CN115023182B - 用于同步光学光电描记(ppg)信号与心电图(ecg)信号的计算机实现的方法 - Google Patents
用于同步光学光电描记(ppg)信号与心电图(ecg)信号的计算机实现的方法 Download PDFInfo
- Publication number
- CN115023182B CN115023182B CN202080094763.0A CN202080094763A CN115023182B CN 115023182 B CN115023182 B CN 115023182B CN 202080094763 A CN202080094763 A CN 202080094763A CN 115023182 B CN115023182 B CN 115023182B
- Authority
- CN
- China
- Prior art keywords
- signal
- ppg
- ecg
- ppg signal
- ecg signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013186 photoplethysmography Methods 0.000 title description 271
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000001020 rhythmical effect Effects 0.000 claims description 3
- 201000002859 sleep apnea Diseases 0.000 claims description 3
- 208000002102 Atrial Premature Complexes Diseases 0.000 claims description 2
- 206010003662 Atrial flutter Diseases 0.000 claims description 2
- 208000007888 Sinus Tachycardia Diseases 0.000 claims description 2
- 208000003734 Supraventricular Tachycardia Diseases 0.000 claims description 2
- 208000006218 bradycardia Diseases 0.000 claims description 2
- 208000003663 ventricular fibrillation Diseases 0.000 claims description 2
- 206010047302 ventricular tachycardia Diseases 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000003836 peripheral circulation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035488 systolic blood pressure Effects 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种用于将PPG信号与ECG信号同步的计算机实现的方法包括：‑半同步地记录(101、102)ECG和PPG信号；‑将PPG信号切割(103)成PPG信号段；‑对于PPG信号段(300)：‑对于通过应用不同的偏移o获得的相应ECG信号段(350)，确定(142‑145)PPG峰时间向量(301‑315)与相应的ECG峰时间向量(351‑365)之间的距离d；‑确定(104)具有最小距离do的最佳匹配ECG信号段(350)；以及‑配准(105)PPG信号段(300)的开始时间x，最佳匹配ECG信号段(350)的开始时间yo和最小距离do；‑确定PPG信号和ECG信号之间的偏移和漂移作为回归模型(400)的偏移和斜率，该回归模型(400)对开始时间x和开始时间yo之间的关系进行建模，由最小距离do反加权；‑将偏移和漂移应用于PPG信号。
Description
技术领域
本发明一般而言涉及将心电图信号(缩写为ECG信号)与光学光电描记信号(缩写为PPG信号)时间同步或对准。更特别地，本发明涉及半同时记录的ECG信号和PPG信号的同步，用于ECG信号和PPG信号是长时间记录(通常为数小时)的结果的应用，并且其中所需的同步准确度在毫秒级别。
背景技术
光学体积描记术(PPG)是一种光学技术，其允许通过检测外周循环中的血液体积改变来监视一个或多个生理参数。PPG利用血液对光的吸收来跟踪这些体积改变。当光源照亮皮肤时，反射光会随着血液流动而变化。然后，光传感器将光反射的这些变化转换成数字信号，即，所谓的PPG信号。PPG信号通常使用脉搏血氧仪或光电检测器(例如集成在电子设备(如人的智能电话、智能手表或其它智能可穿戴或不可穿戴设备)中的相机)记录。
远程PPG和接触式PPG之间存在区别。远程PPG对被监视人员而言并不令人讨厌，但对信号检测和信号处理提出了重大挑战。因此，远程PPG的使用仍然限于如休闲或健身等日常应用，因为其准确性和可靠性不足以用于医疗应用。其中测量部件与皮肤直接接触的接触式PPG产生有助于医疗诊断的更可靠、更准确的PPG信号。
在医疗背景下，接触式PPG主要用于心房颤动(AF)风险检测，这是最常见的心律失常。但是，接触式PPG尚未被认为是观察其它心律失常的可靠技术。当今，心律失常仍然通常经由例如通过Holter监视系统获得的心电图(ECG)来检测。
由PPG传感器获得的信号对记录条件相当敏感。次优条件可能导致信号质量降低或不足。PPG信号中的伪影可能来自运动、皮肤相对于光传感器的不良定位、环境光干扰、PPG波形反转等。为了将PPG信号部分分类为规则、不规则(心律失常)或质量不足，可用部署机器学习技术。要成为高性能分类器，机器学习技术必须使用训练数据，即可靠注释的PPG信号，进行训练。
PPG技术不被公认为心律识别的黄金标准，由此，没有很多带注释的PPG数据可用。此外，由于PPG数据中经常存在伪影，因此注释PPG信号是一项复杂的任务，可能导致注释不一致。例如，一些人可能比其它人更有信心注释质量较低的信号数据，从而导致注释的主观差异。
注释PPG信号的建议方法依赖于ECG信号和PPG信号在人体或动物身体上的半同步记录、基于专家或基于算法的ECG信号的带注释的片段、时间对准或同步ECG和PPG信号，以及将ECG片段注释映射或复制到PPG信号的时间对应片段上。
作者M.Lemay等人的文章“Wrist-Located Optical Device for AtrialFibrillation Screening:A Clinical Study on Twenty Patients”例如描述了在一个人上使用不同的设备半同步收集的ECG信号和PPG信号的逐搏动(beat-to-beat)对准(同步)。一旦PPG信号的时基被变换成与ECG信号的时基匹配，ECG信号中节律时期的专家注释就会自动投射到PPG信号上。这会导致PPG信号中每个搏动间间隔的自动注释。为了能够将ECG注释映射到PPG信号上，ECG信号和PPG信号因此必须是时间同步的。为了使ECG信号和PPG信号时间同步，Lemay等人应用以下步骤：
