CN114224353B - 一种基于体温监测仪的心电检测分类方法 - Google Patents

一种基于体温监测仪的心电检测分类方法 Download PDF

Info

Publication number
CN114224353B
CN114224353B CN202210154666.7A CN202210154666A CN114224353B CN 114224353 B CN114224353 B CN 114224353B CN 202210154666 A CN202210154666 A CN 202210154666A CN 114224353 B CN114224353 B CN 114224353B
Authority
CN
China
Prior art keywords
template
qrs
wave
qrs wave
body temperature
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
Application number
CN202210154666.7A
Other languages
English (en)
Other versions
CN114224353A (zh
Inventor
刘仲
秦戎
杜志艺
常庆旗
刘天勃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Techunion Intelligent Medical Technology Co ltd
Original Assignee
Shenzhen Techunion Intelligent Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Techunion Intelligent Medical Technology Co ltd filed Critical Shenzhen Techunion Intelligent Medical Technology Co ltd
Priority to CN202210154666.7A priority Critical patent/CN114224353B/zh
Publication of CN114224353A publication Critical patent/CN114224353A/zh
Application granted granted Critical
Publication of CN114224353B publication Critical patent/CN114224353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0266—Operational features for monitoring or limiting apparatus function
    • A61B2560/0276—Determining malfunction

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于体温监测仪的心电检测分类方法，本发明通过体温监测仪采集的心电信号，并对采集的心电信号用算法进行计算得出心电信号的特征信息，利用心电信号的特征信息进一步分析将QRS波的波形数据与系统内置的心态模板系数进行匹配，以确定心率是否正常，便于用户能够方便的对心电进行检测以及实施检测心电型号。

