CN113892933A - 一种心脏机械活动波形关键基准点检测方法和系统 - Google Patents
一种心脏机械活动波形关键基准点检测方法和系统 Download PDFInfo
- Publication number
- CN113892933A CN113892933A CN202111179561.9A CN202111179561A CN113892933A CN 113892933 A CN113892933 A CN 113892933A CN 202111179561 A CN202111179561 A CN 202111179561A CN 113892933 A CN113892933 A CN 113892933A
- Authority
- CN
- China
- Prior art keywords
- peak
- sequence
- search
- current
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000694 effects Effects 0.000 title claims abstract description 40
- 230000000747 cardiac effect Effects 0.000 title description 18
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 4
- 206010003662 Atrial flutter Diseases 0.000 claims description 3
- 208000004301 Sinus Arrhythmia Diseases 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 claims description 3
- 208000019622 heart disease Diseases 0.000 claims description 3
- 208000007888 Sinus Tachycardia Diseases 0.000 claims description 2
- 206010040741 Sinus bradycardia Diseases 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000033764 rhythmic process Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 9
- 208000024172 Cardiovascular disease Diseases 0.000 description 8
- 210000001765 aortic valve Anatomy 0.000 description 7
- 230000008602 contraction Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000004115 mitral valve Anatomy 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000037380 skin damage Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—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
- A61B5/7203—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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法、系统和存储介质。首先对采集到的雷达回波数据分解出雷达心脏机械活动波形数据；采用滤波方法得到处理后的雷达回波数据和候选AO峰位置序列；对AO峰进行漏检判断，将漏检AO峰插入，得到新AO峰位置序列；进行伪AO峰判断，将伪AO峰舍去，得到新AO峰序列；通过搜索局部范围内最大值来进行AO峰微调，得到最终AO峰序列；对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
Description
技术领域
本发明涉及心脏状态监测领域，具体涉及基于毫米波雷达的心脏机械活动波形关键基准点检测。
背景技术
心血管疾病是一种严重威胁人类健康的常见病，目前我国心血管疾病患病率约为2.9亿，且仍处于上升状态。研究表明，心血管疾病的死亡率居首位，占居民疾病死亡总量的40％以上，是迫切需要医疗关注的疾病之一。心血管疾病的检测和诊断依赖于多种临床模式，包括心电图(ECG)、超声心动图、计算机断层扫描(CT)、磁共振成像(MRI)等。心电图是临床常用的诊断手段之一，但其仅可监测心脏的电活动，而部分心血管疾病表现为心脏力学所产生的振动和声音信号，因此很难用心电图准确检测。此外，传统的检测手段均采用接触式设备，且需要专业医疗人员，通常不能立即进行。对于某些特殊场合如养老院全天监测、皮肤受损、传染性疾病、精神病人等，非接触式设备则更具优势。常见的非接触检测方法包括红外、视频、声波、电磁波等。其中，毫米波雷达凭借带宽宽、波束窄、分辨率高等优点得到了广泛的应用。
