CN112568886A - 心律的检测方法、电子设备以及计算机可读存储介质 - Google Patents
心律的检测方法、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112568886A CN112568886A CN202011210497.1A CN202011210497A CN112568886A CN 112568886 A CN112568886 A CN 112568886A CN 202011210497 A CN202011210497 A CN 202011210497A CN 112568886 A CN112568886 A CN 112568886A
- Authority
- CN
- China
- Prior art keywords
- signal
- heart rhythm
- rhythm
- heart
- ppg
- 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
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 169
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000013136 deep learning model Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013186 photoplethysmography Methods 0.000 description 103
- 206010003658 Atrial Fibrillation Diseases 0.000 description 16
- 206010003119 arrhythmia Diseases 0.000 description 16
- 230000006793 arrhythmia Effects 0.000 description 16
- 230000006794 tachycardia Effects 0.000 description 14
- 208000001871 Tachycardia Diseases 0.000 description 13
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 230000031700 light absorption Effects 0.000 description 3
- 210000001013 sinoatrial node Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 206010040741 Sinus bradycardia Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 206010003668 atrial tachycardia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization 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
- A61B5/02—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
- A61B5/68—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
-
- 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
-
- 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
- A61B5/72—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
-
- 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
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Nursing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及心律检测技术领域,公开了心律的检测方法、电子设备以及计算机可读存储介质,该方法包括:采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。通过上述方式,能够提升心律检测效率。
Description
技术领域
本申请涉及心律检测技术领域,特别是涉及心律的检测方法、电子设备以及计算机可读存储介质。
背景技术
心律就是指心跳的节奏。正常人的心脏跳动是由一个称为“窦房结”的高级司令部指挥。窦房结发出信号刺激心脏跳动,这种来自窦房结信号引起的心脏跳动,就称为正常的“窦性心律”,频率每分钟约为60~100次。每分钟心跳的次数,即心率就是由此而来。健康的心律应该是十分均匀的,心脏病或心脏神经调节功能不正常时,可出现心律不齐或心律失常。而心律失常的发生在临床上具有高危性。
据统计,仅中国每年就有约60万人死于心源性猝死,其中90%以上的心源性猝死由致命性心律失常导致。心律失常表现轻重不一,其发生具有隐匿性和突发性,有的中度甚至重度心律失常患者仍无明显不适感。因此实现对心律的检测,尤其是早期检测,对于预防心律失常的发生、降低心律失常所诱发的疾病风险,具有重要意义。
相关技术对于心律失常的检测,多是以ECG(electrocardiogram,心电图)为主,包括常规ECG以及动态ECG。而ECG测量装置比较复杂,且需要在检测者身上贴附多个电极并需要人工积极的参与,例如,需要将患者的手搭在心电电极片上。
发明内容
为了解决上述问题,本申请提供心律的检测方法、电子设备以及计算机可读存储介质,能够提升心律检测效率。
本申请采用的一种技术方案是提供一种心律的检测方法,该方法包括:采集PPG(Photoplethysmography,光电容积脉搏波描记法)信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。
其中,对PPG信号进行分段处理,以得到多个信号段,包括:将PPG信号划分为非重叠且等长度的多个信号段,每一信号段至少包括一个心跳周期。
其中,对PPG信号进行分段处理之前,还包括:利用数字滤波器或模拟滤波器对PPG信号进行滤波处理。
其中,对PPG信号进行分段处理之后,还包括:对分段处理后的PPG信号进行归一化处理,以得到多个信号段。
其中,将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型,包括:将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型对每一信号段进行心律类型预测,以得到每一信号段对应的心律类型并输出。
其中,根据每一信号段对应的心律类型得到心律检测结果,包括:对每一信号段对应的心律类型进行统计,以得到每一心律类型的频次,基于满足预设频次的心律类型生成心律检测结果。
其中,基于满足预设频次的心律类型生成心律检测结果,包括:获取每一心律类型的频次中的最高频次;基于最高频次对应的心律类型生成心律检测结果。
其中,根据每一信号段对应的心律类型得到心律检测结果之后,包括:基于心律检测结果生成心律检测报告。
本申请采用的另一种技术方案是提供一种电子设备,该电子设备包括处理器以及与处理器耦接的存储器;其中,存储器用于存储程序数据,处理器用于执行程序数据,以实现上述技术方案提供的方法。
本申请采用的另一种技术方案是提供一种计算机可读存储介质,该计算机可读存储介质用于存储程序数据,程序数据在被处理器执行时,用于实现上述技术方案提供的方法。
本申请的有益效果是:区别于现有技术的情况,本申请的一种心律的检测方法,该方法包括:采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。通过上述方式,与现有技术相比,将PPG信号分段,并利用深度学习模型对每一信号段进行确认,无需提前对PPG信号进行人工特征提取,且利用深度学习模型能够实现多种心律类型检测,提升心律检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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。其中:
图1是本申请提供的心律的检测方法一实施例的流程示意图;
图2是本申请提供的心律的检测方法另一实施例的流程示意图;
图3是本申请提供的PPG信号的一分段示意图;
图4是本申请提供的不同心律类型对应的PPG信号示意图;
图5是本申请提供的不同心律类型的一频次统计示意图;
图6是本申请提供的不同心律类型的另一频次统计示意图;
图7是本申请提供的电子设备一实施例的结构示意图;
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了解决上述问题,本申请通过采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。具体实施方式请详见下述实施例。
参阅图1,图1是本申请提供的心律的检测方法一实施例的流程示意图。该方法包括:
步骤11:采集PPG信号。
可选地,采集PPG信号可以使用光电容积脉搏波传感器进行采集。光电容积脉搏波传感器可以设置于可穿戴设备中,如智能手环、智能臂带、智能手表、智能戒指和颈部按摩仪等可穿戴设备。通过将可穿戴设备佩戴于用户的相应部位,利用光电容积脉搏波传感器进行PPG信号的采集,如智能戒指佩戴于手指,则利用智能戒指上的光电容积脉搏波传感器从手指进行PPG信号的采集;智能手环、智能手表佩戴于手腕处,则利用智能手环或智能手表上的光电容积脉搏波传感器从手腕处进行PPG信号的采集;智能臂带佩戴于手臂处,则利用智能臂带上的光电容积脉搏波传感器从手臂处进行PPG信号的采集;颈部按摩仪佩戴于颈部,则利用颈部按摩仪上的光电容积脉搏波传感器从颈部进行PPG信号的采集。
光电容积脉搏波传感器采集PPG的原理为利用光电手段在活体组织中检测血液容积变化。当一定波长的光束照射到皮肤表面,每次心跳时,血管的收缩和扩张都会影响光的透射(例如在透射PPG中,通过指尖的光线)或是光的反射(例如在反射PPG中,来自皮肤表面附近的光线)。当光线透过皮肤组织然后再反射到光敏传感器时,光照会有一定的衰减。像肌肉、骨骼、静脉和其他连接组织对光的吸收是基本不变的,但是动脉会不同,由于动脉里有血液的脉动,那么对光的吸收自然也会有所变化。当把光转换成电信号时,正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变,得到的信号就可以分为直流DC信号和交流AC信号。提取其中的AC信号,就能反应出血液流动的特点。
在一些实施例中,可以启动光电容积脉搏波传感器实时采集PPG信号。
在一些实施例中,采集PPG信号可以按照时间周期进行采集,如以二十分钟为一个时间周期,前十分钟启动光电容积脉搏波传感器进行采集,后十分钟停止采集。通过这种方式,能够在采集PPG信号之余,节约光电容积脉搏波传感器对应的设备的能耗。
在一些实施例中,采集PPG信号可以按照固定时间进行采集,如以早上八点、中午十二点以及晚上八点为采集时间点,到达该时间时启动光电容积脉搏波传感器进行采集,并设置采集时间,如10~60分钟,具体地可以是30分钟或20分钟或25分钟或50分钟。通过这种方式,能够在采集PPG信号之余,节约光电容积脉搏波传感器对应的设备的能耗。
步骤12:对PPG信号进行分段处理,以得到多个信号段。
可选地,在采集到预设时间长度的PPG信号后,对该PPG信号进行分段处理,如,预设时间长度为10分钟,将这10分钟的PPG信号按照20秒的间隔进行分段,则可以得到30个信号段。
在一些实施例中,在步骤12之前还包括,在采集到预设时间长度的PPG信号后,对PPG信号进行滤波处理。如利用数字滤波器对PPG信号进行滤波处理,数字滤波器对信号滤波的方法是:用数字计算机对数字信号进行处理,处理就是按照预先编制的程序进行计算。又如利用模拟滤波器对PPG信号进行滤波处理。模拟滤波器是能对模拟或连续时间信号进行滤波的电路和器件。
滤波处理是为了去除PPG信号采集过程中的干扰,如由于测量部位的移动、自然光、日光灯等等干扰。
在一些实施例中,对PPG信号进行滤波处理还可以使用巴特沃斯低通滤波器去噪、FIR(Finite Impulse Response,有限冲激响应)低通滤波器去噪、移动平均滤波去噪、中值滤波去噪、维纳滤波去噪、自适应滤波去噪和小波去噪等任一方式。
步骤13:将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型。
可选地,深度学习模型可以是利用卷积神经网络、去卷积网络、深度卷积逆向图网络、生成对抗网络、循环神经网络、长短期记忆网络、门循环单元神经、图灵机、深度残差网络、回声状态网络、极限学习机、去噪自动编码、深度信念网络、变分自动编码和玻尔兹曼机中任一技术训练得到的。
在一些实施例中,深度学习模型是一个多分类模型,是基于多组多心律类型的PPG数据和心律类型标签训练得到的,其可以准确地对多种心律类型如,窦性心律、早搏、房颤、心动过速、噪声等进行分类。
当多个已分段完成的信号段输入至预先建立的深度学习模型中,深度学习模型会对每一信号段进行特征提取,并基于提取到的特征与深度学习模型中的预设特征进行比对,比对结果大于阈值,则确定该提取到的特征与预设特征匹配,则将该预设特征的标签作为提取到的特征的标签输出,即该标签表示每一信号段的心律类型。
步骤14:根据每一信号段对应的心律类型得到心律检测结果。
在一些实施例中,因每一信号段均对应一种心律类型,则采集到的PPG信号会对应至少一种心律类型。则步骤14可以具体是将每一心律类型进行统计,得到每一心律类型对应的频次,将超过预设频次的心律类型作为心律检测结果。
在一些实施例中,心律类型包括心律正常类型和心律失常类型。如心律失常类型包括窦性心动过速、窦性心动过缓、窦性心律不齐、窦性停搏、早搏、阵发性室上性心动过速、阵发性室性心动过速、房扑、房颤等,心律正常类型则是正常窦性心律。
如,每一信号段对应的心律类型中不存在心律失常类型,则表明当前心律正常,则得到的心律检测结果为正常。且可以根据心律检测结果生成心率检测报告发送至移动终端。
如,设置有光电容积脉搏波传感器的设备与移动终端通信连接,在该设备生成心律检测报告后,将该心律检测报告发送至移动终端,以使移动终端的用户查看该心律检测报告。
在一些实施例中,设置有光电容积脉搏波传感器的设备上设置有显示屏。如智能手表和智能手环等,可以在生成心律检测报告后,直接在显示屏上进行显示,并通过语音或者振动提醒用户查看。利用设备可随身携带的便携性,降低心律检测的复杂程度,提升检测效率。
区别于现有技术的情况,本申请的一种心律的检测方法,该方法包括:采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。与现有技术相比,将PPG信号分段,并利用深度学习模型对每一信号段进行确认,无需提前对PPG信号进行人工特征提取,且利用深度学习模型能够实现多种心律类型检测,提升心律检测效率。PPG信号采集相较于心电图的采集更为便捷且更易集成到可穿戴设备等电子设备中。
参阅图2,图2是本申请提供的心律的检测方法另一实施例的流程示意图。该方法包括:
步骤21:采集PPG信号。
通过光电容积脉搏波传感器采集PPG信号。采集的位置可以手指、手腕、耳朵和脚趾等任一部位。
步骤22:利用数字滤波器或模拟滤波器对PPG信号进行滤波处理。
利用数字滤波器或者模拟滤波器去除PPG信号中的低频、工频和高频噪声干扰。
步骤23:将PPG信号划分为非重叠且等长度的多个信号段,每一信号段至少包括一个心跳周期。
在一些实施例中,如图3所示,将采集的PPG信号按照时间顺序进行非重叠且等长度的划分,划分为时间长度为L的4个PPG信号段,且每个PPG信号段之间没有重叠。为了保证后续对信号段的判断,需要在划分时保证每一信号段至少包括一个心跳周期。如以成年人平均心率每分钟75次计,每一心跳周期平均为0.8秒,其中心房收缩期平均为0.11秒,舒张期平均为0.69秒。心室收缩期平均为0.27秒,舒张期平均为0.53秒。则划分的时间长度L大于心跳周期的时间长度或者大于若干个心跳周期的时间长度即可,如5个、10个等。这样能够保证每个信号段中均存在心跳的有效信息。
步骤24:对分段处理后的PPG信号进行归一化处理,以得到多个信号段。
在一些实施例中,可以使用离差标准化的方式进行归一化处理,也可以使用Z-score标准化方法进行归一化处理。
对PPG信号进行归一化处理可以提高与后续深度学习模型的适配。
步骤25:将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型对每一信号段进行心律类型预测,以得到每一信号段对应的心律类型并输出。
将归一化处理后的信号段输入至预先建立的深度学习模型中,以使深度学习模型对每一信号段进行心律类型预测,以得到每一信号段对应的心律类型并输出。
在一些实施例中,深度学习模型可以通过以下方式进行训练:提前采集多例心律失常患者的同步ECG和PPG信号进行技术验证。根据ECG信号所表现的心律失常类型,将对应的PPG信号段标注为窦性、早搏、心动过速和房颤四种类型。参阅图4,图4展示的是窦性心律(窦律)、早搏、心动过速和房颤对应的10秒PPG信号段。其中,(a)为窦律;(b)为早搏;(c)为心动过速;(d)为房颤。从图4中可以看出,在不同类型的心律下,PPG信号段的形态、相邻周期之间的间隔(心跳间期)存在着明显的区别,则可以通过深度学习进行较好的分类。随机选择多例PPG信号中的百分之七十五的PPG信号作为训练集,对深度学习模型进行训练;余下的百分之二十五的PPG信号作为测试集,对训练好的深度学习模型进行测试。深度学习模型架构可以是VGGNet网络,信号段划分长度设置为10秒。
在深度学习模型训练好后,利用测试集进行测试得到如下表所示的分类效果。
精确率 | 召回率 | F1-score | |
窦律 | 0.8883 | 0.8877 | 0.8880 |
早搏 | 0.7458 | 0.8419 | 0.7909 |
心动过速 | 0.7810 | 0.6548 | 0.7214 |
房颤 | 0.9246 | 0.7282 | 0.8147 |
平均 | 0.8349 | 0.7781 | 0.8038 |
其中,精确率表示正确预测为正的占全部预测为正的比例,召回率表示正确预测为正的占全部实际为正的比例,F1-score是精确率和召回率的调和平均数。
从上述表中可以看出,深度学习模型对窦律、早搏、心动过速和房颤这四种心律类型分类的平均精确度为80%以上,分类精确度较高。
通过上述方式训练的深度学习模型能够预测出每一段信号段对应的心率类型。
步骤26:对每一信号段对应的心律类型进行统计,以得到每一心律类型的频次,基于满足预设频次的心律类型生成心律检测结果。
在一些实施例中,对每一信号段对应的心律类型进行统计,以得到每一心律类型的频次,获取每一心律类型的频次中的最高频次;基于最高频次对应的心律类型生成心律检测结果。如图5所示,以深度学习模型进行分类的心律类型为窦律、早搏、心动过速和房颤为例,进行说明:
深度学习模型对每一信号段进行心律类型预测,经过统计形成如图5所示的统计图,其中,房颤的频次最高达到了400次,心动过速未出现,窦律和早搏均低于100次,则将频次最高的房颤作为预测的最终结果,以最终结果为准生成心律检测结果。
在一些实例中,对每一信号段对应的心律类型进行统计,以得到每一心律类型的频次,若存在心律类型的频次满足预设比例,则将该心律类型作为预测结果;基于该心律类型生成心律检测结果。如图6所示,以深度学习模型进行分类的心律类型为窦律、早搏、心动过速和房颤为例,进行说明:
深度学习模型对每一信号段进行心律类型预测,经过统计形成如图5所示的统计示意图,其中,房颤的频次达到了600次,心动过速的频次达到了500次,窦律和早搏为100次,即整个PPG信号被划分了1300段,其中,房颤占比十三分之六,心动过速占比十三分之五,预设比例百分之三十,则房颤占比和心动过速占比均超过预设比例,则将房颤和心动过速作为预测的最终结果,以最终结果为准生成心律检测结果。
在一些实施例中,若对每一信号段对应的心律类型进行统计,以得到每一心律类型的频次,若存在相同频次的心律类型时,则将相同频次的心律类型作为预测的最终结果,以最终结果为准生成心律检测结果。
最后,基于心律检测结果生成心律检测报告,该报告中可以具体指出本次心律检测结果以及后续的护理建议。如建议心律失常者应避免吸烟、饮酒,不要饮浓茶和咖啡。
在一应用场景中,通过光电容积脉搏波传感器采集受试者的PPG信号样本,得到原始PPG信号样本Sig,利用数字滤波器或者模拟滤波器去除原始PPG信号样本Sig中的低频、工频和高频噪声干扰,得到去噪后的PPG信号Fsig;然后,将去噪后的PPG信号Fsig按照非重叠、等长度的方式划分为PPG信号段序列,即Fsig={Fsig1,Fsig2,…,Fsign},其中n为划分的信号段总数。最后,对Fsig中的每个PPG信号段进行归一化处理,得到归一化后的PPG信号段序列需要指出的是,这里划分的PPG信号段是非重叠的,且划分的长度至少应能包括一个心跳的PPG。
使用深度学习模型,对的每个归一化后的PPG信号段进行预测,得到对的心律类型预测序列EP={EP1,EP2,…,EPn},其中EPi表示所使用的深度学习模型对归一化后的PPG信号段预测的心律类型;根据心律类型预测序列生成针对所采集的PPG信号样本的心律检测报告。该心律检测报告的一种形式是:统计心律类型预测序列EP中各心律类型出现的频率,以出现频次最高的心律类型作为该样本最终的心律类型预测结果。
这里的深度学习模型是一个多分类模型,是基于多组多类型心律PPG数据和心律类型标签训练得到的,其可以准确地对多种心律失常类型,如窦性心律、早搏、房颤和心动过速等进行分类。
通过上述方式,将PPG信号分段,并利用深度学习模型对每一信号段进行确认,无需提前对PPG信号进行人工特征提取,且利用深度学习模型能够实现多种心律类型检测,提升心律检测效率。PPG信号采集相较于心电图的采集更为便捷且更易集成到可穿戴设备等电子设备中。
参阅图7,图7是本申请提供的电子设备一实施例的结构示意图。该电子设备70包括处理器71以及与处理器71耦接的存储器72;其中,存储器72用于存储程序数据,处理器71用于执行程序数据,以实现以下的方法:
采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。
可以理解地,本实施例中的处理器71还可以实现上述实施例的任一方法,这里不再赘述。
在一些实施例中,电子设备可以是可穿戴设备,如智能手环、智能臂带、智能手表、智能戒指和颈部按摩仪等。电子设备上设置有光电容积脉搏波传感器,用于采集PPG信号。
参阅图8,图8是本申请提供的计算机可读存储介质一实施例的结构示意图,计算机可读存储介质80用于存储程序数据81,程序数据81在被处理器执行时,用于实现以下的方法:
采集PPG信号;对PPG信号进行分段处理,以得到多个信号段;将多个信号段输入至预先建立的深度学习模型中,以使深度学习模型输出每一信号段对应的心律类型;根据每一信号段对应的心律类型得到心律检测结果。
可以理解地,本实施例中的计算机可读存储介质80还可以实现上述实施例的任一方法,这里不再赘述。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,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。
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方式方案的目的。
