JP2023508789A - 心電信号検出方法及び装置 - Google Patents

心電信号検出方法及び装置 Download PDF

Info

Publication number
JP2023508789A
JP2023508789A JP2021527834A JP2021527834A JP2023508789A JP 2023508789 A JP2023508789 A JP 2023508789A JP 2021527834 A JP2021527834 A JP 2021527834A JP 2021527834 A JP2021527834 A JP 2021527834A JP 2023508789 A JP2023508789 A JP 2023508789A
Authority
JP
Japan
Prior art keywords
signal
analysis result
feature information
electrocardiographic
signal analysis
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
Application number
JP2021527834A
Other languages
English (en)
Other versions
JP7398817B2 (ja
Inventor
リー，シャオユウ
シュー，ヤン
ワン，チョン
ルゥー，ツーシン
Original Assignee
チンタオ・ダーアイ・マトリックス・ヘルス・テクノロジー・カンパニー・リミテッド
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 チンタオ・ダーアイ・マトリックス・ヘルス・テクノロジー・カンパニー・リミテッド filed Critical チンタオ・ダーアイ・マトリックス・ヘルス・テクノロジー・カンパニー・リミテッド
Publication of JP2023508789A publication Critical patent/JP2023508789A/ja
Application granted granted Critical
Publication of JP7398817B2 publication Critical patent/JP7398817B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/353—Detecting P-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/357—Detecting U-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本出願は、心電信号検出方法及び装置を開示し、心電信号を取得し、心電信号が安定状態に達した場合、対応するターゲット特徴情報を決定し、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して分析処理を行い、出力された信号分析結果を取得する。これにより、本技術案によれば、心電信号を実際に予測する前に、安定性の判断が行われることで、信号の不安定性による計算結果の誤差の問題を排除できる。また、少なくとも１つの予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行う過程では、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴信号に対して信号分析処理を行う。このように、予測モデルの信号分析結果の信頼性が低い場合、少なくとも２つの予測モデルによってターゲット特性情報に対して信号分析処理を行い、分析の正確性を向上させることができる。

Description

本出願は、信号処理技術分野に関し、特に心電信号検出方法及び装置に関する。
心電計は、心臓が活動しているときに心筋の活性化によって生成された心電信号を収集して、心電信号を通じて心臓の活動状況を推測することができる。
現在、心臓の活動状況を知るためには、通常、心電信号を直接に収集するが、収集プロセス中に、収集電極又は他の理由により、収集された心電信号が不正確になり、心臓の活動への予測が不正確になる。
これにより、如何に心電信号検出の正確性を向上させるかは、当業者によって解決されるべき緊急の問題であることがわかる。
本出願の目的は、心電信号検出の正確性を向上させるための心電信号検出方法及び装置を提供することである。
上記の技術的問題を解決するには、本出願は、
心電信号を取得するステップと、
心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定するステップと、
少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得するステップと、
呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得するステップであって、前記分析結果が、少なくとも心電信号が正常信号又は異常信号であることを示すために使用されるステップと、
を含む心電信号検出方法を提供している。
好ましくは、前記予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、前記マスター予測モデルの精度は、前記スレーブ予測モデルの精度よりも高く、
前記少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得する前記ステップは、
前記マスター予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、前記マスター予測モデルによって出力されたマスター信号分析結果を取得するステップと、
前記マスター信号分析結果が前記ファジー区間にない場合、前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行うことを禁止するステップと、
前記マスター信号分析結果が前記ファジー区間にある場合、少なくとも１つの前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された前記スレーブ予測モデルによって出力されたスレーブ信号分析結果を取得するステップと、を含む。
好ましくは、前記呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得する前記ステップは、
前記マスター信号分析結果が前記ファジー区間にない場合、前記マスター信号分析結果を前記分析結果として決定するステップと、
前記マスター信号分析結果が前記ファジー区間にある場合、前記マスター信号分析結果と前記スレーブ信号分析結果に対する加重処理により、前記分析結果を取得するステップと、を含む。
好ましくは、心電信号が安定状態に達したことを次のように決定し、即ち、
Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、
現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、
現在取得されている変動値が前記所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定する。
好ましくは、心電信号に対応するターゲット特徴情報を決定する前記ステップは、
心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を抽出するステップと、
前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出するステップと、を含む。
好ましくは、前記前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出するステップは、
前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号に含まれる特徴情報を取得するステップと、
前記特徴情報に対応する熱値を取得するステップと、
前記熱値に応じて、前記特徴情報から前記ターゲット特徴情報を選別するステップと、を含み、
前記特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を含む。
上記の技術的問題を解決するには、本出願は、
心電信号を取得するための取得モジュールと、
心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定するための決定モジュールと、
少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い信号分析結果を取得するための呼び出しモジュールと、
呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得するための分析モジュールであって、前記分析結果が、少なくとも前記心電信号が正常信号又は異常信号であることを示すために使用される分析モジュールと、
を含む心電信号検出装置をさらに提供する。
好ましくは、前記予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、前記マスター予測モデルの精度は、前記スレーブ予測モデルの精度よりも高く、
前記呼び出しモジュールは、
前記マスター予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、前記マスター予測モデルによって出力されたマスター信号分析結果を取得するための呼び出しユニットと、
前記マスター信号分析結果が前記ファジー区間にない場合、前記呼び出しユニットによって前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行うことを禁止し、前記マスター信号分析結果が前記ファジー区間にある場合、前記呼び出しユニットをトリガーして、少なくとも１つの前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された前記スレーブ予測モデルによって出力されたスレーブ信号分析結果を取得するための制御ユニットと、を含む。
好ましくは、前記分析モジュールは、
前記マスター信号分析結果が前記ファジー区間にない場合、前記マスター信号分析結果を前記分析結果として決定するための第１の分析ユニットと、
前記マスター信号分析結果が前記ファジー区間にある場合、前記マスター信号分析結果と前記スレーブ信号分析結果に対する加重処理により、前記分析結果を取得するための第２の分析ユニットと、を含む。
好ましくは、前記装置は、
Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、現在取得されている変動値が前記所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定するための安定判定モジュール、をさらに含む。
好ましくは、前記決定モジュールは、
心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を抽出するための第１の抽出ユニットと、
前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出するための第２の抽出ユニットと、を含む。
好ましくは、前記第２の抽出ユニットは、
前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号に含まれる特徴情報を取得するための第１の取得サブユニットと、
前記特徴情報に対応する熱値を取得するための第２の取得サブユニットと、
前記熱値に応じて、前記特徴情報から前記ターゲット特徴情報を選別するための選別サブユニットと、を含み、
前記特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を含む。
上記の技術的問題を解決するには、本出願はまた、
コンピュータプログラムを記憶するためのメモリと、
前記コンピュータプログラムを実行するときに、上記の心電信号検出方法のステップを実現するためのプロセッサーと、
を含む心電信号検出装置を提供する。
最後に、上記の技術的問題を解決するには、本出願はまた、コンピュータ可読記憶媒体を提供し、前記コンピュータ可読記憶媒体にはコンピュータプログラムが記憶され、コンピュータプログラムがプロセッサーによって実行される場合、上記の心電信号検出方法のステップが実現される。
本出願によって提供される心電信号検出方法は、心電信号を取得し、心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定し、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、当該信号分析結果が、少なくとも心電信号が正常信号又は異常信号であることを示すために使用されることを含む。これにより、本技術案によれば、心電信号を実際に予測する前に、安定性の判断が行われることで、信号の不安定性による計算結果の誤差の問題を排除できることが分かる。また、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行う過程では、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴信号に対して信号分析処理を行う。このように、予測モデルの信号分析結果の信頼性が低い場合、少なくとも２つの予測モデルによってターゲット特性情報に対して信号分析処理を行い、分析の正確性を向上させることができる。
なお、本出願によって提供される心電信号検出装置は、上記の方法に対応しており、その効果は上記と同じである。
本出願の実施例をより明確に説明するために、以下に、実施例に必要な図面を簡単に紹介する。明らかに、以下に説明する図面は、本出願のいくつかの実施例にすぎない。当業者にとって、創造的な作業なしで、これらの図面に基づいて他の図面を取得することができる。
本出願の実施例によって提供される心電信号検出システムの構成アーキテクチャである。 本出願の実施例によって提供される心電信号検出方法のフローチャートである。 本出願の実施例によって提供される他の心電信号検出方法のフローチャートである。 本出願の実施例によって提供される心電信号検出装置の構成図である。 本出願の他の実施例によって提供される心電信号検出装置の構成図である。
心電計は、心電信号を収集できるが、対応する心電信号が正常信号であるかどうかは、専門の技術者が分析する必要があり、人工分析プロセスには主観的な要因が含まれ、特に、結果が正常と異常の間の臨界区間（ファジー区間）にある場合、心電信号の検出の信頼性が低いという問題がある。また、収集された心電信号が不安定な場合、検出結果の精度が低下する。
現在存在する上記の問題に鑑みて、本出願は、心電信号検出方法及び装置を提案する。本技術案は、心電信号を収集し、心電信号に対して数学的分析を行って、最終的な検出結果を取得することである。これにより、人間の主観的要因による検出結果の信頼性の低下という問題を回避でき、同時に、分析の前に心電信号の安定性を判断し、得られた検査結果がファジー区間にある場合、複数の予測モデルによってターゲット特徴信号に対して信号分析処理を行うことで、分析結果の正確性を向上させる。
理解を容易にするために、以下に、本出願の技術案が適用可能なシステムアーキテクチャを紹介する。図１に示した本出願によって提供される心電信号検出システムの構成アーキテクチャを参照する。
図１に示すように、本出願の心電信号検出システムは、心電計１と、ユーザー端末２と、サーバー３と、ロカール端末４とを含み得る。
具体的な実施では、心電計１は、心電信号を収集するために使用され、電極及びホストを含む。電極は通常、被測定体の対応する部位に固定され、主に測定部位の心電信号を収集し、ホストに伝送するために使用される。心臓の脱分極及び再分極プロセス中に生成された心電ベクトルは、体積伝導によって体の各部に伝達され、電位差が生成される。２つの電極を被測定体の任意の２点に配置しホストに接続することで、心電図を追跡することができる。電極を配置してホストに接続する配線は、心電図リードと呼ばれる。本出願で使用されるリードは、２つの肢の間の電位差を反映する、双極肢リードとも呼ばれる規格リードであってもよい。もちろん、規格リードに加えて、非規格リードになることもできる。これは、本出願の技術案の実現に影響を与えない。ホストは、主にＡＤ変換回路、フィルタ回路、及び無線通信モジュールなどを含む。なお、ＡＤ変換回路は、マナログ信号を電気信号に変換する。フィルタ回路は、心電信号をフィルタリングして、干渉信号を低減する。無線通信モジュールは、ブルートゥースモジュール及び／又はＷｉ－Ｆｉモジュールなどを含み、処理された心電信号をユーザー端末２又は他の端末に送信するために、ユーザー端末２又は他の端末と無線接続する。
ユーザー端末２は、心電計１とサーバー３との間の通信を実現するリンクである。ユーザー端末２は、サーバー３によって認証される必要がある。具体的に、対応するアプリケーションプログラム（ＡＰＰ）をユーザー端末にダウンロードして、ユーザー登録を完了してもよい。使用中、ユーザー端末２は、心電計１の心電信号を取得した後、心電信号をアップロードし、サーバー３は当該信号を受信し、当該信号を分析処理できるようにする。本出願におけるユーザー端末２は、上記のＡＰＰがインストールされたスマートフォン、タブレットコンピューター、デスクトップコンピュータ及びウェアラブルデバイスなどを含むが、これらに限定されないことは理解できる。
サーバー３は、ユーザー端末２との無線接続に使用され、具体的に、Ｗｉ－Ｆｉ、４Ｇネットワーク、５Ｇネットワークなどを使用して実現できる。サーバー３は、ユーザー端末２によってアップロードされた心電信号を受信した後、心電信号を分析処理して、対応する心電信号の検出結果を取得する。サーバー３は、分析結果をユーザー端末２に送信して、ユーザーが閲覧できるようにすることができる。
ロカール端末４は、サーバー３に接続されて、サーバーから送信された心電信号を取得し、それをスタッフが閲覧及び追跡できるように記憶することができる。
なお、上記の心電信号検出システムの構成アーキテクチャは、より良い実現形態に過ぎなく、このような構成アーキテクチャによってのみ実現できるという意味ではない。他の実施例では、検出方法に対応するアプリケーションプログラムを他の電子機器に直接書き込むことで実現することもできる。例えば、心電計１は、ユーザー端末２、サーバー３及びロカール端末４を介せず、心電信号の分析処理を直接完了する。心電計１が心電信号を収集し、ユーザー端末２が心電信号の分析処理を完了し、サーバー３とロカール端末４が必要とされないことも可能である。心電計１が心電信号を収集し、ロカール端末４が心電信号の分析処理を完了し、ユーザー端末２とサーバー３が必要しない。
以下、本出願の実施例における技術案について、本出願の実施例における図面と併せて明確かつ完全に説明する。明らかに、説明される実施例は、全ての実施例ではなく、本出願の実施例の一部に過ぎない。本出願の実施例に基づいて、創造的な作業なしに当業者によって得られた全ての他の実施例は、本出願の保護範囲に含まれる。
図２は、本出願の実施例によって提供される心電信号検出方法のフローチャートである。図２に示すように、当該方法は、サーバー又は携帯電話など、本スキームを実現するためのプログラムを記憶するデバイスに基づいて実現することができ、以下の説明ではサーバーを例として説明する。なお、以下のステップのシーケンス番号は、説明の便宜上まとめたものであり、この順序でしか実現できないことを意味するものではなく、各ステップの実行回数も同じでも異なってもかまいない。図２に示す方法は、次のステップを含む。
Ｓ１０：心電信号を取得する。
心電信号は、具体的に心電計によって収集される。収集プロセスには一定の時間がかかるため、このステップで取得される心電信号は通常、複数のサイクルを含む信号である。各サイクルの心電信号は同じでも異なってもいいが、それらはすべて同じ被測定体からのものである。
心電信号は、リアルタイムで取得することができる。即ち、ユーザー端末が心電計によって収集された心電信号を取得した後、それをリアルタイムでサーバーにアップロードする。また、非リアルタイムで取得してもよく、即ち、ユーザー端末が心電計によって収集された完全な収集サイクルを取得した後、収集サイクルの心電信号を一括でアップロードする。また、サーバーの演算圧力を軽減するために、通常の場合では、サーバーによって取得される心電信号は、ユーザー端末又はホストによって処理された信号である。干渉信号の処理は、ハードウェア回路によって実現できる。例えば、ホストでは、フィルタ回路を介して心電信号をフィルタリングする。具体的に、フィルタ回路は、受信した心電信号に対して、ハイパス、ローパス、及びバンドパスフィルタリングを実行し、あり得る高周波干渉信号と低周波干渉信号をフィルタリングし、５０Ｈｚ付近の電源周波数干渉信号をフィルタリングする。通過帯域のカットオフ周波数設定は、フィルタリングされた信号が心電信号の適切な特性反射を最大限に保持することを保証する必要があり、例えば、０．１Ｈｚ－４０Ｈｚの信号を保持する。
Ｓ１１：心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定する。
心電信号は、心電信号が正常信号であるかどうかを予測するための特徴情報が大量に含まれる。各特徴情報が後続の分析に関与する場合、計算効率が大幅に低下するため、このステップでは、心電信号に対応するターゲット特徴情報を決定する必要がある。ターゲット特徴情報の種類が限定されないことは理解できる。例えば、取得された心電信号の時間領域と周波数領域を分析し、心電図ウェーブレットを最適に復元する要件に従って、心電信号における各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を抽出し、上記のパラメータをターゲット特徴情報とする。具体的な実施では、ウェーブレットは、Ｐ波、ＱＲＳ波、Ｔ波、Ｕ波及びＪ波を含む。心電信号における各ウェーブレットのターゲット特徴情報を抽出するときに、同じウェーブレットが異なるリードの対応するタイムノードで完全に一致することを保証する必要がある。
ある心電信号のあるウェーブレットの振幅が小さすぎることを考慮すると、振幅が小さすぎるウェーブレットを個別に周波数領域変換し、例えば、ウェーブレット変換を採用して、周波数領域から当該ウェーブレットの振幅を決定する必要がある。ある心電信号のあるウェーブレットの始点及び終点を特定するのが難しいという状況を考慮すると、当該ウェーブレットの左肩勾配と右肩勾配を計算し、左肩の中線からの左肩と同じ勾配の延長線とベースラインとの交点を始点とし、右肩の中線からの右肩と同じ勾配の延長線とベースラインとの交点を終点とする必要がある。
また、ターゲット特徴情報を抽出する前に、心電信号に対応するウェーブレットの時間領域が明らかでない場合、フーリエ変換、ウェーブレット変換、ベースラインドリフト補正の少なくとも１つのアルゴリズムによって心電信号を処理し、各ウェーブレットの周波数領域を得ることができる。このようにして、各ウェーブレットの周波数領域の表示を効果的に改善して、ターゲット特徴情報の抽出に役立つことができる。
なお、このステップにおける心電信号が安定状態に達したかどうかの判断は、サーバーによって実現できるが、もちろん、ユーザー端末によっても実現できる。前者の場合、サーバーはまず心電信号を取得し、次に、心電信号が安定状態に達したと判断してから、心電信号に対応するターゲット特徴情報を決定する。後者の場合、ユーザー端末はまず心電信号を取得し、次に心電信号が安定状態に達したと判断してから、心電信号をサーバーにアップロードし、サーバーにとって、サーバーが取得する心電信号は安定状態に達した心電信号であり、心電信号に対応するターゲット特徴情報を決定する。或いは、ユーザー端末は心電信号を取得する度にアップロードし、そして、心電信号が安定状態に達したかどうかを判断し、安定状態に達した場合、サーバーに安定識別子を送信し、サーバーは識別子を受信した後、安定状態に達した心電信号に対応するターゲット特徴情報を決定してもよい。
以上のように、ステップＳ１０及びＳ１１について、両者は厳密な先後順序がなく、心電信号が安定状態に達した後に心電信号に対応するターゲット特徴情報を決定すればよい。このようにして、検出結果の精度を向上させることができる。
Ｓ１２：少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得する。
具体的な実施では、サーバーは予測モデルを記憶する。当該モデルの数は制限されず、通常、少なくとも２つが必要である。予測モデルは、心電信号と対応する臨床検出結果で構成されるトレーニングサンプルからトレーニングして得られる。具体的な実施では、サンプルは、トレーニングサンプル、テストサンプル、及び検証サンプルに分けられる。トレーニングサンプルの数が多いほど、予測モデルの出力結果はより正確になる。予測モデルは、ニューラルネットワークとサポートベクターマシン方式を介して取得できる。具体的に、ニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ）、長短期記憶ネットワーク（ＬＳＴＭ）、ループニューラルネットワーク又はリカレントニューラルネットワーク（ＲＮＮ）、エクストラツリー分類子（Ｅｘｔｒａ Ｔｒｅｅｓ Ｃｌａｓｓｉｆｉｅｒ）、ランダムフォレスト分類子（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ Ｃｌａｓｓｉｆｉｅｒ）、意思決定ツリー（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅｓ Ｃｌａｓｓｉｆｉｅｒ）などを含む。
この実施例では、初めて呼び出される予測モデルの数は制限されず、１つでもよく、複数でもよい。１つある場合、当該モデルによって出力された信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得する。複数ある場合、呼び出された予測モデルによって出力された信号分析結果のうち１つがファジー区間にある場合でも、「呼び出された予測モデルの信号分析結果がファジー区間にある場合」と見なされるため、他の予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得する必要がある。
本出願で言及されているファジー区間とは、当該区間にある心電信号が正常信号又は異常信号である可能性があることを意味し、さらに決定する必要がある。ファジー区間は、正常信号と異常信号の境界値の±△（例えば、△は５％＊５ｍＥｑ／Ｌ）に対応する区間に設定され得る。例えば、心電信号が正常信号であることを表徴する１つの指標である血清カリウムの正常値は５ｍＥｑ／Ｌであり、医療基準では、５ｍＥｑ／Ｌを超えると高カリウム血症と規定されており、予測モデルの誤差などにより、出力された信号分析結果にも誤差が生じるため、モデルによって出力された信号分析結果が５ｍＥｑ／Ｌ±△区間にある場合、正常又は異常の可能性がある。呼び出された予測モデルによって出力された信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、再びターゲット特徴情報に対して分析処理を行う必要がある。ここでの他の予測モデルは、先に呼び出された予測モデルと異なることは理解できる。つまり、このステップでは、出力された信号分析結果がファジー区間にあるかどうかによって、分析するためにより多くの予測モデルが必要かどうかを決定する。明らかに、呼び出される予測モデルが多いほど、予測モデル自体に起因する誤差の問題をより効果的に回避でき、得られた信号分析結果がより正確になる。
Ｓ１３：呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得する。
その中で、分析結果は、少なくとも心電信号が正常信号又は異常信号であることを示すために使用される。
ステップＳ１２では、呼び出される予測モデルは、１つ又は複数あるため、得られた信号分析結果の数は少なくとも１つである。このステップでは、各予測モデルによって得られた信号分析結果と最終的な分析結果との関係は制限されない。例えば、ある場合には、ステップＳ１２で呼び出された予測モデルによって出力された信号分析結果がファジー区間にないと、呼び出された予測モデルが１つである場合、当該モデルによって出力された信号分析結果を最終的な分析結果とすることができる。呼び出された予測モデルが複数である場合、呼び出された各予測モデルによって出力された各信号分析結果を平均化又は重み付けして、最終的な分析結果とすることができる。他の場合には、ステップＳ１２で呼び出された予測モデルによって出力された信号分析結果がファジー区間にあると、全ての予測モデルによって出力された信号分析結果を平均化又は重み付けして、最終的な分析結果とすることができる。もちろん、呼び出された予測モデルの数が多い場合、得られた信号分析結果と正常信号又は異常信号との関係によって、一部の異常結果を除去することができる。例えば、合計５つの予測モデルが呼び出され、そのうち４つの予測モデルによって出力された信号分析結果は全て、心電信号が正常信号であることを表徴し、１つの予測モデルによって出力された信号分析結果は、心電信号が異常信号であることを表徴すると、心電信号が異常信号であることを表徴する信号分析結果を除去し、残りの４つの信号分析結果の平均を最終的な分析結果とすることができる。
具体的な実施では、最終的な分析結果が得られた後、ユーザーとスタッフが閲覧しやすいために、ターゲット特徴情報に対応する心電信号の波形と分析結果を出力することも含む。これに対応して、ユーザーはユーザー端末を介して分析結果を閲覧でき、スタッフはローカル端末を介して分析結果を閲覧できる。また、この方法は、ターゲット特徴情報に対応する心電信号の生化学的検出結果を取得するステップと、元のトレーニングサンプルを補足するために、生化学的検出結果をテストサンプルとして元のトレーニングサンプルに追加するステップと、新しいトレーニングサンプルを利用してトレーニングすることで、新しい予測モデルを得るステップと、をさらに含む。トレーニングサンプルが増加するため、新しい予測モデルのパラメータが元の予測モデルと比較して調整され、自己学習の目的を達成する。また、新たに追加されたサンプルは、生化学的検出結果であるので、精度が高く、新しい予測モデルの検出結果がより正確になる。
また、他の実施例では、心電信号検出方法は、分析結果に対応する注意事項情報を決定し、ユーザーやスタッフが閲覧できるように注意事項情報を出力するステップをさらに含む。
本実施例によって提供される心電信号検出方法は、心電信号を取得し、心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定し、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して分析処理を行うことで、呼び出された予測モデルによって出力された信号分析結果を取得し、当該信号分析結果は、少なくとも心電信号が正常信号又は異常信号であることを示すために使用される。これにより、本技術案によれば、心電信号を実際に予測する前に、安定性の判断が行われることで、信号の不安定性による計算結果の誤差の問題を排除できる。また、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行うプロセス中に、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴信号に対して信号分析処理を行う。このように、予測モデルの信号分析結果の信頼性が低い場合、少なくとも２つの予測モデルによってターゲット特性情報に対して信号分析処理を行い、分析の正確性を向上させることができる。
図３は、本出願の実施例によって提供される他の心電信号検出方法のフローチャートである。予測モデルの精度が高いほど、得られる信号分析結果の信頼性が高くなることは理解できる。そこで、この実施例では、上記の実施例に基づいて、予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、マスター予測モデルの精度はスレーブ予測モデルの精度よりも高い。これに基づいて、Ｓ１２は、次のステップを含む。
Ｓ１２０：マスター予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行い、マスター予測モデルによって出力されたマスター信号分析結果を行う。
Ｓ１２１：マスター信号分析結果がファジー区間にあるかどうかを判断し、「ＮＯ」であると、Ｓ１２２に進み、「ＹＥＳ」であると、Ｓ１２３に進む。
Ｓ１２２：スレーブ予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行うことを禁止し、Ｓ１３に進む。
Ｓ１２３：少なくとも１つのスレーブ予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、呼び出されたスレーブ予測モデルによって出力されたスレーブ信号分析結果を取得する。
明らかに、マスター予測モデルの精度はスレーブ予測モデルの精度よりも高いので、マスター信号分析結果の信頼性は高く、当該結果がファジー区間にない場合、当該結果が最終的な分析結果として単独で使用できることを示し、他のスレーブ予測モデルで分析する必要がないため、予測効率を向上させることができる。同様に、当該結果がファジー区間にある場合、当該結果が最終的な分析結果として単独で使用できないことを示し、他のスレーブ予測モデルで分析する必要があるため、分析結果の正確性を向上させることができる。
Ｓ１２３のスレーブ予測モデルの数は制限されず、通常、２つよりも多いことは理解できる。
信号分析結果がファジー区間にあることによって引き起こされる影響を減らすために、好ましい実施形態として、マスター信号分析結果がファジー区間にある場合、以下のことも含む。即ち、分析結果がまだファジー区間にある場合、マスター予測モデルの目標関数を調整して、Ｓ１２に進む。
信号分析結果がファジー区間にあることによって引き起こされる影響を減らすために、他の好ましい実施形態として、マスター信号分析結果がファジー区間にある場合、以下のことも含む。即ち、分析結果がまだファジー区間にある場合、呼び出されるスレーブ予測モデルの数を増加して、Ｓ１３に進む。
さらに、Ｓ１３は、次のステップを含む。
Ｓ１３０：マスター信号分析結果がファジー区間にない場合、マスター信号分析結果を分析結果として決定する。
Ｓ１３１：マスター信号分析結果がファジー区間にある場合、マスター信号分析結果とスレーブ信号分析結果に対する加重処理により、分析結果を取得する。
マスター予測モデルの精度が高いため、マスター信号分析結果がファジー区間にない場合、それを分析結果とすることで、分析結果の精度を保証するだけでなく、計算量を削減することができる。同様に、マスター信号分析結果がファジー区間にある場合、スレーブ信号分析結果に依存する必要がある。マスター信号分析結果とスレーブ信号分析結果を重み付けすることで、単一モデルによる誤差を防ぐことができ、分析結果の精度を保証できる。
上記の実施例では、心電信号が安定状態に達したかどうかを決定する方法は限定されない。この実施例では、心電信号が安定状態に達したことを次のように決定する。即ち、
Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、
現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、
現在取得されている変動値が所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定する。
具体的に、Ｎは５－１０にすることができる。また、この実施例では、所定の条件は現在取得されている変動値の種類に応じて決定される。具体的に、
１）現在取得されている変動値が、心電信号から取得された同じタイプのウェーブレットのＮ個のサイクルにおける各波山の間の波山変動値である場合、所定の条件は、任意の波山変動値が第１のプリセット値よりも小さいことである。
２）現在取得されている変動値が、心電信号から取得された同じタイプのウェーブレットのＮ個のサイクルにおける各波谷の間の波谷変動値である場合、所定の条件は、任意の波谷変動値が第２のプリセット値よりも小さいことである。
３）現在取得されている変動値が、心電信号から取得された同じタイプのウェーブレットのＮ個のサイクルにおける各波山の間の波山変動値及び各波谷の間の波谷変動値である場合、所定の条件は、任意の波山変動値が第１のプリセット値よりも小さく、任意の波谷変動値が第２のプリセット値よりも小さいことである。
なお、上記の第１のプリセット値と第２のプリセット値は、同じでもよく、異なってもよい。好ましい実施形態として、現在取得されている変動値は、通常、波山変動値と波谷変動値の２種類であり、これにより、安定性判定の精度を向上させることができる。
具体的な実施では、心電信号が安定状態に達したことを判断するプロセスは、ユーザー端末によって実現することができる。このようにして、サーバーの計算圧力が軽減され、不要な信号の伝送も削減される。ユーザー端末には、得られた心電信号をバッファリングするためのバッファモジュールがある。具体的に、サンプリング周波数は２００／秒から２０００／秒に設定できる。心電信号が安定状態に達したら、安定状態に達した心電信号をサーバーにアップロードし、心電信号が安定状態に達していない場合、アップロードしない。バッファリングプロセスでは、循環ストレージ、先入れ先出し（ＦＩＦＯ）を採用して、バッファ内の信号が常に最後に収集された信号であることを確保する。
また、心電信号の継続的な不安定性による長期間の無効な収集を回避するために、他の実施例では、収集期間閾値を設定してもよい。実際の収集期間が収集期間閾値を超え、心電信号が安定状態に達していない場合、信号不安定情報を出力して、被測定体の連続的な動きや電極の落下など、具体的な理由を閲覧するようにスタッフに注意を促す。好ましい実施形態として、収集期間閾値は３０秒である。さらに、現在収集されている心電信号に従って、対応する解決策を決定する。例えば、心電信号の全てのウェーブレットが不連続である場合、対応する解決策は、被測定体を固定することである。具体的な実施では、信号不安定情報の出力方法は制限されず、ロカール端末とユーザー端末の表示インターフェースに表示したり、心電計のインジケータライトを点灯するように制御したりすることができる。
具体的な実施では、心電信号に含まれる特徴情報が多いので、全ての特徴情報が後続の分析プロセスに関与している場合、間違いなく計算量を増加させる。この問題を考慮して、この実施例では、ターゲット特徴情報を選別する。表１は、異なるリードデータの組み合わせ（血清カリウムを例とする）の対応するリコール率を比較する。表１から、４リードの組み合わせのリコール率が最良の組み合わせであることが分かる。実験により、１２リード心電信号におけるＶ２乃至Ｖ５リードを選択し、Ｖ２リード心電信号乃至Ｖ５リード心電信号からターゲット特徴情報を抽出することが決定される。
Figure 2023508789000002
１２リード心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を選択したが、それにはまだ多くの特徴情報が含まれる。特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点などを含む。各リード心電信号には、少なくとも１６個の特徴情報が含まれ、それぞれは、Ｔ波右肩勾配、Ｔ波振幅、Ｔ波左肩勾配、Ｓ－Ｔセグメント勾配、Ｒ波振幅、Ｐ波振幅、Ｓ波振幅、Ｔ波面積、Ｐ波面積、Ｓ波面積、ＱＴ時間、ＱＲＳ時間、ＰＲ時間、Ｔ波単位面積の１秒あたりの変化速度、Ｒ波単位面積の１秒あたりの変化速度、Ｓ波単位面積の１秒あたりの変化速度である。計算量を減らすために、Ｖ２リード心電信号乃至Ｖ５リード心電信号からターゲット特徴情報を抽出するステップは、
Ｖ２リード心電信号乃至Ｖ５リード心電信号に含まれる特徴情報を取得するステップと、
特徴情報に対応する熱値を取得するステップと、
熱値に応じて、特徴情報からターゲット特徴情報を選別するステップと、を含む。
具体的な実施では、熱値に応じて特徴情報からターゲット特徴情報を選別する方法は、２つある。１つの方法は、トップＭにソートしている熱値に対応するターゲット特徴情報を選別することであり、もう１つの方法は、全ての熱値を熱閾値と比較し、熱閾値よりも大きい熱値に対応するターゲット特徴情報を選別することである。
なお、各ウェーブレットの特徴情報抽出は、特定のリードではなく、複数のリードに対して行われるが、異なるリードの同じ波形は、時間点特徴でマルチリードの統一性を持ち、例えば、Ｒ波の開始点はは、複数のリードで一致する。複数のリードのＲ波の開始点が異なる場合、補間、値間、シフトなどの修復手法を使用して元の位置に戻すことができる。
上記の実施例では、心電信号検出方法が詳細に説明されており、本出願はまた、心電信号検出装置に対応する実施例を提供する。なお、本出願は、２つの観点から装置の実施例を説明する。一方は、機能モジュールの観点に基づいており、他方はハードウェア構造の観点に基づいている。
図４は、本出願の実施例によって提供される心電信号検出装置の構成図である。図４に示すように、当該装置は、
心電信号を取得するための取得モジュール１０と、
心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定するための決定モジュール１１と、
少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得するための呼び出しモジュール１２と、
呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得するための分析モジュール１３であって、分析結果は、少なくとも心電信号が正常信号又は異常信号であることを示すために使用される分析モジュール１３と、
を含む。
好ましい実施形態として、予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、マスター予測モデルの精度は、スレーブ予測モデルの精度よりも高く、
呼び出しモジュール１２は、
マスター予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行い、マスター予測モデルによって出力されたマスター信号分析結果を取得するための呼び出しユニットと、
マスター信号分析結果がファジー区間にない場合、呼び出しユニットによってスレーブ予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行うことを禁止し、マスター信号分析結果がファジー区間にある場合、呼び出しユニットをトリガーして、少なくとも１つのスレーブ予測モデルを呼び出してターゲット特徴情報に対して信号分析処理を行い、呼び出されたスレーブ予測モデルによって出力されたスレーブ信号分析結果を取得するための制御ユニットと、を含む。
好ましい実施形態として、分析モジュール１３は、
マスター信号分析結果がファジー区間にない場合、マスター信号分析結果を分析結果として決定するための第１の分析ユニットと、
マスター信号分析結果がファジー区間にある場合、マスター信号分析結果とスレーブ信号分析結果に対する加重処理により、分析結果を取得するための第２の分析ユニットと、を含む。
好ましい実施形態として、当該装置は、
Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、現在取得されている変動値が所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定するための安定判定モジュールを、さらに含む。
好ましい実施形態として、決定モジュール１１は、
心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を抽出するための第１の抽出ユニットと、
Ｖ２リード心電信号乃至Ｖ５リード心電信号からターゲット特徴情報を抽出するための第２の抽出ユニットと、を含む。
好ましい実施形態として、第２の抽出ユニットは、
Ｖ２リード心電信号乃至Ｖ５リード心電信号に含まれる特徴情報を取得するための第１の取得サブユニットと、
特徴情報に対応する熱値を取得するための第２の取得サブユニットと、
熱値に応じて、特徴情報からターゲット特徴情報を選別するための選別サブユニットと、
を含み、
特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を含む。
装置の実施例と方法の実施例は互いに対応しているので、装置の実施例については、ここで繰り返さない方法の実施例の説明を参照してください。
本実施例によって提供される心電信号検出装置は、心電信号を取得し、心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定し、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、当該信号分析結果は、少なくとも心電信号が正常信号又は異常信号であることを示すために使用される。これにより、本技術案によれば、心電信号を実際に予測する前に、安定性の判断が行われることで、信号の不安定性による計算結果の誤差の問題を排除できる。また、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行う過程では、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴信号に対して信号分析処理を行う。このように、予測モデルの信号分析結果の信頼性が低い場合、少なくとも２つの予測モデルによってターゲット特性情報に対して信号分析処理を行い、分析の正確性を向上させることができる。
図５は、本出願の他の実施例によって提供される心電信号検出装置の構成図である。図５に示すように、心電信号検出装置は、
コンピュータプログラムを記憶するためのメモリ２０と、
コンピュータプログラムを実行するときに、上記の実施例によって提供される心電信号検出方法のステップを実現するためのプロセッサー２１と、を含む。
本実施例によって提供される心電信号検出装置は、スマートフォン、タブレットコンピューター、ノートパソコン又はデスクトップコンピューターなどを含み得るが、これらに限定されない。
なお、プロセッサー２１は、１つ又は複数の処理コアを含み得、例えば、４コアプロセッサー、８コアプロセッサーなどである。プロセッサー２１は、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ、デジタル信号処理）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ、フィールドプログラムゲートアレイ）、ＰＬＡ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ａｒｒａｙ、プログラマブルロジックアレイ）の少なくとも１つのハードウェア形態で実現され得る。プロセッサー２１は、メインプロセッサーとコプロセッサーを含み得る。メインプロセッサーは、アウェイク状態のデータを処理するためのプロセッサーであり、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置）とも呼ばれる。コプロセッサーは、スタンバイ状態のデータを処理するための低電力プロセッサーである。いくつかの実施例では、プロセッサー２１は、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、イメージプロセッサー）と統合され得、ＧＰＵは、表示画面に表示する必要があるコンテンツをレンダリング及び描画するために使用される。いくつかの実施例では、プロセッサー２１は、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、人工知能）プロセッサーを含み得、当該ＡＩプロセッサーは、機械学習に関連する計算操作を処理するために使用される。
メモリ２０は、非一時的であり得る１つ又は複数のコンピュータ可読記憶媒体を含み得る。メモリ２０は、高速ランダムアクセスメモリ及び不揮発性メモリ、例えば、１つ又は複数の磁気ディスク記憶デバイス、フラッシュメモリ記憶デバイスも含み得る。この実施例では、メモリ２０は、少なくとも以下のコンピュータプログラム２０１を記憶するために使用され、当該コンピュータプログラムがプロセッサー２１によってロード及び実行された後、前述の実施形態のいずれかに開示された心電信号検出方法の関連するステップを実現することができる。また、メモリ２０に記憶されるリソースは、オペレーティングシステム２０２及びデータ２０３などを含み得、記憶方式は、短期記憶又は永久記憶であり得る。さらに、オペレーティングシステム２０２はＷｉｎｄｏｗｓ、Ｕｎｉｘ、Ｌｉｎｕｘなどを含み得る。データ２０３は、心電信号などを含み得るが、これらに限定されない。
いくつかの実施例では、心電信号検出装置は、表示画面２２、入出力インターフェース２３、通信インターフェース２４、電源２５、及び通信バス２６をさらに含んでもよい。
当業者は、図５に示した構成が心電信号検出装置に対する制限を構成せず、図面に示した構成よりも多い又は少ないコンポーネントを含み得ることを理解することができる。
本出願の実施例によって提供される心電信号検出装置は、メモリとプロセッサーを含む。プロセッサーは、メモリに記憶されたプログラムを実行する場合、以下の方法を実現することができる。即ち、心電信号を取得し、心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定し、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、当該信号分析結果は、少なくとも心電信号が正常信号又は異常信号であることを示すために使用される。これにより、本技術案によれば、心電信号を実際に予測する前に、安定性の判断が行われることで、信号の不安定性による計算結果の誤差の問題を排除できる。また、少なくとも１つの予測モデルを呼び出して、ターゲット特徴情報に対して信号分析処理を行う過程では、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、ターゲット特徴信号に対して信号分析処理を行う。このように、予測モデルの信号分析結果の信頼性が低い場合、少なくとも１つの予測モデルによってターゲット特性情報に対して信号分析処理を行い、分析の正確性を向上させることができる。
最後に、本出願はまた、コンピュータ可読記憶媒体に対応する実施例を提供する。コンピュータ可読記憶媒体には、コンピュータプログラムが記憶され、コンピュータプログラムがプロセッサーによって実行されるときに、上記の方法実施例に記載されたステップが実現される。
上記の実施例における方法がソフトウェア機能ユニットの形態で実現され、独立した製品として販売又は使用される場合、１つのコンピュータ可読取記憶媒体に記憶され得ることが理解され得る。このような理解に基づいて、本出願の技術案は、本質的に、又は既存の技術に寄与する部分、又は当該技術案の全て又は一部を、ソフトウェア製品の形態で具現化することができる。当該コンピュータソフトウェア製品は、１つの記憶媒体に記憶され、本出願の各実施例に記載された方法のステップの全て又は一部を実行する。前述の記憶媒体には、Ｕディスク、移動ハードディスク、読み取り専用メモリ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、磁気ディスク又は光ディスク、及びプログラムコードを記憶できるその他の媒体を含む。
以上、本出願によって提供される心電信号検出方法及び装置について詳細に説明した。明細書の各実施例は漸進的に説明され、各実施例は他の実施例との違いを中心に説明しており、各実施例間の同じ又は類似の部分について、互いに参照すればよい。実施例に開示された装置について、実施例に開示された方法に対応するため、説明は比較的簡単であり、関連部分は、方法部分の説明を参照すればよい。なお、当業者にとって、本出願の原理から逸脱することなく、本出願にいくつかの改良及び変更を加えることができ、これらの改良及び変更も、本出願の請求項の保護範囲に含まれる。
なお、本明細書において、例えば第１及び第２などの関係用語は、あるエンティティ又は操作を別のエンティティ又は操作から区別するためにのみ使用され、これらのエンティティ又は操作間にそのような実際の関係又は順序を必ず要求又は暗示するものではない。また、「包括する」、「含む」又はそれらの他の変形という用語は、非排他的な包含をカバーすることを意図しているので、一連の要素を含む手順、方法、製品又はデバイスには、それらの要素だけでなく、明示的にリストされていない他の要素も含まれるか、又はこの手順、方法、製品又はデバイスに固有の要素も含まれる。これ以上の制限がない場合、「１つの…を含む」という文で定義された要素は、前記要素を含む手順、方法、製品又はデバイスに他の同じ要素があることを除外しない。

Claims (12)

  1. 心電信号検出方法であって、
    心電信号を取得するステップと、
    心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定するステップと、
    少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得するステップと、
    呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得するステップであって、前記分析結果が、少なくとも心電信号が正常信号又は異常信号であることを示すために使用されるステップと、
    を含むことを特徴とする心電信号検出方法。
  2. 前記予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、前記マスター予測モデルの精度は、前記スレーブ予測モデルの精度よりも高く、
    少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得する前記ステップは、
    前記マスター予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、前記マスター予測モデルによって出力されたマスター信号分析結果を取得するステップと、
    前記マスター信号分析結果が前記ファジー区間にない場合、前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行うことを禁止するステップと、
    前記マスター信号分析結果が前記ファジー区間にある場合、少なくとも１つの前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された前記スレーブ予測モデルによって出力されたスレーブ信号分析結果を取得するステップと、
    を含むことを特徴とする請求項１に記載の方法。
  3. 呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得する前記ステップは、
    前記マスター信号分析結果が前記ファジー区間にない場合、前記マスター信号分析結果を前記分析結果として決定するステップと、
    前記マスター信号分析結果が前記ファジー区間にある場合、前記マスター信号分析結果と前記スレーブ信号分析結果に対する加重処理により、前記分析結果を取得するステップと、
    を含むことを特徴とする請求項２に記載の方法。
  4. 心電信号が安定状態に達したことを次のように決定し、即ち、
    Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、
    現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、
    現在取得されている変動値が前記所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定することを特徴とする請求項１から３のいずれか１項に記載の方法。
  5. 心電信号に対応するターゲット特徴情報を決定する前記ステップは、
    心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を抽出するステップと、
    前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出するステップと、
    を含むことを特徴とする請求項１から３のいずれか１項に記載の方法。
  6. 前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出する前記ステップは、
    前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号に含まれる特徴情報を取得するステップと、
    前記特徴情報に対応する熱値を取得するステップと、
    前記熱値に応じて、前記特徴情報から前記ターゲット特徴情報を選別するステップと、を含み、
    前記特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を含むことを特徴とする請求項５に記載の方法。
  7. 心電信号検出装置であって、
    心電信号を取得するための取得モジュールと、
    心電信号が安定状態に達した場合、心電信号に対応するターゲット特徴情報を決定するための決定モジュールと、
    少なくとも１つの予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された予測モデルによって出力された信号分析結果を取得し、呼び出された予測モデルの信号分析結果がファジー区間にある場合、他の予測モデルを呼び出して、前記ターゲット特徴情報に対して信号分析処理を行い、信号分析結果を取得するための呼び出しモジュールと、
    呼び出された予測モデルによって出力された信号分析結果に基づいて、心電信号の分析結果を取得するための分析モジュールであって、前記分析結果が、少なくとも前記心電信号が正常信号又は異常信号であることを示すために使用される分析モジュールと、
    を含むことを特徴とする心電信号検出装置。
  8. 前記予測モデルは、マスター予測モデルと、少なくとも１つのスレーブ予測モデルを含み、前記マスター予測モデルの精度は、前記スレーブ予測モデルの精度よりも高く、
    前記呼び出しモジュールは、
    前記マスター予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、前記マスター予測モデルによって出力されたマスター信号分析結果を取得するための呼び出しユニットと、
    前記マスター信号分析結果が前記ファジー区間にない場合、前記呼び出しユニットによって前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行うことを禁止し、前記マスター信号分析結果が前記ファジー区間にある場合、前記呼び出しユニットをトリガーして、少なくとも１つの前記スレーブ予測モデルを呼び出して前記ターゲット特徴情報に対して信号分析処理を行い、呼び出された前記スレーブ予測モデルによって出力されたスレーブ信号分析結果を取得するための制御ユニットと、
    を含むことを特徴とする請求項７に記載の装置。
  9. 前記分析モジュールは、
    前記マスター信号分析結果が前記ファジー区間にない場合、前記マスター信号分析結果を前記分析結果として決定するための第１の分析ユニットと、
    前記マスター信号分析結果が前記ファジー区間にある場合、前記マスター信号分析結果と前記スレーブ信号分析結果に対する加重処理により、前記分析結果を取得するための第２の分析ユニットと、
    を含むことを特徴とする請求項８に記載の装置。
  10. Ｎ個のサイクルにおける同一タイプのウェーブレットの各波山の間の波山変動値及び各波谷の間の波谷変動値の少なくとも１つを心電信号から取得し、Ｎは正の整数であり、現在取得されている変動値が所定の条件を満たす場合、心電信号が安定状態に達したと決定し、現在取得されている変動値が前記所定の条件を満たしていない場合、心電信号が安定状態に達していないと決定するための安定判定モジュール、
    をさらに含むことを特徴とする請求項７から９のいずれか１項に記載の装置。
  11. 前記決定モジュールは、
    心電信号からＶ２リード心電信号乃至Ｖ５リード心電信号を抽出するための第１の抽出ユニットと、
    前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号から、前記ターゲット特徴情報を抽出するための第２の抽出ユニットと、
    を含むことを特徴とする請求項７から９のいずれか１項に記載の装置。
  12. 前記第２の抽出ユニットは、
    前記Ｖ２リード心電信号乃至前記Ｖ５リード心電信号に含まれる特徴情報を取得するための第１の取得サブユニットと、
    前記特徴情報に対応する熱値を取得するための第２の取得サブユニットと、
    前記熱値に応じて、前記特徴情報から前記ターゲット特徴情報を選別するための選別サブユニットと、
    を含み、
    前記特徴情報は、各ウェーブレットの振幅、振幅変化パラメータ、スペクトルエネルギー、及び最大振幅に対応する時点を含むことを特徴とする請求項１１に記載の装置。
JP2021527834A 2020-12-10 2021-02-05 心電信号検出方法及び装置 Active JP7398817B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202011434788.9 2020-12-10
CN202011434788.9A CN112545526A (zh) 2020-12-10 2020-12-10 一种心电信号检测方法及装置
PCT/CN2021/075375 WO2022121107A1 (zh) 2020-12-10 2021-02-05 一种心电信号检测方法及装置

Publications (2)

Publication Number Publication Date
JP2023508789A true JP2023508789A (ja) 2023-03-06
JP7398817B2 JP7398817B2 (ja) 2023-12-15

Family

ID=75060322

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021527834A Active JP7398817B2 (ja) 2020-12-10 2021-02-05 心電信号検出方法及び装置

Country Status (4)

Country Link
EP (1) EP4260797A1 (ja)
JP (1) JP7398817B2 (ja)
CN (1) CN112545526A (ja)
WO (1) WO2022121107A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018519899A (ja) * 2015-06-22 2018-07-26 ディ ハート ソチエタ レスポンサビリタ リミタータＤ−Ｈｅａｒｔ Ｓ．Ｒ．Ｌ． 心電図の取得を制御するための電子システム
JP2019098183A (ja) * 2017-12-01 2019-06-24 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 生体信号品質評価装置及び方法
CN111107785A (zh) * 2017-09-21 2020-05-05 皇家飞利浦有限公司 使用短的单导联ecg记录来检测心房颤动

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2715082A1 (en) * 2009-09-22 2011-03-22 Queen's University At Kingston Method and system of predicting clinical outcome for a patient with congestive heart failure
CN202110799U (zh) * 2011-05-14 2012-01-11 徐岩 基于芯片at89s52无线通信系统显示器
CN103735401B (zh) * 2013-10-11 2017-02-22 中国医学科学院北京协和医院 基于脉搏血氧的心肺复苏质量反馈控制系统
CN104586387B (zh) * 2015-01-19 2017-02-01 秦皇岛市惠斯安普医学系统股份有限公司 一种时、频、空域多参数脑电特征提取与融合方法
CN104783783B (zh) * 2015-04-23 2017-05-17 康泰医学系统（秦皇岛）股份有限公司 一种手持式心电检测仪自动开启心电图记录的方法
WO2017091736A1 (en) * 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
CN106805965A (zh) * 2016-12-19 2017-06-09 深圳先进技术研究院 一种心电信号分类方法及装置
CN107693948B (zh) * 2017-08-21 2019-09-17 深圳先进技术研究院 红外理疗效果的监测方法、装置、医疗设备及存储介质
CN108714026B (zh) * 2018-03-27 2021-09-03 杭州电子科技大学 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
CN109276241B (zh) * 2018-11-28 2022-08-09 深圳市元征科技股份有限公司 一种压力识别方法及设备
CN109691994A (zh) * 2019-01-31 2019-04-30 英菲泰克(天津)科技有限公司 一种基于心电图的心率监测分析方法
CN111603135B (zh) * 2020-05-11 2021-09-28 江南大学 一种基于主从支持向量机的低功耗癫痫检测电路
CN111759304B (zh) * 2020-07-01 2022-09-30 杭州脉流科技有限公司 心电图异常识别方法、装置、计算机设备和存储介质
CN111657921A (zh) * 2020-07-01 2020-09-15 杭州脉流科技有限公司 心电异常实时监测方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018519899A (ja) * 2015-06-22 2018-07-26 ディ ハート ソチエタ レスポンサビリタ リミタータＤ−Ｈｅａｒｔ Ｓ．Ｒ．Ｌ． 心電図の取得を制御するための電子システム
CN111107785A (zh) * 2017-09-21 2020-05-05 皇家飞利浦有限公司 使用短的单导联ecg记录来检测心房颤动
JP2019098183A (ja) * 2017-12-01 2019-06-24 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 生体信号品質評価装置及び方法

Also Published As

Publication number Publication date
CN112545526A (zh) 2021-03-26
JP7398817B2 (ja) 2023-12-15
EP4260797A1 (en) 2023-10-18
WO2022121107A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
US11457853B2 (en) Methods and systems for automatically detecting events based on ECG signals determined from compressed sensed measurements
JP6583892B2 (ja) Ｅｃｇ信号の並行解析装置、方法及び移動端末
CN109189207B (zh) 一种可穿戴设备穿戴状态的检测方法及装置
US11751791B2 (en) ECG measurement mode switching based on position on body
US20240156361A1 (en) Deep learning-based heart rate detection method and wearable device
CN110501947A (zh) 信号处理方法及设备
CN205758549U (zh) 一种低功耗便携式心电监护系统
CN108992054A (zh) 一种脉搏信号峰值点检测方法及装置
CN107440705A (zh) 一种低功耗便携式心电监护系统
CN111227823B (zh) 具有时域特性的一维特征信号处理方法、装置以及系统
JP7398817B2 (ja) 心電信号検出方法及び装置
US20190150778A1 (en) ECG Signal Parallel Analysis Apparatus, Method and Mobile Terminal
CN112190241A (zh) 心跳呼吸检测方法及装置
CN105326482B (zh) 记录生理信号的方法和装置
CN110840436B (zh) 获取心电信号的方法、装置、终端和计算机可读存储介质
Alfarhan et al. Wireless heart abnormality monitoring kit based on Raspberry Pi
CN115857696A (zh) 一种设备交互方法、可穿戴设备和存储介质
CN112545501A (zh) 一种血液成分浓度检测方法及装置
Hassanuzzaman et al. End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal
CN104490389A (zh) 一种用于侦测胎动的可穿戴装置及侦测胎动的方法
CN113616217A (zh) 基线漂移曲线的生成方法和装置
CN113892926A (zh) 基于头部脉搏波的心率信号处理方法、装置和电子装置
CN113208623A (zh) 一种基于卷积神经网络的睡眠分期方法、系统
Jokić et al. Autonomic telemedical application for Android based mobile devices
CN117752344B (zh) 一种基于脑电信号实现老人睡眠看护系统和方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210518

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230327

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230626

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230927

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231101

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231128

R150 Certificate of patent or registration of utility model

Ref document number: 7398817

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350