发明致力于使得R点识别又快又准，从而得到有效的HRV分析结果。

Description

QRS识别方法及电子设备

技术领域

本发明涉及人体检测技术领域，具体涉及一种QRS识别方法及电子设备。

背景技术

人体的交感神经和迷走神经综合影响人们的神经兴奋状态，如果人体长期处于单一神经的兴奋状态，如长期处于交感神经的兴奋状态，则非常容易引起各种不适，如：心梗、脑梗、猝死、疲劳、晕厥等。

心率变异性(Heart Rate Variability)分析是反应交感神经和迷走神经的兴奋程度的分析工具，利用心率变异性分析，能够有效的反映人体的神经兴奋状态。

然而心率变异性分析中，最关键的是准确而快速的识别R波的位置。

由于分析中用的是ms为单位，目前识别R波的位置偏差容易造成HRV分析的结果不准确，从而导致没有参考意义和利用价值；所以需要一种算法，能够考虑到心电图可能出现的各种情况(各种噪音，基线漂移，肌电干扰等)，准确的识别出R点的位置。

由于目前的应用多采用云计算的方式，数据量太大容易造成数据拥塞，从而导致云计算的平台坍塌；所以需要一种算法，能够快速的识别R点位置。

目前的算法的框架大致为：

1.预处理(滤波降噪等)

2.识别算法：频域方法、差分方法、神经网络方法等获取重要值并选择阈值截断、前向搜索去冗余、后向搜索拾遗

主要存在以下问题：

1.预处理：识别R点的效果直接受到预处理的影响，为了降噪后得到较为干净的心电图，预处理算法越用越复杂，例如有的算法可能选择小波重组，然后重组的方式，造成了时间的消耗；

2.识别算法：

a)获取重要值：采用了频域(小波变换，Hilbert变换或者其它方法)或者其它方法得到重要值，然后再训练得到阈值用于截断，得到待选R点

b)前向去冗余：在200ms内，重复出现的待选R点，则根据复杂的去除规则去除多余的，留下其中一个作为R点

c)后向拾遗：超过1.5RR长度没有出现R点，则降低阈值(如降低为原来的0.5倍)，再确定R点

d)校正：预处理，或者差分等方法造成了时间的偏移，根据运用的方法的特点进行相应的校正

因此，识别算法在阈值的获取上需要多次改变，需要去校正等步骤，也将造成大量的时间消耗，并且校正也将产生一些较大的误差。

当数据非常庞大之后可能会显现出来，数据量小体现不出来

在获取重要值时，如果心电图噪音比较大，非常容易把不是R点划分为R点。

发明内容

针对现有技术的不足，本发明公开了一种QRS识别方法及电子设备，用于解决识别算法在阈值的获取上需要多次改变，需要去校正等步骤，也将造成大量的时间消耗，并且校正也将产生一些较大的误差。当数据非常庞大之后可能会显现出来，数据量小体现不出来在获取重要值时，如果心电图噪音比较大，非常容易把不是R点划分为R点的问题。

本发明通过以下技术方案予以实现：

第一方面，本发明公开了一种QRS识别方法，所述方法包括以下步骤：

S1输入心电图，并进行差分处理，得到DECG；

S2对DECG的每个数值取绝对值得到ADECG序列；

S3对ADECG的数据集合建立混合模型，得到ADECG的每个时刻数值对应的分类序列CECG；

S4根据DECG对应时刻的符号，得到带符号的SCECG；

S5对SCECG进行分组，并计算最邻近的分组进行联合；

S6通过线性拟合函数对分组数据进行拟合，并确认R点位置，进而得到有效的HRV分析结果。

进一步的，所述差分处理不限于一阶差分或者二阶差分，还可以是其他阶的差分。

进一步的，混合模型可以是高斯模型，也可以是kmeans等聚类方法等。

更进一步的，所述S3中，对ADECG的所有数值组成的数据集合建立分类的混合模型，得到ADECG的每个时刻数值对应的分类序列CECG。

更进一步的，所述S5中，分组时，设最高分类为C，则最低分类为-C；

若SCECG序列中，对时刻t进行循环，若连续N个点对应的分类都是最高分类C或最低分类-C，则把此N个时刻归为A组或B组，然后对找到分组A或-A后的时刻，其中N为自然数；

若间隔不超过2个点，出现最高分类C或最低分类-C，把该时刻及中间不是最高分类但与最高时刻同符号的时刻都归为A组或B组。

更进一步的，所述S5中，联合时，计算最邻近的A组与B组之间的距离d(A,B)为两组之间时间最近的点的间隔，设为N个间隔点，时间间隔则为d(A,B)＝sampling_rate*N，单位为s，若d<0.05s，则把此临近的A组与-A组归为U。

更进一步的，对每个U中，A组的点和-A组的点分别建立线性回归拟合函数，得到拟合函数f(A)、f(-A)，斜率k(A)、k(-A)。

更进一步的，所述方法中，确认R点位置具体为，若k(A)+k(-A)<threshold，threshold为设定阈值，则联合U有效，则R点为f(A)与f(-A)的交点。

更进一步的，所述方法中，输入的心电图为不定长的单导联心电数据和采样率。

第二方面，本发明公开一种电子设备，包括至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的QRS识别方法。

本发明的有益效果为：

本发明输入单导联的心电图数据和采样率，经过差分、分类、分组、联合、拟合最终得到R点的位置，使得R点识别又快又准，从而得到有效的HRV分析结果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例QRS识别方法原理流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

实施例1

本实施例公开如图1所示的一种综合利用一阶差分法、混合高斯模型、一元线性拟合的QRS识别方法，其算法模型的基本结构：分为6个处理部分(图1):设原始心电图为ECG,采样率为sampling_rate，

1)差分：对输入心电图进行一阶差分处理，得到DECG，并可以同时对DECG的每个数值取绝对值得到ADECG序列

2)分类：对ADECG的所有数值组成的数据集合建立3分类的混合高斯模型，并得到ADECG的每个时刻数值对应的分类序列CECG(例如从均值由小到大分类为0,1,2；[0,0,0,1,1,1,2,2,2,1,2,2,2,2,2,1,1,1,1,0,0,0])——由于心电图不同，有些心电图分类结果只有两个类别，最高类别就是1；若有三个类别，则最高分类就是2。

并根据DECG对应时刻的符号，得到带符号的SCECG例如从均值由小到大分类为0,1,2；[0,0,0,1,1,1,2,2,2,1,-1,-2,-2,-2,-2,-2,-1,-1,-1,-1,0,0,0])

3)分组：设最高分类为C，则最低分类为-C；若SCECG序列中，对时刻t进行循环，若连续3个点对应的分类都是最高分类C(或最低分类-C)，则把此3个时刻归为A组(或B组)，然后对找到分组A(或-A)后的时刻，若间隔不超过2个点，出现最高分类C(或最低分类-C)，仍然把该时刻及中间不是最高分类但与最高时刻同符号的时刻都归为A组(或B组)；

4)联合：计算最邻近的A组与B组之间的距离d(A,B)为两组之间时间最近的点的间隔(设为N个间隔点)，时间间隔则为d(A,B)＝sampling_rate*N(单位为s)，若d<0.05s，则把此临近的A组与-A组归为U

5)拟合：对每个U中，A组的点和-A组的点分别建立1次线性回归拟合函数，得到拟合函数f(A)、f(-A)，斜率k(A)、k(-A)；

6)确认：若k(A)+k(-A)<threshold，则联合U有效，则R点为f(A)与f(-A)的交点。

本实施例主要功能是对单导联心电图进行一阶差分处理，并建立混合高斯模型，利用线性拟合的方法，最终找到R点的位置。

实施例2

本实施例公开算法模块输入输出具体方法：

1)差分：

i.输入为单导联的心电图数据(ECG)

ii.输出为绝对差分序列ADECG

iii.具体的处理方法为：ECG的后一个值减去前一个值并取绝对值即可。

iv.公式：DECG(i)＝|ECG(i+1)–ECG(i)|；ADECG(i)＝|DECG(i)|

2)分类：

i.输入为绝对差分序列ADECG

ii.输出为带符号的分类序列SCECG

iii.具体方法为：利用输入建立一元的高斯混合3分类模型，然后用高斯混合模型对ADECG序列进行逐个预测类别，得到CECG序列，然后根据DECG的符号得到SCECG。

iv.公式：

CECG(i)＝GaussianMixture(ADECG(i)

SCECG(i)＝sign(DECG(i)*GaussianMixture(ADECG(i)

3)分组：

i.输入为：SCECG

ii.输出为:G＝{A1,B1,A2,A3,B2,A4,B3,…}

iii.具体方法为：设最高分类为C，则最低分类为-C；若SCECG序列中，对时刻t进行循环，若连续3个点对应的分类都是最高分类C(或最低分类-C)，则把此3个时刻归为A组(或B组)，然后对找到分组A(或B)后的时刻，若间隔不超过2个点，出现最高分类C(或最低分类-C)，仍然把该时刻及中间不是最高分类但与最高时刻同符号的时刻都归为A组(或B组)；

iv.算法：

i＝1

length＝len(SCECG)

cls＝None

C＝max(CECG)

local_flag＝False

groupA_counter＝0

groupB_counter＝0

A＝set

B＝set

G＝list

while(i<length)(此处未考虑越界的情况)

，if local_flag为False：

，if：SCECG(i-1)、SCECG(i)、SCECG(i+1)都是C

，cls＝C，local_flag＝True,

集合A(groupA_counter)中加入(i-1,i,i+1)；

，i＝i+2

，end

，if：SCECG(i-1)、SCECG(i)、SCECG(i+1)都是-C

，cls＝-C，local_flag＝True,

，集合B(groupB_counter)中加入(i-1,i,i+1)；

，i＝i+2

，end

，else:

，if:SCECG(i)＝＝cls

，若cls为C，则集合A(groupAcounter)中加入(i)

，若cls为-C，则集合B(groupBcounter)中加入(i)

，else：SCECG(i)！＝cls

，if：SCECG(i+1)为cls

，若cls为C，则集合A(groupAcounter)中加入(i,i+1)

，若cls为-C，则集合B(groupBcounter)中加入(i,i+1)

，Else if：SCECG(i+2)为cls

，若cls为C，则集合A(groupAcounter)中加入(i,i+1,i+2)

，若cls为-C，则集合B(groupBcounter)中加入(i,i+1,i+2)

，Else:

，local_flag＝False

，若cls为C，则A的counter++,G中加入A(counterA)

，若cls为-C，则B的counter++,G中加入B(counterB)

，Endwhile

4)联合：

i.输入为分组G,采样率sampling_rate

ii.输出为U

iii.具体方法：对时刻t进行循环，计算G中最邻近的A组与B组之间的距离d(A,B)为两组之间时间最近的点的间隔(设为N个间隔点)，时间间隔则为d(A,B)＝sampling_rate*N(单位为s)，若d<0.05s，则把此临近的A组与B组归为U(counter)

iv.算法：

，i＝0

，length＝len(G)

，U＝list

，while(i<length)(越界的情况需要再考虑)

，former＝G(i)

，latter＝G(i+1)

，if former和latter相同(同是A或者同是B)

，i++

，continue

，else:

，d＝distance(former，latter)*sampling_rate

，if d<0.05

，U中加入(former,latter)

，Endwhile

5)拟合

i.输入为：U

ii.输出为：拟合函数F＝[[f前，k前，f后，k后],…,…]

iii.具体方法：对U中的每个分组(former，latter)分别进行1次线性拟合，得到[f前，k前，f后，k后]

6)确认：

i.输入为：F

ii.输出R点的下标集合

iii.具体方法：

对F中的元素进行循环，计算k＝k前+k后，如果k<0.5,则f前与f后的交点是一个R点。

可以理解的是，实施例1和实施例2中的一阶差分法、混合高斯模型、一元线性拟合的选择，并不作为对本发明的限定，只为了更简单、清楚的对本发明进行举例说明。

实施例3

本实施例公开一种电子设备，包括至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行QRS识别方法。

综上，本发明无需进行预处理操作，利用混合模型对差分信号(或者绝对差分信号)进行分类，分组进行多项式线性拟合，无需进行校正、前向搜索去冗余、后向搜索拾遗。

以上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精神和范围。

Claims

1.一种QRS识别方法，其特征在于，所述方法包括以下步骤：

S1输入心电图，并进行差分处理，得到DECG；

S2对DECG的每个数值取绝对值得到ADECG序列；

S4根据DECG对应时刻的符号，得到带符号的SCECG；

S5对SCECG进行分组，并计算最邻近的分组进行联合；

2.根据权利要求1所述的QRS识别方法，其特征在于，所述S3中，对ADECG的所有数值组成的数据集合建立分类的混合模型，得到ADECG的每个时刻数值对应的分类序列CECG。

3.根据权利要求1所述的QRS识别方法，其特征在于，所述S5中，分组时，设最高分类为C，则最低分类为-C；

4.根据权利要求3所述的QRS识别方法，其特征在于，所述S5中，联合时，计算最邻近的A组与B组之间的距离d(A,B)为两组之间时间最近的点的间隔，设为N个间隔点，时间间隔则为d(A,B)＝sampling_rate*N，单位为s，sampling_rate为采样率，若d<0.05s，则把此临近的A组与-A组归为U。

5.根据权利要求4所述的QRS识别方法，其特征在于，对每个U中，A组的点和-A组的点分别建立线性回归拟合函数，得到拟合函数f(A)、f(-A)，斜率k(A)、k(-A)。

6.根据权利要求1所述的QRS识别方法，其特征在于，所述方法中，确认R点位置具体为，若k(A)+k(-A)<threshold，threshold为设定阈值，则联合U有效，则R点为f(A)与f(-A)的交点。

7.根据权利要求1所述的QRS识别方法，其特征在于，所述方法中，输入的心电图为不定长的单导联心电数据和采样率。

8.一种电子设备，包括至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的QRS识别方法。