-使用收缩压下冲程检测检测PPG信号中的心搏；
-确定ECG信号和PPG信号的搏动间时间间隔系列；
-将动态时间规整算法应用于两个搏动间时间间隔系列的逐搏动对准；以及
-对逐搏动对准的ECG信号和PPG信号应用线性回归，以确定ECG时基和PPG时基之间的偏移和漂移，并经由RANSAC(随机样本一致性)算法去除异常值，并将剩余阈值参数设置为1秒。
ECG-PPG时间同步也在来自作者S.Fallet、M.Lemay等人、于2018年9月15日由国际医学和生物工程联合会2018发表的文章“Can one detect atrial fibrillation using awrist-type photoplethysmographic device？”的第2.3.1段中进行了描述。
对于长的半同时记录的ECG-PPG测量，通常跨越多个小时，仍然难以确定哪个ECG间隔对应于哪个PPG间隔，因为两个记录的开始时间可能有很大差异(偏移)，此外可能还有记录的采样频率与记录设备的实际采样频率之间的微小差异(漂移)。
Lemay等人没有足够详细地描述他们做了什么。动态时间规整(DTW)是非常通用的方法，实现的难点在于细节。Lemay等人的一种可能方法是通过在两个RR间隔序列上应用DTW(RR间隔是两个连续R波(即表示早期心室去极化的波)之间的时间)，然后将每对匹配的ECG-PPG峰馈送到线性回归中。但是，测试表明，这种方法不适用于存在大量损坏的长达一天的记录。
为了最好地理解，Lemay等人总共有大约2200次搏动和20个患者，假定大约220次搏动/患者。在60bpm(每分钟搏动)下，这意味着记录跨越大约4分钟/患者，与为PPG分类器中使用的机器学习技术产生训练数据所期望的时间相比，这非常短。如果患者没有移动太多，那么Lemay等人几乎没有运动伪影。在这些条件下，将DTW应用于整个RR序列可能工作很好，但对于更长时间的测量，该技术会失败。
从Lemay等人已知的现有技术开始，因此面临的技术问题是提供一种替代的、更先进的ECG-PPG同步算法，该算法在通常为数小时的长时间ECG-PPG测量中表现良好。
用于同步ECG和PPG信号的各种技术已经在专利文献中进行了描述，但没有一个是令人满意的。
根据第一类型的解决方案，ECG和PPG信号被一致地记录并且假设是同步的，例如因为信号是由使用公共时钟的单个设备记录的。例如，美国专利申请US 2015/366469 A1描述了一种使用与PPG源同步的ECG源持续监视心血管健康的系统。虽然假设两个信号源是同步的，但US 2015/366469 A1对如何实现同步以及需要哪种对准准确度保持沉默。
在第二类型的解决方案中，同步ECG和PPG记录用于无袖带血压测量和/或PWTT提取。这些现有技术解决方案提到了毫秒准确度对于ECG和PPG信号同步的重要性。例如，广东生命感知医疗电子有限公司的中国专利CN106028272描述了一种用于血压测试的ECG和PPG信号的时间同步方法。ECG和PPG信号通过依赖于源自BLE协议的主时钟和从时钟之间的时间差的方法以高(毫秒)准确度同步。
在第三类型的解决方案中，ECG同步脉搏血氧计用于与ECG记录同步记录PPG信号：例如美国专利US 5,040,539和US 4,960,126描述了这种解决方案。使用这种ECG同步脉搏血氧仪的应用相当奇特(牙髓分析、氧饱和度测量)，因此所需的同步准确度与准确的ECG-PPG注释映射和生成可靠的带注释的PPG训练数据所需的毫秒准确度有很大不同。
因此，目标仍然是提供一种替代的、更先进的方法来同步半同步记录的ECG信号和PPG信号，该方法在通常跨越数小时的长时间ECG-PPG测量的准确性方面表现更好。
发明内容
根据本发明的第一方面，本发明的实施例通过由权利要求1定义的用于将光学体积描记信号(缩写为PPG信号)与心电图信号(缩写为ECG)同步的计算机实现的方法实现上述定义的目的，该方法包括：
-使用ECG监视系统记录ECG信号；
-使用接触式PPG传感器与ECG信号的记录半同步地记录PPG信号；
-将PPG信号切割成PPG信号段；
-对于PPG信号段中的PPG信号段：
-为PPG信号段中的峰生成PPG峰时间向量；
-选择不同的偏移o；
-通过在ECG信号中应用不同的偏移o，从ECG信号中切割出不同的ECG信号段；
-为ECG信号段生成相应的ECG峰时间向量；
-计算PPG峰时间向量与相应的ECG峰时间向量之间的距离；
-确定具有在距离d当中的最小距离do的最佳匹配ECG信号段；以及
-配准PPG信号中的PPG信号段的开始时间x、ECG信号中的最佳匹配ECG信号段的开始时间yo，以及最小距离do；
-确定PPG信号和ECG信号之间的偏移作为回归模型的偏移，该回归模型对开始时间x和开始时间yo之间的关系进行建模，由最小距离do反加权；
-确定PPG信号和ECG信号之间的漂移作为回归模型的斜率；以及
-将偏移和漂移应用于PPG信号以使PPG信号与ECG信号同步。
因此，本发明在于改进的ECG-PPG同步方法，即使ECG和PPG信号是由跨越数小时的长时间记录产生的，该方法也允许以毫秒准确度将ECG信号与半同步记录的PPG信号进行时间对准。在单个人或动物身上使用不同的设备记录ECG信号和PPG信号。ECG信号由ECG监视系统获得，例如Holter监视系统。PPG信号由PPG传感器获得，例如脉搏血氧计或带相机的智能设备，例如智能手表、智能腕带或智能电话。通常，ECG信号记录首先开始，并且PPG信号记录在几分钟后开始。显然，记录也可以以相反的顺序开始，即首先是PPG，然后是ECG。然后将记录的PPG信号切成段。这些段可以具有恒定的时间长度，例如预定量的秒(例如，15秒)，但是在本发明的替代实施例中，段可以具有可变长度，例如预定量的心脏搏动(例如，20次搏动)。
对于PPG信号段子集中的每个PPG信号段，确定与ECG信号段的最佳匹配同步。子集可以包含从记录的PPG信号中切出的所有PPG信号段，或者替代地仅包含从记录的PPG信号中切出的部分PPG信号段，但应始终包括多个PPG信号段，其数量被选择为与回归相关。PPG信号段的最佳匹配同步是通过以下来确定的：测试不同的偏移o、切割ECG信号段，其中开始时间y对应于不同的偏移o(即，ECG信号记录中的开始时间y＝PPG信号记录中的开始时间x+偏移o)、计算PPG信号段和与不同偏移o对应的不同ECG信号段之间的距离d，以及选择最佳偏移oo，该偏移给出两个向量之间的最小距离do：具有ECG峰时间的向量(其随测试的偏移o而改变)和具有PPG信号段内峰的PPG峰时间的向量(其对于所考虑的PPG信号段是恒定的)。
为了获得最佳匹配同步，PPG信号段的开始时间x、ECG信号段的开始时间yo和最小距离do然后被配准。权重为1/do的最佳匹配元组(x，yo)的加权回归允许确定ECG信号测量和PPG信号测量之间的偏移，以及ECG时基和PPG时基之间的漂移。例如，线性模型可以用于对PPG信号记录中的PPG信号段的开始时间x与ECG信号记录中的最佳匹配ECG信号段的开始时间yo之间的关系建模。在这种情况下，ECG信号和PPG信号之间的偏移对应于线性模型的横轴交叉，并且ECG信号和PPG信号之间的漂移对应于线性模型的斜率。
