CN116271539B - 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 - Google Patents
可电击心律识别方法、穿戴式心律转复除颤器及存储介质 Download PDFInfo
- Publication number
- CN116271539B CN116271539B CN202310544023.8A CN202310544023A CN116271539B CN 116271539 B CN116271539 B CN 116271539B CN 202310544023 A CN202310544023 A CN 202310544023A CN 116271539 B CN116271539 B CN 116271539B
- Authority
- CN
- China
- Prior art keywords
- data
- shockable rhythm
- electrocardio
- electrocardiographic
- time window
- 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.)
- Active
Links
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000002635 electroconvulsive therapy Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 206010014357 Electric shock Diseases 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000002633 shock therapy Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 208000003663 ventricular fibrillation Diseases 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000007944 Nodular Nonsuppurative Panniculitis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
- A61N1/39—Heart defibrillators
- A61N1/395—Heart defibrillators for treating atrial fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/02—Details
- A61N1/08—Arrangements or circuits for monitoring, protecting, controlling or indicating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
- A61N1/39—Heart defibrillators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Neurology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种可电击心律识别方法、穿戴式心律转复除颤器及存储介质，涉及信号处理的技术领域，其中的可电击心律识别方法包括：实时获取被监测者的心电数据；根据从心电数据中提取的心电特征参数，识别心电数据是否符合可电击心律并得到相应的初始识别结果；若初始识别结果指示心电数据符合可电击心律，则将心电数据输入预设的干扰数据识别模型，通过干扰数据识别模型识别心电数据中是否存在相似干扰数据（其与可电击心律相似）；若心电数据中不存在相似干扰数据，则得到心电数据符合可电击心律的最终识别结果。基于此，本申请能够有效地降低识别可电击心律的失误率。
Description
技术领域
本申请涉及信号处理的技术领域，尤其涉及一种可电击心律识别方法、穿戴式心律转复除颤器及存储介质。
背景技术
穿戴式心律转复除颤器（Wearable Cardioverter Defibrillator，WCD）几乎需要用户时刻穿戴，在穿戴后无需旁观者干预，即可在用户发生心脏猝死时自行给予用户电击治疗，及时地挽救用户的生命，并且用户在清醒时可通过按动WCD上的响应按钮以延迟或终止治疗。在实际的应用中，WCD可以实时采集用户的心电数据，并判断所采集的心电数据是否属于可电击心律，如果属于可电击心律，那么便需对用户进行电击治疗，而如果不属于可电击心律，那么便无需对用户进行电击治疗，继续执行后续可电击心律的判别即可。
相关技术中，WCD的可电击心律的识别通常采用从用户的心电图（ECG）中提取特征的方式，所提取的这些特征对于一些特殊干扰信号的分析存在严重的不足，原因是这些特殊干扰信号与VF/VT（室颤/无脉性室速）在波形上具有高度相似性；一方面，用户在穿戴WCD后，其日常生活不受限制，故而WCD所采集的心电数据中往往存在较多的运动干扰，这些干扰容易被ECG特征提取算法误判为可电击心律；另一方面，当用户主躯体保持不动，并且WCD的运动传感器的检测结果为非运动状态时，由于用户身体局部进行着快速且重复的动作，从而导致WCD的心电采集电极与用户皮肤之间产生摩擦（即两者发生相对位移），此种情况下，WCD所采集的心电数据中存在类似于真实VF及VT发生时的振荡波，使得ECG特征提取算法将此误识别为可电击心律。如果出现上述可电击心律的误识别现象，那么WCD会不断地进行报警提示，此时便需要用户频繁按动WCD上的响应按钮以终止警报及后续的电击治疗，而如果用户没有及时地按下WCD上的响应按钮，后续WCD便会发生误放电，这给用户带来了极差的使用体验，甚至会导致用户拒绝继续穿戴WCD。
因此，有必要对现有的可电击心律的识别方案进行改进。
发明内容
本申请提供了一种可电击心律识别方法、穿戴式心律转复除颤器及存储介质，旨在解决相关技术中WCD识别可电击心律的失误率较高的问题。
为了解决相关技术中所存在的上述技术问题，本申请实施例第一方面提供了一种可电击心律识别方法，包括：实时获取被监测者的心电数据；根据从心电数据中提取的心电特征参数，识别心电数据是否符合可电击心律并得到相应的初始识别结果；若初始识别结果指示心电数据符合可电击心律，则将心电数据输入预设的干扰数据识别模型，通过干扰数据识别模型识别心电数据中是否存在相似干扰数据，其中，相似干扰数据与可电击心律相似；若心电数据中不存在相似干扰数据，则得到心电数据符合可电击心律的最终识别结果。
本申请实施例第二方面提供了另一种可电击心律识别方法，包括：实时获取被监测者的心电数据，其中，心电数据包括多个，多个心电数据分别来自于多个不同的导联；对于每个导联的心电数据，均根据本申请实施例第一方面所述的方法中的步骤得到相应的最终识别结果；对所有的最终识别结果进行综合分析，得到综合识别结果。
本申请实施例第三方面提供了一种穿戴式心律转复除颤器，其包括：心电采集电极，用于实时采集被监测者的心电数据；存储器，用于存储计算机程序；处理器，连接于心电采集电极和存储器，用于调用计算机程序以执行本申请实施例第一方面所述的方法中的步骤，或执行本申请实施例第二方面所述的方法中的步骤。
本申请实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当该计算机程序被处理器调用时实现本申请实施例第一方面所述的方法中的步骤，或实现本申请实施例第二方面所述的方法中的步骤。
从上述描述可知，与相关技术相比，本申请的有益效果在于：从被监测者的心电数据中提取出相应的心电特征参数，根据所提取的心电特征参数识别心电数据是否符合可电击心律并得到相应的初始识别结果，若初始识别结果指示心电数据符合可电击心律，则将心电数据输入预设的干扰数据识别模型，目的是通过干扰数据识别模型识别心电数据中是否存在相似干扰数据，只有当心电数据中不存在相似干扰数据时，才得出心电数据符合可电击心律的最终识别结果。由此可见，本申请在根据从被监测者的心电数据中提取出的心电特征参数得到心电数据符合可电击心律的初始识别结果之后，还会通过预设的干扰数据识别模型去识别心电数据中是否存在相似干扰数据，由于相似干扰数据与可电击心律之间具有高度的相似性，其极易被误识别为可电击心律，所以干扰数据识别模型的设置可以在很大程度上降低甚至消除相似干扰数据对识别结果的影响，从而能够有效地降低识别可电击心律的失误率。
附图说明
为了更清楚地说明相关技术或本申请实施例中的技术方案，下面将对相关技术或本申请实施例的描述中所需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，而并非是全部实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的穿戴式心律转复除颤器的模块框图；
图2为本申请实施例提供的可电击心律识别方法的流程示意图；
图3为本申请实施例提供的可电击心律识别方法的框架图；
图4为本申请实施例提供的干扰数据识别模型训练方法的流程示意图；
图5为本申请实施例提供的干扰数据识别模型训练方法的框架图；
图6为本申请实施例提供的相似干扰数据的示例图；
图7为本申请实施例提供的可电击心律数据的示例图；
图8为本申请实施例提供的干扰数据识别模型的网络结构示意图；
图9为本申请实施例提供的干扰数据识别模型训练50次的迭代图；
图10为本申请实施例提供的计算机可读存储介质的模块框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加的明显、易懂，下面将结合本申请实施例以及相应的附图，对本申请进行清楚、完整地描述，其中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。应当理解的是，下面所描述的本申请的各个实施例仅用以解释本申请，并不用于限定本申请，即基于本申请的各个实施例，本领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，下面所描述的本申请的各个实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
相关技术中，WCD的可电击心律的识别通常采用从用户的心电图（ECG）中提取特征的方式，所提取的这些特征对于一些特殊干扰信号的分析存在严重的不足，原因是这些特殊干扰信号与VF/VT（室颤/无脉性室速）在波形上具有高度的相似性，它们极易被ECG特征提取算法误判为可电击心律，而当出现可电击心律的误识别现象时，WCD会不断地进行报警提示，此时便需要用户频繁按动WCD上的响应按钮以终止警报及后续的电击治疗，如果用户没有及时地按下WCD上的响应按钮，后续WCD便会发生误放电，这给用户带来了十分不友好的使用体验，甚至会导致用户拒绝继续穿戴WCD。为此，本申请实施例提供了一种穿戴式心律转复除颤器及相应的可电击心律识别方法，该可电击心律识别方法实际上是计算机程序，穿戴式心律转复除颤器通过执行此计算机程序可以实现对可电击心律的识别功能，当穿戴式心律转复除颤器通过执行此计算机程序去识别可电击心律时，可以有效地降低识别可电击心律的失误率。
图1为本申请实施例提供的穿戴式心律转复除颤器的模块框图，在一些实施例中，穿戴式心律转复除颤器100包括心电采集电极110、存储器120以及处理器130，其中，心电采集电极110与被监测者接触，心电采集电极110以及存储器120分别连接于处理器130。在实际的应用中，心电采集电极110可以实时采集被监测者的心电数据，处理器130可以实时接收来自于心电采集电极110的心电数据，并调用存储器120中存储的计算机程序以实现对可电击心律的识别功能，即识别心电数据是否符合可电击心律。需要说明的是，穿戴式心律转复除颤器100除了包括已列举出的心电采集电极110、存储器120和处理器130以外，其实际上还可以包括本领域的除颤器中常用的其它器件，比如用于实时采集被监测者的运动数据以判断被监测者当前是否处于运动状态的运动传感器，本申请实施例对此不再一一列举。
作为其中的一种实施例，处理器130由集成电路组成，其可以由单个封装的集成电路组成，也可以由多个相同功能或不同功能封装的集成电路组成，其包括中央处理器（CPU）、微处理器、神经网络芯片、数字处理芯片、图形处理器及各种控制芯片中的任意一种或多种的组合。可以理解的是，处理器130是穿戴式心律转复除颤器100的控制核心，其利用各种接口和线路连接整个穿戴式心律转复除颤器100的各个部件，并通过运行或执行计算机程序或模块以及调用数据，来实现穿戴式心律转复除颤器100的各种功能和数据处理，比如实现对可电击心律的识别功能、对被监测者的电击治疗功能等。
作为其中的一种实施例，存储器120至少包括一种类型的计算机可读存储介质，计算机可读存储介质可以包括但不限于闪存、移动硬盘、多媒体卡、卡型存储器（如SD存储器、DX存储器等）、磁性存储器、磁盘和光盘。在本实施例中，存储器120可以是穿戴式心律转复除颤器100的内部存储单元（比如除颤器的移动硬盘），也可以是穿戴式心律转复除颤器100的外部存储设备，比如除颤器上配备的插接式移动硬盘、智能存储卡（SMC）、安全数字（SD）卡及闪存卡等，或者，存储器120同时是穿戴式心律转复除颤器100的内部存储单元和外部存储设备；进一步地，存储器120不仅可以用于存储安装于穿戴式心律转复除颤器100的应用软件、各类数据及计算机程序（比如实现可电击心律识别功能、电击治疗功能的代码等），还可以用于暂时地存储已经输出或者将要输出的数据；在实际的应用中，处理器130可以调取并运行存储器120中存储的计算机程序，从而实现可电击心律识别、电击治疗等功能。
作为其中的一种实施例，心电采集电极110至少包括两个，这些心电采集电极110可以分别与被监测者的多个不同位置相接触，它们两两组合可以构成多个导联，每个导联均用于采集被监测者的心电数据。在本实施例的一些实现方式中，穿戴式心律转复除颤器100采用单导联模式，即心电采集电极110包括两个（分别以A、B表示），此种情况下，只能构成一个导联（即AB）。在本实施例的另一些实现方式中，穿戴式心律转复除颤器100采用多导联模式，即心电采集电极110至少包括三个，如此一来至少可以构成三个导联；为了便于理解，假设心电采集电极110包括四个（分别以A、B、C、D表示），此种情况下，可以构成六个导联（即AB、AC、AD、BC、BD、CD），这六个导联中的每一个均可以采集被监测者的心电数据。
以上实施例仅作为本申请的优选实现，它们并非是对所描述内容的唯一限定；对此，本领域技术人员可以在以上实施例的基础上，根据实际应用场景进行灵活设定。下面，将从单导联角度对处理器130所调用的计算机程序（即可电击心律识别方法）进行详尽地阐述。
图2为本申请实施例提供的可电击心律识别方法的流程示意图，在一些实施例中，该可电击心律识别方法包括如下S201至S204四个步骤，同时请结合图3所示出的本申请实施例提供的可电击心律识别方法的框架图，可以便于本领域技术人员对该可电击心律识别方法有更加清晰的认知。
S201、实时获取被监测者的心电数据。
在这些实施例中，穿戴式心律转复除颤器100需要被监测者时刻穿戴，故而其可以通过心电采集电极110实时地采集被监测者的心电数据，而所采集的这些心电数据均会被实时地传输至处理器130，以便处理器130对这些心电数据进行处理，目的则是得出心电数据是否符合可电击心律的最终识别结果。
S202、根据从心电数据中提取的心电特征参数，识别心电数据是否符合可电击心律并得到相应的初始识别结果。
在这些实施例中，处理器130从心电采集电极110获取到其实时采集的心电数据之后，还需要从心电数据中提取心电特征参数，以及根据所提取的心电特征参数去识别心电数据是否符合可电击心律并得到相应的初始识别结果。需要说明的是，从心电数据中提取的心电特征参数包括时域类特征参数（如RR间期特征）、频域类特征参数（如归一化阶矩特征）及统计学特征参数（如RR间期变异度、RR波峰变异度、斜率变异度、 幅度概率密度、扩展时延特征）中的至少一种。还需要说明的是，心电数据的采集是实时进行的，那么处理器130对于心电数据的获取也是实时进行的，而被监测者的心脏猝死具有突发性，其黄金救援时间通常只有4分钟，这就需要处理器130能够在较短的时间内识别出可电击心律，以便进行后续的电击治疗从而挽救被监测者的生命；因此，在本申请实施例中，处理器130实时获取被监测者的心电数据，并按照一定时长（比如4s、8s等）的时间窗对所获取的心电数据进行分析与处理，其中，时间窗可以每间隔一定时长（比如0.5s、1s、4s等）滑动一次。
作为其中的一种实施例，S202具体包括：在心电数据中建立第一预设时长的第一时间窗，且第一时间窗每间隔第二预设时长滑动一次；在第一时间窗每次滑动之前均从第一时间窗中提取心电数据的至少一种心电特征参数，并将所提取出的至少一种心电特征参数采用阈值积分策略，得到相应的心电特征策略值；当第一时间窗的滑动次数达到预设次数时，根据所有的心电特征策略值识别心电数据是否符合可电击心律并得到相应的初始识别结果。在本实施例的一些实现方式中，阈值积分策略由如下公式表示：
；
其中，Qi表示分配给第i种心电特征参数的权重，Si表示第i种心电特征参数，m表示心电特征参数的种类数，R表示心电特征策略值。
在本实施例的一些实现方式中，根据所有的心电特征策略值识别心电数据是否符合可电击心律并得到相应的初始识别结果，其具体的过程是：对所有的心电特征策略值进行均值计算，得到相应的心电特征均值；将心电特征均值与预设的经验阈值进行比较，并且根据比较结果识别心电数据是否符合可电击心律；其中，若心电特征均值大于经验阈值，则心电数据符合可电击心律；若心电特征均值小于或等于经验阈值，则心电数据不符合可电击心律。作为其中的一种实现方式，均值计算由如下公式表示：
；
其中，T表示心电特征均值，Ri表示第i个心电特征策略值，n表示心电特征策略值的个数。
作为其中的一种实施例，为了确保心电数据的质量，进一步提升识别可电击心律的准确性，可以在S202中或S202之前增加对心电数据进行预处理的步骤，其中，对心电数据所做的预处理包括降噪处理和干扰剔除处理中的至少一种。在本实施例的一些实现方式中，降噪处理包括带通滤波和工频陷波中的至少一种，目的则是去除心电数据中的基线漂移、肌电干扰和工频干扰；优选的是，带通滤波的频率为2~35Hz，工频陷波的频率为50Hz。在本实施例的一些实现方式中，干扰剔除处理为采用斜率阈值方法剔除心电数据中的一些干扰，比如剔除心电数据中的高大噪声及明显的运动干扰数据。
S203、若初始识别结果指示心电数据符合可电击心律，则将心电数据输入预设的干扰数据识别模型，通过干扰数据识别模型识别心电数据中是否存在相似干扰数据。
在这些实施例中，由于被监测者在穿戴WCD后其日常生活不受限制，所以WCD所采集的心电数据中往往存在较多的运动干扰，这些干扰容易致使心电数据被误判为可电击心律；当被监测者主躯体保持不动，并且被监测者当前处于非运动状态时，由于被监测者身体局部进行着快速且重复的动作，从而导致心电采集电极110与被监测者体表之间产生摩擦（即两者之间发生相对位移），此种情况下，心电采集电极110所采集的心电数据中往往存在着类似于真实VF及VT发生时的振荡波，这使得心电数据被误判为可电击心律；也就是说，S202所得到的初始识别结果并不一定是正确的，故而为了避免可电击心律的误判现象，在初始识别结果指示心电数据符合可电击心律时，还需要通过S203对初始识别结果进行正确性判断，相当于对心电数据是否符合可电击心律进行二次识别，具体的是将心电数据输入预设的干扰数据识别模型（其本质上属于一种卷积神经网络模型），并且通过干扰数据识别模型识别心电数据中是否存在相似干扰数据（其与可电击心律之间具有高度的相似性，且极易被误识别为可电击心律），以降低甚至消除相似干扰数据对识别结果的影响；此外，如果初始识别结果指示心电数据不符合可电击心律，那么可以直接得到心电数据不符合可电击心律的最终识别结果，并继续通过心电采集电极110所实时采集的心电数据进行下一次可电击心律的识别。
S204、若心电数据中不存在相似干扰数据，则得到心电数据符合可电击心律的最终识别结果。
在这些实施例中，如果S203中的干扰数据识别模型识别出心电数据中不存在相似干扰数据，那么就说明S202所得到的心电数据符合可电击心律的初始识别结果并没有受到相似干扰数据的影响，此种情况下，可以直接得到心电数据符合可电击心律的最终识别结果，并进行相应的电击治疗；如果S203中的干扰数据识别模型识别出心电数据中存在相似干扰数据，那么就说明S202所得到的心电数据符合可电击心律的初始识别结果受到了相似干扰数据的影响，此种情况下，可以直接得到心电数据不符合可电击心律的最终识别结果，并继续通过心电采集电极110所实时采集的心电数据进行下一次可电击心律的识别。
需要说明的是，S201至S204是从单导联的角度来描述的，而在多导联情况下，处理器130会实时获取被监测者的多个心电数据，这多个心电数据分别来自于多个不同的导联，对于每个导联的心电数据，均需通过S201至S204得到相应的最终识别结果，之后可以对所有的最终识别结果进行综合分析，从而得到一个指示心电数据是否符合可电击心律的综合识别结果。可以理解的是，单导联与多导联相比，两者的区别在于：单导联模式下得到的是一个导联的心电数据是否符合可电击心律的最终识别结果，而多导联模式是先得到各个导联的心电数据是否符合可电击心律的最终识别结果，然后再对所得到的多个最终识别结果进行综合分析，从而得到一个心电数据是否符合可电击心律的综合识别结果；也就是说，多导联相较于单导联增加了一个综合分析的过程，如此可以进一步提升识别可电击心律的准确度。
由上可见，本申请实施例在根据从被监测者的心电数据中提取出的心电特征参数得到心电数据符合可电击心律的初始识别结果之后，还会通过预设的干扰数据识别模型去识别心电数据中是否存在相似干扰数据，由于相似干扰数据与可电击心律之间具有高度的相似性，其极易被误识别为可电击心律，所以干扰数据识别模型的设置可以在很大程度上降低甚至消除相似干扰数据对识别结果的影响，从而能够有效地降低识别可电击心律的失误率。此外，本申请实施例在进行可电击心律的识别时，采用ECG特征提取算法与深度学习相结合的方式，可以极大地节省单纯使用深度学习时WCD芯片的计算量，同时也降低了功耗；被监测者在穿戴WCD的过程中，其大部分心律都是不可电击心律，故而通过ECG特征提取算法可以排除掉大量能被准确分辨的不可电击心律，从而降低了调用深度学习模型进行运算的次数，进而极大地降低了计算量。
以上实施例仅作为本申请的优选实现，它们并非是对所描述内容的唯一限定；对此，本领域技术人员可以在以上实施例的基础上，根据实际应用场景进行灵活设定。此外，需要说明的是，本申请实施例中的处理器130按照一定时长的时间窗对所获取的心电数据进行分析与处理，那么在S202中第一时间窗每滑动预设次数均会得到一个指示心电数据是否符合可电击心律的初始识别结果，此种情况下，在得到了第一个初始识别结果之后，如果该第一个初始识别结果指示心电数据不符合可电击心律，那么即可直接得到心电数据不符合可电击心律的最终识别结果，而如果该第一个初始识别结果指示心电数据符合可电击心律，那么会继续通过S203、S204得到一个指示心电数据是否符合可电击心律的最终识别结果；在这个过程中，如果所得到的最终识别结果指示心电数据符合可电击心律，那么便需对被监测者进行电击治疗，而如果所得到的最终识别结果指示心电数据不符合可电击心律，那么第一时间窗可继续滑动预设次数以得到下一个初始识别结果并据此进行下一次可电击心律的识别，如此循环。
前文中提到，干扰数据识别模型本质上属于一种卷积神经网络模型，其可以搭载在处理器130上，也可以存储在存储器120内以供处理器130进行可电击心律的识别时调用，而不管干扰数据识别模型采用哪种设置形式，其在投入使用之前均需进行大量的训练，目的是提升干扰数据识别模型对相似干扰数据的识别精度。为此，本申请实施例还提供了一种干扰数据识别模型训练方法。
图4为本申请实施例提供的干扰数据识别模型训练方法的流程示意图，在一些实施例中，该训练方法包括如下S401至S404四个步骤，同时请结合图5所示出的本申请实施例提供的干扰数据识别模型训练方法的框架图，可以便于本领域技术人员对该训练方法有更加清晰的认知。
S401、建立待训练干扰数据识别模型。
在这些实施例中，需要先建立一个待训练干扰数据识别模型，而建立的目标就是使得经过训练后所得的干扰数据识别模型可以识别出心电数据中的相似干扰数据，并且具有较高的识别精度；可以理解的是，待训练干扰数据识别模型与经过训练后所得的干扰数据识别模型相比，两者本质上属于同一种网络模型，区别仅在于一个未经过训练而一个经过了训练，它们的网络结构也是一致的。作为其中的一种实施例，干扰数据识别模型采用一维残差卷积神经网络模型，其可以有效地提取一维心电数据的时序信息，从而提升算法对时序性心电数据的识别能力；在本实施例的一些实现方式中，干扰数据识别模型的网络结构可以如图8所示，其包括多个卷积层（即图8中的“Conv”，图8中的“1D”表示一维）和多个全连接层（即图8中的“FC”），在多个卷积层部分又形成了多个残差块，每个残差块都包括两个分支，即由三个卷积层构成的主分支和由一个卷积层构成的旁路分支。
S402、获取被监测者的未发生过电击治疗事件的第一历史心电数据，以及从第一历史心电数据中提取若干相似干扰数据并构成相似干扰数据集。
在这些实施例中，建立完成待训练干扰数据识别模型之后，便需要获取用来对待训练干扰数据识别模型进行训练的数据，主要包括两种，即相似干扰数据和可电击心律数据。在S402中，先获取相似干扰数据，具体的是获取被监测者的未发生过电击治疗事件的第一历史心电数据，之后从第一历史心电数据中提取若干相似干扰数据，并将所提取的若干相似干扰数据构成相似干扰数据集以用于后续对待训练干扰数据识别模型的训练。此外，对于从第一历史心电数据中提取的相似干扰数据，可以参见图6所给出的示例。
作为其中的一种实施例，S402具体包括：在第一历史心电数据中建立第三预设时长的第二时间窗，且第二时间窗每间隔第四预设时长滑动一次；在第二时间窗每次滑动之前均计算第二时间窗内第一历史心电数据的斜率变异度，并将计算出的斜率变异度与预设的变异度阈值进行比较；其中，若计算出的斜率变异度小于变异度阈值，则将第二时间窗内的第一历史心电数据确定为相似干扰数据；若计算出的斜率变异度大于或等于变异度阈值，则第二时间窗滑动一次继而进行下一次斜率变异度与变异度阈值的比较。在本实施例的一些实现方式中，计算第二时间窗内第一历史心电数据的斜率变异度的过程是：在第二时间窗内的第一历史心电数据上设置第一数值个采样点，这些采样点之间相互间隔；计算任意两个采样点之间的差值；统计所有差值中的最大值与最小值；将最大值与最小值的差除以第二数值得到目标值；利用所有的差值划分为第二数值个区间；在每个区间中统计差值和目标值出现的个数，得到每个区间的目标个数；对所有区间的目标个数进行方差运算，得到斜率变异度；其中，第一数值在一些实例中取6，第二数值在一些实例中取10，但第一数值和第二数值均是根据实际的采样率设定的，采样率不同，第一数值/第二数值也不同。优选的是，变异度阈值等于35；实际上，变异度阈值是根据实际需求设定的，本申请实施例对此不做唯一限定。
S403、获取被监测者的发生过电击治疗事件的第二历史心电数据，以及从第二历史心电数据中提取若干可电击心律数据并构成可电击心律数据集。
在这些实施例中，S402已经得到了用来训练待训练干扰数据识别模型的相似干扰数据集，之后可以通过S403来获取可电击心律数据，具体的是获取被监测者的发生过电击治疗事件的第二历史心电数据，之后从第二历史心电数据中提取若干可电击心律数据，并将所提取的若干可电击心律数据构成可电击心律数据集以用于后续对待训练干扰数据识别模型的训练。此外，对于从第二历史心电数据中提取的可电击心律数据，可以参见图7所给出的示例。
作为其中的一种实施例，S403具体包括：在第二历史心电数据中建立第五预设时长的第三时间窗，且第三时间窗每间隔第六预设时长滑动一次；在第三时间窗每次滑动之前均将第三时间窗内的第二历史心电数据确定为可电击心律数据。在本实施例的一些实现方式中，从第二历史心电数据中提取若干可电击心律数据时，可以采用数据增强策略，该数据增强策略包括：当第三时间窗每间隔第六预设时长滑动一次时，从第二历史心电数据中提取可电击心律数据的数据量为M；当第三时间窗每间隔第六预设时长的1/n倍滑动一次时，从第二历史心电数据中提取可电击心律数据的数据量为n*M；其中，，且，f表示采样率。可以理解的是，采用数据增强策略增加了可电击心律数据集的数据量，可电击心律数据集中的可电击心律数据的类型也更加丰富，可以平衡可电击心律数据集与相似干扰数据集之间的数据量，提升干扰数据识别模型的泛化能力，能够避免可电击心律数据集的数据量相对于相似干扰数据集较少时所造成的干扰数据识别模型过拟合的现象。
S404、使用相似干扰数据集和可电击心律数据集对待训练干扰数据识别模型进行训练，得到训练完成的干扰数据识别模型。
在这些实施例中，通过S401得到了待训练干扰数据识别模型，并通过S402和S403分别得到了相似干扰数据集和可电击心律数据集，之后即可通过S404对待训练干扰数据识别模型进行训练，即使用相似干扰数据集和可电击心律数据集对待训练干扰数据识别模型进行训练，从而得到训练完成的干扰数据识别模型。通过实验对待训练干扰数据识别模型的训练进行验证，选取34167个心电数据（其类型包括两种，分别为相似干扰数据和可电击心律数据）并构成训练集和验证集，且训练集与验证集之间的比例为7:3，训练50次的迭代图可以参见图9，从图9中可以看出，在训练集中获得了99.97%的准确度，同时在验证集中获得了99.85%的准确度，这就说明训练完成的干扰数据识别模型可以从心电数据中有效地识别出相似干扰数据，能够极大地降低相似干扰数据所导致的可电击心律的误识别现象。
以上实施例仅作为本申请的优选实现，它们并非是对所描述内容的唯一限定；对此，本领域技术人员可以在以上实施例的基础上，根据实际应用场景进行灵活设定。此外，前文中提到，存储器120至少包括一种类型的计算机可读存储介质，故而本申请实施例在此提供一种计算机可读存储介质，请参阅图10所示出的本申请实施例提供的计算机可读存储介质的模块框图，在一些实施例中，该计算机可读存储介质121上存储有计算机程序1211，当该计算机程序1211被处理器130调用时实现本申请实施例提供的前述可电击心律识别方法。
结合本文中所公开的实施例所描述的方法或算法的步骤，其可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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。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申请所述的流程或功能。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。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，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（如同轴电缆、光纤、数字用户线）或无线（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。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。可用介质可以是磁性介质（如软盘、硬盘、磁带）、光介质（如DVD）、或者半导体介质（如固态硬盘Solid State Disk）等。
需要说明的是，本申请内容中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于产品类实施例而言，由于其与方法类实施例相似，所以描述的比较简单，相关之处参见方法类实施例的部分说明即可。
还需要说明的是，在本申请内容中，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请内容。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请内容中所定义的一般原理可以在不脱离本申请内容的精神或范围的情况下，在其它实施例中实现。因此，本申请内容将不会被限制于本申请内容所示的这些实施例，而是要符合与本申请内容所公开的原理和新颖特点相一致的最宽的范围。
Claims (17)
1.一种可电击心律识别方法，其特征在于，包括：
实时获取被监测者的心电数据；
根据从所述心电数据中提取的心电特征参数，识别所述心电数据是否符合可电击心律并得到相应的初始识别结果；
若所述初始识别结果指示所述心电数据符合可电击心律，则将所述心电数据输入预设的干扰数据识别模型，通过所述干扰数据识别模型识别所述心电数据中是否存在与可电击心律相似的相似干扰数据；
若所述心电数据中不存在所述相似干扰数据，则得到所述心电数据符合可电击心律的最终识别结果；
其中，所述干扰数据识别模型的训练过程包括：建立待训练干扰数据识别模型；获取所述被监测者的未发生过电击治疗事件的第一历史心电数据，以及从所述第一历史心电数据中提取若干所述相似干扰数据并构成相似干扰数据集；获取所述被监测者的发生过电击治疗事件的第二历史心电数据，以及从所述第二历史心电数据中提取若干可电击心律数据并构成可电击心律数据集；使用所述相似干扰数据集和所述可电击心律数据集对所述待训练干扰数据识别模型进行训练，得到训练完成的所述干扰数据识别模型；
在所述干扰数据识别模型的训练过程中，所述从所述第一历史心电数据中提取若干所述相似干扰数据的步骤包括：在所述第一历史心电数据中建立第一预设时长的第一时间窗，所述第一时间窗每间隔第二预设时长滑动一次；在所述第一时间窗每次滑动之前均计算所述第一时间窗内所述第一历史心电数据的斜率变异度，并将计算出的所述斜率变异度与预设的变异度阈值进行比较；若所述斜率变异度小于所述变异度阈值，则将所述第一时间窗内的所述第一历史心电数据确定为所述相似干扰数据。
2.根据权利要求1所述的可电击心律识别方法，其特征在于，所述干扰数据识别模型为一维残差卷积神经网络模型。
3.根据权利要求1所述的可电击心律识别方法，其特征在于，所述计算所述第一时间窗内所述第一历史心电数据的斜率变异度，包括：
在所述第一时间窗内的所述第一历史心电数据上设置多个相互间隔的采样点，并计算任意两个所述采样点之间的差值；
统计所有的所述差值中的最大值与最小值，并将所述最大值与所述最小值的差除以预设数值得到目标值；
利用所有的所述差值划分为所述预设数值个区间，以及在每个所述区间中均统计所述差值和所述目标值出现的个数并得到相应的目标个数；
对所有的所述区间的所述目标个数进行方差运算，得到斜率变异度。
4.根据权利要求1所述的可电击心律识别方法，其特征在于，所述从所述第二历史心电数据中提取若干可电击心律数据，包括：
在所述第二历史心电数据中建立第三预设时长的第二时间窗；其中，所述第二时间窗每间隔第四预设时长滑动一次；
在所述第二时间窗每次滑动之前均将所述第二时间窗内的所述第二历史心电数据确定为可电击心律数据。
5.根据权利要求4所述的可电击心律识别方法，其特征在于，所述从所述第二历史心电数据中提取若干可电击心律数据，还包括：
采用数据增强策略。
6.根据权利要求5所述的可电击心律识别方法，其特征在于，所述数据增强策略包括：
当所述第二时间窗每间隔所述第四预设时长滑动一次时，从所述第二历史心电数据中提取所述可电击心律数据的数据量为M；当所述第二时间窗每间隔所述第四预设时长的1/n倍滑动一次时，从所述第二历史心电数据中提取所述可电击心律数据的数据量为n*M；其中，，且/>，f表示采样率。
7.根据权利要求1所述的可电击心律识别方法，其特征在于，所述根据从所述心电数据中提取的心电特征参数，识别所述心电数据是否符合可电击心律并得到相应的初始识别结果，包括：
在所述心电数据中建立第五预设时长的第三时间窗；其中，所述第三时间窗每间隔第六预设时长滑动一次；
在所述第三时间窗每次滑动之前均从所述第三时间窗中提取所述心电数据的至少一种心电特征参数，并将所提取出的至少一种所述心电特征参数采用阈值积分策略，得到相应的心电特征策略值；
当所述第三时间窗的滑动次数达到预设次数时，根据所有的所述心电特征策略值识别所述心电数据是否符合可电击心律并得到相应的初始识别结果。
8.根据权利要求7所述的可电击心律识别方法，其特征在于，所述阈值积分策略由如下公式表示：
；
其中，Qi表示分配给第i种所述心电特征参数的权重，Si表示第i种所述心电特征参数，m表示所述心电特征参数的种类数，R表示所述心电特征策略值。
9.根据权利要求7所述的可电击心律识别方法，其特征在于，所述根据所有的所述心电特征策略值识别所述心电数据是否符合可电击心律并得到相应的初始识别结果，包括：
对所有的所述心电特征策略值进行均值计算，得到相应的心电特征均值；
将所述心电特征均值与预设的经验阈值进行比较，并根据比较结果识别所述心电数据是否符合可电击心律；其中，若所述心电特征均值大于所述经验阈值，则所述心电数据符合可电击心律；若所述心电特征均值小于或等于所述经验阈值，则所述心电数据不符合可电击心律。
10.根据权利要求9所述的可电击心律识别方法，其特征在于，所述均值计算由如下公式表示：
；
其中，T表示所述心电特征均值，Ri表示第i个所述心电特征策略值，n表示所述心电特征策略值的个数。
11.根据权利要求1所述的可电击心律识别方法，其特征在于，所述心电特征参数包括RR间期、RR间期变异度、RR波峰变异度、斜率变异度、幅度概率密度、扩展时延特征和归一化阶矩特征中的至少一种。
12.根据权利要求1所述的可电击心律识别方法，其特征在于，还包括：
若所述初始识别结果指示所述心电数据不符合可电击心律，则得到所述心电数据不符合可电击心律的最终识别结果；或，
若所述心电数据中存在所述相似干扰数据，则得到所述心电数据不符合可电击心律的最终识别结果。
13.根据权利要求1所述的可电击心律识别方法，其特征在于，所述根据从所述心电数据中提取的心电特征参数，识别所述心电数据是否符合可电击心律并得到相应的初始识别结果之前，还包括：
对所述心电数据进行预处理；其中，所述预处理包括降噪处理和干扰剔除处理中的至少一种，所述降噪处理包括带通滤波和工频陷波中的至少一种。
14.根据权利要求13所述的可电击心律识别方法，其特征在于，所述干扰剔除处理包括：
采用斜率阈值法剔除所述心电数据中的运动干扰数据。
15.一种可电击心律识别方法，其特征在于，包括：
实时获取被监测者的心电数据；其中，所述心电数据包括多个，多个所述心电数据分别来自于多个不同的导联；
对于每个所述导联的所述心电数据，均根据权利要求1至14中任意一项所述的方法中的步骤得到相应的所述最终识别结果；
对所有的所述最终识别结果进行综合分析，得到综合识别结果。
16.一种穿戴式心律转复除颤器，其特征在于，包括：
心电采集电极，用于实时采集被监测者的心电数据；
存储器，用于存储计算机程序；
处理器，连接于所述心电采集电极和所述存储器，用于调用所述计算机程序以执行权利要求1至14中任意一项所述的方法中的步骤，或执行权利要求15所述的方法中的步骤。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器调用时实现权利要求1至14中任意一项所述的方法中的步骤，或实现权利要求15所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310544023.8A CN116271539B (zh) | 2023-05-15 | 2023-05-15 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310544023.8A CN116271539B (zh) | 2023-05-15 | 2023-05-15 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116271539A CN116271539A (zh) | 2023-06-23 |
| CN116271539B true CN116271539B (zh) | 2023-09-08 |
Family
ID=86789035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310544023.8A Active CN116271539B (zh) | 2023-05-15 | 2023-05-15 | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116271539B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836312A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种新型基于人工智能的进行杂波剔除的方法及系统 |
| CN109171697A (zh) * | 2018-07-25 | 2019-01-11 | 乐普医学电子仪器股份有限公司 | 一种基于双重判断标准的可电击复律心律识别方法 |
| CN109846473A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种检测单导联10秒心电图噪音干扰程度的方法 |
| CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
-
2023
- 2023-05-15 CN CN202310544023.8A patent/CN116271539B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836312A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技（北京）有限公司 | 一种新型基于人工智能的进行杂波剔除的方法及系统 |
| CN109171697A (zh) * | 2018-07-25 | 2019-01-11 | 乐普医学电子仪器股份有限公司 | 一种基于双重判断标准的可电击复律心律识别方法 |
| CN109846473A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种检测单导联10秒心电图噪音干扰程度的方法 |
| CN110996343A (zh) * | 2019-12-18 | 2020-04-10 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的干扰识别模型及智能识别算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116271539A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hammad et al. | ResNet‐Attention model for human authentication using ECG signals | |
| Liu et al. | Performance analysis of ten common QRS detectors on different ECG application cases | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
| CN109522916B (zh) | 识别单导心电图（ecg）信号中的节律的级联二元分类器 | |
| Arafat et al. | A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram | |
| Ham et al. | Classification of cardiac arrhythmias using fuzzy ARTMAP | |
| CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
| Parsi et al. | Prediction of paroxysmal atrial fibrillation using new heart rate variability features | |
| Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
| CN109770862A (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
| CN107688553B (zh) | 基于小波变换和逻辑回归算法检测心电波形特征的方法 | |
| CN103345600A (zh) | 一种心电信号数据处理方法 | |
| CN110720894B (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
| 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 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| CN116328187B (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
| Parsi et al. | Heart rate variability feature selection method for automated prediction of sudden cardiac death | |
| Chin et al. | Bayesian real-time QRS complex detector for healthcare system | |
| Bastos et al. | Double authentication model based on ppg and ecg signals | |
| CN116271539B (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
| Chen et al. | An effective PSR-based arrhythmia classifier using self-similarity analysis | |
| Lei et al. | AFC-ECG: An adaptive fuzzy ECG classifier | |
| CN111449647B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
| Thungtong | A robust algorithm for R peak detection based on optimal discrete wavelet transform |
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 |