CN112545531A - 一种结合时域与频域分析识别可除颤心律的方法 - Google Patents
一种结合时域与频域分析识别可除颤心律的方法 Download PDFInfo
- Publication number
- CN112545531A CN112545531A CN202011354264.9A CN202011354264A CN112545531A CN 112545531 A CN112545531 A CN 112545531A CN 202011354264 A CN202011354264 A CN 202011354264A CN 112545531 A CN112545531 A CN 112545531A
- Authority
- CN
- China
- Prior art keywords
- analysis
- data
- value
- defibrillatable
- axis
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 67
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000011527 multiparameter analysis Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 230000002028 premature Effects 0.000 abstract description 5
- 230000002861 ventricular Effects 0.000 abstract description 5
- 206010003658 Atrial Fibrillation Diseases 0.000 abstract description 4
- 230000035939 shock Effects 0.000 description 21
- 208000003663 ventricular fibrillation Diseases 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 206010003119 arrhythmia Diseases 0.000 description 6
- 230000006793 arrhythmia Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000002680 cardiopulmonary resuscitation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002635 electroconvulsive therapy Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 206010014357 Electric shock Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 206010070863 Toxicity to various agents Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000002633 shock therapy Methods 0.000 description 1
- 239000012536 storage buffer Substances 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种结合时域与频域分析识别可除颤心律的方法,该方法包括:获取心电信号并进行滤波去噪、心搏检测和心率计算;对所述心电信号进行VF/VT多参数分析,其中,所述VF/VT多参数分析包括时域特征参数和频域的多频段功率谱参数分析;对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果。相较于现有技术而言,利用特殊房颤、特殊室早以及特殊室上早的信号VF/VT多参数分析、综合识别可除颤心律的方法,提高了VF/VT识别的灵敏度和特异性。
Description
技术领域
本发明涉及除颤设备领域,尤其涉及一种结合时域与频域分析识别可除颤心律的方法。
背景技术
室颤是一种严重危及患者生命安全的心律失常,可由劳累过度、运动过量、药物中毒、冠心病、急性心肌梗塞等原因引起。当室颤发生时各处心肌的收缩处于混乱状态,心脏丧失泵血功能,可导致患者在几秒钟内失去知觉,面临死亡的威胁。患者发生室颤时,需要立刻除颤,否则患者可在很短的时间内死亡。业界有“黄金4分钟”的说法,如果能在4分钟内对患者进行除颤和心肺复苏,患者被救活的概率很大。