毫米波雷达可以通过监测心脏运动导致的胸腔微动，从而监测心脏的机械活动。心脏机械活动波形中可观察到心脏的收缩和舒张以及瓣膜的打开和关闭，对部分心脏临床诊断，如冠心病、心脏瓣膜结构缺陷、心房颤动、心房扑动等有着指导意义。
利用毫米波雷达进行心脏状态监测的过程中，心脏机械活动波形的重要基准点的定位是波形形态学分析的首要步骤。所述心脏机械运动波形基准点包括等体积运动(IM)、等张收缩(IC)、主动脉瓣打开(AO)、主动脉瓣关闭(AC)和二尖瓣打开(MO)。
其中，主动脉瓣打开(AO)是心脏机械活动波形中最重要的组成部分之一，在心脏状态监测中具有较高的作用。
然而，现有技术利用毫米波雷达只进行了生命体征的检测，包括心跳、呼吸等，并没有继续挖掘毫米波雷达所采集到的心脏机械活动波形的特点，并没有去进行心脏机械活动波形基准点的检测和识别，从而从心脏机械活动的角度去进行部分心血管疾病的智能辅助诊断。
现有技术CN110403580A公开了一种脉搏波传导参数测量方法和脉搏波传导参数处理设备。包括：传感装置101，可以被配置为获取对象102的振动信息。传感装置101可以是雷达传感器。基于所述振动信息生成血流动力学相关信息；确定所述血流动力学相关信息中的第一特征点和第二特征点，其中，所述第一特征点是与所述对象主动脉瓣打开(AO)时间相关的点，所述第二特征点是与所述对象脉搏波到达时间相关的点；和基于所述第一特征点和所述第二特征点确定所述对象的脉搏波传导时间。测试者只需要躺在测量设备上即可进行测量，在无需直接接触人体的情况下测量。然而上述现有技术并没有针对毫米波雷达仅仅利用心脏机械运动波形数据的前提下进行AO点检测。
现有技术CN109799914A公开了一种从心冲击图(BCG)检测机械性收缩事件的方法和装置。包括：将补偿受试者身体的机械响应的传递函数应用于所述受试者的BCG，使得整体传递函数在目标频率范围内是平坦的；将所述受试者身体的机械响应建模为机械二阶低通滤波器；将滤波器之后获得的信号中的基准点用于检测主动脉瓣的打开。上述现有技术仍然利用接触式的传感装置，基准点定位不够快速；此外对于某些特殊场合，例如养老院，不具备可用性。
现有技术CN111481185A公开了一种基于射血前期的连续血压估计装置和方，与本发明最接近。利用心电信号(ECG)辅助心震信号(SCG)进行AO点监测，从而进行血压估计。其中，AO点检测的过程：首先定位ECG中R波波峰位置，R波波峰位置向后20-120ms作为搜索窗，将时间窗内最大值作为AO点位置。然而，上述现有技术并没有针对毫米波雷达仅仅利用心脏机械运动波形数据的前提下进行AO点检测；其使用ECG辅助SCG信号，仍然存在检测设备较多、使用不便、不够快速的缺点。
因此，现有技术的上述方案中，存在着鲁棒性不够好、基准点定位不够快速的问题。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法、系统和存储介质。
本发明提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法，其特征在于，包括：
在本发明的一个实施例中，提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法，其特征在于，包括：
步骤1，利用毫米波雷达采集多条不同受试者的雷达回波数据；
步骤2，将雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
步骤3，对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；
步骤4，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入候选AO峰位置序列中,如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
步骤5，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
步骤6，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
步骤7，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
本发明提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测系统，其特征在于，包括：
数据获取模块，利用毫米波雷达采集多条不同受试者的雷达回波数据；
数据预处理模块，将采集到的雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
候选AO峰位置序列获取模块，首先对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；
新AO峰位置序列获取模块，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入初始AO峰位置序列中，如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
新AO峰序列获取模块，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
