CN113827215B - 一种基于毫米波雷达的多种心律失常自动诊断方法 - Google Patents
一种基于毫米波雷达的多种心律失常自动诊断方法 Download PDFInfo
- Publication number
- CN113827215B CN113827215B CN202111024029.XA CN202111024029A CN113827215B CN 113827215 B CN113827215 B CN 113827215B CN 202111024029 A CN202111024029 A CN 202111024029A CN 113827215 B CN113827215 B CN 113827215B
- Authority
- CN
- China
- Prior art keywords
- signal
- dibi
- heart rate
- radar
- heartbeat
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 43
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 210000001765 aortic valve Anatomy 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002861 ventricular Effects 0.000 claims description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 3
- 206010003662 Atrial flutter Diseases 0.000 claims description 3
- 206010003671 Atrioventricular Block Diseases 0.000 claims description 3
- 208000004301 Sinus Arrhythmia Diseases 0.000 claims description 3
- 208000007888 Sinus Tachycardia Diseases 0.000 claims description 3
- 206010040738 Sinus arrest Diseases 0.000 claims description 3
- 206010040741 Sinus bradycardia Diseases 0.000 claims description 3
- 208000001871 Tachycardia Diseases 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 3
- 230000006794 tachycardia Effects 0.000 claims description 3
- 206010047302 ventricular tachycardia Diseases 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 210000000115 thoracic cavity Anatomy 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010040880 Skin irritation Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001121 heart beat frequency 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
- 230000008520 organization Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000036556 skin irritation Effects 0.000 description 1
- 231100000475 skin irritation Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001755 vocal effect Effects 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
