CN115177267A - 一种心拍伪影识别方法、系统 - Google Patents
一种心拍伪影识别方法、系统 Download PDFInfo
- Publication number
- CN115177267A CN115177267A CN202211106773.9A CN202211106773A CN115177267A CN 115177267 A CN115177267 A CN 115177267A CN 202211106773 A CN202211106773 A CN 202211106773A CN 115177267 A CN115177267 A CN 115177267A
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- determining
- matrix
- module
- artifact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 185
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims description 58
- 238000010606 normalization Methods 0.000 claims description 45
- 230000007306 turnover Effects 0.000 claims description 37
- 238000012952 Resampling Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract description 3
- 230000002861 ventricular Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000005189 cardiac health Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241001658044 Beata Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/24—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
- 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
- A61B5/7221—Determining signal validity, reliability or quality
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种心拍伪影识别方法、系统,所述方法包括:分别对ECG信号和R波位置进行预处理;根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;根据所述基准心拍和所述心拍矩阵确定代价序列;根据所述代价序列确定心拍是否为伪影。本发明的心拍伪影识别方法、系统,方法简单有效,计算复杂度低,可以作为如QRS波检测等操作的后处理的环节之一;使用心拍翻转及DTW算法进行空间距离计算,降低了室性异常心拍与其他非伪影心拍间的度量差异;同时,保持了伪影心拍与其他心拍之间的度量差异;有效降低了伪影心拍的误检,提升了算法的准确性。
Description
技术领域
本发明属于心电图(Electrocardiogram,ECG)信号分析技术领域,特别涉及一种心拍伪影识别方法、系统。
背景技术
心电图(ECG)作为一种非侵入式生理信号测量方式,已被广泛应用在心脏健康检查上。近些年来,随着便携式嵌入式设备行业的蓬勃发展,越来越多形式的便携式心电测量设备被设计和制造出来。一方面,为人们持续监测心脏健康提供了良好的基础;另一方面,受便携式设备心电采集环境的影响,心电的信号质量评估面临极大挑战,如运动伪影、工频干扰等噪音影响。
目前,心电信号质量评估方法主要集中在对固定时长的ECG进行分析,对一整段的ECG信号进行质量评估。而对心拍的分类方法,多数需要去噪等预处理步骤,来降低噪音的影响,这类方法的核心是对噪音的压制,而且其分类目标并不关注于心拍级别的伪影,原因之一是数据集的限制。
其中一类心拍分类方法的大体流程是从已知心拍标注数据集中获取心拍特征,然后通过机器学习或者深度学习的分析手段来达到分类的目的。这种分析方式期望从多种类型的信号中提取不同心拍的共有特征,但是却在一定程度上忽略了单条信号自身相关性。
发明内容
针对上述问题,本发明提出一种心拍伪影识别方法,所述方法包括:
分别对ECG信号和R波位置进行预处理;
根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;
根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;
根据所述基准心拍和所述心拍矩阵确定代价序列;
根据所述代价序列确定心拍是否为伪影。
进一步的,对ECG信号进行预处理包括:
对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;
将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
进一步的,预处理后的R波位置表示为:
进一步的,根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置包括:
确定心拍切割参数,并根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;
根据初始心拍矩阵确定心拍振幅序列,并根据所述心拍振幅序列确定所述心拍振幅序列中位数;
确定目标归一化振幅值,并根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;
确定翻转系数,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
进一步的,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵包括:
确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;
判断所述比值是否大于所述翻转系数;
若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;
若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
进一步的,根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍包括:
根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;
根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;
根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;
根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
进一步的,根据所述基准心拍和所述心拍矩阵确定代价序列包括:
分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;
对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
进一步的,根据所述代价序列确定心拍是否为伪影包括:
根据所述代价序列确定最大代价序列与最小代价序列的差值;
确定所述差值是否大于最小筛选跨度值;
若所述差值小于所述最小筛选跨度值,则报告心拍为非伪影;
若所述差值大于所述最小筛选跨度值,则生成直方图,并根据所述直方图确定非伪影心拍代价的边界;
根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;
若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;
若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影。
本发明还提供一种心拍伪影识别系统,所述系统包括:预处理单元、第一确定单元、基准心拍确定单元、代价序列确定单元和伪影确定单元,其中,
预处理单元,用于分别对ECG信号和R波位置进行预处理;
第一确定单元,与预处理单元通信连接,用于根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;
基准心拍确定单元,与第一确定单元通信连接,用于根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;
代价序列确定单元,与第一确定单元和基准心拍确定单元通信连接,用于根据所述基准心拍和所述心拍矩阵确定代价序列;
伪影确定单元,与代价序列确定单元通信连接,用于根据所述代价序列确定心拍是否为伪影。
进一步的,所述预处理单元包括重采样模块和滤波模块,
重采样模块,用于对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;
滤波模块,与重采样模块通信连接,用于将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
进一步的,所述重采样模块还用于对R波位置进行重采样,其中,预处理后的R波位置表示为:
进一步的,第一确定单元包括第一参数确定模块、第一矩阵确定模块、振幅确定模块、中位数确定模块、第二振幅确定模块、归一化系数确定模块、翻转系数确定模块和第二矩阵确定模块,
第一参数确定模块,用于确定心拍切割参数;
第一矩阵确定模块,与第一参数确定模块通信连接,用于根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;
第一振幅确定模块,与第一矩阵确定模块通信连接,用于根据初始心拍矩阵确定心拍振幅序列;
中位数确定模块,与第一振幅确定模块通信连接,用于根据所述心拍振幅序列确定所述心拍振幅序列中位数;
第二振幅确定模块,用于确定目标归一化振幅值;
归一化系数确定模块,与第二振幅确定模块和中位数确定模块通信连接,用于根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;
翻转系数确定模块,用于确定翻转系数;
第二矩阵确定模块,与第一矩阵确定模块、归一化系数确定模块和翻转系数确定模块通信连接,用于根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
进一步的,所述第二矩阵确定模块包括比值子模块和第一判断子模块,
比值子模块,用于确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;
第一判断子模块,与比值子模块通信连接,用于判断所述比值是否大于所述翻转系数;
若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;
若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
进一步的,所述基准心拍确定单元包括第二参数确定模块、缓存模块、填充模块和第一生成模块,
第二参数确定模块,用于根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;
缓存模块,与第二参数确定模块通信连接,用于根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;
填充模块,与缓存模块通信连接,用于根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;
第一生成模块,与填充模块通信连接,用于根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
进一步的,所述代价序列确定单元包括路径确定模块和代价序列确定模块,
路径确定模块,用于分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;
代价序列确定模块,与路径确定模块通信连接,用于对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
进一步的,所述伪影确定单元包括差值确定模块、第一判断模块、第二生成模块、边界确定模块和伪影确定模块,
差值确定模块,用于根据所述代价序列确定最大代价序列与最小代价序列的差值;
第一判断模块,与差值确定模块通信连接,用于确定所述差值是否大于最小筛选跨度值;
第二生成模块,与第一判断模块通信连接,用于当所述差值大于所述最小筛选跨度值时,生成直方图;
边界确定模块,与第二生成模块通信连接,用于根据所述直方图确定非伪影心拍代价的边界;
伪影确定模块,与边界确定模块通信连接,用于根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;
若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;
若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影;
所述伪影确定模块,还与第一判断模块通信连接,用于当所述差值小于所述最小筛选跨度值时,报告心拍为非伪影。
本发明的心拍伪影识别方法、系统,方法简单有效,计算复杂度低,可以作为如QRS波检测等操作的后处理的环节之一;使用心拍翻转及DTW(Dynamic Time Warping,动态时间规整算法)进行空间距离计算,降低了室性异常心拍与其他非伪影心拍间的度量差异;同时,保持了伪影心拍与其他心拍之间的度量差异;有效降低了伪影心拍的误检,提升了算法的准确性;使用基准心拍和分布直方图的筛选方式,不仅可以获得空间距离中的最显著值,还可以让最显著空间距离的获取变得更加的灵活,使得空间距离最显著值贴近多数心拍的空间距离值,提高算法的鲁棒性及准确性;本发明还能够实现信号自身的比对,避免与其他非本身信号对比产生的差异问题,具有一定的个性化。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例中的心拍伪影识别方法流程示意图;
图2示出了本发明实施例中的心拍伪影识别系统结构连接关系示意图;
图3示出了本发明实施例中的对ECG信号和R波位置进行预处理方法流程示意图;
图4示出了本发明实施例中的确定心拍矩阵和心拍切割后R波位置方法流程示意图;
图5示出了本发明实施例中的确定基准心拍方法流程示意图;
图6示出了本发明实施例中的生成代价序列方法流程示意图;
图7示出了本发明实施例中的确定心拍是否为伪影方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的在于提供一种基于DTW的简单的心拍伪影识别方法,通过计算信号自身的心拍与其自身的标准模板间的空间距离,并对分布直方图进行分析的方法,可以快速且有效地判断出心拍中的伪影并作为识别心拍伪影的方法。
图1示出了本发明实施例中的心拍伪影识别方法流程示意图,图1中,所述方法包括:
101、分别对ECG信号和R波位置进行预处理;
102、根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;
103、根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;
104、根据所述基准心拍和所述心拍矩阵确定代价序列;
105、根据所述代价序列确定心拍是否为伪影。
具体的,对ECG信号进行预处理包括:对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
具体的,根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置包括:确定心拍切割参数,并根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;根据初始心拍矩阵确定心拍振幅序列,并根据所述心拍振幅序列确定所述心拍振幅序列中位数;确定目标归一化振幅值,并根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;确定翻转系数,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
具体的,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵包括:确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;判断所述比值是否大于所述翻转系数;若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
具体的,根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍包括:根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
具体的,根据所述基准心拍和所述心拍矩阵确定代价序列包括:分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
具体的,根据所述代价序列确定心拍是否为伪影包括:根据所述代价序列确定最大代价序列与最小代价序列的差值;确定所述差值是否大于最小筛选跨度值;若所述差值小于所述最小筛选跨度值,则报告心拍为非伪影;若所述差值大于所述最小筛选跨度值,则生成直方图,并根据所述直方图确定非伪影心拍代价的边界;根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影。
本发明实施例中还对ECG信号和R波位置进行预处理的过程进行具体的说明,图3示出了本发明实施例中的对ECG信号和R波位置进行预处理方法流程示意图,图3中,首先接收20s的ECG数据及R波位置,经过重采样和滤波等步骤获取后续处理所需数据,具体包括:
301:ECG信号重采样,将20s时长的ECG信号重采样至固定采样率,本发明实施例中固定采样率取500Hz,实际应用过程中,该固定采样率的取值可根据实际需要确定,本发明对此不做具体的限制;
302:信号滤波,将重采样后的ECG信号依次经过50Hz陷波滤波器、0.5至45Hz的带通滤波器,获取干净的ECG信号;将经过该阶段的ECG信号记为:
其中,N表示干净的ECG信号的长度,ej表示ECG集合中的第j个元素;本发明实施例中,陷波滤波器和带通滤波器的频率取值可以根据实际需要进行选择;
303:R波位置重采样,使用线性插值的方式对原始的R波位置重采样至固定频率下:
记原始R波位置序列为:
重采样后的R波序列为:
二者的换算公式如下:
本发明实施例中,还对心拍矩阵和心拍切割后R波位置的确定进行具体的说明,图4示出了本发明实施例中的确定心拍矩阵和心拍切割后R波位置方法流程示意图,图4中,首先根据R集合计算个心拍的切割长度,并将各心拍的R波位置记录下来,切割之后得到初始的心拍矩阵;然后计算各心拍的振幅,用其中的中位数作为心拍振幅,确定归一化振幅后,计算后者与前者的比值,作为归一化系数;最后确定初始心拍矩阵中最小值绝对值与最大值绝对值的比值,当比值大于翻转系数,则根据初始心拍矩阵与负数的归一化系数的乘积确定所述心拍矩阵,否则乘归一化系数,完成心拍的翻转,得到心拍矩阵,具体包括:
401:心拍切割,首先需要计算心拍R波前后切割的长度,以第个心拍为例,其预处理后对应的R波位置为;以其与前一个R波间距的0.4作为该心拍切割时,R波前的长度;以其与后一个R波间距的(1-0.4)作为该心拍切割时,R波后的长度,如下表示:
得到多个心拍切割起止位置,记为:
其中,表示第1个心拍在ECG序列中的切割起始位置,表示第q个心拍在ECG序列中的切割起始位置,表示第1个心拍在ECG序列中的切割结束位置,表示第q个心拍在ECG序列中的切割结束位置,表示多个心拍切割起止位置集合;
最后对由ECG序列中切割得到初始心拍,切割方式如下:
记初始心拍矩阵为:
402:归一化系数计算,首先计算切割后各初始心拍R波位置附近向前/向后切段时间范围内的最大与最小电压值,获得心拍振幅序列;然后计算心拍振幅序列中的中位数,作为心拍振幅;之后确定归一化振幅;最后计算归一化振幅与心拍振幅的比值,得到归一化系数,具体包括:
则得到计算心拍振幅时的切段矩阵,记为:
得到初始心拍振幅序列,记为
记最终得到的心拍矩阵为:
本发明实施例中,还对基准心拍的确定进行具体的说明,图5示出了本发明实施例中的确定基准心拍方法流程示意图,图5中,首先需要对长度不同心拍数据进行对齐,得到缓存矩阵;最后对缓存矩阵的各列求中位数,得到基准心拍模板,具体包括:
501:计算缓存心拍矩阵参数,分别计算各心拍切割后R波前及后的最长长度,并作为基准心拍R波前和后的长度,
计算各心拍R波前及R波后的长度:
则可以得到R波前最长长度为:
R波后最长长度为:
则总长度为:
生成缓存心拍矩阵为:
其中,具体为生成L*q的方阵,初始时其中的元素都为0,初始阶段每个元素均为0;表示为缓存心拍矩阵中的第1行第1列的元素、表示为缓存心拍矩阵中的第q行第1列的元素、表示为缓存心拍矩阵中的第1行第L列的元素、表示为缓存心拍矩阵中的第q行第L列的元素;
心拍对齐到缓存心拍矩阵方式为:
基准心拍生成方式如下:
本发明实施例中还对生成代价序列方法进行具体的说明,图6示出了本发明实施例中的生成代价序列方法流程示意图,图6中,首先使用DTW算法计算每个心拍与基准心拍的最佳对齐路径;然后计算最佳对齐路径下的累积代价,得到代价序列,具体包括:
601:最佳对齐路径计算,首先,使用DTW算法计算不同长度的序列的最佳对齐路径,在时间序列处理时,一个常见的问题就是比较两个序列的相似性。然而,存在被比较的两段时间序列的长度不相等的情况,如在语音识别领域表现为不同人的语速不同。DTW算法基于动态规划(DP)的思想,解决了发音长短不一的模板匹配问题,是语音识别中出现较早、较为经典的算法之一。本发明实施例中使用欧氏距离作为衡量标准,分别计算每个心拍与基准心拍的最佳对齐路径,记第个心拍与基准心拍的最佳对齐路径为:
602:代价计算,由上一步得出最佳对齐路径后,使用欧式距离公式计算每个心拍与基准心拍的累积代价,得到代价序列,记为:
本发明实施例中还对确定心拍是否为伪影的方法进行具体的说明,图7示出了本发明实施例中的确定心拍是否为伪影方法流程示意图,图7中,在获得代价序列后,通过分析其分布直方图的方式,提高算法的鲁棒性及准确性;首先计算代价序列的跨度;然后判断是否达到进一步分析的需要,如果不需要则终止分析,并报告无心拍伪影,否则继续后面的分析;之后,确定直方图组数,并在最大代价与最小代价间生成分布直方图,统计每组中的频数;下一步获取最大频数对应的代价值;随后在该代价值前后划分非伪影边界;最后判断各心拍对应的代价值是否在非伪影范围内,具体包括:
701:计算最大与最小代价差值,如下表示:
702:确定最小筛选跨度值,并判断是否继续执行后续流程,
704:计算最高频数对应的代价值,如下表示:
计算其对应的代价为:
705:在最高频数代价值前后划定非伪影边界,本发明实施例中,设定中心代价前2.5,后3范围内为非伪影边界,则非伪影范围为:
本发明实施例中,还提供一种心拍伪影识别系统,图2示出了本发明实施例中的心拍伪影识别系统结构连接关系示意图,图2中,所述系统包括预处理单元201、第一确定单元202、基准心拍确定单元203、代价序列确定单元204和伪影确定单元205,其中,预处理单元201,用于分别对ECG信号和R波位置进行预处理;第一确定单元202,与预处理单元201通信连接,用于根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;基准心拍确定单元203,与第一确定单元202通信连接,用于根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;代价序列确定单元204,与第一确定单元202和基准心拍确定单元203通信连接,用于根据所述基准心拍和所述心拍矩阵确定代价序列;伪影确定单元205,与代价序列确定单元204通信连接,用于根据所述代价序列确定心拍是否为伪影。
具体的,所述预处理单元201包括重采样模块和滤波模块,重采样模块,用于对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;滤波模块,与重采样模块通信连接,用于将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
具体的,所述重采样模块还用于对R波位置进行重采样,其中,预处理后的R波位置表示为:
具体的,第一确定单元202包括第一参数确定模块、第一矩阵确定模块、振幅确定模块、中位数确定模块、第二振幅确定模块、归一化系数确定模块、翻转系数确定模块和第二矩阵确定模块,第一参数确定模块,用于确定心拍切割参数;第一矩阵确定模块,与第一参数确定模块通信连接,用于根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;第一振幅确定模块,与第一矩阵确定模块通信连接,用于根据初始心拍矩阵确定心拍振幅序列;中位数确定模块,与第一振幅确定模块通信连接,用于根据所述心拍振幅序列确定所述心拍振幅序列中位数;第二振幅确定模块,用于确定目标归一化振幅值;归一化系数确定模块,与第二振幅确定模块和中位数确定模块通信连接,用于根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;翻转系数确定模块,用于确定翻转系数;第二矩阵确定模块,与第一矩阵确定模块、归一化系数确定模块和翻转系数确定模块通信连接,用于根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
具体的,所述第二矩阵确定模块包括比值子模块和第一判断子模块,比值子模块,用于确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;第一判断子模块,与比值子模块通信连接,用于判断所述比值是否大于所述翻转系数;若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
具体的,所述基准心拍确定单元203包括第二参数确定模块、缓存模块、填充模块和第一生成模块,第二参数确定模块,用于根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;缓存模块,与第二参数确定模块通信连接,用于根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;填充模块,与缓存模块通信连接,用于根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;第一生成模块,与填充模块通信连接,用于根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
具体的,所述代价序列确定单元204包括路径确定模块和代价序列确定模块,路径确定模块,用于分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;代价序列确定模块,与路径确定模块通信连接,用于对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
具体的,所述伪影确定单元205包括差值确定模块、第一判断模块、第二生成模块、边界确定模块和伪影确定模块,差值确定模块,用于根据所述代价序列确定最大代价序列与最小代价序列的差值;第一判断模块,与差值确定模块通信连接,用于确定所述差值是否大于最小筛选跨度值;第二生成模块,与第一判断模块通信连接,用于当所述差值大于所述最小筛选跨度值时,生成直方图;边界确定模块,与第二生成模块通信连接,用于根据所述直方图确定非伪影心拍代价的边界;伪影确定模块,与边界确定模块通信连接,用于根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影;所述伪影确定模块,还与第一判断模块通信连接,用于当所述差值小于所述最小筛选跨度值时,报告心拍为非伪影。
本发明的心拍伪影识别方法、系统,方法简单有效,计算复杂度低,可以作为如QRS波检测等操作的后处理的环节之一;使用心拍翻转及DTW(Dynamic Time Warping,动态时间规整算法)进行空间距离计算,降低了室性异常心拍与其他非伪影心拍间的度量差异;同时,保持了伪影心拍与其他心拍之间的度量差异;有效降低了伪影心拍的误检,提升了算法的准确性;使用基准心拍和分布直方图的筛选方式,不仅可以获得空间距离中的最显著值,还可以让最显著空间距离的获取变得更加的灵活,使得空间距离最显著值贴近多数心拍的空间距离值,提高算法的鲁棒性及准确性;本发明还能够实现信号自身的比对,避免与其他非本身信号对比产生的差异问题,具有一定的个性化。
尽管参照前述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精神和范围。
Claims (16)
1.一种心拍伪影识别方法,其特征在于,所述方法包括:
分别对ECG信号和R波位置进行预处理;
根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;
根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;
根据所述基准心拍和所述心拍矩阵确定代价序列;
根据所述代价序列确定心拍是否为伪影。
2.根据权利要求1所述的心拍伪影识别方法,其特征在于,对ECG信号进行预处理包括:
对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;
将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
4.根据权利要求1所述的心拍伪影识别方法,其特征在于,根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置包括:
确定心拍切割参数,并根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;
根据初始心拍矩阵确定心拍振幅序列,并根据所述心拍振幅序列确定所述心拍振幅序列中位数;
确定目标归一化振幅值,并根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;
确定翻转系数,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
5.根据权利要求4所述的心拍伪影识别方法,其特征在于,根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵包括:
确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;
判断所述比值是否大于所述翻转系数;
若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;
若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
6.根据权利要求1所述的心拍伪影识别方法,其特征在于,根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍包括:
根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;
根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;
根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;
根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
7.根据权利要求1所述的心拍伪影识别方法,其特征在于,根据所述基准心拍和所述心拍矩阵确定代价序列包括:
分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;
对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
8.根据权利要求1或7所述的心拍伪影识别方法,其特征在于,根据所述代价序列确定心拍是否为伪影包括:
根据所述代价序列确定最大代价序列与最小代价序列的差值;
确定所述差值是否大于最小筛选跨度值;
若所述差值小于所述最小筛选跨度值,则报告心拍为非伪影;
若所述差值大于所述最小筛选跨度值,则生成直方图,并根据所述直方图确定非伪影心拍代价的边界;
根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;
若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;
若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影。
9.一种心拍伪影识别系统,其特征在于,所述系统包括:预处理单元、第一确定单元、基准心拍确定单元、代价序列确定单元和伪影确定单元,其中,
预处理单元,用于分别对ECG信号和R波位置进行预处理;
第一确定单元,与预处理单元通信连接,用于根据预处理后的ECG信号和R波位置确定心拍矩阵和心拍切割后R波位置;
基准心拍确定单元,与第一确定单元通信连接,用于根据所述心拍矩阵和所述心拍切割后R波位置确定基准心拍;
代价序列确定单元,与第一确定单元和基准心拍确定单元通信连接,用于根据所述基准心拍和所述心拍矩阵确定代价序列;
伪影确定单元,与代价序列确定单元通信连接,用于根据所述代价序列确定心拍是否为伪影。
10.根据权利要求9所述的心拍伪影识别系统,其特征在于,所述预处理单元包括重采样模块和滤波模块,
重采样模块,用于对ECG信号进行重采样,其中,将ECG信号重采样至固定采样率;
滤波模块,与重采样模块通信连接,用于将重采样后的ECG信号依次经过陷波滤波器和带通滤波器,获得预处理后的ECG信号。
12.根据权利要求9所述的心拍伪影识别系统,其特征在于,第一确定单元包括第一参数确定模块、第一矩阵确定模块、振幅确定模块、中位数确定模块、第二振幅确定模块、归一化系数确定模块、翻转系数确定模块和第二矩阵确定模块,
第一参数确定模块,用于确定心拍切割参数;
第一矩阵确定模块,与第一参数确定模块通信连接,用于根据所述心拍切割参数确定心拍切割后R波位置和初始心拍矩阵;
第一振幅确定模块,与第一矩阵确定模块通信连接,用于根据初始心拍矩阵确定心拍振幅序列;
中位数确定模块,与第一振幅确定模块通信连接,用于根据所述心拍振幅序列确定所述心拍振幅序列中位数;
第二振幅确定模块,用于确定目标归一化振幅值;
归一化系数确定模块,与第二振幅确定模块和中位数确定模块通信连接,用于根据所述目标归一化振幅值和所述心拍振幅序列中位数的比值确定归一化系数;
翻转系数确定模块,用于确定翻转系数;
第二矩阵确定模块,与第一矩阵确定模块、归一化系数确定模块和翻转系数确定模块通信连接,用于根据所述初始心拍矩阵、所述归一化系数和所述翻转系数确定心拍矩阵。
13.根据权利要求12所述的心拍伪影识别系统,其特征在于,所述第二矩阵确定模块包括比值子模块和第一判断子模块,
比值子模块,用于确定所述初始心拍矩阵中最小值绝对值与最大值绝对值的比值;
第一判断子模块,与比值子模块通信连接,用于判断所述比值是否大于所述翻转系数;
若所述比值大于所述翻转系数,则根据所述初始心拍矩阵与负数的所述归一化系数的乘积确定所述心拍矩阵;
若所述比值小于所述翻转系数,则根据所述初始心拍矩阵与所述归一化系数的乘积确定所述心拍矩阵。
14.根据权利要求9所述的心拍伪影识别系统,其特征在于,所述基准心拍确定单元包括第二参数确定模块、缓存模块、填充模块和第一生成模块,
第二参数确定模块,用于根据所述心拍矩阵和所述心拍切割后R波位置确定缓存心拍矩阵参数;
缓存模块,与第二参数确定模块通信连接,用于根据所述缓存心拍矩阵参数生成初始化缓存心拍矩阵;
填充模块,与缓存模块通信连接,用于根据所述心拍切割后R波中心位置填充所述初始化缓存心拍矩阵;
第一生成模块,与填充模块通信连接,用于根据填充后缓存心拍矩阵中每列的中位数生成基准心拍。
15.根据权利要求9所述的心拍伪影识别系统,其特征在于,所述代价序列确定单元包括路径确定模块和代价序列确定模块,
路径确定模块,用于分别确定所述基准心拍和所述心拍矩阵的最佳对齐路径;
代价序列确定模块,与路径确定模块通信连接,用于对所述最佳对齐路径进行累计代价计算,分别得到所述基准心拍和所述心拍矩阵的代价序列。
16.根据权利要求9所述的心拍伪影识别系统,其特征在于,所述伪影确定单元包括差值确定模块、第一判断模块、第二生成模块、边界确定模块和伪影确定模块,
差值确定模块,用于根据所述代价序列确定最大代价序列与最小代价序列的差值;
第一判断模块,与差值确定模块通信连接,用于确定所述差值是否大于最小筛选跨度值;
第二生成模块,与第一判断模块通信连接,用于当所述差值大于所述最小筛选跨度值时,生成直方图;
边界确定模块,与第二生成模块通信连接,用于根据所述直方图确定非伪影心拍代价的边界;
伪影确定模块,与边界确定模块通信连接,用于根据所述代价序列的空间距离是否处在所述非伪影心拍代价的边界内确定心拍是否为伪影;
若所述空间距离处于所述非伪影心拍代价的边界内,则报告心拍为非伪影;
若所述空间距离处于所述非伪影心拍代价的边界外,则报告心拍为伪影;
所述伪影确定模块,还与第一判断模块通信连接,用于当所述差值小于所述最小筛选跨度值时,报告心拍为非伪影。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106773.9A CN115177267B (zh) | 2022-09-13 | 2022-09-13 | 一种心拍伪影识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106773.9A CN115177267B (zh) | 2022-09-13 | 2022-09-13 | 一种心拍伪影识别方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115177267A true CN115177267A (zh) | 2022-10-14 |
CN115177267B CN115177267B (zh) | 2023-01-03 |
Family
ID=83524800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211106773.9A Active CN115177267B (zh) | 2022-09-13 | 2022-09-13 | 一种心拍伪影识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115177267B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180168472A1 (en) * | 2016-12-21 | 2018-06-21 | Industry-Academic Cooperation Foundation Chosun University | Method for generating electrocardiogram for identifying a person and method for identifying a person using the electrocardiogram |
CN110169767A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的检索方法 |
CN114259225A (zh) * | 2021-12-15 | 2022-04-01 | 中国电子科技南湖研究院 | 基于毫米波雷达的身份识别方法和系统 |
CN114469120A (zh) * | 2022-01-12 | 2022-05-13 | 大连海事大学 | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114595728A (zh) * | 2022-03-24 | 2022-06-07 | 东北大学 | 一种基于自监督学习的信号去噪方法 |
CN114617562A (zh) * | 2022-03-24 | 2022-06-14 | 中国农业银行股份有限公司 | 心拍信号的分类方法、装置、设备及存储介质 |
WO2022120427A1 (en) * | 2020-12-09 | 2022-06-16 | The University Of Adelaide | Template adaption method for analysing 2d quasi-periodic biomedical signals |
-
2022
- 2022-09-13 CN CN202211106773.9A patent/CN115177267B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180168472A1 (en) * | 2016-12-21 | 2018-06-21 | Industry-Academic Cooperation Foundation Chosun University | Method for generating electrocardiogram for identifying a person and method for identifying a person using the electrocardiogram |
CN110169767A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的检索方法 |
WO2022120427A1 (en) * | 2020-12-09 | 2022-06-16 | The University Of Adelaide | Template adaption method for analysing 2d quasi-periodic biomedical signals |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN114259225A (zh) * | 2021-12-15 | 2022-04-01 | 中国电子科技南湖研究院 | 基于毫米波雷达的身份识别方法和系统 |
CN114469120A (zh) * | 2022-01-12 | 2022-05-13 | 大连海事大学 | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 |
CN114595728A (zh) * | 2022-03-24 | 2022-06-07 | 东北大学 | 一种基于自监督学习的信号去噪方法 |
CN114617562A (zh) * | 2022-03-24 | 2022-06-14 | 中国农业银行股份有限公司 | 心拍信号的分类方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
尹奥: "时间序列异常子序列检测算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
张爱华等: "脉搏信号的干扰段检测与质量评估", 《中国医疗器械杂志》 * |
涂辉等: "改进DTW算法的心电信号相似性度量", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115177267B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647565B (zh) | 一种基于深度学习模型对心电信号分类的数据预处理方法 | |
US8152731B2 (en) | Wavelet transform and pattern recognition method for heart sound analysis | |
Kao et al. | Automatic phonocardiograph signal analysis for detecting heart valve disorders | |
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
CN112914527B (zh) | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 | |
CN111297399B (zh) | 一种基于超声视频的胎心定位和胎心率提取方法 | |
CN112587153A (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
WO2023226223A1 (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN113171106A (zh) | 基于vq-vae2和深度神经网络方法的心电异常检测方法 | |
CN114027853B (zh) | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 | |
CN115640507B (zh) | 一种基于心电心音联合分析的异常数据筛查方法 | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
CN114305484A (zh) | 基于深度学习的心脏病心音智能分类方法、装置和介质 | |
CN112494000B (zh) | 一种基于多路心音的冠状动脉狭窄可视化量化方法及设备 | |
Torre-Cruz et al. | Unsupervised detection and classification of heartbeats using the dissimilarity matrix in PCG signals | |
WO2021215169A1 (ja) | データ処理装置、データ処理方法及びプログラム | |
CN115177267B (zh) | 一种心拍伪影识别方法、系统 | |
CN115251978B (zh) | 基于小波谱图的异常心音识别方法、装置和服务架构 | |
JP2879663B2 (ja) | 胎児監視装置 | |
CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
CN110368019A (zh) | 一种心音信号特征提取、检测模型构建及检测装置 | |
Shukla | Denoising ecg signals and their analysis using hybrid deep learning model |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for identifying cardiac artifacts Granted publication date: 20230103 Pledgee: Hefei high tech Company limited by guarantee Pledgor: Hefei xinzhisheng Health Technology Co.,Ltd. Registration number: Y2024980023472 |