TWI696192B - 心電圖訊號判斷裝置及方法 - Google Patents
心電圖訊號判斷裝置及方法 Download PDFInfo
- Publication number
- TWI696192B TWI696192B TW108111113A TW108111113A TWI696192B TW I696192 B TWI696192 B TW I696192B TW 108111113 A TW108111113 A TW 108111113A TW 108111113 A TW108111113 A TW 108111113A TW I696192 B TWI696192 B TW I696192B
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- electrical signal
- score
- points
- electrical
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明提供一種心電圖訊號判斷裝置及其方法。所述方法包括:取得一第一電訊號,並基於第一電訊號產生一第二電訊號;將第二電訊號正規化為一第三電訊號;取得第三電訊號的一雜訊特性;以及基於第三電訊號的雜訊特性而判斷第三電訊號是否為一可分析的心電圖訊號。
Description
本發明是有關於一種訊號判斷裝置及方法,且特別是有關於一種心電圖訊號判斷裝置及方法。
隨著穿戴式裝置以及可攜式裝置的蓬勃發展,加上近年來世界上越來越多人口開始更加關心自身健康,傳統僅能用於計算步數或偵測光學心率的裝置已漸漸無法滿足使用者。因此,目前已有相當多的穿戴/可攜裝置可用於量測心電圖訊號。
然而,心電圖訊號通常為醫院所使用,且相關的訊號判讀也需由受過專業訓練的人員進行。並且,隨著近年來穿戴式裝置的快速發展,若無軟體輔助判斷,所取得龐大的測量資料最終仍無法被使用。因此,時常發生有使用者收集了很多訊號,卻無法知道此種訊號是否可以有效地分析的情況。
有鑑於此,本發明提供一種心電圖訊號判斷裝置及方法,其可用以判斷心電圖訊號是否為可供分析的訊號,進而讓使用者在以穿戴/可攜裝置測得心電圖訊號時,能夠更即時得知所量測到的訊號是否可用。
本發明提供一種心電圖訊號判斷裝置,包括預處理模組、正規化單元、分類單元及決策單元。預處理模組用以取得一第一電訊號,並基於第一電訊號產生一第二電訊號。正規化單元耦接預處理模組,並用以將第二電訊號正規化為一第三電訊號。分類單元耦接正規化單元,並用以取得第三電訊號的一雜訊特性。決策單元耦接分類單元,並用以基於第三電訊號的雜訊特性而判斷第三電訊號是否為一可分析的心電圖訊號。
本發明提供一種心電圖訊號判斷方法,包括:取得一第一電訊號,並基於第一電訊號產生一第二電訊號;將第二電訊號正規化為一第三電訊號;取得第三電訊號的一雜訊特性;以及基於第三電訊號的雜訊特性而判斷第三電訊號是否為一可分析的心電圖訊號。
基於上述,本發明的心電圖訊號判斷裝置及方法可基於所考慮電訊號的雜訊特性而判定此電訊號是否為可分析的心電圖訊號。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
請參照圖1,其是依據本發明之一實施例繪示的心電圖訊號判斷裝置示意圖。在本實施例中,心電圖訊號判斷裝置100包括預處理模組110、正規化單元120、分類單元130及決策單元140。在不同的實施例中,心電圖訊號判斷裝置100例如是可用於偵測使用者的心電圖訊號的穿戴式裝置(例如智慧手錶、心跳帶等)及可攜式裝置等。在其他實施例中,心電圖訊號判斷裝置100亦可以是設置於醫院或其他醫療場所內的專業心電圖偵測儀器,但本發明可不限於此。
在圖1中,預處理模組110可用於取得第一電訊號E1,並基於第一電訊號E1產生第二電訊號E2。具體而言,本實施例的預處理模組110可包括感測單元111、差動放大單元112、類比至數位轉換單元113、濾波單元114及訊號增益單元115。
在本實施例中,感測單元111可用於感測一膚電訊號,以作為第一電訊號E1。舉例而言,感測單元111例如可實現為一或多組膚電訊號感測器,並可用於在接觸使用者時測量使用者身上的膚電訊號,以作為第一電訊號E1,但本發明可不限於此。在其他實施例中,當心電圖訊號判斷裝置100未穿戴於使用者身上時,感測單元111所測得的第一電訊號E1也可以是方波訊號、弦波訊號、三角波訊號、純雜訊訊號或是其他類似的訊號,但本發明可不限於此。
此外,在本發明的實施例中,第一電訊號E1可以是具有固定長度的訊號。舉例而言,第一電訊號E1可以是長度為至少2秒的訊號,以利後續進行的相關心電圖訊號分析操作,但本發明可不限於此。為便於說明,以下將假設第一電訊號E1的長度即為2秒,但其並非用以限定本發明可能的實施方式。
