CN113349753A - 一种基于便携式动态心电监护仪的心律失常检测方法 - Google Patents
一种基于便携式动态心电监护仪的心律失常检测方法 Download PDFInfo
- Publication number
- CN113349753A CN113349753A CN202110811022.6A CN202110811022A CN113349753A CN 113349753 A CN113349753 A CN 113349753A CN 202110811022 A CN202110811022 A CN 202110811022A CN 113349753 A CN113349753 A CN 113349753A
- Authority
- CN
- China
- Prior art keywords
- data
- 1min
- detection method
- arrhythmia detection
- signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 52
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 46
- 206010003658 Atrial Fibrillation Diseases 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 25
- 230000033764 rhythmic process Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000000718 qrs complex Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000002861 ventricular Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000005189 cardiac health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 208000001871 Tachycardia Diseases 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 206010040741 Sinus bradycardia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research 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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/02405—Determining heart rate variability
-
- 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]
- A61B5/332—Portable devices specially adapted therefor
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/353—Detecting P-waves
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Abstract
本发明公开了一种基于便携式动态心电监护仪的心律失常检测方法，包括以下步骤：步骤S1：将便携式动态心电监护仪贴在人体表面；步骤S2：数据接收；步骤S3：数据预处理；步骤S4：数据滤波处理；步骤S5：心律失常检测算法，利用数字信号处理技术和人工智能技术检测步骤S4中数据存在的心律失常情况；步骤S6：每分钟检测结果；步骤S7：生成最终报告。不同于常见的使用RR间期及波形检测心律失常的方法，本发明使用人工智能技术来进行心律失常检测。其中使用了心电信号分割网络，心电信号分类网络，房颤检测网络三个神经网络模型，能够实现全流程自动化检测，同时随着数据的积累，检测效果也会越来越好。
Description
技术领域
本发明属于心电信号计算技术领域，具体为一种基于便携式动态心电监护仪的心律失常检测方法。
背景技术
心脏作为人体中最重要的器官之一，其健康状态与身体的各项综合健康状况息息相关。心律失常作为反映心脏冲动的频率、节律、起源部位、传导速度或激动次序的异常，对其的检测可以在很大程度上判断患者的心脏健康状态。
传统的心律失常检测一般需要在医院中使用动态心电监测机采集患者的心电数据，之后由专业医生进行分析得出结论，这种方法对时间、地点和人力成本要求较高，不适合于日常生活中的心脏健康监测。便携式动态心电监护仪作为一种可穿戴设备，可以由用户长期进行佩戴，从而实现对心电信号的持续采集与记录。通过对采集到的心电信号进行计算处理，即可分析其中存在的心律失常情况，从而对用户的心脏健康状态进行判断。
人工智能作为一门高速发展的新兴领域，已经广泛应用于文本、图像、音视频、信号等数据处理中。其中深度学习具有自动地从数据中学习深层次、更具鉴别性特征的能力，已应用于医学数据分析的多个研究领域，并取得了突破性进展。本发明借助基于深度学习的人工智能技术，对便携式动态心电监护仪采集的心电信号进行处理，从而实现对佩戴者的心律失常情况进行检测。
