CN115444385A - 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 - Google Patents
基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 Download PDFInfo
- Publication number
- CN115444385A CN115444385A CN202211247015.9A CN202211247015A CN115444385A CN 115444385 A CN115444385 A CN 115444385A CN 202211247015 A CN202211247015 A CN 202211247015A CN 115444385 A CN115444385 A CN 115444385A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- module
- pulse
- wave
- 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.)
- Pending
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 169
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000035939 shock Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 17
- 230000010355 oscillation Effects 0.000 claims abstract description 42
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000003491 array Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000012634 fragment Substances 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000009514 concussion Effects 0.000 claims description 9
- 230000036772 blood pressure Effects 0.000 claims description 8
- 230000016507 interphase Effects 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 206010015856 Extrasystoles Diseases 0.000 claims 1
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method 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
- A61B5/02—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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- 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
- A61B5/72—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
- A61B5/72—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)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，其中，装置包括信号采集模块，房颤诊断模块，本地存储模块，显示模块。信号采集模块获取血压测量过程中的脉搏震荡波。房颤诊断模块的工作依次包括以下步骤：对所获信号滤波去噪、去除基线；提取RR间期序列，由RR间期序列及差值初步定位房颤；提取波谷间期序列，筛除早搏信号；多特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于已提取特征得到多个一维数组，计算出对应指标，得出房颤检测结果。本地存储模块记录脉搏震荡波和房颤检测结果。显示模块实时显示房颤检测结果和波形。本发明能够基于脉搏震荡波检测房颤，对房颤的诊断和治疗有积极意义。
Description
技术领域
本发明属于信号检测及医疗电子技术领域，尤其涉及一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置。
背景技术
心房颤动(Atrial Fibrillation,AF)简称房颤，是一种临床上常见的心律失常疾病，其引起的脑卒中，心脏功能恶化是导致患者致残、致死的重要原因。
临床上，房颤的检测需要患者到医院进行多次长时间的心电图检查，其中心电图检查设备价格高昂，穿戴舒适度低，并且需要医生对心电图结果进一步诊断，这种方法费时费力，还容易受到“检测时未发病，发病时未检测”的影响，对医生和患者造成负担。可穿戴式设备具有便携性，易操作性，舒适性，节约成本的特点，能够很好的解决以上问题。可穿戴式设备通过在日常生活当中实时监测用户的生理信号，并对用户的生理信号进行特征分析，生成用户健康状况的报告，逐渐成为了广大患者的主要选择。目前的房颤检测算法分为深度学习和传统算法两种类型；前者大多都基于各种神经网络，这种算法复杂度高，因此对设备的算力有很高的要求，目前来说并不适用于可穿戴式设备；传统的房颤检测算法在特征选择上大多使用基于RR间期序列及相关衍生参数指标，这种方法在心电信号上较为有效，但不同于心电信号，脉搏震荡波信号在实际测量时会受到心脏射血能力的影响，当房颤发生时，心房发出快速并且不规则的颤动，影响了心脏的射血功能，导致脉搏震荡波的主波峰幅值大幅下降，部分情况下脉搏震荡波主波峰值和前一个脉搏震荡波的重搏波融合，使得基于RR间期序列的房颤检测方法的准确率下降，所以基于RR间期序列的房颤检测方法不能确保在脉搏震荡波上的适用性和准确性，因此提出研究一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，通过在患者合适的身体部位测量脉搏震荡波信号，持续适宜的时间，确保房颤检测的舒适性和易操作性，再提取多种特征参数，生成准确的房颤检测结果，辅助患者对房颤的进行预防和治疗，并为医生提供房颤发生具体情况和诊断依据，这对房颤的预防和治疗有着积极的意义。
发明内容
技术问题：
本发明需要解决对于脉搏震荡波，基于RR间期序列的房颤检测方法不能够确保适用性和准确性的问题，实现以低复杂度的算法提取包括RR间期序列在内的多种特征参数，并基于阈值判断实时检测房颤，最终输出房颤检测结果，辅助患者对房颤的进行预防和治疗，并为医生提供房颤发生具体情况和诊断依据的目标。
技术方案：
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，在完成脉搏震荡波的采集后，对采集到的信号滤波去噪、去除基线；然后对房颤片段进行初步定位，并筛除早搏信号，再对筛除早搏信号的房颤片段进一步提取特征，计算对应指标，得到准确的房颤检测结果，并将房颤检测结果通过显示模块实时显示。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于血压测量脉搏震荡波特征分析的房颤检测方法，包括以下步骤：
S1:在血压测量过程中，获取脉搏震荡波波形信号，对脉搏震荡波信号进行预处理，包括：滤波去噪、去除基线；
S2:对处理好的脉搏震荡波信号进行房颤片段初步定位，用处理好的脉搏震荡波进行峰值点检测，由此得到RR间期序列，并在此基础上计算相邻RR间期差值△RR，计算出异常值△RR的占比，结合阈值判断，初步定位房颤片段；
S3:对初步定位的房颤片段进行下一步的特征点检测，提取出波谷间期序列，计算相邻波谷间期差值，基于波谷间期序列连续异常的心拍个数筛除早搏信号，缩小房颤片段范围；
S4:对筛除早搏的信号进行多特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于所有已提取特征得到的多个一维数组，分别计算相对应指标，结合阈值判断，得出房颤检测结果，具体阈值可按照精度要求进行选取；
S5:将脉搏震荡波和房颤检测结果存储在本地存储模块，并在显示模块上实时显示，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。
进一步地，计算△RR并对其进行时间单位转化，计算△RR大于20ms，并且异常值△RR占比大于75％，计算△RR大于50ms，并且异常值△RR占比大于60％，初步定位房颤片段。
进一步地，计算相邻波谷间期序列差值，对其进行时间单位转化，并设置异常值A，将连续波谷间期序列差值大于A ms的心拍个数记为B，并设置阈值C，根据所需精度来对C进行赋值，当初步定位房颤片段B<C时，判断为早搏信号，对该早搏信号进行筛除；当初步定位房颤片段B≥C时，保留该信号，进行下一步的特征提取。
进一步地，对初步定位房颤信号进行下一步的特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，结合已提取特征波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组
对以上Xi(i＝1,2,3,4,5)计算以下指标，包括：连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1；基于阈值判断，得出房颤检测结果，包括房颤持续时长和发生频率。
其中，
代表间期差分的均方根值；
SD1代表以ΔXi,j为x轴横坐标，ΔXi,j+1为y轴纵坐标描点画图；所得到沿着直线Y＝-X+2*Mean_Xi直线方向上，用于量化庞加莱图形状的庞加莱图短轴。
一个或多个实施例提供了一种基于血压测量脉搏震荡波特征分析的房颤检测装置，包括：信号采集模块，房颤诊断模块，本地存储模块，显示模块。其中房颤诊断模块包括：信号预处理模块，房颤信号初步定位模块，早搏信号筛除模块，房颤信号分析模块。
所述信号采集模块，用于获取血压测量过程中的脉搏震荡波，其采集方法可为示波法；
所述信号预处理模块，获取来自信号采集模块的脉搏震荡波，通过信号调理电路和MCU，将获取的脉搏震荡波滤波去噪、去除基线漂移；
所述房颤信号初步定位模块，采用预处理之后的脉搏震荡波进行特征点检测，提取RR间期序列，基于RR间期序列初步定位房颤；
所述早搏信号筛除模块，基于波谷间期序列差值连续出现异常值的心拍个数，筛除早搏信号；
所述房颤信号分析模块，对筛除早搏信号后的房颤片段，提取主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，结合已提取特征波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组
并在这些一维数组基础之上，计算连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1指标；基于阈值判断，得出房颤诊断结果；
所述本地存储模块，详细记录所采集到的脉搏震荡波信号和房颤检测结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性，辅助患者对房颤的进行预防和治疗，并为医生提供房颤具体情况和诊断依据；
所述显示模块，能够以合适的时间长度实时显示所采集的生理信号，并高亮显示房颤信号片段，对应的房颤检测报告通过报警弹窗的形式呈现，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。便于患者第一时间知晓心脏处于非健康状态，及时针对性地进行就医、治疗。
有益效果：
1.本方法可对血压测量过程中得到的脉搏震荡波进行分析，实时得出房颤检测结果，用户只需要佩戴相关可穿戴式设备，即可完成居家诊断，省时省力、方便快捷。
2.本方法考虑了早搏信号对房颤检测结果的影响，设置了早搏信号筛除模块，避免了因为早搏信号的而引起的误诊现象。
