CN115444430A - 基于转换压缩的r波识别方法、装置、终端及存储介质 - Google Patents
基于转换压缩的r波识别方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115444430A CN115444430A CN202211132083.0A CN202211132083A CN115444430A CN 115444430 A CN115444430 A CN 115444430A CN 202211132083 A CN202211132083 A CN 202211132083A CN 115444430 A CN115444430 A CN 115444430A
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- maximum
- true
- electrocardiosignal
- 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
- A61B5/352—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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于转换压缩的R波识别方法、装置、终端及存储介质。该方法包括:对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;获取高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列;根据极大值序列计算极大值序列阈值,根据极小值序列计算极小值序列阈值,并根据极大值序列阈值和极大值序列的峰值,获得真极大值序列,根据极小值序列阈值和极小值序列的峰值,获得真极小值序列;对真极大值序列和真极小值序列进行极值对匹配,定位R波峰值范围;根据R波峰值范围,在去噪心电信号分量上定位R波峰值位置。本发明能够提高R波峰值的定位速度。
Description
技术领域
本发明涉及心电信号R波识别技术领域,尤其涉及一种基于转换压缩的R波识别方法、装置、终端及存储介质。
背景技术
心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。正常健康的人体心电波形图由P波、QRS波群以及T波组成,其中,P波是心电信号的准周期出现的第一个波,QRS波群由向下的Q波、尖高向上的R波以及与R波相连并向下的S波组成,T波的幅度不应低于同导连R波的1/10。在心电信号中,R波是最明显的特征,确定R波的位置之后,可以以此为基准,寻找其他波形的位置,因此,R波是心电信号检测的关键。
目前进行R波识别的方法有:模板匹配法、神经网络法、差分阈值法和小波变换法,其中,采用小波变换法进行R波定位方法相比其他方法具有更高的R波识别准确率,主要是在分解后得到的高频分量上通过找到小波变换模极大值对,通过该极值对来定位R波的位置。
但是采用小波变换法时,通常该高频分量会经过数据扩展,其数据长度跟原始数据长度相等,这样就会增加检测时间,在R波识别过程中可能对识别速度和识别准确度带来困难。
发明内容
本发明提供了一种基于转换压缩的R波识别方法、装置、终端及存储介质,以解决现有技术中对心电信号R波峰值识别速度慢的问题。
第一方面,本发明提供了一种基于转换压缩的R波识别方法,包括:
对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,所述预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;
获取所述高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,所述极大值序列包括多个极大值,所述极小值序列包括多个极小值,所述极大值和所述极小值均包括位置和峰值;
根据所述极大值序列计算极大值序列阈值,根据所述极小值序列计算极小值序列阈值,并根据所述极大值序列阈值和所述极大值序列的峰值,获得真极大值序列,根据所述极小值序列阈值和所述极小值序列的峰值,获得真极小值序列;
对所述真极大值序列和所述真极小值序列进行极值对匹配,定位R波峰值范围;
根据所述R波峰值范围,在所述去噪心电信号分量上定位R波峰值位置。
第二方面,本发明提供了一种基于转换压缩的R波识别装置,包括:
预处理模块,用于对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,所述预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;
第一极值模块,用于获取所述高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,所述极大值序列包括多个极大值,所述极小值序列包括多个极小值,所述极大值和所述极小值均包括位置和峰值;
第二极值模块,用于根据所述极大值序列计算极大值序列阈值,根据所述极小值序列计算极小值序列阈值,并根据所述极大值序列阈值和所述极大值序列的峰值,获得真极大值序列,根据所述极小值序列阈值和所述极小值序列的峰值,获得真极小值序列;
第一定位模块,用于对所述真极大值序列和所述真极小值序列进行极值对匹配,定位R波峰值范围;
第二定位模块,用于根据所述R波峰值范围,在所述去噪心电信号分量上定位R波峰值位置。
第三方面,本发明提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面任一种可能的实现方式所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面任一种可能的实现方式所述方法的步骤。
本发明提供一种基于转换压缩的R波识别方法、装置、终端及存储介质,与现有技术相比,本发明所采用的高频心电信号分量不需要进行数据扩展,可以降低数据计算量,降低检测时间,降低数据存储空间,并且通过获得真极大值序列和真极小值序列,并进行极值对匹配,粗定位R波峰值位置,再通过计算过零点,映射到心电信号上,精准定位R波峰值位置,进一步提高R波峰值定位的正确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于转换压缩的R波识别方法的实现流程图;
图2是本发明实施例提供的基于转换压缩的R波识别方法的极值序列图;
图3是本发明实施例提供的基于转换压缩的R波识别方法的极值序列图;
图4是本发明实施例提供的基于转换压缩的R波识别方法的极值序列图;
图5是本发明实施例提供的基于转换压缩的R波识别方法的极值序列图;
图6是本发明实施例提供的基于转换压缩的R波识别装置的结构示意图;
图7是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的基于转换压缩的R波识别方法的实现流程图,详述如下:
在S101中,对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,预处理后的心电信号包括高频心电信号分量和去噪心电信号分量。
在本发明实施例中,对待识别的心电信号进行预处理,是为了得到预处理后的心电信号中的高频心电信号分量和去噪心电信号分量。
在一种可能的实现方式中,S101的具体实现流程包括:
根据预设基线漂移频率和心电信号的采样频率,确定心电信号的分解级数;
将心电信号分为N个心电信号分组,获取每个心电信号分组的预设噪声值,其中,N为大于等于2的正整数;
根据分解级数和每个心电信号分组的预设噪声值,对各个心电信号分组的心电信号进行分解,得到低频心电信号分量和高频心电信号分量;
对低频心电信号分量进行扩展,得到基线漂移分量;
重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组心电信号分量,并去除重组心电信号分量中的基线漂移分量,得到去噪心电信号分量。
在本发明实施例中,对待识别的心电信号进行预处理的具体操作过程为:
第一步,对心电信号的采样频率F进行第一次分解,得到第一频率分量对第一频率分量进行第二次分解,得到第二频率分量……对第i频率分量进行第i+1次分解,得到第i+1频率分量其中,i为大于等于2的正整数;当第i+1频率分量小于预设基线漂移频率,对第i+1频率分量停止分解;将心电信号的分解级数L确定为i+1。
举例说明,预设基线漂移频率为2Hz,预先采集的心电信号的采集频率范围为0-360Hz,对心电信号进行分解。当分解级数为8时,此时的频率分量为1.4Hz,此时的频率分量1.4Hz小于预设基线漂移频率2Hz,从而确定信号的分解级数为8级为最合适。此时的频率信号范围为0~1.4Hz。
第二步,获取第一预设值、第二预设值和分组对应的标准差,其中,第一预设值为一固定值,且所有心电信号分组的第一预设值可以是相同的;当第一预设值大于等于该标准差时,将第一预设值确定为每个心电信号分组的预设噪声值;当第一预设值小于该标准差时,将第二预设值确定为每个心电信号分组的预设噪声值。
需要说明的是,第一预设值和第二预设值分别为不同的固定值。
例如:假设心电信号的数据为,D={d1,d2,…,dn},n=2k(k∈N+),将心电信号的数据分为多个分组,其中,每t个心电信号的数据分为一组,需要说明的是为t个不重叠的心电信号的数据,其中,t∈[21,22,…,2k},t可以选为4。从而将整个心电信号的数据分为n/t组。
之后,设心电信号的所有数据的第一预设值为Thr=β×std_mean,其中,β为调节因子,β的范围1.0-2.0。需要说明的是,本发明实施例中,心电信号的所有数据具有相同的第一预设值Thr。
最后,根据第一预设值Thr和目标分组对应的标准差的大小,确定目标分组对应的预设噪声值Δ。具体的,当第一预设值Thr大于或等于目标分组对应的标准差的情况下,则将第一预设值Thr设为目标分组对应的预设噪声值Δ。当第一预设值Thr小于目标分组对应的标准差的情况下,将第二预设值设为分组对应的预设噪声值Δ。具体的,第二预设值可以根据具体情况设定,本发明实施例中,第二预设值可以设为0。
第三步,本发明中采用归一化一维转换压缩的方法,对心电信号的所有分组中的数据进行分解。
首先,根据每个心电信号分组对应的预设噪声值和预设数据扩展模型,对每个心电信号分组内的目标数据进行数据扩展,得到目标扩展数据,其中,目标数据为每个心电信号分组中的任意一个数据。
例如:给定的心电信号的初始行向量D={d1,d2,…,dn},n=2k(k∈N+)为心电信号初始行向量的数据个数,根据上述步骤中确定的预设噪声值Δ,按照预设数据扩展模型,对目标数据进行数据扩展,得到目标扩展数据。
其中,预设数据扩展模型为:
其次,根据预设数据更新模型,对目标扩展数据进行数据更新,得到目标低频信号分量和目标高频信号分量。具体为:
具体的,预设数据更新模型为:
其中,y为目标高频信号分量。
将目标数据通过预设数据扩展模型和预设数据更新模型后,得到相应的目标低频信号分量和目标高频信号分量。得到的相应的目标低频信号分量和目标高频信号分量都分别有固定的存放位置,必须按照相应的位置存放。
其中存储原则为:目标数据si的目标低频信号分量存储于初始行向量的处,目标数据si的目标高频信号分量y存储于初始行向量的处,l1表示当前分解的级数,1≤l1≤L,L为上述步骤的心电信号的分解级数,L≤k。
对每个心电信号分组中的所有数据全部进行数据扩展和数据更新后,得到第一低频信号分量和第一高频信号分量,其中,第一低频信号分量为所有目标低频信号分量的集合,第一高频信号分量为所有目标高频信号分量的集合。
再次,根据预设数据更新模型,对第一低频信号分量中的所有数据进行数据更新,得到第二低频信号分量和第二高频信号分量。
直至对第L-1低频信号分量和第L-1高频信号分量中的所有数据进行第L级数据数据更新后,得到第L低频信号分量和第L高频信号分量。对第L低频信号分量中的所有信号分量按照预设规则进行变换,得到第L低频信号变换分量,将第L低频信号变换分量确定为低频心电信号分量。具体的,经过数据扩展和数据更新后得到的第L低频信号分量中的所有信号分量都是区间值,需要对每个区间值变换,才能得到具体的心电数据。对于第L低频信号分量中的任意一个信号分量,由于信号分量是一个区间的值,需要对区间的值进行变换,可以采用将信号分量的区间2个端点的平均值作为所需的信号数据,并将得到的平均值存储在相应的位置,对第L低频信号分量中的所有信号分量均采用上述方法变换及存储后,得到第L低频信号变换分量。
基于对心电信号的L级分解,得到低频心电信号分量Clow_L和高频心电信号分量Chigh_L;其中,低频心电信号分量Clow_L为第L低频信号分量,高频心电信号分量Chigh_L为第L高频信号分量至第一高频信号分量的集合。
在本发明实施例中,通过设置预设噪声值,通过对心电信号的数据多次进行数据扩展和多次数据更新,当时,y=0,即当前级分解得到的目标高频信号分量为0,通过L级分解,从而得到了去除小于预设噪声值的高频心电信号分量。
例如:给定的心电信号的初始行向量中有8192个数据,如果对心电信号进行8次分解,则得到的低频心电信号分量Clow_L的数据个数为8192/28,即32个低频心电信号分量。得到的高频心电信号分量Chigh_L的个数为8160个。其中,8160个高频心电信号分量Chigh_L中包含了数值为0的高频心电信号分量。此时得到的高频分量分别由第一级高频分量、第二级高频分量、第三级高频分量、第四级高频分量、第五级高频分量、第六级高频分量、第七级高频分量、第八级高频分量组成。一至八级高频分量数据量分别为:4096、2048、1024、512、256、128、64、32。
然后对得到的低频心电信号分量Clow_L进行数据扩展,即可得到基线漂移分量P。具体的,基于三次样条插值算法,对得到的低频心电信号分量Clow_L进行数据扩展,得到与预先采集的心电信号长度相同的基线漂移P1,最终得到相应的基线漂移
最后基于上述对心电信号的L级分解,对得到的低频心电信号分量Clow_L和高频心电信号分量Chigh_L的组合分量WL进行重构,其中,组合分量WL即为按照上述存储原则存储的低频心电信号分量Clow_L和高频心电信号分量Chigh_L的集合。
具体的,低频心电信号分量Clow_L和高频心电信号分量Chigh_L的组合分量的行向量为WL=[w1,w2,…,wn],可以采用预设重构模型对组合分量WL进行多级重构,得到重组分量R。其中,预设重构模型为:
其中,为第l2级组合分量中存放位置为i的重构数据,为第l2级组合分量中存放位置为i+1的重构数据,。当l2=1时,为元组合分量中存放位置为处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据。当l2=1时,为元组合分量中存放位置在处的数据;当l2>1时,为第l2-1级组合分量中存放位置为处的数据,其中,l2表示当前重构的级数,l2=1,2,…,L,每一级重构时i=1,3,…,m2-1,L为分解级数。
通过采用上述的重构模型对得到的组合分量WL进行重构后,得到去除高频噪声的重组分量R。采用上述步骤中得到的去除高频噪声的重组分量R减去基线漂移P,即可得到去噪心电信号分量。
S101中的预处理操作过程的有益效果为:可以根据获取到的不同心电信号的数据,从而确定不同的预设噪声值,进而通过对心电信号的数据的分解、扩展和重构的处理,即可同时去除心电信号中的基线漂移和高频噪声,缩短计算时间。
在S102中,获取高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,极大值序列包括多个极大值,极小值序列包括多个极小值,极大值和极小值均包括位置和峰值。
在一种可能的实现方式中,获取高频心电信号分量的待检测高频数据序列,可以包括:
根据高频心电信号分量,获取高频心电信号分量中的预设级高频心电信号分量,并将预设级高频心电信号分量作为待检测高频数据序列。
在本发明实施例中,预设级高频心电信号分量定义为第l级高频心电信号分量,其中,l的取值范围为1≤l≤L/2。
取出待检测高频数据序列的过程包括:取出高频心电信号分量中的第l级(1≤l≤L/2)高频心电信号分量Hl作为待检测高频数据序列,其中,该级分量为原始数据长度的因此,在该数据上进行检测,可以降低检测时间。
例如:给定的心电信号的初始行向量中有8192个数据,如果对心电信号进行8次分解,可以得到由低频分量和高频分量的组合分量W。此时得到的高频分量分别由第一级高频分量、第二级高频分量、第三级高频分量、第四级高频分量、第五级高频分量、第六级高频分量、第七级高频分量、第八级高频分量组成。一至八级高频分量数据量分别为:4096、2048、1024、512、256、128、64、32。根据数据存储规则,可以在组合分量W中找出每一级高频分量和低频分量的起始和结束位置。如第一级高频分量的起始和结束位置位于组合分量W的第4097个位置处和第8192个位置处,第二级高频分量的起始和结束位置位于组合分量W的第2049个位置处和第4096个位置处。第三级高频分量的起始和结束位置位于组合分量W的第1025个位置处和第2048个位置处。第四级高频分量的起始和结束位置位于组合分量W的第513个位置处和第1024个位置处。第五级高频分量的起始和结束位置位于组合分量W的第257个位置处和第512个位置处。第六级高频分量的起始和结束位置位于组合分量W的第129个位置处和第256个位置处。第七级高频分量的起始和结束位置位于组合分量W的第65个位置处和第128个位置处。第八级高频分量的起始和结束位置位于组合分量W的第33个位置处和第64个位置处。第八级低频分量的起始和结束位置位于组合分量W的第1个位置处和第32个位置处。
在一种可能的实现方式中,获取高频心电信号分量的待检测高频数据序列的极大值序列,可以包括:
获取待检测高频数据序列的极大值;
从待检测高频数据序列中筛选相邻两个极大值的位置间隔大于预设间隔的极大值构成极大值序列。
在本发明实施例中,设定相邻两个极大值的最小峰值间的位置间隔数为预设间隔g,在待检测高频数据序列上找到位置间隔大于g的极大值,找到的极大值构成极大值序列,由Ma表示极大值序列。其中,预设间隔的表达式为:
其中,g为预设间隔,F为心电信号的采样频率,l为预设级,β为系数。优选的,l=1,β=0.15。
在本发明实施例中,获取高频心电信号分量的待检测高频数据序列的极小值序列的实现方法与获取极大值序列的方法一致,具体过程就不在赘述了。
举例说明,参照图2,图中所有的极大值由波峰①、②、③、④、⑤、⑥、⑦、⑧、⑨组成,坐标位置分别如图所示。所有极小值由波谷Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ组成,坐标位置分别如图所示。由l=1,β=0.15,F=360,得g=27。
以极大值为例,由预设规则可知,对于波峰①,波峰②距离波峰①大于g=27,故波峰①需要保留。然后对于波峰②,在其后的波峰③在范围g=27之内,由于波峰③峰值大于波峰②,故应保留波峰③而删除波峰②,以此保证g=27范围内只能存在一个最大的波峰。同理可以得到波峰④、⑤、⑧需要被保留。由此预设规则可以获得极大值序列Ma,Ma由波峰①、③、④、⑤、⑧组成。
同理可以得到极小值序列Mi,Mi由波谷Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ组成。
在S103中,根据极大值序列计算极大值序列阈值,根据极小值序列计算极小值序列阈值,并根据极大值序列阈值和极大值序列的峰值,获得真极大值序列,根据极小值序列阈值和极小值序列的峰值,获得真极小值序列。
在一种可能的实现方式中,根据极大值序列计算得到极大值序列阈值,可以包括:
去除极大值序列中峰值小于等于零的极大值,并对处理后的极大值序列按照峰值从小到大的顺序进行排序,得到第一极大值序列,去掉第一极大值序列中后n个的极大值,得到第二极大值序列;
对第二极大值序列中后n个极大值求平均,得到第一信号值,对第二极大值序列中前m个极大值求平均,得到第二信号值;
根据第一信号值和第二信号值,计算得到极大值序列阈值。
具体的,根据S102中得到的极大值序列Ma,首先去除Ma中峰值小于等于0的极大值,然后按照峰值从小到大的顺序对处理后的极大值序列进行排序,得到第一极大值序列,再去掉第一极大值序列中的峰值最大的n个极大值,得到第二极大值序列,记为Ma′,每一个极大值Ma′i=(xai,yai),其中,xai为该极大值的位置,yai为该极大值的峰值。这样做的目的是去除一些离散的极大值。
取第二极大值序列Ma′中峰值最大的前n个极大值求平均,得到第一信号值,记为sig,取第二极大值序列Ma′中峰值最小的前m个极大值求平均,得到第二信号值,记为noi,其中,第二信号值也为噪声信号值。根据上述求取的第一信号值和第二信号值,计算极大值序列阈值。
在本发明实施例中,可以将n设为10,可以将m设为5。
其中,极大值序列阈值表达式为:
Thr1=(sig-noi)×α+noi
其中,Thr1为极大值序列阈值,sig为第一信号值,noi为第二信号值,α为系数,优选的,α=0.05。
在本发明实施例中,根据极小值序列计算极小值序列阈值的实现方式和计算极大值序列阈值的方法一致,但是,前提是需要将极小值序列中的极小值取绝对值,获得新极小值序列,具体过程不在叙述。
在一种可能的实现方式中,根据极大值序列阈值和极大值序列的峰值,获得真极大值序列,可以包括:
针对极大值序列中的任一个极大值,若该极大值的峰值大于第一阈值,则将该极大值作为初始真极大值,并将该初始真极大值存入初始真极大值序列;
当初始真极大值序列包括至少三个初始真极大值时,将初始真极大值序列中前两位初始真极大值作为真极大值存入真极大值序列中;
依次针对初始真极大值序列中第二位初始真极大值后的每个初始真极大值,计算该初始真极大值与第一真极大值之间的位置距离,并采用位置距离更新当前平均值,其中,初始真极大值序列中的初始真极大值按照进入初始真极大值序列的时间先后顺序排序,真极大值序列中的真极大值按照进入真极大值序列的时间先后顺序排序,第一真极大值为当前真极大值序列中最后一位真极大值;
若该初始真极大值与第一真极大值之间的位置距离满足第一条件,则确定该初始真极大值为真极大值,并将该初始真极大值存入真极大值序列,其中,第一条件为:
a*avg<d<b*avg;
其中,avg为更新后的当前平均值,d为该初始真极大值与第一真极大值之间的位置距离,a为第一系数,b为第二系数,且a≠b;
若该初始真极大值与第一真极大值之间的位置距离满足第二条件,且该初始真极大值的峰值大于第一真极大值的峰值,且该初始真极大值与第二真极大值之间的位置距离满足第三条件,则确定该初始真极大值为真极大值,并去除第一真极大值,将该初始真极大值存入真极大值序列,其中,第二真极大值为第一真极大值前一顺位的真极大值,第二条件为:
d<a*avg;
第三条件为:
d1<b*avg;
其中,d1为该初始真极大值与第二真极大值之间的位置距离;
若该初始真极大值与第一真极大值之间的位置距离满足第四条件,则在极大值序列中查找位于该初始真极大值与第一真极大值之间的极大值作为目标真极大值,若目标真极大值大于第二阈值,则确定目标真极大值为真极大值,将目标真极大值存入真极大值序列,其中,第二阈值为第一阈值的二分之一,第四条件为:
d≥b*avg;
若该初始真极大值与第一真极大值之间的位置距离满足第五条件,则确定该初始真极大值为真极大值,将该初始真极大值存入真极大值序列,其中,第五条件为:
d>a*avg。
其中,当前平均值为每次更新后的真极大值序列中所有真极大值与其前一顺位真极大值的位置距离之和的平均值。
本发明实施例中,第一阈值为极大值序列阈值,则第二阈值的表达式为:
其中,Thr2为第二阈值。
具体的,如果只采用固定的阈值进行峰值筛选,有可能导致一部分峰值较小的极大值被漏检,或者有可能导致一部分峰值较大的噪声信号值被误认为为极大值。因此需要通过降低阈值,采用漏检机制进行补偿,同时采用位置距离d作为进一步判断极大值的依据。具体步骤如下:
针对极大值序列Ma中的任一个极大值,若该极大值大于第一阈值Thr1,则将该极大值作为初始真极大值,存入初始真极大值序列M0,M0由位置序列和峰值序列组成,否则不存储。
当初始真极大值序列M0中有3个及以上的初始真极大值时,将初始真极大值序列中前两位初始真极大值作为真极大值存入真极大值序列M中。
依次针对初始真极大值序列中第二位初始真极大值后的每个初始真极大值,计算该初始真极大值与第一极大值之间的位置距离,并求出该位置距离的平均值avg。
若a*avg<d<b*avg,则确定该初始真极大值为真极大值,将该初始真极大值存入极大值序列M,并更新当前平均值avg,否则不存储到M中;
若d<a*avg,且该初始真极大值的峰值大于第一真极大值的峰值,且d1<b*avg,则确定该初始真极大值为真极大值,将该初始真极大值存入真极大值序列M,并更新当前平均值avg,否则不存储到M中,该步骤可以降低误检率;
若d≥b*avg时,说明有漏检,则需要在极大值序列中查找位于该初始真极大值与第一真极大值之间的目标真极大值,若目标真极大值大于第二阈值,则确定目标真极大值为真极大值,将目标真极大值存入真极大值序列M,并更新当前平均值avg,否则不存储到M中;其中,若时,同样适用于该步骤;
若d>a*avg,则确定该初始真极大值为真极大值,将该初始真极大值存入真极大值序列M,并更新当前平均值avg,否则不存储到M中,该步骤也可以降低漏检。
在本发明实施例中,根据极小值序列阈值和极小值序列的峰值,获得真极小值序列的实现方式与真极大值序列的获取方式一致,但是,前提需要对极小值序列中的极小值取绝对值,获得新极小值序列,具体实现过程就不在详细赘述。
举例说明,以极大值序列为例,参照图3,每一个极大值的坐标如图所示。
首先根据阈值选取方法,可得到极大值序列Ma的信号大小sig=0.3030,噪声大小noi=0.0283,由第一阈值公式Thr1=(sig-noi)×α+noi,α=0.05,得,Thr1=0.042,
然后,根据获得初始真极大值序列,可知波峰①峰值大于第一阈值Thr1,说明当前波峰①是初始真极大值,需要存储到真极大值序列M中;然后判断波峰②,也是初始真极大值,需要将其存储到真极大值序列M中,此时M中已经有两个真极大值,因此需要计算出其位置距离的平均值,可得avg=(226-60)/1=166;然后判断波峰③:此时波峰③大于第一阈值Thr1,为初始真极大值,其与M序列最后一个真极大值的位置距离d=390-226=164,满足条件0.4*avg<d<1.5*avg,因此判定当前波峰③是真极大值,需要将其存储到M序列中,此时M序列中有3个极大值,也就是两个位置距离差值,因此需要更新然后判断波峰④,由于其数值小于第一阈值Thr1,因此波峰④不是初始真极大值,不将其存储到M序列中,不更新avg;然后判断波峰⑤,其数值大于第一阈值Thr1,为初始真极大值,并且其位置距离d=695-390=305,满足条件d≥1.5*avg或者即满足第四条件,说明有漏检,需要在波峰⑤之前,M序列最后一个波峰③之后重新查找,此时需将阈值降低一半,即采用第二阈值Thr2=0.021进行检测,此时检测到波峰④,由于波峰④的数值大于第二阈值Thr2,因此需将波峰④存储到M序列中,更新avg=161.33,接着判断波峰⑤,其位置距离d=695-544=151,满足d>0.4*avg,因此波峰⑤为真极大值,将其存储到M序列中,更新avg=158.75;然后判断波峰⑥,其数值小于第一阈值Thr1,因此其不是初始真极大值,不保存到M序列中,不更新avg;然后判断波峰⑦,其满足0.4*avg<d<1.5*avg,因此波峰⑦为真极大值,将其存储到M序列中,更新avg=156.4;然后判断波峰⑧,其满足0.4*avg<d<1.5*avg,因此波峰⑧为真极大值,将其存储到M序列中,更新avg=149;然后判断波峰⑨,其阈值大于Thr1,为初始真极大值,其与M序列最后一个波峰⑧之间的位置距离d=984-954=30,满足d≤0.4*avg,且波峰⑨大于M序列最后的波峰⑧,且波峰⑨与M序列最后第2个波峰⑦的位置距离为142,其位置距离小于1.5*avg,因此满足d<0.4*avg,且d1<1.5*avg,因此需要用波峰⑨替换掉M序列中的最后一个波峰⑧,并更新avg=154;然后判断波峰⑩,其数值大于第一阈值Thr1,为初始真极大值,其位置距离d=1042-984=58,满足d≤0.4*avg,但是其数值小于M序列最后的波峰⑨,故当前波峰⑩不能替换波峰⑨,不用存储到M中。
由以上步骤可以得到极大值序列Ma的真极大值序列M,其由波峰①、②、③、④、⑤、⑦、⑨组成。同理也可以对极小值序列Mi做同样处理得到其真极小值序列V。
在S104中,对真极大值序列和真极小值序列进行极值对匹配,定位R波峰值范围。
在一种可能的实现方式中,S104的具体实现流程包括:
根据真极大值序列中极大值的位置和真极小值序列中极小值的位置,判断相邻的极大值和极小值之间的距离是否小于给定阈值;
若相邻的极大值和极小值之间的距离小于给定阈值,则将相邻的极大值和极小值作为一对极值对;
分别对每对极值对计算斜率,若存在一对极值对的斜率大于预设阈值,则确定该极值对为真极值对;
根据真极值对,定位R波峰值范围。
在本发明实施例中,定位R波峰值范围包括两个步骤:
第一步,根据真极大值序列和真极小值序列,若相邻的极大值和极小值之间的距离小于给定阈值Thr3,则确定为一对可匹配的极值对,这样可以去掉孤立的极值点。据此可获得匹配的极值对组合[Pl,Pr],Pl=[Pl(1),Pl(2),…,Pl(i),…,Pl(k)],Pr=[Pr(1),Pr(2),…,Pr(i),…,Pr(k)],每一个极值对Pl(i)=(locl(i),pksl(i)),Pr(i)=(locr(i),pksr(i)),其中坐标(locl(i),pksl(i))和(locr(i),pksr(i))分别代表第i个极值对的极大值和极小值的坐标,locl(i)和locr(i)是横坐标,代表峰值的位置,pksl(i)和pksr(i)是纵坐标,代表峰值的大小,k为极值对的个数。
其中,给定阈值的表达式为:
其中,Thr3为给定阈值。
举例说明,参照图4,真极大值序列M(真极大值点分别为①、②、③)和真极小值序列V(真极小值点分别为I、II)构成的极值序列图。
极小值I和极大值①,并且二者之间的位置距离为8,小于给定阈值因此极小值I和极大值①可以匹配,由此可以获得极值对组合[Pl,Pr],Pl对应极小值I,Pr对应极大值①;对于极大值①和极大值②,因为二者都是极大值,因此不能匹配。对于极大值②和极小值II,二者分别是极大值和极小值,但是二者的位置距离为49,其大于给定阈值Thr3,二者不能匹配,因此可以去除孤立的极大值②;对于极小值II和极大值③,二者分别是极小值和极大值,并且二者之间的位置距离为8,小于给定阈值Thr3,可以匹配,由此可以获得极值对组合[Pl,Pr],Pl对应极小值II,Pr对应极大值③。
第二步,以斜率作为判据,去掉伪极值对。其中,每一个极值对的斜率的计算公式为:
其中,slope(i)为每一个极值对的斜率。
对于前A个极值对,预设阈值设置为第一预设阈值,对于剩下的极值对,预设阈值设置为第二预设阈值,则判定该极值对为真极值对,保留真极值对组合[P′l,P′r]。
根据上述步骤可得到最终的极值对组合[P′l,P′r],P′l=[P′l(1),P′l(2),…,P′l(i),…,P′l(g)],P′r=[P′r(1),P′r(2),…,P′r(i),…,P′r(g)],每一个极值对P′l(i)=(loc′l(i),pks′l(i)),P′r(i)=(loc′r(i),pks′r(i)),其中坐标(loc′l(i),pks′l(i))和(loc′r(i),pks′r(i))分别代表第i个极值对的极大值和极小值的坐标,loc′l(i)和loc′r(i)是横坐标,代表峰值的位置,pks′l(i)和pks′r(i)是纵坐标,代表峰值的大小,g为极值对的个数。由[P′l,P′r]可得每一个极值对的位置坐标[loc′l(i),loc′r(i)]。
通过在高频心电信号分量上确定的每一个极值对位置[loc′l(i),loc′r(i)],可以得到每一个R波峰值在原始数据或者去噪心电信号分量上的对应位置范围为[pos1(i),posr(i)]=2L×[loc′l(i),loc′r(i)]。
举例说明,参照图5,图为根据位置距离匹配后获得的极值对,图中极大值①和极小值I匹配、极大值②和极小值II匹配、极大值③和极小值III匹配,极大值④和极小值IV匹配、极大值⑤和极小值V匹配、极大值⑥和极小值VI匹配,极大值⑦和极小值VII匹配。
接下来需要根据斜率去掉伪极值对。根据斜率计算公式可求得初始阈值:
逐一判断极值对是否是真极值对。首先判断第一对极值对:极大值①和极小值I,其斜率为0.009425,其数值大于第一预设阈值Thr4,故第一对极值对是真极值对,要存储到真极值对[P′l,P′r]中;接着判断第二对极值对:极大值②和极小值II,其斜率为0.008154,其数值大于第一预设阈值Thr4,故第二对极值对是真极值对,要存储到真极值对[P′l,P′r]中;接着判断第三对极值对:极大值③和极小值III,其斜率为0.009717,其数值大于第一预设阈值Thr4,故第三对极值对是真极值对,要存储到真极值对[P′l,P′r]中;接着判断第四对极值对:极大值④和极小值IV,其斜率为0.011492,此时真极值中已经有三个极值对,因此需要根据最新的三个极值对计算出第二预设阈值此时斜率大于第二预设阈值Thr5,故第四对极值对是真极值对,要存储到真极值对[P′l,P′r]中;接着判断第五对极值对:极大值⑤和极小值V,其斜率为0.02404,此时第二预设阈值Thr5=0.003263,此时斜率大于第二预设阈值Thr5,故第五对极值对是真极值对,要存储到真极值对[P′l,P′r]中;接着判断第六对极值对:极大值⑥和极小值VI,其斜率为0.002828,此时第二预设阈值Thr5=0.004453,此时斜率小于第二预设阈值Thr5,故第六对极值对不是真极值对,不需要存储到真极值对[P′l,P′r]中;接着判断第七对极值对:极大值⑦和极小值VII,其斜率为0.006483,此时第二预设阈值Thr5=0.004453,此时斜率大于第二预设阈值Thr5,故第七对极值对是真极值对,需要存储到真极值对[P′l,P′r]中。故经过此步骤可以去除伪极值对,如极大值⑥和极小值VI,得到真极值对:极大值①和极小值I、极大值②和极小值II、极大值③和极小值III,极大值④和极小值IV、极大值⑤和极小值V、极大值⑦和极小值VII。根据真极值对中极大值和极小值的位置可以在高频心电信号分量上确定每一个极值对的位置[loc′l(i),loc′r(i)],比如第一个极值对的位置为[35,47],第二个极值对的位置为[212,225],第三个极值对的位置为[387,399]。然后可以得到每一个R波峰值在原始数据或者去噪心电信号分量上的对应位置范围为[posl(i),posr(i)]=2L×[loc′l(i),loc′r(i)],比如上述位置从第一级高频系数的位置对应到原始心电信号或者去噪心电信号的位置分别为:[70,94],[424,450],[774,798]。
在S105中,根据R波峰值范围,在去噪心电信号分量上定位R波峰值位置。
在本发明实施例中,可以在去噪心电信号分量或者原始心电信号的每一个位置范围[posl(i),posr(i)]上,找到该范围内绝对值最大的那个位置就是R波峰值的位置。该位置也就是在去噪心电信号分量或者原始心电信号上的R波峰值位置。
比如,在去噪心电信号分量上查找,如果在[70,94]范围内,绝对值最大的位置在80处,那么位置80就是R波峰值的准确位置。
本发明提供一种基于转换压缩的R波识别方法,与现有技术相比,本发明所采用的高频心电信号分量不需要进行数据扩展,可以降低数据计算量,降低检测时间,降低数据存储空间,并且通过获得真极大值序列和真极小值序列,并进行极值对匹配,粗定位R波峰值位置,再通过计算过零点,映射到心电信号上,精准定位R波峰值位置,进一步提高R波峰值定位的正确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图6示出了本发明实施例提供的基于转换压缩的R波识别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图6所示,基于转换压缩的R波识别装置7包括:
预处理模块61,用于对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;
第一极值模块62,用于获取高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,极大值序列包括多个极大值,极小值序列包括多个极小值,极大值和极小值均包括位置和峰值;
第二极值模块63,用于根据极大值序列计算极大值序列阈值,根据极小值序列计算极小值序列阈值,并根据极大值序列阈值和极大值序列的峰值,获得真极大值序列,根据极小值序列阈值和极小值序列的峰值,获得真极小值序列;
第一定位模块64,用于对真极大值序列和真极小值序列进行极值对匹配,定位R波峰值范围;
第二定位模块65,用于根据R波峰值范围,在去噪心电信号分量上定位R波峰值位置。
本发明提供一种基于转换压缩的R波识别装置,与现有技术相比,本发明所采用的高频心电信号分量不需要进行数据扩展,可以降低数据计算量,降低检测时间,降低数据存储空间,并且通过获得真极大值序列和真极小值序列,并进行极值对匹配,粗定位R波峰值位置,再通过计算过零点,映射到心电信号上,精准定位R波峰值位置,进一步提高R波峰值定位的正确度。
在一种可能的实现方式中,预处理模块具体用于:
根据预设基线漂移频率和心电信号的采样频率,确定心电信号的分解级数;
将心电信号分为N个心电信号分组,获取每个心电信号分组的预设噪声值,其中,N为大于等于2的正整数;
根据分解级数和每个心电信号分组的预设噪声值,对各个心电信号分组的心电信号进行分解,得到低频心电信号分量和高频心电信号分量;
对低频心电信号分量进行扩展,得到基线漂移分量;
重构低频心电信号分量和高频心电信号分量,得到去除高频噪声的重组心电信号分量,并去除重组心电信号分量中的基线漂移分量,得到去噪心电信号分量。
在一种可能的实现方式中,第一极值模块可以用于:
根据高频心电信号分量,获取高频心电信号分量中的预设级高频心电信号分量,并将预设级高频心电信号分量作为待检测高频数据序列。
在一种可能的实现方式中,第一极值模块还可以用于:
获取所检测高频数据序列的极大值;
从待检测高频数据序列中筛选相邻两个极大值的位置间隔大于预设间隔的极大值构成极大值序列。
在一种可能的实现方式中,第二极值模块可以用于:
去除极大值序列中峰值小于等于零的极大值,并对处理后的极大值序列按照峰值从小到大的顺序进行排序,得到第一极大值序列,去掉第一极大值序列中后n个的极大值,得到第二极大值序列;
对第二极大值序列中后n个极大值求平均,得到第一信号值,对第二极大值序列中前m个极大值求平均,得到第二信号值;
根据第一信号值和第二信号值,计算得到极大值序列阈值。
在一种可能的实现方式中,第二极值模块还可以用于:
针对极大值序列中的任一个极大值,若该极大值的峰值大于第一阈值,则将该极大值作为初始真极大值,并将该初始真极大值存入初始真极大值序列;
当初始真极大值序列包括至少三个初始真极大值时,将初始真极大值序列中前两位初始真极大值作为真极大值存入真极大值序列中;
依次针对初始真极大值序列中第二位初始真极大值后的每个初始真极大值,计算该初始真极大值与第一真极大值之间的位置距离,并采用位置距离更新当前平均值,其中,初始真极大值序列中的初始真极大值按照进入初始真极大值序列的时间先后顺序排序,真极大值序列中的真极大值按照进入真极大值序列的时间先后顺序排序,第一真极大值为当前真极大值序列中最后一位真极大值;
若该初始真极大值与第一真极大值之间的位置距离满足第一条件,则确定该初始真极大值为真极大值,并将该初始真极大值存入真极大值序列,其中,第一条件为:
a*avg<d<b*avg;
其中,avg为更新后的当前平均值,d为该初始真极大值与第一真极大值之间的位置距离,a为第一系数,b为第二系数,且a≠b;
若该初始真极大值与第一真极大值之间的位置距离满足第二条件,且该初始真极大值的峰值大于第一真极大值的峰值,且该初始真极大值与第二真极大值之间的位置距离满足第三条件,则确定该初始真极大值为真极大值,并去除第一真极大值,将该初始真极大值存入真极大值序列,其中,第二真极大值为第一真极大值前一顺位的真极大值,第二条件为:
d<a*avg;
第三条件为:
d1<b*avg;
其中,d1为该初始真极大值与第二真极大值之间的位置距离;
若该初始真极大值与第一真极大值之间的位置距离满足第四条件,则在极大值序列中查找位于该初始真极大值与第一真极大值之间的极大值作为目标真极大值,若目标真极大值大于第二阈值,则确定目标真极大值为真极大值,将目标真极大值存入真极大值序列,其中,第二阈值为第一阈值的二分之一,第四条件为:
d≥b*avg;
若该初始真极大值与第一真极大值之间的位置距离满足第五条件,则确定该初始真极大值为真极大值,将该初始真极大值存入真极大值序列,其中,第五条件为:
d>a*avg。
在一种可能的实现方式中,第一定位模块具体用于:
根据真极大值序列中极大值的位置和真极小值序列中极小值的位置,判断相邻的极大值和极小值之间的距离是否小于给定阈值;
若相邻的极大值和极小值之间的距离小于给定阈值,则将相邻的极大值和极小值作为一对极值对;
分别对每对极值对计算斜率,若存在一对极值对的斜率大于预设阈值,则确定该极值对为真极值对;
根据真极值对,定位R波峰值范围。
图7是本发明实施例提供的终端的示意图。如图7所示,该实施例的终端7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个基于转换压缩的R波识别方法实施例中的步骤,例如图1所示的S101至S105。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块61至65的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端7中的执行过程。例如,所述计算机程序72可以被分割成图6所示的模块61至65。
所述终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端7可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端7的示例,并不构成对终端7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端7的内部存储单元,例如终端7的硬盘或内存。所述存储器71也可以是所述终端7的外部存储设备,例如所述终端7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于转换压缩的R波识别方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于转换压缩的R波识别方法,其特征在于,包括:
对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,所述预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;
获取所述高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,所述极大值序列包括多个极大值,所述极小值序列包括多个极小值,所述极大值和所述极小值均包括位置和峰值;
根据所述极大值序列计算极大值序列阈值,根据所述极小值序列计算极小值序列阈值,并根据所述极大值序列阈值和所述极大值序列的峰值,获得真极大值序列,根据所述极小值序列阈值和所述极小值序列的峰值,获得真极小值序列;
对所述真极大值序列和所述真极小值序列进行极值对匹配,定位R波峰值范围;
根据所述R波峰值范围,在所述去噪心电信号分量上定位R波峰值位置。
2.根据权利要求1所述的基于转换压缩的R波识别方法,其特征在于,所述对待识别的心电信号进行预处理,得到预处理后的心电信号,包括:
根据预设基线漂移频率和所述心电信号的采样频率,确定所述心电信号的分解级数;
将所述心电信号分为N个心电信号分组,获取每个心电信号分组的预设噪声值,其中,N为大于等于2的正整数;
根据所述分解级数和每个心电信号分组的预设噪声值,对各个心电信号分组的心电信号进行分解,得到低频心电信号分量和高频心电信号分量;
对所述低频心电信号分量进行扩展,得到基线漂移分量;
重构所述低频心电信号分量和所述高频心电信号分量,得到去除高频噪声的重组心电信号分量,并去除所述重组心电信号分量中的所述基线漂移分量,得到所述去噪心电信号分量。
3.根据权利要求1所述的基于转换压缩的R波识别方法,其特征在于,获取所述高频心电信号分量的待检测高频数据序列,包括:
根据所述高频心电信号分量,获取所述高频心电信号分量中的预设级高频心电信号分量,并将所述预设级高频心电信号分量作为所述待检测高频数据序列。
4.根据权利要求3所述的基于转换压缩的R波识别方法,其特征在于,获取所述高频心电信号分量的待检测高频数据序列的极大值序列,包括:
获取所述待检测高频数据序列的极大值;
从所述待检测高频数据序列中筛选相邻两个极大值的位置间隔大于预设间隔的极大值构成极大值序列。
5.根据权利要求1所述的基于转换压缩的R波识别方法,其特征在于,所述根据所述极大值序列计算得到极大值序列阈值,包括:
去除所述极大值序列中峰值小于等于零的极大值,并对处理后的极大值序列按照峰值从小到大的顺序进行排序,得到第一极大值序列,去掉所述第一极大值序列中后n个的极大值,得到第二极大值序列;
对所述第二极大值序列中后n个极大值求平均,得到第一信号值,对所述第二极大值序列中前m个极大值求平均,得到第二信号值;
根据所述第一信号值和所述第二信号值,计算得到极大值序列阈值。
6.根据权利要求5所述的基于转换压缩的R波识别方法,其特征在于,所述根据所述极大值序列阈值和所述极大值序列的峰值,获得真极大值序列,包括:
针对所述极大值序列中的任一个极大值,若该极大值的峰值大于第一阈值,则将该极大值作为初始真极大值,并将该初始真极大值存入初始真极大值序列;
当所述初始真极大值序列包括至少三个初始真极大值时,将所述初始真极大值序列中前两位初始真极大值作为真极大值存入真极大值序列中;
依次针对所述初始真极大值序列中第二位初始真极大值后的每个初始真极大值,计算该初始真极大值与第一真极大值之间的位置距离,并采用所述位置距离更新当前平均值,其中,所述初始真极大值序列中的初始真极大值按照进入所述初始真极大值序列的时间先后顺序排序,所述真极大值序列中的真极大值按照进入所述真极大值序列的时间先后顺序排序,所述第一真极大值为当前真极大值序列中最后一位真极大值;
若该初始真极大值与所述第一真极大值之间的位置距离满足第一条件,则确定该初始真极大值为真极大值,并将该初始真极大值存入真极大值序列,其中,所述第一条件为:
a*avg<d<b*avg;
其中,avg为更新后的当前平均值,d为该初始真极大值与所述第一真极大值之间的位置距离,a为第一系数,b为第二系数,且a≠b≠0;
若该初始真极大值与所述第一真极大值之间的位置距离满足第二条件,且该初始真极大值的峰值大于所述第一真极大值的峰值,且该初始真极大值与第二真极大值之间的位置距离满足第三条件,则确定该初始真极大值为真极大值,并去除所述第一真极大值,将该初始真极大值存入真极大值序列,其中,所述第二真极大值为所述第一真极大值前一顺位的真极大值,所述第二条件为:
d<a*avg;
所述第三条件为:
d1<b*avg;
其中,d1为该初始真极大值与所述第二真极大值之间的位置距离;
若该初始真极大值与所述第一真极大值之间的位置距离满足第四条件,则在所述极大值序列中查找位于该初始真极大值与所述第一真极大值之间的极大值作为目标真极大值,若所述目标真极大值大于第二阈值,则确定所述目标真极大值为真极大值,将所述目标真极大值存入真极大值序列,其中,所述第二阈值为所述第一阈值的二分之一,所述第四条件为:
d≥b*avg;
若该初始真极大值与所述第一真极大值之间的位置距离满足第五条件,则确定该初始真极大值为真极大值,将该初始真极大值存入真极大值序列,其中,所述第五条件为:
d>a*avg。
7.根据权利要求1所述的基于转换压缩的R波识别方法,其特征在于,所述对所述真极大值序列和所述真极小值序列进行极值对匹配,定位R波峰值范围,包括:
根据所述真极大值序列中极大值的位置和所述真极小值序列中极小值的位置,判断相邻的所述极大值和所述极小值之间的距离是否小于给定阈值;
若相邻的所述极大值和所述极小值之间的距离小于所述给定阈值,则将相邻的所述极大值和所述极小值作为一对极值对;
分别对每对极值对计算斜率,若存在一对极值对的斜率大于预设阈值,则确定该极值对为真极值对;
根据所述真极值对,定位R波峰值范围。
8.一种基于转换压缩的R波识别装置,其特征在于,包括:
预处理模块,用于对待识别的心电信号进行预处理,得到预处理后的心电信号,其中,所述预处理后的心电信号包括高频心电信号分量和去噪心电信号分量;
第一极值模块,用于获取所述高频心电信号分量的待检测高频数据序列的极大值序列和极小值序列,其中,所述极大值序列包括多个极大值,所述极小值序列包括多个极小值,所述极大值和所述极小值均包括位置和峰值;
第二极值模块,用于根据所述极大值序列计算极大值序列阈值,根据所述极小值序列计算极小值序列阈值,并根据所述极大值序列阈值和所述极大值序列的峰值,获得真极大值序列,根据所述极小值序列阈值和所述极小值序列的峰值,获得真极小值序列;
第一定位模块,用于对所述真极大值序列和所述真极小值序列进行极值对匹配,定位R波峰值范围;
第二定位模块,用于根据所述R波峰值范围,在所述去噪心电信号分量上定位R波峰值位置。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述基于转换压缩的R波识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述基于转换压缩的R波识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211132083.0A CN115444430A (zh) | 2022-09-16 | 2022-09-16 | 基于转换压缩的r波识别方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211132083.0A CN115444430A (zh) | 2022-09-16 | 2022-09-16 | 基于转换压缩的r波识别方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115444430A true CN115444430A (zh) | 2022-12-09 |
Family
ID=84305829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211132083.0A Pending CN115444430A (zh) | 2022-09-16 | 2022-09-16 | 基于转换压缩的r波识别方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115444430A (zh) |
-
2022
- 2022-09-16 CN CN202211132083.0A patent/CN115444430A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Sahambi et al. | Using wavelet transforms for ECG characterization. An on-line digital signal processing system | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
CN102247143B (zh) | 一种可集成的心电信号去噪和qrs波识别的快速算法 | |
CN109077714B (zh) | 信号识别方法、装置、设备和存储介质 | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
CN107233093B (zh) | R波的检测方法、装置及电子设备 | |
CN117633696B (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
CN112107310A (zh) | 基于iwt与aga-bp模型的ecg身份识别方法 | |
CN115120248B (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 | |
CN112257518A (zh) | 基于wt与woa-pnn算法的ecg身份识别方法 | |
WO2018120088A1 (zh) | 情感识别模型生成方法及装置 | |
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 | |
CN115444430A (zh) | 基于转换压缩的r波识别方法、装置、终端及存储介质 | |
CN115299959A (zh) | 一种心电信号r波定位方法、装置、终端及存储介质 | |
CN113288158B (zh) | 基线漂移和高频噪声的去除方法、装置和设备 | |
CN114366121B (zh) | 基于数字形态学的双动态阈值心电qrs波检测方法 | |
CN111887836B (zh) | 心电信号的处理方法、装置及设备 | |
Sujan et al. | Performance analysis for the Feature Extraction algorithm of an ECG signal | |
CN112446307A (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
CN113303809B (zh) | 基线漂移和高频噪声的去除方法、装置、设备和存储介质 | |
CN109199361B (zh) | 心电信号数据中r峰时刻的提取方法、存储介质和装置 | |
George et al. | Modelling of Electrocardiogram Using Autoregressive Moving Average Model and Linear Predictive Coefficient A Comparative Study | |
Rahman et al. | A Simple and Robustness Algorithm for ECG R-peak Detection | |
CN113610942B (zh) | 一种脉冲波形分割方法、系统、设备及存储介质 |
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 |