CN113317793B - 心磁高频信号分析方法、存储介质及电子设备 - Google Patents

心磁高频信号分析方法、存储介质及电子设备 Download PDF

Info

Publication number
CN113317793B
CN113317793B CN202110655300.3A CN202110655300A CN113317793B CN 113317793 B CN113317793 B CN 113317793B CN 202110655300 A CN202110655300 A CN 202110655300A CN 113317793 B CN113317793 B CN 113317793B
Authority
CN
China
Prior art keywords
magnetocardiogram
signals
energy
signal
data
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
Application number
CN202110655300.3A
Other languages
English (en)
Other versions
CN113317793A (zh
Inventor
孔祥燕
崔高运
张志聃
平航
王海
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202110655300.3A priority Critical patent/CN113317793B/zh
Publication of CN113317793A publication Critical patent/CN113317793A/zh
Application granted granted Critical
Publication of CN113317793B publication Critical patent/CN113317793B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/30—Surgical robots
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • 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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Abstract

本发明提供一种心磁高频信号分析方法、存储介质及电子设备，所述方法包括：采集心磁信号和心电信号；对采集的心磁信号进行预处理，使得心磁信号与心电信号同步，并获取平均的单周期心磁信号；对平均的单周期心磁信号进行分段，并对分段后的平均的单周期心磁信号进行多层小波分解，并对分解后的小波成分进行数据重建，形成多层心磁数据；对不同层的各段心磁数据分别进行能量值的计算，形成不同层的能量图；确定能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态。本发明可以有效解决现有技术无法准确且全面的表征心肌梗死患者的心磁现象的技术问题。

Description

心磁高频信号分析方法、存储介质及电子设备
技术领域
本发明涉及生物医学信号分析技术领域，特别是涉及心磁高频信号分析技术领域。
背景技术
心磁图仪(magnetocardiography,MCG)是一种可以快速获取心脏的心肌细胞产生磁场信息的检测仪器，其具有高灵敏度、无创、非接触以及无辐射的特点，且可以对心脏病进行早期预测，是一种非常有效的检测心脏功能疾病的手段。近年来心磁探测相关研究快速发展，心磁图仪也将越来越广泛地应用于临床医学上，而对心磁信号的分析也成为其在临床应用的关键步骤。
心磁信号由心脏中的电活动产生，对应于心脏中心室肌细胞的活动规律，正常情况下心肌细胞之间不存在电位差，但是当某些部位出现心肌损伤或缺血时，会引起细胞间形成电位差，由于变化细微，产生的电信号不易被观察到，而心磁信号采集的是心脏周围空间场的各个局部小位置的磁信号，所以心肌异常的信号易被心磁探测记录到。
心肌受损与心肌缺血时会在心电周期的QRS末尾形成心室晚电位信号，因此应主要检测的是心室晚电位对应的心磁信号。心磁诊断本身具有局部化信息的探测能力，对其进行高频分量分离后，高频信号中更容易突出高频率低振幅的心室晚电位信号。由于心磁信号的高频分析对于预测各种心脏疾病的行为具有非常重要的意义，因此，如何提供一种心磁高频信号分析方法，以解决现有技术中对心磁高频信号的分析的不足，无法准确且全面的表征心肌梗死患者的心磁现象等缺陷，已成为生物医学信号分析领域亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种心磁高频信号分析方法、存储介质及电子设备，用于解决现有技术无法准确且全面的表征心肌梗死患者的心磁现象的技术问题。
为实现上述目的及其他相关目的，本发明提供一种心磁高频信号分析方法，包括：采集心磁信号和心电信号；对采集的所述心磁信号进行预处理，使得所述心磁信号与所述心电信号同步，并获取平均的单周期心磁信号；对所述平均的单周期心磁信号进行分段，并对分段后的所述平均的单周期心磁信号进行多层小波分解，并对分解后的小波成分进行对应的数据重建，形成多层心磁数据；对不同层的各段心磁数据分别进行能量值的计算，形成不同层的能量图；确定所述能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态。
于本发明的一实施例中，所述对采集的所述心磁信号进行预处理包括：对所述心磁信号进行三轴自适应补偿；对自适应补偿后的所述心磁信号进行滤波；控制滤波后的所述心磁信号与所述心电信号同步；识别平均的单周期心磁信号。
