CN112587150A - 利用模糊化相似性模板的心电信号类型识别方法和装置 - Google Patents
利用模糊化相似性模板的心电信号类型识别方法和装置 Download PDFInfo
- Publication number
- CN112587150A CN112587150A CN202011389788.1A CN202011389788A CN112587150A CN 112587150 A CN112587150 A CN 112587150A CN 202011389788 A CN202011389788 A CN 202011389788A CN 112587150 A CN112587150 A CN 112587150A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- vectors
- similarity
- vector
- symbolic
- 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.)
- Granted
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
- A61B5/72—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种利用模糊化相似性模板的心电信号类型识别方法和装置,通过数据预处理、索引向量将室性早搏心跳向量构筑成模糊符号型向量,再以欧式距离对相似的模糊符号型向量进行归类,分别形成若干包含所有已知心电类型的模板,该模板即用于判别心电信号是否为室性早搏心跳,具有挑选准确,能够覆盖各种室性早搏心跳的形状。
Description
技术领域
本申请属于心电图处理技术领域,尤其是涉及一种利用模糊化相似性模板的心电信号类型识别方法和装置。
背景技术
从24小时动态心电图上识别出所有的异位心跳,耗费大量人力物力;若全由心电图医生的人工分析,检测者的增多,会给医生带来繁重的压力;并且医生可能因为疲劳而忽略或误判某些心电特征,因此计算机辅助心电信号的分析变得尤为重要。室性早搏是异位心跳中的常见类型之一。针对室性早搏心跳的自动化诊断,国内外已经出现许多具有指导意义的成果,但由于室性早搏的激动点可能来自不同部位,导致室性早搏波形形态复杂。因此找到所有波形类型的模板对于室性早搏心跳的挑选来说尤为重要,模板直接导致了室性早搏心跳识别的准确性。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种利用模糊化相似性模板的心电信号类型识别方法和装置。
本发明解决其技术问题所采用的技术方案是:
一种利用模糊化相似性模板的心电信号类型识别方法,包括以下步骤:
包括以下步骤:
A1:以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
A2:采集未知类别的心电信号数据;
A3:对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
A1步骤中若干模糊化相似性模板构筑方法为:
S1:数据收集,收集包含室性早搏心跳的临床静息心电信号数据,并且室性早搏心跳发生位置已知;
S2:数据预处理,从心电信号中截取得到室性早搏心跳向量,向量的长度与预设时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
S3:构筑索引向量:从1至M中,随机选取若干整数值组成索引向量indx(i);
S4:模糊化处理:以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p,筛选向量p中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,从j=1开始,分别比较p与p的大小,其中j为1到i之间的奇数,当第p大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
S5:相似性比较,针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;
S6:模板生成,挑选模糊符号型向量生成获取若干模糊化相似性模板,所有模板中包含了所有模糊符号型向量,其中第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于预设值的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于预设值的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于预设值的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数;
A3步骤中对未知类别的心电信号数据进行处理与S2至S4步骤中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别方法,预处理采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将信号重采样为500Hz。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别方法,从1至M中,随机选取10%M-15%M的整数值组成索引向量indx(i),i为10%M-15%M。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别方法,所述预设值为5。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别方法,包含室性早搏心跳的临床静息心电信号数据的长度至少为10s,预设时间为0.9s。
本发明还提供一种利用模糊化相似性模板的心电信号类型识别装置,包括:
模板构筑模块:用于以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
数据输入模块:用于采集未知类别的心电信号数据;
数据处理模块:用于对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
模板构筑模块具体包括:
数据收集子模块:用于收集包含室性早搏心跳的临床静息心电信号数据,并且室性早搏心跳发生位置已知;
数据预处理子模块:用于从心电信号中截取得到室性早搏心跳向量,向量的长度与预设时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
构筑索引向量子模块:用于从1至M中,随机选取若干整数值组成索引向量indx(i);
模糊化处理子模块:用于以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p,筛选向量p中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,从j=1开始,分别比较p与p的大小,其中j为1到i之间的奇数,当第p大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
相似性比较子模块:用于针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;
模板生成子模块:用于挑选模糊符号型向量生成获取若干模板,所有模板中包含了所有模糊符号型向量,其中第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于预设值的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于预设值的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于预设值的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数;
