CN115804581A - 心率特征的测量方法、症状检测方法及相关设备 - Google Patents
心率特征的测量方法、症状检测方法及相关设备 Download PDFInfo
- Publication number
- CN115804581A CN115804581A CN202111082808.5A CN202111082808A CN115804581A CN 115804581 A CN115804581 A CN 115804581A CN 202111082808 A CN202111082808 A CN 202111082808A CN 115804581 A CN115804581 A CN 115804581A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- time
- point cloud
- cloud data
- rate 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 208000024891 symptom Diseases 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008033 biological extinction Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 230000000241 respiratory effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000003183 myoelectrical effect Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000003417 Central Sleep Apnea Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000018875 hypoxemia Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种心率特征测量方法及症状检测方法，测量方法包括：将心电信号分割为预设时段的多个心率信号段；将心率信号段映射至高维空间，以获取心率点云数据；对心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间；计算消亡时间的香农熵，以香农熵作为心率特征。本申请所提取出的心率特征能够提高症状检测的准确性。
Description
技术领域
本申请一般涉及心电信号处理领域。更具体地，本申请涉及一种心率特征的测量方法及症状检测方法。
背景技术
睡眠是维持人体正常生理功能的必要过程，是提高人们生活质量的重要保障。如今，人们已发现60多种不同的睡眠障碍，并分为七个类别。睡眠呼吸障碍属于第二类，其中包括中枢性睡眠呼吸暂停、阻塞性睡眠呼吸暂停以及与睡眠相关的低氧血症和肺换气不足。睡眠呼吸障碍被认为是心血管疾病的潜在危险因素，与充血性心力衰竭、心律失常和冠心病等密切相关。据2019年的统计资料，全球睡眠呼吸暂停的患病率由10年前的2％-4％上升至24％以上，男性比女性的患病率更高，并且患病率随着年龄的增长而增加。
临床上，多导睡眠图(Polysomnography,PSG)监测仪是诊断睡眠呼吸障碍的金标准，PSG监测仪通过多个传感器来记录呼吸气流、呼吸运动、氧饱和度、脑电图、眼电图、肌电图、心电图等。PSG监测仪提供了准确的结果，但其过程耗时、成本高，因为它通常需要病人在专业技术人员的监督下进入睡眠实验室。因此研究人员寻找到了心电图(electrocardiogram，ECG)作为替代PSG监测仪的睡眠呼吸障碍监测信号。心率变异性是指连续心率的微小生理变化。心率变异性的多个指数已经被用于研究睡眠呼吸障碍，大量研究表明心率变异性是一种无创且有效的工具，反映了自主神经系统的状态。
传统上，分析心率变异性的方法集中于时域分析、频域分析和非线性分析。然而由于心电信号本身为非线性信号，如果用线性方法如时域分析和频域分析进行特征提取，并不能反映信号本身的非线性特征，且其检测准确度、敏感度和特异性均处于一般水平。因此，研究者常用非线性分析方法从心电信号中提取特征。熵测度是常用于心率变异性分析的非线性方法，如近似熵、样本熵和模糊熵，然而大部分熵测度方法都无法从短时时间序列中获取足够信息。大多数研究都需要将整晚的心电信号切割为5分钟及以上的心电图信号来提取特征，并且是对个体进行检测。这种方法耗时长，计算成本高，且实时性较差。
发明内容
本申请提供一种心率特征的测量方法及症状检测方法，以解决现有心率特征的提取耗时长、计算成本高，且实时性差的问题。
为解决上述技术问题，本申请提出一种心率特征的测量方法，包括：将心电信号分割为预设时段的多个心率信号段；将所述心率信号段映射至高维空间，以获取心率点云数据；对所述心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间；计算所述消亡时间的香农熵，以所述香农熵作为所述心率特征。
在一个实施例中，所述预设时段小于5分钟。
在一个实施例中，所述预设时段为1分钟。
在一个实施例中，所述将心电信号分割为预设时段的多个心率信号段，包括：对心电信号进行去干扰处理，并提取R波，以获得RR序列；基于所述预设时段对所述RR序列进行分割，获得多个心率信号段。
在一个实施例中，所述对心电信号进行去干扰处理，包括：去除所述心电信号的工频干扰、肌电噪声以及极限漂移。
在一个实施例中，所述基于所述预设时段对所述RR序列进行分割，获得多个心率信号段，包括：基于所述预设时段对所述RR序列进行分割，得到多个RR片段；将所述多个RR片段均插值至预设频率，以获得多个心率信号段。
在一个实施例中，所述将所述心率信号段映射至高维空间，以获取心率点云数据，包括：采用延时嵌入法将所述心率信号段进行相空间重建，并映射到高维空间，以获取多维的心率点云数据。
在一个实施例中，对所述心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间，包括：获取持续同调中0维孔洞的消亡时间，1维孔洞的消亡时间及2维孔洞的消亡时间；所述计算所述消亡时间的香农熵，包括：计算每一维孔洞的消亡时间的香农熵，以获得三个香农熵。