根据本发明的方法允许ECG和PPG信号的高性能和准确同步，即使在应用于长时间(许多小时)同时记录的ECG-PPG测量时也是如此。该方法利用ECG和PPG信号共同的特征(峰之间的间隔)来确定最佳匹配。此外，不需要移除异常值。不需要像RANSAC这样的算法，因为加权回归是基于匹配向量的最小距离完成的，并且回归优选地使用比通常的l2范数更稳健的l1范数。其主要优点是需要调整的参数较少，因为RANSAC有两个需要调整的参数。
如权利要求2定义的根据本发明的用于将PPG信号与ECG信号同步的计算机实现的方法的实施例，在将PPG信号切割成PPG信号段之后还包括：
-对PPG信号段执行质量评估，以仅保留质量高于一定质量阈值的PPG信号段。
因此，每个PPG信号段都要接受质量评估，并且只有几乎没有损坏的PPG段被保留在确定最佳匹配ECG信号段的PPG段的子集(或作为子集的候选者)中。这样，由于PPG测量质量不佳而导致的质量不足的PPG信号段被预先过滤，并且不会在回归过程中被考虑来确定PPG信号和ECG信号之间的偏移和漂移。
在如权利要求3定义的根据本发明的用于将PPG信号与ECG信号同步的计算机实现的方法的实施例中，计算距离d包括：
-将在PPG信号段中检测到的第一峰与在ECG信号段中检测
到的第一峰对准；
-通过选择最接近的PPG信号峰，将在ECG信号段中检测到的每个进一步峰与在PPG信号段中检测到的峰进行匹配；
-对匹配的信号峰对之间的绝对时间差求和以获得距离。
实际上，确定ECG和PPG峰序列之间距离的一种方法依赖于对准每个段的第一峰，然后通过时间上最接近将ECG信号段的每个剩余峰与PPG信号段的峰进行匹配。总距离是所考虑信号段的所有峰对之间的绝对时间差之和。每个峰只能匹配一次，并且只能与其直接邻居匹配。总距离中不考虑孤峰(在ECG信号和PPG信号两者中)。然后考虑ECG峰和匹配的PPG峰之间的时间差，并将该时间差在匹配的ECG和PPG峰的所有元组中求和。得到的和表示PPG信号段与通过在ECG信号中应用相应的偏移o而获得的ECG信号段之间的距离d。
如权利要求4定义的根据本发明的用于将PPG信号与ECG信号同步的计算机实现的方法的实施例，还包括：
-将注释从ECG信号复制到同步的PPG信号上，从而获得带注释的PPG信号。
在示例应用中，通过根据本发明的方法与半同步记录的ECG信号同步的PPG信号通过将分配给ECG信号的注释复制到PPG信号的时间对应部分上来注释。假设ECG信号是基于专家或基于算法注释的，并且将ECG注释复制到同步的PPG信号上会产生可靠的、一致的PPG注释。
如权利要求5定义的根据本发明的用于将PPG信号与ECG信号同步的计算机实现的方法的实施例，还包括：
-将带注释的PPG信号存储在用于机器学习训练的数据库中。
在示例应用中，通过根据本发明的方法获得的带注释的PPG信号将被存储在数据库中，以供以后用作例如在PPG信号分类器中使用的机器学习或者深度学习工具的训练数据。
如权利要求6定义的根据本发明的用于使PPG信号与ECG信号同步的计算机实现的方法的实施例，还包括：
-用所述带注释的PPG信号训练神经网络。
因此，通过根据本发明的方法获得并存储在训练数据的数据库中的带注释的PPG信号可以用作例如在PPG信号分类器中使用的机器学习或者深度学习工具的训练数据。以这种方式训练的机器学习工具应该能够可靠地检测PPG信号中的各种心律(结果＝医疗诊断)。在利用ECG搏动到PPG搏动上的映射来识别质量不足的片段的优选实施例中，机器学习工具还应该能够识别PPG信号中质量差的部分(结果＝质量差)。通过本发明的实施例获得的后一种机器学习工具可以向人告知在可以做出可靠的医疗诊断之前需要另一次测量。
在如权利要求7定义的根据本发明的用于将PPG信号与ECG信号同步的计算机实现的方法的实施例中，注释包括以下一项或多项：
-规则的正弦节律(SR)；
-质量不足(IQ)；
-未定义(UD)；
-不规则的节律注释，包括：
-心房颤动(AF)；
-心房扑动；
-室上性心动过速；
-室性心动过速；
-窦性心动过速；
-心动过缓；
-心室颤动；
-过早心房收缩(PAC)；以及
-过早收缩(PC)；
-非节律临床注释，包括：
-睡眠呼吸暂停。
因此，根据本发明的ECG-PPG同步和ECG-PPG注释映射允许检测更广泛的心律紊乱，而当今，PPG通常仅用于AF检测。此外，改进的ECG-PPG注释映射可以用于检测ECG上的质量不足、PPG上的质量不足、ECG和PPG之间的映射中的不可能或质量不足，以及其它非节律临床注释，例如睡眠呼吸暂停。但是，本领域技术人员应该认识到的是，上述可能注释的列表是非穷尽的。
根据第二方面，本发明涉及如权利要求8定义的控制器的实施例，该控制器包括至少一个处理器和至少一个包括计算机程序代码的存储器，该至少一个存储器和计算机程序代码被配置为使用至少一个处理器使控制器执行：
-记录心电图信号，缩写为ECG信号；
-与ECG信号的记录半同步地记录光学体积描记信号，缩写为PPG信号；
-将PPG信号切割成PPG信号段；
-对于PPG信号段中的PPG信号段：
-为PPG信号段中的峰生成PPG峰时间向量；
-选择不同的偏移o；
-通过在ECG信号中应用不同的偏移o，从ECG信号中切割出不同的ECG信号段；
-为ECG信号段生成相应的ECG峰时间向量；
-计算PPG峰时间向量与相应的ECG峰时间向量之间的距离d；
-确定具有在距离d当中的最小距离do的最佳匹配ECG信号段；以及
-配准PPG信号中的PPG信号段的开始时间x、ECG信号中的最佳匹配ECG信号段的开始时间yo，以及最小距离do；
-确定PPG信号和ECG信号之间的偏移作为回归模型的偏移，该回归模型对开始时间x和开始时间yo之间的关系进行建模，由最小距离do反加权；
-确定PPG信号和ECG信号之间的漂移作为回归模型的斜率；以及
-将偏移和漂移应用于PPG信号以使PPG信号与ECG信号同步。
根据第三方面，本发明涉及如权利要求9定义的计算机程序产品的实施例，该计算机程序产品包括用于使控制器至少执行以下各项的计算机可执行指令：
-记录心电图信号，缩写为ECG信号；
-与所述ECG信号的记录半同步地记录光学体积描记信号，缩写为PPG信号；
-将PPG信号切割成PPG信号段；
-对于PPG信号段中的PPG信号段：
-为PPG信号段中的峰生成PPG峰时间向量；
-选择不同的偏移o；
-通过在ECG信号中应用不同的偏移o，从ECG信号中切割出不同的ECG信号段；
-为ECG信号段生成相应的ECG峰时间向量；
-计算PPG峰时间向量与相应的ECG峰时间向量之间的距离d；
-确定具有在距离d当中的最小距离do的最佳匹配ECG信号段；以及
-配准所述PPG信号中的所述PPG信号段的开始时间x、ECG信号中的最佳匹配ECG信号段的开始时间yo，以及最小距离do；
-确定PPG信号和ECG信号之间的偏移作为回归模型的偏移，该回归模型对开始时间x和开始时间yo之间的关系进行建模，由最小距离do反加权；
-确定PPG信号和ECG信号之间的漂移作为回归模型的斜率；以及
-将偏移和漂移应用于PPG信号以使PPG信号与ECG信号同步。
根据第四方面，本发明还涉及如权利要求10定义的计算机可读存储介质，该计算机可读存储介质包括程序的计算机可执行指令，用于当程序在计算机上运行时执行以下步骤：
-记录心电图信号，缩写为ECG信号；
-与所述ECG信号的记录半同步地记录光学体积描记信号，缩写为PPG信号；
-将PPG信号切割成PPG信号段；
-对于PPG信号段中的PPG信号段：
-为PPG信号段中的峰生成PPG峰时间向量；
-选择不同的偏移o；
-通过在ECG信号中应用不同的偏移o，从ECG信号中切割出不同的ECG信号段；
-为ECG信号段生成相应的ECG峰时间向量；
-计算PPG峰时间向量和相应的ECG峰时间向量之间的距离d；
-确定具有在距离d当中的最小距离do的最佳匹配ECG信号段；以及
-配准PPG信号中的PPG信号段的开始时间x，ECG信号中的最佳匹配ECG信号段的开始时间yo，以及最小距离do；
-确定PPG信号和ECG信号之间的偏移作为回归模型的偏移，该回归模型对开始时间x和开始时间yo之间的关系进行建模，由最小距离do反加权；
-确定PPG信号和ECG信号之间的漂移作为回归模型的斜率；以及
-将偏移和漂移应用于PPG信号以使PPG信号与ECG信号同步。
附图说明
图1是图示根据本发明的用于同步ECG信号和PPG信号的方法的实施例的流程图；
图2是更详细地图示根据本发明的用于同步ECG信号和PPG信号的方法的实施例中的为PPG信号段确定最佳匹配ECG信号段的步骤104的流程图；
图3示出了根据本发明的用于同步ECG信号和PPG信号的方法的实施例的步骤104中通过最小化峰时间向量之间的距离确定的PPG信号段和最佳匹配ECG信号段；
图4是示出在根据本发明的用于同步ECG信号和PPG信号的方法的实施例中配准ECG信号段和PPG信号段之间的最佳匹配以及对ECG时间和PPG时间之间的关系进行建模以确定偏移和漂移的步骤105-106的结果的图；以及
图5图示了用于实现根据本发明的用于同步ECG信号和PPG信号的方法的实施例的合适的计算系统500。
具体实施方式
图1示出了在根据本发明的用于同步ECG信号和PPG信号的方法的实施例中执行的步骤101-107。
在步骤101和102中，ECG信号和PPG信号在单个人或动物上使用不同的设备半同步地记录。在步骤101中，ECG信号由ECG监视系统获得，例如Holter监视系统。在步骤102中，PPG信号由PPG传感器获得，例如脉搏血氧计或具有相机的智能设备，例如智能腕带或智能手表。通常，步骤101中的ECG信号记录首先开始，并且步骤102中的PPG信号记录在几分钟后开始。显然，记录可以以相反的顺序开始，即首先是PPG，然后是ECG。
在步骤103中，将记录的PPG信号切割成段。这些段具有预定的长度。预定长度可以是固定的时间长度，例如每个15秒的PPG信号段。替代地，PPG信号段可以具有以心搏量表达的预定长度，例如20搏动。在后一个示例中，不同的PPG信号段将具有不同的持续时间。从记录的PPG信号中切出的PPG信号段可以是连续的信号段，即下一个PPG信号段从前一个PPG信号段停止的地方开始。替代地，PPG信号段可以是重叠的信号段，或者它们可以在时间上分离，其中开始时间被随机选择、伪随机选择或基于算法。从记录的PPG信号中切出的PPG信号段的数量必须足够高，以启用回归建模。这意味着必须从记录的PPG信号中切出至少10个，但优选是几十甚至几百个PPG信号段。
可选地，图1中未示出，对于从记录的PPG信号中切出的每个PPG信号段，执行质量评估。质量评估允许移除例如由于运动、皮肤相对于光传感器的不良定位、环境光干扰、PPG波形反转等而损坏或质量不足的PPG信号段。一种可能的评估PPG信号段的质量的技术依赖于小波变换和神经网络分析。然后将小波变换的PPG信号段馈送到已经用训练数据集训练的神经网络中，以区分例如质量好的PPG信号、质量差的PPG信号和反转的PPG信号。但是，本领域技术人员应该认识到的是，根据本发明的方法不限于用于PPG信号段的质量评估的特定技术。根据本发明的方法甚至可以在没有PPG信号段的质量评估的情况下执行。但是，质量评估带来的优点是，只有很少或没有损坏的PPG段被保留用于将PPG信号与ECG信号同步的进一步步骤，从而导致更准确的同步。
在步骤104中，对于每个PPG信号段(或者对于每个保留的PPG信号段，如果已经执行前期质量评估)，确定与ECG信号段的最佳匹配同步。图2图示了确定最佳匹配ECG信号段的一种可能方式，即步骤104的一种可能实施方式。当如图2中的140所示开始这种可能的实施方式时，在步骤141中为PPG信号段生成峰时间向量。例如，如果假设图3中绘制的信号段300是从记录的PPG信号中切出的，那么检测PPG信号段300中的峰或局部最大值的算法将检测到25个PPG搏动并输出[301、302、303，304，305，306，307，308，309，310，311，312，313，314，315]作为PPG峰时间向量。在本文中，值301-315中的每一个对应于在PPG时基中检测到的局部最大值的时间值，即在步骤102中记录PPG信号的PPG传感器所使用的时基。然后通过在步骤142-146中迭代测试不同的偏移o并选择在两个向量：具有ECG峰时间的向量(其明显随测试的偏移o而改变)和对于所考虑的PPG信号段300恒定的PPG峰时间向量[301，...，315]之间具有最小距离的最佳偏移oo来确定最佳匹配的ECG信号段。在步骤142中，选择偏移值o。在步骤143中，从步骤101记录的ECG信号中切出ECG信号段。ECG信号段在记录的ECG信号中具有与所选择的偏移o对应的开始时间，并且它具有与所考虑的PPG信号段的预定长度对应的长度，例如表达为时间长度或表达为搏动的数量。在步骤144中，为使用偏移o从记录的ECG信号中切出的ECG信号段生成ECG峰时间向量。如果例如偏移o导致图3中绘制的ECG信号段350从ECG信号中被切出，那么检测ECG信号段350中的局部最大值的峰检测算法将输出[351，352，353，354，355，356，357，358，359，360，361，362，363，364，365]作为ECG信号段350的峰时间向量。在本文中，值351-365表示ECG时基中局部最大值的时间值，即ECG监视系统使用的时基。在步骤145中，确定PPG峰时间向量[301，...，315]和ECG峰时间向量[351，...，365]之间的距离d。ECG和PPG峰序列之间的距离d例如通过将PPG信号段300的第一个峰与ECG信号段350的第一个峰对准，然后通过取时间上最接近的PPG峰将ECG信号的每个剩余峰与PPG信号段的峰进行匹配来计算。因此，生成峰时间元组，每个元组由ECG峰的峰时间和PPG峰的最接近的峰时间组成。每个峰只能匹配一次，并且只能与其直接邻居匹配。孤峰(在ECG信号和PPG信号两者中)，例如在时间304、308、312和325处的PPG峰在总距离中不考虑。PPG峰时间向量[301，...，315]和ECG峰时间向量[351，...，365]之间的总距离d被确定为所有匹配的ECG-PPG峰对之间的绝对时间差之和。在步骤146中，将针对偏移o计算的距离d与目前为止针对所考虑的PPG信号段计算的最小距离do进行比较。如果计算出的距离d小于do，那么do的值将被替换为d的值，并且表示到目前为止与所考虑的PPG信号段最佳匹配的ECG信号段的对应开始时间yo(开始时间yo对应于所选择的偏移o)应该被记录。此后将针对新选择的偏移值o重复步骤142-146。可以重复步骤142-146直到最小距离do低于预定阈值，或者针对范围从-om到om(om是最大允许偏移的绝对值)的预定量的偏移值，这些步骤可以被重复预定时间量。
总而言之，测量的PPG信号被切割成例如15秒的段。对于PPG信号测量中位于x秒的每个PPG信号段，搜索与位于yo＝x+oo的ECG信号段的最佳同步，其中oo是最佳偏移，例如-om<＝oo<＝om(om是最大允许偏移的绝对值)。最佳同步是通过测试不同的偏移o并选择在两个向量：具有ECG峰的向量(其随偏移o而改变，并且因此随位置y而改变)和具有PPG峰的向量(其在位置x处保持恒定)之间具有最小距离的偏移oo来确定的。这样得到的最小距离被称为do，并且最佳匹配ECG信号段的对应开始时间被称为yo。
对于最佳匹配的ECG信号段，PPG信号段的开始时间x、ECG信号段的开始时间yo和最小距离do在步骤105中被配准，如图1和图2中所示。
在步骤106中，对最佳匹配元组(x，yo)应用回归建模，其中x表示PPG信号段的开始时间，yo表示最佳匹配ECG信号段的开始时间。例如，图4图示了通过对由401、402、403、404、405、406、407、408、409、410和411表示的11个最佳匹配元组进行线性回归获得的线性模型的结果。使用权重1/do应用线性回归，使得在PPG和ECG峰时间向量之间具有较高最小距离do的最佳匹配元组在线性模型400中获得较低的权重。如此获得的线性模型400允许在步骤161中确定ECG信号和PPG信号之间的偏移，以及在步骤162中确定ECG时基和PPG时基之间的漂移。该偏移被确定为线性模型400的PPG时间＝0的点的ECG时间轴上的坐标值。漂移被确定为线性模型400的斜率。当在步骤107中将如此获得的偏移和漂移应用于ECG信号时，ECG信号和PPG信号以高准确度对准并且将随着时间保持同步，即使ECG和PPG记录持续数小时。
总而言之，对具有权重do的最佳匹配元组(x，yo)进行加权线性回归会产生线性模型y＝m.x+b，其中x是由PPG测量设备确定的PPG时间(以秒为单位)并且y是由ECG监视系统确定的ECG时间(以秒为单位)。在本文中，m确定ECG和PPG时间之间的最佳漂移，并且b确定整个测量的ECG和PPG信号记录之间的最佳偏移。
使用通过根据本发明的方法的实施例获得的偏移和漂移在应用于长时间(许多小时)同时记录的ECG-PPG测量时产生高性能同步。该方法利用ECG和PPG信号共同的特征(峰之间的间隔)来确定最佳匹配。无需移除异常值。不需要像RANSAC这样的算法，因为加权回归是基于匹配向量的最小距离完成的，并且回归可以使用比通常的l2范数更稳健的l1范数。其主要优点是需要调整的参数较少(RANSAC有两个需要调整的参数)。
图5示出了根据本发明的实施例的合适的计算系统500。计算系统500适用于实现符合本发明的用于将PPG信号与ECG信号同步的方法的实施例。计算系统500通常可以形成为合适的通用计算机并且包括总线510、处理器502、本地存储器504、一个或多个可选的输入接口514、一个或多个可选的输出接口516、通信接口512、存储元件接口506和一个或多个存储元件508。总线510可以包括允许计算系统500的部件之间通信的一个或多个导体。处理器502可以包括解释和执行编程指令的任何类型的常规处理器或微处理器。本地存储器504可以包括存储信息和指令以供处理器502执行的随机存取存储器(RAM)或另一种类型的动态存储设备和/或存储静态信息和指令以供处理器502使用的只读存储器(ROM)或另一种类型的静态存储设备。输入接口514可以包括允许操作者或用户向计算设备500输入信息的一种或多种常规机制，诸如键盘520、鼠标530、笔、语音识别和/或生物特征机制、相机等。输出接口516可以包括向操作者或用户输出信息的一种或多种常规机制，诸如显示器540等。通信接口512可以包括任何类似收发器的机制，诸如例如使得计算系统500能够与其它设备和/或系统(例如与其它计算设备581、582、583)通信的一个或多个以太网接口。计算系统500的通信接口512可以借助于局域网(LAN)或诸如互联网之类的广域网(WAN)连接到这样的另一个计算系统。存储元件接口506可以包括用于将总线510连接到一个或多个存储元件508(诸如一个或多个本地盘(例如SATA磁盘驱动器))并控制与这些存储元件508之间的数据读写的存储接口，诸如例如串行高级技术附件(SATA)接口或小型计算机系统接口(SCSI)。虽然以上将存储元件508描述为本地盘，但一般而言，可以使用任何其它合适的计算机可读介质(诸如可移动磁盘)、光学存储介质(诸如CD-ROM或DVD-ROM盘)、固态驱动器、闪存卡等。注意的是，可以集中地(例如在管理中心或云系统中的服务器上)执行根据本发明的整个方法，或者可以部分地在远程电子设备(例如，用户穿戴的)上且部分地在中央服务器上执行。因此，计算系统500可以与中央可用的处理系统或电子设备中可用的处理系统对应。
虽然已经通过参考具体实施例对本发明进行了说明，但是对于本领域技术人员而言清晰的是，本发明不限于前述说明性实施例的细节，并且本发明可以通过各种改变和修改来实施，而不脱离其范围的。因此，本实施例在所有方面都被认为是说明性而非限制性的，本发明的范围由所附权利要求书而不是前述描述来指示，并且因此所有落入权利要求书的含义和等同范围内的改变都旨在被涵盖在其中。换句话说，预期涵盖落入基本底层原理的范围内并且其本质属性在本专利申请中要求保护的任何和所有修改、变化或等同物。此外，本专利申请的读者将理解的是，词语“包括”或“包含”不排除其它元件或步骤，词语“一”不排除多个，并且单个元件(诸如计算机系统、处理器或另一个集成单元)可以履行在权利要求书中阐述的若干单元的功能。权利要求书中的任何附图标记均不应被解释为限制所涉及的相应权利要求。在说明书或权利要求书中使用时，引入术语“第一”、“第二”、“第三”、“a”、“b”、“c”等来区分相似的元件或步骤，而不一定描述顺序或时间次序。类似地，出于描述的目的而引入术语“顶部”、“底部”、“上方”、“下方”等，而不一定表示相对位置。应该理解的是，在适当的情况下，这样使用的术语是可互换的，并且本发明的实施例能够按照其它顺序或者以与上面描述或示出的(一个或多个)朝向不同的朝向来操作。
Claims (10)
1.一种用于将光学体积描记信号，缩写为PPG信号，与心电图信号，缩写为ECG信号，进行同步的计算机实现的方法，所述方法包括：
-使用ECG监视系统记录(101)所述ECG信号；
-使用接触式PPG传感器与所述ECG信号的所述记录(101)半同步地记录(102)所述PPG信号；
-将所述PPG信号切割(103)成PPG信号段；
-对于所述PPG信号段中的PPG信号段(300)：
-为所述PPG信号段(300)中的峰生成(141)PPG峰时间向量(301-315)；
-选择(142)不同的偏移o；
-通过在所述ECG信号中应用所述不同偏移o，从所述ECG信号中切割(143)不同的ECG信号段(350)；
-为所述ECG信号段生成(144)相应的ECG峰时间向量(351-365)；
-计算所述PPG峰时间向量(301-315)与所述相应的ECG峰时间向量(351-365)之间的距离d；
-确定(104)具有在所述距离d当中的最小距离do的最佳匹配ECG信号段(350)；以及
-配准(105)所述PPG信号中的所述PPG信号段(300)的开始时间x、所述ECG信号中的所述最佳匹配ECG信号段(350)的开始时间yo和所述最小距离do；
-确定所述PPG信号和ECG信号之间的偏移作为回归模型(400)的偏移，所述回归模型(400)对所述开始时间x和所述开始时间yo之间的关系进行建模，由所述最小距离do反加权；
-确定所述PPG信号和ECG信号之间的漂移作为所述回归模型(400)的斜率；以及
-将所述偏移和所述漂移应用于所述PPG信号以使所述PPG信号与所述ECG信号同步。
2.根据权利要求1所述的用于将PPG信号与ECG信号同步的计算机实现的方法，还包括在将所述PPG信号切割(103)成PPG信号段之后：
-对所述PPG信号段执行质量评估，以仅保留质量高于一定质量阈值的PPG信号段。
3.根据权利要求1所述的用于将PPG信号与ECG信号同步的计算机实现的方法，其中计算所述距离d包括：
-将在所述PPG信号段中检测到的第一峰与在ECG信号段中检测到的第一峰对准；
-通过选择最接近的PPG信号峰，将在所述ECG信号段中检测到的每个进一步峰与在所述PPG信号段中检测到的峰进行匹配；
-对匹配的信号峰对之间的绝对时间差求和以获得距离。
4.根据前述权利要求中的一项所述的用于将PPG信号与ECG信号同步的计算机实现的方法，还包括：
-将注释从所述ECG信号复制到所述同步的PPG信号上，从而获得带注释的PPG信号。
5.根据权利要求4所述的用于将PPG信号与ECG信号同步的计算机实现的方法，还包括：
-将所述带注释的PPG信号存储在用于机器学习训练的数据库中。
6.根据权利要求5所述的用于将PPG信号与ECG信号同步的计算机实现的方法，还包括：
-用所述带注释的PPG信号训练神经网络。
7.根据权利要求4所述的用于将PPG信号与ECG信号同步的计算机实现的方法，其中所述注释包括以下一项或多项：
-规则的正弦节律(SR)；
-质量不足(IQ)；
-未定义(UD)；
-不规则的节律注释，包括：
-心房颤动(AF)；
-心房扑动；
-室上性心动过速；
-室性心动过速；
-窦性心动过速；
-心动过缓；
-心室颤动；
-过早心房收缩(PAC)；以及
-过早收缩(PC)；
-非节律临床注释，包括：
-睡眠呼吸暂停。
8.一种控制器(500)，包括至少一个处理器(502)和至少一个包括计算机程序代码的存储器(504)，所述至少一个存储器(504)和计算机程序代码被配置为使用所述至少一个处理器(502)使控制器(500)执行：
-使用ECG监视系统记录(101) ECG信号；
-使用接触式PPG传感器与所述ECG信号的所述记录(101)半同步地记录(102) PPG信号；
-将所述PPG信号切割(103)成PPG信号段；
-对于所述PPG信号段中的PPG信号段(300)：
-为所述PPG信号段(300)中的峰生成(141)PPG峰时间向量(301-315)；
-选择(142)不同的偏移o；
-通过在所述ECG信号中应用所述不同的偏移o，从所述ECG信号中切割(143)出不同的ECG信号段(350)；
-为所述ECG信号段生成(144)相应的ECG峰时间向量(351-365)；
-计算所述PPG峰时间向量(301-315)与所述相应的ECG峰时间向量(351-365)之间的距离d；
-确定(104)具有在所述距离d当中的最小距离do的最佳匹配ECG信号段(350)；以及
-配准(105)所述PPG信号中的所述PPG信号段(300)的开始时间x、所述ECG信号中的所述最佳匹配ECG信号段(350)的开始时间yo和所述最小距离do；
-确定所述PPG信号和ECG信号之间的偏移作为回归模型(400)的偏移，所述回归模型(400)对所述开始时间x和所述开始时间yo之间的关系进行建模，由所述最小距离do反加权；
-确定所述PPG信号和ECG信号之间的漂移作为所述回归模型(400)的斜率；以及
-将所述偏移和所述漂移应用于所述PPG信号以使所述PPG信号与所述ECG信号同步。
9.一种计算机程序产品，包括用于使控制器(500)至少执行以下各项的计算机可执行指令：
-使用ECG监视系统记录(101) ECG信号；
-使用接触式PPG传感器与所述ECG信号的所述记录(101)半同步地记录(102) PPG信号；
-将所述PPG信号切割(103)成PPG信号段；
-对于所述PPG信号段中的PPG信号段(300)：
-为所述PPG信号段(300)中的峰生成(141)PPG峰时间向量(301-315)；
-选择(142)不同的偏移o；
-通过在所述ECG信号中应用所述不同的偏移o，从所述ECG信号中切割(143)出不同的ECG信号段(350)；
-为所述ECG信号段生成(144)相应的ECG峰时间向量(351-365)；
-计算所述PPG峰时间向量(301-315)与所述相应的ECG峰时间向量(351-365)之间的距离d；
-确定(104)具有在所述距离d当中的最小距离do的最佳匹配ECG信号段(350)；以及
-配准(105)所述PPG信号中的所述PPG信号段(300)的开始时间x、所述ECG信号中的所述最佳匹配ECG信号段(350)的开始时间yo和所述最小距离do；
-确定所述PPG信号和ECG信号之间的偏移作为回归模型(400)的偏移，所述回归模型(400)对所述开始时间x和所述开始时间yo之间的关系进行建模，由所述最小距离do反加权；
-确定所述PPG信号和ECG信号之间的漂移作为所述回归模型(400)的斜率；以及
-将所述偏移和所述漂移应用于所述PPG信号以使所述PPG信号与所述ECG信号同步。
10.一种计算机可读存储介质，包括程序的计算机可执行指令，用于当程序在计算机(800)上运行时执行以下步骤：
-使用ECG监视系统记录(101) ECG信号；
-使用接触式PPG传感器与所述ECG信号的所述记录(101)半同步地记录(102) PPG信号；
-将所述PPG信号切割(103)成PPG信号段；
-对于所述PPG信号段中的PPG信号段(300)：
-为所述PPG信号段(300)中的峰生成(141)PPG峰时间向量(301-315)；
-选择(142)不同的偏移o；
-通过在所述ECG信号中应用所述不同的偏移o，从所述ECG信号中切割(143)出不同的ECG信号段(350)；
-为所述ECG信号段生成(144)相应的ECG峰时间向量(351-365)；
-计算所述PPG峰时间向量(301-315)与所述相应的ECG峰时间向量(351-365)之间的距离d；
-确定(104)具有在所述距离d当中的最小距离do的最佳匹配ECG信号段(350)；以及
-配准(105)所述PPG信号中的所述PPG信号段(300)的开始时间x、所述ECG信号中的所述最佳匹配ECG信号段(350)的开始时间yo和所述最小距离do；
-确定所述PPG信号和ECG信号之间的偏移作为回归模型(400)的偏移，所述回归模型(400)对所述开始时间x和所述开始时间yo之间的关系进行建模，由所述最小距离do反加权；
-确定所述PPG信号和ECG信号之间的漂移作为所述回归模型(400)的斜率；以及
-将所述偏移和所述漂移应用于所述PPG信号以使所述PPG信号与所述ECG信号同步。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20157081.9 | 2020-02-13 | ||
| EP20157081.9A EP3865059B1 (en) | 2020-02-13 | 2020-02-13 | Computer-implemented method for synchronizing a photoplethysmography (ppg) signal with an electrocardiogram (ecg) signal |