国家心血管病中心发布的《中国心血管病报告2011》指出,中国每年大约有54万人死于心脏骤停,其中多数是由室颤引起的。患者在院外发生室颤时,经常得不到及时治疗,错过抢救的“黄金4分钟”,最终导致死亡,其主要原因之一就是由于中国目前自动体外除颤仪AED在公共场合的普及率极低。AED 被誉为“救命神器”,它可以自动分析患者的心电节律,判定是否需要除颤,并指导操作者对患者进行除颤或者CPR等操作,从而有效挽救患者生命。无须专业医生,普通人经过简单的急救培训,就可以方便地使用AED对濒临猝死的患者进行急救,从而挽救患者生命。为了提高VF/VT识别的灵敏度和特异性,急需提出了一种利用时域多参数联合频域多频段综合识别可除颤心律的方法。
发明内容
本申请提供了一种结合时域与频域分析识别可除颤心律的方法,提高了 VF/VT识别的灵敏度和特异性。
具体的,本发明提供了一种结合时域与频域分析识别可除颤心律的方法,该方法包括:
获取心电信号并进行滤波去噪、心搏检测和心率计算;
对所述心电信号进行VF/VT多参数分析,其中,所述VF/VT多参数分析包括时域特征参数和频域的多频段功率谱参数分析;
对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果。
本发明所提供的结合时域与频域分析识别可除颤心律的方法,包括:获取心电信号并进行滤波去噪、心搏检测和心率计算;对所述心电信号进行VF/VT 多参数分析,其中,所述VF/VT多参数分析包括时域特征参数和频域的多频段功率谱参数分析;相较于现有技术而言,本发明通过利用特殊房颤、特殊室早以及特殊室上早的信号VF/VT多参数分析、综合识别可除颤心律的方法,提高了VF/VT识别的灵敏度和特异性。
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为本发明实施例中一种结合时域与频域分析识别可除颤心律的方法的步骤流程示意图;
图2为本发明实施例中一种结合时域与频域分析识别可除颤心律的数据处理示意图;
图3为本发明实施例中一种结合时域与频域分析识别可除颤心律的判别处理示意图;
图4为本发明实施例中一种结合时域与频域分析识别可除颤心律的每秒多参数计分制判断可除颤节律决策方法示意图;
图5为本发明实施例中一种结合时域与频域分析识别可除颤心律的连续多秒综合判断可除颤节律的策略方法示意图;
图6为本发明实施例中一种结合时域与频域分析识别可除颤心律的判断可除颤节律的结果区分可除颤VT与VF的方法示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做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
请参阅图1,图2为本发明实施例中结合时域与频域分析识别可除颤心律的方法步骤流程及数据处理示意图,本实施例中,上述结合时域与频域分析识别可除颤心律的方法包括:
步骤101、获取心电信号并进行滤波去噪、心搏检测和心率计算。
本实施例中,请参阅图1、2,首先对获取到的原始心电信号进行噪声去除、中间数据输出等数据预处理,再进行心搏检测和心率计算,接着开始VF/VT多参数分析,其中所述多参数包括:时域的ETD、复杂度、PD、斜率和RR均方差及RAmp均方差分析,等多个特征参数和频域的多频段功率谱参数,最后对这些特征参数进行综合决策,实现可除颤节律的识别。
步骤102、对所述心电信号进行VF/VT多参数分析,其中,所述VF/VT多参数分析包括时域特征参数分析和频域的多频段功率谱参数分析。
具体的,有时域的ETD、复杂度、PD、斜率和RR均方差等多个特征参数和频域的多频段功率谱参数分析,所述频域的多频段功率谱参数分析包括采用 Barro频谱分析法从频谱中提取两个参数。
步骤103、对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果。具体的,如图4-5所示,采用决策树和计分制(每一个参数都有一个符合VF/VT的特征阈值,符合的就加分,根据参数的权重系数和特征的符合程度来加分,分数达到阈值就认为是VF/VT)的判断方法得到最终的可除颤节律分析结果。
本实施例所提供的结合时域与频域分析识别可除颤心律的方法,包括:获取心电信号并进行滤波去噪、心搏检测和心率计算;对所述心电信号进行VF/VT 多参数分析,其中,所述VF/VT多参数分析包括时域特征参数和频域的多频段功率谱参数分析;对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果。相较于现有技术而言,本发明通过利用特殊房颤、特殊室早以及特殊室上早的信号VF/VT多参数分析包括时域特征参数和频域的多频段功率谱参数分析综合识别可除颤心律的方法,提高了VF/VT识别的灵敏度和特异性。
进一步的,基于上述实施例,参照图2,图2为本发明实施例中步骤102 的细化步骤流程示意图,本实施例中,
所述时域的ETD分析包括以下步骤:
ETD分析为扩展时延相空间三维算法分析,将心电信号x(t)构建在下述二维空间中:以x(t)为x轴,以x(t+T)为y轴,其中T(τ=0.5s)为延迟时间;
