CN114504326B - 一种心电信号二进制幅度编码方法 - Google Patents

一种心电信号二进制幅度编码方法 Download PDF

Info

Publication number
CN114504326B
CN114504326B CN202210048598.6A CN202210048598A CN114504326B CN 114504326 B CN114504326 B CN 114504326B CN 202210048598 A CN202210048598 A CN 202210048598A CN 114504326 B CN114504326 B CN 114504326B
Authority
CN
China
Prior art keywords
amplitude
bit
heart beat
data
interval
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
CN202210048598.6A
Other languages
English (en)
Other versions
CN114504326A (zh
Inventor
周军
毛睿昕
夏子寒
张兆民
李思旭
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210048598.6A priority Critical patent/CN114504326B/zh
Publication of CN114504326A publication Critical patent/CN114504326A/zh
Application granted granted Critical
Publication of CN114504326B publication Critical patent/CN114504326B/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]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

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

Abstract

本发明涉及心电信号处理领域，具体为一种心电信号二进制幅度编码方法。该方法先根据实际心电数据设定幅度间隔，并基于设定的幅度间隔选择≥幅度间隔的心电数据进行采样，减少噪声干扰的同时缩短了数据长度。再针对心电信号中体现心脏运动重要特征的心拍幅度、心拍R峰值、相邻两个心拍之间的RR间隔以及相邻两个心拍RR间隔的长度变化进行编码，使其执行相同任务时，与直接导入心电信号不存在任何差异。心电信号编码成二进制0、1比特表示的数据后，将乘法运算简化为加法运算，降低了计算复杂度。由此可见，本发明解决了现有使用神经网络对心电信号进行分类时存在的网络规模和参数量大，致使神经网络学习和推理复杂度高、耗时长的问题。

Description

一种心电信号二进制幅度编码方法
技术领域
本发明涉及心电信号处理领域，尤其涉及一种心电信号二进制幅度编码方法。
背景技术
根据世界卫生组织的统计显示，心血管疾病(Cardiovascular Diseases,CVD)是全球第一大死亡原因。尽早地发现并预防心血管疾病，可以挽救许多CVD患者的生命。近年来，随着医学技术的迅猛发展，电子诊疗仪器也正在逐步地更新换代，对于心血管疾病的检测方面，心电诊断一直起到了重要的作用。心电诊断主要包括心电图、动态心电图、心电向量图、心率变异性及信号平均心电图等方面的检测。其中，心电图(Electrocardiogram,ECG)是心律失常识别诊断的重要判断依据，因其反映信息全面、操作手段简单、成本较为低廉得到了广泛的应用。该方法通过心脏在心动周期中心肌细胞产生的生物电变化，在体表检测出的电位变化的图形，这种方式记录心跳时，心肌细胞去极化引发的微小的电学改变并进行信号放大，从而描绘出一个心动周期的心电图。心电信号最显著的特征是QRS波群，其峰值为R峰，两个连续R峰之间的时间间隔为RR间隔，可以用于检测心脏正常运行时出现的不规则现象，即心律失常。
目前，临床上主要使用心电图机记录患者心电图，这种心电图机能将心脏活动时心肌激动产生的生物电信号(心电信号)自动记录下来，然后由医生根据得到的波形诊断患者心跳是否异常，或者将心电信号输入一些心电图分析设备，进行分析。
在分析过程中，现有的针对QRS波群检测的算法多基于振幅，即使用信号的一阶导数和二阶导数，还有一些更为复杂的方法，如基于小波的QRS检测、滤波器组方法和神经网络方法等。尽管这些方法功能强大，但其中大多数计算复杂度高，算法实现复杂。由于可穿戴设备需要对患者心电进行实时监测，需要最小的尺寸、复杂度及功耗，因此这些QRS波群检测算法难以在这些设备上良好运行。使用神经网络进行ECG信号分类的算法有效改善了上述问题。
使用神经网络进行ECG信号分类的算法，可以直接将传感器采集得到的ECG信号输入网络进行分类，无需滤波。但是这种方法输入网络的ECG原始信号长度过长，通常使用几百个采样点表示一个心拍，因而要求的神经网络的网络规模和参数量过大，神经网络的学习和推理复杂度高，耗时长。此外，目前得到的ECG信号样本幅度为连续的小数，在使用神经网络进行ECG分类时，需要对其与网络权值进行相应的乘法运算，与加法运算相比，显然计算复杂度高。
发明内容
本发明的目的在于：提供一种心电信号二进制幅度编码方法，以解决现有使用神经网络对心电信号进行分类时存在的网络规模和参数量大，致使神经网络学习和推理复杂度高、耗时长的问题。
为实现上述发明目的，本发明采用如下的技术方案：
一种心电信号二进制幅度编码方法，该编码方法包含了心电信号的三部分信息，三部分信息分别为：心拍的幅度信息、相邻两个心拍的RR间隔长度以及心拍的间隔长度变化趋势；采用下述方式进行二进制编码：
步骤1、基于设定幅度间隔采集心电数据中大于等于幅度间隔的心拍数据；
步骤2、对心拍幅度进行二进制编码：
根据心拍的幅度变化对每个心拍数据进行编码，编码规则为：在每个心拍数据中，将设定幅度间隔作为步长对采集的每个心拍数据进行分断,当心拍幅度变化了一个幅度间隔，则视为产生了一个脉冲；若幅度上升，则该脉冲编码为1；若幅度下降，则该脉冲编码为0；单个心拍的R峰左右幅度变化各取n个数据编码为n比特数据，形成2n比特；其中n的取值范围为20≤n≤50；
对相邻两个心拍的RR间隔长度进行二进制编码：
记录每个心拍R峰对应的采样时间，对每个心拍的R峰对应的采样时间Ri与前一个心拍的R峰对应的采样时间Ri-1作差得到ΔRi，对每个心拍的R峰对应的采样时间Ri与前一个心拍的R峰对应的采样时间Ri+1作差得到ΔRi+1；将ΔRi、ΔRi+1各编码为m比特数据；其中m取值范围为8≤m≤20；
对相邻两个心拍间隔长度的变化趋势进行二进制编码：
比较每个心拍与相邻前面两个心拍及相邻后面一个心拍的RR间隔的大小，若ΔRi+1＞ΔRi，则编码为1比特1，否则编码为1比特0；若ΔRi＞ΔRi-1，则编码为1比特1，否则编码为1比特0；形成2比特；
步骤4、将步骤2得到的2n比特数据作为单个心拍幅度编码的第1位到第2n位，2m比特数据作为单个心拍幅度编码的第2n+1位到第2m+2n位，2比特数据作为单个心拍幅度编码的第2m+2n+1位到第2m+2n+2位，得到2m+2n+2比特心电信号二进制幅度编码。
作为优选，所述幅度间隔应比心拍最小峰值小，但是应该同时满足n个比特总共表示的最大幅度大于心拍的最大峰值。
本发明提供的一种心电信号二进制幅度编码方法，基于心电信号各波段的波形特点，采用基于幅度变化的差分编码方法可以实现心电信号的二进制编码。编码前，根据实际心电数据设定幅度间隔，然后基于设定的幅度间隔选择大于等于幅度间隔的心电数据进行采样，一方面减少了噪声干扰带来的影响；另一方面可以使单个心拍在编码过程中所需比特数据缩短为原来的1/5，在导入神经网络进行心拍分类时可以有效降低网络输入端数据的维数，缩小网络规模，减少所需参量。编码过程中，针对心电信号中体现心脏运动重要特征的心拍幅度、心拍R峰值、相邻两个心拍之间的RR间隔以及相邻两个心拍RR间隔的长度变化趋势方面进行编码，使其与直接导入心电信号方式在执行相同任务过程中不存在任何差异。心电信号编码成二进制0、1比特表示的数据后，可以将乘法运算简化为加法运算，降低了计算复杂度。
与现有的技术相比，本发明解决了现有使用神经网络对心电信号进行分类时存在的网络规模和参数量大，致使神经网络学习和推理复杂度高、耗时长的问题。帮助硬件实现时降低网络功耗，提高网络性能。
附图说明
图1为本发明的冗余数据丢弃；
图2为本发明针对ECG数据点的低复杂度增量编码；
图3为本发明针对ECG信号R峰间距的编码；
图4为本发明针对ECG信号R峰间距的变化趋势的编码。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种心电信号二进制幅度编码方法做进一步详细的描述。
图1展示了本发明对于原始ECG信号的预处理，其目的是减少ECG信号中存在的冗余信息。如图所示，标准的ECG信号包括以下五个特征：P,Q,R,S,T。这五个特征所包含的数据点多处于变化状态，而ECG信号的其他分段则处于相对平缓的状态。因此，为了保留ECG信号的明显特征和有用信息，我们首先对原始ECG信号中相邻幅值变化量的绝对值小于某一提前设定的阈值的点进行丢弃。该阈值根据实际心电数据进行调整，其值大于等于0。
如图2所示，对于经过冗余数据丢弃处理的ECG数据点，我们对每个数据点进行增量编码。具体来说，考察相邻2个ECG数据点，若后者幅度大于前者，那么后者被编码为1比特1，否则其被编码为1比特0。为了进一步减少编码复杂度并提取有用信息，我们在此基础上，以每个R峰为中心，左右两边各取37个数据点进行编码，形成74比特。
如图3所示，为了获取相邻R峰之间的信息，我们针对R峰间距进行编码。对于我们所关注的R峰R0，将其关于前一个R峰和后一个R峰的距离各自进行10比特二进制编码，形成20比特。
如图4所示，为了获取R峰间距变化趋势的信息，我们考察关注的R峰R0以及其前两个R峰R-1，R-2和后一个R峰R1的关系。首先，计算出这四个R峰相邻两两之间的间距R1-R0，R0-R-1，R-1-R-2。其次，比较相邻间距，获得变化趋势。如果后一个间距超过前一个间距，那么编码为1比特1，否则编码为1比特0，形成2比特。
将得到的74比特数据作为单个心拍幅度编码的第1位到第74位，将得到的20比特数据作为单个心拍幅度编码的第75位到第94位，将得到的2比特数据作为单个心拍幅度编码的第95位到第96位，最终得到96比特心电信号二进制幅度编码。
可见，本发明提供的一种心电信号二进制幅度编码方法能够实现ECG信号的二进制编码，心电信号编码成二进制0、1比特表示的数据后，可以将乘法运算简化为加法运算，降低了计算复杂度。
上述实施例仅说明本发明的原理及功效，而非用于限制本发明，仅为帮助理解本发明原理，本发明保护范围亦不限于上述的配置和实施例，本领域技术人员可以根据公开技术做出不脱离本发明实质的其他各种具体变形与组合，但仍在本发明的保护范围内。

Claims (2)

1.一种心电信号二进制幅度编码方法，其特征在于：该编码方法包含了心电信号的三部分信息，三部分信息分别为：心拍的幅度信息、相邻两个心拍的RR间隔长度以及心拍的间隔长度变化趋势；采用下述方式进行二进制编码：
步骤1、基于设定幅度间隔采集心电数据中大于等于幅度间隔的心拍数据；
步骤2、对心拍幅度进行二进制编码：
根据心拍的幅度变化对每个心拍数据进行编码，编码规则为：在每个心拍数据中，将设定幅度间隔作为步长对采集的每个心拍数据进行分断,当心拍幅度变化了一个幅度间隔，则视为产生了一个脉冲；若幅度上升，则该脉冲编码为1；若幅度下降，则该脉冲编码为0；单个心拍的R峰左右幅度变化各取n个数据编码为n比特数据，形成2n比特；其中n的取值范围为20≤n≤50；
对相邻两个心拍的RR间隔长度进行二进制编码：
记录每个心拍R峰对应的采样时间，对每个心拍的R峰对应的采样时间Ri与前一个心拍的R峰对应的采样时间Ri-1作差得到ΔRi，对每个心拍的R峰对应的采样时间Ri与前一个心拍的R峰对应的采样时间Ri+1作差得到ΔRi+1；将ΔRi、ΔRi+1各编码为m比特数据；其中m取值范围为8≤m≤20；
对相邻两个心拍间隔长度的变化趋势进行二进制编码：
比较每个心拍与相邻前面两个心拍及相邻后面一个心拍的RR间隔的大小，若ΔRi+1＞ΔRi，则编码为1比特1，否则编码为1比特0；若ΔRi＞ΔRi-1，则编码为1比特1，否则编码为1比特0；形成2比特；
步骤4、将步骤2得到的2n比特数据作为单个心拍幅度编码的第1位到第2n位，2m比特数据作为单个心拍幅度编码的第2n+1位到第2m+2n位，2比特数据作为单个心拍幅度编码的第2m+2n+1位到第2m+2n+2位，得到2m+2n+2比特心电信号二进制幅度编码。
2.根据权利要求1所述的一种心电信号二进制幅度编码方法，其特征在于：所述幅度间隔应比心拍最小峰值小，但是应该同时满足n个比特总共表示的最大幅度大于心拍的最大峰值。
CN202210048598.6A 2022-01-17 2022-01-17 一种心电信号二进制幅度编码方法 Active CN114504326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210048598.6A CN114504326B (zh) 2022-01-17 2022-01-17 一种心电信号二进制幅度编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210048598.6A CN114504326B (zh) 2022-01-17 2022-01-17 一种心电信号二进制幅度编码方法

Publications (2)

Publication Number Publication Date
CN114504326A CN114504326A (zh) 2022-05-17
CN114504326B true CN114504326B (zh) 2023-07-18

Family

ID=81550103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210048598.6A Active CN114504326B (zh) 2022-01-17 2022-01-17 一种心电信号二进制幅度编码方法

Country Status (1)

Country Link
CN (1) CN114504326B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0307212D0 (en) * 2003-03-28 2003-04-30 Advanced Medical Diagnostics G Method and apparatus for identifying features in an ECG signal
WO2004084721A1 (en) * 2003-03-28 2004-10-07 Advanced Medical Diagnostics Group Limited Apparatus for processing an ecg signal
KR101429710B1 (ko) * 2013-07-23 2014-08-12 부산대학교 산학협력단 특징점 변화에 따른 부정맥 분류 방법 및 원격 모니터링 장치
CN110736948A (zh) * 2018-07-20 2020-01-31 通用电气公司 用于生成用于mr成像触发的ecg参考数据的系统和方法
CN111956208A (zh) * 2020-08-27 2020-11-20 电子科技大学 一种基于超轻量级卷积神经网络的ecg信号分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909332B2 (en) * 2010-01-26 2014-12-09 Stmicroelectronics S.R.L. Method and device for estimating morphological features of heart beats

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0307212D0 (en) * 2003-03-28 2003-04-30 Advanced Medical Diagnostics G Method and apparatus for identifying features in an ECG signal
WO2004084721A1 (en) * 2003-03-28 2004-10-07 Advanced Medical Diagnostics Group Limited Apparatus for processing an ecg signal
KR101429710B1 (ko) * 2013-07-23 2014-08-12 부산대학교 산학협력단 특징점 변화에 따른 부정맥 분류 방법 및 원격 모니터링 장치
CN110736948A (zh) * 2018-07-20 2020-01-31 通用电气公司 用于生成用于mr成像触发的ecg参考数据的系统和方法
CN111956208A (zh) * 2020-08-27 2020-11-20 电子科技大学 一种基于超轻量级卷积神经网络的ecg信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏编码的心电信号分类研究;张家佳;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN114504326A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN106725428B (zh) 一种心电信号分类方法及装置
Chen et al. Compressed sensing framework for heart sound acquisition in internet of medical things
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
US20220015711A1 (en) System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms
CN111772628B (zh) 一种基于深度学习的心电信号房颤自动检测系统
CN108888259B (zh) 一种心电信号实时qrs波检测方法
Kumar et al. Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis
CN113520401B (zh) 心电信号的分类方法和装置
CN111265210A (zh) 一种基于深度学习的房颤预测装置和设备
CN114052744A (zh) 基于脉冲神经网络的心电信号分类方法
WO2013170251A2 (en) System and method for risk stratification based on dynamic nonlinear analysis and comparison of cardiac repolarization with other physiological signals
CN113180685B (zh) 基于形态学滤波和小波阈值的心电异常判别系统及方法
CN111528833B (zh) 一种心电信号的快速识别与处理方法及系统
Manikandan et al. Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices
CN114504326B (zh) 一种心电信号二进制幅度编码方法
CN110367973B (zh) 多导联心电信号qrs波群起始点的检测方法
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
Dogan et al. A comprehensive review of computer-based Techniques for R-peaks/QRS complex detection in ECG signal
CN115828056A (zh) 一种心电图特征信号提取方法及终端
Dliou et al. Noised abnormal ECG signal analysis by combining EMD and Choi-Williams techniques
Kaur et al. Adaptive wavelet thresholding for noise reduction in electrocardiogram (ECG) signals
CN111803062A (zh) 一种基于深度学习的房颤事件检测方法
Vimala et al. Classification of cardiac vascular disease from ECG signals for enhancing modern health care scenario
Aravind et al. ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network
Jiang et al. An SPC-based forward-backward algorithm for arrhythmic beat detection and classification

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