| PCT/EP2020/082686 WO2021160306A1 (en) | 2020-02-13 | 2020-11-19 | Computer-implemented method for synchronizing a photoplethysmography (ppg) signal with an electrocardiogram (ecg) signal |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115023182A CN115023182A (zh) | 2022-09-06 |
| CN115023182B true CN115023182B (zh) | 2023-03-28 |
Family
ID=69581998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080094763.0A Active CN115023182B (zh) | 2020-02-13 | 2020-11-19 | 用于同步光学光电描记(ppg)信号与心电图(ecg)信号的计算机实现的方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230157647A1 (zh) |
| EP (1) | EP3865059B1 (zh) |
| CN (1) | CN115023182B (zh) |
| AU (1) | AU2020428386A1 (zh) |
| WO (1) | WO2021160306A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4144288A1 (en) * | 2021-09-02 | 2023-03-08 | Onera Technologies B.V. | Synchronizing sensors using heart rate signals |
| WO2023214957A1 (en) * | 2022-05-02 | 2023-11-09 | Elite HRV, Inc. | Machine learning models for estimating physiological biomarkers |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101523409A (zh) * | 2006-09-29 | 2009-09-02 | 皇家飞利浦电子股份有限公司 | 用于基于ecg/ppg的生物统计的模板合成 |
| WO2018002541A1 (fr) * | 2016-06-30 | 2018-01-04 | Université D'aix-Marseille | Dispositif de détection d'au moins un trouble du rythme cardiaque |
| US10398381B1 (en) * | 2015-11-19 | 2019-09-03 | Fitbit, Inc. | System and method for characterizing cardiac arrhythmia |
| WO2019191487A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Photoplethysmogram data analysis and presentation |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4960126A (en) | 1988-01-15 | 1990-10-02 | Criticare Systems, Inc. | ECG synchronized pulse oximeter |
| US5040539A (en) | 1989-05-12 | 1991-08-20 | The United States Of America | Pulse oximeter for diagnosis of dental pulp pathology |
| GB0624085D0 (en) * | 2006-12-01 | 2007-01-10 | Oxford Biosignals Ltd | Biomedical signal analysis method |
| CA2894944A1 (en) | 2012-12-13 | 2014-06-19 | Cnv Systems Ltd. | System for measurement of cardiovascular health |
| JP6811773B2 (ja) * | 2015-11-24 | 2021-01-13 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | フォトプレチスモグラム（ｐｐｇ）信号品質を定量化する方法 |
| CN106028272B (zh) | 2016-07-25 | 2019-06-14 | 广东乐心医疗电子股份有限公司 | 基于分布式ble通信协议无线传感系统时间同步方法与装置 |
| CN111183424B (zh) * | 2017-08-30 | 2024-04-12 | 深圳市长桑技术有限公司 | 识别用户的系统和方法 |
| FI20185441A1 (en) * | 2018-05-14 | 2019-11-15 | Pulseon Oy | Procedure, apparatus and computer program product for estimating signal quality |
-
2020
- 2020-02-13 EP EP20157081.9A patent/EP3865059B1/en active Active
- 2020-11-19 AU AU2020428386A patent/AU2020428386A1/en active Pending
- 2020-11-19 WO PCT/EP2020/082686 patent/WO2021160306A1/en active Application Filing
- 2020-11-19 US US17/929,020 patent/US20230157647A1/en active Pending
- 2020-11-19 CN CN202080094763.0A patent/CN115023182B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101523409A (zh) * | 2006-09-29 | 2009-09-02 | 皇家飞利浦电子股份有限公司 | 用于基于ecg/ppg的生物统计的模板合成 |
| US10398381B1 (en) * | 2015-11-19 | 2019-09-03 | Fitbit, Inc. | System and method for characterizing cardiac arrhythmia |
| WO2018002541A1 (fr) * | 2016-06-30 | 2018-01-04 | Université D'aix-Marseille | Dispositif de détection d'au moins un trouble du rythme cardiaque |
| WO2019191487A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Photoplethysmogram data analysis and presentation |
Non-Patent Citations (1)
| Title |
|---|
| An Advanced Bio-Inspired PhotoPlethysmoGraphy(PPG) and ECG Pattern Recognition System for Medical Assessment;FRANCESCO RUNDO ET AL;《SENSORS》;20180130;第18卷(第2期);第1-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3865059A1 (en) | 2021-08-18 |
| WO2021160306A1 (en) | 2021-08-19 |
| CN115023182A (zh) | 2022-09-06 |
| EP3865059B1 (en) | 2022-11-30 |
| US20230157647A1 (en) | 2023-05-25 |
| AU2020428386A1 (en) | 2022-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6918038B2 (ja) | 不一致モニタリング | |
| Balakrishnan et al. | Detecting pulse from head motions in video | |
| Fischer et al. | An algorithm for real-time pulse waveform segmentation and artifact detection in photoplethysmograms | |
| US20170188868A1 (en) | System and method of identification of the heart valve signals | |
| US20150005646A1 (en) | Pulse detection from head motions in video | |
| CN109328034B (zh) | 用于确定对象的睡眠阶段的确定系统和方法 | |
| CN115023182B (zh) | 用于同步光学光电描记(ppg)信号与心电图(ecg)信号的计算机实现的方法 | |
| JP2015508693A (ja) | 生理的リズムを表す信号を処理する方法 | |
| US20230131629A1 (en) | System and method for non-invasive assessment of elevated left ventricular end-diastolic pressure (LVEDP) | |
| Schlesinger et al. | Estimation and tracking of blood pressure using routinely acquired photoplethysmographic signals and deep neural networks | |
| Mehrgardt et al. | Deep learning fused wearable pressure and PPG data for accurate heart rate monitoring | |
| Chakraborty et al. | Accurate detection of dicrotic notch from PPG signal for telemonitoring applications | |
| Banerjee et al. | Non-invasive detection of coronary artery disease based on clinical information and cardiovascular signals: A two-stage classification approach | |
| Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
| Khaustov et al. | An open-source standard T-wave alternans detector for benchmarking | |
| CN116744843A (zh) | 用可穿戴心血管感测测量血流动力学参数的系统和方法 | |
| US20230054041A1 (en) | Computer-implemented method for generating an annotated photoplethysmography (ppg) signal | |
| Khavas et al. | Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion | |
| Zhang et al. | PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models | |
| EP3975202A1 (en) | Device and system for detecting heart rhythm abnormalities | |
| Shilvya et al. | Obstructive Sleep Apnea Detection from ECG Signals with Deep Learning | |
| Akbulut et al. | Estimation of Beat-to-Beat Interval from Wearable Photoplethysmography Sensor on Different Measurement Sites During Daily Activities | |
| Diehl et al. | Anomaly detection concept for a non-invasive blood pressure measurement method in the ear | |
| KR102645586B1 (ko) | 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법 | |
| Jain et al. | A Self-Supervised Algorithm for Denoising Photoplethysmography Signals for Heart Rate Estimation from Wearables |
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 |