Description

一种基于体温监测仪的心电检测分类方法
技术领域
本发明涉及心电检测技术领域，特别涉及一种基于体温监测仪的心电检测分类方法。
背景技术
近年来，心血管类疾病的防治已经成为当前医疗保健的一项重点内容。心血管疾病的发作具有突发性，难以预测，致使致死的特性。而QRS波是最显著的部分，它反映了心室收缩时心脏的电行为，其能量占了心电信号能量的很大百分比。QRS波分布于心电信号的中、高频区域，峰值落在10～20Hz之间，并且幅度特征非常明显，与其它波形的区别显著，因而在心电特征波形的检测中，常常先定位QRS波，所以QRS波的检测是所有波形检测的基础，并通过QRS波的检测基础对心电信息进行分类。
发明内容
本发明的目的是：提供一种根据体温监测仪检测的心电信号进行判断心血管是否健康的基于体温监测仪的心电检测分类方法。
本发明的技术解决方案是：一种基于体温监测仪的心电检测分类方法，其特殊之处在于，包括以下步骤：
步骤1，获取来自体温监测仪检测所得的体温信号T0、体表温度T1、心电信号；
步骤2，体温监测仪是否导联脱落，是，则停止检测，对体温监测仪进行维修处理；否，则进入下一步；
步骤3，根据体温监测仪采集所得心电信号提取出心电信号特征信息；
步骤4，对ECG信号的噪声水平和信号幅度进行判断，若噪声水平大或信号幅度小时，停止检测；当噪声水平小且信号幅度大时，进行进一步的QRS波检测和心率失常分析；
步骤5，计算QRS波的RR间期，并检测QRS波；
步骤6，将所述步骤5检测所得的QRS波的波形数据与系统内置的形态模板系数进行匹配，判断QRS波的波形数据是否正常，具体匹配方法如下：
步骤6-1，将QRS波的波形数据拷贝至临时数据区；
步骤6-2，计算临时数据区内储存的波形数据与主导模板具体的相关系数；
步骤6-3，所述步骤6-2计算所得的相关系数是否大于等于第一预设值，是，则波形数据与主导模板匹配，临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-4，更换系统的内置形态模板，计算临时数据区内储存的波形数据与替换后的形态模板具体的相关系数；
步骤6-5，所述步骤6-4计算所得的相关系数是否大于等于第一预设值，是，则进入下一步；否，则跳至步骤6-4；
步骤6-6，判断是否同时满足QRS波的噪声指数大于第二预设值,且QRS波不与主导模板匹配，计算所得的相关系数小于第三预设值，是，则判断临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-7，将临时数据区内的QRS波与所选用的模板进行二次相关系数计算，所得相关系数是否大于第三预设值，是，则判断临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-8，经过所述步骤6-2～步骤6-5的计算，系统内置的形态模板是否存在与临时数据区内的QRS波相匹配的模板，是，则将临时数据区内的QRS波相匹配的模板替换原模板并保存；否，则将临时数据区内的QRS波相匹配的模板生成为新的模板并保存，且认定为异常波。
作为优选：所述步骤2中体温监测仪是否导联脱落的具体判断方法为：
若心电电路检测到导联脱落，系统判定导联脱落；若心电电路检测为导联连接，而系统检测T1＜35℃，且T0＜35℃，系统判定体温监测仪导联脱落。
作为优选：所述步骤3提取心电信号特征信息的具体方法为：
步骤3-1，将采集的心电信号通过带通滤波器内进行滤波处理，其中具体的处理流程如下：将采集的心电信号导入带通滤波器内的低通滤波器进行滤波，低通滤波器的差分方程如下：
Figure DEST_PATH_IMAGE001
……（1）
其中式（1）中，n为离散信号的序列数，
Figure DEST_PATH_IMAGE002
为步骤1中采集的心电信号，
Figure DEST_PATH_IMAGE003
为低通滤波器滤波后的信号；
将式（1）中低通滤波器滤波后的信号导入带通滤波器的高通滤波器内进行进一步处理，高通滤波器的差分方程如下：
Figure DEST_PATH_IMAGE004
……（2）
其中式（2）中，
Figure DEST_PATH_IMAGE005
为通过高通滤波器滤波后的信号，通过高通滤波器的差分方程所得的信号在QRS波分类时作为模板进行匹配处理；
步骤3-2，对经过式（1）和式（2）的带通滤波器滤波处理后的心电信号进行微分处理：微分处理的差分方程为：
Figure DEST_PATH_IMAGE006
……（3）
其中式（3）中，
Figure DEST_PATH_IMAGE007
为经过微分处理后的心电信号，处理后的心电信号用于提取斜率信息；
步骤3-3，利用非线性平方函数来放大QRS波群的高频特性：非线性平方函数如下式：
Figure DEST_PATH_IMAGE008
……（4）
其中式（4）中，
Figure DEST_PATH_IMAGE009
为经过非线性平方函数得到的心电信号；
步骤3-4，将经过式（4）的非线性平方函数放大的结果，通过移动窗口积分来凸出R波的斜率，其中移动窗口积分的差分方程如下式：
Figure DEST_PATH_IMAGE010
……（5）
其中式（5）中，
Figure DEST_PATH_IMAGE011
为经过移动窗口积分获得的心电信号即放大的R波的斜率信息，N为移动窗口中的样本的数量；
步骤3-5，设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息。
作为优选：所述步骤5中检测QRS波的具体检测方法，包括以下步骤：
步骤5-1，设定R波检测阙值；
步骤5-2，在积分信号中检测峰，是，则进入下一步；否，则跳至步骤5-5；
步骤5-3，系统检测峰值是否超过设定阙值，否，则进入下一步；是，则进入判断决策；
步骤5-4，保存当前峰作为新的噪声峰；
步骤5-5，系统是否在超过1.75倍RR间期内没有检测到QRS波，否，则停止检测，是则进入下一步；
步骤5-6，系统检测是否有噪声峰阙值超过回查阙值，是，则进入判断决策；否则停止检测。
作为优选：所述步骤6中计算QRS波的波形数据与匹配模板的相关系数的具体计算公式如下式：
Figure DEST_PATH_IMAGE012
……（6）
其中，x为系统内置的形态模板的波形数据，y为QRS波带通滤波后的波形数据；k为模板的宽度，常规状态下取37； i为计算过程遍历所有数据时的计数下标，xb,yb分别为模板和波形数据队列中的第一个数。
作为优选：根据所述式（6）计算所得相关系数后，将原QRS波的波形进行左右各5个点的平移后，分别代入所述式（6）进行重复计算，以获得平移后的各点的相关系数，取其最大值作为最终的相关系数。
所述步骤6中的步骤6-6的噪声指数的计算方法，包括以下步骤：
设阈值定为QRS波的原始数据波形差分中最大值的1/4；检测区间为以QRS波的顶点为中心的100个点，100个点中超过阈值的数值的个数作为该QRS波的噪声指数。
作为优选：所述步骤6中的步骤6-8的模板的更新方法，具体如下：
Ⅰ. QRS波与模板匹配且相关系数大于等于第四预设值，修正该QRS波的基准点及终点到顶点的距离；
Ⅱ. QRS波与模板匹配且相关系数大于第五预设值，更新模板的宽度及终点到顶点的距离；
Ⅲ. QRS波与模板匹配且相关系数大于第五预设值，且QRS波的宽度与匹配模板的宽度相差小于该模板宽度的1/3，更新模板的波形数据；
Ⅳ.QRS波与内置模板均不匹配，且QRS波宽度大于16，则判断该QRS波为异常波。
作为优选：所述步骤6中的系统内置模板上限为6个，当模板数大于6时，需要淘汰其一模板，具体淘汰方法如下：
a. 统计最近60个QRS波的形态类型；
b. 统计各模板形态与所述60个QRS波的形态类型匹配次数，并依据匹配次数从少至多的次序进行排序；
c.位于第一顺位的模板是否为主导模板，否，则淘汰该模板形态；是，则淘汰位于第二顺位的模板形态。
作为优选：还包括步骤7，根据RR间期，计算检测对象的心率，具体计算公式如下：
Figure DEST_PATH_IMAGE013
……（7）
其中，Trr为RR间期（秒）。
与现有技术相比，本发明的有益效果：
采用体温监测仪的金属外壳作为心电采集电极，简化了设备，以便于用户可以居家进行心电信号的检测，同时通过监控心电电路、体温传感器检测的体温信号T0、体表温度传感器检测的体表温度T1，可以有效的检测体温监测仪是否导联脱落，避免脱落导致检测及分类误差；
本发明采用检测QRS波群实施检测心电信号并针对心电信号进行计算，并通过结果所得的相关系数与系统内置的形态模板系数进行匹配，对QRS波群的类型进行分类，得出心血管是否正常的检测结果，整体检测及判别流程简单，克服了传统神经网络参数设置复杂的缺陷。
具体实施方式
下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明所采用的检测仪器为一种便携性监护仪，所述监护仪包括有体温监测仪，所述体温监测仪包括金属外壳、内置在金属外壳且端部延伸出外壳的体温传感器、设置在金属外壳外壁上的体表温度传感器；
所述金属外壳包括上壳及下壳，分别作为心电采集电极的正电极与负电极；
所述体温传感器用于检测人体的体温信号T0；
所述体表温度传感器用于检测夹持部位外的体表温度T1。
本发明提供的一种基于体温监测仪的心电检测分类方法，具体包括以下步骤：
步骤1，获取来自体温监测仪检测所得的体温信号T0、体表温度T1、心电信号；
步骤2，体温监测仪是否导联脱落，是，则停止检测，对体温监测仪进行维修处理；否，则进入下一步；
步骤3，根据体温监测仪采集所得心电信号提取出心电信号特征信息；
步骤4，对ECG信号的噪声水平和信号幅度进行判断，若噪声水平大或信号幅度小时，停止检测；当噪声水平小且信号幅度大时，进行进一步的QRS波检测和心率失常分析；
步骤5，计算QRS波的RR间期，并检测QRS波；
步骤6，将所述步骤5检测所得的QRS波的波形数据与系统内置的形态模板系数进行匹配，判断QRS波的波形数据是否正常，具体匹配方法如下：
步骤6-1，将QRS波的波形数据拷贝至临时数据区；
步骤6-2，计算临时数据区内储存的波形数据与主导模板具体的相关系数；
步骤6-3，所述步骤6-2计算所得的相关系数是否大于等于89，是，则波形数据与主导模板匹配，临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-4，更换系统的内置形态模板，计算临时数据区内储存的波形数据与替换后的形态模板具体的相关系数；
步骤6-5，所述步骤6-4，计算所得的相关系数是否大于等于89，是，则进入下一步；否，则跳至步骤6-4；
步骤6-6，判断是否同时满足QRS波的噪声指数大于12,且QRS波不与主导模板匹配，计算所得的相关系数小于95，是，则判断临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-7，将临时数据区内的QRS波与所选用的模板进行二次相关系数计算，所得相关系数是否大于96，是，则判断临时数据区内的QRS波为正常波；否，则进入下一步；
步骤6-8，经过所述步骤6-2～步骤6-5的计算，系统内置的形态模板是否存在与临时数据区内的QRS波相匹配的模板，是，则将临时数据区内的QRS波相匹配的模板替换原模板并保存；否，则将临时数据区内的QRS波相匹配的模板生成为新的模板并保存，且认定为异常波。
所述步骤2中体温监测仪是否导联脱落的具体判断方法为：
若心电电路检测到导联脱落，系统判定导联脱落；若心电电路检测为导联连接，而系统检测T1＜35℃，且T0＜35℃，系统判定体温监测仪导联脱落。
所述步骤3提取心电信号特征信息的具体方法为：
步骤3-1，将采集的心电信号通过带通滤波器内进行滤波处理，其中具体的处理流程如下：将采集的心电信号导入带通滤波器内的低通滤波器进行滤波，低通滤波器的差分方程如下：
Figure DEST_PATH_IMAGE014
……（1）
其中式（1）中，n为离散信号的序列数，
Figure 369335DEST_PATH_IMAGE002
为步骤1中采集的心电信号，
Figure 958580DEST_PATH_IMAGE003
为低通滤波器滤波后的信号；
将式（1）中低通滤波器滤波后的信号导入带通滤波器的高通滤波器内进行进一步处理，高通滤波器的差分方程如下：
Figure DEST_PATH_IMAGE015
……（2）
其中式（2）中，