首先,将x轴,y轴数据均进行40等份划分,找到最大值max和最小值 min;
之后,将x轴数据的每个数据点映射到40个等份中;
其次,将y轴数据的每个数据点映射到40个等份中,得到x,y轴数据二维映射40*40方格;
再者,遍历整个数据长度,统计x,y轴数据在整个网格中的分布密度,将 Z轴作为每个方格重叠次数的计数;
最后,设定一个Z轴阈值,统计40*40方格子空间中Z轴值小于该阈值且大于0的格子数,格子数值即为ETD值。
本实施例中,对时域的ETD分析具体为:对于4s分析数据x(t),将其构建2个数据,x(0~3.5s)作为x轴数据,x(0.5~4s)作为y轴数据。
(1)将x轴,y轴数据均进行40等份划分,以x轴数据为例,找到最大值maxX和最小值minX,则每等份大小是xdiff=(maxX-minX)/40;
(2)然后将x轴数据的每个数据点映射到这40个等份中:x_boxIndex= (xval-xmin)/xdiff-1;
(3)y轴数据也是同样的处理,然后x,y轴数据就按照boxIndex映射到二维的40×40方格子空间中;
(4)遍历整个数据长度(3.5s),统计x,y数据在整个网格中的分布密度,将Z轴作为每个格子重叠次数的计数,就构成了三维时延算法ETD。
(5)设定一个阈值,统计40×40方格子空间中Z轴值小于阈值且大于0 的格子数,该数值就是要统计的ETD值。
具体地,对所述时域的复杂度分析包括:
采用Lempel-Ziv复杂度算法,得到最终波形复杂度C。假设取长度为t秒的心电信号数据进行分析,数据采样率为Fs,分析数据总采样点数L=t×Fs,各数据的值为Ai(i=1,2,…L)。
将数据按秒分成段,求出每一段的最大和最小值,然后求出各段最大值的平均值AMmax和最小值的平均值AMmin。
对数据进行0,1化:首先利用公式THD=(AMmax+AMmin)/2求出数据0,1 化的阈值THD,然后利用公式(3)对数据进行0,1化,得到0,1化后的数据 Si(i=1,2,…L)。
设S=S1,S2,…Sr,Q=Sr+1,Sr+2,…Sr+i为算法运行中不断迭代更新的数据串,SQ表示把S、Q两个数据串拼接成的总数据串,即 SQ=S1,S2,…Sr,Sr+1,Sr+2,…Sr+i,SQV表示把SQ中最后一个数据删去所得到的数据串,即SQV=S1,S2,…Sr,Sr+1,Sr+2,…Sr+i-1。
计算初始,令Q=Sr+1,则SQV=S1,S2,…Sr,观察Q是否可以从SQV用复制方法得到,如果Q可以从SQV中某个值复制得到,则更新Q,使 Q=Sr+1Sr+2,这时SQV=S1,S2,…Sr,Sr+1,观察Q能否从SQV的某个子串复制得到,如果能复制得到,则复杂度C保持不变,继续更新Q=Sr+1Sr+2Sr+3,以此类推,直到Q=Sr+1,Sr+2,…Sr+i,不能从SQV中某个字符串复制得到。这时复杂度C递增,然后用添加操作更新S,令S=S1,S2,…Sr,Sr+1,Sr+2,…Sr+i,同时更新Q,令Q=Sr+i+1,再用同样的方法比较Q是否能从SQV用复制方法得到。不断重复以上步骤,直到Q已包含了给定数据串的最后一个符号SN,则分析结束,这样就求出了最终波形复杂度C。
时域的PD分析包括:
PD(ProbabilityDensity/概率密度)计算如下:
取长度为t秒的心电信号数据进行分析,数据采样率为Fs,分析数据总采样点数L=t×Fs;
用公式求出各秒的最大绝对幅度值Amax(i),其中y(n)为经过心电信号归一化后的数据值:
对各秒最大绝对幅度值Amax(i)进行平均,得到平均值Aavg,见如下公式:
求出幅度在(-Aavg·C,Aavg·C)之间的数据数目r(其中C为经验值,取值小于0.5),则幅度概率密度值PD=r/L。
所述时域的斜率分析包括:
取长度为t秒的心电信号数据进行分析,数据采样率为Fs,分析数据总采样点数L=t×Fs。
用差分公式计算各采样点的斜率slope(n),(n=1,2,…L),差分计算方法见如下公式,其中y(n)为经过心电信号归一化后的数据值:
slope(n)=2[y(n)-y(n-4)]+y(n-1)-y(n-3),
用以下公式求出各秒斜率最大值Smax(m):
对各秒斜率最大值进行平均,平均值即为斜率峰值SM,见公式:
所述时域的RR均方差分析包括:
RRStd为检测到的R波前后波距的均方差:
Std计算公式见公式(9)和(10),其中N作为分析数据段R波的个数(或 RR间期的个数),Vali为第i(i=1,2,…,N)个R波峰的幅度值(或RR间期的值)。
所述频域的多频段功率谱参数分析包括采用Barro频谱分析法从频谱中提取四个参数,频域分析中,Barro等提出了频谱分析的方法,先将分析的数据段乘上Hamming窗,再采用快速傅里叶变换FFT将信号变换到频域,然后从频谱中提取2个参数:归一化的频谱一阶矩(FSMN)和A2。
其中F是频谱各分量中具有最大值的频率,即峰值频率,在0.5~9Hz之间。
