CN113397557A - 一种心律实时低功耗监测方法 - Google Patents
一种心律实时低功耗监测方法 Download PDFInfo
- Publication number
- CN113397557A CN113397557A CN202110643387.2A CN202110643387A CN113397557A CN 113397557 A CN113397557 A CN 113397557A CN 202110643387 A CN202110643387 A CN 202110643387A CN 113397557 A CN113397557 A CN 113397557A
- Authority
- CN
- China
- Prior art keywords
- wave
- qrs
- monitoring
- value
- real
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002861 ventricular Effects 0.000 claims abstract description 40
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims abstract description 31
- 206010047302 ventricular tachycardia Diseases 0.000 claims abstract description 14
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 12
- 230000006793 arrhythmia Effects 0.000 claims abstract description 10
- 238000000718 qrs complex Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 29
- 206010015856 Extrasystoles Diseases 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000002085 persistent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims 7
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 206010019280 Heart failures Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010042434 Sudden death Diseases 0.000 description 2
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000003663 ventricular fibrillation Diseases 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010047163 Vasospasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000000015 catecholaminergic polymorphic ventricular tachycardia Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003680 myocardial damage Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- A61B5/72—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种心律实时低功耗监测方法，包括以下步骤：将滤波降噪后的数字化心电实时监测数据输入至心率失常检测器，计QRS波的绝对值的平均值和真实值的平均值；更新并计算R波的自适应阈值；判断是否转变为R波监测，记录并归类监测得到的R波；设置Q波和S波的监测起始点，归类监测得到的Q波、S波和非S波；计算所QRS波中的T波的自适应阈值，在每次系统迭代中更新；将非S波被归类为T波；进入睡眠状态；经过数次迭，区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍，最终判定监测对象的心律是否为非持续性室性心动过速。本发明提供的方法无需机器学习分类器进行数据学习及分类器模型构建，且能有效减少耗电量。
Description
技术领域
本发明属于心律监测技术领域，具体涉及一种心律实时低功耗监测方法。
背景技术
心力衰竭是常见的心血管疾病之一，多发病于老年人群，随着人们生活水平提升，其发病率呈逐年增长趋势。有研究表明，心律失常是心衰伴发症状，主要原因是由于患者血流动力学出现障碍造成心肌损伤，进而降低心室泵血功能。重度心力衰竭患者通常伴发快速心律失常，导致心脏负荷较大，呈现出心悸、头晕、意识丧失等症状，降低其生活质量，严重会引发猝死危机患者生命安全。
心律失常是人类心脏电脉冲的一种故障，引起不规则的心跳节律最严重的心律失常发生在这些不规则的心律起源于心脏底部的心室，称为室性心律失常。80％以上的血管痉挛是由冠心病、高血压或心肌病引起的。室性心律失常分为室性早搏、室性心动过速和室颤。可以被认为是一个早期的警报，如果不治疗，病人有更高的风险发展为室性心动过速或室颤。室性心动过速是一种异常的心电图节律，由单灶性或多灶性室性早搏组成，可导致猝死。室性心动过速根据持续时间分为非持续性室性心动过速和持续性室性心动过速。
在目前的医疗实践中，心脏病专家采用心电图信号记录和患者问卷对患者的病情进行初步评估。然而，由于心电图记录的持续时间有限和心律失常的间歇性，这种方法可能无法捕捉疾病的严重性。为了解决这个问题，需要对心律失常病例进行长时间的连续监测来记录异常的心电图活动。对于这种监测系统，利用无线链路连续传输心电图记录并不是一种节能的解决方案，这严重影响了监测。信号压缩是减少大量传输数据的一种解决方案，但是大的压缩比会降低信号质量。
因此急需一种能够低功耗且保证心电信号采集不失真，能够有效区分心律失常类别的心律失常监测方法。
发明内容
本发明针对上述缺陷，提供一种能够有效正确且准确区分正常心律节拍、I型室性早搏节拍和II性室性早搏节拍、并且无需机器学习分类器进行数据学习及分类器模型构建，减少耗电量的心律实时低功耗监测方法。
本发明提供如下技术方案：一种心律实时低功耗监测方法，包括以下步骤：
S1：采用心电数据采集端采集心电实时监测数据，并采用带通滤波模块对所述心电实时监测数据进行滤波降噪；
S2：将滤波降噪后的数字化心电实时监测数据输入至心率失常检测器，计算平均间隔2秒的QRS波的绝对值的平均值QRSM和真实值的平均值QRST；
S3：更新并计算所述滤波降噪后的数字化心电实时监测数据的QRS波中的R波的自适应阈值ATR；
S4：在线实时监测所述R波的在线平均值
如果所述R波的在线平均值
超过所述R波的自适应阈值ATR，则监测状态变为R波监测，监测所述QRS波的斜率，若监测到所述QRS波的斜率具有局部极大值或极小值的斜率变化，则记录并归类为R波；
S5：设置所述S4步骤记录并归类的R波的初始位置的前0.1s为所述QRS波的Q波监测起始点，监测到当所述R波具有负斜率变化的局部极小值时，被归类为所述Q波；
S6：然后设置所述S4步骤记录并归类的R波的初始位置的后0.4s为所述QRS波的S波监测起始点，监测到当所述R波具有负斜率变化时，被归类为所述S波；
S7：当所述S波被监测到后，根据最新监测到的所述S波的振幅SPEAK计算所述滤波降噪后的数字化心电实时监测数据的QRS波中的T波的自适应阈值ATT，在每次系统迭代中更新；采用所述T波的自适应阈值ATT对所述S6步骤中归类的非S波的在线平均值
进行进一步逻辑判定，当所述
时，所述非S波被归类为T波；
S8：系统在出现所述T波后进入睡眠状态，直到下一个QRS波群出现，以节省计算量，提高系统的功率效率；当所述下一个QRS波群出现后，所述R波和所述T波的自适应阈值都被更新，并在这些自适应阈值的基础上进行进一步的计算；
S9：经过数次迭代重复所述步骤S1至所述步骤S8，根据所述S7步骤的监测得到的S波的自适应阈值ATS进行决策是否为最后一次迭代，若大于所述自适应阈值ATS则停止迭代，若小于所述自适应阈值ATS则继续迭代；
记录每次迭代的R-R间期值RRI、Q波与S波之间的间隔期QS间期值QSI和T波高振幅值HTVARI，并采用每个R-R间期RRI作为基准，归类所述QRS波群中的正QRS波群P-RRI和负QRS波群N-RRI；记录最后一次迭代时，所述R波的起始位置和结束为止，并采用最后一个R-R间期
作为基准，归类所述QRS波群中的正QRS波群
和负QRS波群
同时，记录最后一个QS间期值
和T波高振幅值
以区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍；
S10：根据出现室性早搏的连续次数定义被监测对象是否属于非持续性室性心动过速，如果同时出现三个以上的所述室性早搏，则被监测对象的心律被归类为非持续性室性心动过速。
进一步地，所述步骤S2中的QRS波的绝对值的平均值QRSM的计算公式如下：
进一步地，所述步骤S2中所述QRS波的真实值的平均值QRST的计算公式如下：
其中，所述k为一个从0到n的整数变量，所述n是采样频率的两倍数值，所述X(k)是输入的滤波降噪后的数字化心电实时监测数据值。
进一步地，所述步骤S3中的所述R波的自适应阈值ATR计算公式为：
ATR＝QRSM×Weight；
其中，所述Weight为代表被检测者的特定R波计算权重整数值；
所述R波的在线平均值
的计算公式为：
其中，所述r是针对特定被检测者的使用的在线实时监测窗口大小。
进一步地，所述S7步骤中的所述T波的自适应阈值ATT的计算公式为：
其中，所述ATT为是T波自适应阈值，|SPEAK|是最近检测到的S波的振幅的绝对值。
进一步地，所述步骤S9中的高T波振幅的HTVARI值为大于ATR的振幅。
进一步地，所述步骤S9利用的所述S7步骤监测得到的S波的自适应阈值ATS的计算公式如下：
其中，所述l为第l个所述Q波和所述S波形成的QS间期AQS的定位，所述l∈m，所述m＝0,1,2,3,4，所述m代表迭代过程中连续的QS间隔出现的数量。
所述m个连续QS间隔的平均值AQS的计算公式如下：
所述QDectect(l)为第l个所述Q波被监测到的位置，所述QS间期AQS用于计算所述Q波和所述S波之间的样本数，以定位到所述QS间期，用于室性早搏的监测。
进一步地，所述S9步骤中，所述区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍的方法为以每次迭代产生的正QRS波群P-RRI值作为横坐标，每次迭代产生的QS间期值作为纵坐标，建立第一二维坐标系，在所述第一二维坐标系平面内小于所述最后一个正QRS波群
值，且高于所述最后一个迭代中的QS间期值
值的为I型室性早搏节拍；其余为正常心律节拍；
以每次迭代产生的负QRS波群N-RRI值作为横坐标，以每次迭代产生的T波高振幅HTVARI值为纵坐标，建立第二二维坐标系，在所述第二二维坐标系平面内小于所述最后一个负QRS波群
值，且高于所述最后一个迭代中的T波高振幅值
的为Ⅱ型室性早搏节拍；其余为正常心律节拍。
进一步地，所述S7步骤中的QRS波中的T波的自适应阈值ATT的计算公式为：
进一步地，所述心电数据采集端的采集频率为350个数据/秒～400个数据/秒。
本发明的有益效果为：
1、本发明提供的一种心律实时低功耗监测方法，对算法和结构进行了优化，提高了电源效率，通过对QRS波群中的R波、S波、Q波和T波进行筛选并定位，避免了机器学习分类器的加入，进而降低了检测的复杂度和分类的准确率，本发明提供的方法在不使用机器学习分类器的情况下，利用四个带阈值的鲁棒特征—R波、S波、Q波和T波在每次迭代计算过程中计算其各自的自适应阈值，将心律QRS波群的节拍分为正常节拍、I型PVC节拍和Ⅱ型PVC节拍，由于不需要机器学习分类器的加入，也无需事先采集被检测群体的特征采集及采集数据的机器学习过程，进而减少了学习分类的过程，降低了监测的繁琐程度，并且减少了监测仪器的耗电量。
2、本发明提供的心律实时低功耗监测方法，通过对特征进行深入的分析，计算出所需的特征，利用自适应阈值定位得到的R波、S波、Q波和T波R-R间期、Q-S间期和S波来完整描述QRS波的形态，选用T波振幅中的高振幅HTVARI来描述心脏电不稳定，使用一个小的移动平均窗口，并对每个传入的拍进行实时分类。此外，分类器不需要训练数据，因此使用小缓冲区(1KB)代替大容量存储器，进一步提高了能量效率。
3、当定位到T波后，监测仪器即进入睡眠状态，避免了长时间保持工作状态所带来的耗电量过大的缺陷，进一步减少了监测仪器所带来的的耗电量。
4、通过利用两种心室早搏均具有R-R间期较小的特点，采用最后一个R-R间期
作为基准，归类所述QRS波群中的正QRS波群
和负QRS波群
再分别将每次迭代监测得到的正QRS波群
值作为横坐标，将每次迭代产生的QS间期值作为纵坐标建立第一二维坐标系，以最后一个正QRS波群
值、最后一个迭代中的QS间期值
值作为区分点，区分得到正常心律节拍和I型室性早搏节拍；采用每次迭代监测得到的负QRS波群N-RRI值作为横坐标，以每次迭代产生的T波高振幅HTVARI值为纵坐标，建立第二二维坐标系，以最后一个负QRS波群
值和最后一个迭代中的T波高振幅值
的区分得到正常心律节拍和Ⅱ型室性早搏节拍，进而有效将正常心律和、I型室性早搏节拍和Ⅱ型室性早搏节拍进行有效区分，避免了笼统的将室性心室早搏与正常心律节拍分开，不能区分心室早搏的有效类型的缺陷；进而进一步更准确地确定出非持续性室性心动过速。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。
其中：
图1为本发明提供的心律实时低功耗监测方法的流程图；
图2为本发明提供的方法中步骤S9建立的第一二维坐标系图；
图3为本发明提供的方法中步骤S9建立的第二二维坐标系图。
具体实施例方式
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。
如图1所示，为本发明提供的一种心律实时低功耗监测方法，包括以下步骤：
S1：采用心电数据采集端以350个数据/秒～400个数据/秒的采集频率采集心电实时监测数据，并采用带通滤波模块对心电实时监测数据进行滤波降噪；
S2：将滤波降噪后的数字化心电实时监测数据输入至心率失常检测器，计算平均间隔2秒的QRS波的绝对值的平均值QRSM和真实值的平均值QRST；QRS波的绝对值的平均值QRSM的计算公式如下：
QRS波的真实值的平均值QRST的计算公式如下：
其中，k为一个从0到n的整数变量，n是采样频率的两倍数值，X(k)是输入的滤波降噪后的数字化心电实时监测数据值；
S3：更新并计算滤波降噪后的数字化心电实时监测并更新数据的QRS波中的R波的自适应阈值ATR；R波的自适应阈值ATR计算公式为：
ATR＝QRSM×Weight；
其中，Weight为代表被检测者的特定R波计算权重整数值；
R波的在线平均值
的计算公式为：
其中，r是针对特定被检测者的使用的在线实时监测窗口大小；
S4：在线实时监测R波的在线平均值
如果R波的在线平均值
超过R波的自适应阈值ATR，则监测状态变为R波监测，监测QRS波的斜率，若监测到QRS波的斜率具有局部极大值或极小值的斜率变化，则记录并归类为R波；
S5：设置S4步骤记录并归类的R波的初始位置的前0.1s为QRS波的Q波监测起始点，监测到当R波具有负斜率变化的局部极小值时，被归类为Q波；这种方法使得Q波检测不具有描述性，避免了Q波和S波的固定搜索窗口；
S6：然后设置S4步骤记录并归类的R波的初始位置的后0.4s为QRS波的S波监测起始点，监测到当R波具有负斜率变化时，被归类为S波；
S7：当S波被监测到后，根据最新监测到的S波的振幅SPEAK计算滤波降噪后的数字化心电实时监测数据的QRS波中的T波的自适应阈值ATT，在每次系统迭代中更新；采用T波的自适应阈值ATT对S6步骤中归类的非S波的在线平均值
进行进一步逻辑判定，当
时，非S波被归类为T波；S7步骤中的T波的自适应阈值ATT的计算公式为：
其中，ATT为是T波自适应阈值，|SPEAK|是最近检测到的S波的振幅的绝对值；
S8：系统在出现T波后进入睡眠状态，直到下一个QRS波群出现，以节省计算量，提高系统的功率效率；当下一个QRS波群出现后，R波和T波的自适应阈值都被更新，并在这些自适应阈值的基础上进行进一步的计算；
S9：经过数次迭代重复步骤S1至步骤S8，根据S7步骤的监测得到的S波的自适应阈值ATS进行决策是否为最后一次迭代，若大于自适应阈值ATS则停止迭代，若小于自适应阈值ATS则继续迭代；
记录每次迭代的R-R间期值RRI、Q波与S波之间的间隔期QS间期值QSI和大于ATR的振幅的T波高振幅值HTVARI，并采用每个R-R间期RRI作为基准，归类QRS波群中的正QRS波群P-RRI和负QRS波群N-RRI；记录最后一次迭代时，R波的起始位置和结束为止，并采用最后一个R-R间期
作为基准，归类QRS波群中的正QRS波群
和负QRS波群
同时，记录最后一个QS间期值
和T波高振幅值
以区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍；区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍的方法为以每次迭代产生的正QRS波群P-RRI值作为横坐标，每次迭代产生的QS间期值作为纵坐标，建立如图2所示的第一二维坐标系，在第一二维坐标系平面内小于最后一个正QRS波群
值，且高于最后一个迭代中的QS间期值
值的为I型室性早搏节拍；其余灰色部分为正常心律节拍；
以每次迭代产生的负QRS波群N-RRI值作为横坐标，以每次迭代产生的T波高振幅HTVAR值为纵坐标，建立如图3所示的第二二维坐标系，在第二二维坐标系平面内小于最后一个负QRS波群
值，且高于最后一个迭代中的T波高振幅值
的为Ⅱ型室性早搏节拍；其余灰色部分为正常心律节拍；
S10：根据出现室性早搏的连续次数定义被监测对象是否属于非持续性室性心动过速，如果同时出现三个以上的室性早搏，则被监测对象的心律被归类为非持续性室性心动过速，所述非持续性室性心动过速为R-R间期小于600ms或100bpm(每分钟拍数)的心律状态。
为了避免大内存，只保存最后两秒的数据。每两秒钟后，冲洗一次RAM，保存最近的30个样本，以保持系统管道正常工作。
步骤S9利用的S7步骤监测得到的S波的自适应阈值ATS的计算公式如下：
其中，l为第l个Q波和S波形成的QS间期AQS的定位，l∈m，m＝0,1,2,3,4，m代表迭代过程中连续的QS间隔出现的数量。
m个连续QS间隔的平均值AQS的计算公式如下：
QDectect(l)为第l个Q波被监测到的位置，QS间期AQS用于计算Q波和S波之间的样本数，以定位到QS间期，用于室性早搏的监测。
本发明提出的心律实时低功耗监测方法在FPGA上实现，已验证方法的正确性以及准确定，使用MIT-BIH心电心律失常数据库进行测试；测试结果发现本发明提供的方法的敏感性和特异性分别为94.64％和99.41％，整体能量效率为139nj/d。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在上面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
Claims (10)
1.一种心律实时低功耗监测方法，其特征在于，包括以下步骤：
S1：采用心电数据采集端采集心电实时监测数据，并采用带通滤波模块对所述心电实时监测数据进行滤波降噪；
S2：将滤波降噪后的数字化心电实时监测数据输入至心率失常检测器，计算平均间隔2秒的QRS波的绝对值的平均值QRSM和真实值的平均值QRST；
S3：更新并计算所述滤波降噪后的数字化心电实时监测数据的QRS波中的R波的自适应阈值ATR；
S4：在线实时监测所述R波的在线平均值
如果所述R波的在线平均值
超过所述R波的自适应阈值ATR，则监测状态变为R波监测，监测所述QRS波的斜率，若监测到所述QRS波的斜率具有局部极大值或极小值的斜率变化，则记录并归类为R波；
S5：设置所述S4步骤记录并归类的R波的初始位置的前0.1s为所述QRS波的Q波监测起始点，监测到当所述R波具有负斜率变化的局部极小值时，被归类为所述Q波；
S6：然后设置所述S4步骤记录并归类的R波的初始位置的后0.4s为所述QRS波的S波监测起始点，监测到当所述R波具有负斜率变化时，被归类为所述S波，其余的归类为非S波；
S7：当所述S波被监测到后，根据最新监测到的所述S波的振幅SPEAK计算所述滤波降噪后的数字化心电实时监测数据的QRS波中的T波的自适应阈值ATT，在每次系统迭代中更新；采用所述T波的自适应阈值ATT对所述S6步骤中归类的非S波的在线平均值
进行进一步逻辑判定，当所述
时，所述非S波被归类为T波；
S8：系统在出现所述T波后进入睡眠状态，直到下一个QRS波群出现，以节省计算量，提高系统的功率效率；当所述下一个QRS波群出现后，所述R波和所述T波的自适应阈值都被更新，并在这些自适应阈值的基础上进行进一步的计算；
S9：经过数次迭代重复所述步骤S1至所述步骤S8，根据所述S7步骤的监测得到的S波的自适应阈值ATS进行决策是否为最后一次迭代，若大于所述自适应阈值ATS则停止迭代，若小于所述自适应阈值ATS则继续迭代；
记录每次迭代的R-R间期值RRI、Q波与S波之间的间隔期QS间期值QSI和T波高振幅值HTVARI，并采用每个R-R间期RRI作为基准，归类所述QRS波群中的正QRS波群P-RRI和负QRS波群N-RRI；记录最后一次迭代时，所述R波的起始位置和结束为止，并采用最后一个R-R间期
作为基准，归类所述QRS波群中的正QRS波群
和负QRS波群
同时，记录最后一个QS间期值
和T波高振幅值
以区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍；
S10：根据出现室性早搏的连续次数定义被监测对象是否属于非持续性室性心动过速，如果同时出现三个以上的所述室性早搏，则被监测对象的心律被归类为非持续性室性心动过速。
2.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述步骤S2中的QRS波的绝对值的平均值QRSM的计算公式如下：
3.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述步骤S2中所述QRS波的真实值的平均值QRST的计算公式如下：
其中，所述k为一个从0到n的整数变量，所述n是采样频率的两倍数值，所述X(k)是输入的滤波降噪后的数字化心电实时监测数据值。
4.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述步骤S3中的所述R波的自适应阈值ATR计算公式为：
ATR＝QRSM×Weight；
其中，所述Weight为代表被检测者的特定R波计算权重整数值；
所述R波的在线平均值
的计算公式为：
其中，所述r是针对特定被检测者的使用的在线实时监测窗口大小。
5.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述S7步骤中的所述T波的自适应阈值ATT的计算公式为：
其中，所述ATT为是T波自适应阈值，|SPEAK|是最近检测到的S波的振幅的绝对值。
6.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述步骤S9中的高T波振幅的HTVARI值为大于ATR的振幅。
7.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述步骤S9利用的所述S7步骤监测得到的S波的自适应阈值ATS的计算公式如下：
其中，所述l为第l个所述Q波和所述S波形成的QS间期AQS的定位，所述l∈m，所述m＝0,1,2,3,4，所述m代表迭代过程中连续的QS间隔出现的数量。
所述m个连续QS间隔的平均值AQS的计算公式如下：
所述QDectect(l)为第l个所述Q波被监测到的位置，所述QS间期AQS用于计算所述Q波和所述S波之间的样本数，以定位到所述QS间期，用于室性早搏的监测。
8.根据权利要求1所述的心律实时低功耗监测方法，其特征在于，所述S9步骤中，所述区分正常心律节拍、I型室性早搏节拍和Ⅱ型室性早搏节拍的方法为以每次迭代产生的正QRS波群P-RRI值作为横坐标，每次迭代产生的QS间期值作为纵坐标，建立第一二维坐标系，在所述第一二维坐标系平面内小于所述最后一个正QRS波群
值，且高于所述最后一个迭代中的QS间期值
值的为I型室性早搏节拍；其余为正常心律节拍；
以每次迭代产生的负QRS波群N-RRI值作为横坐标，以每次迭代产生的T波高振幅HTVARI值为纵坐标，建立第二二维坐标系，在所述第二二维坐标系平面内小于所述最后一个负QRS波群
值，且高于所述最后一个迭代中的T波高振幅值
的为Ⅱ型室性早搏节拍；其余为正常心律节拍。
9.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述S7步骤中的QRS波中的T波的自适应阈值ATT的计算公式为：
10.根据权利要求1所述的一种心律实时低功耗监测方法，其特征在于，所述心电数据采集端的采集频率为350个数据/秒～400个数据/秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110643387.2A CN113397557A (zh) | 2021-06-09 | 2021-06-09 | 一种心律实时低功耗监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110643387.2A CN113397557A (zh) | 2021-06-09 | 2021-06-09 | 一种心律实时低功耗监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113397557A true CN113397557A (zh) | 2021-09-17 |
Family
ID=77683355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110643387.2A Pending CN113397557A (zh) | 2021-06-09 | 2021-06-09 | 一种心律实时低功耗监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113397557A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
-
2021
- 2021-06-09 CN CN202110643387.2A patent/CN113397557A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| SYED MUHAMMAD ABUBAKAR: "A wearable long-term single-lead ECG processor for early detection of cardiac arrhythmia", 《DESIGN, AUTOMATION & TEST IN EUROPE CONFERENCE & EXHIBITION (DATE)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114027847A (zh) * | 2021-11-17 | 2022-02-11 | 湖南万脉医疗科技有限公司 | 一种基于时频分析的心电信号分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103110417B (zh) | 一种心电图自动识别系统 | |
| CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
| US20060167364A1 (en) | Algorithms for detecting cardiac arrhythmia and methods and apparatuses utilizing the algorithms | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
| Kalidas et al. | Enhancing accuracy of arrhythmia classification by combining logical and machine learning techniques | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
| CN112617849A (zh) | 一种基于cnn+lstm的心房颤动检测与分类方法 | |
| CN103970975A (zh) | 心电数据处理方法和系统 | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| CN113080991A (zh) | 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质 | |
| CN110507317B (zh) | 一种心电信号r波的自适应ca-cfar定位方法 | |
| CN113397557A (zh) | 一种心律实时低功耗监测方法 | |
| Xu et al. | An effective premature ventricular contraction detection algorithm based on adaptive template matching and characteristic recognition | |
| Ghosal et al. | Ecg beat quality assessment using self organizing map | |
| Tuboly et al. | Atrial fibrillation detection based on poincaré plot and P wave analysis | |
| Asadi et al. | Enhancement of life-threatening arrhythmia discrimination in the intensive care unit with morphological features and interval feature extraction via random forest classifier | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| Boon et al. | Ventricular tachyarrhythmia prediction based on heart rate variability and genetic algorithm | |
| 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 | |
| CN113180689A (zh) | 一种基于高斯函数拟合的p波波峰及起始位置提取方法 | |
| KR101293248B1 (ko) | Ｒｒ간격을 이용한 심실조기수축 판별 시스템, 심실조기수축 판별 방법 및 이를 수행 하는 프로그램이 기록된 저장매체 | |
| Sohal et al. | Review and Comparison of QRS Detection Algorithms for Arrhythmia Diagnosis | |
| Tribhuvanam et al. | ECG abnormality classification with single beat analysis | |
| Halvaei et al. | False alarm reduction in atrial fibrillation screening |
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: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |