CN115177268A - 一种房颤心拍检测方法、装置及存储介质 - Google Patents
一种房颤心拍检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115177268A CN115177268A CN202210821864.4A CN202210821864A CN115177268A CN 115177268 A CN115177268 A CN 115177268A CN 202210821864 A CN202210821864 A CN 202210821864A CN 115177268 A CN115177268 A CN 115177268A
- Authority
- CN
- China
- Prior art keywords
- segment
- template
- peak
- similarity index
- similarity
- 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
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种房颤心拍检测方法、装置及存储介质,所述方法包括:对原始心电信号进行预处理增强,对增强后的信号依次进行特征点定位及各心拍心房活动的分割。选取正常心律下心房活动片段用于构建模板,然后与待分析的变长心拍片段进行自适应的相似度量化,计算相似度指数。对得到的相似度指数序列根据预设阈值检测出房颤信号。本方法适应于真实场景下长程监测中ECG心拍的比较分析,能够实现对短时阵发性房颤片段的有效检测。本发明可以推广至其他不同类型的生理信号分类场景中。
Description
技术领域
本发明涉及信号检测领域,尤指一种房颤心拍检测方法、装置及存储介质。
背景技术
心房颤动(Atrial Fibrillation,AF),简称房颤,是最常见的持续性心律失常。房颤容易引起卒中、心力衰竭等并发症,导致较高的致死率和致残率。动态心电图有助于捕捉一过性阵发性房颤片段,弥补临床常规心电图的不足,有利于尽早制定治疗方案。房颤患者的心电信号(ECG)主要表现为P波的消失,代之以不规则的颤动波(f波),并有可能导致心室率不规则。
由于噪声和心室活动的耦合,在ECG中有效提取心房活动进行房颤检测是长程动态心电图分析中的一个难点。基于心房活动的分析可避免某些情况下(例如房颤伴完全性房室传导阻滞)心室率规则而引发的误判。正常窦性心律与房颤下心房活动的差异性使得基于模板匹配的检测方法成为可能,同时这一类自动检测算法复杂度低,在长程的自动化分析中具有显著优势。
但是传统的模板匹配方法依赖于预先确定统一的特征点(例如用于截取TQ段的T波终止点),然后进行序列间的对齐,序列长度也被要求严格一致。传统方法的局限在于:一方面,基准点选取的准确度可能限制了其后的分析性能,尤其是房颤发作时,P波消失,不规则的心房活动会给T波的定位产生干扰;另一方面,固定长度的要求也难以适应心室率不规则情况下的房颤。
鉴于此,传统的基于模板匹配的房颤心拍检测方法还有待进一步改进。
发明内容
本发明的目的之一是为了克服现有技术中存在的至少部分不足,提供一种房颤心拍检测方法、装置及存储介质。
本发明提供的技术方案如下:
一种房颤心拍检测方法,包括:对原始心电信号进行预处理,对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置;
根据所述Q峰、R峰和S峰的位置,对所述预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段,所述心拍为相邻两个R峰之间的信号片段,所述SQ段为所述心拍中S峰和Q峰之间的信号片段;
从获得的SQ段中选出N个有效的正常心律下的SQ段,并根据所述N个SQ段构建SQ模板;
分别计算每个SQ段与所述SQ模板之间的相似度指数;
遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
在一些实施例中,所述的对原始心电信号进行预处理包括:
采用小波变换或经验模态分解或数字滤波对原始心电信号进行预处理。
在一些实施例中,所述采用小波变换对原始心电信号进行预处理包括:
对原始心电信号进行中值滤波处理,然后选用二次样条小波作为小波基函数对中值滤波后的信号进行小波分解;
选用小波分解后的第四层近似分量进行重构,将得到的重构信号作为预处理后的心电信号。
在一些实施例中,所述计算每个SQ段与所述SQ模板之间的相似度指数包括:
利用动态时间规整算法将所述SQ段与所述SQ模板对齐,得到对齐后的SQ段与对齐后的SQ模板;
计算所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数,将其记为对齐相似度指数;
根据所述SQ段的长度和所述SQ模板的长度,计算相似度损失;
将所述对齐相似度指数加上所述相似度损失,得到所述SQ段与所述SQ模板之间的相似度指数。
在一些实施例中,所述的计算所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数,包括:
按照预设分割系数分别对所述对齐后的SQ段与所述对齐后的SQ模板进行分割,得到对应的弱心房活动段和强心房活动段;
对所述对齐后的SQ段的弱心房活动段与所述对齐后的SQ模板的弱心房活动段进行互相关运算,得到所述弱心房活动段的相似度指数;
对所述对齐后的SQ段的强心房活动段与所述对齐后的SQ模板的强心房活动段进行互相关运算,得到所述强心房活动段的相似度指数;
对所述弱心房活动段的相似度指数和所述强心房活动段的相似度指数进行加权处理,得到所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数。
在一些实施例中,根据以下公式计算相似度损失d:
其中,wd为第三权重,leni为所述SQ段的长度,lent为所述SQ模板的长度,fs为信号采样率。
在一些实施例中,在获得每个SQ段与所述SQ模板之间的相似度指数之后还包括:
将所有的相似度指数按时间顺序排列,得到第一序列;
采用中值滤波对所述第一序列进行平滑处理,得到第二序列;
所述的遍历所有相似度指数包括:遍历所述第二序列的每个相似度指数。
本发明还提供一种房颤心拍检测装置,包括:
预处理模块,用于对原始心电信号进行预处理;
特征点检测模块,用于对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置;
SQ提取模块,用于根据所述Q峰、R峰和S峰的位置,对所述预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段,所述心拍为相邻两个R峰之间的信号片段,所述SQ段为所述心拍中S峰和Q峰之间的信号片段;
模板生成模块,用于从获得的SQ段中选出N个有效的正常心律下的SQ段,并根据所述N个SQ段构建SQ模板;
相似度计算模块,用于分别计算每个SQ段与所述SQ模板之间的相似度指数;
后处理模块,用于遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述任一项所述的房颤心拍检测方法。
与现有技术相比,本发明所提供的一种房颤心拍检测方法、装置及存储介质,至少能够带来以下有益效果:
1.本发明提供了一种截取心电信号中心房活动的新思路,通过从心电信号中提取SQ段、对SQ段进行信号分析来检测房颤心帕,避免了传统方法中对准确定位T波的需求。
2.本发明通过小波分解获取体现心房活动的分解量,根据该分解量进行信号重构,将得到的重构信号作为进行后续心房活动分析的对象,从而降低了心室活动的干扰,使模板片段尽可能集中于心房活动。
3.本发明提出的基于动态时间规整的模板匹配方法,能够自适应地进行变长信号段与模板之间的匹配。
4.本发明提出的自适应相似度评估算法综合考虑了信号的形态差异以及时限差异,同时通过权重的设置强化了心房活动片段在整体评估中的占比。
5.本发明提出的自适应相似度评估算法是一种基于单心拍的相似度评估方法,有利于实现对短时发作的阵发性房颤片段的检测。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种房颤心拍检测方法、装置及存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明的房颤心拍检测方法的一个实施例的流程图;
图2是本发明的房颤心拍检测装置的一个实施例的结构示意图;
图3是一种具体实施场景中房颤心拍检测的整体流程图;
图4是图3所示实施例中特征点定位示意图;
图5是图3所示实施例使用的一组源于正常心律的SQ模板示意图;
图6是图3所示实施例中对齐后的一组SQ段与SQ模板的分割示意图;
图7是图3所示实施例中预处理后的ECG信号示意图、心律标注示意图和第二序列示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
在本发明的一个实施例中,如图1所示,一种房颤心拍检测方法,包括:
步骤S100对原始心电信号进行预处理。
预处理的目的在于增强ECG信号,便于进行后续的特征点检测以及心房活动的分析。可以采用现有的信号处理技术对原始心电信号进行预处理。预处理手段包括但不限于小波变换或经验模态分解或数字滤波。
以经验模态分解为例,通过经验模态分解对输入的ECG信号进行分解,从分解的信号中选用合适的信号来表示关键的心房活动,并将其作为后续的心房分析对象。
步骤S200对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置。
特征点检测是指检测心电信号ECG中的Q峰、R峰和S峰。
先确定R峰位置,在R峰位置确定后,分别向前、向后加窗搜索极值点得到Q峰和S峰的位置,窗长建议按心拍长度乘以预设比例设置,预设比例小于0.5。
步骤S300根据Q峰、R峰和S峰的位置,对预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段。
其中,相邻两个R峰之间的信号片段为一个心拍,每个心拍的SQ段为对应心拍中S峰和Q峰之间的信号片段。
截取单一心拍中的SQ段进行后续心房活动的分析,降低了心室活动的干扰。
步骤S400构建SQ模板。
N个有效的正常心律下的SQ段可手动选取,也可通过计算机辅助的聚类等选取。
SQ模板可构建多个,考虑到受试者的个体差异性,任一长程分析中的模板构建不限于一组,可根据实际数据类型设计个性化的模板组,以基于多个模板的集成评估优化检测效果。
步骤S500分别计算每个SQ段与SQ模板之间的相似度指数。
一般,在心室率规则情况下,SQ段长度固定,所以得到的SQ模板长度固定。但在心室率不规则情况下,SQ段长度不固定,所以在计算每个SQ段与SQ模板之间的相似度指数时,有可能存在两个长度不同的序列之间的相似度计算。
若两个序列长度相同,可以直接采用这两个序列的互相关运算的结果作为相似度指数。
若两个序列长度不相同,可以先将两个序列对齐,再根据对齐后的两个序列的相似度指数得到对齐前的两个序列的相似度指数。对齐后的两个序列的相似度指数可以采用对齐后的两个序列的互相关运算的结果作为相似度指数。在对齐后的两个序列的相似度指数的基础上,融合对齐前的两个序列长度的差异带来的相似度损失,得到对齐前的两个序列的相似度指数。
步骤S600遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
本实施例,提供了一种截取心电信号中心房活动的新思路,通过从心电信号中提取SQ段、对SQ段进行信号分析来检测房颤心帕,避免了传统方法(需要截取TQ段)中对准确定位T波终止点的需求。
本实施例提供的相似度评估算法是一种基于单心拍的相似度评估方法,有利于实现对短时发作的阵发性房颤片段的检测。该相似度评估算法可以推广至其他不同类型的生理信号分类场景中。
在一个实施例中,采用小波变换对原始心电信号进行预处理包括:
步骤S110对原始心电信号进行中值滤波处理,然后选用二次样条小波作为小波基函数对中值滤波后的信号进行小波分解;
步骤S111选用小波分解后的第四层近似分量进行重构,将得到的重构信号作为预处理后的心电信号。
具体地,中值滤波处理可去除原始心电信号中的基线干扰。对中值滤波后的信号进行小波分解,由于心房活动主要分布在小波分解后的第四层近似分量,故选用第四层近似分量进行重构,将得到的重构信号作为进行后续心房活动分析的对象。这样可以进一步降低心室活动的干扰,使分析对象尽可能体现心房活动。
比如,经过小波分解后信号X分解成D1+D2+D3+D4+A4,其中D1~4代表高频部分,A4代表低频部分。其中A4是第四层近似分量,根据A4重构出信号X’,将信号X’作为后续的分析对象。
在一个实施例中,步骤S500中每个SQ段与SQ模板之间的相似度指数的计算包括:
步骤S510利用动态时间规整算法将SQ段与SQ模板对齐,得到对齐后的SQ段与对齐后的SQ模板;
步骤S520计算对齐后的SQ段与对齐后的SQ模板之间的相似度指数,将其记为对齐相似度指数;
步骤S530根据SQ段的长度和SQ模板的长度,计算相似度损失;
步骤S540将对齐相似度指数加上相似度损失,得到SQ段与SQ模板之间的相似度指数。
具体地,动态时间归整(Dynamic Time Warping,简称DTW)算法,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、较为经典的一种算法。本实施例将其用于非定长的SQ段与固定长度的SQ模板的匹配。
计算aSQi与aSQt的相似度指数aSI;计算因序列长度的差异性引入的相似度损失,相似度损失值<=0。若两个序列长度相等,则相似度损失为0。两个序列的长度相差越大,则相似度损失的绝对值越大。aSI加上相似度损失等于SQi与模板之间的相似度指数。
利用动态时间规整算法,对任意非定长的时序信号针对进行了自适应的序列对齐,避免了常规的模板匹配操作需要选取基准点以及固定序列长度的问题。在相似度指数的量化中,考虑了房颤发作时的心率变化,通过融合序列长度的差异性,弥补了单一的动态时间规整算法对时限因素的忽视。
在一个实施例中,步骤S520包括:
步骤S521按照预设分割系数分别对对齐后的SQ段与对齐后的SQ模板进行分割,得到对应的弱心房活动段和强心房活动段;
步骤S522对对齐后的SQ段的弱心房活动段与对齐后的SQ模板的弱心房活动段进行互相关运算,得到弱心房活动段的相似度指数;
步骤S523对对齐后的SQ段的强心房活动段与对齐后的SQ模板的强心房活动段进行互相关运算,得到强心房活动段的相似度指数;
步骤S520对弱心房活动段的相似度指数和强心房活动段的相似度指数进行加权处理,得到对齐后的SQ段与对齐后的SQ模板之间的相似度指数。
对aSQi进行分割,选取各aSQi中靠近当前R峰的信号片段为强心房活动段,以强化对于心房活动的分析,具体如下:
aSQfi=aSQi[1:(w1*len)]
aSQbi=aSQi[(w1*len):len]
其中,w1为信号分割系数,1代表第1个采样点,len为对齐后的aSQi序列长度,aSQfi为aSQi中弱心房活动段,aSQbi为aSQi中强心房活动段。
对对齐后的SQ模板aSQt也进行类似分割,得到对应的强心房活动段aSQbt和弱心房活动段aSQft。
对强心房活动段aSQbi和aSQbt进行互相关运算,将结果作为强心房活动段的相似度指数SIb;对弱心房活动段aSQfi和aSQft进行互相关运算,将结果作为弱心房活动段的相似度指数SIf;根据SIf和SIb计算aSI,比如aSI=wf*SIf+wb*SIb,wf、wb分别为第一权重和第二权重。通过设置wb>wf,可以强化强心房活动段在整体评估中的占比。
在一个实施例中,根据以下公式计算相似度损失d:
在一个实施例中,在获得每个SQ段与SQ模板之间的相似度指数之后还包括:
将所有的相似度指数按时间顺序排列,得到第一序列SI1;
对第一序列进行平滑处理,得到第二序列SI2;
遍历第二序列的每个相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
具体地,对得到的第一序列SI1进行平滑等处理后,再根据预设阈值检测出房颤心拍。为了降低单一偏差对房颤心拍判读的影响,可对相似度指数序列进行平滑滤波处理,或综合序列的波动性分析(例如,熵)进行房颤心拍的判定。
基于同一发明构思,本发明实施例还提供一种房颤心拍检测装置,该装置被设计成执行前述任一实施例的房颤心拍检测方法。
在本发明的一个实施例中,如图2所示,一种房颤心拍检测装置,包括:
预处理模块100,用于对原始心电信号进行预处理;
特征点检测模块200,用于对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置;
SQ提取模块300,用于根据Q峰、R峰和S峰的位置,对预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段,心拍为相邻两个R峰之间的信号片段,SQ段为心拍中S峰和Q峰之间的信号片段;
模板生成模块400,用于从获得的SQ段中选出N个有效的正常心律下的SQ段,并根据N个SQ段构建SQ模板;
相似度计算模块500,用于分别计算每个SQ段与SQ模板之间的相似度指数;
后处理模块600,用于遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
在一个实施例中,预处理模块还用于采用小波变换或经验模态分解或数字滤波对原始心电信号进行预处理。
在一个实施例中,预处理模块包括小波分解单元;
小波分解单元,用于对原始心电信号进行中值滤波处理,然后选用二次样条小波作为小波基函数对中值滤波后的信号进行小波分解;选用小波分解后的第四层近似分量进行重构,将得到的重构信号作为预处理后的心电信号。
在一个实施例中,相似度计算模块包括:
时间规整单元,用于利用动态时间规整算法将SQ段与SQ模板对齐,得到对齐后的SQ段与对齐后的SQ模板;
相似度计算单元,用于计算对齐后的SQ段与对齐后的SQ模板之间的相似度指数,将其记为对齐相似度指数;根据SQ段的长度和SQ模板的长度,计算相似度损失;将对齐相似度指数加上相似度损失,得到SQ段与SQ模板之间的相似度指数。
在一个实施例中,相似度计算单元中对齐后的SQ段与对齐后的SQ模板之间的相似度指数计算包括:
按照预设分割系数分别对对齐后的SQ段与对齐后的SQ模板进行分割,得到对应的弱心房活动段和强心房活动段;
对对齐后的SQ段的弱心房活动段与对齐后的SQ模板的弱心房活动段进行互相关运算,得到弱心房活动段的相似度指数;
对对齐后的SQ段的强心房活动段与对齐后的SQ模板的强心房活动段进行互相关运算,得到强心房活动段的相似度指数;
对弱心房活动段的相似度指数和强心房活动段的相似度指数进行加权处理,得到对齐后的SQ段与对齐后的SQ模板之间的相似度指数。
在一个实施例中,相似度计算单元中相似度损失d根据以下公式计算:
其中,wd为第三权重,leni为SQi段的长度,lent为SQ模板的长度,fs为信号采样率。
在一个实施例中,后处理单元还用于:
将所有的相似度指数按时间顺序排列,得到第一序列;
采用中值滤波对第一序列进行平滑处理,得到第二序列;
遍历第二序列的每个相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
在本发明的一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可实现如前述实施例记载的房颤心拍检测方法。也即是,当前述本发明实施例对现有技术做出贡献的技术方案的部分或全部通过计算机软件产品的方式得以体现时,前述计算机软件产品存储在一个计算机可读存储介质中。计算机可读存储介质可以为任意可携带计算机程序代码实体装置或设备。譬如,计算机可读存储介质可以是U盘、移动磁盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器等。
本发明还提供一个具体实施场景示例,将本申请提供的房颤心拍检测装置用于长程心电信号的分析。
本实施例的心电数据是来自公开的MIT-BIH房颤数据库。该数据库中每条记录包含了两个通道的数据,每条记录的时长约为10h,采样频率是250Hz。本实施例选用了其中一条记录的第一通道数据。整体工作流程如图3所示,具体如下:
(1)对原始ECG信号进行预处理。
首先,统一将原始ECG信号重采样至360Hz,并利用中值滤波去除基线干扰,然后选用二次样条小波作为小波基函数对信号进行5层分解。基于分解结果做各特征点(R峰、Q峰和S峰)检测,如图4所示。其中,前一个R峰至当前R峰的信号片段为当前心拍,Q峰和S峰是在确定R峰位置后,分别向前、向后加窗搜索极值点得到,窗长为当前心拍长度的0.25。图4中,横坐标为样本点数,纵坐标为ECG信号小波分解后基于第四层近似分量重构的幅值,其中,虚线框为各心拍片段的SQ段。
考虑到心房活动主要分布在第四层近似分量,选用第四层近似系数重构的信号进行后续心房活动的截取和分析。
(2)分割任一心拍的SQ段,并手动选取8个正常心律下连续的SQ段用于计算模板结果如图5所示。图5中,横坐标为样本点数,纵坐标为ECG心拍小波分解后基于第四层近似分量重构的幅值,其中,加粗的波形为计算后得到的平均模板,其余为各心拍的SQ段信号。
首先利用动态时间规整算法对齐待分析SQ段与模板信号,然后以aSQi、aSQt的后2/5序列近似为主要的强心房活动段,即选取w1=0.6,如图6所示。令基于强心房活动段的互相关运算的结果权重为wb=0.7,基于弱心房活动段的互相关运算的结果权重为wf=0.4,时限差异的权重为wd=0.65。图6的横坐标为样本点数,纵坐标为ECG心拍小波分解后基于第四层近似分量重构的幅值。其中,加窗段为靠近R峰的心房活动较集中的部分(即强心房活动段),其余为心房活动较弱的部分(即弱心房活动段)。
(4)对得到的SI1序列进行平滑处理后得到第二序列SI2,以15个连续心拍作为窗长进行滑动中值滤波,结果如图7所示。图7中,图a)为ECG信号波形,纵坐标为ECG信号小波分解后基于第四层近似分量重构的幅值;图b)为实际对应的心律标注情况,其中NSR代表窦性心律,AF代表房颤;图c)为经过平滑处理后得到的SI2序列,纵坐标为最终计算得到的SI值。
设定经验阈值,遍历SI2序列,低于该阈值的数据片段即为检测到的房颤信号。
应当说明的是,上述实施例均可根据需要自由组合。以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种房颤心拍检测方法,其特征在于,包括:
对原始心电信号进行预处理,对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置;
根据所述Q峰、R峰和S峰的位置,对所述预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段,所述心拍为相邻两个R峰之间的信号片段,所述SQ段为所述心拍中S峰和Q峰之间的信号片段;
从获得的SQ段中选出N个有效的正常心律下的SQ段,并根据所述N个SQ段构建SQ模板;
分别计算每个SQ段与所述SQ模板之间的相似度指数;
遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
2.根据权利要求1所述的房颤心拍检测方法,其特征在于,所述的对原始心电信号进行预处理包括:
采用小波变换或经验模态分解或数字滤波对原始心电信号进行预处理。
3.根据权利要求2所述的房颤心拍检测方法,其特征在于,所述采用小波变换对原始心电信号进行预处理包括:
对原始心电信号进行中值滤波处理,然后选用二次样条小波作为小波基函数对中值滤波后的信号进行小波分解;
选用小波分解后的第四层近似分量进行重构,将得到的重构信号作为预处理后的心电信号。
4.根据权利要求1所述的房颤心拍检测方法,其特征在于,所述计算每个SQ段与所述SQ模板之间的相似度指数包括:
利用动态时间规整算法将所述SQ段与所述SQ模板对齐,得到对齐后的SQ段与对齐后的SQ模板;
计算所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数,将其记为对齐相似度指数;
根据所述SQ段的长度和所述SQ模板的长度,计算相似度损失;
将所述对齐相似度指数加上所述相似度损失,得到所述SQ段与所述SQ模板之间的相似度指数。
5.根据权利要求4所述的房颤心拍检测方法,其特征在于,所述的计算所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数,包括:
按照预设分割系数分别对所述对齐后的SQ段与所述对齐后的SQ模板进行分割,得到对应的弱心房活动段和强心房活动段;
对所述对齐后的SQ段的弱心房活动段与所述对齐后的SQ模板的弱心房活动段进行互相关运算,得到所述弱心房活动段的相似度指数;
对所述对齐后的SQ段的强心房活动段与所述对齐后的SQ模板的强心房活动段进行互相关运算,得到所述强心房活动段的相似度指数;
对所述弱心房活动段的相似度指数和所述强心房活动段的相似度指数进行加权处理,得到所述对齐后的SQ段与所述对齐后的SQ模板之间的相似度指数。
7.根据权利要求1所述的房颤心拍检测方法,其特征在于,在获得每个SQ段与所述SQ模板之间的相似度指数之后还包括:
将所有的相似度指数按时间顺序排列,得到第一序列;
采用中值滤波对所述第一序列进行平滑处理,得到第二序列;
所述的遍历所有相似度指数包括:遍历所述第二序列的每个相似度指数。
8.一种房颤心拍检测装置,其特征在于,包括:
预处理模块,用于对原始心电信号进行预处理;
特征点检测模块,用于对预处理后的心电信号进行特征点检测,得到Q峰、R峰和S峰的位置;
SQ提取模块,用于根据所述Q峰、R峰和S峰的位置,对所述预处理后的心电信号按照心拍进行分段,并截取每个心拍的SQ段,所述心拍为相邻两个R峰之间的信号片段,所述SQ段为所述心拍中S峰和Q峰之间的信号片段;
模板生成模块,用于从获得的SQ段中选出N个有效的正常心律下的SQ段,并根据所述N个SQ段构建SQ模板;
相似度计算模块,用于分别计算每个SQ段与所述SQ模板之间的相似度指数;
后处理模块,用于遍历所有相似度指数,将其中低于预设阈值的相似度指数对应的心拍判为房颤心拍。
9.根据权利要求8所述的房颤心拍检测装置,其特征在于,包括
所述预处理模块,还用于采用小波变换或经验模态分解或数字滤波对原始心电信号进行预处理。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:
所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的房颤心拍检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821864.4A CN115177268A (zh) | 2022-07-13 | 2022-07-13 | 一种房颤心拍检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821864.4A CN115177268A (zh) | 2022-07-13 | 2022-07-13 | 一种房颤心拍检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115177268A true CN115177268A (zh) | 2022-10-14 |
Family
ID=83519853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821864.4A Pending CN115177268A (zh) | 2022-07-13 | 2022-07-13 | 一种房颤心拍检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115177268A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
-
2022
- 2022-07-13 CN CN202210821864.4A patent/CN115177268A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
CN116350199B (zh) * | 2023-05-31 | 2023-08-18 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | QRS complex detection in ECG signals using locally adaptive weighted total variation denoising | |
CN110013247B (zh) | 一种心电图p波和t波的检测、区分与定位方法 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN110353665B (zh) | 基于改进的一维U-net的单导心电图信号特征波形检测方法 | |
Zhu et al. | An R-peak detection method based on peaks of Shannon energy envelope | |
Kathirvel et al. | An efficient R-peak detection based on new nonlinear transformation and first-order Gaussian differentiator | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
EP3731748A1 (en) | Detecting atrial fibrillation using short single-lead ecg recordings | |
CN110123304B (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
CN113499079B (zh) | 一种心电图中的房颤检测方法 | |
CN115486854B (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
US20230301581A1 (en) | Fusion signal processing for maternal uterine activity detection | |
Jaswal et al. | QRS detection using wavelet transform | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
Li et al. | A novel approach to phase space reconstruction of single lead ECG for QRS complex detection | |
CN115177268A (zh) | 一种房颤心拍检测方法、装置及存储介质 | |
CN111839498A (zh) | 心电图分析装置及其心电图分析方法 | |
Boucheham et al. | Piecewise linear correction of ECG baseline wander: a curve simplification approach | |
Sabherwal et al. | Aiding the detection of QRS complex in ECG signals by detecting S peaks independently | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
Hu et al. | An approach to QRS complex detection based on multiscale mathematical morphology |
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 |