数据处理模块中对未知类别的心电信号数据进行处理与数据预处理子模块、构筑索引向量子模块和模糊化处理子模块中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别装置,预处理采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将信号重采样为500Hz。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别装置,从1至M中,随机选取10%M-15%M的整数值组成索引向量indx(i),i为10%M-15%M。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别装置,所述预设值为5。
优选地,本发明的利用模糊化相似性模板的心电信号类型识别装置,包含室性早搏心跳的临床静息心电信号数据的长度至少为10s,预设时间为0.9s。
本发明的有益效果是:
本申请的利用模糊化相似性模板的心电信号类型识别方法和装置,通过数据预处理、索引向量将室性早搏心跳向量构筑成模糊符号型向量,再以欧式距离对相似的模糊符号型向量进行归类,分别形成若干包含所有已知心电类型的模板,该模板即用于判别心电信号是否为室性早搏心跳,具有挑选准确,能够覆盖各种室性早搏心跳的形状。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的包含模糊化相似性测量方法的模板生成方法的流程图;
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种利用模糊化相似性模板的心电信号类型识别方法,如图1所示,包括以下步骤:
A1:以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
A2:采集未知类别的心电信号数据;
A3:对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
S1:数据收集,收集包含室性早搏心跳的临床静息10s心电信号数据,并且室性早搏心跳发生位置已知;
S2:数据预处理,从心电信号中截取得到室性早搏心跳向量(由各采样点的电压值组成),向量的长度与0.9s时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
预处理还可采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,还需要采用最邻近内插法将信号重采样为500Hz,由于1s内具有500个采样点,因此,0.9s时间内对应的采样点的数量为450个,按照R波前299个点到R波后150个点进行截断,并使R波峰位置都在第300个点。之后将每个心电信号进行均值滤波,归一化。
S3:构筑索引向量:从1至M中,随机选取10%-15%M的整数值组成索引向量indx(i),i为10%-15%M;
S4:模糊化处理:
以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p(j),筛选向量p(j)中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,从j=1开始,分别比较p(j)与p(j+1)的大小,其中j为1到i之间的奇数,当第p(j)大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
S5:相似性比较,针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;欧式距离代表了对应室性早搏心跳之间的相似度,距离越近,则形状越相近;
S6:模板生成,挑选模糊符号型向量生成获取若干模板,所有模板中包含了所有模糊符号型向量,其中
第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于5的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;
第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于5的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于5的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数。
通过上述方法就生成了用于识别室性早搏心跳的若干模板。
A3步骤中对未知类别的心电信号数据进行处理与S2至S4步骤中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
对于未知是否为室性早搏心跳的新的心电信号,按照S2-S4步骤的方法构筑起模糊符号型向量,再将模糊符号型向量依次与第一模板和第N模板进行欧式距离计算,与任意一个模板的欧式距离大于5均认为是室性早搏心跳,与所有模板之间的欧式距离均大于5;则认为新的心跳不属于室性早搏心跳。
实施例2
本实施例提供一种利用模糊化相似性模板的心电信号类型识别装置,包括:
模板构筑模块:用于以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
数据输入模块:用于采集未知类别的心电信号数据;
数据处理模块:用于对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
模板构筑模块具体包括:
数据收集子模块,用于收集包含室性早搏心跳的临床静息10s心电信号数据,并且室性早搏心跳发生位置已知;
数据预处理子模块,用于从心电信号中截取得到室性早搏心跳向量,向量的长度与预设时间(0.9s)时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
预处理还可采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,还需要采用最邻近内插法将信号重采样为500Hz,由于1s内具有500个采样点,因此,0.9s时间内对应的采样点的数量为450个,按照R波前299个点到R波后150个点进行截断,并使R波峰位置都在第300个点。之后将每个心电信号进行均值滤波,归一化。
构筑索引向量子模块:用于从1至M中,随机选取10%-15%M的整数值组成索引向量indx(i),i为10%-15%M;
模糊化处理子模块:用于以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p,筛选向量p中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,比如indx(i)=1,3,7,9……,那么筛选向量p就为第1个、第3个、第7个、第9个……采样点对应的心电信号的电压值/mV)从j=1开始,分别比较p与p的大小,其中j为1到i之间的奇数,当第p大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
相似性比较子模块:用于针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;欧式距离代表了对应室性早搏心跳之间的相似度,距离越近,则形状越相近;
模板生成子模块:用于挑选模糊符号型向量生成获取若干模板,所有模板中包含了所有模糊符号型向量,其中第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于5的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;
第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于预设值(比如为5)的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于5的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数。
通过上述方法就生成了用于识别室性早搏心跳的若干模板。
数据处理模块中对未知类别的心电信号数据进行处理与数据预处理子模块、构筑索引向量子模块和模糊化处理子模块中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种利用模糊化相似性模板的心电信号类型识别方法,其特征在于,包括以下步骤:
A1:以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
A2:采集未知类别的心电信号数据;
A3:对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
A1步骤中若干模糊化相似性模板构筑方法为:
S1:数据收集,收集包含室性早搏心跳的临床静息心电信号数据,并且室性早搏心跳发生位置已知;
S2:数据预处理,从心电信号中截取得到室性早搏心跳向量,向量的长度与预设时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
S3:构筑索引向量:从1至M中,随机选取若干整数值组成索引向量indx(i);
S4:模糊化处理:以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p(j),筛选向量p(j)中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,从j=1开始,分别比较p(j)与p(j+1)的大小,其中j为1到i之间的奇数,当第p(j)大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
S5:相似性比较,针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;
S6:模板生成,挑选模糊符号型向量生成获取若干模糊化相似性模板,所有模板中包含了所有模糊符号型向量,其中第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于预设值的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于预设值的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于预设值的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数;
A3步骤中对未知类别的心电信号数据进行处理与S2至S4步骤中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
2.根据权利要求1所述的利用模糊化相似性模板的心电信号类型识别方法,其特征在于,预处理采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将信号重采样为500Hz。
3.根据权利要求1或2所述的利用模糊化相似性模板的心电信号类型识别方法,其特征在于,从1至M中,随机选取10%M-15%M的整数值组成索引向量indx(i),i为10%M-15%M。
4.根据权利要求1-3任一项所述的利用模糊化相似性模板的心电信号类型识别方法,其特征在于,所述预设值为5。
5.根据权利要求1-4任一项所述的利用模糊化相似性模板的心电信号类型识别方法,其特征在于,包含室性早搏心跳的临床静息心电信号数据的长度至少为10s,预设时间为0.9s。
6.一种利用模糊化相似性模板的心电信号类型识别装置,其特征在于,包括:
模板构筑模块:用于以已知心电信号类型的心电信号构筑若干模糊化相似性模板;
数据输入模块:用于采集未知类别的心电信号数据;
数据处理模块:用于对未知类别的心电信号数据进行处理,并与所有模糊化相似性模板中进行相似性比较以判断未知类别的心电信号数据是否为所述心电信号类型;
模板构筑模块具体包括:
数据收集子模块:用于收集包含室性早搏心跳的临床静息心电信号数据,并且室性早搏心跳发生位置已知;
数据预处理子模块:用于从心电信号中截取得到室性早搏心跳向量,向量的长度与预设时间内对应的采样点的数量M,且R波峰位置位于室性早搏心跳向量中从前往后的2/3位置处;
构筑索引向量子模块:用于从1至M中,随机选取若干整数值组成索引向量indx(i);
模糊化处理子模块:用于以索引向量indx(i)的数值分别对所有室性早搏心跳向量进行筛选得到与室性早搏心跳向量数量相同的筛选向量p(j),筛选向量p(j)中的每个量均有顺序地与索引向量indx(i)中的i所代表的整数值对应的采样点的心电信号的电压值,从j=1开始,分别比较p(j)与p(j+1)的大小,其中j为1到i之间的奇数,当第p(j)大,则记为1;当p(j+1)大;记为-1;若p(j)=p(j+1)时记为0,将比较结果按顺序排列形成模糊符号型向量;
相似性比较子模块:用于针对所有室性早搏心跳向量得到的模糊符号型向量,计算任意两个模糊符号型向量的欧式距离;
模板生成子模块:用于挑选模糊符号型向量生成获取若干模板,所有模板中包含了所有模糊符号型向量,其中第一模板为第一模糊符号型向量,第一模糊符号型向量的获取条件为:与第一模糊符号型向量的欧式距离小于预设值的模糊符号型向量在所有模糊符号型向量中占比最多,其占比大于5%;第N模板为第N模糊符号型向量,第N模糊符号型向量的获取条件为:剔除掉与前第N-1个模板的欧式距离小于预设值的模糊符号型向量后,与第N模糊符号型向量的欧式距离小于预设值的模糊符号型向量在剩余模糊符号型向量中占比最多,其占比大于5%;N为≥2的自然数;
数据处理模块中对未知类别的心电信号数据进行处理与数据预处理子模块、构筑索引向量子模块和模糊化处理子模块中的相同;
与所有模糊化相似性模板中进行相似性比较即是判断与所有模糊化相似性模板的欧式距离是否小于预设值。
7.根据权利要求6所述的利用模糊化相似性模板的心电信号类型识别装置,其特征在于,预处理采用上下截止频率为0.1Hz,100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将信号重采样为500Hz。
8.根据权利要求6或7所述的利用模糊化相似性模板的心电信号类型识别装置,其特征在于,从1至M中,随机选取10%M-15%M的整数值组成索引向量indx(i),i为10%M-15%M。
9.根据权利要求6-8任一项所述的利用模糊化相似性模板的心电信号类型识别装置,其特征在于,所述预设值为5。
10.根据权利要求6-9任一项所述的利用模糊化相似性模板的心电信号类型识别装置,其特征在于,包含室性早搏心跳的临床静息心电信号数据的长度至少为10s,预设时间为0.9s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389788.1A CN112587150B (zh) | 2020-12-01 | 2020-12-01 | 利用模糊化相似性模板的心电信号类型识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389788.1A CN112587150B (zh) | 2020-12-01 | 2020-12-01 | 利用模糊化相似性模板的心电信号类型识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112587150A true CN112587150A (zh) | 2021-04-02 |
CN112587150B CN112587150B (zh) | 2022-02-18 |
Family
ID=75187657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011389788.1A Active CN112587150B (zh) | 2020-12-01 | 2020-12-01 | 利用模糊化相似性模板的心电信号类型识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112587150B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
US20160213941A1 (en) * | 2015-01-23 | 2016-07-28 | Medtronic, Inc. | Method and apparatus for beat acquisition during template generation in a medical device having dual sensing vectors |
US20160213311A1 (en) * | 2015-01-23 | 2016-07-28 | Medtronic, Inc. | Method and apparatus for beat acquisition during template generation in a medical device having dual sensing vectors |
US20170093849A1 (en) * | 2015-09-29 | 2017-03-30 | Anhui Huami Information Technology Co., Ltd. | Multi-modal biometric identification |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
CN109745034A (zh) * | 2019-01-04 | 2019-05-14 | 东南大学 | 基于距离归一化模糊测度熵的房颤实时扫描方法及装置 |
EP3719679A1 (en) * | 2019-04-03 | 2020-10-07 | Fondation de L'institut de Recherche Idiap | A method for protecting biometric templates, and a system and method for verifying a speaker´s identity |
-
2020
- 2020-12-01 CN CN202011389788.1A patent/CN112587150B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
US20160213941A1 (en) * | 2015-01-23 | 2016-07-28 | Medtronic, Inc. | Method and apparatus for beat acquisition during template generation in a medical device having dual sensing vectors |
US20160213311A1 (en) * | 2015-01-23 | 2016-07-28 | Medtronic, Inc. | Method and apparatus for beat acquisition during template generation in a medical device having dual sensing vectors |
US20170093849A1 (en) * | 2015-09-29 | 2017-03-30 | Anhui Huami Information Technology Co., Ltd. | Multi-modal biometric identification |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN109745034A (zh) * | 2019-01-04 | 2019-05-14 | 东南大学 | 基于距离归一化模糊测度熵的房颤实时扫描方法及装置 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
EP3719679A1 (en) * | 2019-04-03 | 2020-10-07 | Fondation de L'institut de Recherche Idiap | A method for protecting biometric templates, and a system and method for verifying a speaker´s identity |
Non-Patent Citations (1)
Title |
---|
王燕等: "时间序列相似性度量方法", 《计算机工程与设计》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112587150B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113613559A (zh) | 用于描绘和分类的心电图处理系统 | |
CN107451417B (zh) | 动态心电分析智能诊断系统及方法 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN110236520B (zh) | 基于双卷积神经网络的心电图类型识别装置 | |
CN108294745A (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
CN104834921A (zh) | 心电正/异常大数据处理方法及装置 | |
CN112587150B (zh) | 利用模糊化相似性模板的心电信号类型识别方法和装置 | |
CN112587148B (zh) | 一种包含模糊化相似性测量方法的模板生成方法和装置 | |
KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
CN115590524A (zh) | 基于卷积神经网络的qt间期延长识别方法及系统 | |
CN111084621B (zh) | 基于深度自编码器的qrs波群形态识别方法和装置 | |
CN112587151B (zh) | 一种融合U-net网络和滤波方法的12导联T波提取装置 | |
CN114652323B (zh) | 一种心律失常的检测方法、装置及设备 | |
CN111214225A (zh) | 室性激动识别方法、装置、电子设备及可读存储介质 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
CN114451879B (zh) | 一种智能型心率变异性分析系统 | |
CN112587152B (zh) | 一种融合U-net网络和滤波方法的12导联T波提取方法 | |
Feng et al. | The auto-detection and diagnose of the mobile electrocardiogram | |
Bortolan et al. | Potential of Rule-Based Methods and Deep Learning Architectures for ECG Diagnostics. Diagnostics 2021, 11, 1678 | |
CN117838138A (zh) | 识别不典型心梗心电图波形的方法及系统 | |
Yeh et al. | ECG signal pattern recognition using grey relational analysis | |
Xiao et al. | A Generative Elastic Network Method for R Peak Detection Suitable for Few-Shot Learning |
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 |