CN113100779A - 心室纤颤的检测方法、装置及监测设备 - Google Patents

心室纤颤的检测方法、装置及监测设备 Download PDF

Info

Publication number
CN113100779A
CN113100779A CN202010027192.0A CN202010027192A CN113100779A CN 113100779 A CN113100779 A CN 113100779A CN 202010027192 A CN202010027192 A CN 202010027192A CN 113100779 A CN113100779 A CN 113100779A
Authority
CN
China
Prior art keywords
signal
target
auxiliary parameter
electrocardiosignal
value
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
Application number
CN202010027192.0A
Other languages
English (en)
Other versions
CN113100779B (zh
Inventor
罗圣文
刘美锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Edan Instruments Inc
Original Assignee
Edan Instruments Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Edan Instruments Inc filed Critical Edan Instruments Inc
Priority to CN202010027192.0A priority Critical patent/CN113100779B/zh
Priority claimed from CN202010027192.0A external-priority patent/CN113100779B/zh
Publication of CN113100779A publication Critical patent/CN113100779A/zh
Application granted granted Critical
Publication of CN113100779B publication Critical patent/CN113100779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/72—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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及心电信号处理技术领域，具体涉及心室纤颤的检测方法、装置及监测设备，其中方法包括获取目标心电信号；检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。该检测方法基于干扰信号的信号类型自动调整信号阈值，避免了房颤、毛刺现象等信号对特征值的影响，使得总体效果提升明显，解决了现有心室纤颤的检测准确性低的问题。

Description

心室纤颤的检测方法、装置及监测设备
技术领域
本发明涉及心电信号处理技术领域，具体涉及心室纤颤的检测方法、装置及监测设备。
背景技术
心室纤颤是严重的致命性心律失常，各部分心肌快速而不协调的颤动，心室丧失有效的收缩功能，不能提供有效的血液循环。因此，对患者心室纤颤的检测显得尤为重要。
近似熵是被广泛应用于信号系统的，衡量系统重复性的一种方法。近似上作为分析信号系统的随机性方法，经研究验证是适合用于心室纤颤检测的。目前主要应用的心室纤颤的检测方法可以分为时域、频域和动力学分析方法，即通过计算心电信号的近似熵值，利用近似熵值进行心室纤颤的检测。其中，所述的心电信号的来源是心肌收缩的每一次动作电位，动作电位产生电活动信号，被监测设备接受并放大就变成所述的心电信号，通过采用心电图的形式体现。具体在检测时可以设置一个阈值，当计算得出的近似熵值大于该阈值时，则认为目标心电信号为心室纤颤信号。但是由于近似熵对干扰信号较敏感，例如，毛刺现象(工频、肌电等)、房颤、电极接触干扰等非室颤数据将导致近似上值偏大，从而导致心室纤颤的检测准确性偏低。
发明内容
有鉴于此，本发明实施例提供了一种心室纤颤的检测方法、装置及监测设备，以解决现有心室纤颤的检测准确性偏低的问题。
根据第一方面，本发明实施例提供了一种心室纤颤的检测方法，包括：
获取目标心电信号；
检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；
基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；
根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。
本发明实施例提供的心室纤颤的检测方法，在计算目标心电信号的特征值之前，先检测目标心电信号中干扰信号的信号类型，并基于检测出的干扰信号的信号类型确定相应的信号阈值，再利用确定出的信号阈值计算目标心电信号的特征值，以检测目标心电信号是否为心室纤颤信号；即该检测方法基于干扰信号的信号类型自动调整信号阈值，避免了房颤、毛刺现象等信号对特征值的影响，使得总体效果提升明显，解决了现有心室纤颤的检测准确性低的问题。
结合第一方面，在第一方面第一实施方式中，所述检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值，包括：
对所述目标心电信号进行移动平均滤波，以去除所述目标心电信号中的高频干扰信号；
基于去除所述高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号；
当确定去除所述高频干扰信号后的目标心电信号存在所述低频干扰信号时，提取与所述低频干扰信号对应的信号阈值。
本发明实施例提供的心室纤颤的检测方法，首先对目标心电信号进行移动平均滤波，去除目标心电信号中的高频干扰信号，再基于去除高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号；即，通过先去除一种信号类型的干扰信号，再进行另一种信号类型的干扰信号的检测，可以减少数据处理量，提高检测效率。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述基于去除所述高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号，包括：
判断所述目标心电信号中是否存在连续出现预设次数且相邻峰值间距离低于预设值的信号；
当所述目标心电信号中存在连续出现预设次数且相邻峰值间距离低于预设值的信号时，判断所述目标心电信号中各个相邻峰值的幅值差值是否小于预设差值；
当所述目标心电信号中各个相邻峰值的幅值差值是否小于预设差值时，确定所述目标心电信号存在所述低频干扰信号。
结合第一方面，或第一方面第一实施方式，或第一方面第二实施方式，在第一方面第三实施方式中，所述根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号，包括：
基于所述目标心电信号计算所述目标心电信号的各个辅助参数；其中，所述辅助参数用于表示所述目标心电信号在各个预设幅值范围内所包含的信号点数量；
判断所述特征值是否大于第一特征值阈值；
当所述特征值大于所述第一特征值阈值时，将所述各个辅助参数与对应的辅助参数阈值进行比较，以检测所述目标心电信号是否为心室纤颤信号。
本发明实施例提供的心室纤颤的检测方法，通过对目标心电信号进行时域分析，即计算目标心电信号的各个辅助参数，以抵抗干扰信号对检测结果的影响，从而提高了检测的准确性。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述基于所述目标心电信号计算所述目标心电信号的各个辅助参数，包括：
以预设中心频率对所述目标心电信号进行带通滤波，得到第一信号；其中，所述第一信号由若干相邻的第二信号组成；
计算每个所述第二信号的最大值、均值以及均方差；
利用所述最大值、所述均值以及所述均方差，确定对应于每个所述第二信号的第一预设幅值范围、第二预设幅值范围以及第三预设幅值范围；其中，所述第一预设幅值范围为预设倍数的所述最大值至所述最大值，所述预设倍数小于1；所述第二预设幅值范围为所述均值至所述最大值；所述第三预设幅值范围为所述均值与所述均方差之差至所述均值与所述均方差之和；
基于对应于每个所述第二信号的所述第一预设幅值范围、所述第二预设幅值范围以及所述第三预设幅值范围，分别计算每个所述第二信号的各个辅助参数，以得到所述目标心电信号的各个辅助参数。
结合第一方面第四实施方式，在第一方面第五实施方式中，所述基于对应于每个所述第二信号的所述第一预设幅值范围、所述第二预设幅值范围以及所述第三预设幅值范围，分别计算每个所述第二信号的各个辅助参数，以得到所述目标心电信号的各个辅助参数，包括：
在每个所述第二信号中，统计在所述第一预设幅值范围内的信号点数量，得到每个所述第二信号的第一辅助参数，并计算所有所述第二信号的第一辅助参数之和，得到所述目标心电信号的第一辅助参数；
在每个所述第二信号中，统计在所述第二预设幅值范围内的信号点数量，得到每个所述第二信号的第二辅助参数，并计算所有所述第二信号的第二辅助参数之和，得到所述目标心电信号的第二辅助参数；
在每个所述第二信号中，统计在所述第三预设幅值范围内的信号点数量，得到每个所述第二信号的中间辅助参数；
对应于每个所述第二信号，计算所述第二信号的第一辅助参数与所述第二信号的第二辅助参数的乘积与所述第二信号的中间辅助参数的比值，得到每个所述第二信号的第三辅助参数，并计算所有所述第二信号的第三辅助参数之和，得到所述目标心电信号的第三辅助参数。
结合第一方面第五实施方式，在第一方面第六实施方式中，将所述各个辅助参数与对应的辅助参数阈值进行比较，以检测所述目标心电信号是否为心室纤颤信号，包括：
判断所述目标心电信号的第一辅助参数是否大于第一辅助参数阈值，且所述目标心电信号的第二辅助参数是否大于第二辅助参数阈值，且所述目标心电信号的第三辅助参数是否大于第三辅助参数阈值；
当所述目标心电信号的第一辅助参数大于第一辅助参数阈值，且所述目标心电信号的第二辅助参数大于第二辅助参数阈值，且所述目标心电信号的第三辅助参数大于第三辅助参数阈值时，确定所述目标心电信号为心室纤颤信号；否则，确定所述目标心电信号为非心室纤颤信号。
结合第一方面第五实施方式，或第一方面第六实施方式，在第一方面第七实施方式中，所述根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号，还包括：
当所述特征值小于或等于所述第一特征值阈值时，判断所述特征值是否大于第二特征值阈值；
当所述特征值大于所述第二特征值阈值时，判断所述目标心电信号的第二辅助参数是否大于第四辅助参数阈值；其中，所述第四辅助参数阈值大于所述第二辅助参数阈值；
当所述目标心电信号的第二辅助参数大于所述第四辅助参数阈值时，确定所述目标心电信号为心电室颤信号。
结合第一方面第七实施方式，在第一方面第八实施方式中，所述根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号，还包括：
当所述特征值小于或等于所述第二特征值阈值时，或，当所述目标心电信号的第二辅助参数小于或等于所述第四辅助参数阈值时，对所述目标心电信号进行频谱分析；
基于所述频谱分析的结果，检测所述目标心电信号是否为心室纤颤信号。
本发明实施例提供的心室纤颤的检测方法，由于频谱分析能够有效提取QRS波的频谱信息，而这一部分信号正常的信号较多，QRS波频谱信息能有效将这部分的正常信号与非正常信号区分开，因此，在检测过程中引入频谱分析可以提高检测结果的准确性。
根据第二方面，本发明实施例还提供了一种心室纤颤的检测装置，包括：
获取模块，用于获取目标心电信号；
阈值确定模块，用于检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；
计算模块，用于基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；
检测模块，用于根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。
本发明实施例提供的心室纤颤的检测装置，在计算目标心电信号的特征值之前，先检测目标心电信号中干扰信号的信号类型，并基于检测出的干扰信号的信号类型确定相应的信号阈值，再利用确定出的信号阈值计算目标心电信号的特征值，以检测目标心电信号是否为心室纤颤信号；即该检测装置基于干扰信号的信号类型自动调整信号阈值，避免了房颤、毛刺现象等信号对特征值的影响，使得总体效果提升明显，解决了现有心室纤颤的检测准确性低的问题。
根据第三方面，本发明实施例提供了一种监测设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的心室纤颤的检测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的心室纤颤的检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的心室纤颤的检测方法的流程图；
图2是根据本发明实施例的心室纤颤的检测方法的流程图；
图3是根据本发明实施例的移动平均滤波频率响应函数的示意图；
图4是根据本发明实施例的心室纤颤的检测方法的流程图；
图5是根据本发明实施例的心室纤颤的检测装置的结构框图；
图6是本发明实施例提供的监测设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
本发明实施例中所述的心室纤颤的检测原理为：心室纤颤信号相较于正常的心电信号，是不规则且随机的，且心室纤颤信号的波形没有固定的频率和幅值变化较大。在本实施例中采用衡量一个时间序列复杂程度的特征值对心电信号进行检测，因此可以用于分辨心室纤颤信号和正常的心电信号。而在实际检测过程中，由于特征值的结果对干扰较为敏感，尤其对于毛刺现象干扰，动作干扰等等，因此，在计算特征值之前需要检测目标心电信号中干扰信号的信号类型，并确定与信号类型对应的信号阈值，从而基于该信号阈值计算特征值，可以减少干扰对检测结果的影响，以提高检测的准确性。
可选地，时域的3Count算法对于这些干扰有一定的抵抗能力，因此可以引入3Count算法进行误检的规避。
进一步可选地，频谱算法主要原理为识别QRS波的频谱信息，区分正常与非正常信号，因此对正常信号的识别度较高(正阳性较高)，可以减小误检的风险。
根据本发明实施例，提供了一种心室纤颤的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种心室纤颤的检测方法，可用于上述的监测设备，如监护仪、植入式除颤仪以及自动体外除颤仪等，图1是根据本发明实施例的心室纤颤的检测方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取目标心电信号。
心电信号为采用监测设备所采集到的生命体的心肌收缩的每一次动作电位，具体地，所述心电信号中的每个点为监测设备对生命体进行动作电位的采样所得到的信号点。其中，监测设备的采样频率越高，单位时间内得到的信号点的数量越多。
所述的心电信号可以是存储在监测设备中的心电信号，也可以是监测设备实时监测到的心电信号，在此对心电信号来源并不做任何限制。那么，监测设备可以从所得到的心电信号中每次提取预设长度的心电信号作为目标心电信号，对该目标心电信号进行检测，确定其是否为心室纤颤信号。若监测设备在实时监测过程中需要进行心室纤颤信号的检测，那么监测设备可以从实时监测到的心电信号中提取预设长度的心电信号作为目标心电信号。其中，预设长度可以根据实际情况进行具体设置，在此并不做任何限制。
例如，监测设备在实时监测心电信号，每隔6秒进行一次心电信号的提取，即得到所述的目标心电信号。以监测设备的采样频率为250Hz为例，那么该目标心电信号包括1500个信号点。
可选地，监测设备也可以是在提取出预设长度的心电信号之后，对提取出的心电信号进行预处理，以滤除噪声信号。例如，监测设备可以采用截止频率为2.5Hz，阶数为1的巴特沃斯高通滤波器进行滤波，去除低频噪声；再通过截止频率为30Hz，阶数为1的巴特沃斯低通滤波器去除高频噪声，得到滤波后数据，可以将该滤波后数据称之为目标心电信号。
S12，检测目标心电信号中干扰信号的信号类型，并确定与信号类型对应的信号阈值。
监测设备对S11中获得的目标心电信号进行干扰信号的信号类型的检测，以确定该目标心电信号中干扰信号的信号类型。具体地的信号类型可以是高频干扰信号，也可以是低频干扰信号。不同的信号类型对应于不同的信号阈值，当目标心电信号中存在高频干扰信号时，对应的信号阈值为r1；当目标心电信号中存在低频干扰信号时，对应的信号阈值为r2。
其中，对于目标心电信号中干扰信号的信号类型的检测可以是分别检测其是否存在高频干扰信号，或低频干扰信号；也可以是先将某种信号类型(例如，高频)的干扰信号滤除，再检测是否存在另一种信号类型(例如，低频)的干扰信号等等，在此对监测设备具体如何检测目标心电信号中干扰信号的信号类型并不做任何限制。
进一步地，信号阈值可以是事先存储在监测设备中，且信号阈值与干扰信号的信号类型一一对应，当然，信号阈值也包括正常心电信号的信号阈值。例如，可以事先在监测设备中存储3组信号阈值，第一组信号阈值对应于高频干扰信号，第二组信号阈值对应于低频干扰信号，第三组信号阈值对应于正常心电信号。具体的存储方式可以采用数据表的形式，也可以采用其他形式进行存储等等。
监测设备在检测出目标心电信号中干扰信号的信号类型之后，利用检测出的干扰信号的信号类型去查找对应的信号阈值。
S13，基于信号阈值，计算目标心电信号的特征值。
其中，所述特征值用于衡量目标心电信号的时间序列复杂程度。
监测设备在S12中确定出信号阈值之后，利用该信号阈值计算目标心电信号的特征值。其中，所述的特征值可以为近似熵、也可以为样本熵等等。在此对特征值的具体类型并不做任何限制，可以根据实际情况进行相应的确定即可。其中，关于目标心电信号的特征值的具体计算过程将在下文中进行详细描述。
S14，根据目标心电信号的特征值，检测目标心电信号是否为心室纤颤信号。
监测设备在S13中计算出目标心电信号的特征值之后，可以是设置一个阈值，将计算出的特征值与该阈值进行比较，以检测目标心电信号是否为心室纤颤信号；也可以是结合其他参数进行综合检测等等。具体将在下文中对该步骤进行详细描述。
本实施例提供的心室纤颤的检测方法，在计算目标心电信号的特征值之前，先检测目标心电信号中干扰信号的信号类型，并基于检测出的干扰信号的信号类型确定相应的信号阈值，再利用确定出的信号阈值计算目标心电信号的特征值，以检测目标心电信号是否为心室纤颤信号；即该检测方法基于干扰信号的信号类型自动调整信号阈值，避免了房颤、毛刺现象等信号对特征值的影响，使得总体效果提升明显，解决了现有心室纤颤的检测准确性低的问题。
在本实施例中提供了一种心室纤颤的检测方法，可用于上述的监测设备，如监护仪、植入式除颤仪以及自动体外除颤仪等，图2是根据本发明实施例的心室纤颤的检测方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取目标心电信号。
详细请参见图1所示实施例的S11，在此不再赘述。
S22，检测目标心电信号中干扰信号的信号类型，并确定与信号类型对应的信号阈值。
在本实施例中，监测设备先滤除目标心电信号中的高频干扰信号，再进行低频干扰信号的检测，以确定干扰信号的信号类型对应的信号阈值。具体地，上述S22包括：
S221，对目标心电信号进行移动平均滤波，以去除目标心电信号中的高频干扰信号。
监测设备对目标心电信号进行移动平均滤波，减少高频干扰信号对后续特征值的影响。由于心电信号中的心室纤颤信息大多集中于3Hz-10Hz，因此移动平均滤波器选取需大于10Hz。从图3中可以看出，5点移动平均滤波器增益为-3dB，即衰减倍率为0.707，则截止频率为22.15Hz(计算可由公式N＝0.443×F_s/F_0求得，其中N为N点平均，F_s为采样频率，F_0为截止频率)，而10点移动平均滤波器截止频率为11.075Hz，因此5点-10点平均滤波为在此方案可行的滤波器。考虑到具体效果和需要存储的数据长度，本实例中选择5点平均滤波。
S222，基于去除高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号。
当确定去除高频干扰信号后的目标心电信号存在低频干扰信号时，执行S223；否则，提取与正常信号对应的信号阈值，再执行S23。
具体地，上述S222包括以下步骤：
(1)判断目标心电信号中是否存在连续出现预设次数且相邻峰值间距离低于预设值的信号。
当目标心电信号中存在连续出现预设次数且相邻峰值间距离低于预设值的信号时，执行(2)；否则，提取与正常信号对应的信号阈值，再执行S23。
(2)判断目标心电信号中各个相邻峰值的幅值差值是否小于预设差值；
当目标心电信号中各个相邻峰值的幅值差值是否小于预设差值时，确定目标心电信号存在低频干扰信号；否则，确定去除高频干扰信号后的目标心电信号不存在低频干扰信号，提取与正常信号对应的信号阈值，再执行S23。
例如，相邻峰值间距离低于某一预设值的(本实施例中的预设值设为20采样点，即80ms，其可以根据实际需要调整)，连续出现10次，同时相邻峰值的幅值差距小于预设差值(本实施例中，预设差值限定到0.3mV以下，可根据实际需要调整)。若上述条件满足，则确定目标心电信号中存在低频干扰信号。
S223，提取与低频干扰信号对应的信号阈值。
监测设备在确定目标心电信号中存在低频干扰信号之后，就可以提取与低频干扰信号对应的信号阈值。
S23，基于信号阈值，计算目标心电信号的特征值。
其中，所述特征值用于衡量目标心电信号的时间序列复杂程度。
在本实施例中，以特征值为近似熵为例进行描述。具体的计算步骤如下：
(1)对于目标心电信号将其表示为信号点的形式，例如可以表示为x(1)，x(2)，…，x(N)，其中，N为目标心电信号中信号点的数量；以时间延迟τ进行重建m维(选为2)相空间，得到一组m维矢量：
u(i)＝{x(i),x(i+τ),...,x(i+(m-1)τ)}；
其中，i取从1到N-m+1的值。
(2)定义u(i)与u(j)之间的距离d[u(i)，u(j)]为两者对应元素中差值最大的点，即：
d[u(i),u(j)]＝max[|u(i；k)-u(j；k)|:0≤k≤m-1]；
(3)对应信号阈值r
低频干扰信号在进行近似熵计算时将近似熵的r值适当抬高，使近似熵结果值落于正常范围内。一般信号测试验证的结果显示r＝0.15区分能力较好，对识别出的低频干扰信号(例如，毛刺现象和小幅抖动现象信号)，与室颤信号进行r值测试验证(ROC曲线)后，发现r值区分度较明显的值在0.2，因此这类信号将r值抬高至0.2，降低其落入室颤分支风险。统计对应每一个i值的d[u(i),u(j)]小于r的数目，并求该数目值与距离总数N-m的比值，记为
Figure BDA0002362901030000111
Figure BDA0002362901030000112
(4)计算近似熵ApEn
Figure BDA0002362901030000113
ApEn(m.r,N)＝φm(r)-φm+1(r)
S24，根据目标心电信号的特征值，检测目标心电信号是否为心室纤颤信号。
详细请参见图1所示实施例的S14，在此不再赘述。
本实施例提供的心室纤颤的检测方法，首先对目标心电信号进行移动平均滤波，去除目标心电信号中的高频干扰信号，再基于去除高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号；即，通过先去除一种信号类型的干扰信号，再进行另一种信号类型的干扰信号的检测，可以减少数据处理量，提高检测效率。
在本实施例中提供了一种心室纤颤的检测方法，可用于上述的监测设备，如监护仪、植入式除颤仪以及自动体外除颤仪等，图4是根据本发明实施例的心室纤颤的检测方法的流程图，如图4所示，该流程包括如下步骤：
S31，获取目标心电信号。
详细请参见图2所示实施例的S21，在此不再赘述。
S32，检测目标心电信号中干扰信号的信号类型，并确定与信号类型对应的信号阈值。
详细请参见图2所示实施例的S22，在此不再赘述。
S33，基于信号阈值，计算目标心电信号的特征值。
其中，所述特征值用于衡量目标心电信号的时间序列复杂程度。
详细请参见图2所示实施例的S23，在此不再赘述。
S34，根据目标心电信号的特征值，检测目标心电信号是否为心室纤颤信号。
在本实施例中，利用目标心电信号的特征值，结合3Count辅助参数以及频谱分析，对目标心电信号是否为心室纤颤信号进行检测。具体地，上述S34包括：
S341，基于目标心电信号计算目标心电信号的各个辅助参数。
其中，所述辅助参数用于表示所述目标心电信号在各个预设幅值范围内所包含的信号点数量。
具体地，上述S341可以包括如下步骤：
(1)以预设中心频率对目标心电信号进行带通滤波，得到第一信号。
其中，所述第一信号由若干相邻的第二信号组成。
例如，监测设备用中心频率为14.6Hz的整系数递归数字滤波器，通带频率为13-16.5Hz(-3dB)来处理目标心电信号，其可以采用如下公式表示：
Figure BDA0002362901030000131
其中，Si为目标心电信号的第i个信号点；FSi为对目标心电信号的第i个信号点进行带通滤波后的第i个信号点。
由于13-17Hz的频率范围包含了正常窦性心律，房扑，房颤等不可电击的心电信号的频率成分，因此可以用该数字滤波器抑制可电击信号(频率7-10Hz)，通过不可电击信号。
监测设备在对目标心电信号进行带通滤波后得到第一信号，可以认为第一信号由若干相邻的第二信号构成。例如，第一信号的长度为6s，第二信号的长度为1s，那么该第一信号就由6个相邻的长度为1s的第二信号构成。
需要说明的是，第二信号的长度可以根据实际情况进行具体设置，每个第二信号的长度可以相同，也可以不同，具体也可以根据实际情况进行具体设置。
(2)计算每个第二信号的最大值、均值以及均方差。
对于每个第二信号，监测设备分别计算其对应的最大值max(|FS|)，均值mean(|FS|)，以及均方差MD；即，每个第二信号均对应有最大值max(|FS|)，均值mean(|FS|)，以及均方差MD。
(3)利用最大值、均值以及均方差，确定对应于每个第二信号的第一预设幅值范围、第二预设幅值范围以及第三预设幅值范围。
其中，所述第一预设幅值范围为预设倍数的最大值至最大值，所述预设倍数小于1；所述第二预设幅值范围为均值至最大值；所述第三预设幅值范围为均值与均方差之差至均值与均方差之和。
对应于每个第二信号，第一预设幅值范围可以表示为：[预设倍数的最大值，最大值]；第二预设幅值范围可以表示为：[均值，最大值]；第三预设幅值范围可以表示为：[均值-均方差，均值+均方差]。
预设倍数可以根据实际情况进行具体设置，例如可以是0.5，0.6，或其他小于1的数值。
(4)基于对应于每个第二信号的第一预设幅值范围、第二预设幅值范围以及第三预设幅值范围，分别计算每个第二信号的各个辅助参数，以得到目标心电信号的各个辅助参数。
监测设备在确定出每个第二信号对应的第一预设幅值范围、第二预设幅值范围以及第三预设幅值范围之后，就可以计算每个第二信号的各个辅助参数。具体地，该步骤可以包括如下步骤：
(4.1)在每个第二信号中，统计在第一预设幅值范围内的信号点数量，得到每个第二信号的第一辅助参数，并计算所有第二信号的第一辅助参数之和，得到目标心电信号的第一辅助参数。
在每个第二信号中，监测设备统计在第一预设幅值范围内的信号点数量，就可以得到每个第二信号的第一辅助参数。例如，第一辅助参数count1：0.5*max(|FS|)to max(|FS|)。其中，FS与第二信号一一对应。
目标心电信号的第一辅助参数是用于表示目标心电信号在第一预设幅值范围内的所包含的信号点数量，由于第一信号是由多个相邻的第二信号构成的，那么目标心电信号在第一预设幅值范围内的所包含的信号点数量为所有第二信号在第一预设幅值范围内所包含的信号点数量之和。因此，目标心电信号的第一辅助参数为所有第二信号的第一辅助参数之和。
(4.2)在每个第二信号中，统计在第二预设幅值范围内的信号点数量，得到每个所述第二信号的第二辅助参数，并计算所有所述第二信号的第二辅助参数之和，得到所述目标心电信号的第二辅助参数。
在每个第二信号中，监测设备统计在第二预设幅值范围内的信号点数量，就可以得到每个第二信号的第二辅助参数。例如，第二辅助参数count2：mean(|FS|)to max(|FS|)。其中，FS与第二信号一一对应。
目标心电信号的第二辅助参数是用于表示目标心电信号在第二预设幅值范围内的所包含的信号点数量，由于第一信号是由多个相邻的第二信号构成的，那么目标心电信号在第二预设幅值范围内的所包含的信号点数量为所有第二信号在第二预设幅值范围内所包含的信号点数量之和。因此，目标心电信号的第二辅助参数为所有第二信号的第二辅助参数之和。
(4.3)在每个第二信号中，统计在第三预设幅值范围内的信号点数量，得到每个第二信号的中间辅助参数。
在每个第二信号中，监测设备统计在第三预设幅值范围内的信号点数量，就可以得到每个第二信号的中间辅助参数。例如，中间辅助参数count3：mean(|FS|)-MD to mean(|FS|)+MD。其中，FS与第二信号一一对应。
(4.4)对应于每个第二信号，计算第二信号的第一辅助参数与第二信号的第二辅助参数的乘积与第二信号的中间辅助参数的比值，得到每个第二信号的第三辅助参数，并计算所有第二信号的第三辅助参数之和，得到目标心电信号的第三辅助参数。
对应于每个第二信号，可以采用如下公式计算每个第二信号的第三辅助参数count123：
count123：count1*count2/count3。
监测设备在得到每个第二信号的第三辅助参数之后，可以计算所有第二信号的第三辅助参数之和，就可以得到目标心电信号的第三辅助参数。
S342，判断特征值是否大于第一特征值阈值；
其中，第一特征值阈值表示为Apen_Threshold1，在本实施例中，第一特征值阈值可以在0.4-0.6范围内选择，优选为0.5。
当特征值大于第一特征值阈值时，执行S243；否则，执行S244。
S343，将各个辅助参数与对应的辅助参数阈值进行比较，以检测目标心电信号是否为心室纤颤信号。
具体地，包括如下步骤：
判断目标心电信号的第一辅助参数是否大于第一辅助参数阈值，且目标心电信号的第二辅助参数是否大于第二辅助参数阈值，且目标心电信号的第三辅助参数是否大于第三辅助参数阈值。
其中，目标心电信号的第一辅助参数可以表示为Count1，目标心电信号的第二辅助参数可以表示为Count2，目标心电信号的第三辅助参数可以表示为Count123；第一辅助参数阈值可以表示为C1_Threshold，第二辅助参数阈值可以表示为C2_Threshold1，第三辅助参数阈值可以表示为C3_Threshold。
那么可以通过判断下述公式是否成立：
Count1>C1_Threshold&&Count2>C2_Threshold1&&Count123>C3_Threshold。
当目标心电信号的第一辅助参数大于第一辅助参数阈值，且目标心电信号的第二辅助参数大于第二辅助参数阈值，且目标心电信号的第三辅助参数大于第三辅助参数阈值时，即当上述公式成立时，执行S346；否则，执行S349。
S344，判断特征值是否大于第二特征值阈值。
其中，第二特征值阈值表示为Apen_Threshold2，在本实施例中，第二特征值阈值可以在0.2-0.4范围内选择，优选为0.3。
当特征值大于第二特征值阈值时，执行S345；否则，执行S347。
S345，判断目标心电信号的第二辅助参数是否大于第四辅助参数阈值。
其中，所述第四辅助参数阈值大于所述第二辅助参数阈值。第四辅助参数阈值可以表示为C2_Threshold2。
当所述目标心电信号的第二辅助参数大于所述第四辅助参数阈值时，即，当Count2>C2_Threshold2时，执行S346；否则，执行S347。
S346，确定目标心电信号为心电室颤信号。
S347，对目标心电信号进行频谱分析。
具体地，对目标心电信号进行快速傅里叶变换，由于快速傅里叶变换需要2的n次方信号长度，否则会出现信号失真，因此选择1024个信号点(窗口长度为1500信号点)，在[0，1024]范围内计算一次，在[476，1500]范围内计算一次。
计算参数FSMN和A2，其中，FSMN的计算方法为：
Figure BDA0002362901030000161
其中，F为0.5-9Hz最大振幅的谐波频率，fi为在FFT频谱上0-100Hz的第i个频率，Ai是fi对应的谐波振幅；A2计算方法为0.7Hz-1.4F上的谐波振幅之和除以0.5Hz-20F的谐波振幅之和。
S348，基于频谱分析的结果，检测目标心电信号是否为心室纤颤信号。
监测设备可以设置阈值，例如，FSMN对应的阈值可以表示为：FSMN_Threshold，其值可以在3-4之间选择，优选为3.6；A2对应的阈值可以表示为：A2_Threshold，其值可以在0.3-0.5之间选择，优选为0.32。但是，在本实施例中，阈值并不限于此，可以根据实际情况进行具体设置。
监测设备通过判断下述公式是否成立，以检测目标心电信号是否为心室纤颤信号：
FSMN>FSMN_Threshold&&A2>A2_Threshold；
当上述公式成立时，执行S349；否则，执行S346。
S349，确定目标心电信号为非心室纤颤信号。
具体地，请结合上述S34的各个步骤，由于3Count判断在近似熵之后，因此会先对近似熵数据进行分类，主要分为近似熵大于阈值1(Apen_Threshold1)信号(分类1)，小于阈值1且大于阈值2(Apen_Threshold2)信号(分类2)，小于阈值2信号(分类3)三类信号，在分类后对各类信号进行3Count参数的验证，对有用的信号分支进行辅助判断。验证发现对于分类1信号和分类2信号，参数有一定作用，因此这两个判断分支引入辅助参数判断。(本实例中，经过数据库验证分类1分支选取的条件为：Count1(i)>180&&Count2(i)>540&&Count123(i)>110；分类2分支条件为：Count2(i)>560，实际使用中，不同窗长和采样率选取会影响阈值大小)。
信号进入分类2，3分支时，分析数据发现，由于频谱算法能有效提取QRS波的频谱信息，而这一部分信号正常的信号较多，QRS波频谱信息能有效将这部分的正常信号与非正常信号区分开，因此引入频谱算法避免风险。由于频谱算法计算量较大，因此只在进入分类2分支和分类3分支的Count2判断后才进行频谱计算。
本实施例提供的心室纤颤的检测方法，通过对目标心电信号进行时域分析，即计算目标心电信号的各个辅助参数，以抵抗干扰信号对检测结果的影响，从而提高了检测的准确性；由于频谱分析能够有效提取QRS波的频谱信息，而这一部分信号正常的信号较多，QRS波频谱信息能有效将这部分的正常信号与非正常信号区分开，因此，在检测过程中引入频谱分析可以提高检测结果的准确性。
在本实施例中还提供了一种心室纤颤的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种心室纤颤的检测装置，如图5所示，包括：
获取模块51，用于获取目标心电信号；
阈值确定模块52，用于检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；
计算模块53，用于基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；
检测模块54，用于根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。
本实施例中的心室纤颤的检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种监测设备，具有上述图5所示的心室纤颤的检测装置。
请参阅图6，图6是本发明可选实施例提供的一种监测设备的结构示意图，如图6所示，该监测设备可以包括：至少一个处理器61，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口63，存储器64，至少一个通信总线62。其中，通信总线62用于实现这些组件之间的连接通信。其中，通信接口63可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图5所描述的装置，存储器64中存储应用程序，且处理器61调用存储器64中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线62可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器64可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器64还可以包括上述种类的存储器的组合。
其中，处理器61可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器64还用于存储程序指令。处理器61可以调用程序指令，实现如本申请图1至5实施例中所示的心室纤颤的检测方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的心室纤颤的检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种心室纤颤的检测方法，其特征在于，包括：
获取目标心电信号；
检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；
基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；
根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。
2.根据权利要求1所述的方法，其特征在于，所述检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值，包括：
对所述目标心电信号进行移动平均滤波，以去除所述目标心电信号中的高频干扰信号；
基于去除所述高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号；
当确定去除所述高频干扰信号后的目标心电信号存在所述低频干扰信号时，提取与所述低频干扰信号对应的信号阈值。
3.根据权利要求2所述的方法，其特征在于，所述基于去除所述高频干扰信号后的目标心电信号，确定其是否存在低频干扰信号，包括：
判断所述目标心电信号中是否存在连续出现预设次数且相邻峰值间距离低于预设值的信号；
当所述目标心电信号中存在连续出现预设次数且相邻峰值间距离低于预设值的信号时，判断所述目标心电信号中各个相邻峰值的幅值差值是否小于预设差值；
当所述目标心电信号中各个相邻峰值的幅值差值是否小于预设差值时，确定所述目标心电信号存在所述低频干扰信号。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号，包括：
基于所述目标心电信号计算所述目标心电信号的各个辅助参数；其中，所述辅助参数用于表示所述目标心电信号在各个预设幅值范围内所包含的信号点数量；
判断所述特征值是否大于第一特征值阈值；
当所述特征值大于所述第一特征值阈值时，将所述各个辅助参数与对应的辅助参数阈值进行比较，以检测所述目标心电信号是否为心室纤颤信号。
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标心电信号计算所述目标心电信号的各个辅助参数，包括：
以预设中心频率对所述目标心电信号进行带通滤波，得到第一信号；其中，所述第一信号由若干相邻的第二信号组成；
计算每个所述第二信号的最大值、均值以及均方差；
利用所述最大值、所述均值以及所述均方差，确定对应于每个所述第二信号的第一预设幅值范围、第二预设幅值范围以及第三预设幅值范围；其中，所述第一预设幅值范围为预设倍数的所述最大值至所述最大值，所述预设倍数小于1；所述第二预设幅值范围为所述均值至所述最大值；所述第三预设幅值范围为所述均值与所述均方差之差至所述均值与所述均方差之和；
基于对应于每个所述第二信号的所述第一预设幅值范围、所述第二预设幅值范围以及所述第三预设幅值范围，分别计算每个所述第二信号的各个辅助参数，以得到所述目标心电信号的各个辅助参数。
6.根据权利要求5所述的方法，其特征在于，所述基于对应于每个所述第二信号的所述第一预设幅值范围、所述第二预设幅值范围以及所述第三预设幅值范围，分别计算每个所述第二信号的各个辅助参数，以得到所述目标心电信号的各个辅助参数，包括：
在每个所述第二信号中，统计在所述第一预设幅值范围内的信号点数量，得到每个所述第二信号的第一辅助参数，并计算所有所述第二信号的第一辅助参数之和，得到所述目标心电信号的第一辅助参数；
在每个所述第二信号中，统计在所述第二预设幅值范围内的信号点数量，得到每个所述第二信号的第二辅助参数，并计算所有所述第二信号的第二辅助参数之和，得到所述目标心电信号的第二辅助参数；
在每个所述第二信号中，统计在所述第三预设幅值范围内的信号点数量，得到每个所述第二信号的中间辅助参数；
对应于每个所述第二信号，计算所述第二信号的第一辅助参数与所述第二信号的第二辅助参数的乘积与所述第二信号的中间辅助参数的比值，得到每个所述第二信号的第三辅助参数，并计算所有所述第二信号的第三辅助参数之和，得到所述目标心电信号的第三辅助参数。
7.根据权利要求6所示的方法，其特征在于，将所述各个辅助参数与对应的辅助参数阈值进行比较，以检测所述目标心电信号是否为心室纤颤信号，包括：
判断所述目标心电信号的第一辅助参数是否大于第一辅助参数阈值，且所述目标心电信号的第二辅助参数是否大于第二辅助参数阈值，且所述目标心电信号的第三辅助参数是否大于第三辅助参数阈值；
当所述目标心电信号的第一辅助参数大于第一辅助参数阈值，且所述目标心电信号的第二辅助参数大于第二辅助参数阈值，且所述目标心电信号的第三辅助参数大于第三辅助参数阈值时，确定所述目标心电信号为心室纤颤信号；否则，确定所述目标心电信号为非心室纤颤信号。
8.根据权利要求6或7所述的方法，其特征在于，所述根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号，还包括：
当所述特征值小于或等于所述第一特征值阈值时，判断所述特征值是否大于第二特征值阈值；
当所述特征值大于所述第二特征值阈值时，判断所述目标心电信号的第二辅助参数是否大于第四辅助参数阈值；其中，所述第四辅助参数阈值大于所述第二辅助参数阈值；
当所述目标心电信号的第二辅助参数大于所述第四辅助参数阈值时，确定所述目标心电信号为心电室颤信号。
9.一种心室纤颤的检测装置，其特征在于，包括：
获取模块，用于获取目标心电信号；
阈值确定模块，用于检测所述目标心电信号中干扰信号的信号类型，并确定与所述信号类型对应的信号阈值；
计算模块，用于基于所述信号阈值，计算所述目标心电信号的特征值；其中，所述特征值用于衡量所述目标心电信号的时间序列复杂程度；
检测模块，用于根据所述目标心电信号的特征值，检测所述目标心电信号是否为心室纤颤信号。
10.一种监测设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8中任一项所述的心室纤颤的检测方法。
11.一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存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的心室纤颤的检测方法。
CN202010027192.0A 2020-01-10 心室纤颤的检测方法、装置及监测设备 Active CN113100779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010027192.0A CN113100779B (zh) 2020-01-10 心室纤颤的检测方法、装置及监测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010027192.0A CN113100779B (zh) 2020-01-10 心室纤颤的检测方法、装置及监测设备

Publications (2)

Publication Number Publication Date
CN113100779A true CN113100779A (zh) 2021-07-13
CN113100779B CN113100779B (zh) 2024-07-05

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117462141A (zh) * 2023-12-25 2024-01-30 深圳市先健心康医疗电子有限公司 心电信号检测方法、装置、计算机设备和存储介质

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4296755A (en) * 1980-03-19 1981-10-27 Datamedix Inc. Method and apparatus for determining ventricular fibrillation
US5876349A (en) * 1997-08-08 1999-03-02 Hewlett-Packard Company Method and apparatus for ventricular fibrillation detection
US6490478B1 (en) * 2000-09-25 2002-12-03 Cardiac Science Inc. System and method for complexity analysis-based cardiac tachyarrhythmia detection
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
US20100114200A1 (en) * 2008-10-31 2010-05-06 Medtronic, Inc. Implantable medical device crosstalk evaluation and mitigation
JP2011050443A (ja) * 2009-08-31 2011-03-17 Tohoku Univ 不整脈信号検出方法および不整脈信号検出装置
CN102028460A (zh) * 2011-01-04 2011-04-27 复旦大学 心室纤颤信号序列自动检测系统
CN102058407A (zh) * 2011-02-09 2011-05-18 复旦大学 心室纤颤预测方法与装置
US20110196247A1 (en) * 2010-02-11 2011-08-11 Medtronic, Inc. Rejecting oversensing due to noise
CN102429656A (zh) * 2011-10-21 2012-05-02 上海理工大学 一种超小型室颤检测装置
US20130116585A1 (en) * 2011-11-07 2013-05-09 Cardionet, Inc. Ventricular Fibrillation Detection
US20130178755A1 (en) * 2011-07-06 2013-07-11 James Waters Analyzing electrocardiograms
US20130197380A1 (en) * 2012-01-10 2013-08-01 The Regents Of The University Of Michigan Atrial Fibrillation Classification Using Power Measurement
US20140207012A1 (en) * 2011-06-30 2014-07-24 Univeristy Of Washington Through Its Center For Commercialization Systems and methods for analyzing electrocardiograms to detect ventricular fibrillation
CN105050498A (zh) * 2013-03-15 2015-11-11 美敦力公司 用于避免心室纤颤的感测不足的系统和方法
KR101645614B1 (ko) * 2016-04-22 2016-08-08 주식회사메디아나 심실세동 진단장치 및 그것의 구동 방법
US20170127965A1 (en) * 2015-11-06 2017-05-11 Cardiac Pacemakers, Inc. Method and apparatus for enhancing ventricular based atrial fibrillation detection using atrial activity
US20170274204A1 (en) * 2016-03-22 2017-09-28 Medtronic, Inc. Detecting ventricular lead dislodgement during atrial fibrillation
US20180116537A1 (en) * 2014-07-07 2018-05-03 Zoll Medical Corporation System and Method for Distinguishing a Cardiac Event From Noise in an Electrocardiogram (ECG) Signal
CN108309238A (zh) * 2018-01-30 2018-07-24 陕西师范大学 一种基于相位排列熵的心电信号异常识别方法
CN108937920A (zh) * 2017-05-26 2018-12-07 北京大学 一种心室纤颤信号检测方法、系统及心室纤颤检测装置
CN109069050A (zh) * 2016-03-30 2018-12-21 美敦力公司 用于通过基于心率变异性的分类来检测房性快速性心律失常的医疗系统
CN109069048A (zh) * 2016-04-29 2018-12-21 美敦力公司 心血管外植入式复律除颤器中的心脏电信号多阈值感测
CN109199361A (zh) * 2018-07-18 2019-01-15 鹤为科技（北京）有限公司 室颤检测方法、存储介质和装置
CN109846476A (zh) * 2019-03-19 2019-06-07 苏州哈特智能医疗科技有限公司 一种基于机器学习技术的室颤识别方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4296755A (en) * 1980-03-19 1981-10-27 Datamedix Inc. Method and apparatus for determining ventricular fibrillation
US5876349A (en) * 1997-08-08 1999-03-02 Hewlett-Packard Company Method and apparatus for ventricular fibrillation detection
US6490478B1 (en) * 2000-09-25 2002-12-03 Cardiac Science Inc. System and method for complexity analysis-based cardiac tachyarrhythmia detection
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
US20070179393A1 (en) * 2005-12-29 2007-08-02 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method and apparatus for synthetically detecting ventricular fibrillation
US20100114200A1 (en) * 2008-10-31 2010-05-06 Medtronic, Inc. Implantable medical device crosstalk evaluation and mitigation
JP2011050443A (ja) * 2009-08-31 2011-03-17 Tohoku Univ 不整脈信号検出方法および不整脈信号検出装置
US20110196247A1 (en) * 2010-02-11 2011-08-11 Medtronic, Inc. Rejecting oversensing due to noise
CN102028460A (zh) * 2011-01-04 2011-04-27 复旦大学 心室纤颤信号序列自动检测系统
CN102058407A (zh) * 2011-02-09 2011-05-18 复旦大学 心室纤颤预测方法与装置
US20140207012A1 (en) * 2011-06-30 2014-07-24 Univeristy Of Washington Through Its Center For Commercialization Systems and methods for analyzing electrocardiograms to detect ventricular fibrillation
US20130178755A1 (en) * 2011-07-06 2013-07-11 James Waters Analyzing electrocardiograms
CN102429656A (zh) * 2011-10-21 2012-05-02 上海理工大学 一种超小型室颤检测装置
US20130116585A1 (en) * 2011-11-07 2013-05-09 Cardionet, Inc. Ventricular Fibrillation Detection
US20130197380A1 (en) * 2012-01-10 2013-08-01 The Regents Of The University Of Michigan Atrial Fibrillation Classification Using Power Measurement
CN105050498A (zh) * 2013-03-15 2015-11-11 美敦力公司 用于避免心室纤颤的感测不足的系统和方法
US20180116537A1 (en) * 2014-07-07 2018-05-03 Zoll Medical Corporation System and Method for Distinguishing a Cardiac Event From Noise in an Electrocardiogram (ECG) Signal
US20170127965A1 (en) * 2015-11-06 2017-05-11 Cardiac Pacemakers, Inc. Method and apparatus for enhancing ventricular based atrial fibrillation detection using atrial activity
US20170274204A1 (en) * 2016-03-22 2017-09-28 Medtronic, Inc. Detecting ventricular lead dislodgement during atrial fibrillation
CN109069050A (zh) * 2016-03-30 2018-12-21 美敦力公司 用于通过基于心率变异性的分类来检测房性快速性心律失常的医疗系统
KR101645614B1 (ko) * 2016-04-22 2016-08-08 주식회사메디아나 심실세동 진단장치 및 그것의 구동 방법
CN109069048A (zh) * 2016-04-29 2018-12-21 美敦力公司 心血管外植入式复律除颤器中的心脏电信号多阈值感测
CN108937920A (zh) * 2017-05-26 2018-12-07 北京大学 一种心室纤颤信号检测方法、系统及心室纤颤检测装置
CN108309238A (zh) * 2018-01-30 2018-07-24 陕西师范大学 一种基于相位排列熵的心电信号异常识别方法
CN109199361A (zh) * 2018-07-18 2019-01-15 鹤为科技（北京）有限公司 室颤检测方法、存储介质和装置
CN109846476A (zh) * 2019-03-19 2019-06-07 苏州哈特智能医疗科技有限公司 一种基于机器学习技术的室颤识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
张红煊, 朱贻盛, 王自明, 李颖洁: "基于复杂度和复杂率的心动过速和心室纤颤检测", 中国生物医学工程学报, no. 05 *
朱贻盛, 徐向东, 朱斌: "使用自相关和时间序列检测的方法检测心室纤颤信号", 生物医学工程学杂志, no. 01 *
朱贻盛，李丹，王妙发: "心室纤颤信号的自适应检测", 生物物理学报, no. 01 *
洪俊标: "心室纤颤检测算法研究", 中国优秀硕士学位论文全文数据库 *
王扬, 朱贻盛, 古红: "利用双谱分析法检测心室纤颤信号", 上海交通大学学报, no. 04 *
谢洪波;黄海;王志中;袁佳宁;: "心室纤颤和心动过速的多重分形分析", 数据采集与处理, no. 01 *
马瑞青: "心室纤颤预警时频特征算法的研究", 中国优秀硕士学位论文全文数据库 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117462141A (zh) * 2023-12-25 2024-01-30 深圳市先健心康医疗电子有限公司 心电信号检测方法、装置、计算机设备和存储介质
CN117462141B (zh) * 2023-12-25 2024-03-26 深圳市先健心康医疗电子有限公司 心电信号检测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Karimipour et al. Real-time electrocardiogram P-QRS-T detection–delineation algorithm based on quality-supported analysis of characteristic templates
CN1829553B (zh) 用于进行心脏波形评估的方法和装置
US11337638B2 (en) ECG signal processing method and apparatus
CN111772628B (zh) 一种基于深度学习的心电信号房颤自动检测系统
CN107361764B (zh) 一种心电信号特征波形r波的快速提取方法
Alhelal et al. FPGA-based denoising and beat detection of the ECG signal
CN113499082B (zh) Qrs波群检测方法、心电检测装置及可读存储介质
KR101645614B1 (ko) 심실세동 진단장치 및 그것의 구동 방법
CN113100779B (zh) 心室纤颤的检测方法、装置及监测设备
KR20150009843A (ko) 심전도 신호 분류 시스템
CN111803054B (zh) 一种实时评估室颤信号质量和除颤成功率的方法与仪器
CN113100779A (zh) 心室纤颤的检测方法、装置及监测设备
CN108937920B (zh) 一种心室纤颤信号检测方法、系统及心室纤颤检测装置
CN115969398B (zh) 眨眼检测方法及装置
CN109938725B (zh) 脑电信号处理方法和系统
KR101293248B1 (ko) Ｒｒ간격을 이용한 심실조기수축 판별 시스템, 심실조기수축 판별 방법 및 이를 수행 하는 프로그램이 기록된 저장매체
Tun et al. Analysis of computer aided identification system for ECG characteristic points
Ghosal et al. Ecg beat quality assessment using self organizing map
Shaik et al. A novel approach for QRS delineation in ECG signal based on chirplet transform
CN112472120B (zh) 心率统计方法、装置、电子设备和存储介质
CN113397557A (zh) 一种心律实时低功耗监测方法
KR102367639B1 (ko) 심전도 신호 처리 방법
CN114521901B (zh) 一种心电特征提取方法、装置及存储介质
Chandrakar et al. A real time approach for QRS detection of ECG signal using network intrusion detection technique
CN111345806B (zh) 一种心动周期检测方法及装置

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