CN113729724B - 心电图测量方法与装置 - Google Patents
心电图测量方法与装置 Download PDFInfo
- Publication number
- CN113729724B CN113729724B CN202111140401.3A CN202111140401A CN113729724B CN 113729724 B CN113729724 B CN 113729724B CN 202111140401 A CN202111140401 A CN 202111140401A CN 113729724 B CN113729724 B CN 113729724B
- Authority
- CN
- China
- Prior art keywords
- peak
- value
- wave
- data
- electrocardiogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 36
- 208000010125 myocardial infarction Diseases 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000013075 data extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 208000026106 cerebrovascular disease Diseases 0.000 description 6
- 230000002526 effect on cardiovascular system Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000034994 death Effects 0.000 description 4
- 231100000517 death Toxicity 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 230000002107 myocardial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010004716 Binge eating Diseases 0.000 description 1
- 208000032841 Bulimia Diseases 0.000 description 1
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000014679 binge eating disease Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- A61B5/353—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
- A61B5/366—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
- A61B5/7235—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)
- Cardiology (AREA)
- Engineering & Computer Science (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)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种心电图测量方法与装置，所述方法包括步骤：S1，测量心电图数据；S2，心电图数据预处理；S3，多心拍心电图数据提取；S4，单峰数据提取；S5，峰群分析；S6，若步骤S5中的峰群分析结果一致，则继续对P波形态进行识别；若步骤S5中的峰群分析结果为不一致，则结束本次心电图测量过程；S7，QRS波和T波形态识别；S8，计算并输出诊断结果。本发明所述的心电图测量方法与装置具有检测准确度高、计算简单，能够向心梗病人发出精准的病情提醒的优点。
Description
技术领域
本发明涉及心电图诊断仪领域，具体涉及一种心电图测量方法与装置。
背景技术
心脑血管疾病是全身性血管病变或系统性血管病变在心脏和脑部的表现，具有高患病率、高致残率和高死亡率的特点，全世界每年死于心脑血管疾病的人数高达1500万人，居各种死因首位。在因心脑血管疾病导致死亡的人数中，心梗导致的死亡占比很高。研究发现：心梗常见的诱因主要有过劳、激动、暴饮暴食、寒冷刺激、便秘、吸烟饮酒等，随着社会的发展，人与人之间的竞争日益激烈，工作时间延长、作息不规律等现象伴随着越来越多的人群，这使得心梗发病过程更迅速、发病者趋于年轻化。目前，大部分的心梗病人都处于无监护状态，只有当其感受到明显不适时，才会到医院就诊，但这段时间又恰恰是心梗病人救治的黄金时间，若开发一种能够对心梗病人进行监护的系统无疑可以有效降低心梗病人的死亡率、挽救更多生命。
在现有的医疗检测设备中，心电信号是心肌细胞电活动的外在表现形式，利用心电图诊断仪从体表记录病人每一心动周期心脏活动对应的心电图，是临床上心脑血管疾病分析最为常用的技术手段之一。为对心脑血管疾病进行监护，目前出现了很多利用计算机技术进行心电图的自动分析与诊断的方法和系统，主要有小波分析、人工神经网络、微分阈值、知识库、句法分析、马尔柯夫过程、数学形态学、向量分析、人工免疫算法等。但这些自动分析与诊断的方法或系统多是针对于普遍的心脑血管疾病研制的，专用于心梗疾病监护的自动分析与诊断的方法和系统并不多，由于心梗疾病特殊的心电图演变及分期(详见附图1)过程，使得现有自动分析与诊断的方法或系统用于心梗病人的监护时，具有以下缺陷：
第一，现有心电图自动分析与诊断方法，如小波法、向量分析法等计算复杂，计算量大，不利于简化监测程序和监护设备进行实时监护与处理；
第三，心梗心电图在不同的发病期将会发生不同的改变，但现有监护设备的监护逻辑无法适应这种改变，且无法对心梗发病期进行预测，以向病人发出更为精确的提醒。
为解决上述技术问题，特提出本申请。
发明内容
本发明设计出一种心电图测量方法与装置，以提高现有监测系统的准确率、降低计算的复杂性，向病人发出更为精准的提醒。
为解决上述问题，本发明公开了一种心电图测量方法，包括步骤：
S1，测量心电图数据；
S2，心电图数据预处理；
S3，多心拍心电图数据提取；
S4，单峰数据提取；
S5，峰群分析；
S6，若步骤S5中的峰群分析结果一致，则继续对P波形态进行识别；若步骤S5中的峰群分析结果为不一致，则结束本次心电图测量过程；
S7，QRS波和T波形态识别；
S8，计算并输出诊断结果。
进一步的，所述步骤S2包括：
S21，心电图数据去燥；
S22，心电图数据归一化处理。
进一步的，所述步骤S4包括：
S41，确定所述步骤S3提取的多心拍心电图数据的基线；
S42，确定波峰和波谷的位置；
S43，根据基线、波峰和波谷的位置，将连续的心电图曲线拆分为多个单峰；
S44，提取每个单峰的特征数据。
进一步的，所述步骤S5包括：
S51，第n至第Nmax阶段峰群分析；
S52，第n至第1阶段峰群分析；
其中，n的初始值为(Nmax+1)/2。
进一步的，所述步骤S51包括：
S511，获取第n阶段的预设匹配条件Q1；
S512，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S513，将所述步骤S512中获得的第m个目标单峰的特征数据依次与上述步骤S4中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S514；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S516；
S514，将m的值增加1，并继续执行步骤S515；
S515，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S512；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S516，将n的值增加1，并继续执行步骤S517；
S517，判断n的值是否≤预设阈值Nmax，若是，则继续执行步骤S511；若否，则继续执行步骤S52；
其中，m的初始值为1。
进一步的，所述步骤S52包括：
S521，获取第n阶段的预设匹配条件Q1；
S522，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S523，将所述步骤S522中获得的第m个目标单峰的特征数据依次与上述步骤S4中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S524；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S526；
S524，将m的值增加1，并继续执行步骤S525；
S525，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S522；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S526，将n的值减小1，并继续执行步骤S527；
S527，判断n的值是否＞0，若是，则继续执行步骤S521；若否，则判定峰群分析结果为不一致，结束本次心电图测量过程；
其中，m的初始值为1。
进一步的，所述步骤S6包括：
S61，获取上述步骤S4中提取的各个单峰的特征数据；
S62，计算各个单峰的面积，并依次判断各个单峰面积是否满足预设匹配条件P1，若是，则判定对应单峰可能为P波，并将该单峰的信息存入集合J中；若否，则判定对应单峰不为P波；
S63，计算集合J中各个单峰的单峰面积的方差值；
S64，判断所述步骤S63中的方差值是否≤预设阈值P2，若是，则将集合J中的单峰标记为P波；若否，则继续执行步骤S65；
S65，更新预设匹配条件P1，并再次执行步骤S62。
进一步的，所述步骤S7包括：
S71，根据所述步骤S5中记录的n的值获取峰群所处阶段，并获取对应阶段的预设波形δ标准；
S72，根据所述步骤S6所标记的P波的位置获取第x个P波至第x+1个P波之间的一段连续心电图曲线上的波段曲线δx；
S73，计算并记录所述波段曲线δx与对应阶段的预设波形δ标准之间的波形差异度ηx；
S74，判断波形差异度ηx是否≤预设阈值ηmax，若是，则继续执行步骤S75；若否，则继续执行步骤S76；
S75，令x的值增加△x1，之后继续执行步骤S77；
S76，令x的值增加△x2，之后继续执行步骤S77，其中，△x1＞△x2；
S77，判断x的值是否≤预设阈值Xmax，若是，则继续执行步骤S72；若否，则继续执行步骤S8。
进一步的，所述步骤S8具体包括如下步骤：
S81，根据所述步骤S5中n的值获取峰群所处阶段，同时获取上述步骤S7中各个波段曲线δx对应的波形差异度ηx；
S82，根据峰群所处阶段和波形差异度ηx计算诊断精度；
S83，输出诊断结果。
一种心电图测量装置，采用上述的心电图测量方法对心梗病人进行监护。
本申请所述的心电图测量方法与装置具有检测准确度高、计算简单，能够向心梗病人发出精准的病情提醒的优点。
附图说明
图1为心梗病人的心电图图形演变及分期示意图；
图2为本发明所述心电图测量方法的流程图；
图3为本发明所述心电图数据预处理的流程图；
图4为本发明所述心电图数据归一化处理的流程图；
图5为本发明所述多心拍心电图数据提取过程的流程图；
图6为本发明所述单峰数据提取过程的流程图；
图7为本发明所述单峰拆分的一种示意图；
图8为本发明所述峰群分析过程的流程图；
图9为本发明所述峰群分析过程的一种流程示意图；
图10为本发明所述峰群分析过程的另一种流程示意图；
图11为本发明所述参考线在心电图上的一种示意图；
图12为本发明所述P波形态识别过程的流程图；
图13为本发明所述QRS波和T波形态识别过程的流程图；
图14为本发明所述诊断结果的计算过程流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1
一种心电图测量方法，如图2～14所示，包括步骤：
S1，测量心电图数据；
S2，心电图数据预处理；
S3，多心拍心电图数据提取；
S4，单峰数据提取；
S5，峰群分析；
S6，若步骤S5中的峰群分析结果一致，则继续对P波形态进行识别；若步骤S5中的峰群分析结果为不一致，则直接结束本次心电图测量过程；
S7，QRS波和T波形态识别；
S8，计算并输出诊断结果。
具体的，所述步骤S1中测量心电图数据过程可采用目前市场上的各种心电图仪器进行，如单通道三导联心电图仪、十二导联心电图仪等，在检测过程中通过心电图仪器从体表记录心脏每一心动周期所产生的电活动。
作为本申请的一些实施例，在之后的心电图数据分析中，可以仅对选定的某一导联数据进行分析，也可以对多导联数据分别进行分析后，将各个导联的心电图数据汇总后输出给用户。
进一步的，如图3所示，所述步骤S2具体包括：
S21，心电图数据去燥；
S22，心电图数据归一化处理。
在所述步骤S21中，可以首先通过滤波器，如巴特沃斯低通滤波器、FIR低通滤波器、中值滤波去燥等方式对心电图数据进行滤波去燥。本申请中，滤波去燥可依照采集数据的传感器的差异性以及波形数据的不同使用目的等数据处理需求，选择不同的滤波器及其对应参数对心电图数据进行滤波；在滤波处理之后，将心电图信号与基线相减得到去基线漂移噪声的纯净信号。所述滤波去燥和去基线过程为本领域常规技术手段，其具体实施过程在此不再赘述。
进一步的，如图4所示，所述步骤S22中的心电图数据归一化处理过程具体包括：
步骤S221，查找部分心电图数据中的波峰和波谷；
步骤S222，计算归一化参考值，其具体过程为：提取上述步骤S221中查找到的所有波峰和波谷处的电压值，之后筛选出预设数量的电压值的绝对值最大的波峰和/或波谷，对预设数量的电压值的绝对值最大的波峰和/或波谷取均值处理，得出归一化的峰值参考值，并设定归一化的输出范围值，用前述的峰值参考值除以输出范围值得到归一化参考值；
步骤S223，根据所述步骤S222中得到的归一化参考值对心电图数据进行归一化计算。
更进一步的，在所述步骤S221中，查找部分心电图数据中的波峰和波谷的过程如下：
(1)将所述心电图数据的总长度记为Lmax，即所述心电图数据的总长度中包括Lmax个数据点，从所述心电图数据中选取长度为a的若干连续数据点记为数据组L1，其中，a＞0.25个心拍的长度，优选的，0.25个心拍的长度＜a＜0.5个心拍的长度；所述心拍的长度可以根据心电图自动输出的心率或波形限制探测器进行推算，这里将a的值限定为＞0.25个心拍的长度的目的是为了避免由于数据组L1的长度过短导致的计算量增大。
(2)然后判断所述数据组L1中是否包含波峰或波谷，若果是，则记录所述数据组L1中波峰对应的极大值和波谷对应的极小值，并将数据组L1的起点向后平移0.1*a个点；如果不是，则将所述数据组L1的起点向后平移0.2*a个点，直至数据组L1的起点向后平移的累积长度＞10*a。其中，判断所述数据组L1中是否包含波峰或波谷可以通过求导的方式实现，其具体过程在此不再赘述。
作为本申请的一些实施例，在所述步骤S222中，首先在上述步骤S221中查找到的所有波峰和波谷中选出预设数量，如10个电压的绝对值最大的波峰和/或波谷，对预设数量的电压值的绝对值最大的波峰和/或波谷取均值处理，得出归一化的波峰参考值，并设定归一化的输出范围值，如1mV等，用波峰参考值除以输出范围值得到归一化参考值。
更进一步的，在所述步骤S223中，若在对心电图数据进行归一化计算后得到的值的绝对值大于设定的归一化的输出范围值时，则将归一化计算后得到的数值修改为输出范围值(电压值为正时)或-输出范围值(电压值为负时)。
本申请通过查找部分心电图数据中的波峰和波谷，用波峰或波谷处的电压值除以归一化的输出范围值得到归一化参考值，再将心电图数据除以该归一化参考值得到归一化结果的方式一方面可以避免求取整段心电图数据的平均峰值作为归一化参考，可大幅减少计算量，同时，能够确保归一化处理后的心电图信号能够携带原始心电图中的特征，不致因为数据处理降低数据的准确性。
进一步的，如图5所示，所述步骤S3包括：
S31，将所述步骤S2处理后的心电图数据输入波形限制探测器，通过波形限制探测器对心拍起点和心拍终点进行检测；
S32，根据所述步骤S31检测到的心拍起点和心拍终点提取多个连续的心拍。
本申请中主要通过所述波形限制探测器对心拍进行预估，其目的是为了得到相对较为准确的心拍起点和心拍终点，为后续检测和计算提供基础，但并不以所述波形限制探测器检测得到的心拍起点和终点作为最终的评估依据。
作为本申请的一些实施例，对于采样频率为f的心电图，设置波形限制探测器的参数：R波顶点检测时间限为150×f/250到230×f/250个采样点，心拍分割点时间限为距离R波大于50×f/250小于200×f/250个采样点。
优选的，在所述步骤S32中，可以根据所述步骤S31检测到的心拍起点和心拍终点提取2～5个连续的心拍。
更加优选的，在所述步骤S32中，可以根据所述步骤S31检测到的心拍起点和心拍终点提取2个连续的心拍。
进一步的，如图6所示，所述步骤S4包括：
S41，确定所述步骤S3提取的多心拍心电图数据的基线；
S42，确定波峰和波谷的位置；
S43，根据基线、波峰和波谷的位置，将连续的心电图曲线拆分为多个单峰；
S44，提取每个单峰的特征数据。
具体的，在所述步骤S41中，基线可参考心电图中的零电位点确定，还可以通过以经验模态分析法(EMD)为基础的希尔伯特─黄转换(HHT)求得心电图讯号的基线。
进一步的，在所述步骤S42中，波峰和波谷的位置通过如下过程进行确定：
(1)依次采集所述步骤S3提取的多心拍心电图数据中的横坐标(时间T)和对应的纵坐标(电压V)中的数据点，并将横坐标时间T中的数据点组成的数组记为Ti＝(T1，T2，T3，……，Timax)，其中，i＝1，2，3，……，imax；将纵坐标电压V中的数据点组成的数组记为Vi＝(V1，V2，V3，……，Vimax)，其中，i＝1，2，3，……，imax。
(2)按照公式：f(Vi)’＝(Vi+1-Vi)/(Ti+1-Ti)依次计算各采样点的一阶微分量，其中，Vi+1代表心电图上第i+1个采样点的电压值，Vi代表心电图上第i个采样点的电压值；对应的，Ti+1代表心电图上第i+1个采样点的时间值，Ti代表心电图上第i个采样点的时间值；如果f(Vi)’＝0，则说明心电图上第i个数据点为极值点，若在极值点附近f(Vi-1)’＜0，且f(Vi+1)’＞0，则所述第i个数据点为波谷所在位置，即极小值点；反之，若在极值点附近f(Vi-1)’＞0，且f(Vi+1)’＜0，则所述第i个数据点为波峰所在位置，即极大值点。
(3)记录并保存各个波谷和波峰处数据点的时间值和电压值。
进一步的，在所述步骤S43中，通过以下公式将连续的心电图曲线拆分为多个单峰曲线：
其中，V0为波峰或波谷处的电压值，T0为波峰或波谷处的时间值，T和V分别为单峰曲线中的横坐标和纵坐标值，w左和w右为左、右分段函数波峰或波谷半高处的宽度，w左为在拆分前的连续心电图曲线上，T0与对应波峰或波谷的左侧、电压值为0.5*V0的数据点对应的时间值之间的差值，w右为在拆分前的连续心电图曲线上，对应波峰或波谷的右侧、电压值为0.5*V0的数据点对应的时间值与T0之间的差值。
拆分时，可首先根据所述步骤S42中得到的各个波谷和波峰处数据点的时间值和电压值和拆分前连续心电图曲线上的各个数据点的值计算得到各个单峰曲线对应的函数关系式，之后根据各个单峰曲线对应的函数关系式得到各个单峰拆分后的曲线，附图7给出了一种连续心电图曲线拆分后的单峰曲线示例，在绘制单峰曲线时，绘制至单峰曲线的两端分别与基线相切即可。
具体的，为便于说明，按照时间顺序，本申请将上述绘制的单峰曲线依次记为ψj，其中，j＝1，2，……，jmax，则第一个波峰或波谷拆分后的单峰曲线为ψ1，第二个波峰或波谷拆分后的单峰曲线为ψ2，……，最后一个波峰或波谷拆分后的单峰曲线为ψjmax。
进一步的，在所述步骤S44中，依次提取每个单峰曲线ψj上的极值Vmaxj和半高宽Wj作为每个单峰的特征数据，其中j＝1，2，……，jmax。例如，第一个波峰或波谷拆分后的单峰曲线为ψ1，其上的极值为Vmax1、半高宽为W1，第二个波峰或波谷拆分后的单峰曲线为ψ2，其上的极值为Vmax2、半高宽为W2。
进一步的，如图8所示，所述步骤S5具体包括如下步骤：
S51，第n至第Nmax阶段峰群分析；
S52，第n至第1阶段峰群分析。
其中，n的初始值为(Nmax+1)/2，在上述步骤S51中，若经过对第n至第Nmax阶段峰群分析，未得出峰群分析结果为一致的结论，则需要继续执行步骤S52，若经过对第n至第Nmax阶段峰群分析，得出了峰群分析结果为一致的结论，则直接跳出步骤S5，继续执行步骤S6。
进一步的，如图9所示，所述步骤S51具体包括如下步骤：
S511，获取第n阶段的预设匹配条件Q1；
S512，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S513，将所述步骤S512中获得的第m个目标单峰的特征数据依次与上述步骤S44中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S514；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S516；
S514，将m的值增加1，并继续执行步骤S515；
S515，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S512；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S516，将n的值增加1，并继续执行步骤S517；
S517，判断n的值是否≤预设阈值Nmax，若是，则继续执行步骤S511；若否，则继续执行步骤S52。
优选的，在上述步骤S511～S517中，n的初始值为(Nmax+1)/2，m的初始值为1。
进一步的，如图10所示，所述步骤S52具体包括如下步骤：
S521，获取第n阶段的预设匹配条件Q1；
S522，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S523，将所述步骤S522中获得的第m个目标单峰的特征数据依次与上述步骤S44中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S524；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S526；
S524，将m的值增加1，并继续执行步骤S525；
S525，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S522；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S526，将n的值减小1，并继续执行步骤S527；
S527，判断n的值是否＞0，若是，则继续执行步骤S521；若否，则判定峰群分析结果为不一致，结束本次心电图测量过程。
优选的，在上述步骤S521～S527中，n的初始值为(Nmax+1)/2，m的初始值为1。
更进一步的，所述第n阶段的预设匹配条件Q1根据心梗疾病的发病期设定。
作为本申请的一些实施例，可以按照心梗疾病的发展规律将心梗疾病的发病期划分为5个阶段，即令上述步骤S51中的Nmax的值为5，那么对应的，上述步骤S511和S512中n的初始值为3，此时，上述步骤S5将依次对第三阶段、第四阶段、第五阶段、第二阶段和第一阶段进行相似性分析。
其中，所述第一阶段的预设匹配条件Q1根据附图11中的对照期设置；第二阶段的预设匹配条件Q1根据附图11中的早期设置；第三阶段的预设匹配条件Q1根据附图11中的急性期设置；第四阶段的预设匹配条件Q1根据附图11中的近期设置；第五阶段的预设匹配条件Q1根据附图11中的陈旧期设置。各个阶段的预设匹配条件Q1的设置应符合心梗病人心电图各个发病期的发展特征，不同阶段的预设匹配条件Q1不同。
以下通过具体的实施例对各个阶段的预设匹配条件Q1的设置进行举例说明：如图11所示，在心梗病人的心电图图形演变及分期示意图上绘制出基线，之后分别在基线的上、下两侧绘制与基线平行的参考线K1和K2，其中，参考线K1和K2与基线之间的距离可以相等也可以不等，所述参考线K1和K2与基线之间的距离以能够反映出心梗病人的心电图图形在不同发病期的主要变化为宜。如，可以将所述参考线K1和K2与基线之间的距离均设置为第一阶段(对照期)中最高峰的电压值的一半，此时，如图11所示，在参考线K1和K2的辅助下，可以更加清楚地观察到各个发病期之间心梗病人心电图的主要变化，并将位于参考线K1上方波峰和位于参考线K2下方的波谷选作进行峰群分析的目标峰，具体见下表1：
表1第1～n阶段的预设匹配条件Q1
通过上述表1可得，在表1所示预设匹配条件Q1中：
第一阶段的预设匹配条件Q1为：峰群中至少包含一个面积为0.8S～1.2S的第一目标峰，因此，在第一阶段中预设的阈值Mmax为1；
第二阶段的预设匹配条件Q1为：峰群中至少包含一个面积为0.8S～1.4S的第一目标峰和面积为1.6S～2.5S的第二目标峰，因此，在第二阶段中预设的阈值Mmax为2；
第三阶段的预设匹配条件Q1为：峰群中至少包含一个面积为-1.6S～-0.8S的第一目标峰、面积为1.6S～3.5S的第二目标峰和面积为-1.4S～-0.7S的第三目标峰，因此，在第三阶段中预设的阈值Mmax为3；
第四阶段的预设匹配条件Q1为：峰群中至少包含一个面积为-1.4S～-0.7S的第一目标峰和一个面积为-1S～-0.4S的第二目标峰，因此，在第四阶段中预设的阈值Mmax为2；
第五阶段的预设匹配条件Q1为：峰群中至少包含一个面积为-1.5S～-0.8S的第一目标峰，因此，在第五阶段中预设的阈值Mmax为1。
进一步的，在上述步骤S513和S523中，进行第m目标单峰匹配的具体过程如下：分别根据所述步骤S44中提取的每个单峰曲线ψj上的极值Vmaxj和半高宽Wj计算对应单峰的面积，其中各个单峰的面积Sj＝Vmaxj*Wj；之后将计算得到的各个单峰的面积Sj分别与预设的第m目标单峰面积的取值范围进行对比，若其中一个单峰的面积Sj满足预设的第m目标单峰面积的取值范围，则认为第m目标单峰匹配成功，即所述步骤S4中得到的单峰峰群中包括一个与第m目标单峰的方向一致、面积近似的单峰；反之，若所有单峰的面积Sj均不满足预设的第m目标单峰面积的取值范围，则认为第m目标单峰匹配失败。当所述步骤S4中分离出的单峰中包含了第n阶段的所有目标单峰时，则认为峰群分析结构为一致，否则，认为峰群分析结果不一致。
在上述峰群分析过程中，首先通过参考线K1和K2的设置使得心梗病人的心电图图形在不同发病期的主要变化更加明显和突出，之后在参考线K1和K2的界定下，将心梗病人的心电图图形在不同发病期的主要变化通过目标峰进行表达，并将目标峰的信息汇总为对应阶段的预设匹配条件Q1，使得在所述心电图测量方法中，预设匹配条件Q1能够根据不同的发病期进行相应变化，以确定病人的发病期。
进一步的，通过首先对位于中间的第n阶段，如急性期的峰群进行分析，一方面可以避免第n阶段对之后的第n+1，n+2等阶段的峰群分析造成不利影响，另一方面，可以优先对后半程的病情进行筛选和分析，更加快速的诊断出情况严重的心梗状况。之后再对中间的第n阶段之前的阶段进行分析，可以在避免第n阶段对之前的第n-1，n-2等阶段的峰群分析造成不利影响，同时对前半程的病情进行筛选和分析。
综上可知，通过对心梗病人的心电图图形在不同发病期的主要变化进行检测和判断，不但能够简化计算过程，还能够确保检测精度。
进一步的，本申请通过对测得的心电图曲线进行分峰处理，将连续的心电图曲线拆分成若干单峰曲线，通过单峰曲线能够避免临峰干扰、能够更加精准的表现出心电图的变化。
更进一步的，本申请通过单峰面积Sj的计算、并通过单峰面积Sj进行单峰匹配，由于单峰面积Sj能够表达峰高、峰宽和峰大小等因素的综合改变，因此，相较于现有技术中选用峰高、峰位置等值作为判定依据的做法，本申请采用单峰面积Sj为判定依据的做法更加简单和高效。
进一步的，如图12所示，所述步骤S6具体包括如下步骤：
S61，获取上述步骤S44中提取的各个单峰的特征数据；
S62，计算各个单峰的面积，并依次判断各个单峰面积是否满足预设匹配条件P1，若是，则判定对应单峰可能为P波，并将该单峰的信息存入集合J中；若否，则判定对应单峰不为P波；
S63，计算集合J中各个单峰的单峰面积的方差值；
S64，判断所述步骤S63中的方差值是否≤预设阈值P2，若是，则将集合J中的单峰标记为P波；若否，则继续执行步骤S65；
S65，更新预设匹配条件P1，并再次执行步骤S62。
更进一步的，在所述步骤S62中，所述预设匹配条件P1根据健康人群心电图中P波的面积设定，若将健康人群心电图中P波的面积记为P0，则所述预设匹配条件P1为：单峰面积的取值范围为0.8*P0～1.2*P0。
更进一步的，在所述步骤S64中，所述预设阈值P2可以根据实际需要设置，当单峰面积的单位为mV*mS时，如所述预设阈值P2的取值范围可以为0.2～3。通常，所述预设阈值P2越小，筛选出P波的准确率越高，但能够筛选出的P波就越少，因此，预设阈值P2需要根据实际情况进行设置。
进一步的，在所述步骤S65中，更新预设匹配条件P1的方式为以健康人群心电图中P波的面积P0为中心，自两侧向中心缩小所述预设匹配条件P1中单峰面积的取值范围，如，可将单峰面积的取值范围自0.8*P0～1.2*P0缩小至0.83*P0～1.12*P0。
由图1或11可以发现：在不同发病期的心梗病人的心电图中，P波基本保持不变，因此，本申请通过设定阈值来筛选P波的方式简单、且准确。而通过P波的筛选和定位能够为后续QRS波和T波的波段曲线查找提供基础和依据，使得对变化多端的QRS波和T波的波段曲线的快速查找和定位成为可能。
进一步的，如图13所示，所述步骤S7具体包括如下步骤：
S71，根据上述步骤S5中记录的n的值获取峰群所处阶段，并获取对应阶段的预设波形δ标准；
S72，根据上述步骤S6所标记的P波的位置获取第x个P波至第x+1个P波之间的一段连续心电图曲线上的波段曲线δx；
S73，计算并记录所述波段曲线δx与对应阶段的预设波形δ标准之间的波形差异度ηx；
S74，判断波形差异度ηx是否≤预设阈值ηmax，若是，则继续执行步骤S75；若否，则继续执行步骤S76；
S75，令x的值增加△x1，之后继续执行步骤S77；
S76，令x的值增加△x2，之后继续执行步骤S77，其中，△x1＞△x2；
S77，判断x的值是否≤预设阈值Xmax，若是，则继续执行步骤S72；若否，则继续执行步骤S8。
具体的，所述步骤S71中对应阶段的预设波形δ标准为预设的对应心梗发病期心电图的标准曲线，且所述标准曲线的起点为前一个P波的极值点、终点为下一个P波的极值点。
同样的，在所述步骤S72中获取的波段曲线δx的起点为第x个P波的极值点，波段曲线δx的终点为第x+1个P波的极值点。
进一步的，所述步骤S73中波形差异度ηx的计算方式为：首先获取所述步骤S71中预设波形δ标准上各时间值对应的电压值V标准，然后获取波段曲线δx上各时间值对应的电压值Vx，之后计算相同时间值下，|Vx-V标准|的值，最后计算各个时间值下|Vx-V标准|的方差，所得的方差即为所述步骤S73中所述的波形差异度ηx。
进一步的，如图14所示，所述步骤S8具体包括如下步骤：
S81，根据上述步骤S5中n的值获取峰群所处阶段，同时获取上述步骤S7中各个波段曲线δx对应的波形差异度ηx；
S82，根据峰群所处阶段和波形差异度ηx计算诊断精度；
S83，输出诊断结果。
具体的，所述步骤S82中诊断精度的计算方式如下：诊断精度＝ζ1*n+ζ2/η总，其中，η总为上述步骤S7中计算得到的所有波形差异度ηx的和。
通常，根据上述步骤S5中n的值获取的峰群所处阶段值越大，病情越严重，患病时间越长，心电图反映的信息检测结果也越准确，因此，可以结合峰群所处阶段n和波形差异度ηx计算得到诊断精度。
进一步的，所述ζ1和ζ2为预设的诊断精度系数，计算得到的所述诊断精度的值越大，表明诊断结果的准确度越高。
更进一步的，还可以将所述步骤S5中对峰群进行分析得到的发病期阶段信息同步输出给用户，以便于用户更加清楚地了解自己的身体状况。
此外，本申请还提供一种心电图测量装置，所述心电图测量装置能够按照上述心电图测量方法对心梗病人进行监测。
具体的，所述装置包括存储模块、检测模块、通讯模块、计算模块和控制模块，所述存储模块中预设并存储有上述检测过程中所需的各个阈值、标准曲线等信息；所述检测模块能够对病人的心电图进行检测；所述通讯模块与其余各个模块通讯连接、能够在各个模块之间传递信息和数据；所述计算模块能够按照控制模块的指示进行各种数学计算；所述控制模块中存储与所述心电图测量方法相对于的控制程序，在所述控制程序的作用下，所述心电图测量装置能够运行上述的心电图测量方法。
进一步的，所述心电图测量装置能够用于健康病人的心梗疾病防护监测，也可用于确诊病人的病情发展监护。
综上所述，不难发现，本申请所述的心电图测量方法及装置具有以下优点：
第一，心电图测量过程合理选取心电图曲线上的部分数据点进行简单运算和处理，尽量避免对所有心电图数据进行全面处理，从根本上降低了计算量，简化了测量程序；
第二，通过多心拍心电图数据提取一方面避免了心拍确定偏差对单一心拍运算带来的误差；另一方面避免了对所有心电图数据进行全面处理，不但确保了测量精度，而且简化了程序；
第三，通过单峰拆分避免了连续波峰之间的相互影响，且能够通过单峰的特征数据对单峰的变化进行直接表达，降低了后续比对过程中的数据维度；
第四，通过参考线的设置凸显了心电图在不同心梗发病期的变化，并将其作为峰群一致性分析依据，可有效简化控制程序和运算过程，同时提高检测精确度；
第五，通过对不同心梗发病期中、变化较小的P波进行检测，准确定位了QRS和T波的波段曲线δx，并通过不同波段曲线δx的检测与对比，对诊断精度进行了衡量和输出。
总之，本申请所述的心电图测量方法及装置具有检测准确度高、计算简单，能够向心梗病人发出更为精准的病情提醒的优点。
虽然本发明披露如上，但本发明并非限定于此。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种心电图测量方法，其特征在于，包括步骤：
S1，测量心电图数据；
S2，心电图数据预处理；
S3，多心拍心电图数据提取；
S4，单峰数据提取；
S5，峰群分析；
S6，若步骤S5中的峰群分析结果一致，则继续对P波形态进行识别；若步骤S5中的峰群分析结果为不一致，则结束本次心电图测量过程；
S7，QRS波和T波形态识别；
S8，计算并输出诊断结果；
其中，所述步骤S5包括：
S51，第n至第Nmax阶段峰群分析；
S52，第n至第1阶段峰群分析；
其中，n的初始值为（Nmax+1）/2；
所述步骤S51包括：
S511，获取第n阶段的预设匹配条件Q1；
S512，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S513，将所述步骤S512中获得的第m个目标单峰的特征数据依次与所述步骤S4中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S514；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S516；
S514，将m的值增加1，并继续执行步骤S515；其中，m的初始值为1；
S515，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S512；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S516，将n的值增加1，并继续执行步骤S517；
S517，判断n的值是否≤预设阈值Nmax，若是，则继续执行步骤S511；若否，则继续执行步骤S52；
所述步骤S52包括：
S521，获取第n阶段的预设匹配条件Q1；
S522，从所述第n阶段的预设匹配条件Q1中获取第m个目标单峰的特征数据；
S523，将所述步骤S522中获得的第m个目标单峰的特征数据依次与上述步骤S4中提取到的各个单峰的特征数据进行匹配；若匹配成功，则判定第m个单峰匹配成功，并继续执行步骤S524；若匹配不成功，则判断第m个单峰匹配失败，并继续执行步骤S526；
S524，将m的值增加1，并继续执行步骤S525；其中，m的初始值为1；
S525，判断m的值是否≤预设阈值Mmax，若是，则继续执行步骤S522；若否，则判定峰群分析结果为一致，记录此时n的值，并继续执行步骤S6；
S526，将n的值减小1，并继续执行步骤S527；
S527，判断n的值是否＞0，若是，则继续执行步骤S521；若否，则判定峰群分析结果为不一致，结束本次心电图测量过程。
2.根据权利要求1所述的心电图测量方法，其特征在于，所述步骤S2包括：
S21，心电图数据去噪；
S22，心电图数据归一化处理。
3.根据权利要求1或2所述的心电图测量方法，其特征在于，所述步骤S4包括：
S41，确定所述步骤S3提取的多心拍心电图数据的基线；
S42，确定波峰和波谷的位置；
S43，根据基线、波峰和波谷的位置，将连续的心电图曲线拆分为多个单峰；
S44，提取每个单峰的特征数据。
4.根据权利要求3所述的心电图测量方法，其特征在于，所述步骤S6包括：
S61，获取上述步骤S4中提取的各个单峰的特征数据；
S62，计算各个单峰的面积，并依次判断各个单峰面积是否满足预设匹配条件P1，若是，则判定对应单峰可能为P波，并将该单峰的信息存入集合J中；若否，则判定对应单峰不为P波；
S63，计算集合J中各个单峰的单峰面积的方差值；
S64，判断所述步骤S63中的方差值是否≤预设阈值P2，若是，则将集合J中的单峰标记为P波；若否，则继续执行步骤S65；
S65，更新预设匹配条件P1，并再次执行步骤S62。
5.根据权利要求4所述的心电图测量方法，其特征在于，所述步骤S7包括：
S71，根据所述步骤S5中记录的n的值获取峰群所处阶段，并获取对应阶段的预设波形δ标准；
S72，根据所述步骤S6所标记的P波的位置获取第x个P波至第x+1个P波之间的一段连续心电图曲线上的波段曲线δx；
S73，计算并记录所述波段曲线δx与对应阶段的预设波形δ标准之间的波形差异度ηx；
S74，判断波形差异度ηx是否≤预设阈值ηmax，若是，则继续执行步骤S75；若否，则继续执行步骤S76；
S75，令x的值增加△x1，之后继续执行步骤S77；
S76，令x的值增加△x2，之后继续执行步骤S77，其中，△x1＞△x2；
S77，判断x的值是否≤预设阈值Xmax，若是，则继续执行步骤S72；若否，则继续执行步骤S8。
6.根据权利要求5所述的心电图测量方法，其特征在于，所述步骤S8具体包括如下步骤：
S81，根据所述步骤S5中n的值获取峰群所处阶段，同时获取上述步骤S7中各个波段曲线δx对应的波形差异度ηx；
S82，根据峰群所处阶段和波形差异度ηx计算诊断精度；
S83，输出诊断结果。
7.一种心电图测量装置，采用上述权利要求1~6任一项所述的心电图测量方法对心梗病人进行监护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140401.3A CN113729724B (zh) | 2021-09-28 | 2021-09-28 | 心电图测量方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140401.3A CN113729724B (zh) | 2021-09-28 | 2021-09-28 | 心电图测量方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113729724A CN113729724A (zh) | 2021-12-03 |
| CN113729724B true CN113729724B (zh) | 2023-10-27 |
Family
ID=78741415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111140401.3A Active CN113729724B (zh) | 2021-09-28 | 2021-09-28 | 心电图测量方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113729724B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117158991B (zh) * | 2023-09-18 | 2024-03-15 | 宜兴市人民医院 | 一种两电极心电图智能定位系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005080712A (ja) * | 2003-09-04 | 2005-03-31 | Medical Bridge Kk | 心臓健康指数の算出方法及び心電図特定波分類方法 |
| CN104736049A (zh) * | 2012-09-11 | 2015-06-24 | 德尔格医疗系统有限公司 | 用于检测egg波形中的特性的系统和方法 |
| CN105997054A (zh) * | 2016-06-22 | 2016-10-12 | 天津理工大学 | 一种心电信号预分析的方法 |
| CN109044340A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 心电数据分类方法、装置、电子设备以及存储介质 |
| CN109998529A (zh) * | 2019-04-15 | 2019-07-12 | 北京工业大学 | 一种基于高斯函数拟合的ecg信号中p波、t波检测方法 |
| CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
| CN110881956A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市大耳马科技有限公司 | 心脏生理参数测量方法、设备、终端及计算机存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10524680B2 (en) * | 2015-08-31 | 2020-01-07 | Ventrilink Corporation | Electrocardiogram device and methods |
| KR102327151B1 (ko) * | 2019-11-25 | 2021-11-17 | 한국전자통신연구원 | 심전도의 심실 탈분극 검출 장치 및 그 방법 |
-
2021
- 2021-09-28 CN CN202111140401.3A patent/CN113729724B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005080712A (ja) * | 2003-09-04 | 2005-03-31 | Medical Bridge Kk | 心臓健康指数の算出方法及び心電図特定波分類方法 |
| CN104736049A (zh) * | 2012-09-11 | 2015-06-24 | 德尔格医疗系统有限公司 | 用于检测egg波形中的特性的系统和方法 |
| CN105997054A (zh) * | 2016-06-22 | 2016-10-12 | 天津理工大学 | 一种心电信号预分析的方法 |
| CN109044340A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 心电数据分类方法、装置、电子设备以及存储介质 |
| CN110881956A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市大耳马科技有限公司 | 心脏生理参数测量方法、设备、终端及计算机存储介质 |
| CN109998529A (zh) * | 2019-04-15 | 2019-07-12 | 北京工业大学 | 一种基于高斯函数拟合的ecg信号中p波、t波检测方法 |
| CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113729724A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Localization of myocardial infarction with multi-lead bidirectional gated recurrent unit neural network | |
| CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
| CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
| Rangappa et al. | Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals | |
| 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 | |
| CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
| Costa et al. | QRS peaks, P and T waves identification in ECG | |
| CA3065208C (en) | Long qt syndrome diagnosis and classification | |
| CN113729724B (zh) | 心电图测量方法与装置 | |
| Haleem et al. | A deep learning based ECG segmentation tool for detection of ECG beat parameters | |
| Vuksanovic et al. | ECG based system for arrhythmia detection and patient identification | |
| Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
| Jovanovic et al. | QRS complex detection based ECG signal artefact discrimination | |
| Slama et al. | ConvNet: 1D-Convolutional Neural Networks for Cardiac Arrhythmia Recognition Using ECG Signals. | |
| Ekhlasi et al. | Analysis of ECG signals to classify abnormal patterns by employing Artificial Neural Network and Discrete Wavelet Coefficients | |
| Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
| Beni et al. | Heartbeat detection from the upper arm using an SWT-based zero-phase filter bank incorporated with a voting scheme | |
| Lv et al. | Arrhythmia classification of merged features method based on SENet and BiLSTM | |
| Farhan et al. | Myocardial Ischemia Detection from Slope of ECG ST Segment | |
| Odugoudar et al. | Ecg classification system for arrhythmia detection using convolutional neural networks | |
| Meltzer et al. | A clustering approach to construct multi-scale overcomplete dictionaries for ECG modeling | |
| Vernekar et al. | A novel approach for Robust Detection of Heart Beats in Multimodal Data using neural networks and boosted trees | |
| Mazidi et al. | Detection of heart attack using cross wavelet transformation and support vector machine | |
| Bisharad et al. | Fast detection of P, Q, S and T waves from normal ECG signals using local context windows | |
| Pander et al. | Fuzzy-based algorithm for QRS detection |
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 |