Figure 597371DEST_PATH_IMAGE005
为通过高通滤波器滤波后的信号，通过高通滤波器的差分方程所得的信号在QRS波分类时作为模板进行匹配处理；
步骤3-2，对经过式（1）和式（2）的带通滤波器滤波处理后的心电信号进行微分处理：微分处理的差分方程为：
Figure 523739DEST_PATH_IMAGE006
……（3）
其中式（3）中，
Figure 289176DEST_PATH_IMAGE007
为经过微分处理后的心电信号，处理后的心电信号用于提取斜率信息；
步骤3-3，利用非线性平方函数来放大QRS波群的高频特性：非线性平方函数如下式：
Figure 518164DEST_PATH_IMAGE008
……（4）
其中式（4）中，
Figure 972148DEST_PATH_IMAGE009
为经过非线性平方函数得到的心电信号；
步骤3-4，将经过式（4）的非线性平方函数放大的结果，通过移动窗口积分来凸出R波的斜率，其中移动窗口积分的差分方程如下式：
Figure 843152DEST_PATH_IMAGE010
……（5）
其中式（5）中，
Figure 308768DEST_PATH_IMAGE011
为经过移动窗口积分获得的心电信号即放大的R波的斜率信息，N为移动窗口中的样本的数量；
步骤3-5，设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息。
所述步骤5中检测QRS波的具体检测方法，包括以下步骤：
步骤5-1，设定R波检测阙值；
步骤5-2，在积分信号中检测峰，是，则进入下一步；否，则跳至步骤5-5；
步骤5-3，系统检测峰值是否超过设定阙值，否，则进入下一步；是，则进入判断决策；
步骤5-4，保存当前峰作为新的噪声峰；
步骤5-5，系统是否在超过1.75倍RR间期内没有检测到QRS波，否，则停止检测，是则进入下一步；
步骤5-6，系统检测是否有噪声峰阙值超过回查阙值，是，则进入判断决策；否则停止检测。
所述步骤6中计算QRS波的波形数据与匹配模板的相关系数的具体计算公式如下式：
Figure DEST_PATH_IMAGE016
……（6）
其中，x为系统内置的形态模板的波形数据，y为QRS波带通滤波后的波形数据；k为模板的宽度，常规状态下取37； i为计算过程遍历所有数据时的计数下标，xb,yb分别为模板和波形数据队列中的第一个数。
根据所述式（6）计算所得相关系数后，将原QRS波的波形进行左右各5个点的平移后，分别代入所述式（6）进行重复计算，以获得平移后的各点的相关系数，取其最大值作为最终的相关系数。
所述步骤6中的步骤6-6的噪声指数的计算方法，具体步骤如下：
设阈值定为QRS波的原始数据波形差分中最大值的1/4；检测区间为以QRS波的顶点为中心的100个点，100个点中超过阈值的数值的个数作为该QRS波的噪声指数。
所述步骤6中的步骤6-8的模板的更新方法，具体如下：
Ⅰ. QRS波与模板匹配且相关系数大于等于89，修正该QRS波的基准点及终点到顶点的距离；
Ⅱ. QRS波与模板匹配且相关系数大于92，更新模板的宽度及终点到顶点的距离；
Ⅲ. QRS波与模板匹配且相关系数大于92，且QRS波的宽度与匹配模板的宽度相差小于该模板宽度的1/3，更新模板的波形数据；
Ⅳ.QRS波与内置模板均不匹配，且QRS波宽度大于16，则判断该QRS波为异常波。
所述步骤6中所述的系统内置模板上限为6个，当模板数大于6时，需要淘汰其一模板，具体淘汰方法如下：
a. 统计最近60个QRS波的形态类型；
b. 统计各模板形态与所述60个QRS波的形态类型匹配次数，并依据匹配次数从少至多的次序进行排序；
c.位于第一顺位的模板是否为主导模板，否，则淘汰该模板形态；是，则淘汰位于第二顺位的模板形态。
还包括步骤7，根据RR间期，计算检测对象的心率，具体计算公式如下：
Figure 131493DEST_PATH_IMAGE013
……（7）
其中，Trr为RR间期（秒）。
以上所述仅为本发明的较佳实施例，凡依本发明权利要求范围所做的均等变化与修饰，皆应属本发明权利要求的涵盖范围。

Claims (10)

1.一种基于体温监测仪的心电检测分类方法，其特征在于，包括以下步骤：
⑴获取来自体温监测仪检测所得的体温信号T0、体表温度T1、心电信号；
⑵体温监测仪是否导联脱落，是，则停止检测，对体温监测仪进行维修处理；否，则进入下一步；
⑶根据体温监测仪采集所得心电信号提取出心电信号特征信息；
⑷对ECG信号的噪声水平和信号幅度进行判断，若噪声水平大或信号幅度小时，停止检测；当噪声水平小且信号幅度大时，进行进一步的QRS波检测和心率失常分析；
⑸计算QRS波的RR间期，并检测QRS波；
⑹将所述步骤⑸检测所得的QRS波的波形数据与系统内置形态模板系数进行匹配，内置形态模板不超过六种，其中包含主导模板；判断QRS波的波形数据是否正常，具体匹配方法如下：
(6.1)将QRS波的波形数据拷贝至临时数据区；
(6.2)计算临时数据区内储存的波形数据与主导模板具体的相关系数；
(6.3)所述步骤(6.2)计算所得的相关系数是否大于等于第一预设值，是，则波形数据与主导模板匹配，临时数据区内的QRS波为正常波；否，则进入下一步；
(6.4)更换系统的内置形态模板，计算临时数据区内储存的波形数据与替换后的形态模板具体的相关系数；
(6.5)所述步骤(6.4)计算所得的相关系数是否大于等于第一预设值，是，则进入下一步；否，则跳至步骤(6.4)；
(6.6)判断是否同时满足QRS波的噪声指数大于第二预设值,且QRS波不与主导模板匹配，计算所得的相关系数小于第三预设值，是，则临时数据区内的QRS波为正常波；否，则进入下一步；
(6.7)将临时数据区内的QRS波与所述内置形态模板进行二次相关系数计算，所得相关系数是否大于第三预设值，是，则临时数据区内的QRS波为正常波；否，则进入下一步；
(6.8)经过所述步骤(6.2)～步骤(6.5)的计算，系统内置的形态模板是否存在与临时数据区内的QRS波相匹配的模板，是，则将与临时数据区内的QRS波相匹配的模板更新原模板并保存；否，则将与临时数据区内的QRS波相匹配的模板生成为新的模板并保存，且认定为异常波；
在步骤(6.1)～步骤(6.8)中，相关系数的具体计算公式如下：
Figure FDA0004010166080000021
式中，xi为系统内置的形态模板的波形数据，yi为QRS波带通滤波后的波形数据；k为模板的宽度，常规状态下取37；i为计算过程遍历所有数据时的计数下标，xb,yb分别为模板和波形数据队列中的第一个数。
2.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑵中体温监测仪是否导联脱落的具体判断方法为：
若心电电路检测到导联脱落，系统判定导联脱落；若心电电路检测为导联连接，而系统检测T1＜35℃，且T0＜35℃，系统判定体温监测仪导联脱落。
3.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑶提取心电信号特征信息的具体方法为：
(3.1)将采集的心电信号通过带通滤波器内进行滤波处理，其中具体的处理流程如下：将采集的心电信号导入带通滤波器内的低通滤波器进行滤波，低通滤波器的差分方程如下：
x2(n)＝2x2(n-1)-x2(n-2)+x1(n)-2x1(n-6)+x1(n-12)……⑵
其中式(1)中，n为离散信号的序列数，x1(n)为步骤1中采集的心电信号，x2(n)为低通滤波器滤波后的信号；
将式(1)中低通滤波器滤波后的信号导入带通滤波器的高通滤波器内进行进一步处理，高通滤波器的差分方程如下：
x3(n)＝-x2(n)/32+x2(n-16)-x2(n-17)+x2(n-32)/32+x3(n-1)……⑶
其中式(2)中，x3(n)为通过高通滤波器滤波后的信号，通过高通滤波器的差分方程所得的信号在QRS波分类时作为模板进行匹配处理；
(3.2)对经过式(1)和式(2)的带通滤波器滤波处理后的心电信号进行微分处理：微分处理的差分方程为：
x4)n)＝2[x3(n)-x3(n-4)]+x3(n-1)-x3(n-3)……⑷
其中式(3)中，x4(n)为经过微分处理后的心电信号，处理后的心电信号用于提取斜率信息；
(3.3)利用非线性平方函数来放大QRS波群的高频特性：非线性平方函数如下式：
x5(n)＝[x4(n)]2……⑸
其中式(4)中，x5(n)为经过非线性平方函数得到的心电信号；
(3.4)将经过式(4)的非线性平方函数放大的结果，通过移动窗口积分来凸出R波的斜率，其中移动窗口积分的差分方程如下式：
x6(n)＝[x5(n-(N-1))+x5(n-(N-2))+…+x5(n)]/N……⑹
其中式(5)中，x6(n)为经过移动窗口积分获得的心电信号即放大的R波的斜率信息，N为移动窗口中的样本的数量；
(3.5)设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息。
4.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑸中检测QRS波的具体检测方法，包括以下步骤：
(5.1)设定R波检测阈值；
(5.2)在积分信号中检测峰，是，则进入下一步；否，则跳至步骤5-5；
(5.3)系统检测峰值是否超过设定阈值，否，则进入下一步；是，则进入判断决策；
(5.4)保存当前峰作为新的噪声峰；
(5.5)系统是否在超过1.75倍RR间期内没有检测到QRS波，否，则停止检测，是则进入下一步；
(5.6)系统检测是否有噪声峰阈值超过回查阈值，是，则进入判断决策；否则停止检测。
5.根据权利要求4所述的基于体温监测仪的心电检测分类方法，其特征在于，根据所述式(6)计算所得相关系数后，将原QRS波的波形进行左右各5个点的平移后，分别代入所述式(6)进行重复计算，以获得平移后的各点的相关系数，取其最大值作为最终的相关系数。
6.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑹中的步骤(6.6)的噪声指数的计算方法，包括以下步骤：
设阈值定为QRS波的原始数据波形差分中最大值的1/4；检测区间为以QRS波的顶点为中心的100个点，100个点中超过阈值的数值的个数作为该QRS波的噪声指数。
7.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑹中的步骤(6.8)的模板的更新方法，具体如下：
Ⅰ.QRS波与模板匹配且相关系数大于等于第四预设值，修正该QRS波的基准点及终点到顶点的距离；
Ⅱ.QRS波与模板匹配且相关系数大于第五预设值，更新模板的宽度及终点到顶点的距离；
Ⅲ.QRS波与模板匹配且相关系数大于第五预设值，且QRS波的宽度与匹配模板的宽度相差小于该模板宽度的1/3，更新模板的波形数据；
Ⅳ.QRS波与内置模板均不匹配，且QRS波宽度大于16，则判断该QRS波为异常波。
8.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，所述步骤⑹中的系统内置模板上限为6个，当模板数大于6时，需要淘汰其一模板，具体淘汰方法如下：
a.统计最近60个QRS波的形态类型；
b.统计各模板形态与所述60个QRS波的形态类型匹配次数，并依据匹配次数从少至多的次序进行排序；
c.位于第一顺位的模板是否为主导模板，否，则淘汰该模板形态；是，则淘汰位于第二顺位的模板形态。
9.根据权利要求1所述的基于体温监测仪的心电检测分类方法，其特征在于，还包括步骤⑻，根据RR间期，计算检测对象的心率，具体计算公式如下：
Hr＝60/Trr……(7)
其中，Trr为RR间期。
10.一种QRS波的波形数据的判断方法，其特征在于，包括以下步骤：
(1)将QRS波的波形数据拷贝至临时数据区；
(2)计算临时数据区内储存的波形数据与主导模板具体的相关系数；
(3)所述步骤(2)计算所得的相关系数是否大于等于第一预设值，是，则波形数据与主导模板匹配，临时数据区内的QRS波为正常波；否，则进入下一步；
(4)更换系统的内置形态模板，计算临时数据区内储存的波形数据与替换后的形态模板具体的相关系数；
(5)所述步骤(4)计算所得的相关系数是否大于等于第一预设值，是，则进入下一步；否，则跳至步骤(4)；
(6)判断是否同时满足QRS波的噪声指数大于第二预设值,且QRS波不与主导模板匹配，计算所得的相关系数小于第三预设值，是，则临时数据区内的QRS波为正常波；否，则进入下一步；
(7)将临时数据区内的QRS波与所述内置形态模板进行二次相关系数计算，所得相关系数是否大于第三预设值，是，则临时数据区内的QRS波为正常波；否，则进入下一步；
(8)经过所述步骤(2)～步骤(5)的计算，系统内置的形态模板是否存在与临时数据区内的QRS波相匹配的模板，是，则将与临时数据区内的QRS波相匹配的模板更新原模板并保存；否，则将与临时数据区内的QRS波相匹配的模板生成为新的模板并保存，且认定为异常波。
CN202210154666.7A 2022-02-21 2022-02-21 一种基于体温监测仪的心电检测分类方法 Active CN114224353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210154666.7A CN114224353B (zh) 2022-02-21 2022-02-21 一种基于体温监测仪的心电检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210154666.7A CN114224353B (zh) 2022-02-21 2022-02-21 一种基于体温监测仪的心电检测分类方法

Publications (2)

Publication Number Publication Date
CN114224353A CN114224353A (zh) 2022-03-25
CN114224353B true CN114224353B (zh) 2023-03-21

Family

ID=80747575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210154666.7A Active CN114224353B (zh) 2022-02-21 2022-02-21 一种基于体温监测仪的心电检测分类方法

Country Status (1)

Country Link
CN (1) CN114224353B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102835954B (zh) * 2012-09-07 2015-03-11 深圳邦健生物医疗设备股份有限公司 一种心拍波形模板生成方法及模块
WO2016034203A1 (de) * 2014-09-01 2016-03-10 Schiller Ag Verfahren und vorrichtung zur automatischen klassifikation von herzschlägen, computerprogrammprodukt und ekg-gerät zur durchführung des verfahrens
WO2016205993A1 (zh) * 2015-06-23 2016-12-29 中国科学院深圳先进技术研究院 基于gpu的并行心电信号分析方法
WO2019140604A1 (zh) * 2018-01-18 2019-07-25 深圳迈瑞生物医疗电子股份有限公司 心律失常实时分析方法、心电监护设备及存储介质
CN110123304B (zh) * 2019-01-22 2021-08-27 东南大学 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法

Also Published As

Publication number Publication date
CN114224353A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN103860162B (zh) 一种起搏信号检测方法、系统和心电检测设备
US8744559B2 (en) Methods, systems and devices for detecting atrial fibrillation
US5000189A (en) Method and system for monitoring electrocardiographic signals and detecting a pathological cardiac arrhythmia such as ventricular tachycardia
CN106214145B (zh) 一种基于深度学习算法的心电图分类方法
CN105286857A (zh) 一种可适应心电波形病理变化的r波快速检测方法
CN109288515B (zh) 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
CN104921722A (zh) 一种双导联融合心电qrs波检测方法
Bsoul et al. Detection of P, QRS, and T components of ECG using wavelet transformation
CN110507317B (zh) 一种心电信号r波的自适应ca-cfar定位方法
EP3970615B1 (en) Method for detecting qrs complex of electrocardiogram signal
CN111449622A (zh) 一种基于bcg检测的房颤识别系统
Ramli et al. Correlation analysis for abnormal ECG signal features extraction
CN113197584A (zh) 一种基于差分过零检测法的qrs波群识别方法
CA1188744A (en) Electrocardiographic means for detecting potential ventricular tachycardia
CN109893115A (zh) 一种基于人体微弱生物电信号的处理分析方法
CN111166322A (zh) 心电信号特征波提取方法
CN114224353B (zh) 一种基于体温监测仪的心电检测分类方法
Tun et al. Analysis of computer aided identification system for ECG characteristic points
CN109394206B (zh) 基于穿戴式心电信号中早搏信号的实时监测方法及其装置
Bhanu et al. Analysis of ECG signal and classification of arrhythmia
JP2002078695A (ja) 心電図計測装置
CN116530994A (zh) 一种基于ecg映射信号特征值变化的心脏状态监测方法
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
Lek-uthai et al. Development of a cost-effective ECG monitor for cardiac arrhythmia detection using heart rate variability
CN115590524A (zh) 基于卷积神经网络的qt间期延长识别方法及系统

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