fi是FFT在0~100Hz之间的第i个频率;Ampi是相应的幅度。
A2是0.5Hz~1.4F之间各分量幅度的和与0.5Hz~20F之间各分量幅度的和之间的比值。
如果FMSN<FMSNTh,A2>A2Th,就判为室颤。其中*Th分别是参数对应的阈值。
请参阅图3,所述对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果包括:
首先,判断心率值HR是否为0且所述时域的PD是否小于650,若是则继续对VF/VT特征参数分析后进行综合决策,如否则判定为非可除颤节律。
所述继续对VF/VT特征参数分析后进行综合决策包括:通过利用预设的时/ 频域的7个参数包括所述时域的ETD、复杂度、PD、斜率和RR均方差、频域的多频段功率谱参数和心率值HR进行每秒的VF/VT特征阈值条件识别策略,得到当前秒的最终VF/VT结果。
还包括对预处理心电信号进行数据存储和显示输出。
其中,对VF/VT特征参数分析后进行综合决策具体包括,每秒多参数计分制判断可除颤节律决策方法具体是指:
心电信号的复杂性及各心电节律类型的易混淆性决定了可除颤节律自动识别算法必须采用多个特征参数来进行综合分析判断。联系到临床的诊断思路,本算法利用前文计算得到的心率值和各特征参数,采用决策树和计分制(每一个参数都有一个符合VF/VT的特征阈值,符合的就加分,根据参数的权重系数和特征的符合程度来加分,分数达到阈值就认为是VF/VT)的判断方法得到最终的可除颤节律分析结果,该方法更合理,稳健性更好。每秒可除颤VF/VT识别综合决策方法如图4所示。
该决策方法包括如下具体步骤:
步骤1.初始化VF\VT计分:vfScore=0;
步骤2.判断心率H则斜率SM满足一定的阈值,若是,则vfScore=4可除颤 VT,若否则继续步骤3;
步骤3.判断心率H则斜率SM/PD/RRStd满足一定的阈值,若是,则vfsore=0 为特殊房颤、特殊PVC等不可除颤节律,若否则继续步骤4;
步骤4.复杂度Complex/ETD满足阈值情况统计:
if满足高阈值:vfScore+=3
else if满足中阈值:vfScore+=2
else if满足低阈值:vfScore+=1;
步骤5.PD满足阈值情况统计:
if满足高阈值:vfScore+=2
else if满足低阈值:vfScore+=1
步骤6.斜率SM满足阚值情况统计:
if满足高阈值:vfScore+=2
else if满足低阈值:vfScore+=1
步骤7.FSMN.A2满足阈值情况统计:
if满足高阈值:vfScore+=2
else if满足低阈值:vfScore+=1
步骤8.判断全局vfScore>=4,若是,则为VF/VT,否则为其他节律。
通过上述每秒多参数计分制判断得到可除颤节律结果。
进一步的,进行连续多秒综合判断可除颤节律的策略方法包括:
算法中每秒的VF/VT识别结果出来后会被保存在一个Buffer内存中,来统计判断当前秒是否要报警除颤(SHOCK)。此处的判断逻辑设计如图5所示:
(1)从开始分析8s内达到4个窗分析是VF/VT,则报SHOCK。
(2)从开始分析到第8s只有<=1个窗分析是VF/VT,则报No SHOCK。
(3)从开始分析到第8s有2~3个窗分析是VF/VT,则延长分析,最多延长 3s,若在11s之前达到4个窗分析是VF/VT,则报SHOCK。
(4)初始化SHOCK结果(最开始8s、9s、10s或11s出初始化SHOCK结果)出来后,
有可能SHOCK警报没有被响应执行电击除颤,这时我们需要继续连续分析是否要SHOCK,此时采用滑动窗的分析方法一在VF/VT结果存储Buffer中去掉最开始的那秒结果,添加当前秒的最新结果,重新统计Buffer中的VF/VT 个数,假设统计的VF/VT个数是N,此时跟初始化判断SHOCK的不同在于会适当的降低SHOCK决策阈值,因为初始化SHOCK结果是很重要的,不会轻易地反转初始化决定,即初始化结果是SHOCK时,我们不会轻易地放弃这个SHOCK决定。因此在后续的连续性判断中,我们会按照如下的策略来做判断:
当上一秒结果是No SHOCK时,N=4时才报SHOCK,否则报No SHOCK;
当上一秒结果是SHOCK时,N=3(设置可以考虑N=2)就报SHOCK,否则报No SHOCK。通过连续多秒综合判断可除颤节律的结果。
最后,如图6所示,根据进行连续多秒综合判断可除颤节律的结果区分可除颤VT与VF的方法:
在WCD(可穿戴自动除颤器)的应用中,设备会根据识别的不同的可除颤心律(主要是可除颤VT和VF)进行不同的治疗方案。
具体步骤包括:
步骤1.判断当前是可除额心律,若是则继续步骤2.
步骤2.缓存当前12s的RR值(2个R波之间的间距),并计算他们的均方差 RRStd。
步骤3.判断HR!=-1&&RRStd<30,若是为可除颤VT,否则为VF。
效果比对数据如下图图7所示,灵敏度和特异性达到接近100,通过以上区 分可除颤VT与VF的方法,得到VT与VF识别结果,进行下一步的对室颤/ 室速实施电击治疗,十分方便快捷,提高了VF/VT识别的灵敏度和特异性。
