CN115486849A - 心电信号质量评估方法、装置及设备 - Google Patents
心电信号质量评估方法、装置及设备 Download PDFInfo
- Publication number
- CN115486849A CN115486849A CN202110675524.0A CN202110675524A CN115486849A CN 115486849 A CN115486849 A CN 115486849A CN 202110675524 A CN202110675524 A CN 202110675524A CN 115486849 A CN115486849 A CN 115486849A
- Authority
- CN
- China
- Prior art keywords
- signal
- characteristic wave
- quality
- parameter vector
- electrocardiosignals
- 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]
-
- 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
-
- 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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/7203—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
-
- 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)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (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
本申请实施例公开了一种心电信号质量评估方法、装置及设备,涉及心电技术领域,其包括:获取待评估的心电信号,心电信号包含多个特征波信号;提取心电信号的参数向量序列,参数向量序列包括多个用于表征特征波信号的参数向量,每个特征波信号对应一个参数向量;根据参数向量序列,提取心电信号的质量特征;根据质量特征对心电信号进行质量评估,并得到心电信号的质量评估等级。采用上述方法可以解决相关技术中心电信号质量评估的应用范围小且质量评估结果不够直观的技术问题。
Description
技术领域
本申请实施例涉及心电技术领域,尤其涉及一种心电信号质量评估方法、装置及设备。
背景技术
随着社会向老龄化的发展,心血管疾病的发病率和危害性不断上升,心电图作为一种重要的心血管状态检测手段,得到了广泛的应用,如心电图机、心电监护仪、动态心电图仪等医疗设备中均可以利用心电图技术对心电信号进行监测及分析。
随着智能化技术的发展,越来越多的可穿戴设备(如智能手表)中也应用了心电图技术,以随时对人体的心电信号进行监测。然而,相比于医疗设备,可穿戴设备受限于功耗、体积、成本和复杂的使用场景等因素,使得其采集的心电信号的信号质量不太稳定。此时,为了保证后续心电信号分析的准确性,需要先评估所采集心电信号的质量。
相关技术中,可以通过频率分析(如使用快速傅里叶变换、Welch法功率谱计算等频率分析方式)、时域分析(如使用小波分析、经验模式分解等时域分析方式)、非线性分析(如使用李雅普诺夫指数、熵等进行非线性分析)等方式对心电信号进行质量评估。然而,上述频率分析、时域分析以及非线性分析均是反应整段心电信号的一些统计特征,而忽略了心电信号在时域上的具体波形,因此,不能直观反映心电信号的质量评估结果。相关技术中,还可以基于心拍位置匹配的方式对心电信号进行质量评估。然而,上述方式只能应用在心拍检测的相关任务中,无法应用于其他任务(如无法应用于T波幅值测量等任务)。
发明内容
本申请实施例提供了一种心电信号质量评估方法、装置及设备,以解决相关技术中心电信号质量评估的应用范围小且质量评估结果不够直观的技术问题。
第一方面,本申请实施例提供了一种心电信号质量评估方法,包括:
获取待评估的心电信号,所述心电信号包含多个特征波信号;
提取所述心电信号的参数向量序列,所述参数向量序列包括多个用于表征所述特征波信号的参数向量,每个所述特征波信号对应一个参数向量;
根据所述参数向量序列,提取所述心电信号的质量特征;
根据所述质量特征对所述心电信号进行质量评估,并得到所述心电信号的质量评估等级。
第二方面,本申请实施例还提供了一种心电信号质量评估装置,包括:
信号获取模块,用于获取待评估的心电信号,所述心电信号包含多个特征波信号;
参数提取模块,用于提取所述心电信号的参数向量序列,所述参数向量序列包括多个用于表征所述特征波信号的参数向量,每个所述特征波信号对应一个参数向量;
特征提取模块,用于根据所述参数向量序列,提取所述心电信号的质量特征;
质量评估模块,用于根据所述质量特征对所述心电信号进行质量评估,并得到所述心电信号的质量评估等级。
第三方面,本申请实施例还提供了一种心电信号质量评估设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的心电信号质量评估方法。
上述心电信号质量评估方法、装置及设备,通过获取包含多个特征波信号的待评估心电信号,之后,提取待评估的心电信号的参数向量序列,参数向量序列中每个参数向量对应一个特征波信号,之后,根据参数向量序列提取心电信号的质量特征,根据质量特征对心电信号进行质量评估,得到心电信号的质量评估等级的技术方案,解决了相关技术中心电信号质量评估的应用范围小且质量评估结果不够直观的技术问题。通过提取每个特别波信号的参数向量,并根据参数向量提取质量特征,可以实现结合心电信号在时域上的具体波形(即每个特征波信号的波形),得到与波形有关的质量特征,进而得到直观反映心电信号的质量评估结果。并且,可以结合实际需求设置不同的质量评估等级,并根据质量特征得到心电信号所属的质量评估等级,可以满足不同心电信号分析任务的需求,使得心电信号质量评估的应用范围更大、更全面和更细致。
附图说明
图1为本申请一个实施例提供的一种心电信号质量评估方法的流程图;
图2为本申请一个实施例提供的心电信号的第一示意图;
图3为本申请一个实施例提供的心电信号的第二示意图;
图4为本申请一个实施例提供的心电信号的第三示意图;
图5为本申请一个实施例提供的心电信号的第四示意图;
图6为本申请一个实施例提供的心电信号的第五示意图;
图7为本申请一个实施例提供的又一种心电信号质量评估方法的流程图;
图8为本申请一个实施例提供的心电信号的第六示意图;
图9为本申请一个实施例提供的心电信号的第七示意图;
图10为本申请一个实施例提供的心电信号的第八示意图;
图11为本申请一个实施例提供的心电信号的第九示意图;
图12为本申请一个实施例提供的心电信号的第十示意图;
图13为本申请一个实施例提供的心电信号的第十一示意图;
图14为本申请一个实施例提供的心电信号的第十二示意图;
图15为本申请一个实施例提供的心电信号的第十三示意图;
图16为本申请一个实施例提供的心电信号的第十四示意图;
图17为本申请一个实施例提供的心电信号的第十五示意图;
图18为本申请一个实施例提供的一种心电信号质量评估装置的结构示意图;
图19为本申请一个实施例提供的一种心电信号质量评估设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
本申请实施例提供的心电信号质量评估方法可以由心电信号质量评估设备执行,该心电信号质量评估设备可以通过软件和/或硬件的方式实现,该心电信号质量评估设备可以是两个或多个物理实体构成,也可以是一个物理实体构成,实施例对此不作限定。例如,心电信号质量评估设备可以是带有心电图的智能手表、便携式心电监护仪等设备。
示例性的,图1为本申请一个实施例提供的一种心电信号质量评估方法的流程图。参考图1,该心电信号质量评估方法具体包括:
步骤110、获取待评估的心电信号,心电信号包含多个特征波信号。
心脏在搏动前后,心肌发生激动,在心肌激动过程中,会产生微弱的生物电流。此时,心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同,距心脏的距离不同,因此,心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说,这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来,再用放大器加以放大,并用记录器描记下来,就可得到心电图(Electrocardiogram,ECG)。
由于心脏的每次跳动是有规律的,因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一个典型的心拍信号由P波、QRS波群和T波组成,其中,P波表示了心房极化的电活动,QRS波群和T波分别表示了心室极化和复极化的电活动,QRS波群中第一个向下的波为Q波,向上的波为R波,接着向下的波是S波。此时,P波、Q波、R波、S波和T波便可以认为是特征波信号。有时,心拍信号中还会包含U波,U波是T波后0.02s~0.04s出现的宽而低的波。一般而言,一个心电图记录有上十万个心拍信号,一个实施例中,可从心电图中截取包含多个心拍的心电信号,该心电信号包含多个特征波信号。对于心电信号而言,横轴为时间轴,以时间为单位,纵轴为心电信号的强度,以电压来表征,此时,心电信号中每个点均有对应的时间和强度,以表示该点的采集时间以及采集到的电压。在临床中通常将心电信号中T波和S波之间平直段(TS段)延长得到时间轴。
可理解,心电信号质量评估设备对人体体表与心肌激动有关的电信号(模拟信号)采集出来,其中,采集手段实施例不作限定。之后,通过模拟电路对采集的信号进行阻抗匹配、过滤、放大等处理。然后由模数转换器把电信号转化为数字信号,由存储器存储。一般而言,从人体体表采集的电信号是在体表由电极测得的低幅低频微弱生理电信号,其幅度通常在0.1mv-5mv之间,能量集中在0.5Hz-40Hz范围内,非常容易受到环境的影响,受到各种干扰(如肌电干扰、基线漂移和工频干扰等),为了避免干扰的影响,需要对电信号进行预处理。一个实施例中,预处理可包括去除低频噪声和工频噪声、重采样、切割成多段电信号、进行归一化处理。从心电图中截取心电信号后,对心电信号进行预处理,可得到待评估的心电信号。
步骤120、提取心电信号的参数向量序列,参数向量序列包括多个用于表征特征波信号的参数向量,每个特征波信号对应一个参数向量。
参数向量序列由多个参数向量组成,每个参数向量对应心电信号中一个特征波信号或与特征波的时域波形相类似的信号,该参数向量表征特征波信号的不同维度的参数,其与特征波信号在时域上的波形有关。各参数向量按照时间顺序排列后,便可以得到表征心电信号的参数向量序列,即参数向量序列可以认为是心电信号的参数化表示。
参数向量中的参数类型可以根据实际情况进行选择,如参数向量包括特征波信号的幅值、相对于时间轴的偏置、位置信息等参数类型。一个实施例中,进行心电信号质量评估时,参数向量包括:特征波信号的关键点、特征波信号和特征波信号模板的匹配度、特征波信号模板的宽度、特征波信号的位置信息、特征波信号的幅值和特征波信号相对于时间轴的偏置中的一个或多个。一个实施例中,针对每个特征波信号可以设置多个关键点,且相邻的两个关键点在横轴上具有相同的间距,关键点的数量可以根据实际情况设定,实施例对此不作限定。一个实施例中,对每个特征波信号对应的多个关键点进行样条插值计算,可以得到幅值为1、均值为0,且在一定宽度范围内的标准化的特征波信号模板,之后,便可以计算特征波信号模板与特征波信号的匹配度,其中,匹配度用于表示特征波信号模板和特征波信号之间的误差或两者波形的相似度,匹配度越大,误差越小或相似度越大。其中,特征波信号模板的宽度根据心电分析领域的临床先验知识设定,例如,正常P波的宽度小于0.1s,因此,对应的特征波信号模板的宽度应小于0.1s。再如,正常QRS波群宽度为0.06s-0.12s,因此,对应的特征波信号模板的宽度应在0.06s-0.12s之间。一个实施例中,特征波信号的位置信息是指特征波信号上某一点(如纵坐标为极大值的点)在时间轴上的位置信息。一个实施例中,特征波信号的幅值是指特征波信号的最高点与最低点之间纵坐标的差值,即指特征波信号上最大电压值与最小电压值的差值。一个实施例中,特征波信号相对于时间轴的偏置是指特征波信号的均值所在的位置的纵坐标。
一个实施例中,参数向量序列可以通过确定的参数化模型得到。其中,参数化模型用于将心电信号参数化,以得到各参数向量中的参数。参数化模型可以通过大量心电信号样本训练得到。心电信号样本为用于训练参数化模型的心电信号。确定参数化模型时,参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息,可选的,关键点的相对位置信息可以通过大量心电信号样本训练参数化模型时进行优化。关键点的相对位置信息可以在重构特征波信号时,决定特征波信号的形状。示例性的,将心电信号输入参数化模型进行处理,便可以得到表征特征波信号的不同维度的参数,各参数组织成向量的形式,便可得到特征波信号的参数向量,再由各参数向量组成心电信号的参数向量序列。
步骤130、根据参数向量序列,提取心电信号的质量特征。
示例性的,质量特征是与质量评估等级有关的特征,其可以体现心电信号受干扰的程度、波形的规律程度等。一个实施例中,质量特征包括特征波信号类别熵、心电重构信号信噪比、心电信号的特征波信号峰值与信号能量比、幅值峰度的均值和偏置峰度的均值中的至少一项。
其中,特征波信号类别熵可直观反映心电信号中特征波信号的无序程度,其对伪迹噪声有较好的识别效果,其中,伪迹噪声是指心电信号中除心脏搏动所产生的电信号外的其他噪声信号。伪迹噪声干扰越大,心电信号中各特征波信号的无序程度越高,伪迹噪声干扰越小,心电信号中各特征波信号越有序。可选的,根据各特征波信号的向量参数中特征波信号的关键点和特征波信号的幅值,将幅值差较小且关键点相同的特征波信号归为一类,之后,基于每类特征波信号在心电信号中的出现概率便可得到特征波信号类别熵。
心电重构信号信噪比可直观反映心电信号中白噪声和高频噪声等对特征波信号波形的干扰程度。心电重构信号是指根据关键点的相对位置信息对心电信号进行重构后得到的信号。可选的,根据心电重构信号和心电信号之间的噪声信号可以计算心电重构信号的信噪比。
心电信号的特征波信号峰值与信号能量比可直观反映特征波信号在心电信号中是否易于区分。可选的,获取特征波信号对应的参数向量中特征波信号的幅值与特征波信号模板的宽度,计算两个参数间的比值,之后,在各特征波信号对应的比值中,选择最大比值对应的特征波信号并获取该特征波信号的幅值,将该幅值可以作为信号峰值,之后,计算心电信号的平均能量,根据信号峰值和平均能量便可得到特征波信号峰值与信号能量比。
幅值峰度的均值可直观反映心电信号中属于同一类特征波信号的幅值分布的紧密程度,该质量特征对伪迹噪声有较好的识别效果。可选的,根据参数向量对特征波信号进行分类,其中,特征波信号的分类依据可根据实际情况设定,如两个参数向量的关键点相同,那么两个参数向量对应的特征波信号属于一类。对特征波信号分类后,获取每类特征波信号的数量,之后,根据每类特征波信号的数量和每类特征波信号的幅值计算每类对应的幅值平均值,进而得到每类对应的幅值四阶中心距和幅值方差,之后,将同一类别下幅值四阶中心距与幅值方差平方的比值作为该类别下的幅值峰度,之后,将各类别的幅值峰度的平均值作为幅值峰度的均值。
偏置峰度的均值可直观反映心电信号中属于同一类特征波信号的偏置分布的紧密程度,,对基线漂移噪声有较好的识别效果。其中,由于变化或扰动,使得特征波信号的幅值偏置发生变化,便可称为基线漂移。可选的,根据参数向量对特征波信号进行分类,其中,特征波信号的分类依据可根据实际情况设定,如两个参数向量的关键点相同,那么两个参数向量对应的特征波信号属于一类。可选的,对特征波信号进行分类后,获取每类特征波信号的数量,之后,根据每类对应的数量和每类下特征波信号相对于时间轴的偏置计算每类对应的偏置平均值,进而得到每类对应的偏置四阶中心距和偏置方差,之后,将同一类别下偏置四阶中心距与偏置方差平方的比值作为该类别下的方差峰度,之后,将各类别的方差峰度的平均值作为方差峰度的均值。
