CN113876335A - 心电图心搏分类方法、装置、电子设备和介质 - Google Patents
心电图心搏分类方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113876335A CN113876335A CN202010554239.9A CN202010554239A CN113876335A CN 113876335 A CN113876335 A CN 113876335A CN 202010554239 A CN202010554239 A CN 202010554239A CN 113876335 A CN113876335 A CN 113876335A
- Authority
- CN
- China
- Prior art keywords
- template
- classified
- data
- type
- 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.)
- Granted
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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (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
本申请公开了一种心电图心搏分类方法、装置、电子设备和介质。本申请中心电图心搏分类方法包括:获取心电图数据,对所述心电图数据进行划分,获得多个心搏片段;将所述多个心搏片段分别与预设的数据模板匹配,确定所述多个心搏片段中各个心搏片段对应的数据模板以及模板标识;在所述各个心搏片段对应的数据模板中确定一个主导模板,设置所述主导模板的类型标识为第一类型;对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识;将所述各个心搏片段的类型标识设置为对应的数据模板的类型标识,多个具有相似形态的心搏聚合为一个模板处理,快速完成心搏分类,处理效率高。
Description
技术领域
本发明涉及心电图数据处理技术领域,尤其是涉及一种心电图心搏分类方法、装置、电子设备和介质。
背景技术
为了更快捷清楚地对采集的心电图数据进行分析,开发了越来越多的计算机辅助诊断心电图软件。其中,心电图心搏分类定义为对心搏进行类型识别。心电图软件可通过采用不同算法自动识别心搏的类型,为医生提供有关模板所包含的成员心搏是否正常的信息,可提高医生的诊断效率和准确性。
目前心电图心搏分类可以使用人工提取特征法。利用专家知识,设计许多与心搏类型相关的参数,包括形态学特征、统计学特征、频率域特征、相空间特征、时域特征、信息熵特征和心律变异性特征等,然后借助机器学习算法对以上特征参数进行综合计算,输出心搏类型标记。该方法需要借助专业的医生专业临床知识,并且在获取各种特征参数时计算量大;而通过训练神经网络模型进行分类处理的方式需要采集大量的临床数据作样本,开发难度较大且耗时较长。
发明内容
本申请提供了一种心电图心搏分类方法、装置、电子设备和介质。
第一方面,提供了一种心电图心搏分类方法,包括:
获取心电图数据,对所述心电图数据进行划分,获得多个心搏片段;
将所述多个心搏片段分别与预设的数据模板匹配,确定所述多个心搏片段中各个心搏片段对应的数据模板,以及所述数据模板的模板标识;
在所述各个心搏片段对应的数据模板中确定一个主导模板,设置所述主导模板的类型标识为第一类型;
对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识;
将所述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
在一种可选的实施方式中,所述对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识包括:
获取各个所述待分类模板的波形与所述主导模板的波形的相似度差值;
若所述相似度差值小于预设差值阈值,确定所述待分类模板的类型标识为所述第一类型。
在一种可选的实施方式中,所述对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识,还包括:
获取所述待分类模板的散点图,判断所述待分类模板的散点图中的坐标点是否分布在预设参考线附近;
若是,确定所述待分类模板的类型标识为所述第一类型。
在一种可选的实施方式中,所述获取所述待分类模板的散点图包括:
获取所述待分类模板中的心搏片段的第一间期和第二间期,所述第一间期为所述心搏片段与相邻前一个心搏片段的间距;所述第二间期为所述心搏片段与相邻后一个心搏片段的间距;
以所述第一间期为横坐标,以所述第二间期为纵坐标,生成所述待分类模板的散点图。
在一种可选的实施方式中,所述判断所述待分类模板的散点图中的坐标点是否分布在预设参考线附近,包括:
获取所述心搏片段对应的坐标点与预设参考线的有符号距离;
获取所述有符号距离分布服从正态分布情况下的估计均值和估计标准差;
根据所述估计均值和所述估计标准差对所述待分类模板的散点图进行数据处理,获得所述心搏片段对应的坐标点与预设参考线的目标距离值;
获取所述目标距离值的标准差,判断所述标准差是否小于预设的标准差阈值;
若小于,确定所述待分类模板的散点图中的坐标点分布在所述预设参考线附近;若不小于,确定所述待分类模板的散点图中的坐标点未分布在所述预设参考线附近。
在一种可选的实施方式中,所述确定所述待分类模板的散点图中的坐标点未分布在所述预设参考线附近之后,所述方法还包括:
获取所述待分类模板中的心搏片段的第一间期的标准差和第二间期的标准差;获得所述第一间期的标准差和所述第二间期的标准差的比值;
判断所述比值是否大于预设的标准差比值;
获取所述待分类模板的代表波形宽度,判断所述待分类模板的代表波形宽度是否大于预设的宽度阈值;
若均大于,确定所述待分类模板的类型标识为第二类型;
若所述比值不大于所述预设的标准差比值,或者,所述待分类模板的代表波形宽度不大于预设的宽度阈值,确定所述待分类模板的类型标识为第三类型。
在一种可选的实施方式中,所述获取心电图数据之前,所述方法还包括:
获取采集的多导联心电图数据;根据所述多导联心电图数据中的主分析导联编号和次分析导联编号构建双导联心电图数据;
对所述双导联心电图数据进行带通滤波,获得所述心电图数据;
所述对所述心电图数据进行划分,获得多个心搏片段包括:
根据检测获得的R波位置信息对所述心电图数据进行划分,获得多个以所述R波位置为中心的等长度的心搏片段。
第二方面,提供了一种心电图心搏分类装置,包括:
划分模块,用于获取心电图数据,对所述心电图数据进行划分,获得多个心搏片段;
匹配模块,将所述多个心搏片段分别与预设的数据模板匹配,确定所述多个心搏片段中各个心搏片段对应的数据模板,以及所述数据模板的模板标识;
处理模块,用于在所述各个心搏片段对应的数据模板中确定一个主导模板,设置所述主导模板的类型标识为第一类型;
所述处理模块还用于,对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识;
设置模块,用于将所述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。
第四方面,提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如上述第一方面及其任一种可能的实现方式的步骤。
本申请通过获取心电图数据,对上述心电图数据进行划分,获得多个心搏片段,将上述多个心搏片段分别与预设的数据模板匹配,确定上述多个心搏片段中各个心搏片段对应的数据模板,以及上述数据模板的模板标识,在上述各个心搏片段对应的数据模板中确定一个主导模板,设置上述主导模板的类型标识为第一类型,再对上述数据模板中除上述主导模板以外的待分类模板进行类型判断,确定上述待分类模板的类型标识,然后将上述各个心搏片段的类型标识设置为对应的数据模板的类型标识,通过模板匹配将多个具有相似形态的心搏聚合为一个模板,仅需对模板代表波形分类即可完成模板内所有成员的分类,可以并行处理不同的模板数据,耗时更短,并且无需复杂的信号变换,处理效率高。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种心电图心搏分类方法的流程示意图;
图2为本申请实施例提供的另一种心电图心搏分类方法的流程示意图;
图3为本申请实施例提供的一种心电图心搏分类方法全流程示意图;
图4为本申请实施例提供的一种模板匹配结果示意图;
图5为本申请实施例提供的一种模板波形示意图;
图6为本申请实施例提供的一种模板的散点图示意图;
图7为本申请实施例提供的另一种模板波形示意图;
图8为本申请实施例提供的另一种模板的散点图示意图;
图9为本申请实施例提供的一种心电图心搏分类装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1,图1是本申请实施例提供的一种心电图心搏分类方法的流程示意图。该方法可包括:
101、获取心电图数据,对上述心电图数据进行划分,获得多个心搏片段。
本申请实施例的执行主体可以为一种心电图心搏分类装置,可以为电子设备,具体实现中,上述电子设备为一种终端,也可称为终端设备,包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,上述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。在一种可选的实施方式中,上述心电图心搏分类方法可以响应于用户的操作指令,由服务器支撑运行。
本申请实施例中的心电图数据可以是心电图采集设备所采集的一段时间内的心电图信号,一般可以根据心电图的特性确定心搏位置,进而将该信号划分为多个反应心搏特征的等长片段。
可选的,上述对上述心电图数据进行划分,获得多个心搏片段,包括:
根据检测获得的R波位置信息对上述心电图数据进行划分,获得多个以上述R波位置为中心的等长度的心搏片段。
一个完整的心电图信号通常由P波、QRS波群和T波构成,其中QRS波群是心电图的主体部分,而R波又在QRS波群中占主导地位,因此心搏的标记位置可以以R波为准。可以获取以R波位置为中心的等长度的ECG片段,以进行模板匹配。
可选的,上述步骤101之前,该方法还可以包括:
获取采集的多导联心电图数据;根据上述多导联心电图数据中的主分析导联编号和次分析导联编号构建双导联心电图数据;
对上述双导联心电图数据进行带通滤波,获得上述心电图数据。
本申请实施例中可以使用Holter采集的多导联心电图数据进行处理。Holter是一种心电信号记录系统,它可以通过采用便携心电信号采集和对患者的心脏活动进行长达24小时的持续测量,为医生全面分析患者心脏病情提供了强有力的信息辅助。
具体的,可以首先读取Holter数据,该数据包括由Holter设备采集的24小时多导联Holter数据,还可以包括相关参数,如:
经过QRS波检测得到的R波位置(RPos,以采样点或时间为单位);
RR间期(rr_interval,表示当前心搏与相邻前一个心搏的间距,以采样点或时间为单位);
QRS波宽度(width,以采样点或时间为单位);
Holter设备采样率fs;
主分析导联编号和次分析导联编号。
其中,上述主分析导联编号和次分析导联编号是在上述多导联Holter数据中分析确定的占主导地位的两个导联数据编号。进一步的,可以进行信号预处理:根据上述主分析导联编号和上述次分析导联编号构建双导联Holter数据,然后经过上述带通滤波,滤除低频的基线漂移干扰和高频噪声。
对于前述ECG划分,具体可以为:根据R波位置RPos,将Holter数据划分为片段中心对应该R波位置,长度为W的ECG数据片段X∈RN*2*W,其中N表示划分好的ECG数据个数,2表示双导联,W表示单导联数据长度。
102、将上述多个心搏片段分别与预设的数据模板匹配,确定上述多个心搏片段中各个心搏片段对应的数据模板,以及上述数据模板的模板标识。
可以采用K-Means方法,根据ECG数据片段输出模板编号,相同模板编号对应的ECG数据片段具有相似的波形。即根据比较各心搏片段分别与模板的相似度,将心搏片段归类到匹配的模板下,成为该模板的模板成员。
还可以根据模板匹配结果,获取用于心搏分类的信息。如:
(1)模板个数temp_num;
(2)模板成员编号beat_index∈Rtemp_num(每个元素代表一个包含成员索引的列表);
(3)模板成员个数beat_num∈Rtemp_num;
(4)模板代表心搏宽度temp_width∈Rtemp_num(模板成员QRS波宽度均值);
(5)模板代表心搏前RR间期temp_prerr∈Rtemp_num(模板成员与对应相邻前一个心搏的间距均值);
(6)模板代表心搏后RR间期temp_prerr∈Rtemp_num(模板成员与对应相邻后一个心搏的间距均值);
(7)模板代表波形temp_wave∈Rtemp_num*2*W(模板成员波形均值)。
103、在上述各个心搏片段对应的数据模板中确定一个主导模板,设置上述主导模板的类型标识为第一类型。
上述主导模板是上述各个心搏片段对应的数据模板中最具代表性的一个模板。在一种实施方式中,上述步骤103包括:根据上述数据模板中不同数据模板对应的心搏片段数量,确定上述数据模板中上述心搏片段数量最多的一个数据模板为上述主导模板。
可以根据不同模板的模板成员个数,搜索最大值对应的模板确定为主导模板。在确定主导模板后,可以设置主导模板类型为第一类型,比如该类型可以表示窦性类型,标识为N。可以根据需要设置不同模板的类型及标识。
104、对上述数据模板中除上述主导模板以外的待分类模板进行类型判断,确定上述待分类模板的类型标识。
具体的,对于除主导模板外的待分类模板,可以继续进行类型判断。可以初始化除该主导模板外的待分类模板编号temp_id=1:对除主导模板以外的其他不同模板进行遍历,依次判断模板类型。
可选的,上述步骤104包括:
获取各个上述待分类模板的波形与上述主导模板的波形的相似度差值;
若上述相似度差值小于预设差值阈值,确定上述待分类模板的类型标识为上述第一类型。
可以根据波形相似度判断待分类模板波形与主导模板波形是否相似。在一种可选的实施方式中,可以从模板代表波形temp_wave信息中获取主导模板波形domi_wave∈R2*W和待分类模板波形temp_wave(temp_id)∈R2*W。依次对每个导联分别计算两个模板波形的累计差值Sdiff1和Sdiff2,计算公式如下所示:
其中abs(·)表示取绝对值,ppv(·)表示取峰峰值,即最大值-最小值。则待分类模板波形与主导模板波形的累计差值Sdiff=(Sdiff_1+Sdiff_2)/2。设置累计差值阈值(上述预设差值阈值)为TSdiff,若Sdiff<TSdiff,则判断待分类模板波形与主导模板波形相似,也可确定该待分类模板的类型标识为上述第一类型;否则即为不相似,该待分类模板可以进一步进行类型判断。
在一种可选的实施方式中,上述步骤104还包括:
获取上述待分类模板的散点图,判断上述待分类模板的散点图中的坐标点是否分布在预设参考线附近;
若是,确定上述待分类模板的类型标识为上述第一类型。
对于上述方法和不同模板的类型分析方法还可以见图2所示实施例中的具体描述。
105、将上述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
通过将模板中的成员类型设置为对应的模板类型,更新模板成员类型,获得心电图心搏分类。
本申请通过获取心电图数据,对上述心电图数据进行划分,获得多个心搏片段,将上述多个心搏片段分别与预设的数据模板匹配,确定上述多个心搏片段中各个心搏片段对应的数据模板,以及上述数据模板的模板标识,在上述各个心搏片段对应的数据模板中确定一个主导模板,设置上述主导模板的类型标识为第一类型,再对上述数据模板中除上述主导模板以外的待分类模板进行类型判断,确定上述待分类模板的类型标识,然后将上述各个心搏片段的类型标识设置为对应的数据模板的类型标识,通过模板匹配将多个具有相似形态的心搏聚合为一个模板,仅需对模板代表波形分类即可完成模板内所有成员的分类,可以并行处理不同的模板数据,耗时更短,并且无需复杂的信号变换,处理效率高。
请参阅图2,图2是本申请实施例提供的另一种心电图心搏分类方法的流程示意图。如图2所示,该方法可以为图1所示实施例的步骤4的细化,即对待分类模板进行类型判断的方法,具体可以包括:
201、获取待分类模板中的心搏片段的第一间期和第二间期,上述第一间期为上述心搏片段与相邻前一个心搏片段的间距;上述第二间期为上述心搏片段与相邻后一个心搏片段的间距。
本申请实施例的执行主体可以为一种心电图心搏分类装置,可以为电子设备,具体实现中,上述电子设备为一种终端,也可称为终端设备,包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,上述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。在一种可选的实施方式中,上述心电图心搏分类方法可以响应于用户的操作指令,由服务器支撑运行。
其中,上述待分类模板为如图1所示实施例中除确定的主导模板以外的其他匹配的模板。本申请实施例可以通过待分类模板的散点图,判断所述待分类模板的散点图中的坐标点是否分布在预设参考线附近。具体的,可以根据待分类模板编号temp_id、模板成员索引beat_index和心搏RR间期rr_interval,获取模板成员的前RR间期beat_prerr∈[beat_num(temp_id)]和后RR间期beat_postrr∈[beat_num(temp_id)],即上述第一间期和上述第二间期。
202、以上述第一间期为横坐标,以上述第二间期为纵坐标,生成上述待分类模板的散点图。
进一步的,可以以前RR间期为横坐标,后RR间期为纵坐标构建模板成员散点图(beat_prerr,beat_postrr)。
203、获取上述心搏片段对应的坐标点与预设参考线的有符号距离。
本申请实施例中提到的预设参考线可以为45度线,比如表示为y=x+b,其中b为常数。可以根据需要设置其他的参考和距离参考规则。具体的,可以计算每个成员(心搏片段)与过零点的45度线的有符号距离
X∈[beat_num(temp_id)],计算公式可如下所示:
204、获取上述有符号距离分布服从正态分布情况下的估计均值和估计标准差。
在一种实施方式中,可以构建正态分布曲线。具体的,假设距离分布服从均值为μ,标准差为σ的正态分布,如下公式所示。设置步长为step,统计距离直方图hist(distance),获取每个距离X(i)对应的统计个数Y(i)。采用非线性最小二乘法利用X和Y拟合由以下公式表示的正态分布曲线,得到估计均值μ和估计标准差σ。
205、根据上述估计均值和上述估计标准差对上述待分类模板的散点图进行数据处理,获得上述心搏片段对应的坐标点与预设参考线的目标距离值。
具体的,可以对原始距离X消除偏移项μ,并采用3σ原理删除部分异常点后,得到新的距离值Xnew(目标距离值)。上述3σ原理是先假设一组检测数据只含随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。
206、获取上述目标距离值的标准差,判断上述标准差是否小于预设的标准差阈值;若小于,确定上述待分类模板的散点图中的坐标点分布在上述预设参考线附近;若不小于,确定上述待分类模板的散点图中的坐标点未分布在上述预设参考线附近。
具体的,可以计算目标距离值的标准差X_std,判断该标准差是否小于预设的标准差阈值TX_std。若X_std<TX_std,说明待分类模板散点图分布在45度线附近;若X_std不小于TX_std,确定待分类模板的散点图未分布在45度线附近。
207、确定上述待分类模板的类型标识为第一类型。
与判断与主导模板波形相似的待分类模板类似的,可以将散点图分布在预设参考线附近的待分类模板的类型设置为第一类型,如N。
208、获取上述待分类模板中的心搏片段的第一间期的标准差和第二间期的标准差;获得上述第一间期的标准差和上述第二间期的标准差的比值。
209、判断上述比值是否大于预设的标准差比值。
210、获取上述待分类模板的代表波形宽度,判断上述待分类模板的代表波形宽度是否大于预设的宽度阈值。
进一步的,可以判断剩下的待分类模板的散点图是否呈竖带状分布且波形宽度较大,来进行分类。具体的,可以根据待分类模板编号temp_id、模板成员索引beat_index和心搏RR间期rr_interval,获取模板成员的前RR间期beat_prerr∈[beat_num(temp_id)]和后RR间期beat_postrr∈[beat_num(temp_id)],分别计算前RR间期的标准差beat_prerr_std和后RR间期的标准差beat_postrr_std,并计算两者的比值Ratio=beat_postrr_std/beat_prerr_std。同时获取待分类模板代表波形宽度Width。设置预设的标准差比值TRatio和预设的宽度阈值TWidth。若Ratio>TRatio,判断待分类模板散点图呈竖带状分布。若Width>TWidth,判断待分类模板波形宽度较大。
通过上述两项比较确定执行步骤211或者步骤212。
211、若均大于,确定上述待分类模板的类型标识为第二类型。
将步骤210判断出的散点图呈竖带状分布且波形宽度较大的待分类模板的类型设置为第二类型,比如室性类型(以V类表示)。
212、若上述比值不大于上述预设的标准差比值,或者,上述待分类模板的代表波形宽度不大于预设的宽度阈值,确定上述待分类模板的类型标识为第三类型。
可以将不满足步骤210判断条件的待分类模板的类型设置为第三类型,如其他类型(以O类表示)。本申请实施例中的第一类型、第二类型和第三类型及其对应标志可以根据需要进行设置。
本申请实施例通过获取待分类模板中的心搏片段的第一间期和第二间期,上述第一间期为上述心搏片段与相邻前一个心搏片段的间距;上述第二间期为上述心搏片段与相邻后一个心搏片段的间距,以上述第一间期为横坐标,以上述第二间期为纵坐标,生成上述待分类模板的散点图,获取上述心搏片段对应的坐标点与预设参考线的有符号距离,再获取上述有符号距离分布服从正态分布情况下的估计均值和估计标准差,根据上述估计均值和上述估计标准差对上述待分类模板的散点图进行数据处理,获得上述心搏片段对应的坐标点与预设参考线的目标距离值,获取上述目标距离值的标准差,判断上述标准差是否小于预设的标准差阈值;若小于,确定上述待分类模板的散点图中的坐标点分布在上述预设参考线附近,可以确定上述待分类模板的类型标识为第一类型;若不小于,确定上述待分类模板的散点图中的坐标点未分布在上述预设参考线附近,进一步可以获取上述待分类模板中的心搏片段的第一间期的标准差和第二间期的标准差;获得上述第一间期的标准差和上述第二间期的标准差的比值,判断上述比值是否大于预设的标准差比值,并且,获取上述待分类模板的代表波形宽度,判断上述待分类模板的代表波形宽度是否大于预设的宽度阈值,若均大于,确定上述待分类模板的类型标识为第二类型,若上述比值不大于上述预设的标准差比值,或者,上述待分类模板的代表波形宽度不大于预设的宽度阈值,确定上述待分类模板的类型标识为第三类型。本申请利用模板数据群的概念,通过模板匹配将多个具有相似形态的心搏聚合为一个模板,仅需对模板代表波形分类即可完成模板内所有成员的分类,并借助非线性最小二乘法拟合曲线,能在一定程度抵抗干扰的影响,避免误分类,提高了分类准确度。
可以参见图3所示的一种心电图心搏分类方法全流程示意图,如图3所示,在步骤4模板匹配之后可以通过步骤8、9、11判断待分类模板类型,从而确定其中心搏片段的类型。具体步骤内容可以参考前述实施例中的描述,此处不再赘述。
本申请实施例中的心电图心搏分类方法可以应用于辅助医生分析患者心脏病情的心电图心搏分类。可以结合图3所示的流程示意图和图4-图8进行介绍。
心电图心搏分类的第一步是读取Holter数据。具体的,每份Holter数据文件包含一个DAT文件和一个DATRst文件,前者存储了包含24小时的12导联Holter原始信号数据,后者存储的是Holter数据分析结果信息,包括R波位置信息、RR间期、QRS波宽度、采样率信息fs以及主分析导联编号和次分析导联编号。
借助Holter采集设备采集到了患者A的24h的Holter数据后,可借由配套软件处理后,输出一个DAT文件和一个DATRst文件。
首先读取DAT文件,获取12导联的Holter数据后,提取由主分析导联(本例中为V5)和次分析导联(本例中为V4)构成的双导联Holter数据。
然后将双导联Holter数据经过0.5Hz-50Hz的带通滤波器,输出得到滤除基线漂移和高频噪声的带通滤波信号。
依据R波位置,设置片段宽度W为0.1s,其中R波前后各占0.05s。片段宽度对应的样本点个数为0.1*fs。对Holter数据进行划分,得到大约11万个ECG数据片段。
采用K-Means聚类后,得到模板匹配结果,如图4所示,此时模板已按成员个数从大到小顺序排序,模板编号依次为0,1,2,...。
将模板成员个数最多的模板(即编号为0)设置为主导模板,模板类型设置为N。
依次遍历剩下的待分类模板,识别每个模板的类型。
举例来讲,可以参考图4所示的一种模板匹配结果示意图。图中包括八个模板,编号分别为0-7,每个模板图像右上角的数字表示该模板成员(对应的心搏片段)数量,其中模板0的成员有104236,最多,因此被确定为主导模板。此处仅以编号为1、2和6的编号举例说明算法的执行过程。
(1)编号为1的模板波形如图5,在图3中步骤8计算待分类模板波形与主导模板波形的累计差值Sdiff=0.0867,小于给定阈值TSdiff=0.13,因此在步骤10中将该模板类型设置为N;
(2)编号为2的模板散点图分布如图6所示。当该模板因不满足图3中步骤8和9的判断后,开始进行步骤11的条件判断。可获知模板波形宽度Width=160ms,后RR间期标准差与前RR间期标准差比值Ratio=3.147。由于Width大于宽度阈值TWitdh=120ms,Ratio大于宽度阈值TRatio=3,因此在第12步中将该模板类型设置为V;
(3)编号为6的模板波形图和散点图分别如7和图8所示。从图7可见,由于受到干扰影响,R波位置并没有正确地定在如图5所示的R波上,而是在S波上,使得在步骤8中判断该模板波形与主导模板波形不相似。然后在步骤9中,算法首先获取模板成员的前RR间期和后RR间期,并计算得到与45度线的距离X=(-181.019,-181.019,-1991.21,181.019,271.529,…),采用曲线拟合方法求解得到正态分布系数μ=-16.679,σ=128.0。消除原始距离X的偏移项,并根据3σ原理删除异常点后,得到新的无偏差距离Xnew=(-164.34,-164.34,197.699,288.208,288.208,…)。计算距离标准差X_std=161.972,小于给定阈值TX_std=384.0,因此在步骤10中将该模板类型设置为N。
遍历完所有待分类模板后,更新每个模板包含的成员的类型,则完成心电图心搏分类。本申请实施例中的基于模板匹配的心电图心搏分类方法,可识别窦性类型(以N类表示)、室性类型(以V类表示)和其他类型(以O类表示),也可以根据需要设置不同的模板和参数来识别不同的类型,对此不做限制。
一般地,人工提取特征法是利用医生的专业临床经验,设计许多与心搏分类相关的参数,然后将这些参数输入到分类器进行心搏类型的识别。该方法通常需要计算大量的特征参数,算法耗时一般较长,而且受噪声干扰影响较大。而神经网络法是近年来目标识别与分类领域的研究热点,该方法可直接输入原始信号和对应人工标签,通过训练神经网络模型获得满意的分类效果。但是这种方法需要事先花费大量时间建立准确且具备多样性的训练数据库,若数据库与真实世界不符合,则模型训练效果将大打折扣。
本申请实施例中的心电图心搏分类方法结合模板匹配技术,相比前述方法而言:无需任何信号变换,仅需原始信号、RR间期和QRS波宽度三个特征参数即可完成心搏分类,计算效率高;
采用模板匹配技术将多个具有相似形态的心搏聚合为一个模板,仅需对模板代表波形分类即可完成模板内所有成员的分类,并且还可以采用多核CPU并行运算技术同时处理不同的模板,算法耗时短;
模板代表波形以及相应代表参数是模板成员平均值的结果,避免部分成员受噪声影响后参数计算错误而出现误分类的情形,从而可以提升分类的抗干扰能力;
在模板分类逻辑中引入曲线拟合的最优化方法技术,进一步消除模板的整体偏差,提高了鲁棒性。
基于上述心电图心搏分类方法实施例的描述,本申请实施例还公开了一种心电图心搏分类装置。请参见图9,心电图心搏分类装置900包括:
划分模块910,用于获取心电图数据,对上述心电图数据进行划分,获得多个心搏片段;
匹配模块920,将上述多个心搏片段分别与预设的数据模板匹配,确定上述多个心搏片段中各个心搏片段对应的数据模板,以及上述数据模板的模板标识;
处理模块930,用于在上述各个心搏片段对应的数据模板中确定一个主导模板,设置上述主导模板的类型标识为第一类型;
上述处理模块930还用于,对上述数据模板中除上述主导模板以外的待分类模板进行类型判断,确定上述待分类模板的类型标识;
设置模块940,用于将上述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
根据本申请的一个实施例,图1和图2所示的方法所涉及的各个步骤均可以是由图9所示的心电图心搏分类装置900中的各个模块执行的,此处不再赘述。
本申请实施例中的心电图心搏分类装置900,通过获取心电图数据,对上述心电图数据进行划分,获得多个心搏片段,将上述多个心搏片段分别与预设的数据模板匹配,确定上述多个心搏片段中各个心搏片段对应的数据模板,以及上述数据模板的模板标识,在上述各个心搏片段对应的数据模板中确定一个主导模板,设置上述主导模板的类型标识为第一类型,再对上述数据模板中除上述主导模板以外的待分类模板进行类型判断,确定上述待分类模板的类型标识,然后将上述各个心搏片段的类型标识设置为对应的数据模板的类型标识,通过模板匹配将多个具有相似形态的心搏聚合为一个模板,仅需对模板代表波形分类即可完成模板内所有成员的分类,可以并行处理不同的模板数据,耗时更短,并且无需复杂的信号变换,处理效率高。
基于上述方法实施例以及装置实施例的描述,本申请实施例还提供一种电子设备。请参见图10,该电子设备1000至少包括处理器1001、输入设备1002、输出设备1003以及计算机存储介质1004。其中,终端内的处理器1001、输入设备1002、输出设备1003以及计算机存储介质1004可通过总线或其他方式连接。
计算机存储介质1004可以存储在终端的存储器中,上述计算机存储介质1004用于存储计算机程序,上述计算机程序包括程序指令,上述处理器1001用于执行上述计算机存储介质1004存储的程序指令。处理器1001(或称CPU(Central Processing Unit,中央处理器))是终端的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能;在一个实施例中,本申请实施例上述的处理器1001可以用于进行一系列的处理,包括如图1和图2所示实施例中方法等等。
本申请实施例还提供了一种计算机存储介质(Memory),上述计算机存储介质是终端中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括终端中的内置存储介质,当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器1001加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中,可由处理器1001加载并执行计算机存储介质中存放的一条或多条指令,以实现上述实施例中的相应步骤;具体实现中,计算机存储介质中的一条或多条指令可以由处理器1001加载并执行图1和/或图2中方法的任意步骤,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory,ROM),或随机存储存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solid state disk,SSD)等。
Claims (10)
1.一种心电图心搏分类方法,其特征在于,包括:
获取心电图数据,对所述心电图数据进行划分,获得多个心搏片段;
将所述多个心搏片段分别与预设的数据模板匹配,确定所述多个心搏片段中各个心搏片段对应的数据模板,以及所述数据模板的模板标识;
在所述各个心搏片段对应的数据模板中确定一个主导模板,设置所述主导模板的类型标识为第一类型;
对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识;
将所述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
2.根据权利要求1所述的心电图心搏分类方法,其特征在于,所述对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识包括:
获取各个所述待分类模板的波形与所述主导模板的波形的相似度差值;
若所述相似度差值小于预设差值阈值,确定所述待分类模板的类型标识为所述第一类型。
3.根据权利要求2所述的心电图心搏分类方法,其特征在于,所述对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识,还包括:
获取所述待分类模板的散点图,判断所述待分类模板的散点图中的坐标点是否分布在预设参考线附近;
若是,确定所述待分类模板的类型标识为所述第一类型。
4.根据权利要求3所述的心电图心搏分类方法,其特征在于,所述获取所述待分类模板的散点图包括:
获取所述待分类模板中的心搏片段的第一间期和第二间期,所述第一间期为所述心搏片段与相邻前一个心搏片段的间距;所述第二间期为所述心搏片段与相邻后一个心搏片段的间距;
以所述第一间期为横坐标,以所述第二间期为纵坐标,生成所述待分类模板的散点图。
5.根据权利要求3或4所述的心电图心搏分类方法,其特征在于,所述判断所述待分类模板的散点图中的坐标点是否分布在预设参考线附近,包括:
获取所述心搏片段对应的坐标点与预设参考线的有符号距离;
获取所述有符号距离分布服从正态分布情况下的估计均值和估计标准差;
根据所述估计均值和所述估计标准差对所述待分类模板的散点图进行数据处理,获得所述心搏片段对应的坐标点与预设参考线的目标距离值;
获取所述目标距离值的标准差,判断所述标准差是否小于预设的标准差阈值;
若小于,确定所述待分类模板的散点图中的坐标点分布在所述预设参考线附近;若不小于,确定所述待分类模板的散点图中的坐标点未分布在所述预设参考线附近。
6.根据权利要求5所述的心电图心搏分类方法,其特征在于,所述确定所述待分类模板的散点图中的坐标点未分布在所述预设参考线附近之后,所述方法还包括:
获取所述待分类模板中的心搏片段的第一间期的标准差和第二间期的标准差;获得所述第一间期的标准差和所述第二间期的标准差的比值;
判断所述比值是否大于预设的标准差比值;
获取所述待分类模板的代表波形宽度,判断所述待分类模板的代表波形宽度是否大于预设的宽度阈值;
若均大于,确定所述待分类模板的类型标识为第二类型;
若所述比值不大于所述预设的标准差比值,或者,所述待分类模板的代表波形宽度不大于预设的宽度阈值,确定所述待分类模板的类型标识为第三类型。
7.根据权利要求1-4任一项所述的心电图心搏分类方法,其特征在于,所述获取心电图数据之前,所述方法还包括:
获取采集的多导联心电图数据;根据所述多导联心电图数据中的主分析导联编号和次分析导联编号构建双导联心电图数据;
对所述双导联心电图数据进行带通滤波,获得所述心电图数据;
所述对所述心电图数据进行划分,获得多个心搏片段包括:
根据检测获得的R波位置信息对所述心电图数据进行划分,获得多个以所述R波位置为中心的等长度的心搏片段。
8.一种心电图心搏分类装置,其特征在于,包括:
划分模块,用于获取心电图数据,对所述心电图数据进行划分,获得多个心搏片段;
匹配模块,将所述多个心搏片段分别与预设的数据模板匹配,确定所述多个心搏片段中各个心搏片段对应的数据模板,以及所述数据模板的模板标识;
处理模块,用于在所述各个心搏片段对应的数据模板中确定一个主导模板,设置所述主导模板的类型标识为第一类型;
所述处理模块还用于,对所述数据模板中除所述主导模板以外的待分类模板进行类型判断,确定所述待分类模板的类型标识;
设置模块,用于将所述各个心搏片段的类型标识设置为对应的数据模板的类型标识。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的心电图心搏分类方法的步骤。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的心电图心搏分类方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554239.9A CN113876335B (zh) | 2020-06-17 | 2020-06-17 | 心电图心搏分类方法、装置、电子设备和介质 |
PCT/CN2020/126352 WO2021253709A1 (zh) | 2020-06-17 | 2020-11-04 | 心电图心搏分类方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554239.9A CN113876335B (zh) | 2020-06-17 | 2020-06-17 | 心电图心搏分类方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113876335A true CN113876335A (zh) | 2022-01-04 |
CN113876335B CN113876335B (zh) | 2023-05-02 |
Family
ID=79011777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554239.9A Active CN113876335B (zh) | 2020-06-17 | 2020-06-17 | 心电图心搏分类方法、装置、电子设备和介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113876335B (zh) |
WO (1) | WO2021253709A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469041A (zh) * | 2022-01-30 | 2022-05-13 | 北京理工大学 | 一种运动过程中心率变化数据特征分析方法 |
CN115486855A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 |
CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102241800B1 (ko) * | 2020-09-04 | 2021-04-19 | 주식회사 에이티센스 | 상심실 부정맥 및 심실 부정맥 여부를 식별하는 심전도 신호 처리 장치, 방법 및 컴퓨터 프로그램 |
CN117958835A (zh) * | 2024-03-28 | 2024-05-03 | 北华大学 | 用于患者术后康复的心电图分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5817027A (en) * | 1995-11-29 | 1998-10-06 | Hewlett-Packard Company | Method and apparatus for classifying heartbeats in an ECG waveform |
CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及系统 |
CN110693483A (zh) * | 2019-09-02 | 2020-01-17 | 乐普智芯(天津)医疗器械有限公司 | 一种动态心电图自动分析的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015169724A1 (en) * | 2014-05-09 | 2015-11-12 | Universiteit Gent | Detection of pulmonary vein isolation |
CN109171704A (zh) * | 2018-09-19 | 2019-01-11 | 深圳市理邦精密仪器股份有限公司 | 心电波形分析的方法、装置、终端和计算机可读存储介质 |
CN110464333B (zh) * | 2019-07-23 | 2022-04-22 | 深圳邦健生物医疗设备股份有限公司 | 一种心电图数据的存储方法及装置 |
-
2020
- 2020-06-17 CN CN202010554239.9A patent/CN113876335B/zh active Active
- 2020-11-04 WO PCT/CN2020/126352 patent/WO2021253709A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5817027A (en) * | 1995-11-29 | 1998-10-06 | Hewlett-Packard Company | Method and apparatus for classifying heartbeats in an ECG waveform |
CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及系统 |
CN110693483A (zh) * | 2019-09-02 | 2020-01-17 | 乐普智芯(天津)医疗器械有限公司 | 一种动态心电图自动分析的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114469041A (zh) * | 2022-01-30 | 2022-05-13 | 北京理工大学 | 一种运动过程中心率变化数据特征分析方法 |
CN115486855A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 |
CN115486855B (zh) * | 2022-09-15 | 2024-05-03 | 浙江好络维医疗技术有限公司 | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 |
CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
CN116350199B (zh) * | 2023-05-31 | 2023-08-18 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021253709A1 (zh) | 2021-12-23 |
CN113876335B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113876335B (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
Liu et al. | Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using electrocardiogram | |
Tuncer et al. | Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals | |
Zhang et al. | Automated detection of myocardial infarction using a gramian angular field and principal component analysis network | |
Fang et al. | Human identification by quantifying similarity and dissimilarity in electrocardiogram phase space | |
Wang et al. | An improved convolutional neural network based approach for automated heartbeat classification | |
EP2224346B1 (en) | Ecg signal analysis tool | |
CN113613559A (zh) | 用于描绘和分类的心电图处理系统 | |
CN110464333B (zh) | 一种心电图数据的存储方法及装置 | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN112528783B (zh) | 心电图心搏数据聚类方法、装置、电子设备和介质 | |
CN106923820B (zh) | 一种心电信号伪差识别方法及心电信号伪差识别装置 | |
Poddar et al. | Automated classification of hypertension and coronary artery disease patients by PNN, KNN, and SVM classifiers using HRV analysis | |
Wang et al. | Automatic digital ECG signal extraction and normal QRS recognition from real scene ECG images | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
Yang et al. | A novel method for identifying electrocardiograms using an independent component analysis and principal component analysis network | |
WO2022134472A1 (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN109009073A (zh) | 房颤检测装置及存储介质 | |
CN111920399A (zh) | 心率变异性的分析方法及装置 | |
CN109222964A (zh) | 房颤检测装置及存储介质 | |
Yang et al. | A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net | |
Barmpoutis et al. | Multi-lead ECG signal analysis for myocardial infarction detection and localization through the mapping of Grassmannian and Euclidean features into a common Hilbert space | |
TWI288875B (en) | Multiple long term auto-processing system and method thereof | |
Weng et al. | Myocardial infarction classification by morphological feature extraction from big 12-lead ECG data | |
CN109044338A (zh) | 房颤检测装置及存储介质 |
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 |