CN114680901A - 选择心电图的特征的电子装置和方法 - Google Patents
选择心电图的特征的电子装置和方法 Download PDFInfo
- Publication number
- CN114680901A CN114680901A CN202110695328.XA CN202110695328A CN114680901A CN 114680901 A CN114680901 A CN 114680901A CN 202110695328 A CN202110695328 A CN 202110695328A CN 114680901 A CN114680901 A CN 114680901A
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- wave
- feature
- module
- lead
- 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.)
- Pending
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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/352—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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/358—Detecting ST segments
-
- 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
- A61B5/36—Detecting PQ interval, PR interval or QT 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种选择心电图的特征的电子装置和方法。方法包含:取得心电图;对心电图进行第一前处理以产生第一心电图;在第一心电图上标记对应于至少一种波的多个端点;根据至少一种波的多个端点计算对应于第一特征的第一特征值,根据第一特征值产生对应于机器学习模型的第一效能指标,并且根据第一效能指标判断是否选择第一特征;以及响应于选择第一特征而输出第一特征。
Description
技术领域
本发明涉及一种选择心电图(electrocardiogram,ECG)的特征的电子装置和方法。
背景技术
心血管疾病长年占据十大死因之一。由于心血管疾病并无明显的病征,故其对患者造成很大的威胁。供给心脏血液的冠状动脉的血管壁可能因为老化、烟害、三高、遗传或饮食习惯等因素而发生硬化或变得狭窄。如此,可能导致心脏的供血不足,从而造成心绞痛或心肌梗塞等问题。
为了检查冠状动脉的相关疾病,医生常使用运动心电图以进行非侵入式的检查。然而,相较于直接侵入式检查的方法,利用运动心电图进行心血管疾病的检查存在伪阳性(false positive,FP)过高的问题。因此,如何提出一种能改善用于分析心电图的机器学习模型的效能的方法,是本领域人员致力的目标之一。
发明内容
本发明提供一种选择心电图的特征的电子装置和方法,可找出与心脏疾病高度相关的一个或多个特征。
本发明的一种选择心电图的特征的电子装置,包含处理器、存储介质以及收发器。存储介质存储多个模块。处理器耦接存储介质以及收发器,并且存取和执行多个模块,其中多个模块包含数据收集模块、第一前处理模块、标记模块、特征建立模块、特征选择模块以及输出模块。数据收集模块通过收发器取得心电图。第一前处理模块对心电图进行第一前处理以产生第一心电图。标记模块在第一心电图上标记对应于至少一种波的多个端点。特征建立模块根据至少一种波的多个端点计算对应于第一特征的第一特征值,并且根据第一特征值产生对应于机器学习模型的第一效能指标。特征选择模块根据第一效能指标判断是否选择第一特征。输出模块响应于选择第一特征而通过收发器输出第一特征。
在本发明的一实施例中,上述的至少一种波包含R波,其中多个模块还包含第二前处理模块。第二前处理模块对第一心电图进行第二前处理以产生第二心电图,其中标记模块根据窗函数将第二心电图区分成多个部分,并且响应于多个部分中的第一部分包含大于零的至少一数据点而将第一部分中具有最大值的第一数据点标记为第一参考点,其中第一参考点对应于第一参考时间点,其中标记模块根据第一参考时间点决定第一心电图的第一时段,并且将第一时段中具有最大值的第二数据点标记为第一R波端点,其中第一参考时间点位在第一时段的中心,其中多个端点包含第一R波端点。
在本发明的一实施例中,上述的至少一种波还包含Q波,其中第一R波端点对应于第一时间点,其中标记模块根据第一时间点决定第一心电图的第二时段,并且将第二时段中具有最小值的第三数据点标记为第一Q波端点,其中第一时间点为第二时段的最晚时间点,其中多个端点包含第一Q波端点。
在本发明的一实施例中,上述的标记模块响应于第三数据点的斜率为正而将早于第二时段的第三时段中具有最小值的第四数据点标记为第一Q波端点。
在本发明的一实施例中,上述的第一Q波端点对应于第二时间点,其中标记模块在第一心电图上标记包含第一R波端点的多个R波端点,根据多个R波端点计算平均RR间隔,根据多个R波端点的数量决定权重,并且根据平均RR间隔以及权重决定第二窗函数,其中标记模块根据第二窗函数以决定早于第二时间点的第四时段,并且将第四时段中具有最大值的第五数据点标记第一P波端点,其中第二时间点对应于第四时段的第二最晚时间点,其中多个端点包含第一P波端点。
在本发明的一实施例中,上述的标记模块响应于第五数据点的斜率为负而将早于第四时段的第五时段中具有最大值的第六数据点标记为第一P波端点。