于本发明的一实施例中，采用递推最小二乘法对所述心磁信号进行三轴自适应补偿；其中，所述递推最小二乘法采用的目标函数为：f＝∑[G-(k1VX+k2VY+k3VZ)]2；其中，f为经三轴补偿后的心磁信号的平方和，G为梯度计的输出电压，k1、k2、k3分别为X、Y、Z方向信号的补偿系数，VX、VY、VZ分别为三轴磁强计三个方向的电压。
于本发明的一实施例中，所述控制滤波后的所述心磁信号与所述心电信号同步的方式包括：将所述心磁信号平移；对比分析平移后所述心磁信号与所述心电信号的相似度，并获取相似度最大值对应的平移量，所述平移量表示所述心磁信号与所述心电信号之间的时延；去除所述平移量，使得所述心磁信号与所述心电信号同步。
于本发明的一实施例中，所述识别平均的单周期心磁信号包括：筛选有效的多周期的心电信号；分别对所述多周期心电信号和多周期心磁信号进行R峰识别，并分周期分离存储R峰识别之后的心电信号和心磁信号；将分离后同周期的心电信号和心磁信号进行相似度对比，并将相似度大于相似度阈值时的心磁信号的周期对应的心磁信号数据作为待平均的周期数据；在获取各周期对应的待平均的周期数据之后，将所有所述待平均的周期数据进行平均，得到平均的单周期心磁信号。
于本发明的一实施例中，所述对所述平均的单周期心磁信号进行分段包括：识别所述平均的单周期心磁信号的R峰；以所述平均的单周期心磁信号的R峰为基准，取R峰之前的第一预设时间段的波形为QR段，取R峰之后的所述第一预设时间段的波形为RS段，取所述RS段之后的第二预设时间段的波形为ST段。
于本发明的一实施例中，所述对不同层的各段心磁数据分别进行能量值的计算中采用的计算公式为：
Figure BDA0003113487290000021
其中，E为ti时刻的能量值，B为ti时刻的磁场值，n为进行多周期平均的心磁数据的周期个数，i为1，2，…，n，ti为第i个进行多周期平均的心磁数据周期所在的时间段。
于本发明的一实施例中，所述获取相邻两幅能量图之间的相似度的公式为：
Figure BDA0003113487290000031
其中，r为相似度，n为进行多周期平均的心磁数据的周期个数，i为1，2，…，n，Xi为相邻第一幅能量图第i个周期心磁数据的能量值，Yi为相邻第二幅能量图第i个周期心磁数据的能量值，
Figure BDA0003113487290000032
为相邻第一幅能量图n个周期心磁数据的能量值的平均值，
Figure BDA0003113487290000033
为相邻第二幅能量图n个周期心磁数据的能量值的平均值。
为实现上述目的及其他相关目的，本发明还提供一种存储介质，存储有程序指令，其中，所述程序指令被执行时实现如上所述的心磁高频信号分析方法的步骤。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如上所述的心磁高频信号分析方法的步骤。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如上所述的心磁高频信号分析方法的步骤。
为实现上述目的及其他相关目的，本发明还提供一种移动机器人，应用如上所述的电子设备。
如上所述，本发明的心磁高频信号分析方法、存储介质及电子设备具有以下有益效果：
本发明中的心磁高频信号分析方法可以通过参数定量分析和图像分布更直观地观察到心肌受损患者与正常人心磁高频信号的不同之处，对于早期预测心肌梗死具有很重要的意义，有效解决现有技术无法准确且全面的表征心肌梗死患者的心磁现象的技术问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。
图1显示为本申请一实施例中的心磁高频信号分析方法的整体流程示意图。
图2显示为本申请一实施例中的心磁高频信号分析方法中采集心磁信号数据时使用的四通道扫描示意图。
图3显示为本申请一实施例中的心磁高频信号分析方法中心磁信号预处理时经三轴自适应补偿之后的结果示意图。
图4显示为本申请一实施例中的心磁高频信号分析方法中三轴自适应补偿后又经过300Hz低通滤波之后的结果示意图。
图5显示为本申请一实施例中的心磁高频信号分析方法中中心磁信号经低通滤波后进行多周期平均程序的流程示意图。
图6显示为本申请一实施例中的心磁高频信号分析方法中单周期心磁信号的分段示意图。
图7显示为本申请一实施例中的心磁高频信号分析方法中对分段后的心磁信号采用的小波分解的示意图。
图8显示为本申请一实施例中的心磁高频信号分析方法中心磁高频信号经能量图成像之后的结果示意图。
图9显示为本申请一实施例中的心磁高频信号分析方法的实施过程示例流程图。
图10显示为本申请一实施例中的电子设备的原理框图。
元件标号说明
101 电子设备
1001 处理器
1002 存储器
S100～S500 步骤
S201～S207 步骤
S1～S9 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本实施例的目的在于提供一种心磁高频信号分析方法、存储介质及电子设备，用于解决现有技术无法准确且全面的表征心肌梗死患者的心磁现象的技术问题。
心肌受损会导致心电高频信号发生变化，从而也会引起心磁高频信号的变化。本实施例的心磁高频信号分析方法、存储介质及电子设备采用信号分析方法中的能量谱分析方法，将心磁周围磁场分布的能量关系反映出来，并利用这种能量分布的图谱来总结心肌病变的特征。结合临床采集到的心肌受损患者的心磁高频信号，对其进行环境补偿、信号同步、多周期平均等预处理之后，再根据心肌损伤之后心磁信号的变化特征使用小波分解的办法将其分离出来，通过计算根据信号不同频段能量图成像的相似度变化来判断患者是否心肌受损。本实施例中的心磁信号高频分析方法可以通过参数定量分析和图像分布更直观地观察到心肌受损患者与正常人心磁高频信号的不同之处，对于早期预测心肌梗死具有很重要的意义。
