CN116570295B - 一种心电图低电压t波终点定位方法 - Google Patents

一种心电图低电压t波终点定位方法 Download PDF

Info

Publication number
CN116570295B
CN116570295B CN202310861792.0A CN202310861792A CN116570295B CN 116570295 B CN116570295 B CN 116570295B CN 202310861792 A CN202310861792 A CN 202310861792A CN 116570295 B CN116570295 B CN 116570295B
Authority
CN
China
Prior art keywords
wave
heart beat
end point
sample
wave end
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
Application number
CN202310861792.0A
Other languages
English (en)
Other versions
CN116570295A (zh
Inventor
许昆明
符灵建
刘凯歌
杨茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Helowin Medical Technology Co ltd
Original Assignee
Zhejiang Helowin Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Helowin Medical Technology Co ltd filed Critical Zhejiang Helowin Medical Technology Co ltd
Priority to CN202310861792.0A priority Critical patent/CN116570295B/zh
Publication of CN116570295A publication Critical patent/CN116570295A/zh
Application granted granted Critical
Publication of CN116570295B publication Critical patent/CN116570295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—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
    • A61B5/72—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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种心电图低电压T波终点定位方法，所述方法包括以下步骤：步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；步骤二：心电样本数据4个等级干扰的识别；本发明在于对低平T波非线性变换的放大重构，增强了低平T波终点的细节特征，根据构建的样本心搏叠加波，结合样本心搏和叠加波的重构操作，聚类分析成两类心搏，增加的两种状态引入了医学信息，解决了两类心搏数据对应的提取特征高度相似问题，最后提取形态特征群、统计特征群、信息特征群分别建模预测，在实际应用场景下实现了对心搏低平T波终点的准确定位。

Description

一种心电图低电压T波终点定位方法
技术领域
本发明涉及一种心电图低电压T波终点定位方法，具体的说，为一种基于波形重构和叠加波聚类技术的心电图低电压T波终点定位方法，属于心电图T波定位技术领域。
背景技术
临床上很多心律失常呈阵发性、持续时间短等特点，就诊时心律失常可能已经终止，常规心电图检查往往难以捕获。而小型化、便携式的单导联心电设备可实现连续、长时程的心电监护，逐渐成为一种新的心电监护解决方案。随着近年来人工智能技术的快速发展，利用AI设计单导联心电算法帮助医生进行辅助诊断已经成为了必然趋势。心电图波形一个完整心搏周期主要是P波、QRS波群和T波组成，每种波都反映了心脏心房和心室中兴奋波的动态传导，以及异位搏动情况的丰富信息，准确检测各波形位置是心率计算和异常诊断的关键。
目前各领域专家学者通过不同的方法进行了心搏各波形位置检测，其中对T波检测的方法集中在切线法、斜率阈值法、小波变换法、数学形态法等方面。T波常见的形态有T波倒置、T波双向和T波低平等，由于T波是心电信号中的低幅低频波，易受基线漂移、肌电干扰等噪声影响，其终点检测的方法研究始终是心电图识别技术中的难点问题，特别是对变化比较敏感的低平T波(如图1)，其斜率更不明显，容易淹没在噪声中，这就使得众多T波终点定位算法失去了对低平T波终点检测的准确性，进而直接影响QT间期、尼亚加拉状T波等的测量，导致对常见类型心电图心搏的识别造成困难。
发明内容
针对上述现有技术的不足，本发明提供了一种心电图低电压T波终点定位方法，包括以下步骤：
步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；
步骤二：心电样本数据4个等级干扰的识别；
步骤三：样本心搏叠加波构建，样本心搏叠加波构建，为后续步骤非线性变换重构的低平T波聚类分析初始模板建立基础，针对预处理后的心电样本，基于正则化最小二乘回归学习方法定位R波位置，以检测到的R波位置为中心，向前向后截取一定数量采样点的固定窗口对样本进行分割，共分割得到LA个心搏，根据上一步骤的干扰识别，对只有1级和2级干扰级别的L个心搏进行聚类分析，共分为四个阶段，以获取心搏数量最多的两类心搏构建叠加波；
步骤四：筛选心搏低平T波样本；并对其所有心搏划分T波终点搜索区域；
步骤五：心搏T波终点搜索区域单独进行低通滤波消除干扰；针对低平T波样本叠加波及其所有单个心搏的T波终点搜索区域单独进行低通滤波，再次消除肌电干扰和工频干扰；
步骤六：低平T波样本所有心搏及叠加波T波终点搜索区域的重构；
步骤七：重构后的心搏T波终点搜索区域聚类分析；
步骤八：心搏T波终点搜索区域波形特征提取；样本所有重构后的心搏T波终点搜索区域进行特征提取，描述每个心搏搜索区域数据有意义的属性，该特征集包括了形态特征群、统计特征群、信息特征群；
步骤九：模型训练；根据上述步骤八提取的心搏T波终点搜索区域的形态特征群、统计特征群、信息特征群，结合对应的T波终点到T波顶点的距离标签，将训练集中叠加波相似的心搏、不相似的心搏，分别输入到随机森林模型中进行训练，得到两种T波终点定位模型；
步骤十：模型评估。
作为优选：所述步骤二中的4个等级干扰的识别方法如下：
首先将预处理后的心电样本数据按照n秒钟长度切片，再进行间隔m个点的下采样，获得心电数据X，并对其进行标注得到y；
其次，对心电数据X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF；再次，训练卷积神经网络，设计一个包含四层卷积层的一维卷积神经网络来提取特征，同时在每第二个卷积层之后加一个Maxpooling层用来筛选特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为C和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别概率的一维向量Xout，设定学习率Lr、损失函数Loss，用Adam优化器进行训练，直到模型收敛；
最后，导入测试数据进行4个等级干扰的识别，对比最终输出的4个概率Xp，取其中最高概率对应的等级作为n秒钟的干扰等级，公式如下：
Norm(x)＝(x-xmin)/(xmax-xmin)
作为优选：所述步骤三中的四个阶段分别为：
第一阶段，在对样本L个心搏进行聚类前，首先需要产生模板心搏，将目标心搏与模板心搏进行相似度距离计算，相似度距离满足一定阈值条件的目标心搏匹配归入相应模板类别，选取相似度距离阈值TH，从样本的L个心搏中随机抽取LS个心搏，并选择第一个心搏ls1作为第一个模板心搏类型T1，计算第二个心搏ls2到T1的相似度距离D21，如果满足D21＞TH，则将ls2匹配归入该类别，否则以ls2为新建模板心搏T2，继续计算下一个心搏lsi与已有的若干个模板心搏间相似度距离Dij(j＝0,1,2,…)，若满足且Dim＞TH，则将该心搏匹配归于模板类别Tm，否则以lsi为新建模板心搏类别，重复此步骤，直至完成随机LS个心搏的聚类，最后对随机的LS个心搏模板分类结果进行统计排序，选取心搏匹配个数最多的模板类别Tmax，将LS个心搏中属于Tmax的所有心搏数据做平均，得到一个平均模板心搏Tavg；
第二阶段，对样本L个心搏第一次进行聚类，获取心搏匹配个数最多的一类，将上一阶段得到的平均模板心搏Tavg作为第一个心搏模板类型，重复第一阶段的心搏匹配模板的步骤，直到所有L个心搏匹配完毕，最后对全部L个模板心搏分类结果进行统计排序，得到心搏匹配个数最多的模板类别，获取其匹配的心搏集合Lclu1及个数c1；
第三阶段，样本中全部L个心搏去掉上一阶段最多一类c1个心搏后，再对剩余L-c1个的心搏第二次进行聚类，对L-c1个心搏重复第一阶段步骤，得到随机抽取心搏匹配个数最多的模板类别，接着对L-c1个心搏重复第二阶段步骤，得到匹配个数最多的模板类别，获取其匹配心搏集合Lclu2及其个数c2，将第二阶段和第三阶段获得的心搏集合Lclu1、Lclu2合并为一个心搏集合Lclu；
第四阶段，针对每个心电样本构建独特的心搏叠加波，将上述阶段获取的样本心搏集合Lclu用来构建叠加波，所有用于构建的心搏以R波位置为基准点向前向后对齐，并对每个心搏采样点对应的振幅幅值进行排序，截取第15百分位至第85百分位对应的心搏幅值求和取平均，作为当前采样点对应的叠加波振幅幅值，以此来构建叠加波，公式如下：
其中m是当前心搏的第m个采样点，P15和P85分别是每个心搏当前采样点对应的振幅幅值排序之后处于在15％和85％的位置，Am是叠加波第m个采样点的幅值，是第m个采样点处于第i百分位的心搏幅值。
作为优选：所述步骤四的具体方法为：
针对样本所有心搏及上一步骤构建的样本叠加波，进行T波顶点的检测，选取T波顶点幅值阈值TH2，筛选叠加波T波顶点Tsp绝对值最大值小于TH2的心电样本，定义为低平T波样本，共筛选出Us份训练集和Vs份测试集的低平T波单导联ECG样本，其中包括了窦性节律样本、室上性心律失常样本、室性心律失常样本、房扑房颤样本、传导阻滞样本等，然后以样本各心搏T波顶点Tp为基准点，设定对应心搏低平T波终点Te的搜索区域为：[Tp+d1 ms,Tp+d2ms]。
作为优选：所述步骤五的具体方法为：
无限脉冲响应滤波器(IIR)对低平T波终点搜索区域低通滤波，具体设计了巴特沃斯数字低通滤波器，通带和阻带的截止频率为fpHz和fsHz，通带允许最大衰减是RpdB，阻带允许最大衰减是ASdB，IIR滤波器差分方程的一般表达式如下：
其中x(n)为输入序列，y(n)为输出序列，ai和bi为滤波器系数，M为滤波器阶数；
最后，将搜索区域的低平T波序列按顺序滤波，将所得结果在时域翻转后反向通过滤波器，再将所得结果在时域翻转后输出，使得相移为0，保证滤波后的波形位置精确地保留在滤波前序列中的位置。
作为优选：所述步骤六中对低平T波样本所有心搏及叠加波T波终点搜索区域的重构方法为：
首先将上一步骤处理后的样本心搏及其叠加波的T波终点搜索区域数据进行归一化处理，使其映射到合理区间：
Xnorm＝a+k(X-Xmin)
其中X、Xnorm为搜索区域数据映射前和映射后的值Xmax，Xmin分别为搜索区域数据最大值和最小值，a、b为映射区间的上限和下限；
其次，通过e的指数运算将归一化后的数据进行非线性变换，从而使搜索区域的低平T波数据得到增强，最后，为使增强后的T波终点搜索区域具有更好的噪声抑制性能,对样本心搏及其叠加波增强后的T波终点搜索区域数据进行SG平滑滤波的重构，原理是基于搜索区域特征的多项式拟合，应用最小二乘法确定加权系数进行移动窗口加权平均滤波，具体公式如下：
其中X是原始搜索序列，Xsg是重构后的搜索序列，Ci是滑动窗口的第i个时间序列的相关系数，2m+1是滑动窗口的大小。
作为优选：所述步骤七中重构后的心搏T波终点搜索区域聚类分析方法为：
以步骤六重构得到的叠加波T波终点搜索区域为初始模板，将重构后的样本L个心搏T波终点搜索区域，重复步骤三第一阶段的心搏匹配模板的步骤，直到样本所有L个心搏T波终点搜索区域匹配完毕，获取其匹配的心搏T波终点搜索区域集合LA1及其补集LA2；通过对低平T波的Us份训练集和Vs份测试集样本区分叠加波相似的心搏和不相似的心搏，在后续步骤分开进行T波终点的建模和预测。
作为优选：所述步骤八中心搏T波终点搜索区域波形特征提取，具体提取的特征群为：
1)形态特征群
一阶差分：心搏T波终点搜索区域数据相邻两点之差；
二阶差分：心搏T波终点搜索区域数据一阶差分相邻两点之差；
心搏T波顶点幅值；
RR间期；
心搏R波顶点到T波顶点的距离；
心搏R波顶点到T波顶点的距离和RR间期的比值；
2)统计特征群
心搏T波终点搜索区域数据平均值；
心搏T波终点搜索区域数据标准差；
心搏T波终点搜索区域数据峭度；
心搏T波终点搜索区域数据偏度；
心搏T波终点搜索区域数据平方的平均值；
心搏T波终点搜索区域数据最大值和最小值的差值；
一阶差分数据绝对值最小值位置距离T波顶点位置的距离；
二阶差分数据绝对值最小值位置距离T波顶点位置的距离；
3)信息特征群
心搏T波终点搜索区域数据模糊熵；
心搏T波终点搜索区域数据功率谱熵；
心搏T波终点搜索区域数据奇异谱熵；
心搏T波终点搜索区域数据排列熵。
作为优选：所述步骤十中的模型评估方法为：
将训练好的两种低平T波定位模型应用在测试集的样本心搏数据上，测试集样本中的心搏分别应用其所属叠加波相似和不相似两种类型模型进行预测，将最后的T波终点位置输出结果与测试集样本心搏的T波终点位置标签进行对比，误差间隔是用来衡量波形定位的误差区间，当算法检测结果和医生标注位置位于误差区间范围内时，检测结果被认可，使用误差间隔内的样本占比评估模型的性能，各项评估指标的表达式如下：
K：模型输出的低平T波终点在标注位置的±4ms范围内的样本数；
L：模型输出的低平T波终点在标注位置的±5ms～±8ms范围内的样本数；
M：模型输出的低平T波终点在标注位置的±9ms～±16ms范围内的样本数；
N：模型输出的低平T波终点在标注位置的±16ms外的样本数；
误差范围±4ms以内的样本占比：
误差范围±8ms以内的样本占比：
误差范围大于±16ms的样本占比：
其中误差间隔在本发明低平T波终点定位算法中与采样点关系如下：
误差间隔4ms＝1个采样点；
误差间隔8ms＝2个采样点；
误差间隔16ms＝4个采样点。
本发明在于对低平T波非线性变换的放大重构，增强了低平T波终点的细节特征，根据构建的样本心搏叠加波，结合样本心搏和叠加波的重构操作，聚类分析成两类心搏，增加的两种状态引入了医学信息，解决了两类心搏数据对应的提取特征高度相似问题，最后提取形态特征群、统计特征群、信息特征群分别建模预测，在实际应用场景下实现了对心搏低平T波终点的准确定位。
附图说明
图1是典型的低平T波ECG心搏示意图；
图2是本发明的总体算法流程图；
图3是本发明步骤二中4个等级干扰识别的算法流程图；
图4是本发明步骤五中对T波终点搜索区域单独低通滤波消除干扰前后的心搏；
图5是本发明步骤六中重构后的心搏和叠加波的T波终点搜索区域；
图6是本发明步骤七中典型的两种聚类结果类型(与叠加波相似类型或与叠加波不相似类型)。
具体实施方式
下面将结合附图对本发明作详细的介绍：如图2所示，一种心电图低电压T波终点定位方法，所述方法包括如下步骤：
步骤一：单导联心电信号获取及预处理。根据250Hz的采样率，采用干电极获取30秒固定长度的单导联ECG样本，并对每个样本进行滤波去噪，去肌电、工频干扰和去基线漂移处理。
步骤二：心电样本数据4个等级干扰的识别。本步骤根据本公司专利一种可穿戴设备上的ECG信号的干扰波识别方法实现，具体算法流程如图3，其原理是首先将预处理后的心电样本数据按照3秒钟长度切片，再进行间隔2个点的下采样，获得心电数据X，并对其进行标注得到y；其次，对心电数据X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF；再次，训练卷积神经网络，设计一个包含四层卷积层的一维卷积神经网络来提取特征，同时在每第二个卷积层之后加一个Maxpooling层用来筛选特征，其中卷积核长度K均为5，前两个卷积的步长strides为2，后两个为1，前三个卷积的通道数C为64，最后一个为128，随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为64和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别概率的一维向量Xout，设定学习率0.0001、损失函数Loss，用Adam优化器进行训练，直到模型收敛；最后，导入测试数据进行4个等级干扰的识别，对比最终输出的4个概率Xp，取其中最高概率对应的等级作为此n秒钟的干扰等级。具体公式如下：
Norm(x)＝(x-xmin)/(xmax-xmin)
步骤三：样本心搏叠加波构建，为后续步骤非线性变换重构的低平T波聚类分析初始模板建立基础。针对预处理后的心电样本，基于正则化最小二乘回归学习方法定位R波位置，以检测到的R波位置为中心，向前取75ms采样点、向后取125ms采样点的固定窗口对样本进行分割，共分割得到LA个心搏，根据上一步骤的干扰识别，对只有1级和2级干扰级别的L个心搏进行聚类分析，共分为四个阶段，以获取心搏数量最多的两类心搏构建叠加波。
第一阶段，在对样本L个心搏进行聚类前，首先需要产生模板心搏，将目标心搏与模板心搏进行余弦相似度计算，余弦相似度满足一定阈值条件的目标心搏匹配归入相应模板类别。选取余弦相似度阈值0.8，从样本的L个心搏中随机抽取10个心搏，并选择第一个心搏ls1作为第一个模板心搏类型T1，计算第二个心搏ls2到T1的余弦相似度距离D21，如果满足D21＞0.8，则将ls2匹配归入该类别，否则以ls2为新建模板心搏T2，继续计算下一个心搏lsi与已有的若干个模板心搏间相似度距离Dij(j＝0,1,2,…)，若满足且Dim＞0.8，则将该心搏匹配归于模板类别Tm，否则以lsi为新建模板心搏类别，重复此步骤，直至完成随机10个心搏的聚类。最后对随机的10个心搏模板分类结果进行统计排序，选取心搏匹配个数最多的模板类别Tmax，将10个心搏中属于Tmax的所有心搏数据做平均，得到一个平均模板心搏Tavg。余弦相似度距离公式如下：
其中k表示当前样本的第k个心搏，j表示第j个模板心搏，表示当前样本第k个心搏采样点的幅值，/>表示第j个模板心搏采样点的幅值；
第二阶段，对样本L个心搏第一次进行聚类，获取心搏匹配个数最多的一类。将上一阶段得到的平均模板心搏Tavg作为第一个心搏模板类型，重复第一阶段的心搏匹配模板的步骤，直到所有L个心搏匹配完毕。最后对全部L个模板心搏分类结果进行统计排序，得到心搏匹配个数最多的模板类别，获取其匹配的心搏集合Lclu1及个数c1；
第三阶段，样本中全部L个心搏去掉上一阶段最多一类c1个心搏后，再对剩余L-c1个的心搏第二次进行聚类。对L-c1个心搏重复第一阶段步骤，得到随机抽取心搏匹配个数最多的模板类别，接着对L-c1个心搏重复第二阶段步骤，得到匹配个数最多的模板类别，获取其匹配心搏集合Lclu2及其个数c2。将第二阶段和第三阶段获得的心搏集合Lclu1、Lclu2合并为一个心搏集合Lclu。
第四阶段，针对每个心电样本构建独特的心搏叠加波。将上述阶段获取的样本心搏集合Lclu用来构建叠加波，所有用于构建的心搏以R波位置为基准点向前向后对齐，并对每个心搏采样点对应的振幅幅值进行排序，截取第15百分位至第85百分位对应的心搏幅值求和取平均，作为当前采样点对应的叠加波振幅幅值，以此来构建叠加波。公式如下：
其中m是当前心搏的第m个采样点，P15和P85分别是每个心搏当前采样点对应的振幅幅值排序之后处于在15％和85％的位置，Am是叠加波第m个采样点的幅值，是第m个采样点处于第i百分位的心搏幅值。
步骤四：筛选心搏低平T波样本,并对其所有心搏划分T波终点搜索区域。针对样本所有心搏及上一步骤构建的样本叠加波，进行T波顶点的检测，选取T波顶点幅值阈值为0.1mv,筛选叠加波T波顶点Tsp绝对值最大值小于0.1mv的心电样本，定义为低平T波样本，共筛选出8115份训练集和2074份测试集的低平T波单导联ECG样本，训练集中窦性节律样本2117份，室上性心律失常样本1618份，室性心律失常样本1516份，房扑房颤样本1395份，传导阻滞样本1469份，测试集中窦性节律样本451份，室上性心律失常样本406份，室性心律失常样本417份，房扑房颤样本402份，传导阻滞样本398份。然后以样本各心搏T波顶点Tp为基准点，设定对应心搏低平T波终点Te的搜索区域为：[Tp+10ms,Tp+150ms]。
步骤五：心搏T波终点搜索区域单独进行低通滤波消除干扰。根据资料表明，心电信号的整体频率范围为0.05～100Hz，其能量主要集中在0.5～45Hz，T波频率范围为0.7～10Hz，考虑到步骤一是对包括QRS波在内的整个心电波形的预处理，去除了心电波形上的大部分高频噪声，但本发明的低平T波终点定位算法需要使用到信号的细节特征，所以需要针对低平T波样本叠加波及其所有单个心搏的T波终点搜索区域单独进行低通滤波，再次消除肌电干扰和工频干扰。处理后的心搏如图4所示，本发明采取的方法是无限脉冲响应滤波器(IIR)对低平T波终点搜索区域低通滤波，具体设计了巴特沃斯数字低通滤波器，通带和阻带的截止频率为12Hz和17Hz，通带允许最大衰减是3dB，阻带允许最大衰减是20dB，IIR滤波器差分方程的一般表达式如下：
其中x(n)为输入序列，y(n)为输出序列，ai和bi为滤波器系数，M为滤波器阶数。
最后，将搜索区域的低平T波序列按顺序滤波，将所得结果在时域翻转后反向通过滤波器，再将所得结果在时域翻转后输出，使得相移为0，保证滤波后的波形位置精确地保留在滤波前序列中的位置。
步骤六：低平T波样本所有心搏及叠加波T波终点搜索区域的重构，重构后的结果如图5所示。首先将上一步骤处理后的样本心搏及其叠加波的T波终点搜索区域数据进行归一化处理，使其映射到[1,5]区间：
Xnorm＝a+k(X-Xmin)
其中X、Xnorm为搜索区域数据映射前和映射后的值,Xmax，Xmin分别为搜索区域数据最大值和最小值，a、b为映射区间的上限5和下限1。
其次，通过e的指数运算将归一化后的数据进行非线性变换，从而使搜索区域的低平T波数据得到增强。最后，为使增强后的T波终点搜索区域具有更好的噪声抑制性能,对样本心搏及其叠加波增强后的T波终点搜索区域数据进行SG平滑滤波的重构，原理是基于搜索区域特征的多项式拟合，应用最小二乘法确定加权系数进行移动窗口加权平均滤波，具体公式如下：
其中X是原始搜索序列，Xsg是重构后的搜索序列，Ci是滑动窗口的第i个时间序列的相关系数，2m+1是滑动窗口的大小。
步骤七：重构后的心搏T波终点搜索区域聚类分析。考虑到很多的搜索区域数据对应的提取特征高度相似，不存在一一对应关系，故对样本所有重构后的心搏T波终点搜索区域进行聚类分析，分成和叠加波相似和不相似的两种心搏。以上一步骤重构得到的叠加波T波终点搜索区域为初始模板，将重构后的样本L个心搏T波终点搜索区域，重复步骤三第一阶段的心搏匹配模板的步骤，直到样本所有L个心搏T波终点搜索区域匹配完毕，获取其匹配的心搏T波终点搜索区域集合LA1及其补集LA2。通过对低平T波的Us份训练集和Vs份测试集样本区分叠加波相似的心搏和不相似的心搏，在后续步骤分开进行T波终点的建模和预测。典型的两种聚类结果如图6所示。
步骤八：心搏T波终点搜索区域波形特征提取。对样本所有重构后的心搏T波终点搜索区域进行特征提取，描述每个心搏搜索区域数据有意义的属性，该特征集包括了形态特征群、统计特征群、信息特征群：
1)形态特征群
一阶差分：心搏T波终点搜索区域数据相邻两点之差；
二阶差分：心搏T波终点搜索区域数据一阶差分相邻两点之差；
心搏T波顶点幅值；
RR间期；
心搏R波顶点到T波顶点的距离；
心搏R波顶点到T波顶点的距离和RR间期的比值；
2)统计特征群
心搏T波终点搜索区域数据平均值；
心搏T波终点搜索区域数据标准差；
心搏T波终点搜索区域数据峭度；
心搏T波终点搜索区域数据偏度；
心搏T波终点搜索区域数据平方的平均值；
心搏T波终点搜索区域数据最大值和最小值的差值；
一阶差分数据绝对值最小值位置距离T波顶点位置的距离；
二阶差分数据绝对值最小值位置距离T波顶点位置的距离；
3)信息特征群
心搏T波终点搜索区域数据模糊熵；
心搏T波终点搜索区域数据功率谱熵；
心搏T波终点搜索区域数据奇异谱熵；
心搏T波终点搜索区域数据排列熵；
步骤九：模型训练。根据上述步骤八提取的心搏T波终点搜索区域的形态特征群、统计特征群、信息特征群，结合对应的T波终点到T波顶点的距离标签，将训练集中叠加波相似的心搏、不相似的心搏，分别输入到随机森林模型中进行训练，得到两种T波终点定位模型。
步骤十：模型评估。将训练好的两种低平T波定位模型应用在2074份低平T波测试集的样本心搏数据上，测试集样本中的心搏分别应用其所属叠加波相似和不相似两种类型模型进行预测，将最后的T波终点位置输出结果与测试集样本心搏的T波终点位置标签进行对比。误差间隔是用来衡量波形定位的误差区间，当算法检测结果和医生标注位置位于误差区间范围内时，检测结果被认可，使用误差间隔内的样本占比评估模型的性能，各项评估指标的表达式如下：
K：模型输出的低平T波终点在标注位置的±4ms范围内的样本数；
L：模型输出的低平T波终点在标注位置的±5ms～±8ms范围内的样本数；M：模型输出的低平T波终点在标注位置的±9ms～±16ms范围内的样本数；N：模型输出的低平T波终点在标注位置的±16ms外的样本数；
误差范围±4ms以内的样本占比：
误差范围±8ms以内的样本占比：
误差范围大于±16ms的样本占比：
其中误差间隔在本发明低平T波终点定位算法中与采样点关系如下：误差间隔4ms＝1个采样点
误差间隔8ms＝2个采样点
误差间隔16ms＝4个采样点。
不同诊断类型的低平T波心搏的测试结果如表1。
表1测试结果
/>

Claims (7)

1.一种心电图低电压T波终点定位方法，其特征在于：所述方法包括以下步骤：
步骤一：单导联心电信号获取及预处理，根据预设的采样率，采用干电极获取t秒固定长度的单导联ECG样本，并对每个样本进行滤波去肌电、工频干扰和去基线漂移处理；
步骤二：心电样本数据4个等级干扰的识别；
步骤三：样本心搏叠加波构建，样本心搏叠加波构建，为后续步骤非线性变换重构的低平T波聚类分析初始模板建立基础，针对预处理后的心电样本，基于正则化最小二乘回归学习方法定位R波位置，以检测到的R波位置为中心，向前向后截取一定数量采样点的固定窗口对样本进行分割，共分割得到LA个心搏，根据上一步骤的干扰识别，对只有1级和2级干扰级别的L个心搏进行聚类分析，共分为四个阶段，以获取心搏数量最多的两类心搏构建叠加波；
步骤四：筛选心搏低平T波样本；并对其所有心搏划分T波终点搜索区域；
步骤五：心搏T波终点搜索区域单独进行低通滤波消除干扰；针对低平T波样本叠加波及其所有单个心搏的T波终点搜索区域单独进行低通滤波，再次消除肌电干扰和工频干扰；
步骤六：低平T波样本所有心搏及叠加波T波终点搜索区域的重构；其重构方法具体为：首先将上一步骤处理后的样本心搏及其叠加波的T波终点搜索区域数据进行归一化处理，使其映射到合理区间：
Xnorm＝a+k(X-Xmin)
其中X、Xnorm为搜索区域数据映射前和映射后的值，Xmax，Xmin分别为搜索区域数据最大值和最小值，a、b为映射区间的上限和下限；
其次，通过e的指数运算将归一化后的数据进行非线性变换，从而使搜索区域的低平T波数据得到增强，最后，为使增强后的T波终点搜索区域具有更好的噪声抑制性能,对样本心搏及其叠加波增强后的T波终点搜索区域数据进行SG平滑滤波的重构，原理是基于搜索区域特征的多项式拟合，应用最小二乘法确定加权系数进行移动窗口加权平均滤波，具体公式如下：
其中X是原始搜索序列，Xsg是重构后的搜索序列，Ci是滑动窗口的第i个时间序列的相关系数，2m+1是滑动窗口的大小；
步骤七：重构后的心搏T波终点搜索区域聚类分析；其分析方法具体为：
以步骤六重构得到的叠加波T波终点搜索区域为初始模板，将重构后的样本L个心搏T波终点搜索区域，重复步骤三第一阶段的心搏匹配模板的步骤，直到样本所有L个心搏T波终点搜索区域匹配完毕，获取其匹配的心搏T波终点搜索区域集合LA1及其补集LA2；通过对低平T波的Us份训练集和VS份测试集样本区分叠加波相似的心搏和不相似的心搏，在后续步骤分开进行T波终点的建模和预测；
步骤八：心搏T波终点搜索区域波形特征提取；样本所有重构后的心搏T波终点搜索区域进行特征提取，描述每个心搏搜索区域数据有意义的属性，上述属性包括了形态特征群、统计特征群、信息特征群；
步骤九：模型训练；根据上述步骤八提取的心搏T波终点搜索区域的形态特征群、统计特征群、信息特征群，结合对应的T波终点到T波顶点的距离标签，将训练集中叠加波相似的心搏、不相似的心搏，分别输入到随机森林模型中进行训练，得到两种T波终点定位模型；
步骤十：模型评估。
2.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤二中的4个等级干扰的识别方法如下：
首先将预处理后的心电样本数据按照n秒钟长度切片，再进行间隔m个点的下采样，获得心电数据X，并对其进行标注得到y；
其次，对心电数据X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF；再次，训练卷积神经网络，设计一个包含四层卷积层的一维卷积神经网络来提取特征，同时在每第二个卷积层之后加一个Maxpooling层用来筛选特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为C和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别概率的一维向量Xout，设定学习率Lr、损失函数Loss，用Adam优化器进行训练，直到模型收敛；
最后，导入测试数据进行4个等级干扰的识别，对比最终输出的4个概率Xp，取其中最高概率对应的等级作为n秒钟的干扰等级，公式如下：
Norm(x)＝(x-xmin)/(xmax-xmin)
3.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤三中的四个阶段分别为：
第一阶段，在对样本L个心搏进行聚类前，首先需要产生模板心搏，将目标心搏与模板心搏进行相似度距离计算，相似度距离满足一定阈值条件的目标心搏匹配归入相应模板类别，选取相似度距离阈值TH，从样本的L个心搏中随机抽取LS个心搏，并选择第一个心搏ls1作为第一个模板心搏类型T1，计算第二个心搏ls2到T1的相似度距离D21，如果满足D21＞TH，则将ls2匹配归入该类别，否则以ls2为新建模板心搏T2，继续计算下一个心搏lsi与已有的若干个模板心搏间相似度距离Dij(j＝0,1,2,…)，若满足且Dim＞TH，则将该心搏匹配归于模板类别Tm，否则以lsi为新建模板心搏类别，重复此步骤，直至完成随机LS个心搏的聚类，最后对随机的LS个心搏模板分类结果进行统计排序，选取心搏匹配个数最多的模板类别Tmax，将LS个心搏中属于Tmax的所有心搏数据做平均，得到一个平均模板心搏Tavg；
第二阶段，对样本L个心搏第一次进行聚类，获取心搏匹配个数最多的一类，将上一阶段得到的平均模板心搏Tavg作为第一个心搏模板类型，重复第一阶段的心搏匹配模板的步骤，直到所有L个心搏匹配完毕，最后对全部L个模板心搏分类结果进行统计排序，得到心搏匹配个数最多的模板类别，获取其匹配的心搏集合Lclu1及个数c1；
第三阶段，样本中全部L个心搏去掉上一阶段最多一类c1个心搏后，再对剩余L-c1个的心搏第二次进行聚类，对L-c1个心搏重复第一阶段步骤，得到随机抽取心搏匹配个数最多的模板类别，接着对L-c1个心搏重复第二阶段步骤，得到匹配个数最多的模板类别，获取其匹配心搏集合Lclu2及其个数c2，将第二阶段和第三阶段获得的心搏集合Lclu1、Lclu2合并为一个心搏集合Lclu；
第四阶段，针对每个心电样本构建独特的心搏叠加波，将上述阶段获取的样本心搏集合Lclu用来构建叠加波，所有用于构建的心搏以R波位置为基准点向前向后对齐，并对每个心搏采样点对应的振幅幅值进行排序，截取第15百分位至第85百分位对应的心搏幅值求和取平均，作为当前采样点对应的叠加波振幅幅值，以此来构建叠加波，公式如下：
其中m是当前心搏的第m个采样点，P15和P85分别是每个心搏当前采样点对应的振幅幅值排序之后处于在15％和85％的位置，Am是叠加波第m个采样点的幅值，是第m个采样点处于第i百分位的心搏幅值。
4.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤四的具体方法为：
针对样本所有心搏及上一步骤构建的样本叠加波，进行T波顶点的检测，选取T波顶点幅值阈值TH2，筛选叠加波T波顶点TSP绝对值最大值小于TH2的心电样本，定义为低平T波样本，共筛选出US份训练集和VS份测试集的低平T波单导联ECG样本，其中包括了窦性节律样本、室上性心律失常样本、室性心律失常样本、房扑房颤样本、传导阻滞样本，然后以样本各心搏T波顶点TP为基准点，设定对应心搏低平T波终点TE的搜索区域为：[Tp+d1 ms,Tp+d2ms]。
5.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤五的具体方法为：
无限脉冲响应滤波器(IIR)对低平T波终点搜索区域低通滤波，设计了巴特沃斯数字低通滤波器，通带和阻带的截止频率为fPHz和fSHz，通带允许最大衰减是RPdB，阻带允许最大衰减是ASdB，IIR滤波器差分方程的一般表达式如下：
其中x(n)为输入序列，y(n)为输出序列，ai和bi为滤波器系数，M为滤波器阶数；
最后，将搜索区域的低平T波序列按顺序滤波，将所得结果在时域翻转后反向通过滤波器，再将所得结果在时域翻转后输出，使得相移为0，保证滤波后的波形位置精确地保留在滤波前序列中的位置。
6.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于所述步骤八中心搏T波终点搜索区域波形特征提取，具体提取的特征群为：
1)形态特征群
一阶差分：心搏T波终点搜索区域数据相邻两点之差；
二阶差分：心搏T波终点搜索区域数据一阶差分相邻两点之差；
心搏T波顶点幅值；
RR间期；
心搏R波顶点到T波顶点的距离；
心搏R波顶点到T波顶点的距离和RR间期的比值；
2)统计特征群
心搏T波终点搜索区域数据平均值；
心搏T波终点搜索区域数据标准差；
心搏T波终点搜索区域数据峭度；
心搏T波终点搜索区域数据偏度；
心搏T波终点搜索区域数据平方的平均值；
心搏T波终点搜索区域数据最大值和最小值的差值；
一阶差分数据绝对值最小值位置距离T波顶点位置的距离；
二阶差分数据绝对值最小值位置距离T波顶点位置的距离；
3)信息特征群
心搏T波终点搜索区域数据模糊熵；
心搏T波终点搜索区域数据功率谱熵；
心搏T波终点搜索区域数据奇异谱熵；
心搏T波终点搜索区域数据排列熵。
7.根据权利要求1所述的心电图低电压T波终点定位方法，其特征在于：所述步骤十中的模型评估方法为：
将训练好的两种低平T波定位模型应用在测试集的样本心搏数据上，测试集样本中的心搏分别应用其所属叠加波相似和不相似两种类型模型进行预测，将最后的T波终点位置输出结果与测试集样本心搏的T波终点位置标签进行对比，误差间隔是用来衡量波形定位的误差区间，当算法检测结果和医生标注位置位于误差区间范围内时，检测结果被认可，使用误差间隔内的样本占比评估模型的性能，各项评估指标的表达式如下：
K：模型输出的低平T波终点在标注位置的±4ms范围内的样本数；
L：模型输出的低平T波终点在标注位置的±5ms～±8ms范围内的样本数；
M：模型输出的低平T波终点在标注位置的±9ms～±16ms范围内的样本数；
N：模型输出的低平T波终点在标注位置的±16ms外的样本数；
误差范围±4ms以内的样本占比：
误差范围±8ms以内的样本占比：
误差范围大于±16ms的样本占比：
其中误差间隔在低平T波终点定位算法中与采样点关系如下：
误差间隔4ms＝1个采样点；
误差间隔8ms＝2个采样点；
误差间隔16ms＝4个采样点。
CN202310861792.0A 2023-07-14 2023-07-14 一种心电图低电压t波终点定位方法 Active CN116570295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310861792.0A CN116570295B (zh) 2023-07-14 2023-07-14 一种心电图低电压t波终点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310861792.0A CN116570295B (zh) 2023-07-14 2023-07-14 一种心电图低电压t波终点定位方法

Publications (2)

Publication Number Publication Date
CN116570295A CN116570295A (zh) 2023-08-11
CN116570295B true CN116570295B (zh) 2024-04-30

Family

ID=87543561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310861792.0A Active CN116570295B (zh) 2023-07-14 2023-07-14 一种心电图低电压t波终点定位方法

Country Status (1)

Country Link
CN (1) CN116570295B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998009241A1 (en) * 1996-08-29 1998-03-05 Harley Street Software Ltd. Ecg p-qrs-t onset, offset and peak detection method and apparatus
US6584419B1 (en) * 2000-10-12 2003-06-24 Agilent Technologies, Inc. System and method for enabling an operator to analyze a database of acquired signal pulse characteristics
CN102397067A (zh) * 2011-12-07 2012-04-04 秦皇岛市康泰医学系统有限公司 一种运动负荷心电波形叠加分析方法及其系统
CN104462867A (zh) * 2014-12-11 2015-03-25 中国人民解放军重庆通信学院 T波动态建模与多通道融合估计方法
CN106063704A (zh) * 2016-05-27 2016-11-02 浙江好络维医疗技术有限公司 一种基于正则化最小二乘回归学习的qrs波起点终点定位方法
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
CN109381181A (zh) * 2017-08-14 2019-02-26 深圳大学 心电信号特征波形的端点检测方法
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN112545528A (zh) * 2020-12-28 2021-03-26 北京理工大学 基于分数阶傅里叶变换和张量分解的心电t波特征提取方法
EP3838133A1 (en) * 2019-12-20 2021-06-23 Kaptalia Monitoring Device and process for ecg measurements
CN114073534A (zh) * 2021-11-25 2022-02-22 成都泰盟软件有限公司 一种心功能分析算法
CN114818781A (zh) * 2022-03-29 2022-07-29 浙江好络维医疗技术有限公司 一种融合稀疏特征的ecg信号干扰波识别方法
CN115486855A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN115486854A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种针对干电极采集的单导联心电图室性早搏识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8688202B2 (en) * 2009-11-03 2014-04-01 Vivaquant Llc Method and apparatus for identifying cardiac risk
US10426364B2 (en) * 2015-10-27 2019-10-01 Cardiologs Technologies Sas Automatic method to delineate or categorize an electrocardiogram

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998009241A1 (en) * 1996-08-29 1998-03-05 Harley Street Software Ltd. Ecg p-qrs-t onset, offset and peak detection method and apparatus
US6584419B1 (en) * 2000-10-12 2003-06-24 Agilent Technologies, Inc. System and method for enabling an operator to analyze a database of acquired signal pulse characteristics
CN102397067A (zh) * 2011-12-07 2012-04-04 秦皇岛市康泰医学系统有限公司 一种运动负荷心电波形叠加分析方法及其系统
CN104462867A (zh) * 2014-12-11 2015-03-25 中国人民解放军重庆通信学院 T波动态建模与多通道融合估计方法
CN106063704A (zh) * 2016-05-27 2016-11-02 浙江好络维医疗技术有限公司 一种基于正则化最小二乘回归学习的qrs波起点终点定位方法
CN109381181A (zh) * 2017-08-14 2019-02-26 深圳大学 心电信号特征波形的端点检测方法
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
EP3838133A1 (en) * 2019-12-20 2021-06-23 Kaptalia Monitoring Device and process for ecg measurements
CN111134659A (zh) * 2020-01-17 2020-05-12 乐普（北京）医疗器械股份有限公司 一种用于心电信号中p波和t波的检测方法和装置
CN112545528A (zh) * 2020-12-28 2021-03-26 北京理工大学 基于分数阶傅里叶变换和张量分解的心电t波特征提取方法
CN114073534A (zh) * 2021-11-25 2022-02-22 成都泰盟软件有限公司 一种心功能分析算法
CN114818781A (zh) * 2022-03-29 2022-07-29 浙江好络维医疗技术有限公司 一种融合稀疏特征的ecg信号干扰波识别方法
CN115486855A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN115486854A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种针对干电极采集的单导联心电图室性早搏识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Precise T-wave endpoint detection using polynomial fitting and natural geometric approach algorithm;T. Winkert 等;Biomedical Signal Processing and Control;第80卷(第P1期);1-9 *
一种基于融合特征的心肌梗死心电自动判读方法;薛渊元 等;纯粹数学与应用数学;第37卷(第4期);424-435 *
三种T波终点检测算法的对比研究——小波变换法、累积积分面积法及梯形面积法;黎承涛 等;生物医学工程学杂;第32卷(第6期);1185-1190，1195 *
十二导联心电图标志点的识别方法;于良军 等;医疗装备;第18卷(第12期);20-21 *
基于CNN和频率切片小波变换的T波形态分类;谢佳静 等;中国生物医学工程学报;第40卷(第1期);1-11 *
基于几何算法的T波终点检测研究;王娟 等;中国医学物理学杂志;第27卷(第2期);1751-1754 *

Also Published As

Publication number Publication date
CN116570295A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
Prasad et al. Classification of ECG arrhythmias using multi-resolution analysis and neural networks
CN103110417B (zh) 一种心电图自动识别系统
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN113397555A (zh) 生理参数监测用c-lstm的心率失常分类算法
CN109907752A (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统
CN111481192B (zh) 一种基于改进U-Net的心电信号R波检测方法
Debnath et al. Analysis of ECG signal and classification of heart abnormalities using Artificial Neural Network
CN111772628B (zh) 一种基于深度学习的心电信号房颤自动检测系统
CN109864714A (zh) 一种基于深度学习的心电信号分析方法
CN115486855B (zh) 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
Sumathi et al. A wavelet transform based feature extraction and classification of cardiac disorder
CN113349793A (zh) 一种基于分层注意力模型的心律失常分类方法
Sahu et al. An efficient method for detection and localization of myocardial infarction
Kumari et al. Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia
CN111956203A (zh) 心电信号参数化方法、模型训练方法、装置、设备及介质
Shukri et al. Investigation on Elman neural network for detection of cardiomyopathy
Zubair et al. Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks
CN116570295B (zh) 一种心电图低电压t波终点定位方法
Kaswan et al. Intelligent classification of ECG signals using machine learning techniques
Kumari et al. Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network
Khandait et al. ECG signal processing using classifier to analyses cardiovascular disease
Rakotomamonjy et al. Automated neural network detection of wavelet preprocessed electrocardiogram late potentials
Mehta et al. IDENTIFICATION AND DELINEATION OF QRS COMPLEXES IN ELECTROCARDIOGRAM USING FUZZY C-MEANS ALGORITHM.

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