另外,在本申请各个实施方式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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元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全部或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)或处理器(processor)执行本申请各个实施方式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(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、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实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种心律的检测方法,其特征在于,所述方法包括:
采集PPG信号;
对所述PPG信号进行分段处理,以得到多个信号段;
将多个所述信号段输入至预先建立的深度学习模型中,以使所述深度学习模型输出每一所述信号段对应的心律类型;
根据每一所述信号段对应的心律类型得到心律检测结果。
2.根据权利要求1所述的方法,其特征在于,
所述对所述PPG信号进行分段处理,以得到多个信号段,包括:
将所述PPG信号划分为非重叠且等长度的多个信号段,每一所述信号段至少包括一个心跳周期。
3.根据权利要求1所述的方法,其特征在于,
所述对所述PPG信号进行分段处理之前,还包括:
利用数字滤波器或模拟滤波器对所述PPG信号进行滤波处理。
4.根据权利要求1所述的方法,其特征在于,
所述对所述PPG信号进行分段处理之后,还包括:
对分段处理后的所述PPG信号进行归一化处理,以得到多个所述信号段。
5.根据权利要求1所述的方法,其特征在于,
所述将多个所述信号段输入至预先建立的深度学习模型中,以使所述深度学习模型输出每一所述信号段对应的心律类型,包括:
将多个所述信号段输入至预先建立的深度学习模型中,以使所述深度学习模型对每一所述信号段进行心律类型预测,以得到每一所述信号段对应的心律类型并输出。
6.根据权利要求5所述的方法,其特征在于,
所述根据每一所述信号段对应的心律类型得到心律检测结果,包括:
对每一所述信号段对应的心律类型进行统计,以得到每一所述心律类型的频次,基于满足预设频次的心律类型生成所述心律检测结果。
7.根据权利要求6所述的方法,其特征在于,
所述基于满足预设频次的心律类型生成所述心律检测结果,包括:
获取每一所述心律类型的频次中的最高频次;
基于所述最高频次对应的心律类型生成所述心律检测结果。
8.根据权利要求1所述的方法,其特征在于,
所述根据每一所述信号段对应的心律类型得到心律检测结果之后,包括:
基于所述心律检测结果生成心律检测报告。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及与所述处理器耦接的存储器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据,以实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序数据,所述程序数据在被处理器执行时,用于实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210497.1A CN112568886A (zh) | 2020-11-03 | 2020-11-03 | 心律的检测方法、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210497.1A CN112568886A (zh) | 2020-11-03 | 2020-11-03 | 心律的检测方法、电子设备以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112568886A true CN112568886A (zh) | 2021-03-30 |
Family
ID=75120370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210497.1A Pending CN112568886A (zh) | 2020-11-03 | 2020-11-03 | 心律的检测方法、电子设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112568886A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
CN114224356A (zh) * | 2021-12-21 | 2022-03-25 | 苏州大学附属第一医院 | 一种心房颤动检测装置 |
CN114343648A (zh) * | 2022-01-07 | 2022-04-15 | 中山大学附属第一医院 | 肌力评定方法、系统和计算机可读存储介质 |
CN114391824A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于ppg信号的心率估计方法、电子设备及存储介质 |
CN116035548A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
CN117942056A (zh) * | 2023-12-18 | 2024-04-30 | 复旦大学 | 一种基于脉搏波的心率失常多分类检测方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107007277A (zh) * | 2017-05-04 | 2017-08-04 | 常州金姆健康科技有限公司 | 一种精准快速可调式智能化心律检测系统及方法 |