目前心律失常检测主要依赖于在医院就诊时医生通过动态心电监测(Holter)来检测心律失常。这类产品通常有若干个电极吸附在胸前，用于监测心脏电信号并记录下来，保存在存储设备里，之后送回医院，由具备专业知识的医师进行分析。通常Holter佩戴时间为24小时左右，佩戴繁琐，容易对用户的日常活动造成干扰，且数据分析需要消耗一定的人力成本和时间成本。
市面上的一些同类型心电采集设备也可以实现心律失常事件检测，但是没有完整的方案介绍，一般是采用测量完成后进行处理生成报告，同样需要用户等待一定时间。
发明内容
本发明的目的在于提供一种基于便携式动态心电监护仪的心律失常检测方法，以解决背景技术中提出的现有技术中检测条件苛刻且需佩戴专业的动态心电图设备，容易影响正常的生活状态的问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于便携式动态心电监护仪的心律失常检测方法，包括以下步骤：
步骤S1：将便携式动态心电监护仪贴在人体表面；
步骤S2：数据接收；通过移动终端与便携式动态心电监护仪无线连接，接收便携式动态心电监护仪所检测的心电信号数据后不断累加，在累加数据达到一定值后，移动终端将数据上传至服务器端；
步骤S3：数据预处理；服务器接收到数据后，对步骤S2中的数据进行预处理，去除其中的异常数据点；
步骤S4：数据滤波处理；通过频率域滤波器对步骤S3中的数据进行滤波处理，去除其中的噪声干扰；
步骤S5：心律失常检测算法，利用数字信号处理技术和人工智能技术检测步骤S4中数据存在的心律失常情况；
步骤S6：每分钟检测结果；将步骤S5中计算得到的每分钟的检测结果进行保存，用于后续生成最终完整诊断报告；
步骤S7：生成最终报告。
根据上述技术方案，所述步骤S2中的数据接收具体为：
步骤S21：设定服务器端为每分钟处理一次数据；
步骤S22：移动终端接收到数据后不断进行累加，在累加数据达到一分钟后将该段数据上传至服务器端，服务器端将该段数据记为S-1min；
根据上述技术方案，步骤S3中的具体处理为：
步骤S31：确定S-1min的取值范围为-1mV到1mV：
步骤S32：将S-1min中大于1mV的值置为1mV，小于-1mV的值置为-1mV，得到处理后的数据S1-1min，处理后的S1-1min即为去除掉异常数据点的数据。
根据上述技术方案，步骤S4中的具体处理为：
步骤S41：对步骤S32中的S1-1min使用0.5Hz-80Hz的带通滤波器进行滤波，去除小于0.5Hz的低频噪声及大于80Hz的高频噪声干扰，得到S11-1min；
步骤S42：基线漂移是由人体呼吸和传感器接触不良引起的低频干扰；首先对S11-1min使用1Hz低通滤波器得到S11wander-1min，再使用S11-1min减去S11wander-1min，得到去除了基线漂移影响的S12-1min；
步骤S43：对步骤S42得到的S12-1min使用48Hz-52Hz的带阻滤波器，去除50Hz左右的工频干扰，经过以上滤波处理，得到处理后的数据S2-1min。
根据上述技术方案，步骤S5中的具体处理为：
步骤S51：首先利用信号质量判断方法判断该S2-1min数据的质量，判断其是否可用于后续分析处理，若果是，则跳转到步骤S52，如果不是，则直接结束计算，并等待下一分钟的数据；
步骤S52：通过信号分割网络对步骤S51中的数据进行处理，对其中的每个心搏Beat进行分割，得到所有的心搏Beat数据；
信号分割网络为一个U-Net类型的神经网络模型。其输入为原始的心电信号数据，通过网络处理可以提取其中的P波、QRS波群、T波等重要波形信息，输出每个数据点对应的波形。根据此输出可以确定每个心搏Beat的位置及其包含的P波、QRS波群和T波信息，方便后续对每个心搏Beat进行分类。
步骤S53：通过信号分类网络对每个心搏Beat数据进行处理，判断其所属的类别；
信号分类网络的网络输入为一个心搏Beat的原始心电信号数据，输出为该心搏Beat所对应的类别，可以对包括窦性、房早、室早、传导阻滞等20余种心搏类型进行分类；
步骤S54：根据步骤S53中得到的心搏Beat数据，对于未被分类为正常心搏的心搏Beat，将其归类为心搏Beat-level(心搏级)异常情况，即异常心搏；
步骤S55：根据该分钟的所有心搏Beat数据计算rhythm-level异常情况；
步骤S56：利用房颤检测网络检测可能存在的房颤情况；
房颤检测网络的网络的输入为一段连续的心电信号数据，通过使用知识导向的注意力模型提取了心电信号中的心搏Beat-level、rhythm-level和frequency-level(频率级)信息，共同判断心电数据是否包含房颤情况，输出患有房颤的概率值。之后将房颤归为rhythm-level异常；
步骤S57：最后心搏Beat-level异常与rhythm-level异常共同组成该分钟数据内的所有异常情况；
步骤S58：保存本次计算结果。
根据上述技术方案，步骤S51中，信号质量判断的具体流程为：
步骤A1：检测信号输入；
步骤A2：R峰检测器匹配指标qSQI；使用XQRS检测器和GQRS检测器分别检测输入信号中存在的所有R峰位置；分别XQRS记为Rx＝[a1,a2,...,am]，GQRS记为Rg＝[b1,b2,...,bn]；其中，a为XQRS检测到的R峰位置，b为GQRS检测到的R峰位置；对于Rx中的其中一个元素ai，如果在Rg中存在bj，使得|bj-ai|≤0.1秒，则说明ai找到一个匹配；Rx中所有能够找到匹配的元素占总元素的比例即为匹配性指标qSQI；
步骤A3：QRS波群功率谱分布指标pSQI；计算信号在5Hz-15Hz频率区间内的总功率与5Hz-40Hz频率区间内的总功率的比值得到pSQI；
步骤A4：峰度指标KSQI；直接调用scipy.stats.kurtosis函数进行计算得到；
步骤A5：基线功率指标basSQI；计算0Hz-1Hz区间内的总功率与0Hz-40Hz区间内的总功率的比值，并用1减去该比值得到basSQI；
步骤A6：所有SQI指标组合；qSQI、pSQI、KSQI和basSQI；每种指标可以单独计算得到一个信号质量评分，总共得到四个评分[Q1,Q2,Q3,Q4]，其中：
取值为0时代表信号不可用、2代表可用、1为待定；
步骤A7：判断信号是否可用；记四个评分中0、1、2出现的次数分别为N0、N1、N2，当出现N0>＝3、N0＝2且N1>＝1、N0＝1且N1＝3，中的其中一种情况时则判断为不可用，否则判断为可用；
步骤A8：结果输出。
根据上述技术方案，步骤S6的具体处理为：
步骤S61：将步骤S5中计算得到的每一分钟的检测结果进行保存，用于后续生成最终完整的诊断报告；
步骤S62：判断测量是否结束，如果是，则跳转到步骤S7；如果不是，则跳转到步骤S2，重复上述步骤直至测量结束。
根据上述技术方案，步骤S7的具体处理为：
测量结束后，将本次测量中每一分钟计算得到的结果进行组合，并通过计算得到最终的AI诊断报告。
与现有技术相比，本发明具有以下有益效果：
本发明针对便携式动态心电监护仪的应用场景，设计了心律失常检测方法。借助人工智能技术进行处理，大大降低了人力成本和时间成本消耗，速度更快更方便，使用户可以在足不出户的情况下实现自查。在目前的同类型检测方法中，大多数是在测量完成后进行检测，要求用户进行不同程度的等待。而本发明首先添加了信号质量判断方法，对受到噪声污染的数据进行过滤，不参与检测，提高结果的准确性；同时在计算时将计算压力分布在每分钟，测量结束后只用将每分钟的检测结果进行组合即可得到最终报告，减少了用户的等待时间，更加高效快捷。
不同于常见的使用RR间期及波形检测心律失常的方法，本发明使用人工智能技术来进行心律失常检测。其中使用了心电信号分割网络，心电信号分类网络，房颤检测网络三个神经网络模型，能够实现全流程自动化检测，同时随着数据的积累，检测效果也会越来越好。
附图说明
图1为基于便携式动态心电监护仪的心律失常检测方法整体流程图；
图2为基于便携式动态心电监护仪的心律失常检测方法算法流程图；
图3为基于便携式动态心电监护仪的心律失常检测方法信号质量判断方法的流程图。
具体实施方式
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，所描述的实施例仅仅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，都属于本发明保护的范围。
实施例一
请参阅图1、图2；一种基于便携式动态心电监护仪的心律失常检测方法，包括以下步骤：
步骤S1：将便携式动态心电监护仪贴在人体表面；
步骤S2：数据接收；通过移动终端与便携式动态心电监护仪无线连接，接收便携式动态心电监护仪所检测的心电信号数据后不断累加，在累加数据达到一定值后，移动终端将数据上传至服务器端；
步骤S3：数据预处理；服务器接收到数据后，对步骤S2中的数据进行预处理，去除其中的异常数据点；
步骤S4：数据滤波处理；通过频率域滤波器对步骤S3中的数据进行滤波处理，去除其中的噪声干扰；
步骤S5：心律失常检测算法，利用数字信号处理技术和人工智能技术检测步骤S4中数据存在的心律失常情况；
步骤S6：每分钟检测结果；将步骤S5中计算得到的每分钟的检测结果进行保存，用于后续生成最终完整诊断报告；
步骤S7：生成最终报告。
所述步骤S2中的数据接收具体为：
步骤S21：设定服务器端为每分钟处理一次数据；
步骤S22：移动终端接收到数据后不断进行累加，在累加数据达到一分钟后将该段数据上传至服务器端，服务器端将该段数据记为S-1min；
步骤S3中的具体处理为：
步骤S31：确定S-1min的取值范围为-1mV到1mV：
步骤S32：将S-1min中大于1mV的值置为1mV，小于-1mV的值置为-1mV，得到处理后的数据S1-1min，处理后的S1-1min即为去除掉异常数据点的数据。
步骤S4中的具体处理为：
步骤S41：对步骤S32中的S1-1min使用0.5Hz-80Hz的带通滤波器进行滤波，去除小于0.5Hz的低频噪声及大于80Hz的高频噪声干扰，得到S11-1min；
步骤S42：基线漂移是由人体呼吸和传感器接触不良引起的低频干扰；首先对S11-1min使用1Hz低通滤波器得到S11wander-1min，再使用S11-1min减去S11wander-1min，得到去除了基线漂移影响的S12-1min；
步骤S43：对步骤S42得到的S12-1min使用48Hz-52Hz的带阻滤波器，去除50Hz左右的工频干扰，经过以上滤波处理，得到处理后的数据S2-1min。
步骤S5中的具体处理为：
步骤S51：首先利用信号质量判断方法判断该S2-1min数据的质量，判断其是否可用于后续分析处理，若果是，则跳转到步骤S52，如果不是，则直接结束计算，并等待下一分钟的数据；
步骤S52：通过信号分割网络对步骤S51中的数据进行处理，对其中的每个心搏Beat进行分割，得到所有的心搏Beat数据；
信号分割网络为一个U-Net类型的神经网络模型。其输入为原始的心电信号数据，通过网络处理可以提取其中的P波、QRS波群、T波等重要波形信息，输出每个数据点对应的波形。根据输出中所有点对应的波形信息提取信号中存在的所有的连续P波、QRS波群、T波，并由每一个QRS波群及其前后的P波、T波共同组成一个心搏Beat；
步骤S53：通过信号分类网络对每个心搏Beat数据进行处理，判断其所属的类别；
信号分类网络为一个ResNet类型的多分类神经网络模型，包含16个残差块，其输入为一个心搏Beat的原始一维心电信号数据，通过33个卷积层及1个全连接层对其进行处理，输出为该心搏Beat所对应的类别，可以对包括窦性、房早、室早、传导阻滞等20余种心搏类型进行分类；
步骤S54：根据步骤S53中得到的心搏Beat数据，对于未被分类为正常心搏的心搏Beat，将其归类为心搏Beat-level(心搏级)异常情况，即异常心搏；
步骤S55：根据该分钟的所有心搏Beat数据计算rhythm-level异常情况；
根据该分钟的所有心搏Beat数据计算rhythm-level(心律级)异常情况。部分rhythm-level异常可以根据心搏Beat数据计算得到，如根据房性心搏Beat可以计算房早二联律、房早三联律、短阵房速等rhythm-level异常，根据室性心搏Beat可以计算室早二联律、室早三联律、短阵室速等rhythm-level异常，根据窦性心搏Beat可以计算窦性心动过速、窦性心动过缓等rhythm-level异常。之后将这些rhythm-level异常进行保存；
步骤S56：利用房颤检测网络检测可能存在的房颤情况；
房颤检测网络的输入为一段连续的心电信号数据，首先提取其不同频段的信号分量，之后将这些信号分量分别通过卷积层和循环神经网络处理提取出Beat-level和Rhythm-level信息，并使用全连接层将beat-level信息和rhythm-level信息进行融合，最后将不同频段的信号分量得到的结果进行加权求和(整合frequency-level信息)，并使用此输出对房颤情况进行预测，之后将房颤归为rhythm-level异常；
步骤S57：最后心搏Beat-level异常与rhythm-level异常共同组成该分钟数据内的所有异常情况；
步骤S58：保存本次计算结果。
步骤S51中，信号质量判断的具体流程为：
步骤A1：检测信号输入；
步骤A2：R峰检测器匹配指标qSQI；使用XQRS检测器和GQRS检测器分别检测输入信号中存在的所有R峰位置；分别XQRS记为Rx＝[a1,a2,...,am]，GQRS记为Rg＝[b1,b2,...,bn]；其中，a为XQRS检测到的R峰位置，b为GQRS检测到的R峰位置；对于Rx中的其中一个元素ai，如果在Rg中存在bj，使得|bj-ai|≤0.1秒，则说明ai找到一个匹配；Rx中所有能够找到匹配的元素占总元素的比例即为匹配性指标qSQI；
步骤A3：QRS波群功率谱分布指标pSQI；计算信号在5Hz-15Hz频率区间内的总功率与5Hz-40Hz频率区间内的总功率的比值得到pSQI；
其中信号在5Hz-15Hz频率区间内的总功率计算方法以及信号在5Hz-40Hz频率区间内的总功率计算方法为：首先调用scipy.signal.welch函数对信号进行welch变换得到其在频率域上的功率谱密度图，之后对指定频率区间内的功率谱密度进行积分即可得到该频率区间内的总功率；
步骤A4：峰度指标KSQI；直接调用scipy.stats.kurtosis函数进行计算得到；
步骤A5：基线功率指标basSQI；计算0Hz-1Hz区间内的总功率与0Hz-40Hz区间内的总功率的比值，并用1减去该比值得到basSQI；
信号在0Hz-1Hz频率区间内的总功率计算方法以及在0Hz-40Hz区间的总功率计算方法为：首先调用scipy.signal.welch函数对信号进行welch变换得到其在频率域上的功率谱密度图，之后对指定频率区间内的功率谱密度进行积分即可得到该频率区间内的总功率；
步骤A6：所有SQI指标组合；qSQI、pSQI、KSQI和basSQI，每种指标可以单独计算得到一个信号质量评分，总共得到四个评分[Q1,Q2,Q3,Q4]，其中：
取值为0时代表信号不可用、2代表可用、1为待定；
步骤A7：判断信号是否可用；记四个评分中0、1、2出现的次数分别为N0、N1、N2，当出现N0>＝3、N0＝2且N1>＝1、N0＝1且N1＝3，中的其中一种情况时则判断为不可用，否则判断为可用；
步骤A8：结果输出。
步骤S6的具体处理为：
步骤S61：将步骤S5中计算得到的每一分钟的检测结果进行保存，用于后续生成最终完整的诊断报告；
步骤S62：判断测量是否结束，如果是，则跳转到步骤S7；如果不是，则跳转到步骤S2，重复上述步骤直至测量结束。
步骤S7的具体处理为：
测量结束后，将本次测量中每一分钟计算得到的结果进行组合，并通过计算得到最终的AI诊断报告。
实施例二
本发明主要用于对便携式动态心电监护仪采集的心电信号数据进行处理，检测其中可能存在的心律失常问题，对用户的心脏健康状态进行反馈。其整体结构如图1所示，其中便携式动态心电监护仪属于数据采集设备，在测量时贴在人体身上持续采集用户的心电信号；APP端与便携式动态心电监护仪通过蓝牙连接，持续接收用户心电信号，在积累接收到一分钟数据后，将数据上传至服务器进行分析处理；服务器端持续从APP端接收数据，每次接收到数据后，利用人工智能技术对该段数据进行分析处理，检测其中可能存在的心律失常问题。在测量结束后将所有结果进行组合自动生成诊断报告，发送回APP端，让用户掌握自身健康状态。
本发明的基本构思为：1.数据接收。在本发明中，服务器端设定为每分钟处理一次数据，因此APP端接收到数据后不断进行累加，在累加数据达到一分钟后将该段数据上传至服务器端，将该段数据记为S-1min。
2.数据预处理。服务器接收到数据后首先对该段数据进行预处理，去除其中的异常数据点。主要针对过大过小异常数据进行处理。根据正常心电信号的取值范围，及相应便携式动态心电监护仪采集信号的先验知识，确定正常取值范围为-1mV到1mV之间。对S-1min进行处理，将大于1mV的值置为1mV，小于-1mV的值置为-1mV，减小异常点对后续处理的影响，得到处理后的数据S1-1min。
3.信号滤波算法。该步骤主要采用频率域滤波器对ECG信号进行滤波处理，去除其中的噪声干扰。针对ECG信号中可能存在的低频/高频干扰、基线漂移、国内50Hz工频干扰等影响，本算法使用巴特沃斯滤波器和切比雪夫滤波器两种滤波器来对信号进行处理。主要包括：a)使用0.5Hz-80Hz的巴特沃斯带通滤波器进行滤波，去除低频噪声及高频噪声干扰；b)使用全通滤波器结果减去巴特沃斯1Hz低通滤波器结果，去除基线漂移影响；c)使用切比雪夫48Hz-52Hz的带阻滤波器，去除50Hz左右的工频干扰。经过以上滤波处理，得到处理后的数据S2-1min。
4.心律失常检测算法。该步骤利用数字信号处理技术和人工智能技术检测数据S2-1min内可能存在的心律失常情况。算法步骤如附图2所示：首先利用信号质量判断方法判断该分钟数据质量，决定其是否可用于后续分析处理，若否直接结束，等待下一分钟的数据，若是则继续进行后续处理；之后通过信号分割网络对该段数据进行处理，对其中的每个心搏Beat进行分割；之后通过信号分类网络对每个心搏Beat进行分类，判断其所属的类别；然后根据每个心搏Beat的信息可计算得到心搏Beat-level的心律失常情况，即异常心搏；之后计算得到相应的rhythm-level心律失常情况，即房颤；再利用房颤检测网络检测可能存在的房颤问题，并将其划分为rhythm-level异常心搏Beat；最后心搏Beat-level异常与rhythm-level异常共同组成该分钟数据内的所有异常情况。
5.每分钟检测结果。将步骤4计算得到的每分钟的检测结果进行保存，用于后续生成最终完整诊断报告。之后重复每分钟的数据接收及处理，若测量仍在继续，则重复步骤1-4，保存每分钟的结果，直至测量结束。测量结束后，进入步骤6。
6.生成最终报告，返回APP。测量结束后，将本次测量中每分钟的结果进行组合，并通过计算得到最终的AI诊断报告。结果将发送至APP端，用户可以进行查看，了解自己的身体状况。
实施例三
本实施例提供了本发明的3中具体实施方式：
1.本发明利用信号质量判断算法对数据进行初步处理，判断其是否被噪声污染严重以至于无法用于后续分析处理，对于受污染严重的信号片段，直接舍弃不进行处理，避免其对后续结果产生影响，保证了最终结果的准确性。
2.本发明利用分段处理对测量数据进行心律失常检测，在本发明中使用的是每分钟处理一次，存储该分钟的检测结果，在整体测量结束后将所有的分钟结果组合得到最终的整体检测结果。这种处理方法将计算压力分布在每分钟内，而不是在测量结束后统一进行计算处理，加快了处理速度，减少了用户等待时间。最终可以实现测量完成后立即获取报告。值得注意的是，一分钟只是一种可选值，还有其他的可选值同样可以应用于分段处理。
3.本发明利用人工智能技术实现了三个检测网络，分别用于进行信号分割、信号分类和房颤检测，最后得到心搏Beat-level和rhythm-level两种异常情况，将其进行组合用于检测心律失常，检测更方便快捷，覆盖面更广。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：包括以下步骤：
步骤S1：将便携式动态心电监护仪贴在人体表面；
步骤S2：数据接收；通过移动终端与便携式动态心电监护仪无线连接，接收便携式动态心电监护仪所检测的心电信号数据后不断累加，在累加数据达到一定值后，移动终端将数据上传至服务器端；
步骤S3：数据预处理；服务器接收到数据后，对步骤S2中的数据进行预处理，去除其中的异常数据点；
步骤S4：数据滤波处理；通过频率域滤波器对步骤S3中的数据进行滤波处理，去除其中的噪声干扰；
步骤S5：心律失常检测算法，利用数字信号处理技术和人工智能技术检测步骤S4中数据存在的心律失常情况；
步骤S6：每分钟检测结果；将步骤S5中计算得到的每分钟的检测结果进行保存，用于后续生成最终完整诊断报告；
步骤S7：生成最终报告。
2.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：所述步骤S2中的数据接收具体为：
步骤S21：设定服务器端为每分钟处理一次数据；
步骤S22：移动终端接收到数据后不断进行累加，在累加数据达到一分钟后将该段数据上传至服务器端，服务器端将该段数据记为S-1min。
3.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S3中的具体处理为：
步骤S31：确定S-1min的取值范围为-1mV到1mV：
步骤S32：将S-1min中大于1mV的值置为1mV，小于-1mV的值置为-1mV，得到处理后的数据S1-1min，处理后的S1-1min即为去除掉异常数据点的数据。
4.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S4中的具体处理为：
步骤S41：对步骤S32中的S1-1min使用0.5Hz-80Hz的带通滤波器进行滤波，去除小于0.5Hz的低频噪声及大于80Hz的高频噪声干扰，得到S11-1min；
步骤S42：首先对S11-1min使用1Hz低通滤波器得到S11wander-1min，再使用S11-1min减去S11wander-1min，得到去除了基线漂移影响的S12-1min；
步骤S43：对步骤S42得到的S12-1min使用48Hz-52Hz的带阻滤波器，去除50Hz左右的工频干扰，经过以上滤波处理，得到处理后的数据S2-1min。
5.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S5中的具体处理为：
步骤S51：首先利用信号质量判断方法判断该S2-1min数据的质量，判断其是否可用于后续分析处理，如果是，则跳转到步骤S52，如果不是，则直接结束计算，并等待下一分钟的数据；
步骤S52：通过信号分割网络对步骤S51中的数据进行处理，对其中的每个心搏Beat进行分割，得到所有的心搏Beat数据；
步骤S53：通过信号分类网络对每个心搏Beat数据进行处理，判断其所属的类别；
步骤S54：根据步骤S53中得到的心搏Beat数据，对于未被分类为正常心搏的心搏Beat，将其归类为心搏Beat-level异常情况，即异常心搏；
步骤S55：根据该分钟的所有心搏Beat数据计算rhythm-level异常情况；
步骤S56：利用房颤检测网络检测可能存在的房颤情况；
步骤S57：最后心搏Beat-level异常与rhythm-level异常共同组成该分钟数据内的所有异常情况；
步骤S58：保存本次计算结果。
6.根据权利要求5所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S51中，信号质量判断的具体流程为：
步骤A1：检测信号输入；
步骤A2：R峰检测器匹配指标qSQI；使用XQRS检测器和GQRS检测器分别检测输入信号中存在的所有R峰位置；分别XQRS记为Rx＝[a1,a2,...,am]，GQRS记为Rg＝[b1,b2,...,bn]；其中，a为XQRS检测到的R峰位置，b为GQRS检测到的R峰位置；对于Rx中的其中一个元素ai，如果在Rg中存在bj，使得|bj-ai|≤0.1秒，则说明ai找到一个匹配；Rx中所有能够找到匹配的元素占总元素的比例即为匹配性指标qSQI；
步骤A3：QRS波群功率谱分布指标pSQI；计算信号在5Hz-15Hz频率区间内的总功率与5Hz-40Hz频率区间内的总功率的比值得到pSQI；
步骤A4：峰度指标KSQI；直接调用scipy.stats.kurtosis函数进行计算得到；
步骤A5：基线功率指标basSQI；计算0Hz-1Hz区间内的总功率与0Hz-40Hz区间内的总功率的比值，并用1减去该比值得到basSQI；
步骤A6：所有SQI指标组合；qSQI、pSQI、KSQI和basSQI；每种指标可以单独计算得到一个信号质量评分，总共得到四个评分[Q1,Q2,Q3,Q4]，其中：
取值为0时代表信号不可用、2代表可用、1为待定；
步骤A7：判断信号是否可用；记四个评分中0、1、2出现的次数分别为N0、N1、N2，当出现N0>＝3、N0＝2且N1>＝1、N0＝1且N1＝3，中的其中一种情况时则判断为不可用，否则判断为可用；
步骤A8：结果输出。
7.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S6的具体处理为：
步骤S61：将步骤S5中计算得到的每一分钟的检测结果进行保存，用于后续生成最终完整的诊断报告；
步骤S62：判断测量是否结束，如果是，则跳转到步骤S7；如果不是，则跳转到步骤S2，重复上述步骤直至测量结束。
8.根据权利要求1所述的一种基于便携式动态心电监护仪的心律失常检测方法，其特征在于：步骤S7的具体处理为：
测量结束后，将本次测量中每一分钟计算得到的结果进行组合，并通过计算得到最终的AI诊断报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811022.6A CN113349753A (zh) | 2021-07-19 | 2021-07-19 | 一种基于便携式动态心电监护仪的心律失常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811022.6A CN113349753A (zh) | 2021-07-19 | 2021-07-19 | 一种基于便携式动态心电监护仪的心律失常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113349753A true CN113349753A (zh) | 2021-09-07 |
Family
ID=77539721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110811022.6A Pending CN113349753A (zh) | 2021-07-19 | 2021-07-19 | 一种基于便携式动态心电监护仪的心律失常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113349753A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114081502A (zh) * | 2021-11-11 | 2022-02-25 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1540566A (zh) * | 2003-04-22 | 2004-10-27 | 上海吉量软件科技有限公司 | 掌上型移动远程心电监护系统 |
| CN102291521A (zh) * | 2011-04-28 | 2011-12-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于红外线列探测器的图像数据处理方法 |
| CN103474062A (zh) * | 2012-08-06 | 2013-12-25 | 苏州沃通信息科技有限公司 | 一种语音识别方法 |
| CN106539595A (zh) * | 2016-12-20 | 2017-03-29 | 华南理工大学 | 一种提升肠鸣音区分度的主动多点肠蠕动监测装置 |
| CN107495960A (zh) * | 2017-01-19 | 2017-12-22 | 山东医联万家健康科技有限公司 | 一种实时心电信号监测处理方法 |
| CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
| 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 |
| CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
| CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
| CN110916647A (zh) * | 2019-12-11 | 2020-03-27 | 郑州轻工业大学 | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 |
| CN111067512A (zh) * | 2019-12-05 | 2020-04-28 | 东软集团股份有限公司 | 心室颤动的检测装置、检测模型的训练装置、方法及设备 |
| CN111163690A (zh) * | 2018-09-04 | 2020-05-15 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
| CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
| CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
| CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
| CN112288675A (zh) * | 2019-07-11 | 2021-01-29 | 成都唐源电气股份有限公司 | 车载式接触网部件成像处理方法 |
| US20210106240A1 (en) * | 2019-10-07 | 2021-04-15 | Owlet Baby Care, Inc. | Fetal Heart Rate Prediction from Electrocardiogram |
| CN112971798A (zh) * | 2021-02-10 | 2021-06-18 | 武汉心络科技有限公司 | 心电信号处理方法、装置、终端及存储介质 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
-
2021
- 2021-07-19 CN CN202110811022.6A patent/CN113349753A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1540566A (zh) * | 2003-04-22 | 2004-10-27 | 上海吉量软件科技有限公司 | 掌上型移动远程心电监护系统 |
| CN102291521A (zh) * | 2011-04-28 | 2011-12-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于红外线列探测器的图像数据处理方法 |
| CN103474062A (zh) * | 2012-08-06 | 2013-12-25 | 苏州沃通信息科技有限公司 | 一种语音识别方法 |
| CN106539595A (zh) * | 2016-12-20 | 2017-03-29 | 华南理工大学 | 一种提升肠鸣音区分度的主动多点肠蠕动监测装置 |
| CN107495960A (zh) * | 2017-01-19 | 2017-12-22 | 山东医联万家健康科技有限公司 | 一种实时心电信号监测处理方法 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
| 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 |
| CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN108836314A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种基于网络和人工智能的动态心电图分析方法及系统 |
| CN111163690A (zh) * | 2018-09-04 | 2020-05-15 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
| CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
| CN112288675A (zh) * | 2019-07-11 | 2021-01-29 | 成都唐源电气股份有限公司 | 车载式接触网部件成像处理方法 |
| US20210106240A1 (en) * | 2019-10-07 | 2021-04-15 | Owlet Baby Care, Inc. | Fetal Heart Rate Prediction from Electrocardiogram |
| CN111067512A (zh) * | 2019-12-05 | 2020-04-28 | 东软集团股份有限公司 | 心室颤动的检测装置、检测模型的训练装置、方法及设备 |
| CN110916647A (zh) * | 2019-12-11 | 2020-03-27 | 郑州轻工业大学 | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 |
| CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
| CN111990988A (zh) * | 2020-08-10 | 2020-11-27 | 北京航空航天大学 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
| CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
| CN112971798A (zh) * | 2021-02-10 | 2021-06-18 | 武汉心络科技有限公司 | 心电信号处理方法、装置、终端及存储介质 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| MA, JIN；CHEN, QIUXIONG；MA, SHIYU: "Left atrial fibrosis in atrial fibrillation: Mechanisms, clinical evaluation and management", 《JOURNAL OF CELLULAR AND MOLECULAR MEDICINE》 * |
| 张烨菲: "基于卷积神经网络的心电身份识别技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114081502A (zh) * | 2021-11-11 | 2022-02-25 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
| Zhang et al. | VLSI friendly ECG QRS complex detector for body sensor networks | |
| JP2007535392A (ja) | 高周波ｑｒｓ群の分析のための装置および方法 | |
| US20050171447A1 (en) | Method and device for the automateddetection and differentiation of cardiac rhythm disturbances | |
| Ulusar et al. | Adaptive rule based fetal QRS complex detection using Hilbert transform | |
| CN109009073A (zh) | 房颤检测装置及存储介质 | |
| CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
| CN106510676A (zh) | 心率检测方法以及心率检测装置 | |
| CN109044348A (zh) | 房颤检测装置及存储介质 | |
| RU2016146176A (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
| CN109222964A (zh) | 房颤检测装置及存储介质 | |
| Pingale | Using Pan Tompkin ‘S Method, ECG signal processing and dignose various diseases in Matlab | |
| CN113520401A (zh) | 心电信号的分类方法和装置 | |
| CN110507317B (zh) | 一种心电信号r波的自适应ca-cfar定位方法 | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| CN113349753A (zh) | 一种基于便携式动态心电监护仪的心律失常检测方法 | |
| Modak et al. | A novel adaptive multilevel thresholding based algorithm for QRS detection | |
| Ghosal et al. | Ecg beat quality assessment using self organizing map | |
| Hickey et al. | Screening for paroxysmal atrial fibrillation using atrial premature contractions and spectral measures | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| CN109431493A (zh) | 基于距离分段加权算法的可穿戴体表电势采集装置和方法 | |
| CN109044338A (zh) | 房颤检测装置及存储介质 | |
| Oktivasari et al. | A simple real-time system for detection of normal and myocardial ischemia in the ST segment and t wave ECG signal | |
| Dembrani et al. | Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE | |
| Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |