CN115868940A - 一种基于iabp的生理信号质量评估方法及装置 - Google Patents
一种基于iabp的生理信号质量评估方法及装置 Download PDFInfo
- Publication number
- CN115868940A CN115868940A CN202310167725.9A CN202310167725A CN115868940A CN 115868940 A CN115868940 A CN 115868940A CN 202310167725 A CN202310167725 A CN 202310167725A CN 115868940 A CN115868940 A CN 115868940A
- Authority
- CN
- China
- Prior art keywords
- signal
- physiological
- signal quality
- target
- kurtosis
- 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
Images
Abstract
本发明提供了一种基于IABP的生理信号质量评估方法及装置,涉及医疗器械技术领域,上述方法包括:在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,生理信号包括:心电信号和/或动脉血压信号;提取生理信号的信号参数值,其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频;基于信号参数值,对生理信号进行信号质量评估;在信号质量评估结果表征生理信号的信号质量满足预设信号质量要求的情况下,基于生理信号实现主动脉内球囊反搏。用本实施例提供的方案,能够实现在利用IABP技术治疗患者的过程中对生理信号进行质量评估。
Description
技术领域
本发明涉及医疗器械技术领域,特别是涉及一种基于IABP的生理信号质量评估方法及装置。
背景技术
IABP(Intra-Aortic Balloon Counterpulsation,主动脉内球囊反搏)技术是一项用于支持病人心脏功能,改善患者血流动力学的辅助支持方法,已被运用于医院心内科,心外科病人的手术及治疗过程中。该技术的原理为:IABP装置获取患者的生理信号,基于生理信号确定患者心脏舒张时刻和心脏收缩时刻,在心脏收缩时刻前一瞬间,控制球囊放气,从而降低主动脉内舒张末压,减少左心室做功,降低后负荷,减少心肌耗氧;在心脏舒张时刻前一瞬间,控制球囊充气,从而增加舒张期冠脉灌注压力,增加心肌供氧。
然而,当生理信号的信号质量较低时,如生理信号受到噪声重度污染,基于上述生理信号识别得到的心脏舒张时刻和心脏收缩时刻相较于实际的心脏舒张时刻和心脏收缩时刻的差距较大,从而使得IABP装置难以准确地实现上述功能。因此,在利用IABP技术治疗患者的过程中,亟需一种生理信号质量评估方案。
发明内容
本发明实施例的目的在于提供一种基于IABP的生理信号质量评估方法及装置,以实现在利用IABP技术治疗患者的过程中对生理信号进行质量评估。具体技术方案如下:
第一方面,本发明实施例提供了一种基于IABP的生理信号质量评估方法,所述方法包括:
在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,所述生理信号包括:心电信号和/或动脉血压信号;
提取所述生理信号的信号参数值;
其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频,所述第一峰度表征信号在时域分布上的陡缓程度,所述偏度表征信号在时域分布上偏斜方向以及程度,所述有效信号占比表示信号中有效成分相对于总成分的占比,所述第二峰度表示信号在频域分布上的陡缓程度,所述主频表示信号在频域分布上的第二峰度对应的频率;
基于所述信号参数值,对所述生理信号进行信号质量评估;
在信号质量评估结果表征所述生理信号的信号质量满足预设信号质量要求的情况下,基于所述生理信号实现主动脉内球囊反搏。
本发明的一个实施例中,上述基于所述信号参数值,对所述生理信号进行信号质量评估,包括:
提取所述信号参数值的信号特征;
对提取到的信号特征进行特征融合,得到目标特征;
基于所述目标特征,对所述生理信号进行信号质量分类,得到信号质量评估结果。
本发明的一个实施例中,上述基于所述目标特征,对所述生理信号进行信号质量分类,包括:
将所述目标特征输入预先训练的支持向量机模型中,得到所述支持向量机模型输出的信号质量分类结果,作为信号质量评估结果,其中,所述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。
本发明的一个实施例中,上述生理信号为心电信号时,所述信号参数值还包括:心电信号中的R波数量、RR间期离散度,所述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度,所述有效信号占比包括第一类有效信号占比和第二类有效信号占比。
本发明的一个实施例中,上述基于信号参数值,对生理信号进行信号质量评估,包括:
判断所述主频是否位于预设主频范围内,其中,所述预设主频范围为:与所述生理信号的信号类型相对应的正常主频范围;
若为是,确定目标信号参数值中位于预设目标信号参数范围的信号参数值的目标数量,基于所述目标数量,对所述生理信号进行信号质量评估,其中,所述目标信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度,所述预设目标信号参数范围为:与所述生理信号的信号类型相对应的正常信号参数值范围。
本发明的一个实施例中,上述基于所述目标数量,对所述生理信号进行信号质量评估,包括:
从各预设数量范围中确定所述目标数量所属的目标数量范围,其中,所述预设数量范围与预设信号质量等级相对应;
将所述目标数量范 围相对应的预设信号质量等级作为所述生理信号的信号质量评估结果。
第二方面,本发明实施例提供了一种基于IABP的生理信号质量评估装置,所述装置包括:
信号获得模块,用于在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,所述生理信号包括:心电信号和/或动脉血压信号;
数据提取模块,用于提取所述生理信号的信号参数值;其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频,所述第一峰度表征信号在时域分布上的陡缓程度,所述偏度表征信号在时域分布上偏斜方向以及程度,所述有效信号占比表示信号中有效成分相对于总成分的占比,所述第二峰度表示信号在频域分布上的陡缓程度,所述主频表示信号在频域分布上的第二峰度对应的频率;
信号质量评估模块,用于基于所述信号参数值,对所述生理信号进行信号质量评估;
球囊反博模块,用于在信号质量评估结果表征所述生理信号的信号质量满足预设信号质量要求的情况下,基于所述生理信号实现主动脉内球囊反搏。
本发明的一个实施例中,上述信号质量评估模块,包括:
特征提取子模块,用于提取所述信号参数值的信号特征;
特征融合子模块,用于对提取到的信号特征进行特征融合,得到目标特征;
第一信号质量评估子模块,用于基于所述目标特征,对所述生理信号进行信号质量分类,得到信号质量评估结果。
本发明的一个实施例中,上述第一信号质量评估子模块,具体用于将所述目标特征输入预先训练的支持向量机模型中,得到所述支持向量机模型输出的信号质量分类结果,作为信号质量评估结果,其中,所述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。
本发明的一个实施例中,上述生理信号为心电信号时,所述信号参数值还包括:心电信号中的R波数量、RR间期离散度,所述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度,所述有效信号占比包括第一类有效信号占比和第二类有效信号占比。
本发明的一个实施例中,上述信号质量评估模块,包括:
信息判断子模块,用于判断所述主频是否位于预设主频范围内,其中,所述预设主频范围为:与所述生理信号的信号类型相对应的正常主频范围;若为是,触发第二信号质量评估子模块;
所述第二信号质量评估子模块,用于确定目标信号参数值中位于预设目标信号参数范围的信号参数值的目标数量,基于所述目标数量,对所述生理信号进行信号质量评估,其中,所述目标信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度,所述预设目标信号参数范围为:与所述生理信号的信号类型相对应的正常信号参数值范围。
本发明的一个实施例中,上述第二信号质量评估子模块,具体用于从各预设数量范围中确定所述目标数量所属的目标数量范围,其中,所述预设数量范围与预设信号质量等级相对应;将所述目标数量范围相对应的预设信号质量等级作为所述生理信号的信号质量评估结果。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的方法步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见,应用本发明实施例提供的方案进行生理信号质量评估时,由于信号参数值包括第一峰度、偏度、有效信号占比、第二峰度以及主频,又由于第一峰度以及偏度可以作为生理信号中是否有异常值的判断标准,有效信号占比能够在一定程度上反映生理信号中非噪声的有用成分相对于总成分的占比,主频能够反映生理信号是否符合信号质量标准,峰度值能够反映生理信号的噪声分布,因此,综合上述各个参数值,考虑了各信号参数值所表征的信号质量信息,能够更为准确、全面对生理信号进行信号质量评估。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种基于IABP的生理信号质量评估方法的流程示意图;
图2a为本发明实施例提供的一种原始动脉血压信号;
图2b为本发明实施例提供的一种原始动脉血压信号的频谱分布图;
图2c为本发明实施例提供的一种受到噪声轻度污染的动脉血压信号;
图2d为本发明实施例提供的一种动脉血压信号的频谱分布图;
图2e为本发明实施例提供的一种受到噪声中度污染的动脉血压信号;
图2f为本发明实施例提供的一种受到噪声中度污染的动脉血压信号的频谱分布图;
图2g为本发明实施例提供的一种受到噪声重度污染的动脉血压信号;
图2h为本发明实施例提供的一种受到噪声重度污染的动脉血压信号的频谱分布图;
图3为本发明实施例提供的一种基于IABP的生理信号质量评估装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
首先,在对本发明实施例提供的方案进行具体说明之前,对本发明实施例的执行主体以及应用场景进行说明。
本发明实施例的应用场景为:使用IABP技术为患者治疗的应用场景。
本发明实施例的执行主体为:IABP的控制设备。上述控制设备用于采集患者的生理信号以及IABP装置的运行参数数据,并对球囊进行充气、放气。
以下对本发明实施例提供的方案进行具体说明。
参见图1,图1为本发明实施例提供的一种基于IABP的生理信号质量评估方法的流程示意图,上述方法包括以下步骤S101-S104。
步骤S101:在IABP装置运行过程中,获得IABP装置所治疗的患者的生理信号。
上述生理信号包括患者的心电信号和/或动脉血压信号。上述生理信号可以由IABP装置中信号采集设备采集的。在采集生理信号时,可以预先设置信号采集设备的信号采样率,信号采集设备按照信号采样率采集生理信号。
在获得生理信号后,可以对生理信号进行分割处理,对分割处理后的生理信号进行质量评估,以提高信号质量评估效率。在进行分割处理时,可以按照时间窗10s进行分割,得到时长为10s的无重叠的若干信号片段。
步骤S102:提取生理信号的信号参数值。
上述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频。上述第一峰度表征信号在时域分布上的陡缓程度,偏度表征信号在时域分布上偏斜方向以及程度,有效信号占比表示信号中的有效成分相对于总成分的占比,第二峰度表示信号在频域分布上的陡缓程度,第二峰度能够衡量生理信号的峰值的尖锐程度,主频表示信号在频域分布上的第二峰度对应的频率,主频能够反映生理信号最凸显的频率成分。
在提取上述信号参数值,可以采用相对应的信号参数值计算算法,提取生理信号的信号参数值。
以下分别对上述各项参数值的计算方式进行说明:
1.第一峰度值、偏度值
按照以下计算公式计算第一峰度值K、偏度值S:
以生理信号为心电信号为例,表示心电信号中标识为i的信号数据的电压值,表示信号所包含信号数据的电压均值,SD表示信号所包含信号数据的电压方差;以生理信号为动脉血压信号为例,/>表示动脉血压信号中标识为i的信号数据的血压值,/>表示信号所包含信号数据的血压均值,SD表示信号所包含信号数据的血压方差。
2.有效信号占比、第二峰度值、主频
将生理信号进行fft(Fast Fourier Transform,快速傅里叶变换),得到生理信号的PSD(Power Spectral Density,功率谱密度)。fft能够实现生理信号从时域到频域的转换,通过PSD能够获取生理信号更深层次的信息。
基于PSD,按照以下表达式计算上述有效信号占比:
其中,SDR表示有效信号占比,a~b为第一预设频率范围,a为第一预设频率范围的最小频率,b为第一预设频率范围的最大频率,c~d为第二预设频率范围,c为第二预设频率范围的最小频率,d为第二预设频率范围的最大频率,表示PSD中a-b频率范围的能量,/>表示PSD中c-d频率范围的能量。
上述第一预设频率范围、第二预设频率范围是预先确定的,具体的,可以预先确定生理信号的信号类型相对应的频率范围。例如:在生理信号为心电信号时,第一预设频率范围可以为:0.5-15Hz,第二预设频率范围可以为与0.05-50Hz;在生理信号为动脉血压信号时,第一预设频率范围可以为:0.5-3Hz,第二预设频率范围可以为与0.05-50Hz。
在计算第二峰度值以及主频时,确定PSD中最高纵坐标值,作为第二峰度值,将最高纵坐标值对应的横轴的频率值确定为主频。
步骤S103:基于信号参数值,对生理信号进行信号质量评估。
由于信号参数值包括第一峰度、偏度、有效信号占比、第二峰度以及主频,又由于第一峰度以及偏度可以作为生理信号中是否有异常值的判断标准,有效信号占比能够在一定程度上反映生理信号中非噪声的有用成分相对于总成分的占比,主频能够反映生理信号是否符合信号质量标准,峰度值能够反映生理信号的噪声分布,因此,综合上述各从不同角度反映信号质量的信号参数值,能够更为准确、全面对生理信号进行信号质量评估。
在进行信号质量评估时,本发明的一个实施例,可以提取信号参数值的信号特征,将提取得到的信号特征与每一预设信号特征进行特征匹配,基于匹配度,确定生理信号的信号质量。
上述预设信号特征为:预设信号质量的生理信号相对应的信号特征。例如:以信号质量等级划分信号质量,预先确定预设信号质量包括信号质量优良、信号质量合格以及信号质量不合格,预设信号特征则包括信号质量优良的生理信号相对应的信号特征、信号质量合格的生理信号相对应的信号特征以及信号质量不合格的生理信号相对应的信号特征。
在提取信号特征时,可以采用特征提取算法,对信号参数值进行特征提取。
在进行特征匹配时,可以计算信号特征与每一预设信号特征之间的距离,上述距离可以为欧式距离、余弦距离等,当计算得到的距离越近,表征两类信号特征之间的匹配度越高,当计算得到的距离越远,表征两类信号特征之间的匹配度越低。基于此,可以将计算得到的距离确定为匹配度。
在确定生理信号的信号质量时,可以将最高匹配度的预设信号特征相对应的预设信号质量确定为生理信号的信号质量。
在对生理信号进行信号质量评估时,本发明的另一个实施例中,还可以将信号参数值输入预先训练的支持向量机模型中,得到支持向量机模型输出的信号质量评估结果。上述支持向量机模型为:以样本生理信号的信号参数值为训练样本、以样本生理信号的实际信号质量结果为训练基准,对初始神经网络模型进行训练得到的、用于对生理信号的信号质量进行评估的模型。
对生理信号进行信号质量评估的其他实施方式可以参见后续实施例,在此不进行详述。
步骤S104:在信号质量评估结果表征生理信号的信号质量满足预设信号质量要求的情况下,基于生理信号实现主动脉内球囊反搏。
上述预设信号质量要求可以是预先设定的。当生理信号的信号质量满足预设信号质量要求,表示生理信号的信号质量较好,在这种情况下,可以采用上述生理信号实现主动脉内球囊反搏;当生理信号的信号质量不满足预设信号质量要求,表示生理信号的信号质量较差,在这种情况下,可以结束流程或者发出报警。
在基于生理信号实现主动脉内球囊反搏时,可以基于生理信号确定心脏舒张时刻以及心脏收缩时刻,在心脏舒张时刻以及心脏收缩时刻前进行球囊充气和放气。
在生理信号包括心电信号以及动脉血压信号的情况下,可能会存在心电信号、动脉血压信号的信号质量均满足预设信号质量要求,在这种情况下,本发明的一个实施例中,可以按照心电信号以及动脉血压信号对应的优先级,选择目标生理信号;基于目标生理信号,实现主动脉内球囊反搏。
例如:预先设定心电信号对应的优先级高于动脉血压信号对应的优先级,可以将心电信号确定为目标生理信号,基于心电信号实现主动脉内球囊反搏,即基于心电信号确定心脏舒张时刻以及心脏收缩时刻,在心脏舒张时刻以及心脏收缩时刻前进行球囊充气和放气。
由以上可见,应用本实施例提供的方案进行生理信号质量评估时,由于信号参数值包括第一峰度、偏度、有效信号占比、第二峰度以及主频,又由于第一峰度以及偏度可以作为生理信号中是否有异常值的判断标准,有效信号占比能够在一定程度上反映生理信号中非噪声的有用成分相对于总成分的占比,主频能够反映生理信号是否符合信号质量标准,峰度值能够反映生理信号的噪声分布,因此,综合上述各个参数值,考虑了各信号参数值所表征的信号质量信息,能够更为准确、全面对生理信号进行信号质量评估。
在前述图1对应的实施例的步骤S103中,除了可以采用所提及的方式进行信号质量评估之外,还可以按照以下两种不同实施方式进行信号质量评估。
第一种实施方式,按照以下步骤A1-步骤A3实现。
步骤A1:提取信号参数值的信号特征。
在提取信号特征时,可以采用特征提取算法,对信号参数值进行特征提取。
步骤A2:对提取到的信号特征进行特征融合,得到目标特征。
一种实施方式中,可以对提取得到的信号特征进行特征拼接,将拼接后得到的特征确定为目标特征。
步骤A3:基于目标特征,对生理信号进行信号质量分类,得到信号质量评估结果。
由于目标特征是提取得到的信号特征进行特征融合得到的,目标特征集合了各信号特征所反映的信息,并且表征更深层次的信号质量信息,因此,基于目标特征能够准确地对生理信号进行信号质量分类。
在进行信号质量分类时,本发明的一个实施例中,可以将目标特征输入预先训练的支持向量机模型中,得到支持向量机模型输出的信号质量分类结果,作为信号质量评估结果。
上述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。由于支持向量机模型是采用大量的训练样本进行训练得到的,所以支持向量机模型能够学习到基于信号参数值进行信号质量分类的规律,因此,将信号参数值输入支持向量机模型,能够得到较为准确的信号质量。
由以上可见,由于目标特征是提取得到的信号特征进行特征融合得到的,目标特征集合了各信号特征所反映的信息,并且表征更深层次的信号质量信息,因此,基于目标特征能够准确地对生理信号进行信号质量分类。
在这种情况下,当生理信号为心电信号时,上述信号参数值还可以包括:心电信号中的R波数量、RR间期离散度。
上述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度。
前述信号参数值中的有效信号占比可以进一步细分为第一类有效信号占比和第二类有效信号占比。
其中,上述R波数量可以采用R波检测算法对心电信号进行检测,得到R波数量;
上述RR间期离散度D可以按照以下表达式进行计算:
上述第一类有效信号占比和第二类有效信号分别所对应的预设频率范围不同,具体到,第一类有效信号占比的第一预设频率范围可以为:0.5-15Hz,第二预设频率范围可以为与0.05-50Hz,第二类有效信号占比的第一预设频率范围可以为:5-15Hz,第二预设频率范围可以为与5-45Hz。
第二种实施方式中,按照以下步骤B1-步骤B2实现。
步骤B1:判断主频是否位于预设主频范围内,若为是,执行步骤B2。
上述预设主频范围为:与生理信号的信号类型相对应的正常主频范围。上述预设主频范围可以预先基于医学技术知识确定,例如:对于心电信号,主频可能在0.5-10Hz这一比较大的范围内波动,基于此,将心电信号对应的正常主频范围确定为[0.5,10]Hz。对于经过高强度滤波后的动脉血压信号,理论上其最凸显的频率成分应该是与心率一致的搏动节奏,因此我们将动脉血压信号对应的正常主频范围确定为[0.5,4]Hz。
当主频位于上述预设主频范围内,表示从主频这一角度来看,生理信号的信号质量未出现异常,在这种情况下,继续基于其他信号参数值对信号质量进行分析;当主频不位于上述预设主频范围内,表示从主频这一角度来看,生理信号的信号质量出现异常,在这种情况下,结束流程,并向相关医护人员发送生理信号质量异常的警报。
由于主频反映了生理信号中最凸显的频率成分,对于噪声水平低的生理信号,其具有有限数量的重要频率分量,即主频突出,而对于伪影明显的生理信号,伪影成分会导致与之相关的伪影频率分量存在,改变了频率分布的形状,因此,主频相较于其他信号参数值,能够更加显著判断生理信号的信号质量。所以,首先基于主频进行信号质量分析,在主频位于预设主频范围的情况下,继续采用其他信号参数值进行信号质量分析,能够进一步准确分析信号质量;在主频不位于预设主频范围的情况下,直接结束流程,能够提高信号质量分析的效率。
步骤B2:确定目标信号参数值中位于预设目标信号参数范围的信号参数值的目标数量,基于目标数量,对生理信号进行信号质量评估。
上述目标信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度。
上述预设目标信号参数范围为:与生理信号的信号类型相对应的正常信号参数值范围。当信号参数值位于预设目标信号参数范围内,表示该信号参数值所表征的信号质量未出现异常,当信号参数值不位于预设目标信号参数范围内,表示该信号参数值所表征的信号质量出现异常。
上述预设目标信号参数范围可以预先基于医学技术知识确定:
对于第一峰度、偏度,由于第一峰度和偏度可以作为信号中异常值的判断标准,没有异常值的信号分布将会更加对称,并会有一个尖锐的峰,信号质量较好的生理信号具有较高的K与S值,基于此,可以设置第一峰度、偏度相对应的目标信号参数范围大于预设阈值。例如:将心电信号的第一峰度对应的目标信号参数范围确定为大于或者等于5,将动脉压力信号的第一峰度对应的目标信号参数范围确定为大于或者等于2,将心电信号的偏度对应的目标信号参数范围确定为大于或者等于1,将动脉压力信号的偏度对应的目标信号参数范围确定为大于或者等于1。
对于有效信号占比,在生理信号为心电信号的情况下,心电信号的频率范围一般为0-100Hz,其中包含了低频的基线漂移噪声(0-0.25Hz)、心电信号低频成分(0.25-10Hz)、心电信号高频成分(10-20Hz)以及中高频段噪声(20-100Hz)。在大量相关研究结果的基础上,通过将0.5-15Hz范围内的频谱能量与0.05-50Hz范围内的频谱能量作比较,该比值能够在一定程度上反映出该段心电信号中,非噪声的有用成分相对于总成分的占比。一般来说,该比值大于0.5时,才认为该心电信号的信号质量正常,因此,可以将心电信号的有效信号占比对应的目标信号参数范围确定为大于或者等于0.5;按照同样的原理,将动脉压力信号的有效信号占比对应的目标信号参数范围确定为大于或者等于0.2。
对于第二峰度,按照医学经验知识,将心电信号的第二峰度对应的目标信号参数范围确定为大于或者等于20,将动脉压力信号的第二峰度对应的目标信号参数范围确定为大于或者等于100。
在确定上述目标数量时,可以确定位于预设目标信号参数范围的信号参数值,将所确定的信号参数值的数量作为目标数量。例如:对于生理信号为心电信号,心电信号对应的预设信号参数值范围分别为K>=5,S>=1,SDR>=0.5,>=20,其中,K为第一峰度、S为偏度,SDR为有效信号占比,/>为第二峰度,在对当前心电信号进行参数值提取所得到的各信号参数值分别为K=8,S=4,SDR=0.3,/>=25,由于第一峰度、偏度以及第二峰度均位于预设信号参数值范围内,所以,目标数量为3。
由于目标数量能够反映位于预设目标信号参数范围的信号参数值的数量,当目标数量越多,表示表征信号质量未出现异常的信号参数值的数量越多,目标数量越少,表示表征信号质量未出现异常的信号参数值的数量越少,所以,目标数量能够表征生理信号的信号质量。因此,基于目标数量能够准确地评估生理信号的信号质量。
在基于目标数量进行信号质量评估时,第一种实施方式中,若目标数量大于预设数量阈值,表示有较多数量的信号参数值所表征的信号质量未出现异常,在这种情况下,可以确定生理信号的信号质量较高;若目标数量小于或者等于预设数量阈值,表示有较少数量的信号参数值所表征的信号质量未出现异常,在这种情况下,可以确定生理信号的信号质量较差。
第二种实施方式中,可以预先确定信号质量等级,如将信号质量等级划分为优良、合格以及不合格三类等级,并确定每一信号质量等级所对应的数量范围,基于此,可以从各预设数量范围中确定目标数量所属的目标数量范围,将目标数量范围相对应的预设信号质量等级作为生理信号的信号质量评估结果。
例如:预先确定生理信号质量等级为优良等级对应的第一数量范围为大于或者等于3,生理信号质量等级为合格等级对应的第二数量范围为等于2,生理信号质量等级为不合格等级对应的第二数量范围为小于2,在这种情况下,若目标数量为3,由于3属于第一数量范围,因此,可以确定当前生理信号的信号质量优良。
由于主频相较于其他信号参数值,能够更加显著判断生理信号的信号质量。所以,首先基于主频进行信号质量分析,在主频位于预设主频范围的情况下,继续采用其他信号参数值进行信号质量分析,能够进一步准确分析信号质量;在主频不位于预设主频范围的情况下,直接结束流程,能够提高信号质量分析的效率。
并且,由于目标数量能够反映位于预设目标信号参数范围的信号参数值的数量,当目标数量越多,表示表征信号质量未出现异常的信号参数值的数量越多,目标数量越少,表示表征信号质量未出现异常的信号参数值的数量越少,所以,目标数量能够全面反映生理信号的信号质量。因此,基于目标数量能够准确地评估生理信号的信号质量。
本发明的一个实施例中,以生理信号为动脉血压信号为例,图2a-图2h以及表1为实验验证数据,以验证采用本实施例提供的方案进行信号质量评估的效果。
图2a示出了原始动脉血压信号,图2b示出了原始动脉血压信号的频谱分布图,图2c示出了受到噪声轻度污染的动脉血压信号,图2d示出了受到噪声轻度污染的动脉血压信号的频谱分布图,图2e示出了受到噪声中度污染的动脉血压信号,图2f示出了受到噪声中度污染的动脉血压信号的频谱分布图,图2g示出了受到噪声重度污染的动脉血压信号,图2h示出了受到噪声重度污染的动脉血压信号的频谱分布图。
表1
动脉血压信号的信号参数值对应的预设信号参数范围分别为:K>=2,S>=1,的预设信号参数范围为[0.5 , 4] Hz,SDR>=0.2,/> >=100,按照本实施提出的信号质量分析方案,原始动脉血压信号和受到噪声轻度污染的动脉血压信号将会被判断为信号质量优良。通过观察信号也能看出这两段信号都能够准确地看到特征点的位置,不会影响到后续的特征点和重要参数的判别。而受到噪声中度污染的动脉血压信号将会被判断为信号质量合格,通过观察能够隐约看到信号的走势,大致的特征点位置也能够识别,因此可以判定为合格信号。而对于受到噪声重度污染的动脉血压信号,基本上完全看不出信号的走势和特征点,因此被判定为信号质量不合格的信号也是合理的。
与上述基于IABP的生理信号质量评估方法相对应,本发明实施例还提供了一种基于IABP的生理信号质量评估装置。
参见图3,图3为本发明实施例提供的一种基于IABP的生理信号质量评估装置的结构示意图,上述装置包括以下模块301-304。
信号获得模块301,用于在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,所述生理信号包括:心电信号和/或动脉血压信号;
数据提取模块302,用于提取所述生理信号的信号参数值;其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频,所述第一峰度表征信号在时域分布上的陡缓程度,所述偏度表征信号在时域分布上偏斜方向以及程度,所述有效信号占比表示信号中有效成分相对于总成分的占比,所述第二峰度表示信号在频域分布上的陡缓程度,所述主频表示信号在频域分布上的第二峰度对应的频率;
信号质量评估模块303,用于基于所述信号参数值,对所述生理信号进行信号质量评估;
球囊反博模块304,用于在信号质量评估结果表征所述生理信号的信号质量满足预设信号质量要求的情况下,基于所述生理信号实现主动脉内球囊反搏。
由以上可见,应用本实施例提供的方案进行生理信号质量评估时,由于信号参数值包括第一峰度、偏度、有效信号占比、第二峰度以及主频,又由于第一峰度以及偏度可以作为生理信号中是否有异常值的判断标准,有效信号占比能够在一定程度上反映生理信号中非噪声的有用成分相对于总成分的占比,主频能够反映生理信号是否符合信号质量标准,峰度值能够反映生理信号的噪声分布,因此,综合上述各个参数值,考虑了各信号参数值所表征的信号质量信息,能够更为准确、全面对生理信号进行信号质量评估。
本发明的一个实施例中,上述信号质量评估模块303,包括:
特征提取子模块,用于提取所述信号参数值的信号特征;
特征融合子模块,用于对提取到的信号特征进行特征融合,得到目标特征;
第一信号质量评估子模块,用于基于所述目标特征,对所述生理信号进行信号质量分类,得到信号质量评估结果。
由以上可见,由于目标特征是提取得到的信号特征进行特征融合得到的,目标特征集合了各信号特征所反映的信息,并且表征更深层次的信号质量信息,因此,基于目标特征能够准确地对生理信号进行信号质量分类。
本发明的一个实施例中,上述第一信号质量评估子模块,具体用于将所述目标特征输入预先训练的支持向量机模型中,得到所述支持向量机模型输出的信号质量分类结果,作为信号质量评估结果,其中,所述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。
由于支持向量机模型是采用大量的训练样本进行训练得到的,所以支持向量机模型能够学习到基于信号参数值进行信号质量分类的规律,因此,将信号参数值输入支持向量机模型,能够得到较为准确的信号质量。
本发明的一个实施例中,上述生理信号为心电信号时,所述信号参数值还包括:心电信号中的R波数量、RR间期离散度,所述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度,所述有效信号占比包括第一类有效信号占比和第二类有效信号占比。
本发明的一个实施例中,上述信号质量评估模块303,包括:
信息判断子模块,用于判断所述主频是否位于预设主频范围内,其中,所述预设主频范围为:与所述生理信号的信号类型相对应的正常主频范围;若为是,触发第二信号质量评估子模块;
所述第二信号质量评估子模块,用于确定目标信号参数值中位于预设目标信号参数范围的信号参数值的目标数量,基于所述目标数量,对所述生理信号进行信号质量评估,其中,所述目标信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度,所述预设目标信号参数范围为:与所述生理信号的信号类型相对应的正常信号参数值范围。
由于主频相较于其他信号参数值,能够更加显著判断生理信号的信号质量。所以,首先基于主频进行信号质量分析,在主频位于预设主频范围的情况下,继续采用其他信号参数值进行信号质量分析,能够进一步准确分析信号质量;在主频不位于预设主频范围的情况下,直接结束流程,能够提高信号质量分析的效率。
本发明的一个实施例中,上述第二信号质量评估子模块,具体用于从各预设数量范围中确定所述目标数量所属的目标数量范围,其中,所述预设数量范围与预设信号质量等级相对应;将所述目标数量范围相对应的预设信号质量等级作为所述生理信号的信号质量评估结果。
与上述基于IABP的生理信号质量评估方法相对应,本发明实施例还提供了一种电子设备。
参见图4,图4为本发明实施例提供的一种电子设备的结构示意图,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现本发明实施例提供的基于IABP的生理信号质量评估方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的基于IABP的生理信号质量评估方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行时实现本发明实施例提供的基于IABP的生理信号质量评估方法。
由以上可见,应用本实施例提供的方案进行生理信号质量评估时,由于信号参数值包括第一峰度、偏度、有效信号占比、第二峰度以及主频,又由于第一峰度以及偏度可以作为生理信号中是否有异常值的判断标准,有效信号占比能够在一定程度上反映生理信号中非噪声的有用成分相对于总成分的占比,主频能够反映生理信号是否符合信号质量标准,峰度值能够反映生理信号的噪声分布,因此,综合上述各个参数值,考虑了各信号参数值所表征的信号质量信息,能够更为准确、全面对生理信号进行信号质量评估。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于IABP的生理信号质量评估方法,其特征在于,所述方法包括:
在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,所述生理信号包括:心电信号和/或动脉血压信号;
提取所述生理信号的信号参数值;
其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频,所述第一峰度表征信号在时域分布上的陡缓程度,所述偏度表征信号在时域分布上偏斜方向以及程度,所述有效信号占比表示信号中有效成分相对于总成分的占比,所述第二峰度表示信号在频域分布上的陡缓程度,所述主频表示信号在频域分布上的第二峰度对应的频率;
基于所述信号参数值,对所述生理信号进行信号质量评估;
在信号质量评估结果表征所述生理信号的信号质量满足预设信号质量要求的情况下,基于所述生理信号实现主动脉内球囊反搏。
2.根据权利要求1所述的方法,其特征在于,所述基于所述信号参数值,对所述生理信号进行信号质量评估,包括:
提取所述信号参数值的信号特征;
对提取到的信号特征进行特征融合,得到目标特征;
基于所述目标特征,对所述生理信号进行信号质量分类,得到信号质量评估结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标特征,对所述生理信号进行信号质量分类,包括:
将所述目标特征输入预先训练的支持向量机模型中,得到所述支持向量机模型输出的信号质量分类结果,作为信号质量评估结果,其中,所述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。
4.根据权利要求2或3所述的方法,其特征在于,所述生理信号为心电信号时,所述信号参数值还包括:心电信号中的R波数量、RR间期离散度,所述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度,所述有效信号占比包括第一类有效信号占比和第二类有效信号占比。
5.根据权利要求1所述的方法,其特征在于,所述基于信号参数值,对生理信号进行信号质量评估,包括:
判断所述主频是否位于预设主频范围内,其中,所述预设主频范围为:与所述生理信号的信号类型相对应的正常主频范围;
若为是,确定目标信号参数值中位于预设目标信号参数范围的信号参数值的目标数量,基于所述目标数量,对所述生理信号进行信号质量评估,其中,所述目标信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度,所述预设目标信号参数范围为:与所述生理信号的信号类型相对应的正常信号参数值范围。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标数量,对所述生理信号进行信号质量评估,包括:
从各预设数量范围中确定所述目标数量所属的目标数量范围,其中,所述预设数量范围与预设信号质量等级相对应;
将所述目标数量范围相对应的预设信号质量等级作为所述生理信号的信号质量评估结果。
7.一种基于IABP的生理信号质量评估装置,其特征在于,所述装置包括:
信号获得模块,用于在主动脉内球囊反搏IABP装置运行过程中,获得所述IABP装置所治疗的患者的生理信号,其中,所述生理信号包括:心电信号和/或动脉血压信号;
数据提取模块,用于提取所述生理信号的信号参数值;其中,所述信号参数值包括:第一峰度、偏度、有效信号占比、第二峰度以及主频,所述第一峰度表征信号在时域分布上的陡缓程度,所述偏度表征信号在时域分布上偏斜方向以及程度,所述有效信号占比表示信号中有效成分相对于总成分的占比,所述第二峰度表示信号在频域分布上的陡缓程度,所述主频表示信号在频域分布上的第二峰度对应的频率;
信号质量评估模块,用于基于所述信号参数值,对所述生理信号进行信号质量评估;
球囊反博模块,用于在信号质量评估结果表征所述生理信号的信号质量满足预设信号质量要求的情况下,基于所述生理信号实现主动脉内球囊反搏。
8.根据权利要求7所述的装置,其特征在于,所述信号质量评估模块,包括:
特征提取子模块,用于提取所述信号参数值的信号特征;
特征融合子模块,用于对提取到的信号特征进行特征融合,得到目标特征;
第一信号质量评估子模块,用于基于所述目标特征,对所述生理信号进行信号质量分类,得到信号质量评估结果。
9.根据权利要求8所述的装置,其特征在于,所述第一信号质量评估子模块,具体用于将所述目标特征输入预先训练的支持向量机模型中,得到所述支持向量机模型输出的信号质量分类结果,作为信号质量评估结果,其中,所述支持向量机模型为:以样本生理信号的信号参数值作为训练样本、以样本生理信号的实际信号质量结果作为训练基准,按照支持向量机算法,采用高斯径向基函数,对初始支持向量机模型进行训练得到的、用于对生理信号进行信号质量分类的模型。
10.根据权利要求8或9所述的装置,其特征在于,所述生理信号为心电信号时,所述信号参数值还包括:心电信号中的R波数量、RR间期离散度,所述RR间期离散度表征心电信号中的两个相邻R波的间隔时间的离散度,所述有效信号占比包括第一类有效信号占比和第二类有效信号占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310167725.9A CN115868940B (zh) | 2023-02-27 | 2023-02-27 | 一种基于iabp的生理信号质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310167725.9A CN115868940B (zh) | 2023-02-27 | 2023-02-27 | 一种基于iabp的生理信号质量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115868940A true CN115868940A (zh) | 2023-03-31 |
CN115868940B CN115868940B (zh) | 2023-05-26 |
Family
ID=85761651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310167725.9A Active CN115868940B (zh) | 2023-02-27 | 2023-02-27 | 一种基于iabp的生理信号质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115868940B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457485A (zh) * | 2000-09-15 | 2003-11-19 | 康奈克森特系统公司 | 具有自适应编码配置的语音编码系统 |
US20060167334A1 (en) * | 2003-06-26 | 2006-07-27 | Anstadt Mark P | Method and apparatus for direct mechanical ventricular actuation with favorable conditioning and minimal heart stress |
US8066628B1 (en) * | 2010-10-22 | 2011-11-29 | Nupulse, Inc. | Intra-aortic balloon pump and driver |
WO2013036718A1 (en) * | 2011-09-08 | 2013-03-14 | Isis Innovation Ltd. | Determining acceptability of physiological signals |
US20130116580A1 (en) * | 2010-06-04 | 2013-05-09 | Shenzhen Institute Of Advanced Technology Chinese Academy Of Sciences | System for quality assessment of physiological signals and method thereof |
WO2015052609A1 (en) * | 2013-10-09 | 2015-04-16 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
CN104688219A (zh) * | 2013-12-04 | 2015-06-10 | 乐普(北京)医疗器械股份有限公司 | 一种心电信号预测方法与系统 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN110088474A (zh) * | 2016-12-21 | 2019-08-02 | 费森尤斯医疗护理德国有限责任公司 | 操作装置和用于运行操作装置的方法以及具有操作装置和隔膜泵装置的隔膜泵和具有隔膜泵的血液处理设备 |
CN110179451A (zh) * | 2019-06-10 | 2019-08-30 | 深圳市是源医学科技有限公司 | 心电信号质量检测方法、装置、计算机设备和存储介质 |
CN110448748A (zh) * | 2019-07-11 | 2019-11-15 | 安徽通灵仿生科技有限公司 | 一种主动脉内球囊反搏系统及其控制方法 |
US20190374693A1 (en) * | 2018-06-06 | 2019-12-12 | The Regents Of The University Of California | Synchronizing a pulsatile cardiac assist device with a pacemaker |
US20200107786A1 (en) * | 2017-11-27 | 2020-04-09 | Lepu Medical Technology (Bejing) Co., Ltd. | Method for assessing electrocardiogram signal quality |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
WO2021190377A1 (zh) * | 2020-03-27 | 2021-09-30 | 华为技术有限公司 | 获取ppg信号的方法、装置、终端设备和存储介质 |
CN113491522A (zh) * | 2020-04-07 | 2021-10-12 | 南京大学 | 一种基于多通道生理信号的心动特征融合提取方法 |
CN113557576A (zh) * | 2018-12-26 | 2021-10-26 | 生命解析公司 | 在表征生理系统时配置和使用神经网络的方法和系统 |
CN113705869A (zh) * | 2021-08-17 | 2021-11-26 | 东南大学 | 无监督元学习网络的机电设备少样本退化趋势预测方法 |
CN113749664A (zh) * | 2020-06-04 | 2021-12-07 | 伯恩森斯韦伯斯特(以色列)有限责任公司 | 使用自动编码器减小心内心电图噪声及使用深度学习训练损失函数以细化心内和体表心电图 |
US20220015713A1 (en) * | 2020-07-16 | 2022-01-20 | Sensority Ltd. | Machine learning quality assessment of physiological signals |
US20220151565A1 (en) * | 2020-11-19 | 2022-05-19 | Inventec (Pudong) Technology Corporation | Signal quality index evaluation circuit |
CN115486849A (zh) * | 2021-06-17 | 2022-12-20 | 广州视源电子科技股份有限公司 | 心电信号质量评估方法、装置及设备 |
CN115624691A (zh) * | 2022-09-26 | 2023-01-20 | 安徽通灵仿生科技有限公司 | 体外反搏的双闭环控制方法、系统及存储介质 |
-
2023
- 2023-02-27 CN CN202310167725.9A patent/CN115868940B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1457485A (zh) * | 2000-09-15 | 2003-11-19 | 康奈克森特系统公司 | 具有自适应编码配置的语音编码系统 |
US20060167334A1 (en) * | 2003-06-26 | 2006-07-27 | Anstadt Mark P | Method and apparatus for direct mechanical ventricular actuation with favorable conditioning and minimal heart stress |
US20130116580A1 (en) * | 2010-06-04 | 2013-05-09 | Shenzhen Institute Of Advanced Technology Chinese Academy Of Sciences | System for quality assessment of physiological signals and method thereof |
US8066628B1 (en) * | 2010-10-22 | 2011-11-29 | Nupulse, Inc. | Intra-aortic balloon pump and driver |
WO2013036718A1 (en) * | 2011-09-08 | 2013-03-14 | Isis Innovation Ltd. | Determining acceptability of physiological signals |
WO2015052609A1 (en) * | 2013-10-09 | 2015-04-16 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
CN104688219A (zh) * | 2013-12-04 | 2015-06-10 | 乐普(北京)医疗器械股份有限公司 | 一种心电信号预测方法与系统 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN110088474A (zh) * | 2016-12-21 | 2019-08-02 | 费森尤斯医疗护理德国有限责任公司 | 操作装置和用于运行操作装置的方法以及具有操作装置和隔膜泵装置的隔膜泵和具有隔膜泵的血液处理设备 |
US20200107786A1 (en) * | 2017-11-27 | 2020-04-09 | Lepu Medical Technology (Bejing) Co., Ltd. | Method for assessing electrocardiogram signal quality |
US20190374693A1 (en) * | 2018-06-06 | 2019-12-12 | The Regents Of The University Of California | Synchronizing a pulsatile cardiac assist device with a pacemaker |
CN113557576A (zh) * | 2018-12-26 | 2021-10-26 | 生命解析公司 | 在表征生理系统时配置和使用神经网络的方法和系统 |
CN110179451A (zh) * | 2019-06-10 | 2019-08-30 | 深圳市是源医学科技有限公司 | 心电信号质量检测方法、装置、计算机设备和存储介质 |
CN110448748A (zh) * | 2019-07-11 | 2019-11-15 | 安徽通灵仿生科技有限公司 | 一种主动脉内球囊反搏系统及其控制方法 |
WO2021190377A1 (zh) * | 2020-03-27 | 2021-09-30 | 华为技术有限公司 | 获取ppg信号的方法、装置、终端设备和存储介质 |
CN113491522A (zh) * | 2020-04-07 | 2021-10-12 | 南京大学 | 一种基于多通道生理信号的心动特征融合提取方法 |
CN113749664A (zh) * | 2020-06-04 | 2021-12-07 | 伯恩森斯韦伯斯特(以色列)有限责任公司 | 使用自动编码器减小心内心电图噪声及使用深度学习训练损失函数以细化心内和体表心电图 |
US20220015713A1 (en) * | 2020-07-16 | 2022-01-20 | Sensority Ltd. | Machine learning quality assessment of physiological signals |
US20220151565A1 (en) * | 2020-11-19 | 2022-05-19 | Inventec (Pudong) Technology Corporation | Signal quality index evaluation circuit |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN115486849A (zh) * | 2021-06-17 | 2022-12-20 | 广州视源电子科技股份有限公司 | 心电信号质量评估方法、装置及设备 |
CN113705869A (zh) * | 2021-08-17 | 2021-11-26 | 东南大学 | 无监督元学习网络的机电设备少样本退化趋势预测方法 |
CN115624691A (zh) * | 2022-09-26 | 2023-01-20 | 安徽通灵仿生科技有限公司 | 体外反搏的双闭环控制方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
孙韬;孙华;饶翮;荣凌;林森;王小露;: "急性冠脉综合征患者主动脉球囊反搏植入术后报警识别及护理", 中华护理杂志 * |
张海斌;刘娟;刘思璇;程宇;: "基于卷积神经网络的心电信号质量分析", 计算机工程与应用 * |
胡丹丹;: "主动脉内球囊反搏的临床护理分析", 家庭医药.就医选药 * |
Also Published As
Publication number | Publication date |
---|---|
CN115868940B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papadaniil et al. | Efficient heart sound segmentation and extraction using ensemble empirical mode decomposition and kurtosis features | |
Abibullaev et al. | A new QRS detection method using wavelets and artificial neural networks | |
CN109700450B (zh) | 一种心率检测方法及电子设备 | |
Choudhary et al. | Robust photoplethysmographic (PPG) based biometric authentication for wireless body area networks and m-health applications | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN108742697B (zh) | 心音信号分类方法及终端设备 | |
Boashash et al. | A review of time–frequency matched filter design with application to seizure detection in multichannel newborn EEG | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
Jaafar et al. | Acceleration plethysmogram based biometric identification | |
CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
CN115363586A (zh) | 一种基于脉搏波信号的心理压力等级评估系统及方法 | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
JP6103591B2 (ja) | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム | |
CN115868940B (zh) | 一种基于iabp的生理信号质量评估方法及装置 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
Varghees et al. | Two-channel heart sound segmentation framework using phonocardiogram and pulsatile signals | |
Fedotov et al. | A QRS-complex detector of the electrocardiogram signal for the long-term monitoring of the patient’s condition | |
Dalvi et al. | Graph search based detection of periodic activations in complex periodic signals: Application in atrial fibrillation electrograms | |
Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD Detection | |
Arvinti et al. | Adaptive thresholding algorithm for noisy electrocardiograms using reverse biorthogonal mother wavelets | |
Ukil et al. | Heartmate: automated integrated anomaly analysis for effective remote cardiac health management | |
EP3967237A1 (en) | Ultrasound data processor | |
Asgari et al. | A subspace decomposition approach toward recognizing valid pulsatile 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |