CN114098754A - 一种房颤信号预处理方法、检测系统、设备及存储介质 - Google Patents
一种房颤信号预处理方法、检测系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114098754A CN114098754A CN202111275748.9A CN202111275748A CN114098754A CN 114098754 A CN114098754 A CN 114098754A CN 202111275748 A CN202111275748 A CN 202111275748A CN 114098754 A CN114098754 A CN 114098754A
- Authority
- CN
- China
- Prior art keywords
- wave
- atrial fibrillation
- signal
- ecg
- signals
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000010146 3D printing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000036541 health Effects 0.000 abstract description 3
- 238000012856 packing Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000007536 Thrombosis Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008828 contractile function Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000012549 training 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
- A61B5/24—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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/361—Detecting fibrillation
-
- 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)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种房颤信号预处理方法、检测系统、设备及存储介质,属便携式健康监护领域,解决不能完整描述房颤信号整体统计特性的问题。本发明对ECG电信号进行打包并解析,获取有效的ECG电信号,再对其进行R波提取,再根据提取的R波计算相邻R波的时间差,计算连续RR间期分布直方图,并将其作为特征向量输入支持向量机进行信号分类判断,该方法描述RR间期数据的整体统计特征,通过直方图来体现房颤信号的本质特征,不需要通过复杂的计算提取多个特征,在便携式健康监护领域具有应用价值。
Description
技术领域
本发明属于便携式健康监护领域,涉及一种房颤信号预处理方法、检测系统、设备及存储介质。
背景技术
心房纤颤(atrialfibrillation,AF)简称为房颤,是临床上最常见的心血管疾病。房颤发生时,心房会失去有效的收缩功能,心跳活动会快速而紊乱。房颤患者的心脏内容易形成血栓,房颤又容易使血栓脱落,脱落的血栓随血管运行到脑部引起脑卒。持续性房颤还可能引起心力衰竭和冠心病等其他心脑血管疾病。房颤发病率随年龄增长而显著提高,而且有年轻化的趋势。
目前诊断房颤最常用且最有效的方法是通过心电图(ECG)。但因为房颤是阵发性疾病,具有发作持续时间短的特点。房颤发作早期时,患者突然出现心慌、胸闷等症状,但症状很快消失,来不及去医院进行诊断,从而可能遗漏一些潜在的疾病危险,因此需要长时监测ECG才能对房颤进行确诊。另一个重要因素是目前基于ECG的房颤诊断自动化水平不高,极大依赖于医生的专业水平。这些因素都降低了房颤的临床确诊率,目前只有约三分之一的患者能被及时诊断。
房颤发生时,其心电图波形主要表现为RR间期(R-Rinterval,RRI)的不规则变动。根据这一特征,基于RRI的AF检测算法被广泛应用。目前虽然已有一些基于RRI的AF检测算法,如使用RRI四分位间距与RRI中位数的比值评估稳健变异程度,使用偏态参数评估RRI分布形态中的偏斜方向和程度,以及使用Lempel-Ziv复杂度等三个特征对房颤信号进行特征提取,并最终进行诊断(分类)。然而由于这些算法只使用了部分统计数字特征,未能很好地描述数据的整体统计特征,因此存在计算方法精度普遍不高的问题。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种房颤信号预处理方法、检测系统、设备及存储介质,旨在解决现有技术中不能完整描述房颤信号整体统计特性的缺陷性问题。