需说明,实际应用中,还可以结合实际需求提取其他的质量特征,如计算不同宽度的特征波信号的类别熵、不同宽度的特征波信号的重构误差等,实施例对此不作限定。
步骤140、根据质量特征对心电信号进行质量评估,并得到心电信号的质量评估等级。
质量评估等级可以根据心电信号后续的分析任务需求设置。不同的质量评估等级可以适用于不同的分析任务。一个实施例中,质量评估等级包括:可形态分析等级、可节律分析等级、可心拍定位等级、可重构去噪等级和不可用等级中的至少两种。其中,可形态分析等级是指心电信号可以用于形态分析,即可以分析该心电信号形态的本质。例如,图2为本申请一个实施例提供的心电信号的第一示意图,图2所示的心电信号为满足可形态分析等级的心电信号,其波形较为规整。当待评估的心电信号的波形与图2相似时,可以认为待评估的心电信号的质量评估等级为可形态分析等级。可理解,心梗、心肌缺血等症状发作时,心电信号的形态会发生明显的变化,当心电信号满足可形态分析等级时,通过分析心电信号的形态,便可以确定是否发生心梗、心肌缺血等症状。可节律分析等级是指心电信号可以用于节律分析,其中,节律是指控制心脏电活动的起源部位。举例而言,异位起搏点兴奋而形成的心脏节律称为异位节律,早搏症状发作时,异位起搏点会发出的过早冲动引起的心脏搏动,此时,通过对心电信号的节律分析,便可确定是否发生早搏。例如,图3为本申请一个实施例提供的心电信号的第二示意图,图3所示的心电信号为满足可节律分析等级的心电信号,其节律较为清晰。当待评估的心电信号的波形与图3相似时,其质量评估等级为可节律分析等级。可心拍定位等级是指心电信号可以用于进行心拍定位。其中,一个心拍由连续的P波、QRS波群和T波组成,心拍定位是指识别出QRS波群在心电信号中的位置(即在心电信号中的横坐标)。例如,图4为本申请一个实施例提供的心电信号的第三示意图,图4所示的心电信号为满足可节心拍定位等级的心电信号,其QRS波群较为清晰。当待评估的心电信号与图4相似时,其质量评估等级为可心拍定位等级。可重构去噪等级是指心电信号可以进行重构并去除噪声,即对心电信号进行重构去噪后可应用于后续分析。例如,图5为本申请一个实施例提供的心电信号的第四示意图,图5所示的心电信号为满足可重构去噪等级的心电信号,其波形较为不规整,通过重构去噪,可得到较为规整的心电波形。当待评估的心电信号与图5相似时,其质量评估等级为可重构去噪等级。不可用等级是指心电信号不可用于后续分析,此时,可以删除或丢弃该心电信号。例如,图6为本申请一个实施例提供的心电信号的第五示意图,图6所示的心电信号为满足不可用等级的心电信号,其波形很不规整,无法使用。当待评估的心电信号与图6相似时,其质量评估等级为不可用等级。
示例性的,对质量特征进行分析,以根据质量特征确定心电信号所属的质量评估等级。一个实施例中,利用机器学习的方法识别质量特征。示例性的,利用机器学习的分类器根据质量特征对心电信号进行分类,进而根据分类结果确定心电特征的质量评估等级,其中,每个质量评估等级可作为一个类别。其中,机器学习的分类器可以根据实际情况设定,例如,采用支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree)或朴素贝叶斯(Naive Bayesian Model,NBM)等机器学习的分类器进行分类,以实现评估心电信号的质量评估等级。示例性的,得到心电信号的质量评估等级后,便可以根据质量评估等级对心电信号进行后续处理。
上述,通过获取包含多个特征波信号的待评估心电信号,之后,提取待评估的心电信号的参数向量序列,参数向量序列中每个参数向量对应一个特征波信号,根据参数向量序列提取心电信号的质量特征,根据质量特征对心电信号进行质量评估,得到心电信号的质量评估等级的技术方案,解决了相关技术中心电信号质量评估的应用范围小且质量评估结果不够直观的技术问题。通过提取每个特别波信号的参数向量,并根据参数向量提取质量特征,可以实现结合心电信号在时域上的具体波形(即每个特征波信号的波形),得到与波形有关的质量特征,进而得到直观反映心电信号的质量评估结果。并且,可以结合实际需求设置不同的质量评估等级,并根据质量特征得到心电信号所属的质量评估等级,可以满足不同心电信号分析任务的需求,使得心电信号质量评估的应用范围更大、更全面和更细致。
图7为本申请一个实施例提供的又一种心电信号质量评估方法的流程图。参考图7,该心电信号质量评估方法包括:
步骤210、获取待评估的心电信号,心电信号包含多个特征波信号。
步骤220、确定参数化模型,参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息。
示例性的,参数化模型用于将心电信号参数化,得到用于表征心电信号的不同维度的参数。参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息,关键点的相对位置信息可以通过大量心电信号样本训练参数化模型进行优化。例如,针对每一特征波信号设置有5个关键点,相邻的两个关键点在横轴上具有相同的间距,通过各关键点在纵轴上的位置,即可确定多个关键点的相对位置信息。
一个实施例中,参数化模型的训练过程可以是:获取心电信号样本,心电信号样本包括多个特征波信号样本。心电信号样本为用于训练参数化模型的心电信号,其采集方式实施例不作限定。确定参数化模型,其模型参数包括用于重构心电信号样本的多个关键点的相对位置信息。刚建立模型时,关键点的相对位置信息为随机生成的,即随机生成关键点的纵坐标的值。一个实施例中,参数化模型包括模板生成模块、匹配度计算模块和幅值、偏置计算模块。其中,模板生成模块用于对关键点进行样条插值计算,生成特征波信号模板;匹配度计算模块用于计算特征波信号模板与特征波信号样本的匹配度;幅值、偏置计算模块用于计算特征波信号样本的幅值和相对于时间轴的偏置。之后,将心电信号样本输入参数化模型进行处理,得到心电信号样本的参数向量序列。之后,根据参数向量序列重构心电信号样本,得到重构信号样本。示例性的,将参数向量序列中的各参数向量重构,得到重构的特征波信号样本,并将重构的特征波信号样本按照时间的先后顺序进行拼接,得到重构信号样本。之后,计算心电信号样本与重构信号样本的误差。可选的,从心电信号样本中选取若干点,计算这些点的纵坐标值与重构信号样本上位置对应的点的纵坐标值的均方误差,并将均方误差作为心电信号样本与重构信号样本的误差。可理解。还可以将心电信号样本与重构信号样本的均方根误差、平均绝对误差作为两者的误差,实施例在此不做限定。之后,根据误差更新参数化模型中关键点的相对位置信息。示例性的,将误差与预设误差进行比较,当大于预设误差时,对参数化模型中的关键点的相对位置信息进行更新,并继续获取心电信号样本,以训练参数化模型,直至计算得到的误差小于或等于预设误差时,确定模型训练完成。其中,预设误差可以根据实际情况设定。可理解,训练时,以关键点的纵坐标值作为是需要优化的参数,计算得到的误差作为目标函数,然后用梯度下降法寻找使得误差小于或等于预设误差的关键点的纵坐标值。
步骤230、将心电信号输入参数化模型进行处理,得到心电信号的参数向量序列。
一个实施例中,参数向量序列包括心电信号中各特征波信号的参数向量,即心电信号中每个特征波信号对应一个参数向量。其中,参数向量包括:特征波信号的关键点、特征波信号和特征波信号模板的匹配度、特征波信号模板的宽度、特征波信号的位置信息、特征波信号的幅值和特征波信号相对于时间轴的偏置。一个实施例中,参数向量序列包含的参数向量的总数记为Nseq。
示例性的,对每一特征波信号对应的多个关键点进行样条插值计算,得到幅值为1、均值为0,且一定宽度的标准化的特征波信号模板。其中,插值是在离散数据的基础上插补连续函数,使得这条连续曲线经过全部离散点(即多个关键点),同时也可以估计出函数在其他点的近似值。样条插值就是每两个点(即关键点)之间确定一个函数,这个函数就是一个样条,函数不同,样条就不同。这里所说的宽度为特征波信号持续的时间长度。可选的,宽度根据心电分析领域的临床先验知识设定。举例而言,对特征波信号的多个关键点进行三次样条插值,生成幅值为1,均值为0的样条波信号,之后,将样条波信号缩放至预先设定的宽度,得到标准化的特征波信号模板。
得到特征波信号模板后,可以计算特征波信号模板与特征波信号的匹配度。示例性的,计算特征波信号模板与特征波信号的相关系数作为匹配度序列。其中,相关系数用于表征特征波信号模板与特征波信号之间的相关程度。可选的,采用皮尔逊相关系数来表征特征波信号模板与特征波信号之间的相关程度,以得到匹配度序列,或者,采用Cosine相似度、欧式距离的平方等方式得到匹配度序列。之后,从上述匹配度序列中的各匹配度中筛选出极大值。示例性的,使用一个滑动窗口滑过该匹配度序列,滑动窗口的宽度至少大于两个匹配度的宽度,例如,滑动窗口的宽度与标准化的特征波信号模板的宽度相等。滑动窗口滑过匹配度序列上某一区域时,求出该区域中的局部极大值,同时进行非极大值抑制,降低滑动窗口内的非极大值(如降为0.1)。滑过全部区域后,将得到的各局部极大值中最大的局部极大值作为特征波信号模板与特征波信号的匹配度。
示例性的,特征波信号在时间轴上的位置信息可以是特征波信号上某一点在时间轴上的位置信息,根据该点的位置信息就能确定特征波信号在时间轴上的位置信息。一个实施例中,前述步骤中,滑动窗口在滑动过程中会记录局部极大值的位置,此时,可以将最大的局部极大值所在的位置作为特征波信号的位置信息。
示例性的,基于最小二乘法可计算得到特征波信号的幅值和特征波信号相对于时间轴的偏置。举例而言,设特征波信号的拟合函数为f(x)=ax+b,取特征波信号上的若干个点,这些点的横坐标值为xi,取待评估的心电信号对应位置上的点,这些点的纵坐标值为yi,对应的拟合函数的函数值为f(xi),采用最小二乘法计算两者的差的平方和,其计算公式为:n为取特征波信号上的若干个点的总数量,通过迭代计算确定上式达到最小值时拟合函数f(x)的参数,即得到特征波信号的幅值a和特征波信号相对于时间轴的偏置b。
示例性的,将上述步骤中得到的特征波信号对应的关键点的相对位置信息、特征波信号和特征波信号模板的匹配度、特征波信号的幅值、特征波信号相对于时间轴的偏置、特征波信号模板的宽度以及特征波信号的位置信息整理为参数向量。其中,关键点的相对位置信息为各关键点的纵坐标(因为相邻的两个关键点在横轴上的间距是相等的)。然后按照特征波信号的位置信息的先后顺序排列参数向量,得到心电信号的参数向量序列。
步骤240、根据参数向量序列,提取心电信号的质量特征。
质量特征包括特征波信号类别熵、心电重构信号信噪比、心电信号的特征波信号峰值与信号能量比、幅值峰度的均值和偏置峰度的均值。
一个实施例中,质量特征包括特征波信号类别熵。此时,步骤240包括:步骤241-步骤245:
步骤241、从参数向量序列中,筛选出重点特征波信号的参数向量。
重点特征波信号是指评估质量等级时需要重点关注的特征波信号,重点特征波信号的波形特征较为明显。重点特征波信号可以根据实际情况设置,例如,重点特征波信号是指信号宽度在0.06s至0.20s之间且绝对幅值大于0.5mV的特征波信号。一个实施例中,在心电信号中选择信号宽度在0.06s至0.20s之间且绝对幅值大于0.5mV的特征波信号作为重点特征波信号,一般而言,重点特征波信号为多个。之后,在参数向量序列中,选择重点特征波信号对应的参数向量。
步骤242、根据预设的第一聚类条件,对筛选出的参数向量进行聚类,第一聚类条件为参数向量的关键点相同且幅值的差小于预设阈值。
对各重点特征波信号对应的参数向量进行聚类,以确定属于同一类别的参数向量,进而实现对重点特征波信号的分类。一个实施例中,根据第一聚类条件对参数向量进行聚类。其中,第一聚类条件可以根据实际情况设定,一个实施例中,第一聚类条件为参数向量的关键点相同且幅值的差小于预设阈值。以任意两个重点特征波信号的参数向量为例进行描述,示例性的,获取任意两个重点特征波信号的参数向量,之后,获取参数向量中的关键点和幅值。判断两个参数向量的关键点是否相同,并确定两个参数向量的幅值的差是否小于预设阈值。示例性的,若两个参数向量中关键点的横坐标和纵坐标均相同,则确定两个参数向量中的关键点相同,例如,关键点为5个,两个参数向量中5个关键点的横坐标和纵坐标两两对应相同时,确定两个参数向量中的关键点相同,否则,确定两个参数向量中的关键点不相同。示例性的,计算两个参数向量中特征波信号的幅值的差,可选的,取差的绝对值。之后,比较幅值的差和预设阈值,其中,预设阈值可以根据实际情况设定,一个实施例中,预设阈值为1mV。若两个参数向量中关键点相同且幅值的差小于预设阈值,则将两个参数向量归为一类。按照上述方式,便可找到关键点相同且幅值的差小于预设阈值的各参数向量,并归为一类,进而实现参数向量的聚类。聚类后,可得到K(K≥2)个类别,并且K个类别的编号分别为:1、2、……、K。
步骤243、统计每个类别下特征波信号的第一数量。
示例性的,统计每个类别下包含的参数向量的数量,并将该数量作为该类别下特征波信号(重点特征波信号)的数量,一个实施例中,将步骤243中统计的数量记为第一数量,此时,每个类别都有对应的第一数量。
步骤244、根据第一数量计算相应类别下特征波信号的出现概率。
一个实施例中,某一类别下特征波信号的出现概率是指该类别下特征波信号在心电信号中的出现概率,每个类别对应一个出现概率。示例性的,第k(1≤k≤K)个类别的出现概率的计算公式为:pk=nk/Nseq,其中,第k个类别对应的第一数量为nk,参数向量序列包含的参数向量的总数为Nseq,即心电信号中特征波信号的数量为Nseq,第k个类别的出现概率为pk。
步骤245、根据各类别对应的出现概率得到特征波信号类别熵。
熵是统计物理与信息论术语,其也可记为信息熵或香农熵。特征波信号类别熵可记为entropyclass,特征波信号类别熵通过出现概率确定,其可体现心电信号中出现的特征波信号的无序程度,对伪迹噪声有较好的识别效果。特征波信号类别熵越大,心电信号的无序程度越高,心电信号中的伪迹噪声越大,心电信号的波形越不规律。特征波信号类别熵越小,心电信号的无序程度越低,心电信号中的伪迹噪声越小,心电信号的波形越规律。例如,图8为本申请一个实施例提供的心电信号的第六示意图,图9为本申请一个实施例提供的心电信号的第七示意图。参考图8,该心电信号包含的伪迹噪声较大,波形比较不规律,该心电信号对应的特征波信号类别熵较大,参考图9,该心电信号包含的伪迹噪声较小,波形比较规律,该心电信号对应的特征波信号类别熵较小。
一个实施例中,特征波信号类别熵的计算公式为:其中,entropyclass表示特征波信号类别熵,K是根据第一聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,k表示第k个类别,1≤k≤K,pk表示第k个类别对应的出现概率。
一个实施例中,质量特征包括心电重构信号信噪比,此时,步骤240包括:步骤246-步骤248:
步骤246、根据参数向量序列重构心电信号,以得到心电重构信号。
示例性的,根据关键点可确定特征波信号的波形,然后根据参数向量中的参数调整特征波信号,例如调整特征波信号的幅值、特征波信号相对时间轴的偏置、以及在时间轴上的位置信息等,就能重构特征波信号,进而得到重构的心电信号。实施例中,将重构的心电信号记为心电重构信号。
步骤247、计算心电信号和心电重构信号之间的噪声信号。
噪声信号可体现心电信号和心电重构信号之间的差异,一个实施例中,噪声信号的计算公式为:signoise=sig-sigrec。其中,sig表示待评估的心电信号,sigrec表示心电重构信号,signoise表示噪声信号。由上述公式可知,使用心电信号减去心电重构信号便可得到噪声信号。
步骤248、根据噪声信号和心电重构信号计算心电重构信号信噪比。
心电重构信号信噪比可体现心电重构信号和噪声信号的比例,心电重构信号信噪比可记为SNRrec。心电重构信号信噪可通过噪声信号和心电重构信号计算得到。心电重构信号信噪比可直观反映心电信号中白噪声、高频噪声对特征波信号的干扰程度。心电重构信号信噪比可评估白噪声、高频噪声对心电信号中T波幅值测量等任务的性能影响。其中,白噪声是指频率具有相同能量密度的随机噪声,高频噪声是指主频率高于设定频率的噪声。一个实施例中,心电重构信号信噪比越低,说明心电信号中白噪声、高频噪声的干扰越大。心电重构信号信噪比越高,说明说明心电信号中白噪声、高频噪声的干扰越小。例如,图10为本申请一个实施例提供的心电信号的第八示意图,图11为本申请一个实施例提供的心电信号的第九示意图。参考图10,该心电信号包含的白噪声较大,即存在白噪声干扰,因此,心电信号波形的毛刺较多,该心电信号对应的心电重构信号信噪比较小。参考图11,该心电信号包含的白噪声较小,心电信号比较干净,该心电信号对应心电重构信号信噪比较大。
一个实施例中,心电重构信号信噪比的计算公式为:其中,SNRrec表示心电重构信号信噪比,sigrec表示心电重构信号,signoise表示噪声信号。其中,sigrec 2表示心电重构信号中各点的纵坐标的平方,signoise 2表示噪声信号中各点的纵坐标的平方。
一个实施例中,质量特征包括心电信号的特征波信号峰值与信号能量比,此时,步骤240包括:步骤249-步骤2412:
步骤249、计算参数向量序列中每个参数向量对应的第一比值,第一比值为参数向量中特征波信号的幅值与特征波信号模板的宽度的比。
一个实施例中,获取参数向量序列中每个参数向量中记录的特征波信号的幅值和特征波信号模板的宽度,之后,计算同一参数向量中幅值与宽度的比值,并将该比值记为第一比值,此时,每个参数向量对应一个第一比值。
步骤2410、在全部第一比值中,查找最大的第一比值,并将最大的第一比值对应的幅值作为信号峰值。
第一比值越大,说明相对于特征波信号模板的宽度,参数向量对应的心电信号的幅值越大。一个实施例中,在各第一比值中,选择比值最大的第一比值。之后,获取比值最大的第一比值对应的参数向量,并将该参数向量中的幅值确定为待评估的心电信号的信号峰值,其中,峰值可理解为最大瞬间值。
步骤2411、计算心电信号的平均能量。
示例性的,平均能量的计算公式为:Energyavg=∑sig2/Nsig。其中,Energyavg表示待评估的心电信号的平均能量,sig表示待评估的心电信号,Nsig表示待评估的心电信号包含的采样点的数量。其中,sig2表示待评估的心电信号中各点的纵坐标的平方。
步骤2412、根据信号峰值和平均能量得到心电信号的特征波信号峰值与信号能量比。
特征波信号峰值与信号能量比可直观反映特征波信号在心电信号中是否易于区分,该特征可评估心电信号对于心拍定位任务的性能。特征波信号峰值与信号能量比可记为PSR。特征波信号峰值与信号能量比可体现信号峰值和平均能量的比例。一个实施例中,特征波信号峰值与信号能量比越高,说明心电信号中特征波信号越规整、越易区分,心电信号越干净,特征波信号峰值与信号能量比越低,说明说明心电信号越不规整、越不易区分,心电信号的干扰越大。例如,图12为本申请一个实施例提供的心电信号的第十示意图,图13为本申请一个实施例提供的心电信号的第十一示意图。参考图12,该心电信号的干扰较大,其信号波形较为凌乱,不易区分,特征波信号峰值与信号能量比较小,参考图13,该心电信号较为规整,各特征波信号比较明显,易区分,心电信号比较干净,特征波信号峰值与信号能量比较大。
一个实施例中,特征波信号峰值与信号能量比的计算公式为:其中,PSR表示心电信号的特征波信号峰值与信号能量比,wpeak表示待评估的心电信号的信号峰值,Energyavg表示待评估的心电信号的平均能量。
一个实施例中,质量特征包括幅值峰度的均值。此时,步骤240包括:步骤2413-步骤2418:
步骤2413、从参数向量序列中,筛选出重点特征波信号的参数向量。
本步骤可参考步骤241,在此不做赘述。
步骤2414、根据预设的第二聚类条件,对筛选出的参数向量进行聚类,第二聚类条件为两个参数向量的关键点相同。
对各重点特征波信号对应的参数向量进行聚类,以确定属于同一类别的参数向量,进而实现对重点特征波信号的分类。一个实施例中,根据第二聚类条件对参数向量进行聚类。其中,第二聚类条件可以根据实际情况设定,一个实施例中,第二聚类条件为参数向量的关键点相同。以任意两个重点特征波信号的参数向量为例进行描述,示例性的,获取任意两个重点特征波信号的参数向量,之后,判断两个参数向量中的关键点是否相同。若两个参数向量中关键点的横坐标和纵坐标均相同,则确定两个参数向量中的关键点相同,否则,确定两个参数向量中的关键点不相同。若两个参数向量中关键点相同,则将两个参数向量归为一类。按照上述方式,便可找到关键点相同的各参数向量,并归为一类,进而实现参数向量的聚类。聚类后,可得到M(M≥2)个类别,并且M个类别的编号分别为:1、2、……、M。
步骤2415、统计每个类别下特征波信号的第二数量。
示例性的,统计每个类别下包含的参数向量的数量,并将该数量作为该类别下特征波信号(重点特征波信号)的数量,一个实施例中,将步骤2415中统计的数量记为第二数量,此时,每个类别都有对应的第二数量。
步骤2416、根据第二数量和参数向量中特征波信号的幅值计算每个类别下特征波信号的幅值平均值,并根据幅值平均值计算每个类别下特征波信号的幅值四阶中心距和幅值方差。
示例性的,获取每个类别下参数向量中的特征波信号的幅值,并结合每个类别对应的第二数量,计算每个类别下特征波信号的幅值的平均值。一个实施例中,计算同一类别下各特征波信号的幅值的和,之后,计算和与第二数量的商,并将商作为该类别下特征波信号的幅值平均值。此时,每个类别对应一个幅值平均值。
k阶中心矩为概率论或者统计学中较为常用的参数。示例性的,四阶中心距是指k为4的中心距。幅值四阶中心距是指以特征波信号的幅值为变量的四阶中心距,每个类别对应一个幅值四阶中心距。一个实施例中,幅值四阶中心距的计算方式为:其中,Ew,m表示第m个类别的幅值四阶中心距,1≤m≤M,M为根据第二聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,为第m个类别对应的幅值平均值,wm,i为第m个类别下第i个特征波信号的幅值,1≤i≤nm,nm为第m个类别对应的第二数量。
示例性的,幅值方差也可以记为幅值二阶中心距,其是指以特征波信号的幅值为变量的二阶中心距。每个类别对应一个幅值方差。一个实施例中,幅值方差的计算公式为:其中,Dw,m表示第m个类别的幅值方差,1≤m≤M,M为根据第二聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,为第m个类别对应的幅值平均值,wm,i为第m个类别下第i个特征波信号的幅值,1≤i≤nm,nm为第m个类别对应的第二数量。
步骤2417、根据同一类别下的幅值四阶中心距和幅值方差计算同一类别下特征波信号的幅值峰度。
峰度可表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来,峰度反映了峰部的尖度。一个实施例中,幅值峰度可反映同一类别下特征波信号幅值的尖度。示例性的,将某个类别的幅值四阶中心距和幅值方差的比值作为该类别下的幅值峰度。一个实施例中,幅值峰度的计算公式为:其中,kurtosisw,m表示第m个类别的幅值峰度,1≤m≤M,M为根据第二聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,Ew,m表示第m个类别的幅值四阶中心距,Dw,m表示第m个类别的幅值方差。此时,每个类别对应一个幅值峰度。
步骤2418、计算各类别对应的幅值峰度的第一平均值,并将第一平均值作为幅值峰度的均值。
示例性的,确定各类别下特征波信号的幅值峰度后,便可以计算各幅值峰度的平均值,并通过该平均值体现心电信号的幅值尖度的平均,一个实施例中,将幅值峰度的平均值记为第一平均值。第一平均值可直观反映心电信号中属于同一类的特征波信号幅值分布的紧密程度,对伪迹噪声具有较好的识别效果。第一平均值的均值可记为kurtosisw。一个实施例中,第一平均值越低,心电信号越规整、干净,第一平均值越高,心电信号的干扰越大、越不规整。例如,图14为本申请一个实施例提供的心电信号的第十二示意图,图15为本申请一个实施例提供的心电信号的第十三示意图。参考图14,该心电信号的干扰较大,其信号波形较为凌乱,第一平均值(幅值峰度的均值)比较大,参考图15,该心电信号较为规整、干净,第一平均值(幅值峰度的均值)比较小。
其中,第一平均值的计算公式为:其中,kurtosisw表示第一平均值,kurtosisw,m表示第m个类别的幅值峰度,1≤m≤M,M为根据第二聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数。计算第一平均值后,将第一平均值作为幅值峰度的均值。
一个实施例中,质量特征包括偏置峰度的均值。此时,步骤240包括:步骤2419-步骤2424:
步骤2419、从参数向量序列中,筛选出重点特征波信号的参数向量。
本步骤可参考步骤241,在此不做赘述。
步骤2420、根据预设的第三聚类条件,对筛选出的参数向量进行聚类,第三聚类条件为参数向量的关键点相同。
对各重点特征波信号对应的参数向量进行聚类,以确定属于同一类别的参数向量,进而实现对重点特征波信号的分类。一个实施例中,根据第三聚类条件对参数向量进行聚类。其中,第三聚类条件可以根据实际情况设定,一个实施例中,第三聚类条件为参数向量的关键点相同,此时,第三聚类条件与第二聚类条件相同,基于第三聚类条件对参数向量进行聚类的技术手段可参照基于第二聚类条件对参数向量进行聚类,实施例对此不作赘述。聚类后,可得到M(M≥2)个类别,并且M个类别的编号分别为:1、2、……、M。
步骤2421、统计每个类别下特征波信号的第三数量。
示例性的,统计每个类别下包含的参数向量的数量,并将该数量作为该类别下特征波信号(重点特征波信号)的数量,一个实施例中,将步骤2421中统计的数量记为第三数量,此时,每个类别都有对应的第三数量。第三聚类条件与第二聚类条件相同时,每个类别下的第二数量与第三数量相同。可理解,当同时存在偏置峰度的均值和幅置峰度的均值两个质量特征时,可以只进行一次聚类并统计一次每个类别下特征波信号的数量。
步骤2422、根据第三数量和参数向量中特征波信号相对于时间轴的偏置计算每个类别下特征波信号的偏置平均值,并根据偏置平均值计算每个类型下特征波信号的偏置四阶中心距和偏置方差。
示例性的,获取每个类别下参数向量中的特征波信号相对于时间轴的偏置,并结合每个类别对应的第三数量,计算每个类别下特征波信号相对于时间轴的偏置的平均值。一个实施例中,计算同一类别下各特征波信号相对于时间轴的偏置的和,之后,计算和与第三数量的商,并将商作为该类别下特征波信号的偏置平均值。此时,每个类别对应一个偏置平均值。
偏置四阶中心距是指以特征波信号相对于时间轴的偏置为变量的四阶中心距,每个类别对应一个偏置四阶中心距。一个实施例中,偏置四阶中心距的计算方式为:其中,Eb,m表示第m个类别的偏置四阶中心距,1≤m≤M,M为根据第三聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,为第m个类别对应的偏置平均值,bm,i为第m个类别下第i个特征波信号相对于时间轴的偏置,1≤i≤nm,nm为第m个类别对应的第三数量。
示例性的,偏置方差也可以记为偏置二阶中心距,其是指以特征波信号相对于时间轴的偏置为变量的二阶中心距,每个类别对应一个偏置方差。一个实施例中,偏置方差的计算公式为:其中,Db,m表示第m个类别的偏置方差,1≤m≤M,M为根据第三聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,为第m个类别对应的偏置平均值,bm,i为第m个类别下第i个特征波信号的偏置,1≤i≤nm,nm为第m个类别对应的第三数量。
步骤2423、根据同一类别下的偏置四阶中心距和偏置方差计算同一类别下特征波信号的偏置峰度。
一个实施例中,偏置峰度可反映同一类别下特征波信号相对于时间轴的偏置的尖度。示例性的,将某个类别的偏置四阶中心距和偏置方差的比值作为该类别下的偏置峰度。一个实施例中,偏置峰度的计算公式为:其中,kurtosisb,m表示第m个类别的偏置峰度,1≤m≤M,M为根据第三聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数,Eb,m表示第m个类别的偏置四阶中心距,Db,m表示第m个类别的偏置方差。此时,每个类别对应一个偏置峰度。
步骤2424、计算各类别对应的偏置峰度的第二平均值,并将第二平均值作为偏置峰度的均值。
偏置峰度的均值可直观反映心电信号中属于同一类的特征波信号偏置分布的紧密程度,对基线漂移噪声具有较好的识别效果。偏置峰度的均值可记为kurtosisb。示例性的,确定各类别下特征波信号的偏置峰度后,便可以计算各偏置峰度的平均值,并通过该平均值体现心电信号中各特征波信号相对于时间轴的偏置的平均,一个实施例中,将偏置峰度的平均值记为第二平均值。一个实施例中,第二平均值越低,说明心电信号中基线漂移噪声越小,心电信号越规整、干净。第二平均值越高,说明心电信号中基线漂移噪声越大,心电信号越不规则。例如,图16为本申请一个实施例提供的心电信号的第十四示意图,图17为本申请一个实施例提供的心电信号的第十五示意图。参考图16,该心电信号基线漂移噪声较大,其信号波形较为凌乱,第二平均值(偏置峰度的均值)比较大,参考图17,该心电信号基线漂移噪声较小,心电信号较为规整、干净,第二平均值(偏置峰度的均值)比较小。
其中,第二平均值的计算公式为:其中,kurtosisb表示第二平均值,kurtosisb,m表示第m个类别的偏置峰度,1≤m≤M,M为根据第三聚类条件对重点特征波信号的参数向量进行聚类后得到的类别总数。计算第二平均值后,将第二平均值作为偏置峰度的均值。
步骤250、根据质量特征对心电信号进行质量评估,并得到心电信号的质量评估等级。
其中,质量评估等级包括:可形态分析等级、可节律分析等级、可心拍定位等级、可重构去噪等级和不可用等级。
上述,通过获取包含多个特征波信号的待评估心电信号,之后,利用参数化模型得到待评估的心电信号的参数向量序列,参数向量序列中每个参数向量对应一个特征波信号,根据参数向量序列提取心电信号的质量特征,根据质量特征对心电信号进行质量评估,得到心电信号的质量评估等级的技术方案,解决了相关技术中心电信号质量评估的应用范围小且质量评估结果不够直观的技术问题。通过参数化模型提取每个特别波信号的参数向量,从而直接利用这些参数向量提取质量特征,可以实现结合心电信号在时域上的具体波形(即每个特征波信号的波形),得到与波形有关的质量特征,进而得到直观反映心电信号的质量评估结果。并且。可以结合实际需求设置不同的质量评估等级,并设置对应的质量特征,可以满足不同心电信号分析任务的需求,使得心电信号质量评估的应用范围更大、更全面和更细致,并且质量特征的计算方式简单,便于应用。
图18为本申请一个实施例提供的一种心电信号质量评估装置的结构示意图。参考图18,该心电信号质量评估装置包括:信号获取模块301、参数提取模块302、特征提取模块303、质量评估模块304。
其中,信号获取模块301,用于获取待评估的心电信号,心电信号包含多个特征波信号;参数提取模块302,用于提取心电信号的参数向量序列,参数向量序列包括多个用于表征特征波信号的参数向量,每个特征波信号对应一个参数向量;特征提取模块303,用于根据参数向量序列,提取心电信号的质量特征;质量评估模块304,用于根据质量特征对心电信号进行质量评估,并得到心电信号的质量评估等级。
一个实施例中,参数向量包括:特征波信号的关键点、特征波信号和特征波信号模板的匹配度、特征波信号模板的宽度、特征波信号的位置信息、特征波信号的幅值和特征波信号相对于时间轴的偏置。
一个实施例中,参数提取模块302包括:模型确定单元,用于确定参数化模型,参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息;信号处理单元,用于将心电信号输入参数化模型进行处理,得到心电信号的参数向量序列,参数向量序列包括多个用于表征特征波信号的参数向量,每个特征波信号对应一个参数向量。
一个实施例中,质量特征包括特征波信号类别熵,特征提取模块303包括:第一筛选单元,用于从参数向量序列中,筛选出重点特征波信号的参数向量;第一聚类单元,用于根据预设的第一聚类条件,对筛选出的参数向量进行聚类,第一聚类条件为参数向量的关键点相同且幅值的差小于预设阈值;第一统计单元,用于统计每个类别下特征波信号的第一数量;概率计算单元,用于根据第一数量计算相应类别下特征波信号的出现概率;熵计算单元,用于根据各类别对应的出现概率得到特征波信号类别熵。
一个实施例中,质量特征包括心电重构信号信噪比,特征提取模块303包括:信号重构单元,用于根据参数向量序列重构心电信号,以得到心电重构信号;噪声计算单元,用于计算心电信号和心电重构信号之间的噪声信号;信噪比计算单元,用于根据噪声信号和心电重构信号计算心电重构信号信噪比。
一个实施例中,质量特征包括心电信号的特征波信号峰值与信号能量比,特征提取模块303包括:比值计算单元,用于计算参数向量序列中每个参数向量对应的第一比值,第一比值为参数向量中特征波信号的幅值与特征波信号模板的宽度的比;峰值查找单元,用于在全部第一比值中,查找最大的第一比值,并将最大的第一比值对应的幅值作为信号峰值;能量计算单元,用于计算心电信号的平均能量;能量比计算单元,用于根据信号峰值和平均能量得到心电信号的特征波信号峰值与信号能量比。
一个实施例中,质量特征包括幅值峰度的均值,特征提取模块303包括:第二筛选单元,用于从参数向量序列中,筛选出重点特征波信号的参数向量;第二聚类单元,用于根据预设的第二聚类条件,对筛选出的参数向量进行聚类,第二聚类条件为参数向量的关键点相同;第二统计单元,用于统计每个类别下特征波信号的第二数量;第一中心距计算单元,用于根据第二数量和参数向量中特征波信号的幅值计算每个类别下特征波信号的幅值平均值,并根据幅值平均值计算每个类别下特征波信号的幅值四阶中心距和幅值方差;第一峰度计算单元,用于根据同一类别下的幅值四阶中心距和幅值方差计算同一类别下特征波信号的幅值峰度;第一均值计算单元,用于计算各类别对应的幅值峰度的第一平均值,并将第一平均值作为幅值峰度的均值。
一个实施例中,质量特征包括偏置峰度的均值,特征提取模块303包括:第三筛选单元,用于从参数向量序列中,筛选出重点特征波信号的参数向量;第三聚类单元,用于根据预设的第三聚类条件,对筛选出的参数向量进行聚类,第三聚类条件为参数向量的关键点相同;第三统计单元,用于统计每个类别下特征波信号的第三数量;第二中心距计算单元,用于根据第三数量和参数向量中特征波信号相对于时间轴的偏置计算每个类别下特征波信号的偏置平均值,并根据偏置平均值计算每个类别下特征波信号的偏置四阶中心距和偏置方差;第二峰度计算单元,用于根据同一类别下的偏置四阶中心距和偏置方差计算同一类别下特征波信号的偏置峰度;第二均值计算单元,用于计算各类别对应的偏置峰度的第二平均值,并将第二平均值作为偏置峰度的均值。
一个实施例中,质量评估等级包括:可形态分析等级、可节律分析等级、可心拍定位等级、可重构去噪等级和不可用等级。
上述提供的心电信号质量评估装置可用于执行上述任意实施例提供的心电信号质量评估方法,具备相应的功能和有益效果。
值得注意的是,上述心电信号质量评估装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
图19为本申请一个实施例提供的一种心电信号质量评估设备的结构示意图。如图19所示,该心电信号质量评估设备包括处理器40、存储器41、输入装置42、输出装置43;心电信号质量评估设备中处理器40的数量可以是一个或多个,图19中以一个处理器40为例。心电信号质量评估设备中处理器40、存储器41、输入装置42、输出装置43可以通过总线或其他方式连接,图19中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的心电信号质量评估方法对应的程序指令/模块(例如,心电信号质量评估装置中的信号获取模块301、参数提取模块302、特征提取模块303、质量评估模块304)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行心电信号质量评估设备的各种功能应用以及数据处理,即实现上述的心电信号质量评估方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据心电信号质量评估设备的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至心电信号质量评估设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与心电信号质量评估设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。心电信号质量评估设备还可包括采集装置,采集装置可采集心电信号。
上述心电信号质量评估设备包含心电信号质量评估装置,可以用于执行任意心电信号质量评估方法,具备相应的功能和有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。
因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种心电信号质量评估方法,其特征在于,包括:
获取待评估的心电信号,所述心电信号包含多个特征波信号;
提取所述心电信号的参数向量序列,所述参数向量序列包括多个用于表征所述特征波信号的参数向量,每个所述特征波信号对应一个参数向量;
根据所述参数向量序列,提取所述心电信号的质量特征;
根据所述质量特征对所述心电信号进行质量评估,并得到所述心电信号的质量评估等级。
2.根据权利要求1所述的心电信号质量评估方法,其特征在于,所述参数向量包括:所述特征波信号的关键点、所述特征波信号和特征波信号模板的匹配度、所述特征波信号模板的宽度、所述特征波信号的位置信息、所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置。
3.根据权利要求1所述的心电信号质量评估方法,其特征在于,所述提取所述心电信号的参数向量序列包括:
确定参数化模型,所述参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息;
将心电信号输入所述参数化模型进行处理,得到心电信号的参数向量序列。
4.根据权利要求2所述的心电信号质量评估方法,其特征在于,所述质量特征包括特征波信号类别熵,
所述根据所述参数向量序列,提取所述心电信号的质量特征包括:
从所述参数向量序列中,筛选出重点特征波信号的参数向量;
根据预设的第一聚类条件,对筛选出的所述参数向量进行聚类,所述第一聚类条件为参数向量的关键点相同且幅值的差小于预设阈值;
统计每个类别下特征波信号的第一数量;
根据所述第一数量计算相应类别下特征波信号的出现概率;
根据各所述类别对应的出现概率得到特征波信号类别熵。
5.根据权利要求2所述的心电信号质量评估方法,其特征在于,所述质量特征包括心电重构信号信噪比,
所述根据所述参数向量序列,提取所述心电信号的质量特征包括:
根据所述参数向量序列重构所述心电信号,以得到心电重构信号;
计算所述心电信号和所述心电重构信号之间的噪声信号;
根据所述噪声信号和所述心电重构信号计算所述心电重构信号信噪比。
6.根据权利要求2所述的心电信号质量评估方法,其特征在于,所述质量特征包括心电信号的特征波信号峰值与信号能量比,
所述根据所述参数向量序列,提取所述心电信号的质量特征包括:
计算所述参数向量序列中每个参数向量对应的第一比值,所述第一比值为所述参数向量中所述特征波信号的幅值与所述特征波信号模板的宽度的比;
在全部所述第一比值中,查找最大的第一比值,并将所述最大的第一比值对应的幅值作为信号峰值;
计算所述心电信号的平均能量;
根据所述信号峰值和所述平均能量得到所述心电信号的特征波信号峰值与信号能量比。
7.根据权利要求2所述的心电信号质量评估方法,其特征在于,所述质量特征包括幅值峰度的均值,
所述根据所述参数向量序列,提取所述心电信号的质量特征包括:
从所述参数向量序列中,筛选出重点特征波信号的参数向量;
根据预设的第二聚类条件,对筛选出的所述参数向量进行聚类,所述第二聚类条件为参数向量的关键点相同;
统计每个类别下特征波信号的第二数量;
根据所述第二数量和所述参数向量中特征波信号的幅值计算每个类别下特征波信号的幅值平均值,并根据所述幅值平均值计算每个类别下特征波信号的幅值四阶中心距和幅值方差;
根据同一类别下的所述幅值四阶中心距和所述幅值方差计算同一类别下特征波信号的幅值峰度;
计算各类别对应的幅值峰度的第一平均值,并将所述第一平均值作为幅值峰度的均值。
8.根据权利要求2所述的心电信号质量评估方法,其特征在于,所述质量特征包括偏置峰度的均值,
所述根据所述参数向量序列,提取所述心电信号的质量特征包括:
从所述参数向量序列中,筛选出重点特征波信号的参数向量;
根据预设的第三聚类条件,对筛选出的所述参数向量进行聚类,所述第三聚类条件为参数向量的关键点相同;
统计每个类别下特征波信号的第三数量;
根据所述第三数量和所述参数向量中特征波信号相对于时间轴的偏置计算每个类别下特征波信号的偏置平均值,并根据所述偏置平均值计算每个类型下特征波信号的偏置四阶中心距和偏置方差;
根据同一类别下的所述偏置四阶中心距和所述偏置方差计算同一类别下特征波信号的偏置峰度;
计算各类别对应的偏置峰度的第二平均值,并将所述第二平均值作为偏置峰度的均值。
9.根据权利要求1所述的心电信号质量评估方法,其特征在于,所述质量评估等级包括:可形态分析等级、可节律分析等级、可心拍定位等级、可重构去噪等级和不可用等级。
10.一种心电信号质量评估装置,其特征在于,包括:
信号获取模块,用于获取待评估的心电信号,所述心电信号包含多个特征波信号;
参数提取模块,用于提取所述心电信号的参数向量序列,所述参数向量序列包括多个用于表征所述特征波信号的参数向量,每个所述特征波信号对应一个参数向量;
特征提取模块,用于根据所述参数向量序列,提取所述心电信号的质量特征;
质量评估模块,用于根据所述质量特征对所述心电信号进行质量评估,并得到所述心电信号的质量评估等级。
11.一种心电信号质量评估设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的心电信号质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675524.0A CN115486849A (zh) | 2021-06-17 | 2021-06-17 | 心电信号质量评估方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675524.0A CN115486849A (zh) | 2021-06-17 | 2021-06-17 | 心电信号质量评估方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115486849A true CN115486849A (zh) | 2022-12-20 |
Family
ID=84465517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675524.0A Pending CN115486849A (zh) | 2021-06-17 | 2021-06-17 | 心电信号质量评估方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115486849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115868940A (zh) * | 2023-02-27 | 2023-03-31 | 安徽通灵仿生科技有限公司 | 一种基于iabp的生理信号质量评估方法及装置 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
-
2021
- 2021-06-17 CN CN202110675524.0A patent/CN115486849A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115868940A (zh) * | 2023-02-27 | 2023-03-31 | 安徽通灵仿生科技有限公司 | 一种基于iabp的生理信号质量评估方法及装置 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
CN116407133B (zh) * | 2023-06-02 | 2023-08-29 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
Safara et al. | Multi-level basis selection of wavelet packet decomposition tree for heart sound classification | |
JP6367442B2 (ja) | 診断信号の変換に基づいた疾病解析のための方法及びシステム | |
Chawla | A comparative analysis of principal component and independent component techniques for electrocardiograms | |
Seena et al. | A review on feature extraction and denoising of ECG signal using wavelet transform | |
WO2019161610A1 (zh) | 心电信息处理方法和心电工作站系统 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
Kumar et al. | Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis | |
Wu et al. | Extracting deep features from short ECG signals for early atrial fibrillation detection | |
Bulusu et al. | Transient ST-segment episode detection for ECG beat classification | |
CN116602642B (zh) | 心率监测方法、装置、设备 | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
Padmavathi et al. | Myocardial infarction detection using magnitude squared coherence and support vector machine | |
Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
Narsimha et al. | Denoising and QRS detection of ECG signals using Empirical Mode Decomposition | |
Liu et al. | An overview of signal quality indices on dynamic ECG signal quality assessment | |
Li et al. | A novel abnormal ECG beats detection method | |
Li et al. | A robust R-Wave detection algorithm in ECG signal | |
Chabchoub et al. | Impedance Cardiography heartbeat classification using LP, DWT, KNN and SVM | |
Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection | |
Desai | Automated detection of cardiac health condition using linear techniques | |
Nankani et al. | R-peak detection from ECG signals using fractal based mathematical morphological operators |
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 |