以下将详细阐述本发明的心磁高频信号分析方法、存储介质及电子设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的心磁高频信号分析方法、存储介质及电子设备。
实施例1
具体地，如图1所示，本实施例提供一种心磁高频信号分析方法，所述心磁高频信号分析方法包括：
步骤S100，采集心磁信号和心电信号；
步骤S200，对采集的所述心磁信号进行预处理，使得所述心磁信号与所述心电信号同步，并获取平均的单周期心磁信号；
步骤S300，对所述平均的单周期心磁信号进行分段，并对分段后的所述平均的单周期心磁信号进行多层小波分解，并对分解后的小波成分进行对应的数据重建，形成多层心磁数据；
步骤S400，对不同层的各段心磁数据分别进行能量值的计算，形成不同层的能量图；
步骤S500，确定所述能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态。
以下对本实施例的心磁高频信号分析方法的步骤S100至步骤S500进行详细说明。
步骤S100，采集心磁信号和心电信号。
于本实施例中，心磁信号是在无屏蔽环境下通过四通道的心磁采集系统以及采样率为1KHz的采集卡采集得到的，在采集心磁信号的同时也要对心电信号进行采集。如图2所示，通过四通道的心磁采集系统采集9个位置共同组成胸腔的36个点的数据形成的扫描图。
步骤S200，对采集的所述心磁信号进行预处理，使得所述心磁信号与所述心电信号同步，并获取平均的单周期心磁信号。
于本实施例中，所述对采集的所述心磁信号进行预处理包括：对所述心磁信号进行三轴自适应补偿，对自适应补偿后的所述心磁信号进行滤波，控制滤波后的所述心磁信号与所述心电信号同步，识别平均的单周期心磁信号。
具体地，于本实施例中，采用但不限于递推最小二乘法对所述心磁信号进行三轴自适应补偿；其中，所述递推最小二乘法采用的目标函数为但不限于：
f＝∑[G-(k1VX+k2VY+k3VZ)]2；其中，f为经三轴补偿后的心磁信号的平方和，G为梯度计的输出电压，k1、k2、k3分别为X、Y、Z方向信号的补偿系数，VX、VY、VZ分别为三轴磁强计的输出电压。
于本实施例中，所述滤波为低通滤波，频率例如为300Hz，即本实施例中，使用递推最小二乘法对采集得到的心磁信号进行三轴自适应补偿，三轴自适应补偿后的结果如图3所示，对三轴补偿后的信号进行300Hz的低通滤波，低通滤波后的结果如图4所示，然后将滤波后的心磁信号与心电信号进行同步。
具体地，于本实施例中，所述控制滤波后的所述心磁信号与所述心电信号同步的方式包括：将所述心磁信号平移；对比分析平移后所述心磁信号与所述心电信号的相似度，并获取相似度最大值对应的平移量，所述平移量表示所述心磁信号与所述心电信号之间的时延；去除所述平移量，使得所述心磁信号与所述心电信号同步。
其中，将所述心磁信号平移x，
Figure BDA0003113487290000061
经三轴自适应补偿后的心磁信号，能够观察到比较明显的QRS波，将心磁信号平移
Figure BDA0003113487290000062
对比平移后的心磁信号与心电信号的相似度，得到相似度最大值对应的平移量即为心磁信号与心电信号之间的时延，去除时延，即实现将滤波后的心磁信号与心电信号进行同步。
于本实施例中，所述识别平均的单周期心磁信号包括：筛选有效的多周期的心电信号；分别对所述多周期心电信号和多周期心磁信号进行R峰识别，并分周期分离存储R峰识别之后的心电信号和心磁信号；将分离后同周期的心电信号和心磁信号进行相似度对比，并将相似度大于相似度阈值时的心磁信号的周期对应的心磁信号数据作为待平均的周期数据；在获取各周期对应的待平均的周期数据之后，将所有所述待平均的周期数据进行平均，得到平均的单周期心磁信号。
具体地，于本实施例中，所述平均的单周期心磁信号的识别获取过程为：
对同步后的心磁信号进行多周期平均前，筛选出与心电波形相似的周期，去除与先点波形差异较大的“畸形”周期，之后对多周期信号进行R峰识别，识别完所有的R峰之后对心电信号进行分周期存储，以R峰左1/3为周期起始，右2/3为周期结束，将周期中其他没有信号的地方进行补零操作；然后以心电的R峰位置和周期分段方法对同步后的心磁信号进行同样的R峰标定与周期分离，并将分离后同周期的心电信号与心磁信号进行相似度对比，考虑到只经过补偿的心磁信号信噪比较低，将对比后的相似度阈值设为β，相似度大于β的心磁信号周期作为最后进行平均的周期数据。
本实施例中，采用多周期平均算法识别平均的单周期心磁信号，图5显示为本实施例中心磁信号多周期平均程序流程图，对同步后的心磁信号进行多周期平均的具体过程包括：
S201，筛选出与心电波形相似的周期，去除与先点波形差异较大的“畸形”周期，之后对多周期信号进行R峰识别，识别完所有的R峰之后对心电信号进行分周期存储，以R峰左1/3为周期起始，右2/3为周期结束，将周期中其他没有信号的地方进行补零操作；
S202，以心电的R峰位置和周期分段方法对同步后的心磁信号进行同样的R峰识别与周期分离；
S203，判断i是否小于总周期数，若是，则执行步骤S207，若否，则执行步骤S204。
S204，计算当前第i周期心电信号与心磁信号的相似度。
S205，将心电信号与心磁信号的相似度阈值设为β，判断心电信号与心磁信号的相似度是否大于相似度阈值β，若是，则执行步骤S206，若否，则返回步骤S204。
S206，计数i加1，并将得到的数据叠加入待平均的周期数据中。
S207，得到所有的待平均的周期数据之后进行平均得到平均的单周期心磁信号。
步骤S300，对所述平均的单周期心磁信号进行分段，并对分段后的所述平均的单周期心磁信号进行多层小波分解，并对分解后的小波成分进行对应的数据重建，形成多层心磁数据。
本实施例中，对预处理之后的平均的单周期心磁信号进行分段，将对应于心室晚电位的QRS波的末端到ST段的前部划分出来作为ST段，并将QRS波划分为QR和RS段。
具体地，于本实施例中，所述对所述平均的单周期心磁信号进行分段包括：识别所述平均的单周期心磁信号的R峰；以所述平均的单周期心磁信号的R峰为基准，取R峰之前的第一预设时间段的波形为QR段，取R峰之后的所述第一预设时间段的波形为RS段，取所述RS段之后的第二预设时间段的波形为ST段。
例如，识别单周期心磁信号的R峰，一般为波形中的最大值，以R峰所在点为基准，向前取50毫秒为QR段，向后取50毫秒为RS段，对应于心室晚电位的ST段取RS段之后的40毫秒的信号。单周期心磁信号的分段示意图如图6所示。
对所述平均的单周期心磁信号进行分段之后，对分段后的所述平均的单周期心磁信号进行多层小波分解，并对分解后的小波成分进行对应的数据重建。
例如，对分段后的三段心磁信号在MATLAB中使用wpdec小波包分解函数，小波基为db5小波进行5层小波分解，取第2，3，4层的信号，对应的频率为31.3-250Hz。小波分解的示意图如图7所示，然后再对分解后的小波成分进行数据重建。其中，使用wprcoef函数对需要的小波成分进行数据重建，使还原后的数据长度与分解前数据长度一致。
步骤S400，对不同层的各段心磁数据分别进行能量值的计算，形成不同层的能量图。
也就是说，本实施例中，对小波分解后的数据进行能量图的计算，对分解后不同层的QR，RS，ST段的心磁数据分别进行能量值的计算，形成不同层能量图。
其中，于本实施例中，对三段心磁信号进行小波分解之后，还包括对不同尺度的心磁信号进行分割，例如分隔为23尺度，24尺度，25尺度下的心磁信号，分析时所选择的时23尺度，24尺度，25尺度下的QR，RS，ST段的心磁信号。
于本实施例中，对分解后不同层的QR，RS，ST段的心磁信号数据分别进行能量值的计算，所述对不同层的各段心磁数据分别进行能量值的计算中采用的计算公式为：
Figure BDA0003113487290000081
其中，E为ti时刻的能量值，B为ti时刻的磁场值，n为进行多周期平均的心磁数据的周期个数，i为1，2，…，n，ti为第i个进行多周期平均的心磁数据周期所在的时间段。
其中，于本实施例中，形成不同层能量图之后，采用二次曲面插值法对各能量图进行插值处理，使得能量图的图像过渡更为平滑，所得能量图图像结果示例图如图8所示。
步骤S500，确定所述能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态。
于本实施例中，例如，对QR，RS，ST三段心磁信号在23尺度，24尺度，25尺度下的能量图进行分析，分析能量图中能量最大值的位置变化，并计算同尺度不同段相邻两能量图之间的相似度和不同尺度相同段相邻两能量图之间的相似度。
其中，于本实施例中，所述获取相邻两幅能量图之间的相似度的公式为：
Figure BDA0003113487290000082
其中，r为相似度，n为进行多周期平均的心磁数据的周期个数，i为1，2，…，n，Xi为相邻第一幅能量图第i个周期心磁数据的能量值，Yi为相邻第二幅能量图第i个周期心磁数据的能量值，
Figure BDA0003113487290000091
为相邻第一幅能量图n个周期心磁数据的能量值的平均值，
Figure BDA0003113487290000092
为相邻第二幅能量图n个周期心磁数据的能量值的平均值。
例如，用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态中，通过本实施例的心磁高频信号分析方法分析两组典型的数据，一组为正常人的测试数据，另一组为心肌梗死患者的测试数据。通过两组数据的能量图可观察到能量中心的位置变化，同时对比计算得到的相似度，可明显观察到心肌梗死患者的异常数据。
需要说明的是，本实施例中，所述对心磁信号的三轴自适应补偿，多周期平均，小波分解以及能量图成像可在MATLAB软件中处理实现。
为使本领域技术人员进一步理解本实施例的心磁高频信号分析方法，结合图9对本实施例的心磁高频信号分析方法的分析过程进行详细举例说明。
S1，心磁信号采集：心磁信号是在无屏蔽环境下通过四通道的心磁采集系统以及采样率为1KHz的采集卡采集得到的，例如采集9个位置共同组成胸腔的36个点的数据，在采集心磁信号的同时也要对心电信号进行采集。
S2，心磁信号预处理：首先在MATLAB中使用递推最小二乘算法对采集得到的心磁信号进行三轴自适应补偿，对三轴自适应补偿后的信号进行300Hz的低通滤波，将滤波后的心磁信号与心电信号进行同步，步骤包括：经三轴自适应补偿后的心磁信号，能够观察到比较明显的QRS波，将心磁信号平移
Figure BDA0003113487290000093
对比平移后的心磁信号与心电信号的相似度，得到相似度最大值对应的平移量即为心磁信号与心电信号之间的时延，去除时延；并使用多周期平均算法识别平均的单周期心磁信号，对同步后的心磁信号进行多周期平均的步骤具体包括如上步骤S201至步骤S207，在此不再赘述。
S3，心磁信号分段：对采集到的心磁信号与心电信号进行预处理之后，首先识别单周期心磁信号的R峰，一般为波形中的最大值，以R峰所在点为基准，向前取50毫秒为QR段，向后取50毫秒为RS段，对应于心室晚电位的ST段取RS段之后的40毫秒的信号。
S4，小波分解/变换：对分段后的三段心磁信号在MATLAB中使用wpdec小波包分解函数，小波基为db5小波进行5层小波分解，取第2，3，4层的信号，对应的频率为31.3-250Hz。
S5，数据长度恢复：使用wprcoef函数对需要的小波成分进行数据重建，使还原后的数据长度与分解前数据长度一致。
S6，不同尺度的信号分隔：对三段心磁信号进行小波分解之后，对不同尺度的信号进行分割，分析时所选择的时23尺度，24尺度，25尺度下的QR，RS，ST段的心磁信号。
S7，不同段心磁信号的能量图成像：对分解后不同层的QR，RS，ST段的心磁信号数据分别进行能量值的计算，其计算公式为
Figure BDA0003113487290000101
计算完成各个点的能量图之后，再使用二次曲面插值法对各个点的能量图进行插值处理，使得图像过渡更为平滑。
S8，分析能量图中能量最大值的位置变化，并计算同尺度不同段相邻两能量图之间的相似度和不同尺度相同段相邻两能量图之间的相似度，计算相邻两幅能量图之间相似度的公式为：
Figure BDA0003113487290000102
S9，比较正常人和心肌梗死患者能量图的不同之处：数据处理中采用了两组典型的数据，一组为正常人的测试数据，另一组为心肌梗死患者的测试数据。通过能量图可观察到能量中心的位置变化，同时对比计算得到的相似度，可明显观察到心肌梗死患者的异常数据。
实施例2
如图10所示，本实施例提供一种电子设备101，所述电子设备101包括：处理器1001及存储器1002；所述存储器1002用于存储计算机程序；所述处理器1001用于执行所述存储器1002存储的计算机程序，以使所述电子设备101执行如实施例1中心磁高频信号分析方法的步骤。由于心磁高频信号分析方法的步骤的具体实施过程已经在实施例1中进行了详细说明，在此不再赘述。
处理器1001为(Central Processing Unit，中央处理器)。存储器1002通过系统总线与处理器1001连接并完成相互间的通信，存储器1002用于存储计算机程序，处理器1001用于运行计算机程序，以使所述处理器1001执行所述的心磁高频信号分析方法。存储器1002可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
此外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器1001执行时实现实施例1中所述的心磁高频信号分析方法中的步骤。实施例1已经对所述心磁高频信号分析方法进行了详细说明，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明中的心磁高频信号分析方法可以通过参数定量分析和图像分布更直观地观察到心肌受损患者与正常人心磁高频信号的不同之处，对于早期预测心肌梗死具有很重要的意义，有效解决现有技术无法准确且全面的表征心肌梗死患者的心磁现象的技术问题。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种电子设备，其特征在于：包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如下心磁高频信号分析方法的步骤：
采集心磁信号和心电信号；
对采集的所述心磁信号进行预处理，使得所述心磁信号与所述心电信号同步，并获取平均的单周期心磁信号；所述获取平均的单周期心磁信号包括：筛选有效的多周期的心电信号；分别对所述多周期心电信号和多周期心磁信号进行R峰识别，并分周期分离存储R峰识别之后的心电信号和心磁信号；将分离后同周期的心电信号和心磁信号进行相似度对比，并将相似度大于相似度阈值时的心磁信号的周期对应的心磁信号数据作为待平均的周期数据；在获取各周期对应的待平均的周期数据之后，将所有所述待平均的周期数据进行平均，得到平均的单周期心磁信号；
对所述平均的单周期心磁信号进行分段，所述对所述平均的单周期心磁信号进行分段包括：
识别所述平均的单周期心磁信号的R峰；以所述平均的单周期心磁信号的R峰为基准，取R峰之前的第一预设时间段的波形为QR段，取R峰之后的所述第一预设时间段的波形为RS段，取所述RS段之后的第二预设时间段的波形为ST段；
对分段后的所述平均的单周期心磁信号进行5层小波分解，取第2，3，4层的信号，并对分解后的小波成分进行对应的数据重建，形成多层心磁数据；对不同尺度的心磁信号进行分割，形成不同尺度下的各段心磁信号；
对不同层、不同尺度下的各段心磁数据分别进行能量值的计算，形成不同层、不同尺度下的能量图；
确定所述能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态；所述相似度为同尺度不同段相邻两能量图之间的相似度和不同尺度相同段相邻两能量图之间的相似度。
2.根据权利要求1所述的电子设备，其特征在于：所述对采集的所述心磁信号进行预处理包括：
对所述心磁信号进行三轴自适应补偿；
对自适应补偿后的所述心磁信号进行滤波；
控制滤波后的所述心磁信号与所述心电信号同步；
识别平均的单周期心磁信号。
3.根据权利要求2所述的电子设备，其特征在于：采用递推最小二乘法对所述心磁信号进行三轴自适应补偿；其中，所述递推最小二乘法采用的目标函数为：
Figure 392659DEST_PATH_IMAGE001
；
其中，
Figure 447203DEST_PATH_IMAGE002
为经三轴补偿后的心磁信号的平方和，
Figure 283572DEST_PATH_IMAGE003
为梯度计的输出电压，
Figure 790776DEST_PATH_IMAGE004
、
Figure 252851DEST_PATH_IMAGE005
、
Figure 630742DEST_PATH_IMAGE006
分别为X、Y、Z方向信号的补偿系数，
Figure 497067DEST_PATH_IMAGE007
、
Figure 898093DEST_PATH_IMAGE008
、
Figure 508065DEST_PATH_IMAGE009
分别为三轴磁强计三个方向的电压。
4.根据权利要求2所述的电子设备，其特征在于：所述控制滤波后的所述心磁信号与所述心电信号同步的方式包括：
将所述心磁信号平移；
对比分析平移后所述心磁信号与所述心电信号的相似度，并获取相似度最大值对应的平移量，所述平移量表示所述心磁信号与所述心电信号之间的时延；
去除所述平移量，使得所述心磁信号与所述心电信号同步。
5.根据权利要求1所述的电子设备，其特征在于：所述对不同层的各段心磁数据分别进行能量值的计算中采用的计算公式为：
Figure 661835DEST_PATH_IMAGE010
；其中，
Figure 902324DEST_PATH_IMAGE011
为
Figure 649700DEST_PATH_IMAGE012
时刻的能量值，
Figure 204309DEST_PATH_IMAGE013
为
Figure 87951DEST_PATH_IMAGE014
时刻的磁场值，
Figure 764920DEST_PATH_IMAGE015
为进行多周期平均的心磁数据的周期个数，
Figure 858647DEST_PATH_IMAGE016
为1，2，…，
Figure 810423DEST_PATH_IMAGE017
，
Figure 955096DEST_PATH_IMAGE014
为第
Figure 537387DEST_PATH_IMAGE016
个进行多周期平均的心磁数据周期所在的时间段。
6.根据权利要求1所述的电子设备，其特征在于：所述获取相邻两幅能量图之间的相似度的公式为：
Figure 993776DEST_PATH_IMAGE018
；
其中，
Figure 873877DEST_PATH_IMAGE019
为相似度，
Figure 732111DEST_PATH_IMAGE020
为进行多周期平均的心磁数据的周期个数，
Figure 688566DEST_PATH_IMAGE016
为1，2，…，
Figure 835513DEST_PATH_IMAGE017
，
Figure 129092DEST_PATH_IMAGE021
为相邻第一幅能量图第
Figure 966466DEST_PATH_IMAGE016
个周期心磁数据的能量值，
Figure 218456DEST_PATH_IMAGE022
为相邻第二幅能量图第
Figure 524804DEST_PATH_IMAGE016
个周期心磁数据的能量值，
Figure 825335DEST_PATH_IMAGE023
为相邻第一幅能量图
Figure 392583DEST_PATH_IMAGE017
个周期心磁数据的能量值的平均值，
Figure 940107DEST_PATH_IMAGE024
为相邻第二幅能量图
Figure 61647DEST_PATH_IMAGE017
个周期心磁数据的能量值的平均值。
7.一种存储介质，存储有程序指令，其中，所述程序指令被执行时实现如下心磁高频信号分析方法的步骤：采集心磁信号和心电信号；
对采集的所述心磁信号进行预处理，使得所述心磁信号与所述心电信号同步，并获取平均的单周期心磁信号；所述获取平均的单周期心磁信号包括：筛选有效的多周期的心电信号；分别对所述多周期心电信号和多周期心磁信号进行R峰识别，并分周期分离存储R峰识别之后的心电信号和心磁信号；将分离后同周期的心电信号和心磁信号进行相似度对比，并将相似度大于相似度阈值时的心磁信号的周期对应的心磁信号数据作为待平均的周期数据；在获取各周期对应的待平均的周期数据之后，将所有所述待平均的周期数据进行平均，得到平均的单周期心磁信号；
对所述平均的单周期心磁信号进行分段，所述对所述平均的单周期心磁信号进行分段包括：
识别所述平均的单周期心磁信号的R峰；以所述平均的单周期心磁信号的R峰为基准，取R峰之前的第一预设时间段的波形为QR段，取R峰之后的所述第一预设时间段的波形为RS段，取所述RS段之后的第二预设时间段的波形为ST段；
对分段后的所述平均的单周期心磁信号进行5层小波分解，取第2，3，4层的信号，并对分解后的小波成分进行对应的数据重建，形成多层心磁数据；对不同尺度的心磁信号进行分割，形成不同尺度下的各段心磁信号；
对不同层、不同尺度下的各段心磁数据分别进行能量值的计算，形成不同层、不同尺度下的能量图；
确定所述能量图中能量最大值的位置，获取相邻两幅能量图之间的相似度，以供用户基于所述能量图中能量最大值的位置和相邻两幅能量图之间的相似度判断心肌受损状态；所述相似度为同尺度不同段相邻两能量图之间的相似度和不同尺度相同段相邻两能量图之间的相似度。
CN202110655300.3A 2021-06-11 2021-06-11 心磁高频信号分析方法、存储介质及电子设备 Active CN113317793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110655300.3A CN113317793B (zh) 2021-06-11 2021-06-11 心磁高频信号分析方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110655300.3A CN113317793B (zh) 2021-06-11 2021-06-11 心磁高频信号分析方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113317793A CN113317793A (zh) 2021-08-31
CN113317793B true CN113317793B (zh) 2023-02-17

Family

ID=77420581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110655300.3A Active CN113317793B (zh) 2021-06-11 2021-06-11 心磁高频信号分析方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113317793B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114569077B (zh) * 2022-02-28 2023-03-24 深圳市医未医疗科技有限公司 一种基于移动终端的心肌梗死检测系统及方法
CN116189902B (zh) * 2023-01-19 2024-01-02 北京未磁科技有限公司 基于心磁图视频数据的心肌缺血预测模型及其构建方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102988041A (zh) * 2012-11-16 2013-03-27 中国科学院上海微系统与信息技术研究所 心磁信号噪声抑制中的信号选择性平均方法
CN103654775A (zh) * 2013-12-10 2014-03-26 同济大学 可视化crbbb/clbbb心脏电活动的等效源重构方法
CN106530277A (zh) * 2016-10-13 2017-03-22 中国人民解放军理工大学 一种基于小波方向相关系数的图像融合方法
CN107753012A (zh) * 2016-08-19 2018-03-06 中国科学院上海微系统与信息技术研究所 一种心磁信号质量评估方法、系统、及服务器
CN108245152A (zh) * 2018-01-11 2018-07-06 中国科学院上海微系统与信息技术研究所 一种心肌缺血特征参数提取方法及系统、存储介质及终端
CN109414175A (zh) * 2016-03-10 2019-03-01 艾皮乔尼克控股有限公司 用于生理参数的非侵入式监测的微电子传感器
CN111707897A (zh) * 2020-06-30 2020-09-25 国网黑龙江省电力有限公司大庆供电公司 基于振动信号小波能量谱特征的变压器运行状态分析方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0767440B2 (ja) * 1990-09-30 1995-07-26 工業技術院長 心磁図同期検出用の基準部分検出方法、心磁図同期加算方法、心磁図同期検出装置および心磁図同期加算装置
JP3712350B2 (ja) * 2000-07-18 2005-11-02 独立行政法人科学技術振興機構 心室遅延電位の心臓磁界診断装置およびその作動方法
WO2003026346A2 (en) * 2001-09-21 2003-03-27 Cardiomag Imaging, Inc. Nonlinear noise reduction for magnetocardiograms using wavelet transforms
US20080033312A1 (en) * 2004-06-01 2008-02-07 Kenji Nakai Cardiac Magnetic Field Diagnostic Apparatus and Evaluating Method of Three-Dimensional Localization of Myocardial Injury
CN104840196B (zh) * 2008-10-09 2018-10-09 加利福尼亚大学董事会 用于自动定位生物节律紊乱的源的机器和过程
CN101732047B (zh) * 2009-12-16 2011-06-08 天津大学 复合下肢想象动作脑电的能量特征提取方法
KR20140070502A (ko) * 2011-05-02 2014-06-10 더 리젠츠 오브 더 유니버시티 오브 캘리포니아 형상 절제를 이용한 심장 리듬 장애를 대상으로 하는 시스템 및 방법
CN102988038B (zh) * 2012-12-14 2014-10-15 中国科学院上海微系统与信息技术研究所 一种用于无屏蔽心磁图仪的一阶梯度补偿模块及方法
CN103190898B (zh) * 2013-04-23 2014-09-10 何怡刚 心磁信号噪声自适应滤波消除设计方法
EP3308703B1 (en) * 2016-10-11 2019-10-02 Biomagnetik Park GmbH Magnetocardiographic method and magnetocardiographic system
CN107361760B (zh) * 2017-07-12 2020-06-12 中国科学院上海微系统与信息技术研究所 心磁图仪诊断系统及应用该系统的心磁图仪
CN109255777B (zh) * 2018-07-27 2021-10-22 昆明理工大学 一种结合小波变换和感知哈希算法的图像相似度计算方法
CN112098735B (zh) * 2020-11-19 2021-01-22 中国原子能科学研究院 强磁场高频场耦合测试法和基于该方法的超导回旋加速器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102988041A (zh) * 2012-11-16 2013-03-27 中国科学院上海微系统与信息技术研究所 心磁信号噪声抑制中的信号选择性平均方法
CN103654775A (zh) * 2013-12-10 2014-03-26 同济大学 可视化crbbb/clbbb心脏电活动的等效源重构方法
CN109414175A (zh) * 2016-03-10 2019-03-01 艾皮乔尼克控股有限公司 用于生理参数的非侵入式监测的微电子传感器
CN107753012A (zh) * 2016-08-19 2018-03-06 中国科学院上海微系统与信息技术研究所 一种心磁信号质量评估方法、系统、及服务器
CN106530277A (zh) * 2016-10-13 2017-03-22 中国人民解放军理工大学 一种基于小波方向相关系数的图像融合方法
CN108245152A (zh) * 2018-01-11 2018-07-06 中国科学院上海微系统与信息技术研究所 一种心肌缺血特征参数提取方法及系统、存储介质及终端
CN111707897A (zh) * 2020-06-30 2020-09-25 国网黑龙江省电力有限公司大庆供电公司 基于振动信号小波能量谱特征的变压器运行状态分析方法

Also Published As

Publication number Publication date
CN113317793A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Jekova et al. Assessment and comparison of different methods for heartbeat classification
Yeh et al. Analyzing ECG for cardiac arrhythmia using cluster analysis
JP7429371B2 (ja) 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム
CN113317793B (zh) 心磁高频信号分析方法、存储介质及电子设备
Lenis et al. P wave detection and delineation in the ECG based on the phase free stationary wavelet transform and using intracardiac atrial electrograms as reference
US7359749B2 (en) Device for analysis of a signal, in particular a physiological signal such as an ECG signal
JP7002881B2 (ja) 波面のアノテーション
Varanini et al. A new method for QRS complex detection in multichannel ECG: Application to self-monitoring of fetal health
Huerta et al. Quality assessment of very long-term ECG recordings using a convolutional neural network
Slama et al. Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals
Tseng et al. Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
WO2018023697A1 (zh) 一种胎儿心电分离方法及装置
Subramanyan et al. A novel deep neural network for detection of Atrial Fibrillation using ECG signals
KR102216047B1 (ko) 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치
Liu et al. Power and area efficient wavelet-based on-chip ECG processor for WBAN
Chen et al. Multi-window detection for P-wave in electrocardiograms based on bilateral accumulative area
JP7163058B2 (ja) 特徴検出用のフィルタを含むｅｃｇ機械
Ghosal et al. Ecg beat quality assessment using self organizing map
Kumar et al. Robust multiresolution wavelet analysis and window search based approach for electrocardiogram features delineation
WO2018023698A1 (zh) 一种胎儿心电分离方法及装置
Abderahman et al. Adaptive R-Peak Detector in Extreme Noise Using EMD Selective Analyzer
Wang et al. Deep regression network with sequential constraint for wearable ecg characteristic point location
Naresh et al. Extraction of ECG significant features for remote CVD monitoring

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