US20170258342A1 (en) * | 2016-03-14 | 2017-09-14 | Tata Consultancy Services Limited | Method and system of detecting arrhythmia using photoplethysmogram signal |
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN109077720A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号处理方法、装置、设备和存储介质 |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN109480816A (zh) * | 2018-12-18 | 2019-03-19 | 安徽华米信息科技有限公司 | 心律监控方法、装置、电子设备及计算机可读存储介质 |
CN109497984A (zh) * | 2018-12-27 | 2019-03-22 | 深圳还是威健康科技有限公司 | 一种心率信号的处理方法及相关设备 |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
US20190298201A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Detection of atrial fibrillation |
CN110301911A (zh) * | 2018-03-27 | 2019-10-08 | 三星电子株式会社 | 基于光电血管容积图的被动心律失常检测装置和方法 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
US20200100693A1 (en) * | 2017-10-03 | 2020-04-02 | Salutron, Inc. | Arrhythmia monitoring using photoplethysmography |
CN111134634A (zh) * | 2019-12-20 | 2020-05-12 | 西安理工大学 | 一种基于聚类分析的光电容积脉搏波分析处理方法 |
CN111265210A (zh) * | 2020-03-24 | 2020-06-12 | 华中科技大学 | 一种基于深度学习的房颤预测装置和设备 |
-
2020
- 2020-11-03 CN CN202011210497.1A patent/CN112568886A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20170258342A1 (en) * | 2016-03-14 | 2017-09-14 | Tata Consultancy Services Limited | Method and system of detecting arrhythmia using photoplethysmogram signal |
CN107007277A (zh) * | 2017-05-04 | 2017-08-04 | 常州金姆健康科技有限公司 | 一种精准快速可调式智能化心律检测系统及方法 |
US20200100693A1 (en) * | 2017-10-03 | 2020-04-02 | Salutron, Inc. | Arrhythmia monitoring using photoplethysmography |
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN110301911A (zh) * | 2018-03-27 | 2019-10-08 | 三星电子株式会社 | 基于光电血管容积图的被动心律失常检测装置和方法 |
US20190298201A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Detection of atrial fibrillation |
CN109077720A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号处理方法、装置、设备和存储介质 |
CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
CN109480816A (zh) * | 2018-12-18 | 2019-03-19 | 安徽华米信息科技有限公司 | 心律监控方法、装置、电子设备及计算机可读存储介质 |
CN109497984A (zh) * | 2018-12-27 | 2019-03-22 | 深圳还是威健康科技有限公司 | 一种心率信号的处理方法及相关设备 |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
CN111134634A (zh) * | 2019-12-20 | 2020-05-12 | 西安理工大学 | 一种基于聚类分析的光电容积脉搏波分析处理方法 |
CN111265210A (zh) * | 2020-03-24 | 2020-06-12 | 华中科技大学 | 一种基于深度学习的房颤预测装置和设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113243902A (zh) * | 2021-05-31 | 2021-08-13 | 之江实验室 | 一种基于光电容积脉搏波的特征提取方法 |
CN114224356A (zh) * | 2021-12-21 | 2022-03-25 | 苏州大学附属第一医院 | 一种心房颤动检测装置 |
CN114343648A (zh) * | 2022-01-07 | 2022-04-15 | 中山大学附属第一医院 | 肌力评定方法、系统和计算机可读存储介质 |
CN114343648B (zh) * | 2022-01-07 | 2024-06-04 | 中山大学附属第一医院 | 肌力评定方法、系统和计算机可读存储介质 |
CN114391824A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于ppg信号的心率估计方法、电子设备及存储介质 |
CN116035548A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
CN116035548B (zh) * | 2023-03-31 | 2023-06-09 | 深圳市九天睿芯科技有限公司 | 心律状态检测方法、装置、智能穿戴设备及存储介质 |
CN117942056A (zh) * | 2023-12-18 | 2024-04-30 | 复旦大学 | 一种基于脉搏波的心率失常多分类检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112568886A (zh) | 心律的检测方法、电子设备以及计算机可读存储介质 | |
Biswas et al. | Heart rate estimation from wrist-worn photoplethysmography: A review | |
Mousavi et al. | Blood pressure estimation from appropriate and inappropriate PPG signals using A whole-based method | |
Naeini et al. | A real-time PPG quality assessment approach for healthcare Internet-of-Things | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
CN110742585B (zh) | 基于bcg信号的睡眠分期方法 | |
Wen et al. | A feasible feature extraction method for atrial fibrillation detection from BCG | |
Silva et al. | Signal quality estimation with multichannel adaptive filtering in intensive care settings | |
Tueche et al. | Embedded algorithm for QRS detection based on signal shape | |
CN111265210A (zh) | 一种基于深度学习的房颤预测装置和设备 | |
Rankawat et al. | Robust heart rate estimation from multimodal physiological signals using beat signal quality index based majority voting fusion method | |
CN111832537B (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
Thamarai et al. | Denoising of EEG, ECG and PPG signals using wavelet transform | |
Manikandan et al. | Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices | |
Alim et al. | Application of machine learning on ecg signal classification using morphological features | |
Chou et al. | Modelling arterial blood pressure waveforms for extreme bradycardia and tachycardia by curve fitting with Gaussian functions | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Zhao et al. | [Retracted] An Early Warning of Atrial Fibrillation Based on Short‐Time ECG Signals | |
Lee et al. | ECG measurement system for vehicle implementation and heart disease classification using machine learning | |
Khavas et al. | Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion | |
Amjad et al. | Diagnosis of cardiac disorders featuring pulse plethysmograph signals | |
Lutin et al. | Learning based quality indicator aiding heart rate estimation in wrist-worn PPG | |
Lu et al. | Uncertainties in the Analysis of Heart Rate Variability: A Systematic Review | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network |
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 |