最终AO峰序列获取模块，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
其他基准点定位模块，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
本发明提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述基于毫米波雷达的心脏机械活动波形关键基准点检测方法。
基于上述方案，本发明解决了现有技术中鲁棒性不够好、定位不够快速的问题。本发明可在仅用心脏机械运动波形数据的前提下进行包括AO点在内的关键基准点检测，可以更快速，更准确的点位AO点，从而可避免在使用心脏机械运动波形形态学特征进行心脏疾病监测的过程中因AO点的误检和漏检而导致的导致部分心律失常疾病，如窦性心律不齐、窦性停搏、心房颤动、异位搏动等被误检。本发明首次采用毫米波雷达进行心脏机械活动波形的形态学分析。本发明可以非接触的监测心脏的收缩和舒张以及瓣膜的打开和关闭。同时，相较于超声心动图、计算机断层扫描、磁共振成像等方式，本发明成本低廉，使用方便，能实现长期监测。与现有技术相比，本发明提供了一种鲁棒性好、能够快速定位心脏机械活动波形的重要基准点的技术。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为心脏机械活动波形关键基准点检测方法流程图。
图2为AO峰漏检判断。
图3为伪AO峰判断。
图4为AO峰微调。
图5为单个心拍其他关键基准点定位示意图。
图6为其他关键基准点定位。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关术语解释：
毫米波雷达：工作频率为30-300GHz(对应电磁波波长为10mm～1mm)的雷达；
雷达心脏机械活动波形数据(RCG)：采用毫米波雷达采集的心脏机械运动信号；
心脏机械运动波形基准点：包括等体积运动(IM)、等张收缩(IC)、主动脉瓣打开(AO)、主动脉瓣关闭(AC)和二尖瓣打开(MO)。
图1是根据本发明实施例的心脏机械活动波形关键基准点检测方法流程图。
在本发明的一个实施例中，提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法，其特征在于，包括：
步骤1，利用毫米波雷达采集多条不同受试者的雷达回波数据；
步骤2，将雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
步骤3，对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；
步骤4，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入候选AO峰位置序列中,如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
步骤5，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
步骤6，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
步骤7，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
可选地，步骤1中，雷达回波数据量超过2000条；数据覆盖多种心脏疾病类型，包括正常、窦性心律、心房颤动、心房扑动、窦性心动过缓、窦性心动过速、窦性心律不齐和冠心病。
可选地，步骤2中，预处理包括波束成形、相位信息提取、相位解卷绕。
可选地，步骤3中，数据重采样之后确保数据的采样频率为500Hz；带通滤波器的通过频率为[1-40]Hz。
可选地，步骤3中，所述滤波方法是改进的Pan-Tompkins。
可选地，步骤3中，采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I，具体包括：进行8-20Hz的巴特沃斯带通滤波器滤波、与一阶微分滤波器进行卷积、平方滤波、滑窗积分得到处理后的雷达回波数据RCG_C，并利用窗口大小为200ms的滑窗寻找RCG_C数据局部最大值的方法检测候选AO峰位置序列AO_peak_I。
可选地，步骤4中，包括：
1)将步骤3所得候选AO峰位置序列AO_peak_I作为原始数据，计算每两个AO峰的间隔，作为AO峰间隔序列AO_AO_I，计算AO峰间隔序列的众数Mode；
2)确定疑似AO峰的搜索阈值为search_Ap＝(n-1)*Mode*0.5，其中n为序列中AO峰的数量；
3)确定疑似AO峰的搜索范围search_Ap_range，令m为当前AO峰的索引值，根据m分为三种情况：
当m＝0时，即为首个AO峰时，若存在首个AO峰的位置大于n*1.2倍的AO峰间隔序列众数时，确定疑似AO峰的搜索范围为search_Ap_range＝[0,AO_peak_I[0]-search_Ap]；
当m＝len(AO_peak_I)-1时，即为末尾AO峰时，若存在末尾AO峰的位置小于n*1.2倍的Mode与RCG数据长度的差值时，确定疑似AO峰的搜索范围为search_Ap_range＝[AO_peak_I[-1]+search_Ap,0]；其中len为序列中的数据数量，AO_peak_I[-1]为序列中的最后一个数据；
当0<m<len(AO_peak_I)-1时，若存在当前AO峰的间隔大于n*0.85倍的AO峰间隔序列众数时，确定疑似AO峰的搜索范围为search_Ap_range＝[AO_AO_I[m]-search_Ap,AO_AO_I[m]+search_Ap]；
4)对于候选AO峰位置序列，令i为序列的索引值，LOC[i]为当前候选AO峰；在搜索范围search_Ap_range内搜索LOC[i]，若LOC[i]在search_Ap_range内，则判为存在AO峰漏检，将LOC[i]定义为疑似AO峰，插入初始AO峰序列中；最终得到新AO峰位置序列AO_peak_R。
步骤4中的AO峰漏检判断可包括图2所示步骤。
可选地，步骤5中，包括：
1)对步骤4所得新AO峰位置序列AO_peak_R进行差分，计算出若干个AO峰间隔，作为新AO峰间隔序列AO_AO_R，并计算新AO峰间隔序列的众数Mode；
2)当0≤m<len(AO_peak_R)-1时，伪AO峰的搜索阈值定义为THR＝Mode*0.8，当m＝len(AO_peak_R)-1时，伪AO峰的搜索阈值定义为THR＝Mode*0.5；其中len为序列中的数据数量；
3)当0≤m<len(AO_peak_R)-1时，针对第m个AO峰，若同时满足当前AO峰与前一AO峰的间隔以及与后一AO峰的间隔大于阈值，即同时满足AO_AO_R[m]>THR和AO_AO_R[m-1]>THR时，则认为当前AO峰为有效AO峰；
否则，若存在RCG_C[AO_peak_R[m]]<RCG_C[AO_peak_R[m-1]]且当前AO峰位置所对应的RCG_C值小于0.15时，将当前AO峰判为伪AO峰，舍去当前AO峰，并更新AO峰位置序列，否则认为当前AO峰为有效AO峰，不对AO峰位置序列做处理；
4)当m＝len(AO_peak_R)时，针对最后一个AO峰，判断当前AO峰位置与数据长度的差值与阈值的大小，若满足len(RCG_C)-AO_peak_R[m]>THR，则认为当前AO峰为有效AO峰；
否则，若存在RCG_C[AO_peak_R[-1]]<RCG_C[AO_peak_R[-2]]且当前AO峰位置所对应的RCG_C值小于0.15时，将当前AO峰判为伪AO峰，舍去当前AO峰，并更新AO峰位置序列，否则认为当前AO峰为有效AO峰，不对AO峰位置序列做处理；
5)将伪AO峰舍去后的AO峰位置序列，作为新AO峰序列AO_peak_N。
步骤5中的伪AO峰判断可包括图3所示步骤。
可选地，步骤6中，包括：
1)根据步骤5所得新AO峰序列AO_peak_N，确定AO峰微调搜索范围AO_FT_range；令i为序列的索引值，AO_FT_range[i]＝[AO_peak_N[i]-25,AO_peak_N[i]+10]，并找出微调搜索范围内的RCG的最大幅值记为max_FT_range[i]；
2)比较当前AO峰幅值与当前最大幅值的大小，若存在AO峰的幅值RCG[AO_peak_N[i]]小于最大幅值max_FT_range[i]，则用最大幅值对应位置索引替换当前AO峰，否则，不做微调；
3)最后更新AO峰序列，作为最终AO峰序列AO_peak。
步骤6中的AO峰微调可包括图4所示步骤。
可选地，步骤7中，包括：
1)根据步骤6所得最终AO峰序列AO_peak，去除首尾AO峰，计算单个心拍的持续时间len_beat＝(AO_peak[-2]-AO_peak[1])/n-2，其中n为序列中AO峰的数量，AO_peak[-2]为序列中倒数第二个数据；
2)然后，以上述所得AO峰位置为基础，向前截取len_beat*0.35个采样点，向后截取len_beat*0.65个采样点，分割成单个心拍，令i为序列的索引值，其中单个心拍的截取范围为AO_beat_range[i]＝[AO_peak_N[i]-len_beat*0.35,AO_peak_N[i]+len_beat*0.65；
3)找出单个心拍中所有的过零点，记为ZCP；
4)找出单个心拍中所有小于阈值的点，作为部分基准点的备选点，记为N，其中阈值THR＝-0.02；
5)找出离备选点N[i]最近的两个过零点分别记为ZCP_N[2*i]和ZCP_N[2*i+1]；
6)将备选点N[i]与两个过零点分别构成直线ZN[2*i]和ZN[2*i+1]，并计算两直线ZN[2*i]和ZN[2*i+1]的夹角，记为Angle[i]；
7)找出夹角序列中最小的四个夹角，按原有顺序组成新的序列，记为Angle_S；并找出夹角序列Angle_S所对应的备选点，组成新的备选点序列Sapre_N；
8)判断Sapre_N[i]与AO_peak的大小，当存在Sapre_N[2]<AO_peak时，将Sapre_N[1]判为IM点，Sapre_N[2]判为IC点，当存在Sapre_N[3]>AO_peak时，将Sapre_N[3]判为AC点，Sapre_N[4]判为MO点，否则，输出未找到其他关键点，进入下一个心拍循环；
9)最终得到每个心拍循环的基准点AO点、IM点、IC点、AC点、MO点。
步骤7中，单个基准点定位示意图如图5所示。
步骤7中的基准点定位可包括图6所示步骤。
在另一实施例中，本发明提供了一种基于毫米波雷达的心脏机械活动波形关键基准点检测系统，其特征在于，包括：
数据获取模块，利用毫米波雷达采集多条不同受试者的雷达回波数据；
数据预处理模块，将采集到的雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
候选AO峰位置序列获取模块，首先对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；
新AO峰位置序列获取模块，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入初始AO峰位置序列中，如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
新AO峰序列获取模块，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
最终AO峰序列获取模块，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
其他基准点定位模块，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
在另一实施例中，本发明提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多个程序；在所述程序运行时控制所述计算机可读存储介质所在设备加载并执行上述基于毫米波雷达的心脏机械活动波形关键基准点检测方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种基于毫米波雷达的心脏机械活动波形关键基准点检测方法，其特征在于，包括：
步骤1，利用毫米波雷达采集多条不同受试者的雷达回波数据；
步骤2，将雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
步骤3，对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；s
步骤4，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入候选AO峰位置序列中,如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
步骤5，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
步骤6，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
步骤7，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
2.根据权利要求1所述的方法，其特征在于，步骤1中，雷达回波数据量超过2000条；数据覆盖多种心脏疾病类型，包括正常、窦性心律、心房颤动、心房扑动、窦性心动过缓、窦性心动过速、窦性心律不齐和冠心病。
3.根据权利要求1所述的方法，其特征在于，步骤2中，预处理包括波束成形、相位信息提取、相位解卷绕。
4.根据权利要求1所述的方法，其特征在于，步骤3中，数据重采样之后确保数据的采样频率为500Hz；带通滤波器的通过频率为1-40Hz。
5.根据权利要求1所述的方法，其特征在于，步骤3中，
采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I，具体包括：进行8-20Hz的巴特沃斯带通滤波器滤波、与一阶微分滤波器进行卷积、平方滤波、滑窗积分得到处理后的雷达回波数据RCG_C，并利用窗口大小为200ms的滑窗寻找RCG_C数据局部最大值的方法检测候选AO峰位置序列AO_peak_I。
6.根据权利要求1所述的方法，其特征在于，步骤4中，包括：
1)将步骤3所得候选AO峰位置序列AO_peak_I作为原始数据，计算每两个AO峰的间隔，作为AO峰间隔序列AO_AO_I，计算AO峰间隔序列的众数Mode；
2)确定疑似AO峰的搜索阈值为search_Ap＝(n-1)*Mode*0.5，其中n为序列中AO峰的数量；
3)确定疑似AO峰的搜索范围search_Ap_range，令m为当前AO峰的索引值，根据m分为三种情况：
当m＝0时，即为首个AO峰时，若存在首个AO峰的位置大于n*1.2倍的AO峰间隔序列众数时，确定疑似AO峰的搜索范围为search_Ap_range＝[0,AO_peak_I[0]-search_Ap]；
当m＝len(AO_peak_I)-1时，即为末尾AO峰时，若存在末尾AO峰的位置小于n*1.2倍的Mode与RCG数据长度的差值时，确定疑似AO峰的搜索范围为search_Ap_range＝[AO_peak_I[-1]+search_Ap,0]；其中len为序列中的数据数量，AO_peak_I[-1]为序列中的最后一个数据；
当0<m<len(AO_peak_I)-1时，若存在当前AO峰的间隔大于n*0.85倍的AO峰间隔序列众数时，确定疑似AO峰的搜索范围为search_Ap_range＝[AO_AO_I[m]-search_Ap,AO_AO_I[m]+search_Ap]；
4)对于候选AO峰位置序列，令i为序列的索引值，LOC[i]为当前候选AO峰；在搜索范围search_Ap_range内搜索LOC[i]，若LOC[i]在search_Ap_range内，则判为存在AO峰漏检，将LOC[i]定义为疑似AO峰，插入初始AO峰序列中；最终得到新AO峰位置序列AO_peak_R。
7.根据权利要求1所述的方法，其特征在于，步骤5中，包括：
1)对步骤4所得新AO峰位置序列AO_peak_R进行差分，计算出若干个AO峰间隔，作为新AO峰间隔序列AO_AO_R，并计算新AO峰间隔序列的众数Mode；
2)当0≤m<len(AO_peak_R)-1时，伪AO峰的搜索阈值定义为THR＝Mode*0.8，当m＝len(AO_peak_R)-1时，伪AO峰的搜索阈值定义为THR＝Mode*0.5；其中len为序列中的数据数量；
3)当0≤m<len(AO_peak_R)-1时，针对第m个AO峰，若同时满足当前AO峰与前一AO峰的间隔以及与后一AO峰的间隔大于阈值，即同时满足AO_AO_R[m]>THR和AO_AO_R[m-1]>THR时，则认为当前AO峰为有效AO峰；
否则，若存在RCG_C[AO_peak_R[m]]<RCG_C[AO_peak_R[m-1]]且当前AO峰位置所对应的RCG_C值小于0.15时，将当前AO峰判为伪AO峰，舍去当前AO峰，并更新AO峰位置序列，否则认为当前AO峰为有效AO峰，不对AO峰位置序列做处理；
4)当m＝len(AO_peak_R)时，针对最后一个AO峰，判断当前AO峰位置与数据长度的差值与阈值的大小，若满足len(RCG_C)-AO_peak_R[m]>THR，则认为当前AO峰为有效AO峰；
否则，若存在RCG_C[AO_peak_R[-1]]<RCG_C[AO_peak_R[-2]]且当前AO峰位置所对应的RCG_C值小于0.15时，将当前AO峰判为伪AO峰，舍去当前AO峰，并更新AO峰位置序列，否则认为当前AO峰为有效AO峰，不对AO峰位置序列做处理；
5)将伪AO峰舍去后的AO峰位置序列，作为新AO峰序列AO_peak_N。
8.根据权利要求7所述的方法，其特征在于，步骤6中，包括：
1)根据步骤5所得新AO峰序列AO_peak_N，确定AO峰微调搜索范围AO_FT_range；令i为序列的索引值，AO_FT_range[i]＝[AO_peak_N[i]-25,AO_peak_N[i]+10]，并找出微调搜索范围内的RCG的最大幅值记为max_FT_range[i]；
2)比较当前AO峰幅值与当前最大幅值的大小，若存在AO峰的幅值RCG[AO_peak_N[i]]小于最大幅值max_FT_range[i]，则用最大幅值对应位置索引替换当前AO峰，否则，不做微调；
3)最后更新AO峰序列，作为最终AO峰序列AO_peak。
9.根据权利要求6所述的方法，其特征在于，步骤7中，包括：
1)根据步骤6所得最终AO峰序列AO_peak，去除首尾AO峰，计算单个心拍的持续时间len_beat＝(AO_peak[-2]-AO_peak[1])/n-2，其中n为序列中AO峰的数量，AO_peak[-2]为序列中倒数第二个数据；
2)然后，以上述所得AO峰位置为基础，向前截取len_beat*0.35个采样点，向后截取len_beat*0.65个采样点，分割成单个心拍，令i为序列的索引值，其中单个心拍的截取范围为AO_beat_range[i]＝[AO_peak_N[i]-len_beat*0.35,AO_peak_N[i]+len_beat*0.65；
3)找出单个心拍中所有的过零点，记为ZCP；
4)找出单个心拍中所有小于阈值的点，作为部分基准点的备选点，记为N，其中阈值THR＝-0.02；
5)找出离备选点N[i]最近的两个过零点分别记为ZCP_N[2*i]和ZCP_N[2*i+1]；
6)将备选点N[i]与两个过零点分别构成直线ZN[2*i]和ZN[2*i+1]，并计算两直线ZN[2*i]和ZN[2*i+1]的夹角，记为Angle[i]；
7)找出夹角序列中最小的四个夹角，按原有顺序组成新的序列，记为Angle_S；并找出夹角序列Angle_S所对应的备选点，组成新的备选点序列Sapre_N；
8)判断Sapre_N[i]与AO_peak的大小，当存在Sapre_N[2]<AO_peak时，将Sapre_N[1]判为IM点，Sapre_N[2]判为IC点，当存在Sapre_N[3]>AO_peak时，将Sapre_N[3]判为AC点，Sapre_N[4]判为MO点，否则，输出未找到其他关键点，进入下一个心拍循环；
9)最终得到每个心拍循环的基准点AO点、IM点、IC点、AC点、MO点。
10.一种基于毫米波雷达的心脏机械活动波形关键基准点检测系统，其特征在于，包括：
数据获取模块，利用毫米波雷达采集多条不同受试者的雷达回波数据；
数据预处理模块，将采集到的雷达回波数据进行预处理，分解得到雷达心脏机械活动波形数据；
候选AO峰位置序列获取模块，首先对雷达心脏机械活动波形数据进行重采样和带通滤波器滤波；然后采用滤波方法得到处理后的雷达回波数据RCG_C和候选AO峰位置序列AO_peak_I；
新AO峰位置序列获取模块，对AO峰进行漏检判断：根据AO峰间隔序列，确定疑似AO峰的搜索阈值以及搜索范围，判断是否存在AO峰漏检；如果存在，将漏检AO峰插入初始AO峰位置序列中，如果不存在，则不处理；得到新AO峰位置序列AO_peak_R；
新AO峰序列获取模块，进行伪AO峰判断：根据AO峰间隔序列，确定伪AO峰的搜索阈值以及搜索范围，根据当前AO峰及前一AO峰所对应的RCG_C值的大小，判断是否存在伪AO峰；如果存在，将伪AO峰舍去，如果不存在，则不处理；得到新AO峰序列AO_peak_N；
最终AO峰序列获取模块，对新AO峰序列进行微调，得到最终AO峰序列AO_peak；
其他基准点定位模块，利用最终AO峰序列，对单个心拍进行切割，确定其他关键基准点的搜索范围，通过判断信号过零点与备选点所连直线的夹角，定位其他基准点。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述权利要求1-9任一项的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179561.9A CN113892933B (zh) | 2021-10-11 | 2021-10-11 | 一种心脏机械活动波形关键基准点检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179561.9A CN113892933B (zh) | 2021-10-11 | 2021-10-11 | 一种心脏机械活动波形关键基准点检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113892933A true CN113892933A (zh) | 2022-01-07 |
| CN113892933B CN113892933B (zh) | 2023-12-26 |
Family
ID=79190924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111179561.9A Active CN113892933B (zh) | 2021-10-11 | 2021-10-11 | 一种心脏机械活动波形关键基准点检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113892933B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104144636A (zh) * | 2012-03-01 | 2014-11-12 | 皇家飞利浦有限公司 | 处理表示生理节律的信号的方法 |
| CN107257653A (zh) * | 2015-02-26 | 2017-10-17 | 皇家飞利浦有限公司 | 用于处理用在对对象的生命体征进行监测中的加速度计信号的处理设备、系统和方法 |
| 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 |
| CN113440145A (zh) * | 2021-06-28 | 2021-09-28 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
-
2021
- 2021-10-11 CN CN202111179561.9A patent/CN113892933B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104144636A (zh) * | 2012-03-01 | 2014-11-12 | 皇家飞利浦有限公司 | 处理表示生理节律的信号的方法 |
| CN107257653A (zh) * | 2015-02-26 | 2017-10-17 | 皇家飞利浦有限公司 | 用于处理用在对对象的生命体征进行监测中的加速度计信号的处理设备、系统和方法 |
| 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 |
| CN113440145A (zh) * | 2021-06-28 | 2021-09-28 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| DEEPAK RAI: "A Comprehensive Review on Seismocardiogram: Current Advancements on Acquisition, Annotation, and Applications", MATHEMATICS, pages 1 - 29 * |
| GHUFRAN SHAFIQ: "Automatic Identification of Systolic Time Intervals in Seismocardiogram", SCIENTIFIC REPORTS, pages 1 - 11 * |
| JESSI E. JOHNSON: "Wearable Millimeter-Wave Device for Contactless Measurement of Arterial Pulses", IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS, vol. 13, no. 6, pages 1525 - 1534, XP011763640, DOI: 10.1109/TBCAS.2019.2948581 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113892933B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sadhukhan et al. | R-peak detection algorithm for ECG using double difference and RR interval processing | |
| JP6381444B2 (ja) | リアルタイムｅｃｇにおいて心電図のｓｔ部レベルを全自動で測定する方法およびシステム | |
| JP2015519087A (ja) | 適応閾値を用いたリアルタイムｑｒｓ検出 | |
| EP2375982A1 (en) | Method and apparatus for the analysis of ballistocardiogram signals | |
| Chatterjee et al. | A statistical approach for determination of time plane features from digitized ECG | |
| CA2861500A1 (en) | Methods and systems for atrial fibrillation detection | |
| EP1941286A2 (en) | Method and system for high-resolution extraction of quasi-periodic signals | |
| CN108523881B (zh) | 一种准确提取qrs内异常电位的方法 | |
| Rahul et al. | Dynamic thresholding based efficient QRS complex detection with low computational overhead | |
| Mukhopadhyay et al. | Time plane ECG feature extraction using Hilbert transform, variable threshold and slope reversal approach | |
| Tueche et al. | Embedded algorithm for QRS detection based on signal shape | |
| EP0760225B1 (en) | Method and apparatus for correcting for non-physiological variations in ECG signals | |
| Song et al. | New real-time heartbeat detection method using the angle of a single-lead electrocardiogram | |
| US20160206287A1 (en) | Wearable Doppler Ultrasound Based Cardiac Monitoring | |
| Vondrak et al. | Selected transformation methods and their comparison for VCG leads deriving | |
| Martinek et al. | A novel modular fetal ECG STAN and HRV analysis: Towards robust hypoxia detection | |
| CN113892933A (zh) | 一种心脏机械活动波形关键基准点检测方法和系统 | |
| CN112438735B (zh) | 一种心电图p波检测方法、分析装置以及存储介质 | |
| Song et al. | A Robust and Efficient Algorithm for St–T Complex Detection in Electrocardiograms | |
| KR101498581B1 (ko) | 비침습적 심방신호 추정 시스템 및 방법 | |
| Sbrollini et al. | Athria: a new adaptive threshold identification algorithm for electrocardiographic p waves | |
| RU2759708C1 (ru) | Система и способ для безманжетного определения артериального давления | |
| Ghaffari et al. | Finding events of electrocardiogram and arterial blood pressure signals via discrete wavelet transform with modified scales | |
| CN114533081B (zh) | 一种融合早搏抑制策略的阵发性房颤检测装置 | |
| Chin et al. | A computationally light-weight real-time classification method to identify different ECG signals |
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 |