为解决上述技术问题，本申请提出一种症状检测方法，其特征在于，所述症状检测方法包括：利用上述测量方法，获取待测心电信号的待测心率特征；利用所述待测心率特征进行症状检测。
在一个实施例中，所述利用所述待测心率特征进行症状检测，包括：将所述待测心率特征输入至分类模型，输出的分类结果作为症状检测结果。
在一个实施例中，所述分类模型由以下步骤训练获得：利用上述测量方法，获取多个训练心电信号的多个训练心率特征；利用k折交叉验证对所述多个训练心率特征进行分组，以分别对所述分类模型进行训练及验证；k为正整数。
在一个实施例中，所述利用所述待测心率特征进行症状检测，包括：利用所述待测心率特征进行呼吸症状检测。
为解决上述技术问题，本申请提出一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现上述方法的步骤。
为解决上述技术问题，本申请提出一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被执行以实现上述方法的步骤。
与现有技术不同，本申请心率特征的测量方法包括：将心电信号分割为预设时段的多个心率信号段；将心率信号段映射至高维空间，以获取心率点云数据；对心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间；计算消亡时间的香农熵，以香农熵作为心率特征。本申请所提取出的心率特征能够提高症状检测的准确性。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本申请心率特征的测量方法一实施例的流程示意图；
图2是本申请中心率点云数据的示意图；
图3是本申请中持续同调图；
图4是本申请症状检测方法一实施例的流程示意图；
图5是本申请分类模型训练方法的整体框架图；
图6是本申请电子设备一实施例的结构示意图；
图7是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本申请的发明思路来源于睡眠呼吸障碍检测的不准确不及时，原因在于心率特征的提取耗时长且成本高。因而本申请提出一种新的心率特征的测量方法，以及时的提取出心率特征，且该方法提取到的心率特征在应用于症状检测中时，能够使得症状检测更加准确。症状检测可以是与心率相关的多种症状，当然也包括呼吸问题及睡眠呼吸问题。
下面结合附图来详细描述本公开的具体实施方式。首先请参阅图1-图3，图1-图3为心率特征的测量方法的相关附图。本实施例心率特征的测量方法包括以下步骤：
S11：将心电信号分割为预设时段的多个心率信号段。
本步骤中每个心率信号段之间无重叠，且时间段均为预设时段。以预设时段进行分割即表示了后续得到的是该时段的心率特征，继而利用该时段的心率特征进行诊断，也可检测该时段下的症状。显然，预设时段越小，检测的实时性越高。本实施例中，预设时段小于5分钟，具体可以为1分钟、2分钟、3分钟、4分钟等。本实施例中预设时段选择为1分钟，便于及时检测。
对心电信号的分割处理则具体包括以下步骤。
S111：对心电信号进行去干扰处理，并提取R波，已获得RR序列。
在本步骤S111中，去干扰处理包括去除心电信号的工频干扰、肌电噪声和极限漂移，具体为利用Pan-Tomkins算法对原始的心电信号去除50Hz工频干扰、肌电噪声以及基线漂移，然后提取心电信号中的R波，获得RR序列。
S112：基于预设时段对RR序列进行分割，获得多个心率信号段。
本步骤中对RR序列进行分割得到RR片段后，进一步的将RR片段插值到预设频率，以保证一致性，从而获得多个心率信号段。
具体即将RR序列不重叠地分割为1分钟的RR片段，为统一长度，使数据保持平衡，将每分钟的RR序列插值至2Hz。在后续的心率变异性测量中，可减少数据长度对特征提取方法的影响，使不同类别的数据保持平衡。
S12：将心率信号段映射至高维空间，以获取心率点云数据。
本实施例中采用延时嵌入法将心率信号段进行相空间重建，并映射到高位空间，以获取多维的心率点云数据。具体来说把一维时间序列RR序列通过延时嵌入方法映射到高维空间，生成点云数据，高维空间中包含了更多的信息，成为之后拓扑分析的基础。
以每分钟的RR片段为例，将每分钟的RR片段使用延时嵌入方法进行相空间重建，并映射到高维的空间中，生成多维的点云数据。给定一个时间序列信号f(t)，得到空间中的任一相点可以表示为fi,定义为：
fi＝[f(ti),f(ti+2τ),……,f(ti+(d-1)τ)]∈Rd
i＝1，2，……n，n为相点总数，d是嵌入维度，τ是延迟时间。(d-1)τ数量被称为窗口大小。设置好嵌入维度和时间延迟后，进行相空间的重构，从每段RR数据得到一组点云数据，最后得出的点云数据如图2所示，由于多维度的点云我们无法观察到，图2中选用三维的点云以在图中表示出来，便于直观理解。
S13：对心率点云数据进行持续同调处理，获得持续同调处理中不同维度孔洞的消亡时间。
在持续同调处理中，以点云中每个相点作为球心，以r作为半径均匀变化，对步骤S12中得出的RR序列点云进行过滤，在欧式空间中构建维托里斯-里普斯复形(Vietoris-Rips complex)，初始的点云集群可以视为r＝0的小球，随着r不断增大，空间中的小球会交集，会出现各种类型的连接体或者孔洞。在这个持续过程中记录不同复形的p维孔洞的生存信息，将出生时间(birth)为横坐标，消亡时间(death)为纵坐标，对每个相空间中的点云数据集群进行持续同调，计算得出每个点云集群持续同调图PD，如图3所示。
S14：计算消亡时间的香农熵，以香农熵作为心率特征。
以下面的公式来计算香农熵，公式中D(B)为孔洞消亡时间的总和
D(B)＝death(1)+death(2)+...+death(n)
在本实施例中，获取持续同调0维孔洞的消亡时间，1维孔洞的消亡时间及2维孔洞的消亡时间，计算每一维孔洞的消亡时间的香农熵，继而可获得每个心率信号段的三个香农熵。
本实施例具体通过拓扑表征的方法对点云数据进行分析，提取心率变异性特征。这样的好处可以避免使用复杂的人工设计的特征和人工筛选特征的步骤。并且拓扑心电信号特征有效的提高了检测分类的准确率。
本申请使用了心率变异性分析和拓扑学的知识，提出了基于拓扑数据获得心率特征的方法，继而可用于分析的症状，例如可进行睡眠呼吸障碍检测。本申请中把一维时间序列—RR序列映射到高维空间中，转变为点云数据。在高维空间中，可以挖掘出更多的结构特点。与现有研究相比，我们提出拓扑数据分析得到的心率特征，在症状检测中，例如在睡眠呼吸障碍检测中，检测准确率高、计算成本低。为临床的诊断和治疗提供了一种新的有效方法。
基于上述获得心率特征的新方法，本申请进一步提出了症状检测方法，请参阅图4，本实施例症状检测方法包括以下步骤。
S21：利用心率特征测量方法，获取待测心电信号的待测心率特征。
本步骤中主要利用了上述心率特征测量方法，对待测的心电信号进行测量，以获得待测心率特征。
S22：利用待测心率特征进行症状检测。
再利用待测心率特征进行症状检测，具体可进行呼吸症状的检测。本实施例中采用的具体办法是：将待测心率特征输入到分类模型中，输出的分类结果作为症状检测结果。即采用了一个分类模型进行计算，该分类模型可以是随机森林分类器。
该分类模型具体由以下步骤训练获得：
S221：利用心率特征测量方法，获得多个训练心电信号的多个训练心率特征。
也是由上述心率特征测量方法来得到心率特征，利用该心率特征去进行分类模型的训练，以提高分类模型的分类准确率。
S222：利用k折交叉验证对多个训练心率特征进行分组，以分别对分类模型进行训练及验证。
采用交叉验证的办法来对分类模型进行训练验证，其中k为正整数。具体即将所得到的训练心率特征划分为k组，其中1组作为验证组，另外k-1组作为训练组，如此循环交叉验证。
例如，本实施例中采用五折交叉验证进行验证，将得到的特征向量数据集分成两部分，其中80％当成训练集，20％为测试集。使用训练集训练随机森林分类器，并用测试集测试分类器的性能。
对应分类模型的训练方法，其逻辑框架请参阅图5。其中分为心电信号预处理模块、特征提取模块和指标验证模块，分别对应上文提到的步骤，具体不再赘述。
本申请还采用Apnea-ECG数据集进行验证，其中包括60个6小时的心电记录，并将60个心电记录分为健康组(20个心电记录)和睡眠呼吸障碍组(40个记录)。
进行了两个实验：(1)将数据集中的睡眠呼吸障碍和正常记录进行分类，(2)将所有心电记录按每分钟标记为睡眠呼吸障碍或非睡眠呼吸障碍。
对于实验(1)其结果准确率可达83.3％，对于实验(2)其结果准确率可达78％。
上述心率特征的测量方法及症状检测方法均可由电子设备实现，因而本申请还提出电子设备，请参阅图6，图6是本申请电子设备一实施例的结构示意图，本实施例电子设备100可以是医疗检测仪器，其包括相互连接的处理器11和存储器12，本实施例电子设备100可实现上述方法的实施例。其中，存储器12中存储有计算机程序，处理器11用于执行计算机程序以实现上述方法。
处理器11可以是一种集成电路芯片，具有信号的处理能力。处理器11还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。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。
对于上述实施例的方法，其可以计算机程序的形式存在，因而本申请提出一种计算机存储介质，请参阅图7，图7是本申请计算机存储介质一实施例的结构示意图。本实施例计算机存储介质200中存储有计算机程序21，其可被执行以实现上述实施例中的方法。
本实施例计算机存储介质200可以是U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等可以存储程序指令的介质，或者也可以为存储有该程序指令的服务器，该服务器可将存储的程序指令发送给其他设备运行，或者也可以自运行该存储的程序指令。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，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信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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方式方案的目的。
另外，在本申请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。
集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。所附权利要求书旨在限定本申请的保护范围，并因此覆盖这些权利要求范围内的模块组成、等同或替代方案。
Claims (14)
1.一种心率特征的测量方法，其特征在于，所述测量方法包括：
将心电信号分割为预设时段的多个心率信号段；
将所述心率信号段映射至高维空间，以获取心率点云数据；
对所述心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间；
计算所述消亡时间的香农熵，以所述香农熵作为所述心率特征。
2.根据权利要求1所述的测量方法，其特征在于，所述预设时段小于5分钟。
3.根据权利要求2所述的测量方法，其特征在于，所述预设时段为1分钟。
4.根据权利要求1所述的测量方法，其特征在于，所述将心电信号分割为预设时段的多个心率信号段，包括：
对心电信号进行去干扰处理，并提取R波，以获得RR序列；
基于所述预设时段对所述RR序列进行分割，获得多个心率信号段。
5.根据权利要求4所述的测量方法，其特征在于，所述对心电信号进行去干扰处理，包括：
去除所述心电信号的工频干扰、肌电噪声以及极限漂移。
6.根据权利要求4所述的测量方法，其特征在于，所述基于所述预设时段对所述RR序列进行分割，获得多个心率信号段，包括：
基于所述预设时段对所述RR序列进行分割，得到多个RR片段；
将所述多个RR片段均插值至预设频率，以获得多个心率信号段。
7.根据权利要求1所述的测量方法，其特征在于，所述将所述心率信号段映射至高维空间，以获取心率点云数据，包括：
采用延时嵌入法将所述心率信号段进行相空间重建，并映射到高维空间，以获取多维的心率点云数据。
8.根据权利要求1所述的测量方法，其特征在于，对所述心率点云数据进行持续同调处理，获得持续同调中不同维度孔洞的消亡时间，包括：
获取持续同调中0维孔洞的消亡时间，1维孔洞的消亡时间及2维孔洞的消亡时间；
所述计算所述消亡时间的香农熵，包括：
计算每一维孔洞的消亡时间的香农熵，以获得三个香农熵。
9.一种症状检测方法，其特征在于，所述症状检测方法包括：
利用权利要求1-8中任一项所述的测量方法，获取待测心电信号的待测心率特征；
利用所述待测心率特征进行症状检测。
10.根据权利要求9所述的症状检测方法，其特征在于，所述利用所述待测心率特征进行症状检测，包括：
将所述待测心率特征输入至分类模型，输出的分类结果作为症状检测结果。
11.根据权利要求10所述的症状检测方法，其特征在于，所述分类模型由以下步骤训练获得：
利用权利要求1-8中任一项所述的测量方法，获取多个训练心电信号的多个训练心率特征；
利用k折交叉验证对所述多个训练心率特征进行分组，以分别对所述分类模型进行训练及验证；k为正整数。
12.根据权利要求9所述的症状检测方法，其特征在于，所述利用所述待测心率特征进行症状检测，包括：
利用所述待测心率特征进行呼吸症状检测。
13.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1-12中任一项所述方法的步骤。
14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行以实现如权利要求1-12中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082808.5A CN115804581B (zh) | 2021-09-15 | 2021-09-15 | 心率特征的测量方法、症状检测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082808.5A CN115804581B (zh) | 2021-09-15 | 2021-09-15 | 心率特征的测量方法、症状检测方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115804581A true CN115804581A (zh) | 2023-03-17 |
| CN115804581B CN115804581B (zh) | 2023-12-15 |
Family
ID=85482083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111082808.5A Active CN115804581B (zh) | 2021-09-15 | 2021-09-15 | 心率特征的测量方法、症状检测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115804581B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040230105A1 (en) * | 2003-05-15 | 2004-11-18 | Widemed Ltd. | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals |
| US20090326401A1 (en) * | 2008-01-25 | 2009-12-31 | University Of Southern California | Method and System for Dynamical Systems Modeling of Electrocardiogram Data |
| US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
| WO2018002542A1 (fr) * | 2016-06-30 | 2018-01-04 | Université D'aix-Marseille | Procédé de détection d'au moins un trouble du rythme cardiaque |
| CN107920763A (zh) * | 2015-07-16 | 2018-04-17 | 普瑞温迪克斯有限责任公司 | 处理生物数据 |
| US20180206752A1 (en) * | 2013-09-25 | 2018-07-26 | Bardy Diagnostics, Inc. | System And Method For ECG Data Classification For Use In Facilitating Diagnosis Of Cardiac Rhythm Disorders With The Aid Of A Digital Computer |
| US20190046055A1 (en) * | 2016-02-24 | 2019-02-14 | Universidad De Sevilla | Method for obtaining useful data associated with heart rate variability pattern |
| CN110443785A (zh) * | 2019-07-18 | 2019-11-12 | 太原师范学院 | 一种持久同调下三维点云的特征提取方法 |
| US20190365265A1 (en) * | 2018-06-04 | 2019-12-05 | Analytics For Life Inc. | Method and System to Assess Pulmonary Hypertension Using Phase Space Tomography and Machine Learning |
| CN110720918A (zh) * | 2012-05-30 | 2020-01-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
| CN111247562A (zh) * | 2017-10-21 | 2020-06-05 | 三星电子株式会社 | 使用混合变换的点云压缩 |
| US20200305734A1 (en) * | 2017-11-15 | 2020-10-01 | Technion Research & Development Foundation Limited | Non-invasive analysis of sinoatrial node and autonomic nervous input to heart function |
| US20210212582A1 (en) * | 2019-12-23 | 2021-07-15 | Analytics For Life Inc. | Method and system for signal quality assessment and rejection using heart cycle variability |
| CN113331845A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大学 | 基于持续同调的脑电信号特征提取与准确度判别的方法 |
-
2021
- 2021-09-15 CN CN202111082808.5A patent/CN115804581B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040230105A1 (en) * | 2003-05-15 | 2004-11-18 | Widemed Ltd. | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals |
| US20090326401A1 (en) * | 2008-01-25 | 2009-12-31 | University Of Southern California | Method and System for Dynamical Systems Modeling of Electrocardiogram Data |
| US20120123232A1 (en) * | 2008-12-16 | 2012-05-17 | Kayvan Najarian | Method and apparatus for determining heart rate variability using wavelet transformation |
| CN110720918A (zh) * | 2012-05-30 | 2020-01-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
| US20180206752A1 (en) * | 2013-09-25 | 2018-07-26 | Bardy Diagnostics, Inc. | System And Method For ECG Data Classification For Use In Facilitating Diagnosis Of Cardiac Rhythm Disorders With The Aid Of A Digital Computer |
| CN107920763A (zh) * | 2015-07-16 | 2018-04-17 | 普瑞温迪克斯有限责任公司 | 处理生物数据 |
| US20190046055A1 (en) * | 2016-02-24 | 2019-02-14 | Universidad De Sevilla | Method for obtaining useful data associated with heart rate variability pattern |
| WO2018002542A1 (fr) * | 2016-06-30 | 2018-01-04 | Université D'aix-Marseille | Procédé de détection d'au moins un trouble du rythme cardiaque |
| CN111247562A (zh) * | 2017-10-21 | 2020-06-05 | 三星电子株式会社 | 使用混合变换的点云压缩 |
| US20200305734A1 (en) * | 2017-11-15 | 2020-10-01 | Technion Research & Development Foundation Limited | Non-invasive analysis of sinoatrial node and autonomic nervous input to heart function |
| US20190365265A1 (en) * | 2018-06-04 | 2019-12-05 | Analytics For Life Inc. | Method and System to Assess Pulmonary Hypertension Using Phase Space Tomography and Machine Learning |
| CN110443785A (zh) * | 2019-07-18 | 2019-11-12 | 太原师范学院 | 一种持久同调下三维点云的特征提取方法 |
| US20210212582A1 (en) * | 2019-12-23 | 2021-07-15 | Analytics For Life Inc. | Method and system for signal quality assessment and rejection using heart cycle variability |
| CN113331845A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大学 | 基于持续同调的脑电信号特征提取与准确度判别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| GRZEGORZ GRAFF: "Persistent Homology as A New Method of The Assessment of Heart Rate Variability", 《PLOS ONE》, pages 24 - 20 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
| CN116842330B (zh) * | 2023-08-31 | 2023-11-24 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115804581B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10602942B2 (en) | Method of detecting abnormalities in ECG signals | |
| Altan et al. | Deep learning with 3D-second order difference plot on respiratory sounds | |
| Subha et al. | EEG signal analysis: a survey | |
| Wang et al. | Detection of sleep apnea from single-lead ECG signal using a time window artificial neural network | |
| Wei et al. | The research of sleep staging based on single-lead electrocardiogram and deep neural network | |
| CN110801221B (zh) | 基于无监督特征学习的睡眠呼吸暂停片段检测设备 | |
| US11783924B2 (en) | ECG information processing method and ECG workstation | |
| EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| Kang et al. | A state space and density estimation framework for sleep staging in obstructive sleep apnea | |
| CN110151138B (zh) | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 | |
| Mashrur et al. | SCNN: Scalogram-based convolutional neural network to detect obstructive sleep apnea using single-lead electrocardiogram signals | |
| Gavrovska et al. | Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis | |
| Lu et al. | Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features | |
| Agarwal et al. | Digital tools in polysomnography | |
| Zhang et al. | Auto-annotating sleep stages based on polysomnographic data | |
| Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
| Goh et al. | Comparison of fractal dimension algorithms for the computation of EEG biomarkers for dementia | |
| CN115804581B (zh) | 心率特征的测量方法、症状检测方法及相关设备 | |
| Gupta et al. | A robust framework for automated screening of diabetic patient using ecg signals | |
| Tseng et al. | Healthcare knowledge of relationship between time series electrocardiogram and cigarette smoking using clinical records | |
| Hazeri et al. | Classification of normal/abnormal PCG recordings using a time–frequency approach | |
| CN115630290B (zh) | 基于同步挤压变换的心肺耦合特征提取方法与系统 | |
| Yun-Mei et al. | The abnormal detection of electroencephalogram with three-dimensional deep convolutional neural networks | |
| CN115067910A (zh) | 一种心率变异性压力检测方法、装置、存储介质以及系统 | |
| Poonja et al. | Evaluation of ECG based Recognition of Cardiac Abnormalities using Machine Learning and Deep Learning |
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 | ||
| CB02 | Change of applicant information |
Address after: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Applicant after: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY Applicant after: Shenzhen University of Technology (preparatory) Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY Applicant before: Shenzhen University of technology Chinese Academy of Sciences (Preparatory) |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |