CN113440145A - 一种心电信号t波及其终点自动检测方法 - Google Patents

一种心电信号t波及其终点自动检测方法 Download PDF

Info

Publication number
CN113440145A
CN113440145A CN202110717696.XA CN202110717696A CN113440145A CN 113440145 A CN113440145 A CN 113440145A CN 202110717696 A CN202110717696 A CN 202110717696A CN 113440145 A CN113440145 A CN 113440145A
Authority
CN
China
Prior art keywords
peak
wave
position point
point
peak position
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110717696.XA
Other languages
English (en)
Other versions
CN113440145B (zh
Inventor
张瑞
薛渊元
李朵
宋江玲
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.)
Northwest University
Original Assignee
Northwest 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 Northwest University filed Critical Northwest University
Priority to CN202110717696.XA priority Critical patent/CN113440145B/zh
Publication of CN113440145A publication Critical patent/CN113440145A/zh
Application granted granted Critical
Publication of CN113440145B publication Critical patent/CN113440145B/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
    • A61B5/316—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
    • A61B5/24—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
    • A61B5/355—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
    • A61B5/366—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

Landscapes

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

Abstract

本发明公开一种心电信号T波及其终点自动检测方法。首先，采用小波分解和软阈值相结合的方法对原始心电信号进行预处理；其次，利用小波变换和拟合法对预处理后的心电信号进行重构和拟合，进而采用模极大值和阈值法实现R峰检测和漏检误检的修正；再次，以R峰位置点为起点，结合窗口搜索法、极值法和黎曼和等方法实现T峰检测；最后，以所获得的T峰位置点为基准，根据T峰波形特点和T波终点局部变化趋势，利用求导法和阈值法定位候选的T波终点，并对其进行修正，以获得更为准确的T波终点。本发明提供了一种计算复杂度低、自动检测准确率高、易于推广的T波及其终点检测方法，该方法亦可用于心电信号其他波形起止点的检测。

Description

一种心电信号T波及其终点自动检测方法
技术领域
本发明涉及心电信号自动检测方法，具体涉及一种心电信号T波及其终点自动检测方法。
背景技术
心电信号是由心电图仪通过放置在人体表面的电极片所记录到的能够反映心脏电活动的曲线，是一种低信噪比非平稳的生理信号，该信号随机性强且较为微弱。心电信号呈周期性变化，一次心跳即为一个心动周期，由P波、QRS波群、T波等主要特征波构成。其中，T波代表了心室的复极波，能够反映左右心室肌复极过程中的电位变化。临床上，心电信号的异常变化是医生诊断心脏疾病的重要指标，因此心电信号中T波的准确定位具有十分重要的诊断价值。但是，传统的凭借医生专业知识和诊断经验的人工检测特征波，具有较强的主观性，十分耗时，且易出现判断错误的情况，此外医疗资源的严重不平衡，会带来就医困难、治疗费用高等系列问题。
随着人工智能、大数据、计算机技术、移动互联等先进前沿技术的迅猛发展，研究者们开始关注于医疗数据智能分析与处理的研究，为上述问题提供了一套有效的解决方案。鉴于此，本发明设计了一个T波及其终点自动检测算法，研究心电信号中T波及其终点的特征和变化趋势，并结合机器学习方法实现上述T波及其终点的自动检测，以期解决异常心电信号中倒置T波的检测以及T波终点检测时所存在的误检现象，从而提高检测准确率。
发明内容
针对现有技术中的缺陷和不足，本发明提供了一种心电信号T波及其终点的自动检测方法，通过深入挖掘和刻画海量心电信号中T峰的波形特征以及T波终点的局部变化趋势，结合机器学习方法实现上述T波及其终点的自动检测。
为达到上述目的，本发明采取如下的技术方案：
一种心电信号T波及其终点自动检测方法，该方法能获得待检测心信号序列的T峰和T波终点位置点集合；包括以下步骤：
步骤1、对待检测的心电信号序列进行预处理，获得去除噪声的预处理后的心电信号序列；
步骤2、从预处理后的心电信号序列中获取多个R峰位置点，以获得R峰位置点集合；
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点，利用极值原理获得每一个T峰位置点，以获得T峰位置点集合；
步骤4、根据步骤3获得的T峰位置点集合中每一个T峰位置点，通过拐点搜索法获得每一个T波终点位置点，以获得T波终点位置点集合。
本发明还包括如下技术特征：
具体的，所述步骤2包括：
步骤2.1、采用小波变换对预处理后的心电信号序列进行分解得到多个分解层；根据QRS波群所在的频带范围选择对应分解层的小波系数，并据此对该分解层信号进行重构，获得重构心电信号序列；
步骤2.2、选取重构心电信号序列的边缘波峰点，通过曲线拟合的方法对其进行拟合，获得拟合心电信号序列；在拟合心电信号序列中，用模极大值法计算拟合心电信号序列中所有局部极值点，获得局部极值点集合；
步骤2.3、在局部极值点集合中，以局部极值点为中心，对重构心电信号序列进行加窗处理，获得心电信号片段序列；
步骤2.4、在每一个心电信号片段序列中选取最大幅值对应的位置点，获得候选R峰位置点集合；
步骤2.5、根据候选R峰位置点集合，获得R峰位置点集合。
具体的，所述步骤2.5包括：
步骤2.5.1、在候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得多个RR间期，每个RR间期对应两个R峰位置点；
步骤2.5.2、在RR间期序列中找到大于第一阈值THRrr1的RR间期，并在心电信号序列中找到其所对应的一段漏检心电信号子序列；重复执行本步骤，直至找到所有漏检心电信号子序列；其中，第一阈值THRrr1＝1.0*fs,fs为心电信号采样率，单位为Hz；
步骤2.5.3、在每段漏检心电信号子序列中，将最大幅值对应的位置点作为新的R峰位置点，并将其添加至候选R峰位置点集合中，获得插入漏检点后新的候选R峰位置点序列；
步骤2.5.4、在新的候选R峰位置点集合中，计算相邻两个R峰位置点之间的水平距离值，获得多个新的RR间期，每个新的RR间期对应两个R峰位置点；
步骤2.5.5、在新的RR间期序列中找到小于第二阈值THRrr2的新的RR间期，并在心电信号序列上找到其所对应的两个R峰位置点，获得多个初选误检R峰位置点；重复执行本步骤，直至找到所有初选误检R峰位置点；其中，第二阈值THRrr2＝0.6*fs,fs为心电信号采样率，单位为Hz；
步骤2.5.6、比较小于第二阈值的新的RR间期对应的两个R峰位置点的幅值，删去幅值较小的点对应的误检R峰位置点，获得剔除误检点后新的R峰位置点集合，从而得到最终确定的R峰位置点集合。
具体的，所述步骤3包括：
步骤3.1、在R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得RR间期；
步骤3.2、在R峰位置点集合中，以每一个R峰位置点为起点，根据T波位置特点和时间长度，向后进行加窗处理，获得预选T波片段序列；
步骤3.3、计算R峰至S峰的黎曼和SRS、预选T波片段序列的黎曼和ST以及R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；比较S与SRS的大小，若S>SRS,则T波为正向波；若S<SRS,则T波为倒置波；
步骤3.4、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个T峰搜索区间；若T波为正向波，则在每个搜索区间中利用极大值方法检测极大幅值对应的位置点，获得多个T峰位置点；若T波为倒置波，则在每个搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个T峰位置点；最终获得T峰位置点集合。
具体的，所述步骤3.2中进行加窗处理的搜索区间为[Rv+t1×fs，Rv+t1×fs+N],其中Rv表示R峰位置点，N表示预选T波段的长度，N＝t0×fs，fs为采样率，单位为Hz，t0∈(0.05,0.10)，t1∈(0.15,0.25)，单位为s。
具体的，所述步骤3.3包括：
步骤3.3.1、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个S峰搜索区间，在每个S峰搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个S峰位置点，进而获得S峰位置点集合；步骤3.3.1中的S峰搜索区间为[Rv,Rv+ts×fs],其中Rv表示R峰位置点，ts∈(0.06,0.16)，单位为s，fs为采样率，单位为Hz；
步骤3.3.2、计算R峰至S峰的黎曼和SRS，预选T波段的黎曼和ST；
其中，
Figure BDA0003135565970000041
为R峰至S峰对应的心电片段序列中划分的子区间数，这里取样本点个数，ΔXRSj为R峰至S峰对应的心电片段序列第j个子区间的长度，FRSj为其对应的幅值；
其中，
Figure BDA0003135565970000042
m为预选T波片段序列中划分的子区间数，这里取样本点个数,ΔXTj为预选T波片段序列对应的心电片段序列第j个子区间的长度，FTj为其对应的幅值；
步骤3.3.3、计算R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；其中，S＝SRS+ST；
步骤3.3.4、比较S与SRS的大小，若S>SRS,则T波为正向波；若S<SRS,则T波为倒置波。
具体的，所述步骤3.4中的T峰搜索区间为
Figure BDA0003135565970000043
其中Rv表示R峰位置点，RR为RR间期。
具体的，所述步骤4包括：
步骤4.1、在预处理后的心电信号序列中找到步骤3获得的T峰位置点集合中每一个T峰位置点，以每一个T峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个第一搜索区间，在每个第一搜索区间中利用求导法检测拐点对应的位置点，获得第i个T波终点候选位置点T(i)；
步骤4.2、判断第i个T波终点候选位置点与第i个T峰之间的水平距离是否小于阈值THR，THR为正数，单位为位置点；
若第i个T波终点候选位置点与第i个T峰之间的水平距离小于阈值THR，单位为位置点数，则以第i个T波终点侯选位置点为起点，向后进行加窗处理，获得多个第二搜索区间，在每个第二搜索区间中利用求导法检测拐点位置点，并计算拐点位置点所对应的幅值；若T波为正向波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最小的拐点位置点作为第i个T波终点修正后的位置点；若T波为倒置波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最大的拐点位置点作为第i个T波终点修正后的位置点；否则，以第i个T波终点候选位置点作为第i个T波终点修正后的位置点；
步骤4.3、重复执行步骤4.1-4.2，直至获得全部T波终点修正后的位置点，得到T波终点位置点集合。
具体的，步骤4.1中，第一搜索区间为[Tv,Tv+t2*fs],其中Tv表示T峰位置点,t2∈(0.1,0.2)，单位为s，fs表示心电信号采样率，单位为Hz。
10、如权利要求8所述的心电信号T波及其终点自动检测方法，其特征在于，步骤4.2中阈值THR＝t3*fs,其中,fs表示心电信号采样率,t3∈(0.05,0.1),单位为s；步骤4.2中的第二搜索区间为[Tend(i),Tend(i)+t4*fs],其中Tend(i)表示第i个候选T波终点位置点,t4∈(0.1,0.15)，单位为s。
本发明与现有技术相比，有益的技术效果是：
1、本发明提供了一种高效自适应的心电信号T峰自动检测方法，以R峰为起点，融合了窗口搜索法、极值法和黎曼和等方法，基于心电信号时域变化特点来完成T峰的检测，该方法计算复杂度低，实现了检测方法实时性的提高；进而针对存在T波倒置、低平、高尖等异常的心电信号，根据心电信号T波局部变化趋势和波形特点，对其进行误检的修正，以最终确定T峰的准确位置，该方法极大程度上提高了检测准确率；所述方法中的动态阈值是针对每一个当前心电信号序列而设置的(即不同心电信号其阈值不同)，因此具有较强的自适应性；
2、本发明以T峰为基准，融合了求导法、加窗搜索法和阈值法等方法，有效避免了多次搜索、计算复杂、鲁棒性差等不足，进而提高了对存在“毛刺”现象的心电信号检测的准确率和实时性。此外，该方法易于推广应用到心电信号其他特征波起止点的自动检测中。
附图说明
图1是本发明的一个实施例中提供的心电信号去噪前后对比图。
图2是本发明的一个实施例中提供的漏检R峰位置点示意图。
图3是本发明的一个实施例中提供的插入漏检R峰位置点后，获得的R峰检测位置示意图。
图4是本发明的一个实施例中提供的误检R峰位置点示意图。
图5是本发明的一个实施例中提供的剔除误检R峰位置点后，获得的R峰检测位置示意图。
图6是本发明的一个实施例中提供的R峰和S峰检测结果示意图。
图7是本发明的一个实施例中提供的正向T峰检测结果示意图。
图8是本发明的一个实施例中提供的倒置T峰检测结果示意图。
图9是本发明的一个实施例中提供的低平T峰检测结果示意图。
图10是本发明的一个实施例中提供的高尖T峰检测结果示意图。
图11是本发明的一个实施例中提供的正向T波终点误检示意图。
图12是本发明的一个实施例中提供的正向T波终点误检修正示意图。
图13是本发明的一个实施例中提供的倒置T波终点误检示意图。
图14是本发明的一个实施例中提供的倒置T波终点误检修正示意图。
图15是心电信号特征波示意图。
具体实施方式
遵从上述技术方案，以下结合说明书附图和具体实施方式对本发明做具体说明，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
以下对本发明涉及的定义或概念内涵做以说明：
QRS波群：如图15所示，QRS波群由向下的Q波、向上的R波和向下的S波这3个波组成的一组紧密相连的波群，时间宽度为0.06～0.1s。
R波、R峰、S波、S峰：如图15所示，R波是QRS波群中第一个高大的正向波，R峰为R波的波峰值；S波是R波之后第一个负向的波，S峰为S波的波峰值。
T波：如图15所示，T波是R波之后一个波幅较低而波宽较长的钝圆形波，代表了心室的复极，T波的时间宽度为0.05s～0.25s，电压幅度不低于同导联R波的1/10。
T峰：T峰为T波的峰值，如图15所示，T峰位于R峰之后。
基线漂移频率分布范围：0.15Hz--2Hz,主要分布在0.15Hz。
工频干扰频率分布范围：50/60Hz。
在本发明的实施例中所述的以某个位置点向前是指与心电信号采样方向相反的方向，向后是指与心电信号采样方向相同的方向。
本发明公开了一种心电信号T波及其终点自动检测方法，该方法包括以下步骤：
步骤1、对待检测的心电信号序列进行预处理，获得去除噪声的预处理后的心电信号序列；
在本步骤中，心电信号预处理常见的方法有数字带通滤波器、经验模态分解、小波分解法等。为了提高去噪性能，本发明采用了小波分解法，选取db4、Haar、sym8、coif5等不同小波基函数进行多次实验，结合心电信号所含噪声的特点，以信噪比(SNR)和最小均方误差(MSE)作为评价指标，最终选取coif5小波基函数，去除心电信号中的基线漂移、肌电干扰和工频干扰。
可选地，步骤1具体包括：
步骤1.1、对待检测的心电信号序列进行小波分解得到J层信号，分解层数为J，J≥2；获得J层信号，其中每一层信号包含多个子带信号；
步骤1.2、根据心电信号基线漂移频率范围，选取其所在的层，计算心电信号的基线，进而去除基线漂移，并对信号进行重构，获得去除基线漂移后的心电信号序列；
步骤1.3、对去除基线漂移后的心电信号序列，根据肌电干扰和工频干扰所在频率范围，利用小波软阈值法进行去噪，获得预处理后的心电信号序列。
在本实施例中，对心电信号去噪前后对比如图1所示，首先对图1(a)中的待检测的心电信号序列进行去基线漂移处理，获得图1(b)所示的去除基线漂移后的心电信号序列，然后对去基线漂移后的心电信号序列进行去噪处理，得到图1(c)所示的去噪后的心电信号序列。
步骤2、从预处理后的心电信号序列中获取多个R峰位置点，以获得R峰位置点集合，具体按照以下步骤执行：
步骤2.1、采用小波变换对预处理后的心电信号序列进行分解得到多个分解层；根据QRS波群所在的频带范围选择对应分解层的小波系数，并据此对该分解层信号进行重构，获得重构心电信号序列；
步骤2.2、选取重构心电信号序列的边缘波峰点，通过曲线拟合的方法对其进行拟合，获得拟合心电信号序列；在拟合心电信号序列中，用模极大值法计算拟合心电信号序列中所有局部极值点，获得局部极值点集合；
步骤2.3、在局部极值点集合中，以局部极值点为中心，对重构心电信号序列进行加窗处理，获得心电信号片段序列；
步骤2.4、在每一个心电信号片段序列中选取最大幅值对应的位置点，获得候选R峰位置点集合；
步骤2.5、根据候选R峰位置点集合，获得R峰位置点集合；
可选地，步骤2.5具体包括：
步骤2.5.1、在候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得多个RR间期，每个RR间期对应两个R峰位置点；
步骤2.5.2、在RR间期序列中找到大于第一阈值THRrr1的RR间期，并在心电信号序列中找到其所对应的一段漏检心电信号子序列；重复执行本步骤，直至找到所有漏检心电信号子序列；
其中，第一阈值THRrr1＝1.0*fs,fs为心电信号采样率，单位为Hz；
步骤2.5.3、在每段漏检心电信号子序列中，将最大幅值对应的位置点作为新的R峰位置点，并将其添加至候选R峰位置点集合中，获得插入漏检点后新的候选R峰位置点序列；
步骤2.5.4、在新的候选R峰位置点集合中，计算相邻两个R峰位置点之间的水平距离值，获得多个新的RR间期，每个新的RR间期对应两个R峰位置点；
步骤2.5.5、在新的RR间期序列中找到小于第二阈值THRrr2的新的RR间期，并在心电信号序列上找到其所对应的两个R峰位置点，获得多个初选误检R峰位置点；重复执行本步骤，直至找到所有初选误检R峰位置点；
其中，第二阈值THRrr2＝0.6*fs,fs为心电信号采样率，单位为Hz；
步骤2.5.6、比较小于第二阈值的新的RR间期对应的两个R峰位置点的幅值，删去幅值较小的点对应的误检R峰位置点，获得剔除误检点后新的R峰位置点集合；获得最终确定的R峰位置点集合。
在本实施例中，如图2所示获得了心电信号中候选R峰位置点集合中所有R峰位置点的示意图，图中圆点对应的信号点即为R峰位置点。计算相邻的两个R峰之间的水平距离，获得多个RR间期。在本实施例中，第1个R峰位置点和第2个R峰位置点之间的RR间期为1535，大于第一阈值1000，说明在第1个R峰位置点和第2个R峰位置点之间存在漏检的R峰位置点，将上述两个R峰所构成的第1个RR间期内包含的心电信号片段作为漏检R峰心电信号子序列；
在漏检R峰心电信号子序列中寻找最大幅值所对应的位置点，作为新的候选R峰位置点，插入到原候选R峰位置点序列中，获得如图3所示的插入漏检点后新的候选R峰位置点集合。
在本实施例中，如图4所示获得了心电信号中新的候选R峰位置点集合中所有候选R峰位置点的示意图，图中圆点对应的信号点即为R峰位置点。计算相邻的两个R峰之间的水平距离，获得多个RR间期。在本实施例中，第5个R峰和第6个R峰之间的RR间期为468，小于第二阈值600，说明第5个R峰位置点和第6个R峰位置点均可能为误检R峰位置点。比较5个R峰位置点和第6个R峰位置点的幅值，结果表明第6个R峰位置点的幅值小于5个R峰位置点的幅值，因此第6个R峰位置点是确定的误检R峰位置点，故将其剔除，获得如图5所示的修正漏检误检后R峰位置点集合。
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点，利用极值原理获得每一个T峰位置点，以此获得T峰位置点集合，具体按照以下步骤执行：
步骤3.1、在R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得RR间期；
步骤3.2、在R峰位置点集合中，以每一个R峰位置点为起点，根据T波位置特点和时间长度，向后进行加窗处理，获得预选T波片段序列；
步骤3.3、计算R峰至S峰的黎曼和SRS、预选T波片段序列的黎曼和ST以及R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；判断T波是否存在倒置，比较S与SRS的大小，若S>SRS,则T波为正向波；若S<SRS,则T波为倒置波；
步骤3.4、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个T峰搜索区间；若T波为正向波，则在每个搜索区间中利用极大值方法检测极大幅值对应的位置点，获得多个T峰位置点；若T波为倒置波，则在每个搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个T峰位置点；最终获得T峰位置点集合。
可选地，所述步骤3.2中的搜索区间为[Rv+t1×fs，Rv+t1×fs+N],其中Rv表示R峰位置点，N表示预选T波段的长度，N＝t0×fs，fs为采样率，单位为Hz，t0∈(0.05,0.10)，t1∈(0.15，0.25)，单位为s。
可选地，所述步骤3.3判断T波是否倒置，具体包括：
步骤3.3.1、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个S峰搜索区间，在每个搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个S峰位置点，进而获得S峰位置点集合；
步骤3.3.2、计算R峰至S峰的黎曼和SRS，预选T波段的黎曼和ST；
其中，
Figure BDA0003135565970000091
为R峰至S峰对应的心电片段序列中划分的子区间数，这里取样本点个数，ΔXRSj为R峰至S峰对应的心电片段序列第j个子区间的长度，FRSj为其对应的幅值；
其中，
Figure BDA0003135565970000101
m为预选T波片段序列中划分的子区间数，这里取样本点个数,ΔXTj为预选T波片段序列对应的心电片段序列第j个子区间的长度，FTj为其对应的幅值；
步骤3.3.3、计算R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；其中，S＝SRS+ST；
步骤3.3.4、比较S与SRS的大小，若S>SRS,则T波为正向波；若S<SRS,则T波为倒置波。
可选地，步骤3.3.1中的S峰搜索区间为[Rv，Rv+ts×fs],其中Rv表示R峰位置点，ts∈(0.06，0.16)，单位为s，fs为采样率，单位为Hz。
可选地，步骤3.4中的T峰搜索区间为
Figure BDA0003135565970000102
其中Rv表示R峰位置点，RR表示RR间期。
在本实施例中，如图6所示获得了心电信号中所有的R峰和S峰，图中圆点代表步骤2所获得的R峰位置点，六角星形代表S峰位置点。
在本实施例中，如图7所示获得了心电信号中所有的R峰和正向T峰，图中圆点代表步骤2所获得的R峰位置点，菱形代表T峰位置点。在本实施例中，计算每一个心动周期内R峰至S峰黎曼和SRS，预选T波片段序列段黎曼和ST，及其总黎曼和S，比较SRS与S，均有S>SRS,故在R峰之后加窗搜索极大值来检测T波峰。
在本实施例中，如图8所示获得了心电信号中所有的R峰和倒置T峰，图中圆点代表步骤2所获得的R峰位置点，菱形代表T峰位置点。在本实施例中，计算每一个心动周期内R峰至S峰黎曼和SRS，预选T波段黎曼和ST，及其总黎曼和S，比较SRS与S，均有S<SRS,故在R峰之后加窗搜索极小值来检测T波峰。
在本实施例中，如图9-10所示获得了心电信号中所有的R峰、低平T峰(图9)和高尖T峰(图10)，图中圆点代表步骤2所获得的R峰位置点，菱形代表T峰位置点。
步骤4、根据步骤3获得的T峰位置点集合中每一个T峰位置点，通过拐点搜索法获得每一个T波终点位置点，以此获得T波终点位置点集合，具体按照以下步骤执行：
步骤4.1、在预处理后的心电信号序列中找到步骤3获得的T峰位置点集合中每一个T峰位置点，以每一个T峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个第一搜索区间，在每个第一搜索区间中利用求导法检测拐点对应的位置点，获得第i个T波终点候选位置点T(i)；
步骤4.2、判断第i个T波终点候选位置点与第i个T峰之间的水平距离是否小于阈值THR，THR为正数，单位为位置点；
(1)若第i个T波终点候选位置点与第i个T峰之间的水平距离小于阈值THR，单位为位置点数，则以第i个T波终点侯选位置点为起点，向后进行加窗处理，获得多个第二搜索区间，在每个第二搜索区间中利用求导法检测拐点位置点，并计算拐点位置点所对应的幅值。若T波为正向波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最小的拐点位置点作为第i个T波终点修正后的位置点；若T波为倒置波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最大的拐点位置点作为第i个T波终点修正后的位置点。
(2)否则，以第i个T波终点候选位置点作为第i个T波终点修正后的位置点。
步骤4.3、重复执行步骤4.1-4.2，直至获得全部T波终点修正后的位置点，得到T波终点位置点集合。
可选地，步骤4.1中的第一T波终点搜索区间为[Tv，Tv+t2*fs],其中Tv表示T峰位置点,t2∈(0.1，0.2)，单位为s，fs表示心电信号采样率，单位为Hz。
可选地，步骤4.2中阈值THR＝t3*fs,其中,fs表示心电信号采样率,t3∈(0.05，0.1),单位为s；
可选地，步骤4.2中的第二T波终点搜索区间为[Tend(i)，Tend(i)+t4*fs],其中Tend(i)表示第i个候选T波终点位置点,t4∈(0.1，0.15)，单位为s。
在本实施例中，如图11(T波为正向波)、图13(T波为倒置波)所示，获得了所有候选T波终点的位置，图中圆点代表步骤2所获得的R峰位置点，菱形代表步骤3所获得T峰位置点，T峰右侧第一个星形即为候选T波终点位置点。
在本实施例中，如图12(T波为正向波)、图14(T波为倒置波)所示，获得了所有最终T波终点的位置，图中菱形代表步骤3所获得T峰位置点，T峰右侧第一个星形即为候选T波终点位置点，T峰右侧第一个三角形即为修正后最终确定的T波终点位置点。计算候选T波终点和T峰之间的水平距离，与阈值THR进行比较。在图12中，第1个候选T波终点和第1个T峰之间的水平距离为52，第2个候选T波终点和第2个T峰之间的水平距离为40，小于阈值80，故认为该T波终点为误检点。于是以候选T波终点为起点，向后加窗搜索，进行二次加窗修正，选择第二搜索窗内与T峰之间水平距离大于阈值THR，且幅值最小的拐点位置点作为修正后的T波终点位置点；在图14中，第1个候选T波终点和第1个T峰之间的水平距离为43，第2个候选T波终点和第2个T峰之间的水平距离为56，小于阈值80，故认为该T波终点为误检点。于是以候选T波终点为起点，向后加窗搜索，进行二次加窗修正，选择第二搜索窗内与T峰之间水平距离大于阈值THR，且幅值最大的拐点位置点作为修正后的T波终点位置点。

Claims (10)

1.一种心电信号T波及其终点自动检测方法，其特征在于，该方法能获得待检测心信号序列的T峰和T波终点位置点集合；包括以下步骤：
步骤1、对待检测的心电信号序列进行预处理，获得去除噪声的预处理后的心电信号序列；
步骤2、从预处理后的心电信号序列中获取多个R峰位置点，以获得R峰位置点集合；
步骤3、根据步骤2获得的R峰位置点集合中每一个R峰位置点，利用极值原理获得每一个T峰位置点，以获得T峰位置点集合；
步骤4、根据步骤3获得的T峰位置点集合中每一个T峰位置点，通过拐点搜索法获得每一个T波终点位置点，以获得T波终点位置点集合。
2.如权利要求1所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤2包括：
步骤2.1、采用小波变换对预处理后的心电信号序列进行分解得到多个分解层；根据QRS波群所在的频带范围选择对应分解层的小波系数，并据此对该分解层信号进行重构，获得重构心电信号序列；
步骤2.2、选取重构心电信号序列的边缘波峰点，通过曲线拟合的方法对其进行拟合，获得拟合心电信号序列；在拟合心电信号序列中，用模极大值法计算拟合心电信号序列中所有局部极值点，获得局部极值点集合；
步骤2.3、在局部极值点集合中，以局部极值点为中心，对重构心电信号序列进行加窗处理，获得心电信号片段序列；
步骤2.4、在每一个心电信号片段序列中选取最大幅值对应的位置点，获得候选R峰位置点集合；
步骤2.5、根据候选R峰位置点集合，获得R峰位置点集合。
3.如权利要求2所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤2.5包括：
步骤2.5.1、在候选R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得多个RR间期，每个RR间期对应两个R峰位置点；
步骤2.5.2、在RR间期序列中找到大于第一阈值THRrr1的RR间期，并在心电信号序列中找到其所对应的一段漏检心电信号子序列；重复执行本步骤，直至找到所有漏检心电信号子序列；其中，第一阈值THRrr1＝1.0*fs，fs为心电信号采样率，单位为Hz；
步骤2.5.3、在每段漏检心电信号子序列中，将最大幅值对应的位置点作为新的R峰位置点，并将其添加至候选R峰位置点集合中，获得插入漏检点后新的候选R峰位置点序列；
步骤2.5.4、在新的候选R峰位置点集合中，计算相邻两个R峰位置点之间的水平距离值，获得多个新的RR间期，每个新的RR间期对应两个R峰位置点；
步骤2.5.5、在新的RR间期序列中找到小于第二阈值THRrr2的新的RR间期，并在心电信号序列上找到其所对应的两个R峰位置点，获得多个初选误检R峰位置点；重复执行本步骤，直至找到所有初选误检R峰位置点；其中，第二阈值THRrr2＝0.6*fs，fs为心电信号采样率，单位为Hz；
步骤2.5.6、比较小于第二阈值的新的RR间期对应的两个R峰位置点的幅值，删去幅值较小的点对应的误检R峰位置点，获得剔除误检点后新的R峰位置点集合，从而得到最终确定的R峰位置点集合。
4.如权利要求1所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤3包括：
步骤3.1、在R峰位置点集合中计算相邻两个R峰位置点之间的水平距离值，获得RR间期；
步骤3.2、在R峰位置点集合中，以每一个R峰位置点为起点，根据T波位置特点和时间长度，向后进行加窗处理，获得预选T波片段序列；
步骤3.3、计算R峰至S峰的黎曼和SRS、预选T波片段序列的黎曼和ST以及R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；比较S与SRS的大小，若S＞SRS，则T波为正向波；若S＜SRS，则T波为倒置波；
步骤3.4、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个T峰搜索区间；若T波为正向波，则在每个搜索区间中利用极大值方法检测极大幅值对应的位置点，获得多个T峰位置点；若T波为倒置波，则在每个搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个T峰位置点；最终获得T峰位置点集合。
5.如权利要求4所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤3.2中进行加窗处理的搜索区间为[Rv+t1×fs，Rv+t1×fs+N]，其中Rv表示R峰位置点，N表示预选T波段的长度，N＝t0×fs，fs为采样率，单位为Hz，t0∈(0.05，0.10)，t1∈(0.15，0.25)，单位为s。
6.如权利要求4所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤3.3包括：
步骤3.3.1、在R峰位置点集合中，以每一个R峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个S峰搜索区间，在每个S峰搜索区间中利用极小值方法检测极小幅值对应的位置点，获得多个S峰位置点，进而获得S峰位置点集合；步骤3.3.1中的S峰搜索区间为[Rv，Rv+ts×fs]，其中Rv表示R峰位置点，ts∈(0.06，0.16)，单位为s，fs为采样率，单位为Hz；
步骤3.3.2、计算R峰至S峰的黎曼和SRS，预选T波段的黎曼和ST；
其中，
Figure FDA0003135565960000031
为R峰至S峰对应的心电片段序列中划分的子区间数，这里取样本点个数，ΔXRSj为R峰至S峰对应的心电片段序列第j个子区间的长度，SRSj为其对应的幅值；
其中，
Figure FDA0003135565960000032
m为预选T波片段序列中划分的子区间数，这里取样本点个数，ΔXTj为预选T波片段序列对应的心电片段序列第j个子区间的长度，FTj为其对应的幅值；
步骤3.3.3、计算R峰至S峰心电片段序列和预选T波片段序列的总黎曼和S；其中，S＝SRS+ST；
步骤3.3.4、比较S与SRS的大小，若S＞SRS，则T波为正向波；若S＜SRS，则T波为倒置波。
7.如权利要求4所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤3.4中的T峰搜索区间为
Figure FDA0003135565960000033
其中Rv表示R峰位置点，RR为RR间期。
8.如权利要求4所述的心电信号T波及其终点自动检测方法，其特征在于，所述步骤4包括：
步骤4.1、在预处理后的心电信号序列中找到步骤3获得的T峰位置点集合中每一个T峰位置点，以每一个T峰位置点为起点，向后对预处理后的心电信号序列进行加窗处理，获得多个第一搜索区间，在每个第一搜索区间中利用求导法检测拐点对应的位置点，获得第i个T波终点候选位置点T(i)；
步骤4.2、判断第i个T波终点候选位置点与第i个T峰之间的水平距离是否小于阈值THR，THR为正数，单位为位置点；
若第i个T波终点候选位置点与第i个T峰之间的水平距离小于阈值THR，单位为位置点数，则以第i个T波终点侯选位置点为起点，向后进行加窗处理，获得多个第二搜索区间，在每个第二搜索区间中利用求导法检测拐点位置点，并计算拐点位置点所对应的幅值；若T波为正向波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最小的拐点位置点作为第i个T波终点修正后的位置点；若T波为倒置波，则将第二搜索区间内与T峰之间水平距离大于阈值THR，且幅值最大的拐点位置点作为第i个T波终点修正后的位置点；否则，以第i个T波终点候选位置点作为第i个T波终点修正后的位置点；
步骤4.3、重复执行步骤4.1-4.2，直至获得全部T波终点修正后的位置点，得到T波终点位置点集合。
9.如权利要求8所述的心电信号T波及其终点自动检测方法，其特征在于，步骤4.1中，第一搜索区间为[Tv，Tv+t2*fs]，其中Tv表示T峰位置点，t2∈(0.1，0.2)，单位为s，fs表示心电信号采样率，单位为Hz。
10.如权利要求8所述的心电信号T波及其终点自动检测方法，其特征在于，步骤4.2中阈值THR＝t3*fs，其中，fs表示心电信号采样率，t3∈(0.05，0.1)，单位为s；步骤4.2中的第二搜索区间为[Tend(i)，Tend(i)+t4*fs]，其中Tend(i)表示第i个候选T波终点位置点，t4∈(0.1，0.15)，单位为s。
CN202110717696.XA 2021-06-28 2021-06-28 一种心电信号t波及其终点自动检测方法 Active CN113440145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110717696.XA CN113440145B (zh) 2021-06-28 2021-06-28 一种心电信号t波及其终点自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110717696.XA CN113440145B (zh) 2021-06-28 2021-06-28 一种心电信号t波及其终点自动检测方法

Publications (2)

Publication Number Publication Date
CN113440145A true CN113440145A (zh) 2021-09-28
CN113440145B CN113440145B (zh) 2022-04-08

Family

ID=77813158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110717696.XA Active CN113440145B (zh) 2021-06-28 2021-06-28 一种心电信号t波及其终点自动检测方法

Country Status (1)

Country Link
CN (1) CN113440145B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892933A (zh) * 2021-10-11 2022-01-07 中国电子科技南湖研究院 一种心脏机械活动波形关键基准点检测方法和系统
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
CN114190951A (zh) * 2021-12-31 2022-03-18 上海联影医疗科技股份有限公司 Ecg信号处理方法、系统、装置及介质
CN116616740A (zh) * 2023-04-17 2023-08-22 深圳东海浪潮科技有限公司 一种基于心阻抗的信号处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145202A1 (en) * 2007-03-08 2010-06-10 Sensor Technology & Devices Limited Method and apparatus for determining information concerning the identity of an individual
CN109171711A (zh) * 2018-11-14 2019-01-11 中国计量大学 一种基于极值法的快速p波检测方法
CN110420022A (zh) * 2019-07-29 2019-11-08 浙江大学 一种基于双密度小波变换的p波检测方法
CN110680302A (zh) * 2019-08-30 2020-01-14 西北大学 一种心电信号特征波的自动识别方法
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN111291614A (zh) * 2020-01-12 2020-06-16 杭州电子科技大学 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145202A1 (en) * 2007-03-08 2010-06-10 Sensor Technology & Devices Limited Method and apparatus for determining information concerning the identity of an individual
CN109171711A (zh) * 2018-11-14 2019-01-11 中国计量大学 一种基于极值法的快速p波检测方法
CN110420022A (zh) * 2019-07-29 2019-11-08 浙江大学 一种基于双密度小波变换的p波检测方法
CN110680302A (zh) * 2019-08-30 2020-01-14 西北大学 一种心电信号特征波的自动识别方法
CN111291614A (zh) * 2020-01-12 2020-06-16 杭州电子科技大学 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈好: "基于融合心电特征的室性早搏自动识别方法", 《中国优秀硕士学位论文全文数据库（电子期刊）卫生医药科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892933A (zh) * 2021-10-11 2022-01-07 中国电子科技南湖研究院 一种心脏机械活动波形关键基准点检测方法和系统
CN113892933B (zh) * 2021-10-11 2023-12-26 中国电子科技南湖研究院 一种心脏机械活动波形关键基准点检测方法和系统
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
CN114190951A (zh) * 2021-12-31 2022-03-18 上海联影医疗科技股份有限公司 Ecg信号处理方法、系统、装置及介质
CN114190951B (zh) * 2021-12-31 2023-11-03 上海联影医疗科技股份有限公司 Ecg信号处理方法、系统、装置及介质
CN116616740A (zh) * 2023-04-17 2023-08-22 深圳东海浪潮科技有限公司 一种基于心阻抗的信号处理方法
CN116616740B (zh) * 2023-04-17 2024-07-02 深圳东海浪潮科技有限公司 一种基于心阻抗的信号处理方法

Also Published As

Publication number Publication date
CN113440145B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN113440145B (zh) 一种心电信号t波及其终点自动检测方法
CN110680302B (zh) 一种心电信号特征波的自动识别方法
CN109907752B (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统
CN110013247B (zh) 一种心电图p波和t波的检测、区分与定位方法
CN105030228B (zh) 在心电信号中确定其p波位置的方法及装置
EP3795074B1 (en) Method and device for automatically determining st segment of electrocardiogram signal based on artificial intelligence technology
CN107184203A (zh) 基于自适应集合经验模态分解的心电信号特征点识别方法
CN102626310A (zh) 基于提升小波变换和改进近似包络的心电特征检测算法
WO2021143401A1 (zh) 一种用于心电信号中p波和t波的检测方法和装置
CN108720832B (zh) 一种心电信号处理方法及装置
CN110226919B (zh) 心电信号类型检测方法、装置、计算机设备及存储介质
CN115486855B (zh) 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN115486854B (zh) 一种针对干电极采集的单导联心电图室性早搏识别方法
CN103190901A (zh) 基于极值域均值模式分解和改进Hilbert包络的R波检测算法
CN114052744A (zh) 基于脉冲神经网络的心电信号分类方法
CN103750835A (zh) 一种心电信号特征检测算法
Behbahani et al. Detection of QRS complexes in the ECG signal using multiresolution wavelet and thresholding method
CN110507317B (zh) 一种心电信号r波的自适应ca-cfar定位方法
CN116712083A (zh) 一种基于U-Net网络的QRS复合波检测方法
CN111248895A (zh) 心电信号特征检测方法及其系统
CN110236538B (zh) 一种基于肌电信号的运动起始点自动实时检测方法
CN109875550B (zh) 一种心室除极关键点检测方法
CN113180685B (zh) 基于形态学滤波和小波阈值的心电异常判别系统及方法
CN111685759B (zh) 一种心电信号的p、t特征波检测方法
CN110090016A (zh) 定位r波位置的方法及系统、使用lstm神经网络的r波自动检测方法

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