3.在对脉搏震荡波的特征提取阶段，基于脉搏震荡波信号蕴含大量生理信息的特性，提取了多种特征，包括了脉搏震荡波的节律变化和波形形态，相比于仅基于RR间期序列的房颤检测方法，可提高房颤检测的准确率。
4.本方法仅对筛除早搏信号后的房颤片段进行进一步的特征提取，降低了计算任务量，特征提取的算法复杂度低，指标的计算方式简单，可以有效避免移动医疗设备受到算力制约的问题。
5.房颤检测结果详细，统计了房颤的发生次数、发生时间、持续时间、发生频率等，可读性好，更具有参考意义。其本地存储的房颤脉搏震荡波和房颤检测结果能够为医生的诊断提供依据，便于患者针对性地治疗。
附图说明
图1本发明中脉搏震荡波特征分析的房颤检测方法流程图。
图2本发明中脉搏震荡波特征分析的房颤检测装置实例图。
图3本发明中脉搏震荡波房颤诊断模块结构示意图。
图4本发明中脉搏震荡波的特征图。
图5本发明中脉搏震荡波波谷间期序列的特征指标分布箱体图。
图6本发明中脉搏震荡波房颤信号分析模块流程图。
图7本发明中脉搏震荡波房颤检测结果实例图。
具体实施方法
以下结合附图及实施示例，旨在对本发明进行进一步详细说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本实施例提供了一种基于血压测量脉搏震荡波特征分析的房颤检测方法，如图1所示，包括以下步骤：
步骤1：在血压测量过程中，获取脉搏震荡波波形信号，该信号来自可穿戴式血压测量设备，以及其他各种形式设备，包括非接触式血压检测设备；然后对脉搏震荡波信号进行预处理，包括：滤波去噪、去除基线；
步骤2:对处理好的脉搏震荡波信号进行房颤片段初步定位，用处理好的脉搏震荡波进行峰值点检测，由此得到RR间期序列，并在此基础上计算相邻RR间期差值△RR，计算出异常值△RR的占比，初步定位房颤片段；具体为计算△RR大于20ms，并且异常值△RR占比大于75％，计算△RR大于50ms，并且异常值△RR占比大于60％，初步定位房颤片段；
步骤3:对初步定位的房颤片段进行下一步的特征点检测，提取出波谷间期序列，计算相邻波谷间期差值，基于波谷间期序列连续异常的心拍个数筛除早搏信号，缩小房颤片段范围；
步骤4:对筛除早搏的信号进行多特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于所有已提取特征得到的多个一维数组，分别计算相对应指标，包括：连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1；基于各个特征量的4个指标计算值，结合阈值判断得出房颤检测结果，具体阈值可按照精度要求进行选取；
步骤5:将脉搏震荡波和房颤检测结果存储在本地存储模块，并在显示模块上实时显示，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。
实施例2
本实施例提供了一种基于血压测量脉搏震荡波特征分析的房颤检测装置，如图2所示，包括：
信号采集模块1，包括充气式袖带11，气体压力传感器12；用于获取血压测量过程中的脉搏震荡波，采样频率200Hz，每次采集时间持续60s；
房颤诊断模块2，获取来自信号采集模块1的信号，对获取的脉搏震荡波进行房颤诊断，可内置于移动设备或者其他终端；包括：信号预处理模块21，房颤信号初步定位模块22，早搏信号筛除模块23，房颤信号分析模块24，这些模块按照先后顺序依次连接，如图3所示；
所述信号预处理模块21，获取来自信号采集模块的脉搏震荡波，对获取的脉搏震荡波滤波去噪、去除基线处理；
所述房颤信号初步定位模块22，采用预处理之后的脉搏震荡波进行特征点检测，提取RR间期序列，并在此基础上计算相邻RR间期差值△RR，计算出异常值△RR的占比，具体为计算△RR大于20ms，并且异常值△RR占比大于75％；计算△RR大于50ms，并且异常值△RR占比大于60％，初步定位房颤片段；
所述早搏信号筛除模块23，提取波谷间期序列，计算相邻波谷间期序列差值，对其进行时间单位转化，单位毫秒(ms)。设置异常值50ms，将连续相邻波谷间期序列差值大于50ms的心拍个数记为B，并设置阈值心拍个数为6，当初步定位房颤片段B小于6时，判断为早搏信号，对该早搏信号进行筛除；当初步定位房颤片段B大于或等于6时，对信号进行保留，进行下一步特征参数的提取，缩小房颤片段范围；
所述房颤信号分析模块24，对筛除早搏信号后的房颤片段，提取多个特征，如图4所示,包括主波峰高度241，重搏波峰值242,主波峰高度1/5处脉宽243，并结合已提取特征波谷间期序列244，RR间期序列245，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组
并在这些一维数组基础之上，计算以下指标，包括：连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1指标；图5给出了由波谷间期序列特征得出的这4个指标分布的箱形图。这些指标计算结果设置相应阈值，如图6所示，当计算结果超过阈值时，则输出对应房颤结果1/2/3/4；当计算结果未超过阈值时，则直接舍弃对应计算结果；
本地存储模块3，详细记录所采集到的脉搏震荡波信号和房颤检测结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性，辅助患者对房颤的进行预防和治疗，并为医生提供房颤具体情况和诊断依据；
显示模块4，能够以合适的时间长度实时显示所采集的生理信号，并高亮显示房颤信号片段，对应的房颤检测报告通过报警弹窗的形式呈现，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议，如图7所示；便于患者第一时间知晓心脏处于非健康状态，及时针对性地进行就医、治疗。
本发明示例性实施方式的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述示例性实施方式仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，包括以下步骤：
S1:在血压测量过程中，获取脉搏震荡波波形信号，将脉搏震荡波信号进行预处理，包括：滤波去噪、去除基线；
S2:对处理好的脉搏震荡波信号进行房颤片段初步定位，用处理好的脉搏震荡波进行峰值点检测，由此得到RR间期序列，并在此基础上计算相邻RR间期差值ΔRR，计算出异常值ΔRR的占比，结合阈值判断，初步定位房颤片段；
S3:对初步定位的房颤片段进行下一步的特征点检测，提取出波谷间期序列，计算相邻波谷间期差值，基于波谷间期序列连续异常的心拍个数筛除早搏信号，缩小房颤片段范围；
S4:对筛除早搏的信号进行多特征提取，包括：主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于所有已提取特征得到的多个一维数组，分别计算相对应指标，结合阈值判断，得出房颤检测结果，具体阈值按照精度要求进行选取；
S5:将脉搏震荡波和房颤检测结果存储在本地存储模块，并在显示模块上实时显示，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。
2.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，脉搏震荡波信号来自可穿戴式血压测量设备，以及其他各种形式设备，包括非接触式血压检测设备。
3.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，计算ΔRR大于20ms，并且异常值ΔRR占比大于75％，计算ΔRR大于50ms，并且异常值ΔRR占比大于60％，初步定位房颤片段。
4.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，基于脉搏震荡波波谷间期序列差值连续出现异常值的心拍个数，筛除早搏信号，缩小房颤片段范围。
5.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，提取了脉搏震荡波的多个特征，包括：主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组
进行指标计算。
6.根据权利要求5所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，指标包括连续间期差异变化系数CVSD，变异系数CVNNI，相邻间期差大于50ms占总间期比PNNI_50，庞加莱图短轴长SD1；基于阈值判断，得出房颤检测结果，包括房颤持续时长和发生频率；
所述
其中，
代表间期差分的均方根值；
SD1代表以ΔXi,j为x轴横坐标，ΔXi,j+1为y轴纵坐标描点画图；所得到沿着直线Y＝-X+2*Mean_Xi直线方向上，用于量化庞加莱图形状的庞加莱图短轴。
7.基于血压测量脉搏震荡波特征分析的房颤检测装置，其特征在于，包含信号采集模块，房颤诊断模块，本地存储模块，显示模块；其中房颤诊断模块包括：信号预处理模块，房颤信号初步定位模块，早搏信号筛除模块，房颤信号分析模块。
8.根据权利要求7所述的基于血压测量脉搏震荡波特征分析的房颤检测装置，其特征在于，
所述信号采集模块用于获取血压测量过程中的脉搏震荡波；
所述房颤诊断模块包括：信号预处理模块，房颤信号初步定位模块，早搏信号筛除模块，房颤信号分析模块；
所述信号预处理模块，获取来自信号采集模块的脉搏震荡波，将获取的脉搏震荡波滤波去噪、去除基线；
所述房颤信号初步定位模块，采用预处理之后的脉搏震荡波进行特征点检测，基于RR间期序列初步定位房颤；
所述早搏信号筛除模块，基于波谷间期序列差值连续出现异常值的心拍个数，筛除早搏信号，缩小房颤片段范围；
所述房颤信号分析模块，对筛除早搏信号后的房颤片段，提取主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，结合已提取特征波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组
并在这些一维数组基础之上，计算连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1指标；基于阈值判断，得出房颤检测结果；
所述本地存储模块，详细记录所采集到的脉搏震荡波信号和房颤检测结果，具有能满足长时间记录，较大容量存储，方便与其他设备交换数据的特性，辅助患者对房颤的进行预防和治疗，并为医生提供房颤具体情况和诊断依据；
所述显示模块，能够以合适的时间长度实时显示所采集的生理信号，并高亮显示房颤信号片段，对应的房颤检测报告通过报警弹窗的形式呈现，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议；便于患者第一时间知晓心脏处于非健康状态，及时针对性地进行就医、治疗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247015.9A CN115444385A (zh) | 2022-10-12 | 2022-10-12 | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247015.9A CN115444385A (zh) | 2022-10-12 | 2022-10-12 | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115444385A true CN115444385A (zh) | 2022-12-09 |
Family
ID=84308097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211247015.9A Pending CN115444385A (zh) | 2022-10-12 | 2022-10-12 | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115444385A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117316367A (zh) * | 2023-11-27 | 2023-12-29 | 山东中飞科技有限公司 | 一种基于ai的智能化诊断系统及方法 |
| CN118490184A (zh) * | 2024-07-16 | 2024-08-16 | 深圳市捷美瑞科技有限公司 | 基于ppg波形信号和压力脉搏信号的房颤测量方法及装置 |
-
2022
- 2022-10-12 CN CN202211247015.9A patent/CN115444385A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117316367A (zh) * | 2023-11-27 | 2023-12-29 | 山东中飞科技有限公司 | 一种基于ai的智能化诊断系统及方法 |
| CN117316367B (zh) * | 2023-11-27 | 2024-03-19 | 山东中飞科技有限公司 | 一种基于ai的智能化诊断系统 |
| CN118490184A (zh) * | 2024-07-16 | 2024-08-16 | 深圳市捷美瑞科技有限公司 | 基于ppg波形信号和压力脉搏信号的房颤测量方法及装置 |
| CN118490184B (zh) * | 2024-07-16 | 2024-09-27 | 深圳市捷美瑞科技有限公司 | 基于ppg波形信号和压力脉搏信号的房颤测量方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1746932B1 (en) | Apparatus and method for analysis of high frequency qrs complexes | |
| CN115444385A (zh) | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 | |
| EP1885240B1 (en) | Analysis of electrocardiogram signals | |
| US8233970B2 (en) | Method for processing cardioelectric signals and corresponding device | |
| EP3340871B1 (en) | High/low frequency signal quality evaluations of ecg lead signals | |
| EP2051622A2 (en) | Apparatus and method for identifying myocardial ischemia using analysis of high frequency qrs potentials | |
| EP3692902A1 (en) | Method for assessing electrocardiogram signal quality | |
| 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 | |
| WO2007134045A2 (en) | Method and apparatus for extracting optimum holter ecg reading | |
| CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
| CN111839494A (zh) | 一种心率监测方法及系统 | |
| US6223073B1 (en) | Noninvasive method for identifying coronary disfunction utilizing electrocardiography derived data | |
| Magrupov et al. | ECG signal processing algorithms to determine heart rate | |
| Hegde et al. | A review on ECG signal processing and HRV analysis | |
| US20100076329A1 (en) | Method for reducing baseline drift in a biological signal | |
| CN114343666A (zh) | 针对长程心电监测的阵发性房颤扫描方法、系统、存储介质及电子设备 | |
| RU2624809C1 (ru) | Способ обработки электрокардиосигнала для персональных носимых кардиомониторов | |
| Karnewar et al. | Preprocessing ECG signal by eliminating various noises using denoising methods | |
| CN117918856B (zh) | 一种基于新旧刺激BCI范式的iNPH预测方法及设备 | |
| RU2791006C1 (ru) | Система и способ автоматизированного анализа и интерпретации электрокардиограммы | |
| CN116831589A (zh) | 一种长时程可穿戴心电信号的最优导联信号选取方法 | |
| RU2827482C1 (ru) | Способ определения показателей вариативности временных параметров электрокардиографического сигнала | |
| Kot et al. | Using Matlab for Automatic Detection of the ECG Signal Characteristic Features | |
| CN117257321A (zh) | 基于机器学习与高频心电的心肌缺血检测方法及装置 | |
| Mohonta et al. | Cardiac Disorder Detection based on Features Analysis and CNN in GUI from ECG Signals |
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 |