在本发明的一实施例中,上述的第一前处理包含:对心电图进行基线漂移移除、去噪声以及标准化以产生第一心电图。
在本发明的一实施例中,上述的第二前处理包含:将第一心电图分割成三个部分,其中三个部分包含第一时段心电图、晚于第一时段心电图的第二时段心电图以及晚于第二时段心电图的第三时段心电图,其中第一时段心电图以及第三时段心电图的长度相同;计算对应于第一时段心电图的第一标准偏差以及对应于第二时段心电图的第二标准偏差;以及响应于第一标准偏差与第二标准偏差之间的差值大于第一阈值而自第一心电图中删除第一时段心电图。
在本发明的一实施例中,上述的第二前处理还包含:对第一心电图进行小波转换以产生经转换心电图;将经转换心电图标准化成标准分数;以及将标准分数中小于第二阈值的多个数据点设为零以产生第二心电图。
在本发明的一实施例中,上述的数据收集模块通过收发器接收多个心电图,其中多个心电图包含第一导程心电图和第二导程心电图,其中数据收集模块将第一导程心电图标准化成第一标准分数函数,响应于第一标准分数函数中的至少一第一标准分数的至少一第一绝对值大于第一标准分数函数中的第一标准分数的第一绝对值而从第一标准分数函数的多个第一标准分数中选择至少一第一标准分数以计算第一总合,其中数据收集模块将第二导程心电图标准化成第二标准分数函数,响应于第二标准分数函数中的至少一第二标准分数的至少一第二绝对值大于第二标准分数函数中的第二标准分数的第二绝对值而从第二标准分数函数的多个第二标准分数中选择至少一第二标准分数以计算第二总合,其中数据收集模块根据第一总合和第二总合的正负以从多个心电图中选择对应于第三导程的心电图。
在本发明的一实施例中,上述的第一导程心电图对应于导程I,其中第二导程心电图对应于导程aVF,其中第三导程对应于下列的其中之一:导程II、导程aVL、导程aVF以及导程aVR。
在本发明的一实施例中,上述的特征选择模块响应于第一效能指标大于效能阈值而选择第一特征。
在本发明的一实施例中,上述的特征建立模块根据至少一种波的多个端点计算对应于第二特征的第二特征值,并且根据第二特征值产生对应于机器学习模型的第二效能指标,其中特征选择模块响应于第一效能指标大于第二效能指标而从第一特征和第二特征中选出第一特征。
本发明的一种选择心电图的特征的方法,包含:取得心电图;对心电图进行第一前处理以产生第一心电图;在第一心电图上标记对应于至少一种波的多个端点;根据至少一种波的多个端点计算对应于第一特征的第一特征值,根据第一特征值产生对应于机器学习模型的第一效能指标,并且根据第一效能指标判断是否选择第一特征;以及响应于选择第一特征而输出第一特征。
基于上述,本发明可从心电图的众多特征中挑选出与心脏疾病高度相关的一个或多个特征并输出所述特征以提示使用者。因此,使用者可根据本发明所选择出的特征来训练具有较佳效能的机器学习模型。机器学习模型可用于根据心电图判断受测者的冠状动脉的健康状况。
附图说明
图1根据本发明的实施例示出一种选择心电图的特征的电子装置的示意图;
图2根据本发明的实施例示出第一前处理的示意图;
图3A根据本发明的实施例示出第二前处理的示意图;
图3B根据本发明的实施例示出标记心电图的各种波的端点的示意图;
图3C根据本发明的实施例示出图3B的第一心电图的第一局部放大图;
图3D根据本发明的实施例示出图3B的第一心电图的第二局部放大图;
图4根据本发明的实施例示出一种选择心电图的特征的方法的流程图。
附图标记说明
100:电子装置
110:处理器
120:存储介质
121:第一前处理模块
122:第二前处理模块
123:数据收集模块
124:标记模块
125:特征选择模块
126:输出模块
127:特征建立模块
130:收发器
21、22:心电图
23:第一心电图
25:第二心电图
31:第一时段心电图
32:第二时段心电图
33:第三时段心电图
41、42:部分
51:参考点
52:参考时间点
61、71:R波端点
62:Q波端点
63:P波端点
64:S波端点
65:T波端点
81、82、83、84:数据点
t1、t2、t3、t4、t5:时间点
P1、P2、P3、P4、P5、P6、P7、P8、P9:时段
S401、S402、S403、S404、S405:步骤
W1、W2:窗函数
具体实施方式
现将详细地参考本发明的示范性实施例,示范性实施例的实例说明于附图中。只要有可能,相同元件符号在附图和描述中用来表示相同或相似部分。
为了使本发明的内容可以被更容易明了,以下特举实施例作为本发明确实能够据以实施的范例。另外,凡可能之处,在附图及实施方式中使用相同标号的组件/构件/步骤,代表相同或类似部件。
图1根据本发明的实施例示出一种选择心电图的特征的电子装置100的示意图。电子装置100可包含处理器110、存储介质120以及收发器130。
处理器110例如是中央处理单元(central processing unit,CPU),或是其他可程序化的一般用途或特殊用途的微控制单元(micro control unit,MCU)、微处理器(microprocessor)、数字信号处理器(digital signal processor,DSP)、可程序化控制器、特殊应用集成电路(application specific integrated circuit,ASIC)、图形处理器(graphics processing unit,GPU)、图像信号处理器(image signal processor,ISP)、图像处理单元(image processing unit,IPU)、算数逻辑单元(arithmetic logic unit,ALU)、复杂可程序逻辑装置(complex programmable logic device,CPLD)、现场可程序化逻辑门阵列(field programmable gate array,FPGA)或其他类似组件或上述组件的组合。处理器110可耦接至存储介质120以及收发器130,并且存取和执行存储于存储介质120中的多个模块和各种应用程序。
存储介质120例如是任何型态的固定式或可移动式的随机存取内存(randomaccess memory,RAM)、只读存储器(read-only memory,ROM)、闪存(flash memory)、硬盘(hard disk drive,HDD)、固态硬盘(solid state drive,SSD)或类似组件或上述组件的组合,而用于存储可由处理器110执行的多个模块或各种应用程序。在本实施例中,存储介质120可存储包含第一前处理模块121、第二前处理模块122、数据收集模块123、标记模块124、特征选择模块125、输出模块126以及特征建立模块127等多个模块,其功能将于后续说明。
收发器130以无线或有线的方式传送及接收信号。收发器130还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。
数据收集模块123可通过收发器130接收受测者的多个心电图,其中所述多个心电图可分别对应于多个导程(lead)。举例来说,多个导程可包含导程I、导程II、导程III、导程aVR、导程aVL、导程aVF、导程V1、导程V2、导程V3、导程V4、导程V5或导程V6等。
为了从心电图中挑选出特征,电子装置100可先在心电图上标记出P波、Q波、R波、S波或T波的端点(extreme point),其中所述端点包含波峰(wave peak)或波谷(wavetrough)。由于并非所有导程的心电图都适合于标记端点,因此,在取得多个心电图后,数据收集模块123可从多个心电图中选出对应于主要导程(primary lead)的心电图(即:主要心电图),其中所述心电图可用于标记波的端点。
具体来说,数据收集模块123可从多个心电图中挑选出导程I心电图和导程aVF心电图。数据收集模块123可将导程I心电图标准化(standardizing)成第一标准分数(standard score)函数。接着,数据收集模块123可响应于第一标准分数函数中的至少一第一标准分数的至少一第一绝对值大于第一标准分数函数中的第一标准分数的第一绝对值而从第一标准分数函数的多个第一标准分数中选择所述至少一第一标准分数以计算第一总合。举例来说,假设第一标准分数函数包含100个第一标准分数。数据收集模块123可从第一标准分数函数中选出对应于前2%的绝对值的2个第一标准分数(此2个第一标准分数的绝对值大于其他98个第一标准分数的绝对值),并且将所述2个第一标准分数相加以计算第一总合。
相似地,数据收集模块123可将导程aVF心电图标准化成第二标准分数函数。接着,数据收集模块123可响应于第二标准分数函数中的至少一第二标准分数的至少一第二绝对值大于第二标准分数函数中的第二标准分数的第二绝对值而从第二标准分数函数的多个第二标准分数中选择所述至少一第二标准分数以计算第二总合。举例来说,假设第二标准分数函数包含100个第二标准分数。数据收集模块123可从第二标准分数函数中选出对应于前2%的绝对值的2个第二标准分数(此2个第二标准分数的绝对值大于其他98个第二标准分数的绝对值),并且将所述2个第二标准分数相加以计算第二总合。
在取得第一总合和第二总合后,数据收集模块123可根据第一总合和第二总合的正负选出主要导程,从而从多个心电图中挑选出与主要导程相对应的心电图。具体来说,数据收集模块123可根据表1来决定主要导程。
表1
第一总合的正负(导程I) | 第二总合的正负(导程aVF) | 主要导程 |
正 | 正 | 导程II |
正 | 负 | 导程aVL |
负 | 正 | 导程aVF |
负 | 负 | 导程aVR |
在挑选出对应于主要导程的心电图后,第一前处理模块121可对心电图进行第一前处理以产生第一心电图。第一前处理可包含基线漂移移除(baseline wanderingremoval)、去噪声(noise removal)或标准化等步骤,但本发明不限于此。图2根据本发明的实施例示出第一前处理的示意图。第一前处理模块121可对心电图21进行第一前处理以产生第一心电图23。心电图21的原始信号可能因测量环境或误差等因素而导致基线漂移(baseline wandering)。因此,第一前处理模块121可通过例如带阻滤波器(bandrejection filter)或陷波滤波器(notch filter)来对心电图21进行基线漂移移除以产生较为规律的心电图22。接着,第一前处理模块121可通过例如低通滤波器来对经过调整的心电图22进行去噪声,以平滑化心电图22。而后,第一前处理模块121可对平滑化后的心电图22进行标准化以产生平均值为0的第一心电图23。
在一实施例中,在取得主要导程前,第一前处理模块121可先对数据收集模块123所收集到的分别对应于多个导程的多个心电图进行第一前处理,并且根据经过第一前处理的多个心电图来决定主要导程。
在取得第一心电图23后,第二前处理模块122可对第一心电图23进行第二前处理以产生第二心电图25。图3A根据本发明的实施例示出第二前处理的示意图。由于心电图的测量信号常在开始测量或结束测量时受到噪声干扰而导致失真。因此,第二前处理模块122可去除第一心电图23的首部及尾部。具体来说,第二前处理模块122可将第一心电图23分割成三个部分,其中所述三个部分可包含第一时段心电图31、晚于第一时段心电图31的第二时段心电图32以及晚于第二时段心电图32的第三时段心电图33,其中第一时段心电图31与第三时段心电图33的长度相同。具体来说,若第一时段心电图31占了第一心电图23的m%(m为正实数),则第三时段心电图33可占第一心电图23的m%,并且第二时段心电图32可占第一心电图23的(1-2*m)%。例如,若第一时段心电图31占了第一心电图23的10%,则第三时段心电图33可占第一心电图23的10%,并且第二时段心电图32可占第一心电图23的80%。
接着,第二前处理模块122可计算对应于每一时段心电图的标准偏差(standarddeviation)。第二前处理模块122可计算对应于第一时段心电图31的第一标准偏差(或对应于第三时段心电图33的第三标准偏差)以及对应于第二时段心电图32的第二标准偏差。若第一标准偏差(或第三标准偏差)与第二标准偏差之间的差值大于第一阈值,则第二前处理模块122可自第一心电图23中删除第一时段心电图31(或第三时段心电图33),藉以去除第一心电图23的首部及尾部。第一阈值可由使用者依需求而调整。
为了将心电图的波形的端点变得更显著以利标记,第二前处理模块122可进一步对第一心电图23进行小波转换(wavelet transform)以产生经转换心电图。第二前处理模块122可将经转换心电图标准化为标准分数,并且将标准分数中小于第二阈值的多个数据点设为0以产生第二心电图25。第二阈值可由使用者依需求而调整。例如,第二阈值可被配置为标准分数的X倍标准偏差,其中X可为正实数。
标记模块124可以第二心电图25作为参考以在第一心电图23上标记出R波端点(即:R波波峰)。具体来说,在产生第二心电图25后,标记模块124可根据第二心电图25决定窗函数。举例来说,标记模块124可根据公式(1)计算窗函数W1,其中mbpm为最大心率(单位为beats per minute,bpm),并且SR为心电图的取样率(sample rate),其中mbpm可由使用者依需求而调整。
标记模块124可根据窗函数W1以将第二心电图25分成多个部分,并且响应于所述多个部分中的一部分包括大于零的至少一数据点而将所述部分中具有最大值的数据点标记为参考点,其中所述参考点对应于参考时间点。图3B根据本发明的实施例示出标记心电图的各种波的端点的示意图。举例来说,标记模块124可根据窗函数W1将第二心电图25分成包含部分41和部分42的多个部分。标记模块124可响应于部分41包含了大于零的多个数据点而将部分41中具有最大值的数据点标记为参考点51,其中参考点51可对应于参考时间点52。相对来说,由于部分42并未包含大于零的数据点,故标记模块124将不会在部分42中标记出任何参考点。
在一实施例中,标记模块124可对距离太近的多个参考点进行过滤。举例来说,标记模块124可预存最小允许距离。若两个参考点之间的距离小于最小允许距离,则标记模块124可删除两个参考点中值较小的参考点。最小允许距离可由使用者根据需求而定义。例如,使用者可根据未患有冠状动脉疾病的人的RR间隔(RR interval)来决定最小允许距离。
在第二心电图25上标记完参考点后,标记模块124可根据对应于参考点的参考时间点以在第一心电图23上标记至少一种波的多个端点,其中所述至少一种波可包含P波、Q波、R波、S波或T波,其中所述多个端点可包含P波的波峰、Q波的波谷、R波的波峰、S波的波谷或T波的波峰。
图3C根据本发明的实施例示出图3B的第一心电图23的第一局部放大图。标记模块124可根据参考时间点52决定第一心电图23的时段P1,其中参考时间点52可位于时段P1的中心。举例来说,时段P1中的最早时间点可为参考时间点52减去k秒,并且时段P1的最晚时间点可为参考时间点52加上k秒,其中k可为正实数。标记模块124可将时段P1中具有最大值的数据点标记为R波端点61,其中R波端点61对应于R波的波峰。
在决定第一心电图23上的R波端点61的位置后,标记模块124可根据R波端点61标记出Q波端点62,其中R波端点61和Q波端点62对应于相同的心搏。具体来说,若R波端点61对应于时间点t1,则标记模块124可根据时间点t1决定第一心电图23的时段P2,其中时间点t1可为时段P2的最晚时间点。举例来说,时段P2的最早时间点可为时间点t1减去i秒,并且时段P2的最晚时间点可为时间点t1,其中i可为正实数。医学领域的技术人员常将i设为0.1。标记模块124可将时段P2中具有最小值的数据点标记为Q波端点62,其中Q波端点62可为Q波的波谷。
在一些情况下,时段P2可能不包含Q波端点62。如此,上述的方法可能使标记模块124误将位于时段P2的边缘的数据点(例如:数据点81)标记为Q波端点。因此,在一实施例中,标记模块124可计算时段P2中具有最小值的数据点81的斜率。若数据点81的斜率为正,则标记模块124可将时段P3中具有最小值的数据点标记为Q波端点62,其中时段P3早于时段P2。
另一方面,标记模块124可根据R波端点61标记出S波端点64,其中R波端点61和S波端点64对应于相同的心搏。具体来说,若R波端点61对应于时间点t1,则标记模块124可根据时间点t1决定第一心电图23的时段P6,其中时间点t1可为时段P6的最早时间点。举例来说,时段P6的最早时间点可为时间点t1,并且时段P6的最晚时间点可为时间点t1加上i秒,其中i可为正实数。医学领域的技术人员常将i设为0.1。标记模块124可将时段P6中具有最小值的数据点标记为S波端点64,其中S波端点64可为S波的波谷。
在一些情况下,时段P6可能不包含S波端点64。如此,上述的方法可能使标记模块124误将位于时段P6的边缘的数据点(例如:数据点82)标记为S波端点。因此,在一实施例中,标记模块124可计算时段P6中具有最小值的数据点82的斜率。若数据点82的斜率为负,则标记模块124可将时段P7中具有最小值的数据点标记为S波端点64,其中时段P7晚于时段P6。
在标记出Q波端点62和S波端点64后,标记模块124可取得对应于Q波端点62的时间点t2以及对应于S波端点64的时间点t4。标记模块124可根据时间点t2标记出P波端点63,并可根据时间点t4标记出T波端点65。图3D根据本发明的实施例示出图3B的第一心电图23的第二局部放大图。标记模块124可在第一心电图23标记出包含R波端点61和R波端点71的所有R波端点,并且根据所有R波端点计算平均RR间隔。RR间隔为相邻的R波端点之间的间隔。图3D示出了R波端点61和R波端点71之间的RR间隔。标记模块124可根据公式(2)计算平均RR间隔RRI,其中p为第一心电图的R波端点的数量(例如:根据图3B,对应于第一心电图23的p等于10)并且Rj为R波端点的索引(例如:R1可代表R波端点61并且R2可代表R波端点71)。
标记模块124可根据第一心电图23中的多个R波端点的数量p决定权重PT,如公式(3)所示,其中S1和S2为可由使用者自定义的正数。举例来说,若p等于10、S2大于等于10并且10大于等于S1,则权重PT等于3(即:3.5-0.05*10=3)。
标记模块124可根据权重PT以及平均RR间隔RRI决定窗函数W2,如公式(4)所示。
W2=RRI/PT…(4)
在决定窗函数W2后,标记模块124可根据窗函数W2决定早于对应于Q波端点62的时间点t2的时段P4。举例来说,时段P4的最晚时间点可为时间点t2,并且时段P4的最早时间点可为时间点t2减去窗函数W2。在时段P4决定后,标记模块124可将时段P4中具有最大值的数据点标记为P波端点63。
在一些情况下,时段P4可能不包含P波端点63。如此,上述的方法可能使标记模块124误将位于时段P4的边缘的数据点(例如:数据点83)标记为P波端点。因此,在一实施例中,标记模块124可计算时段P4中具有最小值的数据点83的斜率。若数据点83的斜率为负,则标记模块124可将时段P5中具有最大值的数据点标记为P波端点63,其中时段P5早于时段P4。
另一方面,标记模块124可根据窗函数W2决定晚于对应于S波端点64的时间点t4的时段P8。举例来说,时段P8的最早时间点可为时间点t4,并且时段P8的最晚时间点可为时间点t4加上窗函数W2。在时段P8决定后,标记模块124可将时段P8中具有最大值的数据点标记为T波端点65。
在一些情况下,时段P8可能不包含T波端点65。如此,上述的方法可能使标记模块124误将位于时段P8的边缘的数据点(例如:数据点84)标记为T波端点。因此,在一实施例中,标记模块124可计算时段P8中具有最小值的数据点84的斜率。若数据点84的斜率为正,则标记模块124可将时段P9中具有最大值的数据点标记为T波端点65,其中时段P9晚于时段P8。
在标记完第一心电图23上的多个端点(例如:P波端点、Q波端点、R波端点、S波端点或T波端点)后,特征建立模块127可根据所述多个端点计算分别对应于多个特征的多个特征值,其中所述多个特征(或所述多个特征值)可关联于如表2或表3所示的字段1、字段2和字段3的组合,其中表2关联于单一心搏的特征,并且表3关联于多个心搏的特征。举例来说,由表2可知,多个特征可包含对应于“PQ间隔的最大值”或“角PQR的余弦值的平均值”等特征。举另一例来说,由表3可知,多个特征可包含对应于“PP间隔的标准偏差”的特征。
表2
表3
特征选择模块125可从多个特征中挑选出一或多个特征,并且判断各个特征对机器学习模型的效能指标,从而决定如何选择特征。机器学习模型可包含但不限于随机森林(random forest,RF)模型、支持向量机(support vector machine,SVM)模型、最小绝对收敛和选择算子(least absolute shrinkage and selection operator,Lasso)模型、合交叉验证的递归特征删除(recursive feature elimination with cross validation,RFECV)模型或统计测试(statistical test)模型,其中统计测试模型可关联于卡方检定(Chi-square test)或变异数分析(analysis of variance,ANOVA)。效能指标可对应于混淆矩阵(confusion matrix)中的参数,诸如准确度(accuracy,ACC)、精密度(precision)、召回率(recall rate)、伪阳性(false positive,FP)或F1分数等。
以多个特征中的第一特征为例,特征建立模块127可根据第一特征的第一特征值产生对应于机器学习模型的第一效能指标。具体来说,特征选择模块125可使用包含第一特征的数据训练机器学习模型,并测试机器学习模型的效能以产生第一效能指标。同样地,特征建立模块127可产生分别对应于多个特征的多个效能指标。多个效能指标可包含对应于第一特征的第一效能指标、对应于第二特征的第二效能指标或对应于第三特征的第三效能指标等等。
特征选择模块125可根据第一效能指标判断是否选择第一特征。若特征选择模块125判断选择第一特征,则输出模块126可通过收发器130输出第一特征以供使用者参考。
在一实施例中,特征选择模块125可响应于第一效能指标大于效能阈值而判断选择第一特征。效能阈值可由使用者依需求而定义。举例来说,特征选择模块125可产生对应于“PQ间隔的最大值”特征的“准确度”。若“准确度”大于预设的效能阈值“90%”,则特征选择模块125可选择“PQ间隔的最大值”特征。
在一实施例中,特征选择模块125可响应于对应于第一特征的第一效能指标大于对应于第二特征的第二效能指标而从第一特征和第二特征中选择第一特征。换句话说,特征选择模块125可选择对应于较高效能指标的数个特征。举例来说,特征建立模块127可产生对应于“PQ间隔的最大值”特征的“第一精密度”、对应于“角PQR的余弦值的平均值”特征的“第二精密度”以及对应于“PP间隔的标准偏差”特征的“第三精密度”。若特征选择模块125欲选择对应于前66.67%的精密度的特征,则特征选择模块125可响应于“第一精密度”大于“第三精密度”而从“PQ间隔的最大值”特征和“PP间隔的标准偏差”特征中选择“PQ间隔的最大值”,并可响应于“第二精密度”大于“第三精密度”而从“角PQR的余弦值的平均值”特征和“PP间隔的标准偏差”特征中选择“角PQR的余弦值的平均值”。
图4根据本发明的实施例示出一种选择心电图的特征的方法的流程图,其中所述方法可由如图1所示的电子装置100实施。在步骤S401中,取得心电图。在步骤S402中,对心电图进行第一前处理以产生第一心电图。在步骤S403中,在第一心电图上标记对应于至少一种波的多个端点。在步骤S404中,根据至少一种波的多个端点计算对应于第一特征的第一特征值,根据第一特征值产生对应于机器学习模型的第一效能指标,并且根据第一效能指标判断是否选择第一特征。在步骤S405中,响应于选择第一特征而输出第一特征。
综上所述,本发明可从心电图的众多特征中挑选出与心脏疾病高度相关的一个或多个特征。在取得分别对应于不同导程的多个心电图后,本发明可根据对应导程I的心电图和对应导程aVF的心电图来判断哪一种导程的心电图较适合用于挑选特征。本发明可对心电图进行第一前处理以产生信号较为规律且平滑的第一心电图。为了减少不同病患之间的信号范围差异,本发明可将第一心电图转换成标准分数的形式以产生第二心电图。本发明可利用第二心电图以在第一心电图上准确地标记出R波的波峰,从而根据R波的波峰标记出P波、Q波、S波和T波的波峰或波谷。在取得各类型波的多个端点后,本发明可根据所述多个端点计算特定特征的特征值,并且根据特征值判断所述特定特征是否能改善机器学习模型的效能。若考虑了所述特定特征可显著地改善机器学习模型的效能,则本发明可输出所述特定特征以提示使用者。因此,使用者可根据本发明所选择出的特征来训练具有较佳效能的机器学习模型。机器学习模型可用于根据心电图判断受测者的冠状动脉的健康状况。
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 (14)
1.一种选择心电图的特征的电子装置,其特征在于,包括:
收发器;
存储介质,存储多个模块;以及
处理器,耦接所述存储介质以及所述收发器,并且存取和执行所述多个模块,其中所述多个模块包括:
数据收集模块,通过所述收发器取得心电图;
第一前处理模块,对所述心电图进行第一前处理以产生第一心电图;
标记模块,在所述第一心电图上标记对应于至少一种波的多个端点;
特征建立模块,根据所述至少一种波的所述多个端点计算对应于第一特征的第一特征值,并且根据所述第一特征值产生对应于机器学习模型的第一效能指标;
特征选择模块,根据所述第一效能指标判断是否选择所述第一特征;以及
输出模块,响应于选择所述第一特征而通过所述收发器输出所述第一特征。
2.根据权利要求1所述的电子装置,其中所述至少一种波包括R波,其中所述多个模块还包括:
第二前处理模块,对所述第一心电图进行第二前处理以产生第二心电图,其中
所述标记模块根据窗函数将所述第二心电图区分成多个部分,并且响应于所述多个部分中的第一部分包括大于零的至少一数据点而将所述第一部分中具有最大值的第一数据点标记为第一参考点,其中所述第一参考点对应于第一参考时间点,其中
所述标记模块根据所述第一参考时间点决定所述第一心电图的第一时段,并且将所述第一时段中具有最大值的第二数据点标记为第一R波端点,其中所述第一参考时间点位在所述第一时段的中心,其中所述多个端点包括所述第一R波端点。
3.根据权利要求2所述的电子装置,其中所述至少一种波还包括Q波,其中所述第一R波端点对应于第一时间点,其中
所述标记模块根据所述第一时间点决定所述第一心电图的第二时段,并且将所述第二时段中具有最小值的第三数据点标记为第一Q波端点,其中所述第一时间点为所述第二时段的最晚时间点,其中所述多个端点包括所述第一Q波端点。
4.根据权利要求3所述的电子装置,其中
所述标记模块响应于所述第三数据点的斜率为正而将早于所述第二时段的第三时段中具有最小值的第四数据点标记为所述第一Q波端点。
5.根据权利要求3所述的电子装置,其中所述第一Q波端点对应于第二时间点,其中
所述标记模块在所述第一心电图上标记包括所述第一R波端点的多个R波端点,根据所述多个R波端点计算平均RR间隔,根据所述多个R波端点的数量决定权重,并且根据所述平均RR间隔以及所述权重决定第二窗函数,其中
所述标记模块根据所述第二窗函数以决定早于所述第二时间点的第四时段,并且将所述第四时段中具有最大值的第五数据点标记第一P波端点,其中所述第二时间点对应于所述第四时段的第二最晚时间点,其中所述多个端点包括所述第一P波端点。
6.根据权利要求5所述的电子装置,其中
所述标记模块响应于所述第五数据点的斜率为负而将早于所述第四时段的第五时段中具有最大值的第六数据点标记为所述第一P波端点。
7.根据权利要求1所述的电子装置,其中所述第一前处理包括:
对所述心电图进行基线漂移移除、去噪声以及标准化以产生所述第一心电图。
8.根据权利要求2所述的电子装置,其中所述第二前处理包括:
将所述第一心电图分割成三个部分,其中所述三个部分包括第一时段心电图、晚于所述第一时段心电图的第二时段心电图以及晚于所述第二时段心电图的第三时段心电图,其中所述第一时段心电图以及所述第三时段心电图的长度相同;
计算对应于所述第一时段心电图的第一标准偏差以及对应于所述第二时段心电图的第二标准偏差;以及
响应于所述第一标准偏差与所述第二标准偏差之间的差值大于第一阈值而自所述第一心电图中删除所述第一时段心电图。
9.根据权利要求8所述的电子装置,其中所述第二前处理还包括:
对所述第一心电图进行小波转换以产生经转换心电图;
将所述经转换心电图标准化成标准分数;以及
将所述标准分数中小于第二阈值的多个数据点设为零以产生所述第二心电图。
10.根据权利要求1所述的电子装置,其中
所述数据收集模块通过所述收发器接收多个心电图,其中所述多个心电图包括第一导程心电图和第二导程心电图,其中
所述数据收集模块将所述第一导程心电图标准化成第一标准分数函数,响应于所述第一标准分数函数中的至少一第一标准分数的至少一第一绝对值大于所述第一标准分数函数中的第一标准分数的第一绝对值而从所述第一标准分数函数的多个第一标准分数中选择所述至少一第一标准分数以计算第一总合,其中
所述数据收集模块将所述第二导程心电图标准化成第二标准分数函数,响应于所述第二标准分数函数中的至少一第二标准分数的至少一第二绝对值大于所述第二标准分数函数中的第二标准分数的第二绝对值而从所述第二标准分数函数的多个第二标准分数中选择所述至少一第二标准分数以计算第二总合,其中
所述数据收集模块根据所述第一总合和所述第二总合的正负以从所述多个心电图中选择对应于第三导程的所述心电图。
11.根据权利要求10所述的电子装置,其中所述第一导程心电图对应于导程I,其中所述第二导程心电图对应于导程aVF,其中所述第三导程对应于下列的其中之一:
导程II、导程aVL、导程aVF以及导程aVR。
12.根据权利要求1所述的电子装置,其中
所述特征选择模块响应于所述第一效能指标大于效能阈值而选择所述第一特征。
13.根据权利要求1所述的电子装置,其中
所述特征建立模块根据所述至少一种波的所述多个端点计算对应于第二特征的第二特征值,并且根据所述第二特征值产生对应于所述机器学习模型的第二效能指标,其中
所述特征选择模块响应于所述第一效能指标大于所述第二效能指标而从所述第一特征和所述第二特征中选出所述第一特征。
14.一种选择心电图的特征的方法,其特征在于,包括:
取得心电图;
对所述心电图进行第一前处理以产生第一心电图;
在所述第一心电图上标记对应于至少一种波的多个端点;
根据所述至少一种波的所述多个端点计算对应于第一特征的第一特征值,根据所述第一特征值产生对应于机器学习模型的第一效能指标,并且根据所述第一效能指标判断是否选择所述第一特征;以及
响应于选择所述第一特征而输出所述第一特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109146617A TWI758039B (zh) | 2020-12-29 | 2020-12-29 | 選擇心電圖的特徵的電子裝置和方法 |
TW109146617 | 2020-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114680901A true CN114680901A (zh) | 2022-07-01 |
Family
ID=75977668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695328.XA Pending CN114680901A (zh) | 2020-12-29 | 2021-06-02 | 选择心电图的特征的电子装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220202343A1 (zh) |
EP (1) | EP4023159A1 (zh) |
CN (1) | CN114680901A (zh) |
TW (1) | TWI758039B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810901B (zh) * | 2022-04-20 | 2023-08-01 | 義大醫療財團法人 | 遠端心電圖監控裝置與心電圖監控方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160135706A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical Premonitory Event Estimation |
WO2018119316A1 (en) * | 2016-12-21 | 2018-06-28 | Emory University | Methods and systems for determining abnormal cardiac activity |
CN107951485B (zh) * | 2017-11-27 | 2019-06-11 | 深圳市凯沃尔电子有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN109411042B (zh) * | 2018-02-24 | 2021-06-25 | 上海乐普云智科技股份有限公司 | 心电信息处理方法和心电工作站 |
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
-
2020
- 2020-12-29 TW TW109146617A patent/TWI758039B/zh active
-
2021
- 2021-04-19 US US17/233,573 patent/US20220202343A1/en active Pending
- 2021-05-18 EP EP21174371.1A patent/EP4023159A1/en active Pending
- 2021-06-02 CN CN202110695328.XA patent/CN114680901A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220202343A1 (en) | 2022-06-30 |
TW202224633A (zh) | 2022-07-01 |
EP4023159A1 (en) | 2022-07-06 |
TWI758039B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5271718B2 (ja) | 複数の時間区分にわたり胎児及び産婦のecgを特定する方法 | |
US9198634B2 (en) | Medical decision support system | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
US20040093192A1 (en) | Apparatus and method for effecient representation of periodic and nearly periodic signals for analysis | |
US20120209126A1 (en) | Method and system for detecting cardiac arrhythmia | |
CN110464333B (zh) | 一种心电图数据的存储方法及装置 | |
Bono et al. | Development of an automated updated selvester QRS scoring system using SWT-based QRS fractionation detection and classification | |
CN112237431A (zh) | 一种基于深度学习的心电参数计算方法 | |
CN103961089A (zh) | 基于分段直线拟合的窦性心率震荡趋势检测方法 | |
Motin et al. | An EEMD-PCA approach to extract heart rate, respiratory rate and respiratory activity from PPG signal | |
WO2021184803A1 (zh) | 一种血压分类方法和装置 | |
Smíšek et al. | CSE database: extended annotations and new recommendations for ECG software testing | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN111248881B (zh) | 一种对血压进行预测的方法和装置 | |
Liao et al. | A novel approach for classification of congestive heart failure using relatively short-term ECG waveforms and SVM classifier | |
Rooijakkers et al. | Low-complexity R-peak detection in ECG signals: A preliminary step towards ambulatory fetal monitoring | |
Siecinski et al. | Heart rate variability analysis on CEBS database signals | |
Hasan et al. | Fetal electrocardiogram extraction and R-peak detection for fetal heart rate monitoring using artificial neural network and Correlation | |
US20230309899A1 (en) | Determination method and determination apparatus for beginning of t-wave, storage medium and computer program product | |
CN114680901A (zh) | 选择心电图的特征的电子装置和方法 | |
Cai et al. | Rule-based rough-refined two-step-procedure for real-time premature beat detection in single-lead ECG | |
Tanasković et al. | A new algorithm for fetal heart rate detection: Fractional order calculus approach | |
CN112494022A (zh) | 获取冠状动脉血管评价参数的方法及存储介质 | |
Setiawidayat et al. | Determining the ECG 1 cycle wave using Discrete data | |
Fortune et al. | Digitizing ECG image: new fully automated method and open-source software code |
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 |