- A61B5/02—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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- 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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种基于毫米波雷达的非接触式多种心律失常自动诊断方法，包括根据毫米波雷达回波信号得到被测目标胸腔位置，同时提取胸腔位置的相位信号；从所获相位信号中分离出被测目标的心跳信号并对心跳信号进行滤波与增强；提取心跳信号的心拍时间间隔，并根据心拍时间间隔，提取“心率变异性”量度的特征；将“心率变异性”量度特征输入已训练好的支持向量机模型进行判断，并输出心律失常结果。本发明在获取心拍时间间隔过程中，直接对所获雷达心率信号时域滤波，在时域上直接找出每次心跳的主动脉瓣打开时间点并以此计算心拍时间间隔，最大程度地保留了心率的非平稳性。对心律失常的特征描述全面，提高了心律失常诊断的准确性。
Description
技术领域
本发明属心内科疾病诊断设备技术领域，涉及一种基于毫米波雷达的多种心律失常自动诊断方法。
背景技术
根据国际卫生组织(WHO)报告(详见：https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds))，心血管疾病已成为全球最常见的死因之一，而心律失常则是心血管疾病中的一种重要疾病。心律失常患者，轻者可持续累及心脏导致心脏衰竭，重者可直接导致猝死，因此对心脏疾病的监测显得尤为重要。现有技术中，对心脏疾病的监测，可分为接触式和非接触式两种。接触式测量，是一种常用的心脏疾病检查方式。它通过在皮肤上放置多个电极来捕捉心脏部位的电脉冲信号(心电图，ECG)或在心脏位置绑定压力传感器来捕捉心脏机械跳动等方式得到心跳的状态。接触式测量由于测量时需直接与皮肤进行接触，存在测量过程麻烦，对皮肤有刺激等问题。
非接触式测量则是利用毫米波雷达等设备，通过测量心脏附近的皮肤起伏得到心跳的状态(在本发明中称为雷达心跳波形，RCG)。由于是非接触式测量，因此不存在接触式测量中的各种问题。从原理上来说，人体在正常呼吸时，胸腔会随着呼吸产生相应的起伏，同样的，心脏的跳动亦会带来心脏外皮肤附近的振动。因此，若使用毫米波雷达对人体进行探测，人体胸腔的起伏和心脏的跳动会导致人体目标与雷达之间的距离发生相应的变化。这种雷达与被测人体之间距离的微弱变化使得接收到的雷达信号的相位产生相应的变化。通过对该变化的相位进行测量分析，即可得到人体的呼吸状态与心跳状态信息。
在使用毫米波雷达进行心律失常诊断时，对心拍间隔的准确测量，即：对相邻心跳时间间隔的准确测量是关键。因为在临床上，心律失常的诊断通常依赖于心拍间隔的不均齐，因此在进行相应信号处理时，需准确保留心拍间隔在时域上的非平稳特性，为后续心律失调疾病的自动诊断打下基础。
中国专利公开CN111938613A，公开了一种“基于毫米波雷达的健康监测装置及方法”，采用毫米波雷达对人体的健康指标进行监测，在心率估计算法上，它采用自相关函数的方法进行估计，即：取一段时间的心跳信号计算自相关函数，再估计心跳频率。中国专利公开CN111657889A“一种基于毫米波雷达的非接触式驾驶员疲劳监测方法”，则采用小波变换对心跳信号进行时频分析，然后估计心率和呼吸频率，最后再提取相关特征进行驾驶员疲劳监测。
上述两项专利中，无论是采用自相关函数还是小波变换的方法进行心率估计都隐含一个前提：在估计的这段时间内心跳信号是平稳的，其频率是不变的，其估计出来的频率代表这一段时间内心跳信号的平均频率。但事实上，心率信号具有非平稳特性，特别是心律失调患者，其心率非平稳性更加明显，将非平稳信号用平稳信号的方式进行心率估计显然是不准确的。
发明内容
为解决上述技术问题，本发明提出了一种基于毫米波雷达的多种心律失常自动诊断方法，该方法使用毫米波雷达测量心脏附近的皮肤起伏得到雷达原始回波信号，所述方法包括以下步骤：
步骤1，提取毫米波雷达雷达原始回波信号，对原始回波信号进行距离维处理，得到雷达探测空间的回波；
步骤2，根据步骤1获得到雷达探测空间的回波结果，对相邻两次回波做差分，从去除静止物体的回波中选取幅度最大值的位置作为目标位置A，同时提取位置A的相位信号并做预处理；
步骤3，对步骤2中得到的所述相位信号进行心跳信号分离，并对分离出的心跳信号执行滤波与放大；
步骤4，从经过滤波放大的心跳信号中提取心拍时间间隔IBI；
步骤5，根据所述IBI提取“心率变异性”量度特征；
步骤6，将步骤5中得到的“心率变异性”量度特征输入已训练好的支持向量机模型进行判断，并输出心律失常判断结果。
进一步的，所述步骤1包括子步骤：
步骤1.1，对采集到的毫米波雷达的每一根天线的雷达回波信号进行傅里叶变换得到各个天线的距离维信号；
步骤1.2，计算空间目标到达雷达各个天线的时延，对不同天线接收的信号进行加权求和得到距离维信号的波束成形结果。
进一步的，步骤2包括子步骤：
步骤2.1，对相邻两次距离维信号的波束成形结果执行差分运算；提取差分结果执行滤波运算；
步骤2.2，从滤波后的回波中选取幅度最大值的位置作为目标位置，同时提取目标位置相位信息，对所述相位信息做预处理；
步骤2.3，按照时间顺序，对每一帧雷达回波重复执行步骤2.1和步骤2.2，，得到目标位置处每一帧的相位信号，并对该相位信号进行解缠绕运算。
进一步的，步骤3包括子步骤：
步骤3.1，采用二阶差分滤波器对步骤2中得到的相位信号进行心跳信号分离，设置二阶差分滤波器的预定差分系数；
步骤3.2，将步骤3.1中获得的心跳信号取绝对值，执行平滑滤波和幅度平方操作，得到增强后的心跳信号。
进一步的，步骤4包括子步骤：
步骤4.1，从所述增强后的心跳信号中提取心跳信号主动脉瓣打开时间点(AO峰)；
步骤4.2，对AO峰所处位置的时间点序列进行差分得到心拍时间间隔(IBI)；
步骤4.3，对所述IBI执行差分运算，得到差分信号DIBI。
进一步的，步骤4.1中确定所述AO峰点的条件是：
步骤4.11，确定心跳信号的最大峰高度，确定该峰值的高度数值大于预定峰高阈值；
步骤4.12，确定心跳信号相邻两个最大峰值的峰之间最小时间间隔不低于预定时间阈值；
步骤4.13，满足上述步骤4.11和步骤4.12的心跳信号峰值点确定为AO峰点。
进一步的，步骤5包括子步骤：
步骤5.1，接收IBI和差分信号DIBI；计算以IBI和DIBI为基础的“心率变异性”对应的多种量度特征
步骤5.2，收集预定时间长度的雷达心跳波形RCG信号；
步骤5.3，根据预定时间长度的雷达心跳波形RCG信号提取“心率变异性”对应的多种量度特征。
进一步的，所述量度特征至少包括：IBI的数量、IBI的平均值、IBI方差、IBI变异系数＝IBI标准差/IBI的平均值、IBI最大值与最小值的差、DIBI的平均值、DIBI的标准差、DIBI的方差、DIBI方差和均值的平方根、DIBI变异系数＝DIBI的标准差/DIBI的平均值、DIBI中位数的绝对值、DIBI中大于50ms的数量、DIBI中大于50ms的数/IBI的数量、DIBI中大于20ms的数量和DIBI中大于20ms的数/IBI的数量。
进一步的，步骤6包括子步骤：
步骤6.1，收集指定大数量已知类型的雷达心跳波形RCG信号的数据，所述RCG信号的数据类型覆盖基本“心率变异性”病患类型；
步骤6.2，对RCG信号分别执行步骤4至步骤6的操作，提取多种“心率变异性”量度特征作为训练集；RCG信号标签由多种心律失常类型顺序依次编号；
步骤6.3，用已知类型的“心率变异性”量度特征作为支持向量机SVM的输入进行训练，并保存训练好的SVM模型；
步骤6.4，将步骤5中得到的多种“心率变异性”量度特征输入SVM执行测试，输出结果为每一类心律失常类型的概率；从上述类型概率中选择概率最大值作为对应类型心律失常的输出结果。
优选的，所述基本“心率变异性”病患类型至少包括：正常窦性心律、窦性心律不齐、窦性心动过缓、窦性心动过速、窦性停搏、心房颤动、心房扑动、室性早搏、房性早搏、房室连接处心动过速、室性心动过速和I度房室传导阻滞；所述大数量限制每种类型RCG信号数量大于等于200。
采用本发明提供的基于毫米波雷达的非接触式多种心律失常自动诊断方法，在获取心拍时间间隔过程中，直接对雷达心率信号(RCG)进行时域滤波，紧接着在时域上直接找出每次心跳的AO点，并以此计算心拍时间间隔，最大程度地保留了心率的非平稳性，为后续心律失常的准确判断提供了良好的基础。
附图说明
图1为本发明提出的诊断方法流程图。
具体实施方式
本发明采用一种直接的心跳信号提取方法，用于保留心拍间隔的非平稳性，以快速准确地在时域上提取雷达心跳信号并进行后续处理得到心拍间隔时间。接着，在得到准确的心拍间隔时间序列基础上，提取用于判断心律失常判断的特征，最后用支持向量机进行心律失常诊断。
本发明将直接对心率信号进行时域滤波，紧接着在时域上直接找出每次心跳的时间点，并以此计算心拍间隔。由于本方法是直接从时域上获得每次心跳的时间点，因此更好地保留心率的非平稳性。换言之，本发明获得的心拍间隔信息更加准确。
以下结合附图对本发明的具体实施方式作出详细说明。
本申请的主要目的为提供一种基于毫米波雷达的非接触式多种心律失常自动诊断方法。
主要步骤包括：获取雷达发射的电磁波信号遇到被测人体后的反射回波信号；根据回波信号幅度信息，得到目标胸腔位置A，提取位置A的相位信号并做预处理；分离出位置A处的心跳信号并对心跳信号进行滤波与增强；获取位置A处心跳信号的心拍时间间隔(IBI)；根据心拍时间间隔，提取“心率变异性”量度的特征；将所得“心率变异性”量度特征输入训练好的支持向量机模型进行判断，并输出心律失常结果。
获得雷达反射回波信号，包括：对雷达原始回波信号进行距离维傅里叶变换和波束成形，得到探测空间中各个点的反射回波。
波束成形算法，包括：根据雷达天线的排布情况与雷达探测空间的几何关系，对各个雷达天线的回波信号进行加权，以增强感兴趣信号和抑制干扰信号。
从回波信号中确定目标位置A，包括：对相邻两次回波做差分，去除静止物体回波，从去除静止物体的回波中选取幅度最大值的位置作为目标位置A。
提取位置A的相位信号并做预处理，包括：根据时间先后，提取位置A处相位随时间变化的信号，对相位信号进行解缠绕处理，得到处理后的相位信号。
分离出位置A处的心跳信号并对心跳信号进行滤波与增强，包括：使用二阶差分滤波器对A处相位信号进行滤波，接着对滤波结果取绝对值并积分。
二阶差分滤波器的参数选择为：[-1 -2 1 4 1 -2 -1]。
获取位置A处心跳信号的心拍时间间隔(IBI)，包括：找寻每个心跳节拍的最大值，记录最大值的索引(Index)，并根据系统采样率换算成时间。
根据心拍时间间隔(IBI)，提取“心率变异性”量度的特征，包括：记录5分钟的心跳信息，根据心拍时间间隔序列，计算“心率变异性”量度的特征。
将所得“心率变异性”量度特征输入训练好的支持向量机模型进行判断，并输出心律失常结果，包括：提前采集2千条已知心律失常类型的雷达心跳波形(RCG)波形数据，提取相应的“心率变异性”量度的特征，并以此训练支持向量机模型；将获得的“心率变异性”特征输入已训练好的支持向量机模型，输出心律失调的结果。图1为本申请一种基于毫米波雷达的多种心律失常自动诊断方法流程图。
主要步骤包括：获取雷达发射的电磁波信号遇到被测人体后的反射回波信号；根据回波信号幅度信息，得到目标胸腔位置A，提取位置A的相位信号并做预处理；分离出位置A处的心跳信号并对心跳信号进行滤波与增强；获取位置A处心跳信号的心拍时间间隔(IBI)；根据心拍时间间隔，提取“心率变异性”量度的特征；将所得“心率变异性”量度特征输入训练好的支持向量机模型进行判断，并输出心律失常结果。
该方法包括以下实施步骤：
步骤S101，获取雷达原始回波信号，对原始回波信号进行距离维傅里叶变换和波束成形，得到雷达探测空间的回波；
步骤S102，根据步骤S101的结果，对相邻两次回波做差分，去除静止物体回波，从去除静止物体的回波中选取幅度最大值的位置作为目标位置A，同时提取位置A的相位信号并做预处理；
步骤S103，对步骤S102中得到的相位信号进行心跳信号分离，并对心跳信号进行滤波与增强；
步骤S104，根据步骤S103的结果，提取心跳信号的心拍时间间隔(IBI)；
步骤S105，根据步骤S104的结果，提取“心率变异性”量度特征；
步骤S106，将步骤S105中得到的“心率变异性”量度特征输入已训练好的支持向量机模型进行判断，并输出心律失常诊断结果。
通过上述步骤，即可完成基于毫米波雷达的非接触式多种心律失常自动诊断。
根据本申请的一个可选的实施例，步骤S101通过以下方法实现：先对采集到的每一根天线的雷达回波信号Secho进行傅里叶变换得到各个天线的距离维信号：
其中j为虚数符号，ΔR为不同距离的相位，t为快时间。接着，对距离维信号SRange进行传统波束成形，包括：计算空间目标到达雷达各个天线的时延
其中，分别代表目标的水平、垂直入射角，(xi,zi)为第i根天线相对参考点的坐标；对不同天线接收的信号进行加权求和得到波束成形结果：
步骤S102通过以下方法实现：在S101的输出结果中，先对相邻两次波束成型结果做差分，滤除静止物体回波，再从去除静止物体的回波中选取幅度最大值的位置作为目标位置A，同时提取目标位置相位信息并做预处理：
DSBF＝diff(SBF)
Smax＝max(abs(DSBF))；
A＝find(abs(DSBF)＝＝Smax)；
其中，diff(·)为差分运算，abs(·)为取绝对值，max(·)表示求最大值，find(·)表示找满足条件的目标位置，A为找到的目标位置。
PhA＝phase(DSBF(A))；
其中，phase(·)表示求信号的相位。
按照时间顺序，对每一帧雷达回波分别进行上述操作，得到位置A处每一帧的相位信号，并对相位信号解缠绕操作：
PhaseA＝unwrap([PhA(1),PhA(2),…PhA(t)])；
其中，unwrap(·)表示对相位信号解缠绕。
步骤S103通过以下方法实现：对步骤S102中得到的相位信号进行心跳信号分离：为了更好地去除呼吸信号的影响，心跳信号分离采用二阶差分滤波器，根据文献《Emotionrecognition using wireless signals》(2016ACM/IEEE International Conference onMobile Computing and Networking，pp 95-108)的设置，将差分滤波器的系数设为：[-1 -2 1 4 1 -2 -1]。
进行二阶差分滤波后，心跳信号可表示为：
PhaseHeart＝filter(PhaseA,BP)；
其中，filter(·)表示对信号进行滤波操作，BP为滤波器参数。
为了使心跳信号更容易被检测，还需对心跳信号进行进一步滤波和增强：
Heart_wave＝(Smooth(abs(PhaseHeart))).^2；
其中，abs(·)表示对相位信号取绝对值，Smooth(·)表示对信号进行平滑滤波，平滑滤波器的窗宽为0.5秒，(·).^2表示平方操作。
步骤S104通过以下方法实现：根据步骤S103的结果，先提取心跳信号的AO峰，并根据AO峰位置得到心拍时间间隔(IBI)：
AO＝findpeaks(Heart_wave,cond)；
findpeaks(s,cond)表示寻找满足cond条件的信号可根据经验值进行设置。在本发明中，cond的条件主要是最小峰值高度和两个峰之间的最小间隔，可根据经验值进行设置。经过峰值查找，可得到心跳信号的AO峰位置(时间)，对AO峰时间序列进行差分即为心跳信号时间间隔IBI。
IBI＝diff(AO)
DIBI＝diff(IBI)
diff(·)表示对序列做差分处理，DIBI为IBI的差分。
步骤S105通过以下方法实现：根据步骤S104得到的IBI和DIBI信号，收集5分钟雷达心跳波形RCG信号，接着根据5分钟RCG信号提取“心率变异性”量度特征，“心率变异性”量度特征有以下16种：
NIBI:IBI的数量
MRR:IBI的平均值
SDRR:IBI标准差
VARRR:IBI方差
CVRR:IBI变异系数＝SDRR/MRR
RIBI:IBI最大值与最小值的差
MSD:DIBI的平均值
SDSD:DIBI的标准差
VARSD:DIBI的方差
RMSSD:DIBI差方和均值的平方根
CVSD:DIBI变异系数＝SDSD/MSD
MedNNI:DIBI中位数的绝对值
NN_50:DIBI中大于50ms的数量
PNN_50:NN_50/NIBI
NN_20:DIBI中大于20ms的数量
PNN_20:NN_20/NIBI
步骤S106，将步骤S105中得到的“心率变异性”量度特征输入支持向量机(SVM)分类器进行判断，并输出心律失常诊断结果，包括：
收集超过2千条已知类型的雷达心脏机械振动(RCG)波形数据，要求类型覆盖正常窦性心律、窦性心律不齐、窦性心动过缓、窦性心动过速、窦性停搏、心房颤动、心房扑动、室性早搏、房性早搏、房室连接处心动过速、室性心动过速、I度房室传导阻滞这12种类型，并且需要不同类型RCG信号数量均匀，每种类型RCG信号数量不低于200条。
将上述十二类RCG信号分别进行步骤S104至步骤S106操作，提取16种“心率变异性”量度特征作为训练集，RCG信号标签由上述12种心律失常类型顺序从1-12依次编号。
用已知类型的平衡数据即上述收集到的16种“心率变异性”量度特征作为支持向量机(SVM)的输入进行训练，并保存训练好的SVM模型。
测试并输出结果：将步骤S105中得到的16种“心率变异性”量度特征输入支持向量机(SVM)进行测试，输出结果为每一类心律失常类型的概率。从概率中，选择概率最大的值作为心律失常的输出结果。
心率信号具有非平稳特性，临床上，心率信号的非平稳性(即：心拍时间间隔(IBI)信息)是判断患者是否心律失常的重要特征。在使用毫米波雷达进行心律失常诊断时，需准确保留心率的非平稳性信息。本发明提供的基于毫米波雷达的非接触式多种心律失常自动诊断方法，在获取心拍时间间隔过程中，直接对雷达心率信号(RCG)进行时域滤波，紧接着在时域上直接找出每次心跳的AO点，并以此计算心拍时间间隔，最大程度地保留了心率的非平稳性，为后续心律失常的准确判断提供了良好的基础。
在得到心拍时间间隔基础上，提取16种“心率变异性”量度特征，对心律失常的特征描述非常全面，并可根据特征完成多种心律失常的自动诊断。
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (8)
1.一种基于毫米波雷达的多种心律失常自动诊断方法，该方法使用毫米波雷达测量心脏附近的皮肤起伏得到雷达原始回波信号，其特征在于，所述方法包括以下步骤：
步骤1，提取毫米波雷达雷达原始回波信号，对原始回波信号进行距离维处理，得到雷达探测空间的回波；
步骤2，根据步骤1获得到雷达探测空间的回波结果，对相邻两次回波做差分，从去除静止物体的回波中选取幅度最大值的位置作为目标位置A，同时提取位置A的相位信号并做预处理；
步骤3，对步骤2中得到的所述相位信号进行心跳信号分离，并对分离出的心跳信号执行滤波与放大，得到增强后的心跳信号；
步骤4，从经过滤波放大的心跳信号中提取心拍时间间隔IBI；
步骤5，根据所述IBI提取“心率变异性”量度特征；
步骤6，将步骤5中得到的“心率变异性”量度特征输入已训练好的支持向量机模型进行判断，并输出心律失常判断结果；
其中，步骤4包括子步骤：
步骤4.1，从所述增强后的心跳信号中提取心跳信号的主动脉瓣打开时间点AO峰点；
步骤4.2，对AO峰点所处位置的时间点序列进行差分得到心拍时间间隔
IBI；
步骤4.3，对所述IBI执行差分运算，得到差分信号DIBI；
其中，所述步骤4.1中确定所述AO峰点的条件是：
步骤4.11，确定心跳信号的最大峰值高度，确定该峰值的高度数值大于预定峰高阈值；
步骤4.12，确定心跳信号相邻两个最大峰值的峰之间最小时间间隔不低于预定时间阈值；
步骤4.13，满足上述步骤4.11和步骤4.12的心跳信号峰值点确定为AO峰点。
2.如权利要求1所述方法，其特征在于，所述步骤1包括子步骤：
步骤1.1，对采集到的毫米波雷达的每一根天线的雷达回波信号进行傅里叶变换得到各个天线的距离维信号；
步骤1.2，计算空间目标到达雷达各个天线的时延，对不同天线接收的信号进行加权求和得到距离维信号的波束成形结果。
3.如权利要求2所述方法，其特征在于，步骤2包括子步骤：
步骤2.1，对相邻两次距离维信号的波束成形结果执行差分运算；提取差分结果执行滤波运算；
步骤2.2，从滤波后的回波中选取幅度最大值的位置作为目标位置，同时提取目标位置相位信息，对所述相位信息做预处理；
步骤2.3，按照时间顺序，对每一帧雷达回波重复执行步骤2.1和步骤2.2，得到目标位置处每一帧的相位信号，并对该相位信号进行解缠绕运算。
4.如权利要求1所述方法，其特征在于，步骤3包括子步骤：
步骤3.1，采用二阶差分滤波器对步骤2中得到的相位信号进行心跳信号分离，设置二阶差分滤波器的预定差分系数；
步骤3.2，将步骤3.1中获得的心跳信号取绝对值，执行平滑滤波和幅度平方操作，得到增强后的心跳信号。
5.如权利要求4所述方法，其特征在于，步骤5包括子步骤：
步骤5.1，接收IBI和差分信号DIBI；计算以IBI和DIBI为基础的“心率变异性”对应的多种量度特征
步骤5.2，收集预定时间长度的雷达心跳波形RCG信号；
步骤5.3，根据预定时间长度的雷达心跳波形RCG信号提取“心率变异性”对应的多种量度特征。
6.如权利要求5所述方法，其特征在于，所述量度特征至少包括：IBI的数量、IBI的平均值、IBI方差、IBI变异系数=IBI标准差/ IBI的平均值、IBI最大值与最小值的差、DIBI的平均值、DIBI的标准差、DIBI的方差、DIBI方差和均值的平方根、DIBI变异系数= DIBI的标准差/DIBI的平均值、DIBI中位数的绝对值、DIBI中大于50ms的数量、DIBI中大于50ms的数/IBI的数量、DIBI中大于20ms的数量和DIBI中大于20ms的数/IBI的数量。
7.如权利要求1所述方法，其特征在于，步骤6包括子步骤：
步骤6.1，收集指定大数量已知类型的雷达心跳波形RCG信号的数据，所述RCG信号的数据类型覆盖基本“心率变异性”病患类型；
步骤6.2，对RCG信号分别执行步骤4至步骤6的操作，提取多种“心率变异性”量度特征作为训练集；RCG信号标签由多种心律失常类型顺序依次编号；
步骤6.3，用已知类型的“心率变异性”量度特征作为支持向量机SVM的输入进行训练，并保存训练好的SVM模型；
步骤6.4，将步骤5中得到的多种“心率变异性”量度特征输入SVM执行测试，输出结果为每一类心律失常类型的概率；从上述类型概率中选择概率最大值作为对应类型心律失常的输出结果。
8.如权利要求7所述方法，其特征在于，所述基本“心率变异性”病患类型至少包括：正常窦性心律、窦性心律不齐、窦性心动过缓、窦性心动过速、窦性停搏、心房颤动、心房扑动、室性早搏、房性早搏、房室连接处心动过速、室性心动过速和I度房室传导阻滞；所述大数量限制每种类型RCG信号数量大于等于200。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111024029.XA CN113827215B (zh) | 2021-09-02 | 2021-09-02 | 一种基于毫米波雷达的多种心律失常自动诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111024029.XA CN113827215B (zh) | 2021-09-02 | 2021-09-02 | 一种基于毫米波雷达的多种心律失常自动诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113827215A CN113827215A (zh) | 2021-12-24 |
| CN113827215B true CN113827215B (zh) | 2024-01-16 |
Family
ID=78962010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111024029.XA Active CN113827215B (zh) | 2021-09-02 | 2021-09-02 | 一种基于毫米波雷达的多种心律失常自动诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113827215B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114305364B (zh) * | 2022-01-05 | 2023-08-11 | 北京科技大学 | 基于毫米波雷达的血压检测方法、系统及设备 |
| CN114515151A (zh) * | 2022-02-28 | 2022-05-20 | 韩宏光 | 基于人工智能的心电信号采集系统及处理方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017217333A (ja) * | 2016-06-10 | 2017-12-14 | アルパイン株式会社 | 生体情報測定装置、方法およびプログラム |
| CN109557535A (zh) * | 2017-09-26 | 2019-04-02 | 英飞凌科技股份有限公司 | 用于使用毫米波雷达传感器的占用检测的系统和方法 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
| CN111657889A (zh) * | 2020-06-03 | 2020-09-15 | 大连理工大学 | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 |
| CN112698294A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于毫米波的火场内人员定位与生命体征检测装置及方法 |
| CN112716462A (zh) * | 2020-12-09 | 2021-04-30 | 北京航空航天大学 | 一种可控照射指向的窄波束毫米波人体心跳/呼吸体征监测装置 |
| CN112754431A (zh) * | 2020-12-31 | 2021-05-07 | 杭州电子科技大学 | 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统 |
| WO2021109526A1 (zh) * | 2019-12-03 | 2021-06-10 | 南京汇君半导体科技有限公司 | 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备 |
-
2021
- 2021-09-02 CN CN202111024029.XA patent/CN113827215B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017217333A (ja) * | 2016-06-10 | 2017-12-14 | アルパイン株式会社 | 生体情報測定装置、方法およびプログラム |
| CN109557535A (zh) * | 2017-09-26 | 2019-04-02 | 英飞凌科技股份有限公司 | 用于使用毫米波雷达传感器的占用检测的系统和方法 |
| WO2021109526A1 (zh) * | 2019-12-03 | 2021-06-10 | 南京汇君半导体科技有限公司 | 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
| CN111657889A (zh) * | 2020-06-03 | 2020-09-15 | 大连理工大学 | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 |
| CN112716462A (zh) * | 2020-12-09 | 2021-04-30 | 北京航空航天大学 | 一种可控照射指向的窄波束毫米波人体心跳/呼吸体征监测装置 |
| CN112698294A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于毫米波的火场内人员定位与生命体征检测装置及方法 |
| CN112754431A (zh) * | 2020-12-31 | 2021-05-07 | 杭州电子科技大学 | 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| A Real-time Heart Rate Analysis for a Remote Millimeter Wave I–Q Sensor;Sasan Bakhtiari, Shaolin Liao, Thomas Elmer II, et. al.;IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING;第58卷(第6期);1839-1844 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113827215A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sadhukhan et al. | R-peak detection algorithm for ECG using double difference and RR interval processing | |
| CA2979135C (en) | Systems, apparatus and methods for sensing fetal activity | |
| Choudhary et al. | Automatic detection of aortic valve opening using seismocardiography in healthy individuals | |
| EP2846686B1 (en) | System for detection of the superior vena cava area and the cavoatrial junction | |
| US6597943B2 (en) | Method of using spectral measures to distinguish among atrialfibrillation, atrial-flutter and other cardiac rhythms | |
| EP2744402B1 (en) | System and method for determining the q and j points of an electrocardiogram | |
| CN113827215B (zh) | 一种基于毫米波雷达的多种心律失常自动诊断方法 | |
| EP2704628A2 (en) | Signal averaging | |
| WO2019100563A1 (zh) | 心电信号质量评估方法 | |
| EP3352662B1 (en) | Intracardiac egm signals for beat matching and acceptance | |
| US20160206287A1 (en) | Wearable Doppler Ultrasound Based Cardiac Monitoring | |
| Hasan et al. | Fetal electrocardiogram extraction and R-peak detection for fetal heart rate monitoring using artificial neural network and Correlation | |
| Karvounis et al. | Detection of fetal heart rate through 3-D phase space analysis from multivariate abdominal recordings | |
| Reddy et al. | Ecg signal characterization and correlation to heart abnormalities | |
| CN110063726B (zh) | 一种心电信号单导联f波提取方法和装置 | |
| CA2253760A1 (en) | Predicting cardiac arrhythmia by detection of micropotentials | |
| KR20140114181A (ko) | 심전도 신호에 기반하여 스트레스를 분석하고 추정하는 방법 및 장치 | |
| CN114052681B (zh) | 一种基于心电判读系统的血压监测方法及系统 | |
| Tun et al. | Analysis of computer aided identification system for ECG characteristic points | |
| Kropf et al. | A robust algorithm for fetal QRS detection using non-invasive maternal abdomenal ECGs | |
| CN114580477A (zh) | 一种基于多时间序列融合的可穿戴动态呼吸率估测系统 | |
| JP5933138B2 (ja) | Ｅｃｇデータにおけるｑｒｓ群の発生を決定する装置及び方法 | |
| CN111568470A (zh) | 一种基于心电同步的超声多普勒心功能包络峰识别方法 | |
| Ghaffari et al. | Finding events of electrocardiogram and arterial blood pressure signals via discrete wavelet transform with modified scales | |
| WO2020242334A1 (en) | System and method of automated electrocardiogram analysis and interpretation |
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 |