差動放大單元112可耦接於感測單元111,並可用於將前述膚電訊號(即,第一電訊號E1)轉換為類比訊號AS。在一實施例中,差動放大單元112可用於將較為微弱的第一電訊號E1放大為類比訊號AS(其長度例如是2秒)。
類比至數位轉換單元113可耦接於差動放大單元112,並用以將類比訊號AS轉換為數位訊號DS。在一實施例中,類比至數位轉換單元113可基於一取樣頻率而對類比訊號AS進行取樣,以產生數位訊號DS。舉例而言,對於長度為2秒的類比訊號AS而言,類比至數位轉換單元113可以500 Hz作為取樣頻率對類比訊號AS進行取樣。在此情況下,可取得具有1000個(即,500x2)訊號點的數位訊號DS。在其他實施例中,類比至數位轉換單元113亦可基於其他的取樣頻率來對類比訊號AS進行取樣,以產生具其他態樣的數位訊號DS,並不限於以上實施方式。此外,為便於說明,以下將以N代稱數位訊號DS中訊號點的個數。
濾波單元114耦接於類比至數位轉換單元113,並可用於對數位訊號DS進行濾波操作,以產生第二電訊號E2。在不同的實施例中,濾波單元114可實現為帶拒濾波器、帶通濾波器、低通濾波器或高通濾波器。並且,濾波單元114可基於一濾波頻率而將數位訊號DS中的特定頻段取出。在一實施例中,由於心電圖訊號的頻段一般介於0.67 Hz及40 Hz之間,因此濾波單元114可相應地設定為0.67 Hz至40 Hz(帶通濾波)。藉此,可使得後續對於心電圖訊號的判讀更為準確,但本發明可不限於此。在其他實施例中,設計者可依需求而將波濾單元114的濾波頻率調整為任何所需的態樣,並不限於以上的實施方式。
訊號增益單元115可耦接於濾波單元114及正規化單元120之間,並可用於接收及放大第二電訊號E2(即,濾波後的數位訊號DS)。為便於說明,放大後的第二電訊號E2將表示為第二電訊號E2’。
在本發明的實施例中,預處理模組110、正規化單元120、分類單元130及決策單元140可協同運作以實現本發明提出的心電圖訊號判斷方法,以下將作進一步說明。
請參照圖2,其是依據本發明之一實施例繪示的心電圖訊號判斷方法。本實施例的方法可由圖1的心電圖訊號判斷裝置100執行,以下即搭配圖1所示的元件來說明圖2各步驟的細節。
首先,在步驟S210中,預處理模組110可取得第一電訊號E1,並基於第一電訊號E1產生第二電訊號E2’。步驟S210的細節可參照先前實施例的說明,於此不另贅述。
接著,在步驟S220中,正規化單元120可將第二電訊號E2’正規化為第三電訊號E3。在圖1中,正規化單元120可耦接預處理模組110,並可接收第二電訊號E2’。在一實施例中,正規化單元120亦可直接從濾波單元114接收第二電訊號E2,並據以進行後續操作,但本發明可不限於此。
在正規化單元120收到第二電訊號E2’之後,可接續取得第二電訊號E2’的振幅。在一實施例中,若第二電訊號E2’係量自使用者身上的心電圖訊號,則其可包括一第一成分及一第二成分,其中第一成分例如是心電圖訊號中的P波,而第二成分例如是心電圖訊號中的QRS複合波,但可不限於此。接著,正規化單元120可取得第一成分的第一峰值以及第二成分的第二峰值,並基於第一峰值及第二峰值取得第二電訊號E2’的振幅。具體而言,正規化單元120可以第一峰值減去第二峰值以得出第二電訊號E2’的振幅,並將第二電訊號E2’除以第二電訊號E2’的振幅,以產生第三電訊號E3(即,正規化後的第二電訊號E2’)。在其他實施例中,正規化單元120亦可直接測量第二電訊號E2’的振幅,並將第二電訊號E2’除以其振幅來產生第三電訊號E3,但本發明可不限於此。
相似於數位訊號DS,第三電訊號E3亦包括多個訊號點,惟第三電訊號E3中的各訊號點的數值因經過正規化而介於-1及+1之間。
接著,在步驟S230中,分類單元130可取得第三電訊號E3的雜訊特性。並且,在步驟S240中,決策單元140可基於第三電訊號E3的雜訊特性而判斷第三電訊號E3是否為可分析的心電圖訊號。
在本發明中,可透過下述的第一實施例及第二實施例來實現步驟S230及S240,以下將作進一步說明。
在第一實施例中,分類單元130可基於第三電訊號E3中的多個訊號點計算第三電訊號E3的多個分數,其中前述分數可用以表徵第三電訊號E3的雜訊特性。
舉例而言,上述分數可包括以下提及的第一分數、第二分數、第三分數及第四分數的至少其中之一,但本發明可不限於此。
在一實施例中,分類單元130可計算第三電訊號E3的訊號點的一訊號變異數,其中此訊號變異數可表徵為
,其中
為第三電訊號E3的訊號點中的第i個訊號點,
為第三電訊號E3的訊號點的一平均值,N為第三電訊號E3的訊號點的數量。之後,若訊號變異數(即,a)大於第一門限值(例如,0.15),則分類單元130可設定第一分數為第一值,反之則可設定第一分數為第二值。
為便於說明,以下將假設第一值為1,而第二值為0。然而,在其他實施例中,設計者可依需求而自行決定第一值及第二值所對應的數值,而並不限於上述實施方式。
亦即,在上述假設下,若訊號變異數(即,a)大於第一門限值,則分類單元130可將第一分數設定為1,反之則設定為0。在其他實施例中,上述第一門限值可由設計者依需求而設定為任何足以令其認為第三電訊號E3的雜訊過大的基準值。亦即,當上述訊號變異數大於第一門限值時,即代表第三電訊號E3中存在較大的雜訊,反之即代表第三電訊號E3中的雜訊較小,但本發明可不限於此。
在一實施例中,分類單元130可取得第三電訊號E3的訊號點中相鄰的訊號點之間的一最大差值,其中此最大差值可表徵為
。並且,若上述最大差值大於一第二門限值(例如,0.3),則分類單元130可設定第二分數為第一值(例如,1),反之則可設定第二分數為第二值(例如,0)。
亦即,在上述假設下,若相鄰的訊號點之間的最大差值(即,b)大於第二門限值,則分類單元130可將第二分數設定為1,反之則設定為0。在其他實施例中,上述第二門限值可由設計者依需求而設定為任何足以令其認為第三電訊號E3的雜訊過大的基準值。亦即,當上述最大差值大於第二門限值時,即代表第三電訊號E3中存在較大的雜訊,反之即代表第三電訊號E3中的雜訊較小,但本發明可不限於此。
在一實施例中,分類單元130可在第三電訊號E3的訊號點中找出多個第一訊號點,並計算前述第一訊號點在第三電訊號E3的訊號點中所佔的第一比例,其中各第一訊號點皆大於第三電訊號E3的訊號點的平均值(即,
)。亦即,在第三電訊號E3的訊號點中,分類單元130可將大於
的一或多者定義為第一訊號點,並計算這些第一訊號點在第三電訊號E3的訊號點中所佔的第一比例。接著,若第一比例大於第三門限值(例如,40%),則分類單元130可設定第三分數為第一值,反之則可設定第三分數為第二值。
具體而言,對於一般的心電圖訊號來說,其中一項特性即為約有40%的訊號點會小於平均值。因此,若大於
的第一訊號點的數量大於第三門限值,即代表第三電訊號E3為心電圖訊號的機率較低,因此分類單元130可相應地設定第三分數為第一值。相反地,若大於
的第一訊號點的數量不大於第三門限值,即代表第三電訊號E3為心電圖訊號的機率較高,因此分類單元130可相應地設定第三分數為第二值。在其他實施例中,設計者亦可依需求而將第三門限值設定為40%以外的數值,例如30%、35%等,但可不限於此。
在一實施例中,分類單元130可在第三電訊號E3的訊號點中找出多個第二訊號點,並計算前述第二訊號點在第三電訊號E3的訊號點中所佔的第二比例,其中各第二訊號點大於
或小於
。亦即,在第三電訊號E3中,分類單元130可將與
相距大於一個訊號變異數(即,a)的一或多者定義為第二訊號點,並計算這些第二訊號點在第三電訊號E3的訊號點中所佔的第二比例。接著,若第二比例大於第四門限值(例如,0.03),則分類單元130可設定第四分數為第一值,反之則可設定第四分數為第二值。
亦即,在上述假設下,若第二比例大於第四門限值,即代表第三電訊號E3中與
相距大於一個訊號變異數的訊號點較多,亦即顯著受到雜訊影響的訊號點較多。因此,分類單元130可將第四分數設定為1。另一方面,若第二比例不大於第四門限值,即代表第三電訊號E3中與
相距大於一個訊號變異數的訊號點較少,亦即顯著受到雜訊影響的訊號點較少。因此,分類單元130可將第四分數設定為0,但本發明可不限於此。在其他實施例中,上述第四門限值可由設計者依需求而設定為任何足以令其認為第三電訊號E3的雜訊過大的基準值。
由上可知,分類單元130可基於所求得的第一分數至第四分數得知第三電訊號E3的雜訊特性(例如是否過大)。接著,在第一實施例中,決策單元140可將第一分數至第四分數加總為一總和,以綜合性地表徵第三電訊號E3的雜訊特性。在其他實施例中,決策單元140亦可僅基於第一分數至第四分數中的一或多者來進行加總,但本發明可不限於此。
之後,若第三電訊號E3的上述分數的總和不大於一分數門限值(例如,0),則決策單元140可判斷第三電訊號E3為可分析的心電圖訊號。相反地,若第三電訊號E3的上述分數的總和大於分數門限值(例如,0),則決策單元140可判斷第三電訊號E3為不可分析的心電圖訊號。
為使上述概念更易於理解,以下另提供表1作進一步說明。
雜訊 | 第一分數 | 第二分數 | 第三分數 | 第四分數 | 總和 | |
弦波 | 大 | 1 | 1 | 1 | 1 | 4 |
小/無 | 0 | 0 | 1 | 1 | 2 | |
方波 | 大 | 1 | 1 | 1 | 1 | 4 |
小/無 | 0 | 0 | 1 | 1 | 2 | |
三角波 | 大 | 1 | 1 | 1 | 1 | 4 |
小/無 | 0 | 0 | 1 | 1 | 2 | |
心電圖訊號 | 大 | 1 | 1 | 1 | 1 | 4 |
小/無 | 0 | 0 | 0 | 0 | 0 | |
雜訊 | 1 | 1 | 1 | 1 | 4 |
表1提供了各種可能的第一電訊號E1的態樣,例如分別具有大雜訊及小雜訊的訊號(例如,弦波、方波、三角波、心電圖訊號)及純雜訊。在將表1中的各種態樣作為第一電訊號E1輸入至心電圖訊號判斷裝置100之後,所求得的第一分數至第四分數例示於表1中。
由表1可看出,對於雜訊較大的弦波/方波/三角波而言,其對應的第一分數至第四分數皆為1,因此可相應得出總和為4。對於雜訊較小(或無雜訊)的弦波/方波/三角波而言,其對應的第一分數及第二分數例如是0,而第三分數及第四分數則例如是1,因此可相應得出總和為2。對於純雜訊而言,其對應的第一分數至第四分數皆為1,因此可相應得出總和為4。
另外,對於雜訊較大的心電圖訊號而言,其對應的第一分數至第四分數皆為1,因此可相應得出總和為4。對於雜訊較小(或無雜訊)的心電圖訊號而言,其對應的第一分數至第四分數皆為0,因此可相應得出總和為0。
因此,在表1的情境中,只有在第一電訊號E1為小雜訊/無雜訊的心電圖訊號的情況下可得出小於分數門限值(例如0)的總和。亦即,對於心電圖訊號判斷裝置100而言,當其發現所考慮的第一電訊號E1對應的總和不大於分數門限值時,即可得知第一電訊號E1應為小雜訊/無雜訊的心電圖訊號。相應地,決策單元140即可判定對應於第一電訊號E1的第三電訊號E3為可分析的心電圖訊號。
從另一觀點而言,在表1的情境中,只要第一電訊號E1不為小雜訊/無雜訊的心電圖訊號,所得出的總和皆不小於分數門限值。亦即,對於心電圖訊號判斷裝置100而言,當其發現所考慮的第一電訊號E1對應的總和大於分數門限值時,即可得知第一電訊號E1不為小雜訊/無雜訊的心電圖訊號。相應地,決策單元140即可判定對應於第一電訊號E1的第三電訊號E3為不可分析的心電圖訊號。
由上可知,本發明的心電圖訊號判斷裝置及方法可基於所考慮電訊號的雜訊特性而判定此電訊號是否為可分析的心電圖訊號(例如小雜訊/無雜訊心電圖訊號)。藉此,可在不需專業人士參與判讀的情況下,由心電圖訊號判斷裝置從所測得的眾多訊號中篩選出可分析的心電圖訊號。因此,本發明可協助使用者簡易地判斷是否需重新測量心電圖訊號,從而提供更佳的便利性及準確性。
此外,如圖1所示,心電圖訊號判斷裝置100還可包括傳輸單元150,其可耦接於決策單元140。在不同的實施例中,傳輸單元150可實現為藍牙模組、紅外線傳輸模組、Wi-Fi模組、USB傳輸模組或其他有線/無線的傳輸模組,但可不限於此。在第一實施例中,若決策單元140判定第三電訊號E3為可分析的心電圖訊號,則傳輸單元150可相應地發送第三電訊號E3至相關的健康管理裝置,例如醫護人員的電腦或其他類似的伺服器等,以供相關人士參考,但可不限於此。
另一方面,若決策單元140判定第三電訊號E3為不可分析的心電圖訊號,則傳輸單元150可相應地忽略第三電訊號E3。亦即,第三電訊號E3可能是方波、弦波、三角波、純雜訊、具大雜訊的心電圖訊號等不可分析的訊號,因此傳輸單元150可不將第三電訊號E3提供予相關人士參考,但可不限於此。
由上可知,在本發明的第一實施例中,可基於第三電訊號E3的第一分數至第四分數的至少其中之一來取得第三電訊號E3的雜訊特性,並進而作為判定第三電訊號E3是否為可分析的心電圖訊號的依據。
然而,在本發明的第二實施例中,還可藉由至少二個分類模型來實現步驟S230及S240,以下將作進一步說明。另外,為使第二實施例的概念更為清楚,以下將輔以圖3進行說明。
在第二實施例中,分類單元130可將第三電訊號E3輸入第一分類模型,以將第三電訊號E3分類為第一類訊號或第二類訊號,其中第一類訊號的雜訊低於雜訊門限值,而第二類訊號的雜訊高於雜訊門限值。簡言之,分類單元130可透過第一分類模型來判定第三電訊號E3是屬於雜訊較小的第一類訊號或是雜訊較大的第二類訊號。
在不同的實施例中,第一分類模型可實現為類神經網路中的遞歸神經網路(Recurrent Neural Networks,RNN)或卷積神經網路(Convolutional Neural Networks,CNN)。或者,第一分類模型亦可實現為決策樹、支持向量機等,但可不限於此。
在第二實施例中,為使第一分類模型具有將第三電訊號E3分類為第一類訊號或第二類訊號的能力,可預先基於第一類訓練資料及第二類訓練資料來訓練第一分類模型。舉例而言,第一類訓練資料例如是具有小雜訊/無雜訊的訊號(其對應於第一類訊號),例如具有小雜訊/無雜訊的弦波、方波、三角波、純雜訊或心電圖訊號。第二類訓練資料例如是具有大雜訊的訊號(其對應於第二類訊號),例如具有大雜訊的弦波、方波、三角波、純雜訊或心電圖訊號。在此情況下,第一分類模型即可經由上述訓練過程而得知具有小雜訊/無雜訊的訊號的特徵,以及具有大雜訊的訊號的特徵。如此一來,當第一分類模型接收到未知訊號(例如第三電訊號E3)時,即可基於此未知訊號中的特徵而判斷其屬於第一類訊號或第二類訊號,但本發明可不限於此。
在第二實施例中,若第三電訊號E3屬於第一類訊號(即,小雜訊/無雜訊的訊號),則分類單元130可將第三電訊號E3提供予決策單元140。相反地,若第三電訊號E3屬於第二類訊號(即,大雜訊的訊號),則分類單元130可忽略第三電訊號E3。
之後,決策單元140可將屬於第一類訊號的第三電訊號E3輸入第二分類模型,以將第三電訊號E3分類為可分析的心電圖訊號或不可分析的訊號。簡言之,決策單元140可透過第二分類模型來判定屬於第一類訊號的第三電訊號E3是屬於可分析的心電圖訊號或不可分析的訊號(例如小雜訊/無雜訊的弦波、方波、三角波)。
在不同的實施例中,第二分類模型可實現為類神經網路中的RNN或CNN。或者,第二分類模型亦可實現為決策樹、支持向量機等,但可不限於此。
在第二實施例中,為使第二分類模型具有將第三電訊號E3分類為可分析的心電圖訊號或不可分析的訊號的能力,可預先基於第三類訓練資料及第四類訓練資料來訓練第二分類模型。舉例而言,第三類訓練資料例如是可分析的心電圖訊號,而第四類訓練資料例如是不可分析的訊號。在此情況下,第二分類模型即可經由上述訓練過程而得知可分析的心電圖訊號的特徵,以及不可分析的訊號的特徵。如此一來,當第二分類模型接收到未知訊號(例如第三電訊號E3)時,即可基於此未知訊號中的特徵而判斷其屬於可分析的心電圖訊號或不可分析的訊號,但本發明可不限於此。
由上可知,在本發明的第二實施例中,可透過第一分類模型及第二分類模型來判定第三電訊號E3是否為可分析的心電圖訊號。
請參照圖4A至圖4C,其是依據本發明不同實施例繪示的多個第一電訊號波形圖。圖4A的第一電訊號411例如是無雜訊的心電圖訊號,圖4B的第一電訊號412例如是帶有60 Hz雜訊的心電圖訊號,而圖4C的第一電訊號413例如是純雜訊(其可歸因於感測單元111未良好接觸於皮膚表面、感測單元111的電線脫落/斷裂、環境雜訊過大等原因)。
如先前實施例所教示的,當第一電訊號411~413分別被輸入至心電圖訊號判斷裝置100時,可能只有對應於第一電訊號411的第三電訊號(未繪示)會被判定為可分析的心電圖訊號,而對應於第一電訊號412及413的第三電訊號將可能因其雜訊過大而被忽略,或被判定為不可分析的訊號,但本發明可不限於此。
請參照圖5A至圖5C,其是依據本發明不同實施例繪示的多個第一電訊號波形圖。圖5A的第一電訊號511例如是無雜訊的弦波,圖5B的第一電訊號512例如是無雜訊的方波,而圖5C的第一電訊號513例如是無雜訊的三角波。
如先前實施例所教示的,當第一電訊號511~513分別被輸入至心電圖訊號判斷裝置100時,其分別對應的第三電訊號(未繪示)將分別被判定為不可分析的訊號,但本發明可不限於此。從另一觀點而言,本發明還可一併檢查輸入的第一電訊號是否為非人體訊號。
綜上所述,本發明的心電圖訊號判斷裝置及方法可基於所考慮電訊號的雜訊特性而判定此電訊號是否為可分析的心電圖訊號(例如小雜訊/無雜訊心電圖訊號)。在第一實施例中,本發明可藉由計算電訊號的多個分數來表徵電訊號的雜訊特性,並基於前述分數的總和來判定電訊號是否為可分析的心電圖訊號。在第二實施例中,本發明還可透過第一分類模型及第二分類模型來判定電訊號是否為可分析的心電圖訊號。若電訊號經判定為可分析的心電圖訊號,本發明還可進一步將此電訊號提供予相關的專業人士參考,以作進一步的應用。
藉此,可在不需專業人士參與判讀的情況下,由心電圖訊號判斷裝置從所測得的眾多訊號中篩選出可分析的心電圖訊號。因此,本發明可協助使用者簡易地判斷是否需重新測量心電圖訊號,從而提供更佳的便利性及準確性。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:心電圖訊號判斷裝置
110:預處理模組
111:感測單元
112:差動放大單元
113:類比至數位轉換單元
114:濾波單元
115:訊號增益單元
120:正規化單元
130:分類單元
140:決策單元
150:傳輸單元
AS:類比訊號
DS:數位訊號
E1、411、412、413、511、512、513:第一電訊號
E2、E2’:第二電訊號
E3:第三電訊號
S210~S240:步驟
圖1是依據本發明之一實施例繪示的心電圖訊號判斷裝置示意圖。
圖2是依據本發明之一實施例繪示的心電圖訊號判斷方法。
圖3是依據本發明第二實施例繪示的以第一分類模型及第二分類模型進行分類的示意圖。
圖4A至圖4C是依據本發明不同實施例繪示的多個第一電訊號波形圖。
圖5A至圖5C是依據本發明不同實施例繪示的多個第一電訊號波形圖。
S210~S240:步驟
Claims (22)
- 一種心電圖訊號判斷裝置,包括:一預處理模組,其用以取得一第一電訊號,並基於該第一電訊號產生一第二電訊號;一正規化單元,其耦接該預處理模組,並用以將該第二電訊號正規化為一第三電訊號;一分類單元,其耦接該正規化單元,並用以取得該第三電訊號的一雜訊特性,其中該分類單元經配置以:將該第三電訊號輸入一第一分類模型,以將該第三電訊號分類為一第一類訊號或一第二類訊號,其中該第一類訊號的雜訊低於一雜訊門限值,而該第二類訊號的雜訊高於該雜訊門限值;反應於該第三電訊號屬於該第一類訊號,將該第三電訊號提供予該決策單元;反應於該第三電訊號屬於該第二類訊號,忽略該第三電訊號;以及一決策單元,其耦接該分類單元,並用以基於該第三電訊號的該雜訊特性而判斷該第三電訊號是否為一可分析的心電圖訊號,其中該決策單元經配置以:將屬於該第一類訊號的該第三電訊號輸入一第二分類模型,以將該第三電訊號分類為該可分析的心電圖訊號或一不可 分析的訊號。
- 如申請專利範圍第1項所述的裝置,其中該正規化單元經配置以:取得該第二電訊號的一振幅;以及以該第二電訊號除以該第二電訊號的該振幅,以產生該第三電訊號。
- 如申請專利範圍第1項所述的裝置,其中該第三電訊號包括多個訊號點,且該分類單元經配置以:基於該些訊號點計算該第三電訊號的多個分數,其中該些分數用以表徵該第三電訊號的該雜訊特性。
- 如申請專利範圍第4項所述的裝置,其中該些分數更包括一第二分數,且該分類單元更經配置以:取得該些訊號點中相鄰的訊號點之間的一最大差值; 反應於該最大差值大於一第二門限值0.3,設定該第二分數為該第一值,反之則設定該第二分數為該第二值。
- 如申請專利範圍第4項所述的裝置,其中該些分數更包括一第三分數,且該分類單元更經配置以:在該些訊號點中找出多個第一訊號點,並計算該些第一訊號點在該些訊號點中所佔的一第一比例,其中各該第一訊號點皆大於該些訊號點的該平均值;反應於該第一比例大於一第三門限值,設定該第三分數為該第一值,反之則設定該第三分數為該第二值。
- 如申請專利範圍第3項所述的裝置,其中該決策單元經配置以:反應於該第三電訊號的該些分數的一總和不大於一分數門限值,判斷該第三電訊號為該可分析的心電圖訊號; 反應於該第三電訊號的該些分數的該總和大於該分數門限值,判斷該第三電訊號為一不可分析的心電圖訊號。
- 如申請專利範圍第1項所述的裝置,更包括一傳輸單元,其反應於該第三電訊號為該可分析的心電圖訊號而發送該第三電訊號,並反應於該第三電訊號為該不可分析的心電圖訊號而忽略該第三電訊號。
- 如申請專利範圍第1項所述的裝置,其中該預處理模組包括:一濾波單元,其耦接該正規化單元,並用以對一數位訊號進行一濾波操作,以產生該第二電訊號。
- 如申請專利範圍第10項所述的裝置,其中該預處理模組更包括一訊號增益單元,其耦接於該濾波單元及該正規化單元之間,用以接收並放大該第二電訊號。
- 如申請專利範圍第10項所述的裝置,其中該預處理模組更包括一類比至數位轉換單元,其耦接於該濾波單元,並用以將一類比訊號轉換為該數位訊號。
- 如申請專利範圍第12項所述的裝置,其中該預處理模組更包括:一感測單元,其用於感測一膚電訊號,以作為該第一電訊號;以及 一差動放大單元,其耦接於該感測單元及該類比轉數位單元之間,並用於將該膚電訊號轉換為該類比訊號。
- 一種心電圖訊號判斷方法,包括:取得一第一電訊號,並基於該第一電訊號產生一第二電訊號;將該第二電訊號正規化為一第三電訊號;取得該第三電訊號的一雜訊特性,包括:將該第三電訊號輸入一第一分類模型,以將該第三電訊號分類為一第一類訊號或一第二類訊號,其中該第一類訊號的雜訊低於一雜訊門限值,而該第二類訊號的雜訊高於該雜訊門限值;反應於該第三電訊號屬於該第一類訊號,將該第三電訊號提供予該決策單元;反應於該第三電訊號屬於該第二類訊號,忽略該第三電訊號;以及基於該第三電訊號的該雜訊特性而判斷該第三電訊號是否為一可分析的心電圖訊號,包括:將屬於該第一類訊號的該第三電訊號輸入一第二分類模型,以將該第三電訊號分類為該可分析的心電圖訊號或一不可分析的訊號。
- 如申請專利範圍第14項所述的方法,其中將該第二電訊號正規化為該第三電訊號的步驟包括:取得該第二電訊號的一振幅;以及以該第二電訊號除以該第二電訊號的該振幅,以產生該第三電訊號。
- 如申請專利範圍第14項所述的方法,其中取得該第三電訊號的該雜訊特性的步驟包括:基於該些訊號點計算該第三電訊號的多個分數,其中該些分數用以表徵該第三電訊號的該雜訊特性。
- 如申請專利範圍第17項所述的方法,其中該些分數更包括一第二分數,且基於該些訊號點計算該第三電訊號的該些分數的步驟更包括:取得該些訊號點中相鄰的訊號點之間的一最大差值; 反應於該最大差值大於一第二門限值,設定該第二分數為該第一值,反之則設定該第二分數為該第二值。
- 如申請專利範圍第17項所述的方法,其中該些分數更包括一第三分數,且基於該些訊號點計算該第三電訊號的該些分數的步驟更包括:在該些訊號點中找出多個第一訊號點,並計算該些第一訊號點在該些訊號點中所佔的一第一比例,其中各該第一訊號點皆大於該些訊號點的該平均值;反應於該第一比例大於一第三門限值,設定該第三分數為該第一值,反之則設定該第三分數為該第二值。
- 如申請專利範圍第16項所述的方法,其中基於該第三電訊號的該雜訊特性而判斷該第三電訊號是否為該可分析的心電圖訊號的步驟包括: 反應於該第三電訊號的該些分數的一總和不大於一分數門限值,判斷該第三電訊號為該可分析的心電圖訊號;反應於該第三電訊號的該些分數的該總和大於該分數門限值,判斷該第三電訊號為一不可分析的心電圖訊號。
- 如申請專利範圍第14項所述的方法,更包括反應於該第三電訊號為該可分析的心電圖訊號而發送該第三電訊號,並反應於該第三電訊號為該不可分析的心電圖訊號而忽略該第三電訊號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108111113A TWI696192B (zh) | 2019-03-29 | 2019-03-29 | 心電圖訊號判斷裝置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108111113A TWI696192B (zh) | 2019-03-29 | 2019-03-29 | 心電圖訊號判斷裝置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI696192B true TWI696192B (zh) | 2020-06-11 |
TW202036596A TW202036596A (zh) | 2020-10-01 |
Family
ID=72176343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108111113A TWI696192B (zh) | 2019-03-29 | 2019-03-29 | 心電圖訊號判斷裝置及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI696192B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201114404A (en) * | 2009-10-29 | 2011-05-01 | Univ Chaoyang Technology | Technical framework for reducing artificial motion noises of physiological signal and method thereof |
US20140128758A1 (en) * | 2012-11-08 | 2014-05-08 | Conner Daniel Cross Galloway | Electrocardiogram signal detection |
TW201717845A (zh) * | 2015-09-25 | 2017-06-01 | 英特爾股份有限公司 | 從具雜訊之心電圖資料決定心跳率的設備、系統和方法 |
TW201720366A (zh) * | 2015-12-14 | 2017-06-16 | 國立臺北科技大學 | 穿戴式裝置之生理參數監測方法 |
-
2019
- 2019-03-29 TW TW108111113A patent/TWI696192B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201114404A (en) * | 2009-10-29 | 2011-05-01 | Univ Chaoyang Technology | Technical framework for reducing artificial motion noises of physiological signal and method thereof |
US20140128758A1 (en) * | 2012-11-08 | 2014-05-08 | Conner Daniel Cross Galloway | Electrocardiogram signal detection |
TW201717845A (zh) * | 2015-09-25 | 2017-06-01 | 英特爾股份有限公司 | 從具雜訊之心電圖資料決定心跳率的設備、系統和方法 |
TW201720366A (zh) * | 2015-12-14 | 2017-06-16 | 國立臺北科技大學 | 穿戴式裝置之生理參數監測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202036596A (zh) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN106344005B (zh) | 一种可移动心电图监测系统 | |
WO2019161607A1 (zh) | 心电信息动态监护方法和动态监护系统 | |
Infante et al. | Use of cough sounds for diagnosis and screening of pulmonary disease | |
US11006874B2 (en) | Real-time stress determination of an individual | |
Pedrosa et al. | Automatic heart sound segmentation and murmur detection in pediatric phonocardiograms | |
CN101815466B (zh) | 用于对动脉nadi脉搏波形进行定量检测的非侵入式设备nadi tarangini | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
US11373757B2 (en) | Method and system for classifying phonocardiogram signal quality | |
Mahmoudzadeh et al. | Lightweight photoplethysmography quality assessment for real-time IoT-based health monitoring using unsupervised anomaly detection | |
KR101983926B1 (ko) | 심박수 측정 방법 및 장치 | |
John et al. | A multimodal data fusion technique for heartbeat detection in wearable IoT sensors | |
Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
Omarov et al. | Artificial Intelligence in Medicine: Real Time Electronic Stethoscope for Heart Diseases Detection. | |
KR20190049430A (ko) | 맥파 및 심박변이도를 이용한 통증 분류 방법 | |
CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测系统 | |
Patel et al. | Lung Respiratory Audio Prediction using Transfer Learning Models | |
Zaman et al. | Estimating reliability of signal quality of physiological data from data statistics itself for real-time wearables | |
Nemati et al. | Estimation of the lung function using acoustic features of the voluntary cough | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
Delay et al. | Non invasive wearable device for fetal movement detection | |
KR20210067827A (ko) | 감정 노동자를 위한 스트레스 관리 장치의 동작 방법 | |
Guarin et al. | Video-based facial movement analysis in the assessment of bulbar amyotrophic lateral sclerosis: clinical validation | |
TWI696192B (zh) | 心電圖訊號判斷裝置及方法 | |
CN210697629U (zh) | 信号采集装置、移动终端和信号分析系统 |