为了达到上述目的,本发明采用以下技术方案予以实现:
本发明公开了一种房颤信号预处理方法,包括如下步骤:
S1、对ECG电信号进行打包,获取数据包;
S2、解析S1得到的数据包,获取有效的ECG电信号;
S3、将S2获得的ECG电信号实现R波提取,计算RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
优选地,S3的具体操作步骤如下:
S3.1、对ECG电信号提取R波;
S3.2、对提取的R波进行排除误检与补偿;
S3.3、计算相邻R波之间的时间差,即RR间期;
S3.4、根据S3.3获取的连续的RR间期,计算RR间期的分布直方图;
S3.5、将分布直方图作为特征向量输入训练好的支持向量机模型实现ECG电信号的分类。
进一步优选地,S3.1至S3.3的具体操作步骤如下:
a)、带通滤波:对原始的ECG信号进行带通滤波,通带为5-15Hz;
b)、导数滤波:对滤波后信号进行求导,基于五采样点离散求导得到QRS波群斜率信息,求导运算如下:
y(n)=1/8(2x(n+1)+x(n+2)-x(n-2)-2x(n-1))
其中,x(n)为导数滤波前信号,y(n)为导数滤波后信号;
c)、信号平方:进行平方操作,实现对导数滤波的输出进行非线性放大;
d)、滑动平均:进行N点滑动平均,N与信号采样频率的0.15倍;
e)、框标:根据极大值初步选出两个候选R波,限定两个候选R波之间的距离大于200毫秒;
f)、自适应双阈值R波检测:采取高低双阈值检测方法,对于带通滤波后的信号及滑动平均后的信号分别定义一组阈值,R波的确认需要在带通滤波后信号和滑动平均后信号中根据阈值都判断R波;高阈值用于对信号第一次分析,如果在一定时间间隔内没有检测到R波,则使用低阈值进行搜索返回查找,每确定一个R波,则根据当前R波峰值更新高阈值;同理,每确定一个非R波,则根据当前波峰值更新低阈值;
g)、排除T波:在当前候选R波后360毫秒内没有出现R波,则根据斜率判断是否为T波:当前波形出现的最大斜率小于前一个R波的一半,则判断为T波,当前波形出现的最大斜率不小于前一个R波的一半,则判断为R波;
h)、计算R波之间的时间差,获取RR间期值-RRI。
进一步优选地,S3.5的具体操作步骤如下:
a)、读取若干连续的RRI值;
b)、计算若干个RRI值的直方图,根据每个直方的中心位置获取特征向量x;
c)、计算特征向量x与每一个支持向量vi,(i=1LN)的欧式距离di=||x-vi||;
d)、计算欧式距离di的高斯核函数值ki的计算方法如公式(1)所示:
e)、计算所有支持向量高斯核函数值的加权值,并加上偏差b=0.0175,得到预测值c,预测值c的计算方法如公式(2)所示:
其中,ai为持向量vi的权重;
f)、若预测值c大于0,则ECG电信号存在干扰;若预测值小于0,则ECG电信号不存在干扰。
进一步优选地,采用准确率、敏感率和特异率进行ECG电信号的精度检测。
本发明还公开了采用上述的房颤信号预处理方法的检测系统,包括:
数据包获取模块,用于将ECG电信号进行打包获取数据包;
数据包解析模块,用于对数据包进行解析,获取有效的ECG电信号;
数据处理模块,用于计算有效ECG电信号的RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
优选地,采用可穿戴设备采集ECG电信号,可穿戴设备采用BMD101心电芯片实现对ECG电信号的采集。
优选地,采用Solidworks软件对可穿戴设备的外壳进行建模,采用3D打印设备打印可穿戴设备的外壳。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行计算机程序时实现上述的房颤信号预处理方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的房颤信号预处理方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明提出的一种房颤信号预处理方法,对采集的ECG电信号进行打包并对ECG电信号解析,将有效的ECG电信号进行R波提取,从而计算相邻R波之间的时间差,再根据其提取分布直方图,将分布直方图作为特征向量输入支持向量机模型中来实现ECG电信号的分类。该方法全面地描述RR间期数据的整体统计特征,通过概率密度分布的估计,即直方图来体现房颤信号的本质特征。本发明不需要通过复杂的计算提取多个特征,通过直方图就可以很好的刻画RR间期数据的统计全貌。
进一步地,采用准确率、敏感率和特异率对ECG电信号的实现精度检测,可以正确检测ECG电信号样本占总测试样本的比例。
进一步地,对原始的ECG信号进行带通滤波,通带为5-15Hz,能够降低肌电噪声、工频干扰、基线漂移和T波干扰的影响。
本发明还提出了一种房颤信号预处理方法的检测系统,通过对数据包进行解析,将解析后的数据包送入数据处理模块,数据处理模块对数据进行分类判断。将检测系统采用模块化思想进行划分,可以实现对模块的单独管理,如有其他检测的需求,也可以自行添加所需的模块,便于后期对房颤检测系统进行管理。
进一步地,采用可穿戴设备来采集ECG信号,患者穿戴便携式心电采集设备,结合移动终端,随时记录心电信号并得到实时反馈,做到提早预警,防患于未然,这对房颤的早期发现和预防有着极为重要的意义;可穿戴式心电采集设备可以优化预防策略,实现个性化、智能化地房颤检测与诊断,大大减轻医生的工作量;本发明使用BMD101心电芯片进行心电采集,因为该芯片可以采集从微伏到毫伏的生物信号,具有16位高分辨率的数模转换器,低输入噪声、低功耗、以及先进的模拟前端电路和灵活强大的数字信号处理结构。
进一步地,由于采集ECG电信号的可穿戴设备器件电路裸露,外界环境易对其造成短路、噪声干扰等影响,因此在测量基本尺寸后,使用Solidworks软件对其外壳进行建模,露出必要的电极接口、充电口与开关,通过3D打印设备打印出外壳零件,可以打印出与可穿戴设备匹配的外壳,然后将外壳与可穿戴设备进行组装。
附图说明
图1为本发明的房颤心电信号RRI统计分布直方图(a)和正常心电信号RRI统计分布直方图(b);
图2为本发明的房颤检测系统结构图;
图3为本发明的采集设备可穿戴部分硬件设备图(a)和可穿戴部分硬件设备封装图(b);
图4为本发明的移动端房颤识别APP启动界面(a)和心电测量及房颤诊断界面图(b);
图5为本发明的R波提取结果示意图;
图6为本发明特征向量维数对诊断精度的影响图;
图7为本发明的尺度参数对诊断精度的影响图;
图8为本发明的RRI提取算法示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
本发明提出的一种房颤信号预处理方法的检测系统,为了克服传统心电采集设备无法长期采集数据以捕获阵发的房颤信号的问题,采用可穿戴式心电采集设备,患者穿戴便携式心电采集设备,结合移动终端,随时记录心电信号并得到实时反馈,做到提早预警,防患于未然,这对房颤的早期发现和预防有着极为重要的意义。另外,可穿戴式心电采集设备可以优化预防策略,实现个性化、智能化地房颤检测与诊断,减轻医生的工作量。
本发明提出的一种房颤信号预处理方法,克服传统算法诊断精度不高的不足,能够全面地描述RR间期数据的整体统计特征,提出的基于RR间期统计分布整体特征的房颤信号预处理算法,即通过概率密度分布的估计直方图来体现房颤信号的本质特征。图1展示了房颤和正常被试RRI分布直方图的对比,可以看到,两者的统计特征存在明显差异。本发明不需要通过复杂的计算提取多个特征,通过直方图就可以很好的刻画RR间期数据的统计全貌。
一种房颤信号预处理方法,包括如下步骤:
S1、对ECG电信号进行打包,获取数据包;
S2、解析S1得到的数据包,获取有效的ECG电信号;
S3、将S2获得的ECG电信号实现R波提取,计算RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
本发明的系统结构如图2所示,技术方案主要包括系统及算法两个方面。
一种房颤信号预处理方法的检测系统,本发明使用BMD101心电芯片进行心电采集,因为该芯片可以采集从微伏到毫伏的生物信号,具有16位高分辨率的数模转换器,低输入噪声、低功耗、以及先进的模拟前端电路和灵活强大的数字信号处理结构。
为了能够使BMD101心电芯片能够正常工作,系统配置了必要的驱动、控制、及蓝牙通信器件,采集设备可穿戴部分硬件设备如图3的(a)所示。由于心电采集设备器件电路裸露,外界环境易对其造成短路、噪声干扰等影响,因此在测量基本尺寸后,使用Solidworks软件对其外壳进行建模,露出必要的电极接口、充电口与开关,通过3D打印设备打印出外壳零件,然后将外壳与心电采集设备进行组装,如图3的(b)所示。
本发明提出的一种房颤信号预处理方法的检测系统,包括:
数据包获取模块,用于将ECG电信号进行打包获取数据包;
数据包解析模块,用于对数据包进行解析,获取有效的ECG电信号;
数据处理模块,用于计算有效ECG电信号的RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
一种房颤信号预处理方法的检测系统的具体数据处理流程如下:
1)、采用可穿戴式心电采集设备采集ECG电信号;
2)、将采集得到的ECG电信号数据进行打包,获取数据包;
3)、将数据包通过蓝牙、WiFi或5G网络发送到移动终端;
4)、移动终端接收到数据包并进行数据解析,解析后的数据通过蓝牙、WiFi或5G网络传递到房颤识别APP进行后续处理。
一种房颤信号预处理方法,基于RR间期的统计分布特征,实现了对房颤的智能检测,并开发了一款移动端APP“房颤识别专家”,如图4所示从而将算法应用于现实场景中。
该房颤识别APP的具体数据处理流程如下:
1)、点击房颤识别APP后进入启动界面,如图4的(a)所示,停留一秒后进入开始测量界面,用户点击“开始测量”跳转到测量界面;
2)、后台算法将接收到数据包进行解析,提取出有效数据;
3)、将ECG波形实时显示在屏幕区域,如图4的(b)所示;
4)、后台算法对接收到的ECG电信号进行实时处理:
4.1)、首先进行ECG电信号的R波提取,如图5所示,黑线代表噪声水平,绿线代表自适应高阈值,红点代表信号水平;
4.2)、对提取到的R波进行排除误检与补偿;
4.3)、计算RR间期(RRI),即每两个相邻R波的时间差(单位毫秒);根据获得的RRI计算实时心率;
4.4)、对得到的30个连续RRI,计算RRI的分布直方图;
4.5)、将分布直方图作为特征向量输入训练好的支持向量机(SVM)模型进行分类判断。
5)、后台算法将房颤识别的结果显示到屏幕上,同时显示实时心率。
本发明提出的移动端APP“房颤识别专家”,结果精确、诊断快速,移动端房颤识别APP操作简单,能够应用于现实场景中,可以结合可穿戴式ECG设备实现对房颤随时随地地监测。
为了定量描述本发明ECG电信号的判断性能,这里引入以下三个公认的诊断标准:
(1)准确率-ACC:表示正确检测ECG电信号样本占总测试样本的比例,是对总体准确率的评估;
(2)敏感率-SEN:衡量了正确检测出房颤患者的能力;
(3)特异率-SPE:衡量了避免错误判断ECG电信号的能力;
其中,TP是正确判断为患者的人数,FP是错误判断为患者(实际为正常)的人数,TN是正确判断为正常的人数,FN是错误判断为正常(实际为患者)的人数。
为了测试本发明的判断性能,这里使用了一个大数据测试数据集。该数据集包含40484个样本,其中包含23237个非房颤样本和17247个房颤样本,每个样本由30个RR间期组成。
表1列出了使用不同核函数得到的诊断准确率。可以看到,使用高斯核函数可以得到的诊断准确率最高可达95.8%。
表1不同核函数的诊断结果
图6展示了使用不同维数(直方图组数)的特征向量对诊断准确率的影响。可以看到,当特征向量维数为30时,性能指标ACC、SEN及SPE均达到平台状态,增大只会导致不必要的计算。
图7展示了使用不同尺度参数s对诊断准确率的影响。可以看到,当选择3.2时,性能指标ACC、SEN及SPE的总体性能达到最优。
根据上述结果,选取高斯核函数,尺度参数3.2,以及30维特征向量进行SVM训练,并使用十折交叉验证,结果如表2所示。可以看到,最终得到本发明算法平均ECG电信号判断准确率为98.43%,敏感率98.48%,特异率98.40%。
表2十折交叉验证得到的结果
综上,本发明最突出的有益效果是其对房颤诊断的高精度。这里的精度包含三方面指标:准确率ACC,敏感率SEN,以及特异率SPE。已有的方法由于只使用了RRI的部分统计数字特征,未能很好地描述数据的整体统计特征,因此存在诊断精度普遍不高的问题,ACC、SEN和SPE这三项指标性能无法同时突破97%。从表2可以看到,本发明可将这三项指标同时提升至98.4%以上,对于临床诊断具有巨大的益处。
本发明主要的算法包含RRI提取算法及AF智能诊断算法:
RRI提取算法如图8所示,关键是R波检测算法。该算法基于对坡度、振幅和宽度的分析,能够可靠地检测R波,其中设计了数字带通滤波器可以减少心电信号中各种干扰造成的误检,允许使用低幅度阈值以获得高检测灵敏度,同时使用了双阈值对漏拍进行搜索,还能够自动调整阈值和参数,以适应QRS形态和心率变化。
具体实施方式如下:
a)、带通滤波:对原始的ECG信号进行带通滤波,通带为5-15Hz,以降低肌电噪声、工频干扰、基线漂移和T波干扰的影响;
b)、导数滤波:对滤波后信号进行求导,基于五采样点离散求导得到QRS波群斜率信息,求导运算如下:
y(n)=1/8(2x(n+1)+x(n+2)-x(n-2)-2x(n-1))
其中x(n)为导数滤波前信号,y(n)为导数滤波后信号。
c)、信号平方:进行平方操作,实现对导数滤波的输出进行非线性放大,消除噪声;
d)、滑动平均:进行N点滑动平均,N与信号采样频率的0.15倍;
e)、框标:根据极大值初步选出一系列候选R波,限定两个候选R波之间的距离大于200毫秒;
f)、自适应双阈值R波检测:采取高低双阈值检测方法,对于带通滤波后的信号及滑动平均后的信号分别定义一组阈值,R波的确认需要在带通滤波后信号和滑动平均后信号中根据阈值都判断为是的R波。高阈值用于对信号第一次分析,如果在一定时间间隔内没有检测到R波,则使用低阈值进行搜索返回查找,每确定一个R波,则根据当前R波峰值更新高阈值;同理,每确定一个非R波,则根据当前波峰值更新低阈值。
g)、排除T波:如果在当前候选R波后360毫秒内没有出现R波,则根据斜率判断是否为T波,如果当前波形出现的最大斜率小于前一个R波的一半,则判断为T波,否则为R波;
h)、计算R波之间的时间差,获取RR间期值-RRI。
AF智能诊断算法的具体实施方式如下:
a)、读取连续的30个RRI值(单位为毫秒);
b)、计算这30个RRI值的直方图,每个直方的中心位置为:从50ms到2000ms,间隔为67.24ms的共计30个位置;得到一个维数为30的特征向量x;
c)、计算x与每一个支持向量vi,(i=1LN)的欧式距离di=||x-vi||;
d)、计算欧式距离di的高斯核函数值ki的计算方法如公式(1)所示:
e)、计算所有支持向量高斯核函数值的加权值,并加上偏差b=0.0175,得到预测值c,预测值c的计算方法如公式(2)所示:
其中,ai为持向量vi的权重;
f)、如果预测值c大于0,则认为是有房颤;如果预测值c小于0,则认为没有房颤。
本发明一实施例提供的终端设备,该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明出现和使用的缩略语和关键术语定义如下:
SVM SupportingVectorMachine 支持向量机
ECG Electrocardiograph 心电图
APP Application 应用(程序)
RRI R-Rinterval R波-R波间期
AF AtrialFibrillation 心房纤颤
ACC Accuracy 准确率
SEN Sensitivity 灵敏率
SPE Specificity 特异率
TP TruePositive 真阳
FP FalsePositive 假阳
TN TrueNegative 真阴
FN FalseNegative 假阴
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种房颤信号预处理方法,其特征在于,包括如下步骤:
S1、对ECG电信号进行打包,获取数据包;
S2、解析S1得到的数据包,获取有效的ECG电信号;
S3、将S2获得的ECG电信号实现R波提取,计算RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
2.根据权利要求1所述的房颤信号预处理方法,其特征在于,S3的具体操作步骤如下:
S3.1、对ECG电信号提取R波;
S3.2、对提取的R波进行排除误检与补偿;
S3.3、计算相邻R波之间的时间差,即RR间期;
S3.4、根据S3.3获取的连续的RR间期,计算RR间期的分布直方图;
S3.5、将分布直方图作为特征向量输入训练好的支持向量机模型实现ECG电信号的分类。
3.根据权利要求2所述的房颤信号预处理方法,其特征在于,S3.1至S3.3的具体操作步骤如下:
a)、带通滤波:对原始的ECG信号进行带通滤波,通带为5-15Hz;
b)、导数滤波:对滤波后信号进行求导,基于五采样点离散求导得到QRS波群斜率信息,求导运算如下:
y(n)=1/8(2x(n+1)+x(n+2)-x(n-2)-2x(n-1))
其中,x(n)为导数滤波前信号,y(n)为导数滤波后信号;
c)、信号平方:进行平方操作,实现对导数滤波的输出进行非线性放大;
d)、滑动平均:进行N点滑动平均,N与信号采样频率的0.15倍;
e)、框标:根据极大值初步选出两个候选R波,限定两个候选R波之间的距离大于200毫秒;
f)、自适应双阈值R波检测:采取高低双阈值检测方法,对于带通滤波后的信号及滑动平均后的信号分别定义一组阈值,R波的确认需要在带通滤波后信号和滑动平均后信号中根据阈值都判断R波;高阈值用于对信号第一次分析,如果在一定时间间隔内没有检测到R波,则使用低阈值进行搜索返回查找,每确定一个R波,则根据当前R波峰值更新高阈值;同理,每确定一个非R波,则根据当前波峰值更新低阈值;
g)、排除T波:在当前候选R波后360毫秒内没有出现R波,则根据斜率判断是否为T波:当前波形出现的最大斜率小于前一个R波的一半,则判断为T波,当前波形出现的最大斜率不小于前一个R波的一半,则判断为R波;
h)、计算R波之间的时间差,获取RR间期值-RRI。
4.根据权利要求3所述的房颤信号预处理方法,其特征在于,S3.5的具体操作步骤如下:
a)、读取若干连续的RRI值;
b)、计算若干个RRI值的直方图,根据每个直方的中心位置获取特征向量x;
c)、计算特征向量x与每一个支持向量vi,(i=1L N)的欧式距离di=||x-vi||;
d)、计算欧式距离di的高斯核函数值ki的计算方法如公式(1)所示:
e)、计算所有支持向量高斯核函数值的加权值,并加上偏差b=0.0175,得到预测值c,预测值c的计算方法如公式(2)所示:
其中,ai为持向量vi的权重;
f)、若预测值c大于0,则ECG电信号存在干扰;若预测值小于0,则ECG电信号不存在干扰。
5.根据权利要求4所述的房颤信号预处理方法,其特征在于,采用准确率、敏感率和特异率进行ECG电信号的精度检测。
6.采用权利要求1~5中任意一项所述的房颤信号预处理方法的检测系统,其特征在于,包括:
数据包获取模块,用于将ECG电信号进行打包获取数据包;
数据包解析模块,用于对数据包进行解析,获取有效的ECG电信号;
数据处理模块,用于计算有效ECG电信号的RR间期,根据获得的RR间期提取统计分布直方图,再将分布直方图作为特征向量输入支持向量机模型中进行分类判断,实现房颤信号的预处理操作。
7.根据权利要求6所述的房颤信号预处理方法的检测系统,其特征在于,采用可穿戴设备采集ECG电信号,可穿戴设备采用BMD101心电芯片实现对ECG电信号的采集。
8.根据权利要求7所述的房颤信号预处理方法的检测系统,其特征在于,采用Solidworks软件对可穿戴设备的外壳进行建模,采用3D打印设备打印可穿戴设备的外壳。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1至5中任意一项所述的房颤信号预处理方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任意一项所述的房颤信号预处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275748.9A CN114098754B (zh) | 2021-10-29 | 2021-10-29 | 一种房颤信号预处理方法、检测系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275748.9A CN114098754B (zh) | 2021-10-29 | 2021-10-29 | 一种房颤信号预处理方法、检测系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114098754A true CN114098754A (zh) | 2022-03-01 |
CN114098754B CN114098754B (zh) | 2024-07-16 |
Family
ID=80379848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111275748.9A Active CN114098754B (zh) | 2021-10-29 | 2021-10-29 | 一种房颤信号预处理方法、检测系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114098754B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168834A1 (zh) * | 2022-03-10 | 2023-09-14 | 苏州维伟思医疗科技有限公司 | 体征信号的质量评估方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN108882887A (zh) * | 2016-03-30 | 2018-11-23 | 美敦力公司 | 心脏医疗设备中的房性心律失常发作检测 |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
US20200352461A1 (en) * | 2019-05-09 | 2020-11-12 | Tata Consultancy Services Limited | Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg |
-
2021
- 2021-10-29 CN CN202111275748.9A patent/CN114098754B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108882887A (zh) * | 2016-03-30 | 2018-11-23 | 美敦力公司 | 心脏医疗设备中的房性心律失常发作检测 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
US20200352461A1 (en) * | 2019-05-09 | 2020-11-12 | Tata Consultancy Services Limited | Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨丕华;费秀海;: "支持向量机在ECG心搏分类中的应用", 临沧师范高等专科学校学报, no. 02, 15 July 2010 (2010-07-15) * |
陈志博;李健;李智;彭韵陶;高兴姣;: "基于RR间期和多特征值的房颤自动检测分类", 生物医学工程学杂志, no. 04, 25 August 2018 (2018-08-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168834A1 (zh) * | 2022-03-10 | 2023-09-14 | 苏州维伟思医疗科技有限公司 | 体征信号的质量评估方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114098754B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhai et al. | Automated ECG classification using dual heartbeat coupling based on convolutional neural network | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
Yang et al. | Ensemble of kernel extreme learning machine based random forest classifiers for automatic heartbeat classification | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
CN112971800B (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
Upasani et al. | Automated ECG Diagnosis | |
CN114098754B (zh) | 一种房颤信号预处理方法、检测系统、设备及存储介质 | |
Pucer et al. | A topological approach to delineation and arrhythmic beats detection in unprocessed long-term ECG signals | |
Jovanovic et al. | QRS complex detection based ECG signal artefact discrimination | |
CN115414049A (zh) | 一种基于深度神经网络的可穿戴心电图实时诊断系统 | |
Shi et al. | A mobile intelligent ECG monitoring system based on IOS | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
Arenas et al. | Linear and nonlinear features for myocardial infarction detection using support vector machine on 12-lead ECG recordings | |
Makhir et al. | Comprehensive Cardiac Ischemia Classification Using Hybrid CNN-Based Models. | |
CN117598711B (zh) | 一种心电信号的qrs波群检测方法、装置、设备及介质 | |
Banerjee | Machine learning-based rapid prediction of sudden cardiac death (SCD) using precise statistical features of heart rate variability for single lead ECG signal | |
Singh et al. | Signal Quality Evaluation and Processing for QRS Detection in ECG based Smart Healthcare Systems | |
Olatinwo et al. | Electrocardiogram Signal Analysis Using Artificial Neural Network | |
Gladis et al. | ECG Arrhythmia Measurement and Classification for Portable Monitoring | |
Ma et al. | Computer-aided method for paroxysmal atrial fibrillation detection based on ECG signals | |
CN116831589A (zh) | 一种长时程可穿戴心电信号的最优导联信号选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |