CN113164072B - 一种心律失常事件的监测方法和设备 - Google Patents
一种心律失常事件的监测方法和设备 Download PDFInfo
- Publication number
- CN113164072B CN113164072B CN201980074589.0A CN201980074589A CN113164072B CN 113164072 B CN113164072 B CN 113164072B CN 201980074589 A CN201980074589 A CN 201980074589A CN 113164072 B CN113164072 B CN 113164072B
- Authority
- CN
- China
- Prior art keywords
- heart beat
- signal
- spectrum
- time domain
- generating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
Abstract
一种心律失常事件的监测方法和设备,适用于信号处理领域。所述方法包括:获取对象的心脏搏动原始信号(S101);对心脏搏动原始信号进行预处理生成心脏搏动时域信号(S102);基于心脏搏动时域信号生成心脏搏动谱信号(S103);基于心脏搏动谱信号生成心脏搏动谱信号簇(S104);基于心脏搏动谱信号簇进行心律失常事件的识别(S105)。该心律失常事件的监测方法可跨传感技术、弱依赖时域信号质量,适应性更强。
Description
技术领域
本发明属于信号处理领域,尤其涉及一种心律失常事件的监测方法和设备。
背景技术
心脏是人体最重要的器官之一,主要功能是为血液流动提供动力。心脏搏动特性的监测对于患者来说具有重要意义,目前,心脏监测可以通过监测心脏电活动、心脏机械活动来实现,还可以通过监测血压、脉搏波等来间接监测心脏搏动情况。不同的监测手段采用不同的传感技术来捕获信号,例如心脏电活动监测通过电极片来采集原始信号,脉搏波监测采用光电传感器PPG来采集原始信号。
传统的心律失常检测技术多基于时域信号分析,依赖于良好的时域信号波形和在此基础上的心拍检测,如ECG检测RR间隔、PPG检测峰峰间隔等,再根据心拍间隔分布进行分析计算。基于时域信号提取心拍间隔是为分析心拍分布的最为简单直接的手段。时域分析方法计算快速便捷实时,且对存储和运算资源要求低,在处理器运算能力和存储空间有限的条件下能够更好地应用于实际产品。但是时域分析依赖于优质的信号,信号容易受到各种外界干扰影响,造成特征识别错误;同时不同的传感技术采集的时域信号千差万别,各种信号之间的特征不一(如ECG信号和PPG信号就存在极大差异),时域分析算法很难跨传感技术直接应用。
发明概述
技术问题
本发明的目的在于提供一种心律失常事件的监测方法、计算机可读存储介质、心律失常事件的监测设备和系统,旨在解决时域分析算法很难跨传感技术直接应用,且时域分析依赖于优质的信号的问题。
问题的解决方案
技术解决方案
第一方面,本发明提供了一种心律失常事件的监测方法,所述方法包括:
获取对象的心脏搏动原始信号;
对心脏搏动原始信号进行预处理生成心脏搏动时域信号;
基于心脏搏动时域信号生成心脏搏动谱信号;
基于心脏搏动谱信号生成心脏搏动谱信号簇;
基于心脏搏动谱信号簇进行心律失常事件的识别。
第二方面,本发明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有计算机程序,所述计算机程序被处理器执行时实现如所述的心律失常事件的监测方法的步骤。
第三方面,本发明提供了一种心律失常事件的监测设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现如所述的心律失常事件的监测方法的步骤。
第四方面,本发明提供了一种心律失常事件的监测系统,包括:
一个或多个振动传感器;和
如所述的心律失常事件的监测设备。
发明的有益效果
有益效果
由于本发明的心律失常事件的监测方法基于心脏搏动时域信号生成心脏搏动谱信号;基于心脏搏动谱信号生成心脏搏动谱信号簇;基于心脏搏动谱信号簇进行心律失常事件的识别。因此可跨传感技术、弱依赖时域信号质量,适应性更强。
对附图的简要说明
附图说明
图1是本发明实施例一提供的心律失常事件的监测方法的流程图。
图2是光纤传感器采集得到的心脏搏动原始信号波形示意图。
图3是滤波去噪后的BCG信号波形图。
图4是心脏搏动时域信号示意图。
图5是基于图4所示的心脏搏动时域信号生成的心脏搏动频域谱信号示意图。
图6是心脏搏动时域信号示意图。
图7(a)和图7(b)是基于图6所示的心脏搏动时域信号生成的心脏搏动时域谱信号示意图。
图8(a)是心脏搏动时域信号示意图。
图8(b)是T=5,6,7,8,9s这5个时刻点所截取的时间窗对应的心脏搏动时域信号示意图。
图8(c)是5个时刻点对应的心脏搏动频域谱信号示意图。
图9(a)是BCG时域信号波形示意图。
图9(b)是图9(a)中的BCG时域信号波形依次计算得到的心脏搏动频域谱信号。图10(a)、(b)和(c)是将心脏搏动谱信号进行像素映射,生成图像谱的示意图。
图11是根据图9(a)中的时域波形和图9(b)中的频域谱信号波形进行像素映射后生在的与心脏搏动谱信号簇对应的图像谱示意图。
图12(a)、(b)、(c)是一组窦性心律受试者的心脏搏动谱信号簇的图像谱示意图。图13(a)、(b)、(c)是一组房颤患者心脏搏动谱信号簇的图像谱示意图。
图14(a)、(b)、(c)是一组其他病种患者心脏搏动谱信号簇的图像谱示意图。
图15是本发明实施例三提供的心律失常事件的监测设备的具体结构框图。
实施该发明的最佳实施例
本发明的最佳实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
请参阅图1,本发明实施例一提供的心律失常事件的监测方法包括以下步骤:需注意的是,若有实质上相同的结果,本发明的心律失常事件的监测方法并不以图1所示的流程顺序为限。
S101、获取对象的心脏搏动原始信号。
心脏搏动原始信号是指所有能够反映心脏搏动特性的原始信号,例如心电图(Electrocardiogram,ECG)信号、心音图(Phonocardiogram,PCG)信号、心震图(Seismocardiogram,SCG)信号、心冲击图(Ballistocardiography,BCG)信号、光电容积脉搏波(Photoplethysmograph,PPG)信号、有创血压(Invasive blood pressure,IBP)信号、雷达波监测的心脏搏动信号等。
心脏搏动原始信号通过传感器获得。当心脏搏动原始信号为BCG信号、PCG信号或SCG信号时,所述心脏搏动原始信号通过振动传感器获得。当心脏搏动原始信号为ECG信号时,所述心脏搏动原始信号通过心电传感器获得;当心脏搏动原始信号为PPG信号时,所述心脏搏动原始信号通过光电传感器获得;当心脏搏动原始信号为IBP信号时,所述心脏搏动原始信号通过IBP信号传感器获得;当心脏搏动原始信号为雷达波监测的心脏搏动信号时,所述心脏搏动原始信号通过生物雷达获得。
在本发明实施例一中,振动传感器可以是加速度传感器、速度传感器、位移传感器、压力传感器、光纤传感器、或者是以加速度、速度、压力、或位移为基础将物理量等效性转换的传感器(例如静电荷敏感传感器、充气式微动传感器、雷达传感器等)中的一种或多种。
在本发明实施例一中,通过振动传感器采集对象的心脏搏动原始信号时,振动传感器可被放置于对象身体下方。例如对象可以呈仰卧、俯卧、侧卧、半卧等姿势,振动传感器可放置于床上,对象仰卧(俯卧或侧卧)于其上。较佳的测量状态是振动传感器被配置为与所述对象的肩部、背部、腰部或髋部接触,例如振动传感器置于平躺仰卧人体背后的接触面、一定倾斜角仰卧人体背后的接触面、轮椅或其它可倚靠物体的倚卧人体背后的接触面等多种方式进行采集和测量。一般地,为保证所采集信号质量,需要在比较安静的状态下进行测量。
图2所示为振动传感器采集得到的心脏搏动原始信号波形示意图。振动传感器采集的心脏搏动原始数据包含被测对象呼吸信号成分、心脏搏动信号成分、以及环境微震动、被测对象体动引起的干扰和电路自身的噪声信号。此时的信号大轮廓即为人体呼吸产生的信号包络,而心脏搏动与其它干扰噪声则叠加在呼吸包络曲线上。
S102、对心脏搏动原始信号进行预处理生成心脏搏动时域信号。
不同的传感器获得的心脏搏动原始信号包含的信息量不同,有的心脏搏动原始信号包含的信息量比较丰富,因此需要对其进行预处理来捕获相关信号。例如,振动传感器获得的心脏搏动原始信号中还包含被测对象的呼吸信号、体动信号、传感器固有的一些噪声等信号。
在本发明实施例一中,S102具体可以包括:
对心脏搏动原始信号进行滤波、去噪、信号缩放中的至少一种,得到心脏搏动时域信号;具体可以为:根据对滤波后信号特征的需求采用IIR滤波器、FIR滤波器、小波滤波器、零相位双向滤波器、多项式拟合平滑滤波器、积分变换、微分变换中的一种或多种组合,对心脏搏动原始信号进行滤波去噪;还可以包括:判断心脏搏动原始信号是否携带工频干扰信号,如果有,则通过工频陷波器滤除工频噪声。
如图3所示为对图2所示的振动传感器获取的心脏搏动原始信号进行滤波去噪后的时域波形示意图,每个波形特征明显且一致性良好、周期规律、轮廓清晰、基线平稳。
S103、基于心脏搏动时域信号生成心脏搏动谱信号。
在本发明实施例一中,S103具体可以为:基于心脏搏动时域信号生成心脏搏动频域谱信号。
例如:基于心脏搏动时域信号通过时频变换方式生成心脏搏动频域谱信号,时频变换方式可采用傅立叶变换、小波变换等,若需要细化频谱分辨率,还可以采用补零法、ZoomFFT法、CZT变换、Yip-ZOOM变换等;其中,用于时频变换的心脏搏动时域信号最好包含至少两个周期波形;
或者,
基于心脏搏动时域信号通过计算功率谱获得心脏搏动频域谱信号,可采用自相关法、周期图法、加窗平均周期图法、Welch法、多窗口法、最大熵法等;
或者,
基于心脏搏动时域信号通过计算AR谱获得心脏搏动频域谱信号。
当然,除了傅立叶变换、小波变换、功率谱计算、AR谱计算等方法之外还有更多的心脏搏动频域谱信号生成方式,此处不再赘述。
下面以傅立叶变换进行说明:
时域信号采样率一般不小于500Hz,而频域计算则对存储资源和运算能力消耗较大,其需要反映一定时长内的频率特征,因此一般需要对时域波形进行降采样重新抽样(即重采样),比如将500Hz抽成100Hz、62.5Hz、50Hz等。确定重采样率之后,根据运算资源和能力确定合适的时频变换点数,一般来说点数越多越精确,但点数越多需要的原始数据长度也越长。合理的设计最好能够保证用于时频变换的心脏搏动时域信号能够包含至少两个周期波形,例如假设心率测量范围的最小值为30bpm,则需要至少包含4秒以上时长的时域数据,再结合重采样率可确定时频变换的点数。如图4所示,是心脏搏动时域信号示意图,图5是基于图4所示的心脏搏动时域信号生成的心脏搏动频域谱信号示意图。可以采用CZT变换进行频谱细化分析,重点关注0~5Hz范围内频域特征,也可以根据实际需要扩大或缩小关注的频带范围。此时呈现的为优质的BCG频域波形,每个有效峰特征明显,轮廓清晰直立,基倍频特性明显。此时1.1Hz为主峰即基频峰,后续的各个明显峰分别为其二倍频、三倍频、四倍频。注意此时基频峰能量不是最高的原因与滤波器特性有关,在由时域信号进行时频变换的同时欲抑制低频干扰可以对低频信号进行滤除或压低,需注意在滤除低频干扰的同时可能压低主峰能量。这里的滤波可以直接在时域上进行,也可以在频域上进行窗函数滤波。由于此时只关心0~5Hz以内频率,因此基频峰1.1Hz的最大有效倍频为四倍频4.4Hz附近。如扩大频率上限,设置合理的滤波器参数,还有可能观察到其五倍频特征峰。
S103具体也可以为:基于心脏搏动时域信号生成心脏搏动时域谱信号。
例如:基于心脏搏动时域信号通过自相关函数生成心脏搏动时域谱信号。如图6所示,是心脏搏动时域信号示意图,图7(a)和(b)是基于图6所示的心脏搏动时域信号生成的心脏搏动时域谱信号示意图。图6所示的BCG时域波形为t1(秒为单位)时间段内的数据波形;图7(a)为双边自相关函数波形,中间线为T=0,左右侧宽度分别为-t1和t1,此时左右两侧关于时间轴T=0对称,根据实际情况可以只看单边波形(T≥0或T≤0);图7(b)是T≥0部分的波形。图5是单边的频域谱,根据实际情况也可以看双边,其关于频率轴w=H(Fs)/2对称,H(Fs)为采样率对应的频率。此时可以看到图7(a)和图7(b)自相关函数波形与图5的频域谱有类似的特征,所以称之为谱信号,但其实未进行时频变换,故称之为时域谱信号。对于心脏搏动时域谱信号也可以适当地通过滤波算法对干扰峰进行抑制、滤除或压低,对主峰能量进行放大、凸显或抬高。
尽管心脏搏动时域谱信号的生成方式与心脏搏动频域谱信号不一致,但两种心脏搏动谱信号之间存在很强的特征相似性,实际上从数学上来说功率谱等于自相关函数的傅立叶变换,自相关函数等于功率谱的傅立叶逆变换,因此两者之间存在强大的内在联系。因此后文阐述以心脏搏动频域谱信号为实施例进行展开,本领域人员可以参照实施例对心脏搏动时域谱信号进行扩展延伸。
当然,除了自相关函数之外还可以通过其他方式生成类似特征的心脏搏动时域谱信号,甚至还可以基于心脏搏动时域信号生成心脏搏动频域谱信号和心脏搏动时域谱信号,并结合心脏搏动频域谱信号和心脏搏动时域谱信号生成心脏搏动谱信号。例如,将心脏搏动时域谱信号和心脏搏动频域谱信号进行叠加、拼接、乘积等运算生成心脏搏动谱信号。
S104、基于心脏搏动谱信号生成心脏搏动谱信号簇。
在本发明实施例一中,S104具体可以为:
在多个时刻点分别获取预设时间窗的心脏搏动谱信号;
将多个时刻点获取的心脏搏动谱信号集合成为心脏搏动谱信号簇。
其中,多个时刻点对应的预设时间窗可以是相同的,也可以是不同的。多个时刻点中相邻时刻点的时间间隔可以是相同的,也可以是不同的。多个时刻点中相邻时刻点的时间间隔可以是大于、小于或等于预设时间窗。预设时间窗对应的心脏搏动时域信号最好包含至少两个周期波形。
下面以心脏搏动频域谱信号为实施例进行说明。
如图8(a)、(b)和(c)所示,图8(a)为心脏搏动时域信号示意图,将起点设置为T=0s时刻点。设置时间窗为5秒,相邻时刻点的时间间隔为1秒。图8(b)为T=5,6,7,8,9s这5个时刻点所截取的时间窗对应的心脏搏动时域信号。T=5s时刻点为T=0~5s时间窗数据,T=6s时刻点为T=1~6s时间窗数据,依次类推。图8(c)为5个时刻点对应的心脏搏动频域谱信号。
当然这里的时间窗可以根据实际情况调整,可以将5秒扩大到更长时间窗,也可以缩小时间窗,但合理的时间窗长度设计最好能够保证用于时频变换的时域波形能够包含两个或者以上的周期波形;相邻时刻点的时间间隔为1秒也可以进行调整,如运算能力足够可以缩减至0.75秒、0.5秒、0.25秒等,当然也可以更长时间如2秒、3秒、5秒甚至更长时间如40秒。
如图9(a)和9(b)所示,图9(a)是BCG时域信号波形(这里只呈现时间片段数据,在该时间片段前后均仍有BCG数据),以T=0s时刻点,直至T=9s时刻点,依次计算得到各自的心脏搏动频域谱信号为图9(b)所示,这一系列心脏搏动频域谱信号为心脏搏动频域谱信号簇(如果谱信号为心脏搏动时域谱信号可以称之为心脏搏动时域谱信号簇)。当然,在本发明实施例中均以BCG数据作为说明,其他能够反映心脏搏动特性的如ECG、PCG、SCG、PPG、IBP血压波、雷达波监测心脏搏动信号等各种信号均可以转换成为谱信号。
S105、基于心脏搏动谱信号簇进行心律失常事件的识别。
在本发明实施例一中,S105具体可以为:
将心脏搏动谱信号簇进行像素映射,生成与心脏搏动谱信号簇对应的图像谱,并根据与心脏搏动谱信号簇对应的图像谱进行心律失常事件的识别。
所述将心脏搏动谱信号簇进行像素映射,生成与心脏搏动谱信号簇对应的图像谱具体为:将心脏搏动谱信号簇进行归一化,将归一化之后的心脏搏动谱信号簇转换为像素点绘制与心脏搏动谱信号簇对应的图像谱。
从图9(a)和9(b)可以看到,随时间推进,各谱信号主峰之间存在联系,但从图9(a)和9(b)肉眼观察来看没那么直观鲜明,可以通过像素映射及像素矩阵来进行转换呈现。对于某个时刻点T的谱信号,假设最终获得频带范围为w=[w0,wn],频域谱对应各点频率值为Spect=[P0,P1,...,Pn]。对其进行归一化至[0,1]范围,通过公式pi=(Pi-Pmin)/(Pmax-Pmin),(i=0,1,...,n)得到归一化谱信号spect=[p0,p1,...,pn]。对应谱信号频率点wi位置,将其映射为像素点[pi,pi,pi],这里的像素点值表示归一化的[r g b]值。
如图10(a)、10(b)和10(c)所示,图10(c)为心脏搏动频域谱信号波形,图10(a)为将其进行归一化且转换为像素点之后绘制的像素条带。这里本质上每个wi位置只是一个点,但为了视觉上能够直观肉眼看到,绘制了像素填充块。将所有像素填充块绘制出来,即呈现出如图10(a)和10(b)所示的像素条带。这里将能量越大的点映射到越接近白色像素,能量越小的点映射到越接近黑色像素,当然也可以取1-[pi,pi,pi],图10(b)所示的像素条带即为图10(a)的反色。当然为了视觉效果还可以采用彩色映射,或者更复杂的渐变映射,比如频率点wi位置择取[wi-1,wi,wi+1]位置谱能量构建一个函数来映射生成像素,或者在构建完成像素之后进行一些滤波处理,如均值滤波、中值滤波等,最终以使得映射后得到的像素条带在保留谱信号关键特征的同时更加清晰直观,此处不赘述。
选取一种像素映射方案,本实施例以10(b)像素条带映射方案(1-[pi,pi,pi])作为说明,将随时间推进过程中,各个时刻点计算得到的谱信号,均通过像素映射得到像素信号;将所有像素信号仍以时间序列排布,得到像素矩阵。该矩阵的两个维度,一个维度为单个时刻点所得到的谱信号数据长度,另一个维度为所择取计算的时刻点数。这里绘制的时刻点数只有10s即10个点,根据实际情况可以绘制如30s、60s、120s等点数。如图11所示,是根据图9(a)中的时域波形和图9(b)中的频域谱信号波形进行像素映射后生在的与心脏搏动谱信号簇对应的图像谱。从图11可以看出各个有效主峰能够从T=0s时刻延续至T=9s时刻,贯穿始末的现象,在图11上显现出四条清晰的、并行的、贯穿始末的黑色条带。
当然图像谱只是因为像素矩阵可以通过某种方式转换成一个图像,并不一定要通过图像来呈现,本申请中,将像素矩阵以及通过其衍生的其它数字矩阵或者图像信息称为图像谱。
图12(a)(b)(c)给出了一组窦性心律受试者的心脏搏动谱信号簇的图像谱示意图,分别来自于三位心率不同的健康人数据,图12(a)、(b)、(c)分别是约为63bpm、88bpm、107bpm,由于这里频谱细化区域为0~5Hz,上限为300bpm,因此条带数目分别为4条、3条、2条,很清晰地肉眼直观可见。
图13(a)(b)(c)给出了一组房颤患者心脏搏动谱信号簇的图像谱示意图,分别来自于三位房颤患者数据,此时可以看到房颤患者的图像谱非常混乱无序、毫无规则,与前面窦性心律图像谱存在非常大的差异。图14(a)(b)(c)给出了一组其他病种患者心脏搏动谱信号簇的图像谱,分别为室性早搏患者、安装心脏起搏器患者和房扑患者。此时可以看得早搏患者仍然还有类似窦性心律的条带,但其呈线出更加飘逸摇曳的姿态;起搏器患者由于起搏心率的强规则性,呈线出笔直延伸的特性,房扑患者当其绝对齐整的时候也具有类似特性。当然其他病种可能还有区别于此的特征,此处不赘述。
在本发明实施例一中,根据与心脏搏动谱信号簇对应的图像谱进行心律失常事件的识别具体可以为:
通过人工肉眼读与心脏搏动谱信号簇对应的图像谱,根据基于生理特性和病理特性建立的相应规则来识别心律失常事件。
或者,
通过机器学习算法建模,自动根据与心脏搏动谱信号簇对应的图像谱进行心律失常事件的识别。
如图12、图13和图14所示,是窦性心律、房颤、室性早搏、心脏起搏器、房扑的心脏搏动谱信号簇的图像谱示意图,在采集大量受试者数据形成的数据库基础上,医护人员经过培训了解各种心律失常事件对应的图像谱具有的特征,可以通过人工读图来识别心律失常事件。
随着计算机技术的发展,人工智能、机器学习、深度学习得到了更多的普及、应用和推广。根据与心脏搏动谱信号簇对应的图像谱进行心律失常事件的识别本质上是一个分类问题,可以通过各种不同的分类算法来进行解决,如k-近邻算法、逻辑回归、支持向量机等建立分类器模型进行分类,而基于图谱是一个二维图像来看还可以通过深度学习框架(如CNN卷积神经网络)来建立模型进行分类。当然也可以直接依赖绘制成图谱之前的像素矩阵来进行分类计算,因为图像最终还是会被转换成数字矩阵。
下面以k-近邻算法分类说明一般流程:
收集数据:收集房颤受试者和非房颤受试者数据,例如对患者每2分钟生成一个谱信号簇图谱,获取大量数据,并对所有图谱进行标注(标定样本),剔除异常样本。
准备数据:用于计算距离的数值,比如像素矩阵。
分析数据:可以采用任何方法,例如通过像素矩阵建立一套距离计算方法。
训练算法:此步骤不适用于k-近邻算法。
测试算法:计算错误率。
使用算法:输入新样本数据和结构化的输出结果,运行k-近邻算法判定输入数据属于哪个分类,然后应用计算出的分类执行后续处理。
算法实施过程中:首先计算输入样本与所有标定样本的距离,然后按照距离递增次序排序,然后选取与当前样本距离最小的k个样本,然后确定前k个样本所在类别的出现频率,最后返回前k个样本出现频率最高的类别作为当前样本的预测分类。
下面以CNN卷积神经网络说明一般流程:
收集数据:收集房颤受试者和非房颤受试者数据,不妨对患者每2分钟生成一个谱信号簇图谱,获取大量数据,并对所有图谱进行标注(标定样本),剔除异常样本。
准备数据:用于计算建模的数值,比如二维图谱图片,二维“像素”矩阵。
分析数据:可以采用任何方法,例如进行图像滤波。
训练算法:通过卷积神经网络进行训练。
测试算法:计算错误率。
使用算法:输入新样本数据和结构化的输出结果,判定输入数据属于哪个分类,然后应用计算出的分类执行后续处理。
算法实施过程中:首先在输入层输入样本,然后在卷积层使用卷积核进行特征提取和特征映射,然后在激励层增加非线性映射,再然后在池化层进行下采样,对特征图稀疏处理,减少数据运算量,最后在全连接层通常在CNN的尾部进行重新拟合,减少特征信息的损失。
不论采用何种机器学习的方法,均需要大量受试者数据建立相应的数据库,以更完整地包含特征信息。然后基于数据库建立相应的算法模型,通过算法自动进行心律失常事件的识别。
实施例二:
本发明实施例二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有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例一提供的心律失常事件的监测方法的步骤。
实施例三:
图15示出了本发明实施例三提供的心律失常事件的监测设备的具体结构框图,一种心律失常事件的监测设备100包括:一个或多个处理器101、存储器102、以及一个或多个计算机程序,其中所述处理器101和所述存储器102通过总线连接,所述一个或多个计算机程序被存储在所述存储器102中,并且被配置成由所述一个或多个处理器101执行,所述处理器101执行所述计算机程序时实现如本发明实施例一提供的心律失常事件的监测方法的步骤。
实施例四:
本发明实施例四提供了一种心律失常事件的监测系统,包括:一个或多个振动传感器;和本发明实施例三提供的心律失常事件的监测设备。
由于本发明的心律失常事件的监测方法基于心脏搏动时域信号生成心脏搏动谱信号;基于心脏搏动谱信号生成心脏搏动谱信号簇;基于心脏搏动谱信号簇进行心律失常事件的识别。因此可跨传感技术、弱依赖时域信号质量,适应性更强。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种生成图像谱的方法,其特征在于,所述方法包括:获取对象的心脏搏动原始信号;
对心脏搏动原始信号进行预处理生成心脏搏动时域信号;
基于心脏搏动时域信号生成心脏搏动谱信号;
在多个时刻点分别获取预设时间窗的心脏搏动谱信号;
将多个时刻点获取的心脏搏动谱信号集合成为心脏搏动谱信号簇;
将心脏搏动谱信号簇进行像素映射,生成与心脏搏动谱信号簇对应的图像谱。
2.如权利要求1所述的方法,其特征在于,所述心脏搏动原始信号包括心电图ECG 信号、心音图PCG信号、心震图SCG信号、心冲击图 BCG 信号、光电容积脉搏波PPG信号和雷达波监测的心脏搏动信号。
3.如权利要求2所述的方法,其特征在于,所述心脏搏动原始信号为BCG信号、PCG信号或SCG信号时,所述心脏搏动原始信号通过振动传感器获得;所述振动传感器是加速度传感器、速度传感器、位移传感器、压力传感器、应变传感器、或者是以加速度、速度、压力或位移为基础将物理量等效性转换的传感器中的一种或多种。
4.如权利要求3所述的方法,其特征在于,所述应变传感器是光纤传感器。
5.如权利要求4所述的方法,其特征在于,所述光纤传感器被配置为置于所述对象身体下方,所述对象呈仰卧、俯卧、侧卧或半卧。
6.如权利要求5所述的方法,其特征在于,所述光纤传感器被配置为与所述对象的肩部、背部、腰部或髋部接触。
7.如权利要求1所述的方法,其特征在于,所述对心脏搏动原始信号进行预处理生成心脏搏动时域信号具体包括:
对心脏搏动原始信号进行滤波、去噪、信号缩放中的至少一种,得到心脏搏动时域信号。
8.如权利要求1所述的方法,其特征在于,所述基于心脏搏动时域信号生成心脏搏动谱信号具体为:
基于心脏搏动时域信号生成心脏搏动频域谱信号;或者,
基于心脏搏动时域信号生成心脏搏动时域谱信号;或者
基于心脏搏动时域信号生成心脏搏动频域谱信号和心脏搏动时域谱信号,并结合心脏搏动频域谱信号和心脏搏动时域谱信号生成心脏搏动谱信号。
9.如权利要求8所述的方法,其特征在于,所述基于心脏搏动时域信号生成心脏搏动频域谱信号具体为:
基于心脏搏动时域信号通过时频变换方式生成心脏搏动频域谱信号;
或者,
基于心脏搏动时域信号通过计算功率谱获得心脏搏动频域谱信号;
或者,
基于心脏搏动时域信号通过计算AR谱获得心脏搏动频域谱信号。
10.如权利要求8所述的方法,其特征在于,所述基于心脏搏动时域信号生成心脏搏动时域谱信号具体为:
基于心脏搏动时域信号通过自相关函数生成心脏搏动时域谱信号。
11.如权利要求1所述的方法,其特征在于,所述多个时刻点对应的预设时间窗是相同的或者是不同的;
多个时刻点中相邻时刻点的时间间隔是相同的或者是不同的;
多个时刻点中相邻时刻点的时间间隔大于、小于或等于预设时间窗;
预设时间窗对应的心脏搏动时域信号包含至少两个周期波形。
12.如权利要求1所述的方法,其特征在于,所述将心脏搏动谱信号簇进行像素映射,生成与心脏搏动谱信号簇对应的图像谱具体为:
将心脏搏动谱信号簇进行归一化,将归一化之后的心脏搏动谱信号簇转换为像素点绘制与心脏搏动谱信号簇对应的图像谱。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的生成图像谱的方法的步骤。
14.一种生成图像谱的设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至12任一项所述的生成图像谱的方法的步骤。
15.一种生成图像谱的系统,包括:
一个或多个振动传感器;和
如权利要求14所述的生成图像谱的设备。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/074340 WO2020155078A1 (zh) | 2019-02-01 | 2019-02-01 | 一种心律失常事件的监测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113164072A CN113164072A (zh) | 2021-07-23 |
CN113164072B true CN113164072B (zh) | 2022-12-30 |
Family
ID=71840739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980074589.0A Active CN113164072B (zh) | 2019-02-01 | 2019-02-01 | 一种心律失常事件的监测方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113164072B (zh) |
WO (1) | WO2020155078A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515651A (zh) * | 2020-11-30 | 2021-03-19 | 中物云信息科技(无锡)有限公司 | 一种基于bcg的心律失常识别方法及装置 |
CN116881703B (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种电缆多源信号识别方法、装置及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101617940B (zh) * | 2009-05-08 | 2012-01-04 | 汪欣 | 脉搏监测装置及脉搏本地、远程监测报警系统 |
CN102156019B (zh) * | 2011-03-28 | 2013-11-27 | 豪展医疗科技股份有限公司 | 压力传感器 |
CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
US20160081566A1 (en) * | 2014-09-22 | 2016-03-24 | Xerox Corporation | Identifying a type of cardiac event from a cardiac signal segment |
CN105725983B (zh) * | 2016-01-07 | 2020-12-08 | 深圳市和来科技有限公司 | 一种周围动脉硬化的早期筛查方法及系统 |
CN105640505B (zh) * | 2016-01-13 | 2018-06-19 | 昆明理工大学 | 一种基于ar模型谱估计的脉搏信号随机噪声去噪方法 |
US10561323B2 (en) * | 2016-01-20 | 2020-02-18 | Microchip Technology Incorporated | Method, system and apparatus for measuring multiple signals in a body |
FR3053237A1 (fr) * | 2016-06-30 | 2018-01-05 | Universite D'aix-Marseille | Dispositif de detection d'au moins un trouble du rythme cardiaque |
CN107773224A (zh) * | 2016-08-30 | 2018-03-09 | 华邦电子股份有限公司 | 脉搏分析方法及其装置 |
-
2019
- 2019-02-01 WO PCT/CN2019/074340 patent/WO2020155078A1/zh active Application Filing
- 2019-02-01 CN CN201980074589.0A patent/CN113164072B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
WO2020155078A1 (zh) | 2020-08-06 |
CN113164072A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
US8249698B2 (en) | General diagnostic and real-time applications of discrete hermite functions to digital data | |
Brooks et al. | Electrical imaging of the heart | |
EP0606301A4 (en) | Methods of impedance cardiography and heartbeat determination. | |
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
JP5996111B2 (ja) | 電流密度変動に基づく心筋損傷の評価装置 | |
CN103340622A (zh) | 基于智能手机的房颤自动检测系统 | |
EP2170163B1 (en) | Methods of measurement of drug induced changes in cardiac ion channel function and associated apparatus | |
CN113164072B (zh) | 一种心律失常事件的监测方法和设备 | |
CN112617850B (zh) | 心电信号的早搏心拍检测系统 | |
CN112568886A (zh) | 心律的检测方法、电子设备以及计算机可读存储介质 | |
US20160135704A1 (en) | Matrix-Based Patient Signal Analysis | |
CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
EP2540222A2 (en) | Method and apparatus for diagnosing cardiac arrhythmia | |
CN113974576A (zh) | 一种基于心磁图的睡眠质量监测系统及监测方法 | |
Rapalis et al. | Estimation of blood pressure variability during orthostatic test using instantaneous photoplethysmogram frequency and pulse arrival time | |
CN113242716B (zh) | 一种心律失常事件的监测方法、设备和系统 | |
CN113226170B (zh) | 一种心脏舒张功能评估方法、设备和系统 | |
CN110881964B (zh) | 一种评估容量反应性的方法和评估容量反应性的处理设备 | |
Mayapur | Detection and classification of heart defects | |
Arvinti et al. | Effective wavelet algorithm for an automatic detection of atrial fibrillation | |
Heng et al. | Prediction algorithm of malignant ventricular arrhythmia validated across multiple online public databases | |
Georgieva-Tsaneva | An Information System for Cardiological Data Studying | |
WO2023108404A2 (zh) | 一种无扰式房颤监测方法 | |
Al-din et al. | Hybridization Method Based ECG Signals Classification |
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 |