CN112292069B - 房颤筛查的方法和装置 - Google Patents
房颤筛查的方法和装置 Download PDFInfo
- Publication number
- CN112292069B CN112292069B CN201980040319.8A CN201980040319A CN112292069B CN 112292069 B CN112292069 B CN 112292069B CN 201980040319 A CN201980040319 A CN 201980040319A CN 112292069 B CN112292069 B CN 112292069B
- Authority
- CN
- China
- Prior art keywords
- signal
- acceleration
- determining
- atrial fibrillation
- user
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title abstract description 41
- 238000012216 screening Methods 0.000 title abstract description 12
- 230000001133 acceleration Effects 0.000 claims abstract description 50
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000000747 cardiac effect Effects 0.000 claims abstract description 13
- 230000035939 shock Effects 0.000 claims abstract description 13
- 230000001746 atrial effect Effects 0.000 claims abstract description 9
- 238000005086 pumping Methods 0.000 claims abstract description 5
- 208000010125 myocardial infarction Diseases 0.000 claims description 10
- 210000001112 cardioblast Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000008280 blood Substances 0.000 abstract description 6
- 210000004369 blood Anatomy 0.000 abstract description 6
- 238000013186 photoplethysmography Methods 0.000 description 45
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000002837 heart atrium Anatomy 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000020990 adrenal cortex carcinoma Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种房颤检测的方法和装置(100),在房颤筛查时引入了BCG信号,能够有利于提高房颤预测的准确性。房颤检测的方法包括:获取用户的脉搏波信号和加速度信号;根据加速度信号,确定心冲击信号和加速度体动信号,其中,心冲击信号用于表征心房泵血引起的躯体的加速度变化,加速度体动信号用于表征用户的运动加速度变化;根据脉搏波信号和心冲击信号,确定用户是否房颤。
Description
技术领域
本申请涉及电子设备领域,并且更具体的,涉及电子设备领域中的房颤筛查的方法和装置。
背景技术
房颤(atrail fibrillation,AF),又称心房颤动,是常见的一种心律失常。长期持续的房颤会引起严重的并发症,比如心力衰竭、高血压,以及危害最为严重的脑卒中等。因此,房颤的检测显得尤为重要。在进行房颤筛查时,如果在一定时间段内RR间隔完全无规律,且心电图中的P波变形或消失,则判定为房颤,否则为非房颤。
目前使用移动终端能够实现对用户的房颤的检测。现有的一种房颤筛查的方法,使用移动终端实现对用户脉搏的检测,基于脉搏的变化状态,判断用户是否存在房颤的风险。但是,脉搏只能反映心率的变化,并不能反映心房功能变化,因此该方案对于房颤的预测准确率较低。
发明内容
本申请提供一种房颤检测的方法和装置,在房颤筛查时引入了BCG信号,能够有利于提高房颤预测的准确性。
第一方面,提供了一种房颤检测的方法,包括:
获取用户的脉搏波信号和加速度信号;
根据所述加速度信号,确定心冲击信号和加速度体动信号,其中,所述心冲击信号用于表征心房泵血引起的躯体的加速度变化,加速度体动信号用于表征用户的运动加速度变化;
根据所述脉搏波信号和所述心冲击信号,确定所述用户是否房颤。
因此,本申请实施例通过获取PPG信号和ACC信号,并根据ACC信号获取BCG信号和ACC体动信号,然后再根据BCG信号和PPG信号筛查用户是否房颤。由于BCG信号能够表征心房泵血引起的躯体的加速度变化,因此本申请实施例在房颤筛查时引入BCG信号,能够有利于提高房颤预测的准确性。
结合第一方面,在第一方面的某些实现方式中,所述根据所述脉搏波信号和所述心冲击信号,确定所述用户是否房颤,包括:
提取所述脉搏波信号的特征,所述脉搏波信号的特征包括香农熵、脉搏峰值间隔均值、均方根误差、脉搏峰值间隔最大值中的至少一种;
提取所述心冲击信号的特征,所述心冲击信号的特征包括所述心冲击信号的H波的峰度系数、偏度系数、斜率和高度中的至少一种;
根据所述脉搏波信号的特征和所述心冲击信号的特征,确定所述用户是否房颤。
本申请实施例通过提取脉搏波信号的特征和心冲击信号的特征,然后可以基于机器学习算法,对用户的心脏金康状态实现二分类。机器学习算法例如为支持向量机SVM、逻辑回归LR或最近邻算法KNN等。
结合第一方面,在第一方面的某些实现方式中,所述提取所述心冲击信号的特征,包括:
根据所述脉搏波信号的峰值点,确定所述心冲击信号的J波的位置;
根据所述心冲击信号的J波的位置,确定所述心冲击信号的H波的位置;
获取所述H波的峰度系数、偏度系数、斜率和高度中的至少一种。
结合第一方面,在第一方面的某些实现方式中,所述根据所述脉搏波信号和所述心冲击信号,确定用户心律是否房颤之前,还包括:
确定所述加速度体动信号、所述脉搏波信号和所述心冲击信号中的至少一种的信号质量大于或等于其对应的阈值。
这样,在对用户进行房颤筛查时,能够避免所提取的信号受到某些因素(比如运动伪迹)的干扰,从而能够提高房颤检测结果的准确性。
结合第一方面,在第一方面的某些实现方式中,所述根据所述加速度信号,获取心冲击信号和加速度体动信号,包括:
根据目标心冲击信号的频率和所述目标心冲击信号的采样率,确定移动窗长大小;
根据所述移动窗长和所述目标心冲击信号,在所述加速度信号中确定所述心冲击信号;
根据所述加速度信号和所述心冲击信号,确定所述加速度体动信号。
这样,本申请实施例通过选择奇异谱分析作为零相位差滤波算法,从ACC信号中提取出BCG信号,并将ACC信号中提取BCG信号之后剩余的信号,作为ACC体动信号,从而实现了对BCG信号和ACC体动信号的提取。
第二方面,提供一种房颤检测的方法,所述装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地,所述装置可以包括用于执行第一方面或第一方面的任一可能的实现方式中的方法的模块。
第三方面,提供一种房颤检测的方法,所述装置包括存储器和处理器,所述存储器用于存储指令,所述处理器用于执行所述存储器存储的指令,并且对所述存储器中存储的指令的执行使得所述处理器执行第一方面或第一方面的任一可能的实现方式中的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行第一方面或第一方面的任一可能的实现方式中的方法。
第五方面,提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任一可能的实现方式中的方法。
附图说明
图1示出了本申请实施例提供的一种房颤检测的装置的示意图。
图2示出了本申请实施例提供的一种房颤检测的方法的示意性流程图。
图3示出了原始PPG信号和原始ACC信号的一个例子。
图4示出了本申请实施例示出的一个移动窗长L的示例。
图5示出了BCG信号的一个具体例子。
图6示出了目标BCG信号和特征主元的一个示例。
图7示出了PPG信号与BCG信号对应的一个示例。
图8示出了本申请实施例提供的一种房颤检测的装置的示意性框图。
图9示出了本申请实施例提供的另一种房颤检测的装置的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1示出了本申请实施例提供的一种房颤检测的装置100的示意图。本申请实施例中,房颤检测的装置可以应用于终端设备。终端设备例如为可穿戴设备,比如运动手环等,本申请实施例对此不作限定。如图1所示,该房颤检测的装置100包括光电容积脉搏波(Photoplethysmography,PPG)检测模块110,加速度计(Accelerometer,ACC)检测模块120和处理器130。其中,PPG检测模块还可以称为光电模块。
可选的,房颤检测装置100还可以包括通信接口,用于将PPG检测模块110和ACC检测模块120获取的信号发送至处理器130。作为示例,通信接口例如为蓝牙模块,处理器例如为手机、或者云端的处理器等,本申请实施例对此不作限定。
具体而言,PPG检测模块110,用于获取用户的脉搏波信号。ACC检测模块120,用于获取用户的加速度信号。本申请实施例中,脉搏波信号也可以称为PPG信号,加速度信号也可以称为ACC信号。
处理器130,用于根据ACC检测模块120获取的ACC信号,获取心冲击信号和加速度体动信号。本申请实施例中,心冲击信号也可以称为心冲击图(Ballistocardiograph,BCG)信号,加速度体动信号也可以称为ACC体动信号。其中,BCG信号用于表征心房泵血引起的躯体的加速度变化,其波形形态与心房功能相关,比如与心电图中的P波相关。加速度体动信号用于表征用户的运动加速度变化,为ACC信号中幅值较大的信号。
处理器130,还用于根据所述PPG检测模块110获取脉搏波信号和获取的所述心冲击信号,确定所述用户是否房颤。
因此,本申请实施例通过获取PPG信号和ACC信号,并根据ACC信号获取BCG信号和ACC体动信号,然后再根据BCG信号和PPG信号筛查用户是否房颤。由于BCG信号能够表征心房泵血引起的躯体的加速度变化,因此本申请实施例在房颤筛查时引入BCG信号,能够有利于提高房颤预测的准确性。
图2示出了本申请实施例提供的一种房颤检测的方法的示意性流程图。应理解,图2示出了业务处理的方法的步骤或操作,但这些步骤或操作仅是示例,本申请实施例还可以执行其他操作或者图2中的各个操作的变形。此外,图2中的各个步骤可以按照与图2呈现的不同的顺序来执行,并且有可能并非要执行图2中的全部操作。
201,获取原始ACC信号(可表示为ACCraw)。具体的,可以通过ACC检测模块120检测用户的原始ACC信号。一个示例,可以获取时长为1分钟(min)的原始ACC信号。
202,获取原始PPG信号(可表示为PPGraw)。具体的,可以通过PPG检测模块110检测用户的原始PGG信号。一个示例,可以获取时长为1分钟(min)的原始ACC信号。
图3中左侧(a)图示出了原始PPG信号的一个例子,右侧(b)图示出了原始ACC信号的一个例子。
本申请一个实施例中,可以根据ACC信号,获取BCG信号和ACC体动信号。作为示例,203至205示出了根据ACC信号获取BCG信号和ACC体动信号的一个例子。
203,对202中获取的ACC信号选择奇异谱分析(singular spectrum analysis,SSA)作为零相位差滤波算法,即SSA滤波。
204,移动窗长L选取。
具体的,可以根据目标BCG信号的频率(比如(f1,f2,f3))和所述目标BCG信号的采样率(fs),确定移动窗长L大小,即L=F(fs,f1,f2,f3)。图4示出了本申请实施例示出的一个移动窗长L的示例。这里,目标BCG信号即为SSA滤波时采用的模板,可以为任意一个预先获取的BCG信号的样例。图5示出了BCG信号的一个具体例子。如图5所示,BCG信号包括J波、H波、I波、K波、L波、M波和N波,其中J波为BCG信号中的最大的峰值点,H波为J波之前的一个波峰点,H波与心电图中的P波相关。
205,特征主元选取。
一个可选的实施例,可以根据所述移动窗长L和所述目标BCG信号,在所述加速度信号中提取所述心冲击信号。
具体的,可以根据移动窗长L的将ACC信号分成若干个信号,即若干个特征主元。由于移动窗长L与目标BCG信号的频率以及采样率有关,因此该若干个特征主元的数据之间的频谱密度具有相关性。作为一个示例,该若干个特征主元可以属于不同的频段。
然后,如图6所示,通过在特征主元(即图6中x段的信号)之前增加目标BCG信号的样例成分(即图6中x0(i)段的信号),可得到信号:x+x0(i)。这样,目标BCG信号在原始ACC信号中的比重增大,对应的与目标BCG信号相关性高的特征主元将靠前。因此,基于上述原理,可以设计函数G,可以根据以下公式选取特征主元PC:
PC=G(x+x0(i))
206,获取BCG信号,ACC体动信号(可表示为ACCbm),以及PPG信号。
具体的,205中根据目标BCG信号选取的PC特征主元即为根据ACC信号提取的BCG信号。
然后,根据所述提取的BCG信号和ACC信号,获取所述ACCbm信号。作为一个示例,在ACC信号中提取BCG信号之后所剩余的信号,可以为ACC体动信号。
一个示例,本申请实施例中,根据PPGraw信号获取PPG信号,具体可以为对PPGraw信号在经过过滤器的降噪处理,处理之后的信号即为PPG信号。
可选的,本申请实施例中可以对ACCraw信号进行降噪处理。具体的,可以在获得ACCraw信号之后,对该ACCraw信号进行降噪处理,或者可以对提取BCG信号之后的ACC信号进行降噪处理,本申请实施例对此不作限定。
207,对PPG信号进行峰值提取。
208,根据PPG信号峰值点确定BCG信号中J波位置。
如图7所示,PPG信号的峰值点与BCG信号中的J波的位置相对应。
209,根据BCG信号中J波位置,确定BCG信号的H波的位置。
具体的,可以将BCG信号中J波左侧的第一个波峰确定为H波。
210,分别提取ACCbm信号、BCG信号和PPG信号的特征。
作为一个示例,可以提取ACCbm信号的峰度、标准差、香农熵中的至少一种,作为ACCbm信号的特征。ACCbm信号的特征可以记为特征1(feat 1)。
作为一个示例,可以提取BCG信号的H波的峰度系数、偏度系数、斜率和高度中的至少一种,作为BCG信号的特征。BCG信号的特征可以记为特征2(feat 2)。
作为一个示例,可以提取PPG信号的香农熵、脉搏峰值间隔均值(mean_RR)、均方根误差(RMSSD)、脉搏峰值间隔最大值中的至少一种,作为PPG信号的特征。PPG信号的特征可以记为特征3(feat 3)。
本申请实施例中,可以根据所述BCG信号的特征和所述PPG信号的特征,确定所述用户是否房颤。
可选的,根据所述BCG信号的特征和所述PPG信号的特征,确定所述用户是否房颤之前,在还可以根据ACCbm信号、BCG信号和PPG信号中的至少一种信号的信号质量大于或等于一定阈值,即图2中的211,判断特征x是否大于或等于阈值,其中x=1,2,3。
也就是说,根据本次测试所获取的信号的信号质量是否满足计算要求。具体而言,本申请实施例中,PPG信号和BCG信号的检测可能会受到运动伪迹的干扰。通过比较ACCbm信号、BCG信号和PPG信号中的至少一种信号与其对应的阈值的大小,可以判断在某一次的测试中所提取的信号的受运动伪迹的干扰是否影响了检测结果的准确性。也就是说,当运动伪迹对检测结果的影响不明显时,可以根据BCG信号和PPG信号,判断是否房颤。当运动伪迹对检测结果的干扰比较大时,房颤筛查的的准确性会降低。
当特征x满足大于或等于对应的阈值时,则执行212。当特征x小于等于其对应的阈值时,则停止检测。
作为一个示例,特征x可以为特征1,即ACCbm的特征。也就是说,当根据ACCbm的特征确定的ACCbm信号的质量大于ACCbm信号对应的阈值时,则执行212,否则停止检测。
作为另一个示例,特征x可以为特征1和特征2,即ACCbm的特征和BCG信号的特征。也就是说,当根据ACCbm的特征确定的ACCbm信号的质量大于ACCbm信号对应的阈值,且,根据BCG信号的特征确定的BCG信号信号的质量大于BCG信号信号对应的阈值时,则执行212,否则停止检测。
作为另一个示例,特征x可以为特征1、特征2和特征3,即ACCbm的特征、BCG信号的特征和PPG信号的特征。也就是说,当根据ACCbm的特征确定的ACCbm信号的质量大于ACCbm信号对应的阈值,且,根据BCG信号的特征确定的BCG信号信号的质量大于BCG信号信号对应的阈值,且,根据PPG信号的特征确定的PPG信号信号的质量大于PPG信号信号对应的阈值时,则执行212,否则停止检测。
212,根据PPG信号和BCG信号,判定是否房颤。
作为示例,可以根据PPG信号的特征和BCG信号的特征,基于机器学习算法,对用户的心脏健康状态实现二分类,即判断用户心律为正常,或房颤。这里,机器学习算法例如为支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)或最近邻算法(k-nearest neighbor,KNN)等,本申请实施例对此不作限定。
因此,本申请实施例通过获取PPG信号和ACC信号,并根据ACC信号获取BCG信号和ACC体动信号,然后再根据BCG信号和PPG信号筛查用户是否房颤。由于BCG信号能够表征心房泵血引起的躯体的加速度变化,因此本申请实施例在房颤筛查时引入BCG信号,能够有利于提高房颤预测的准确性。
图8示出了本申请实施例提供的一种房颤检测的装置1000的示意性框图。该房颤筛查的装置包括获取单元1010和确定单元1020。
获取单元1010,用于获取用户的脉搏波信号和加速度信号。
确定单元1020,用于根据所述加速度信号,确定心冲击信号和加速度体动信号,其中,所述心冲击信号用于表征心房泵血引起的躯体的加速度变化,加速度体动信号用于表征用户的运动加速度变化。
所述确定单元1020,还用于根据所述脉搏波信号和所述心冲击信号,确定所述用户是否房颤。
因此,本申请实施例通过获取PPG信号和ACC信号,并根据ACC信号获取BCG信号和ACC体动信号,然后再根据BCG信号和PPG信号筛查用户是否房颤。由于BCG信号能够表征心房泵血引起的躯体的加速度变化,因此本申请实施例在房颤筛查时引入BCG信号,能够有利于提高房颤预测的准确性。
可选的,所述确定单元1020具体用于:
提取所述脉搏波信号的特征,所述脉搏波信号的特征包括香农熵、脉搏峰值间隔均值、均方根误差、脉搏峰值间隔最大值中的至少一种;
提取所述心冲击信号的特征,所述心冲击信号的特征包括所述心冲击信号的H波的峰度系数、偏度系数、斜率和高度中的至少一种;
根据所述脉搏波信号的特征和所述心冲击信号的特征,确定所述用户是否房颤。
可选的,所述确定单元1020具体用于:
根据所述脉搏波信号的峰值点,确定所述心冲击信号的J波的位置;
根据所述心冲击信号的J波的位置,确定所述心冲击信号的H波的位置;
获取所述H波的峰度系数、偏度系数、斜率和高度中的至少一种。
可选的,所述确定单元1020还用于:
确定所述加速度体动信号、所述脉搏波信号和所述心冲击信号中的至少一种的信号质量大于或等于其对应的阈值。
可选的,所述确定单元1020具体用于:
根据目标心冲击信号的频率和所述目标心冲击信号的采样率,确定移动窗长大小;
根据所述移动窗长和所述目标心冲击信号,在所述加速度信号中确定所述心冲击信号;
根据所述加速度信号和所述心冲击信号,确定所述加速度体动信号。
应注意,本申请实施例中,获取单元1010可以由通信接口实现,确定单元1020可以由处理器实现。如图9所示,房颤检测的装置1100可以包括处理器1110、存储器1120和通信接口1130。其中,存储器1120可以用于存储处理器1110执行的代码等,处理器1110可以用于对数据或程序进行处理。
在实现过程中,上述方法的各步骤可以通过处理器1110中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1120,处理器1110读取存储器1120中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
图8所示的装置1000或图9所示的装置1100能够实现前述方法实施例对应的房颤检测方法的各个过程,具体的,该装置1000或装置1100可以参见上文中的描述,为避免重复,这里不再赘述。
本申请实施例还提供了一种计算机可读介质,用于存储计算机程序,该计算机程序包括用于执行上述方法实施例中对应的方法的指令。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代蓝牙测试的装置的处理器运行时,使得该避免报文分片的装置执行上述任方法实施例中对应的方法。
本申请中的各个实施例可以独立的使用,也可以进行联合的使用,这里不做限定。
应理解,本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
还应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种房颤检测的装置,其特征在于,包括:
获取单元,用于获取用户的脉搏波信号和加速度信号;
确定单元,用于根据所述加速度信号,确定心冲击信号和加速度体动信号,其中,所述心冲击信号用于表征心房泵血引起的躯体的加速度变化,所述加速度体动信号用于表征用户的运动加速度变化;
所述确定单元,还用于根据所述脉搏波信号和所述心冲击信号,确定所述用户是否房颤;
所述确定单元,具体用于:
根据目标心冲击信号的频率和所述目标心冲击信号的采样率,确定移动窗长大小;
根据所述移动窗长的大小,将所述加速度信号分为多个特征主元;
根据所述多个特征主元和所述目标心冲击信号,确定目标特征主元;
将所述目标特征主元确定为所述心冲击信号。
2.根据权利要求1所述的装置,其特征在于,所述确定单元具体用于:
提取所述脉搏波信号的特征,所述脉搏波信号的特征包括香农熵、脉搏峰值间隔均值、均方根误差、脉搏峰值间隔最大值中的至少一种;
提取所述心冲击信号的特征,所述心冲击信号的特征包括所述心冲击信号的H波的峰度系数、偏度系数、斜率和高度中的至少一种;
根据所述脉搏波信号的特征和所述心冲击信号的特征,确定所述用户是否房颤。
3.根据权利要求2所述的装置,其特征在于,所述确定单元具体用于:
根据所述脉搏波信号的峰值点,确定所述心冲击信号的J波的位置;
根据所述心冲击信号的J波的位置,确定所述心冲击信号的H波的位置;
获取所述H波的峰度系数、偏度系数、斜率和高度中的至少一种。
4.根据权利要求1-3中任一项所述的装置,其特征在于,所述确定单元还用于:
确定所述加速度体动信号、所述脉搏波信号和所述心冲击信号中的至少一种的信号质量大于或等于其对应的阈值。
5.根据权利要求1-3中任一项所述的装置,其特征在于,所述确定单元具体用于:
根据所述加速度信号和所述心冲击信号,确定所述加速度体动信号。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/074670 WO2020155169A1 (zh) | 2019-02-03 | 2019-02-03 | 房颤筛查的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112292069A CN112292069A (zh) | 2021-01-29 |
CN112292069B true CN112292069B (zh) | 2022-03-29 |
Family
ID=71839903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980040319.8A Active CN112292069B (zh) | 2019-02-03 | 2019-02-03 | 房颤筛查的方法和装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3900610A4 (zh) |
CN (1) | CN112292069B (zh) |
WO (1) | WO2020155169A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115137369B (zh) * | 2021-03-30 | 2023-10-20 | 华为技术有限公司 | 基于不同房颤阶段进行房颤预警的电子设备以及系统 |
CN114041786B (zh) * | 2022-01-11 | 2022-04-26 | 华南师范大学 | 心冲击图信号的检测方法、装置以及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013109188A1 (en) * | 2012-01-16 | 2013-07-25 | Agency For Science, Technology And Research | Method and system for optical blood pressure monitoring |
CN104837401A (zh) * | 2012-12-14 | 2015-08-12 | 皇家飞利浦有限公司 | 通过光电血管容积图(ppg)和加速度计检测显著心率失常事件的系统和方法 |
CN107072550A (zh) * | 2014-11-07 | 2017-08-18 | 皇家飞利浦有限公司 | 体动记录方法和装置 |
CN107647860A (zh) * | 2017-08-31 | 2018-02-02 | 深圳和而泰智能控制股份有限公司 | 一种心率检测方法、装置、电子设备及存储介质 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测系统 |
CN108701219A (zh) * | 2017-03-14 | 2018-10-23 | 华为技术有限公司 | 波形信号处理的方法及装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7846104B2 (en) * | 2007-02-08 | 2010-12-07 | Heart Force Medical Inc. | Monitoring physiological condition and detecting abnormalities |
JP2008206704A (ja) * | 2007-02-26 | 2008-09-11 | Matsushita Electric Works Ltd | 心拍検出装置 |
US20110251502A1 (en) * | 2008-12-12 | 2011-10-13 | Koninklijke Philips Electronics N.V. | Method and apparatus for the analysis of ballistocardiogram signals |
KR101417226B1 (ko) * | 2011-12-15 | 2014-07-09 | 현대자동차주식회사 | 심탄도 분석 장치와 방법 및 이를 이용한 차량의 심탄도 활용 시스템 |
EP2869757A4 (en) * | 2012-07-09 | 2016-03-09 | William E Crone | SYSTEM FOR PERFUSION DETECTION |
US20150025334A1 (en) * | 2014-09-09 | 2015-01-22 | Lakshya JAIN | Method and system for monitoring pain of patients |
CN104352229B (zh) * | 2014-10-21 | 2017-04-26 | 成都云卫康医疗科技有限公司 | 一种能实时检测脉率血氧的健康监测手环 |
US20160302677A1 (en) * | 2015-04-14 | 2016-10-20 | Quanttus, Inc. | Calibrating for Blood Pressure Using Height Difference |
US10105547B2 (en) * | 2015-11-02 | 2018-10-23 | West Affum Holdings Corp. | Wearable cardioverter defibrillator (WCD) causing patient's QRS width to be plotted against the heart rate |
US10722182B2 (en) * | 2016-03-28 | 2020-07-28 | Samsung Electronics Co., Ltd. | Method and apparatus for heart rate and respiration rate estimation using low power sensor |
CN105902265B (zh) * | 2016-04-18 | 2019-07-19 | 广东乐心医疗电子股份有限公司 | 一种房颤检测装置以及包括该装置的智能可穿戴设备 |
EP3305180A1 (en) * | 2016-10-05 | 2018-04-11 | Murata Manufacturing Co., Ltd. | Method and apparatus for monitoring heartbeats |
US11337638B2 (en) * | 2016-11-03 | 2022-05-24 | Huawei Technologies Co., Ltd. | ECG signal processing method and apparatus |
US11076767B2 (en) * | 2016-11-29 | 2021-08-03 | Koninklijke Philips N.V. | Method and system of monitoring cardiac activity of a user |
KR101971208B1 (ko) * | 2017-01-31 | 2019-04-22 | (주)감성과학연구센터 | 가속도와 자이로 센서를 이용한 심탄도 모니터링 장치 및 그 방법 |
US10959626B2 (en) * | 2017-06-30 | 2021-03-30 | Samsung Electronics Co., Ltd. | Self-powered wearable for continuous biometrics monitoring |
CN108992053B (zh) * | 2018-06-21 | 2020-10-23 | 河北工业大学 | 一种实时的无束缚检测心率和心跳间隔的方法 |
-
2019
- 2019-02-03 EP EP19912359.7A patent/EP3900610A4/en active Pending
- 2019-02-03 WO PCT/CN2019/074670 patent/WO2020155169A1/zh unknown
- 2019-02-03 CN CN201980040319.8A patent/CN112292069B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013109188A1 (en) * | 2012-01-16 | 2013-07-25 | Agency For Science, Technology And Research | Method and system for optical blood pressure monitoring |
CN104837401A (zh) * | 2012-12-14 | 2015-08-12 | 皇家飞利浦有限公司 | 通过光电血管容积图(ppg)和加速度计检测显著心率失常事件的系统和方法 |
CN107072550A (zh) * | 2014-11-07 | 2017-08-18 | 皇家飞利浦有限公司 | 体动记录方法和装置 |
CN108701219A (zh) * | 2017-03-14 | 2018-10-23 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN107647860A (zh) * | 2017-08-31 | 2018-02-02 | 深圳和而泰智能控制股份有限公司 | 一种心率检测方法、装置、电子设备及存储介质 |
CN108606798A (zh) * | 2018-05-10 | 2018-10-02 | 东北大学 | 基于深度卷积残差网络的非接触式房颤智能检测系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3900610A4 (en) | 2022-01-12 |
CN112292069A (zh) | 2021-01-29 |
WO2020155169A1 (zh) | 2020-08-06 |
EP3900610A1 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zidelmal et al. | QRS detection using S-Transform and Shannon energy | |
CN108926333B (zh) | 用于心率估计的系统和方法 | |
US11096628B2 (en) | Heart rate detection method and apparatus, and electronic terminal thereof | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
EP2777485B1 (en) | Signal processor, signal processing method, and signal processing program | |
CN112292069B (zh) | 房颤筛查的方法和装置 | |
CN107233093B (zh) | R波的检测方法、装置及电子设备 | |
CN108324271B (zh) | 心电信号识别方法、系统和心电监测设备 | |
Baca et al. | CARMA: a robust motion artifact reduction algorithm for heart rate monitoring from PPG signals | |
WO2013040399A1 (en) | Method and apparatus for denoising of physiological signals | |
KR102221839B1 (ko) | 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법 | |
CN112494001B (zh) | Ppg信号质量评估方法、装置、穿戴式设备及存储介质 | |
CN111160090A (zh) | 一种bcg信号降噪方法及系统 | |
KR101426591B1 (ko) | 생체 신호의 노이즈 제거 장치 및 방법 | |
CN105574348B (zh) | 一种基于bcg信号的心跳周期获取方法和装置 | |
CN104983415B (zh) | 心拍识别的方法及装置 | |
CN108694355B (zh) | 一种信号处理方法及装置 | |
CN112315440A (zh) | 心率检测方法、可穿戴设备及可读存储介质 | |
CN114159075B (zh) | Qrs波优化装置、系统及存储介质 | |
US11096618B2 (en) | Signal feature extraction apparatus, signal feature extraction method, and program | |
CN112472120B (zh) | 心率统计方法、装置、电子设备和存储介质 | |
JP6706996B2 (ja) | 生体信号処理装置、異常判別方法およびプログラム | |
JP2015217060A (ja) | 心拍検出方法および心拍検出装置 | |
CN113229826B (zh) | 一种qrs波检测方法、装置及电子设备 | |
Vega-Martínez et al. | Wavelet packet based algorithm for QRS region detection and R/S wave identification |
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 |