通过以上一种结合时域与频域分析识别可除颤心律的方法,在心律失常发生后,MCCE算法需要8~11秒来识别恶性室性心律失常,设备需要5~6秒宣布存在可治疗的心律失常,随后警报序列和响应性测试开始。响应时间为患者在治疗休克前作出反应的时间长度,室颤有25秒的响应时间(可编程到最多55 秒),室速有60秒的响应时间(可编程到最多180秒)。在此期间,设备会发出一系列的振动和声音警报,提醒患者设备正准备治疗危及生命的心律失常。如果患者在报警序列中有意识,则指示他们按下并按住响应按钮,患者按住响应按钮时无法进行治疗,警报序列停止。响应测试期间,每次按下响应按钮后, MCCE算法继续监测分析是否存在可治疗的心律失常,心率阈值将在原来基础上提高10bpm,若仍识别出存在可治疗的心律失常,则警报序列将从振动警报重新开始。如果患者在报警过程中失去意识,无法在任何时间点使用响应按钮,一旦响应时间过去,将自动进行治疗。凝胶在治疗前大约五秒钟从治疗电极中释放出来,MCCE算法将再次需要8~11秒确认室颤/室速是否仍然存在,设备此时进行充电,一旦确认仍然为室颤/室速心律,将给予电击治疗。从检测到室颤/室速到实施电击治疗的整个过程通常耗时不到1分钟。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种基于增强现实技术的人机广告交互方法与系统的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种结合时域与频域分析识别可除颤心律的方法,其特征在于,包括:
获取心电信号并进行滤波去噪、心搏检测和心率计算;
对所述心电信号进行VF/VT多参数分析,其中,所述VF/VT多参数分析包括时域特征参数分析和频域的多频段功率谱参数分析;
对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述时域特征参数分析包括时域的数据归一化、ETD分析、复杂度分析、概率密度分析、斜率分析、RR均方差分析及RAmp均方差分析,所述频域的多频段功率谱参数分析包括采用Barro频谱分析法从频谱中提取两个参数。
3.根据权利要求2所述的方法,其特征在于,所述时域的ETD分析为:
采用扩展时延相空间三维算法,将心电信号x(t)构建在下述二维空间中:
以x(t)为x轴,以x(t+τ)为y轴,其中τ为延迟时间;
将x轴、y轴数据均进行40等份划分,确定最大值max和最小值min;
将x轴数据的每个数据点映射到40个等份中;
将y轴数据的每个数据点映射到40个等份中,得到x,y轴数据二维映射40*40方格;
遍历整个数据长度,统计x,y轴数据在整个网格中的分布密度,将Z轴作为每个方格重叠次数的计数;
设定一个Z轴阈值,统计40*40方格空间中Z轴值小于该阈值且大于0的格子数,格子数值即为ETD值。
4.根据权利要求2所述的方法,其特征在于,所述复杂度分析包括:
采用Lempel-Ziv复杂度算法,得到最终波形复杂度C。
8.根据权利要求1所述的方法,其特征在于,所述对VF/VT特征参数分析后进行综合决策,得到可除颤节律的识别结果包括:
判断心率值HR是否为0且所述时域的PD是否小于650,若是则继续对VF/VT特征参数分析后进行综合决策,如否则判定为非可除颤节律。
9.根据权利要求6所述的方法,其特征在于,所述对VF/VT特征参数分析后进行综合决策还包括:通过利用预设的时/频域的7个参数:时域的ETD、复杂度、PD、斜率和RR均方差、频域的多频段功率谱参数和心率值HR进行每秒的VF/VT特征阈值条件识别策略,得到当前秒的最终VF/VT结果。
10.根据权利要求1所述的方法,其特征在于,还包括对预处理心电信号进行数据存储和显示输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354264.9A CN112545531A (zh) | 2020-11-27 | 2020-11-27 | 一种结合时域与频域分析识别可除颤心律的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354264.9A CN112545531A (zh) | 2020-11-27 | 2020-11-27 | 一种结合时域与频域分析识别可除颤心律的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112545531A true CN112545531A (zh) | 2021-03-26 |
Family
ID=75046147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011354264.9A Pending CN112545531A (zh) | 2020-11-27 | 2020-11-27 | 一种结合时域与频域分析识别可除颤心律的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112545531A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116492598A (zh) * | 2023-03-13 | 2023-07-28 | 苏州维伟思医疗科技有限公司 | 低误报警率的心律转复除颤方法、装置、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989897A (zh) * | 2005-12-29 | 2007-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于复杂度的心室纤颤综合检测方法 |
CN104382590A (zh) * | 2014-12-11 | 2015-03-04 | 赖大坤 | 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法 |
CN105796096A (zh) * | 2014-12-31 | 2016-07-27 | 深圳先进技术研究院 | 一种心率变异性分析方法、系统及终端 |
CN108937916A (zh) * | 2018-08-03 | 2018-12-07 | 西南大学 | 一种心电信号检测方法、装置及存储介质 |
CN110946573A (zh) * | 2019-11-01 | 2020-04-03 | 东软集团股份有限公司 | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 |
CN111419215A (zh) * | 2020-04-09 | 2020-07-17 | 苏州维伟思医疗科技有限公司 | 一种除颤决策方法、装置及计算机可读存储介质 |
-
2020
- 2020-11-27 CN CN202011354264.9A patent/CN112545531A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1989897A (zh) * | 2005-12-29 | 2007-07-04 | 深圳迈瑞生物医疗电子股份有限公司 | 基于复杂度的心室纤颤综合检测方法 |
CN104382590A (zh) * | 2014-12-11 | 2015-03-04 | 赖大坤 | 一种结合心电时频域特征分析的可电击复律心律自动识别和归类方法 |
CN105796096A (zh) * | 2014-12-31 | 2016-07-27 | 深圳先进技术研究院 | 一种心率变异性分析方法、系统及终端 |
CN108937916A (zh) * | 2018-08-03 | 2018-12-07 | 西南大学 | 一种心电信号检测方法、装置及存储介质 |
CN110946573A (zh) * | 2019-11-01 | 2020-04-03 | 东软集团股份有限公司 | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 |
CN111419215A (zh) * | 2020-04-09 | 2020-07-17 | 苏州维伟思医疗科技有限公司 | 一种除颤决策方法、装置及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116492598A (zh) * | 2023-03-13 | 2023-07-28 | 苏州维伟思医疗科技有限公司 | 低误报警率的心律转复除颤方法、装置、系统及存储介质 |
CN116492598B (zh) * | 2023-03-13 | 2023-09-29 | 苏州维伟思医疗科技有限公司 | 低误报警率的心律转复除颤方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jekova et al. | Real time detection of ventricular fibrillation and tachycardia | |
Minami et al. | Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network | |
Tsipouras et al. | Arrhythmia classification using the RR-interval duration signal | |
Jekova | Comparison of five algorithms for the detection of ventricular fibrillation from the surface ECG | |
JP2017525410A5 (ja) | 心電図(ecg)信号において心イベントをノイズと区別する、心臓モニタ機器、装着型除細動器及び、そのための方法 | |
US7593772B2 (en) | Methods and devices to characterize the probability of successful defibrillation and determine treatments for ventricular fibrillation | |
US20140207012A1 (en) | Systems and methods for analyzing electrocardiograms to detect ventricular fibrillation | |
JP2013521867A (ja) | 心内電位図の時間−周波数ノイズ検出 | |
US20080215102A1 (en) | Method and system aiding decision making during CPR | |
CN112022144A (zh) | 心电异常检测网络训练方法、心电异常预警方法及装置 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
Parsi et al. | Prediction of sudden cardiac death in implantable cardioverter defibrillators: a review and comparative study of heart rate variability features | |
US11541246B2 (en) | Device and method for detecting ventricular fibrillation | |
US20040220489A1 (en) | Devices, systems and methods for characterization of ventricular fibrillation and for treatment of ventricular fibrillation | |
Krasteva et al. | Assessment of ECG frequency and morphology parameters for automatic classification of life-threatening cardiac arrhythmias | |
CN112545531A (zh) | 一种结合时域与频域分析识别可除颤心律的方法 | |
Parsi et al. | Heart rate variability analysis to predict onset of ventricular tachyarrhythmias in implantable cardioverter defibrillators | |
Othman et al. | A new semantic mining approach for detecting ventricular tachycardia and ventricular fibrillation | |
KR20120094811A (ko) | 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법 | |
Tuboly et al. | Atrial fibrillation detection based on poincaré plot and P wave analysis | |
KR102458657B1 (ko) | 인공지능 기반 자동심장충격기용 복합 ecg특징 추출 방식의 심전도 분석 및 적용 방법 | |
Plesinger et al. | Fast Detection of Ventricular Fibrillation and Ventricular Tachycardia in 1-Lead ECG from Three-Second Blocks | |
JPH08322952A (ja) | 植込型除細動器に適用可能な不整脈を識別する方法及び装置 | |
Jekova et al. | Detection of ventricular fibrillation and tachycardia from the surface ECG by a set of parameters acquired from four methods | |
Kamath | Quantification of electrocardiogram rhythmicity to detect life threatening cardiac arrhythmias using spectral entropy |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |