TWI784256B - 分析心電圖訊號的方法 - Google Patents

分析心電圖訊號的方法 Download PDF

Info

Publication number
TWI784256B
TWI784256B TW109112203A TW109112203A TWI784256B TW I784256 B TWI784256 B TW I784256B TW 109112203 A TW109112203 A TW 109112203A TW 109112203 A TW109112203 A TW 109112203A TW I784256 B TWI784256 B TW I784256B
Authority
TW
Taiwan
Prior art keywords
wave
signal
electrocardiogram
candidate
analyzing
Prior art date
Application number
TW109112203A
Other languages
English (en)
Other versions
TW202139210A (zh
Inventor
詹韻玄
潘可涵
李威儒
陳亮恭
彭莉甯
Original Assignee
宏碁股份有限公司
國立陽明大學
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 宏碁股份有限公司, 國立陽明大學 filed Critical 宏碁股份有限公司
Priority to TW109112203A priority Critical patent/TWI784256B/zh
Priority to US15/930,453 priority patent/US20210315473A1/en
Priority to EP20176624.3A priority patent/EP3892190A1/en
Publication of TW202139210A publication Critical patent/TW202139210A/zh
Application granted granted Critical
Publication of TWI784256B publication Critical patent/TWI784256B/zh

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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • 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
    • A61B5/24—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
    • A61B5/366—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
    • 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

Abstract

一種分析心電圖訊號的方法。透過感測器測量心電圖訊號。於心電圖訊號中偵測一或多個指定波形。自每一個指定波形中擷取多個心電圖特徵。將所述心電圖特徵輸入多個候選模型中，藉以獲得多個候選分數。將每一個候選分數與標準值進行比較，以在所述候選分數中獲得理想分數。選擇與理想分數對應的一個候選模型作為風險預測模型，以透過風險預測模型來預測疾病風險。

Description

分析心電圖訊號的方法
本發明是有關於一種疾病預測方法，且特別是有關於一種分析心電圖訊號的方法。
在現代生活中，心臟疾病的預防日益重要，若能早期發現、早期治療，會有更好的效果。因此，預測心臟疾病的風險變成一個重要的議題。在過去文獻中，預測心臟疾病風險大多是利用危險因子來建立模型，例如：使用年齡、總膽固醇、高密度膽固醇、血壓、是否抽菸、糖尿病等來建立Cox比例風險模型，以預測心臟疾病風險。然，某些侵入式方式來獲取體內狀況的危險因子，會導致部份人們的抗拒，進而排斥到醫院接受檢查。
過去醫師通常都利用心電圖(Electrocardiography、ECG)的變化，從不同的波形特徵輔助辨識心臟疾病的種類。而心電圖資料的蒐集來源也都是來自於醫院的儀器，但到醫院檢查的心電圖只能判斷當下的情況，無法即時在人們身體微恙時即時測量。
本發明提供一種分析心電圖訊號的方法，可取代利用危險因子建立模型來預測。
本發明的分析心電圖訊號的方法，包括：透過感測器測量心電圖訊號；於心電圖訊號中偵測一或多個指定波形；自每一個指定波形中擷取多個心電圖特徵；將所述心電圖特徵輸入多個候選模型中，藉以獲得多個候選分數；將每一個候選分數與標準值進行比較，以在所述候選分數中獲得一理想分數；以及選擇與理想分數對應的一個候選模型作為風險預測模型，以透過風險預測模型來預測疾病風險。
在本發明的一實施例中，其中將每一候選分數與標準值進行比較的步驟包括：計算每一候選分數與標準值兩者間的平均絕對百分比誤差；以及在平均絕對百分比誤差中取出最小者所對應的候選分數作為理想分數。
在本發明的一實施例中，所述分析心電圖訊號的方法更包括：透過比例風險模型來獲得所述標準值。
在本發明的一實施例中，其中所述指定波形包括第一波、第二波以及第三波，其中第三波的振幅大於第一波與第二波。於心電圖訊號中偵測所述指定波形之後，更包括：判斷每一指定波形的第一波與第二波兩者的相對位置關係，是否與其他指定波形的第一波與第二波兩者的相對位置關係相同，以在其中一個指定波形的第一波與第二波兩者的相對位置與其他指定波形的第一 波與第二波兩者的相對位置不同時，判定心電圖訊號為異常。
在本發明的一實施例中，於心電圖訊號中偵測所述指定波形的步驟包括：計算相鄰兩個指定波形的第三波之間的第一間距平均、第一間距標準差以及第一間距差值平方和的均方根；計算每一指定波形的第一波與第二波之間的第二間距平均、第二間距標準差以及第二間距差值平方和的均方根；以及將第一間距平均、第一間距標準差、第一間距差值平方和的均方根、第二間距平均、第二間距標準差以及第二間距差值平方和的均方根作為心電圖特徵。
在本發明的一實施例中，將心電圖特徵輸入候選模型中，藉以獲得候選分數的步驟包括：將多個基本特徵與心電圖特徵輸入候選模型，其中基本特徵包括例如性別、年齡、身高體重指數、血壓值及抽菸指標等基本特徵。
在本發明的一實施例中，所述分析心電圖訊號的方法更包括：判斷心電圖訊號是否已飽和；倘若心電圖訊號已飽和，則捨棄心電圖訊號。
在本發明的一實施例中，其中判斷心電圖訊號是否已飽和的步驟包括：判斷心電圖訊號中的訊號值是否超出預設值；以及倘若訊號值超出預設值，判定心電圖訊號已飽和。
在本發明的一實施例中，所述分析心電圖訊號的方法更包括：將心電圖訊號切割為多個訊號區段，以在每一訊號區段中偵測所述指定波形。
在本發明的一實施例中，在透過該感測器測量該心電圖訊號的步驟之後，更包括：對原始的心電圖訊號執行前處理。所述前處理包括：在判定原始的心電圖訊號有遺失訊號時，使用內插法來加入一或多個遺失值，而獲得第一前處理訊號；將第一前處理訊號調整為固定長度，而獲得第二前處理訊號；以及將第二前處理訊號的位移移除後，執行平滑處理來獲得前處理後的心電圖訊號。
基於上述，本發明結合心電圖訊號並從中提取特徵，以預測心臟疾病風險，取代過去利用危險因子建立模型來預測，可讓人們省去到醫院接受檢查的時間，可以不受拘束的生活也能兼顧到身體健康。
100:電子裝置
110:感測器
120:處理器
130:儲存裝置
S205~S230:分析心電圖訊號的方法各步驟
510、520:QRS波
601:前處理後的心電圖訊號
602:基本特徵與心電圖特徵
603-1:SVM模型
603-2:RF模型
603-3:XGBoost模型
603-4:MARS模型
603-5:LASSO模型
604、706:預測結果
701:CNN模型
702:LSTM模型
703:全連接層
704:特徵序列
Q、R、S:點
RR:第一間距
QS、QS1、QS2:第二間距
圖1是依照本發明一實施例的電子裝置的方塊圖。
圖2是依照本發明一實施例的分析心電圖訊號的方法流程圖。
圖3是依照本發明一實施例的原始心電圖訊號的示意圖。
圖4是依照本發明一實施例的前處理後的心電圖訊號的示意圖。
圖5是依照本發明一實施例的QRS波示意圖。
圖6是依照本發明一實施例的機器學習模型的流程圖。
圖7是依照本發明一實施例的深度學習模型的流程圖。
圖1是依照本發明一實施例的電子裝置的方塊圖。請參照圖1，電子裝置100包括感測器110、處理器120以及儲存裝置130。處理器120耦接至感測器110以及儲存裝置130。在此，電子裝置100可以是穿戴式裝置，感測器110例如為心電圖(Electrocardiography、ECG)儀。使用者將電子裝置100配戴在身上中的可供感測器110測量到心電圖訊號的位置。
處理器120例如為中央處理單元(Central Processing Unit，CPU)、物理處理單元(Physics Processing Unit，PPU)、可程式化之微處理器(Microprocessor)、嵌入式控制晶片、數位訊號處理器(Digital Signal Processor，DSP)、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)或其他類似裝置。
儲存裝置130例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。儲存裝置130中儲存有多個程式碼片段，上述程式碼片段在被安裝後，由處理器120來執行，以實現下述分析心電圖訊號的方法。
圖2是依照本發明一實施例的分析心電圖訊號的方法流程圖。請參照圖2，在步驟S205中，透過感測器110測量心電圖 訊號。處理器120可先判斷心電圖訊號是否已飽和。倘若此心電圖訊號已飽和，則捨棄此心電圖訊號。例如，判斷心電圖訊號中的訊號值是否超出預設值並且保持定值。倘若訊號值超出預設值並且保持定值，則判定心電圖訊號已飽和。
接著，在步驟S210中，處理器120於心電圖訊號中偵測指定波形。所述指定波形包括第一波、第二波以及第三波，其中第三波的振幅大於第一波與第二波。在此，指定波形為QRS波，第三波為R波，第一波與第二波分別Q波與S波。
一般而言，在一個正常心動周期中，心電圖訊號具有三種較顯著的波形，即P波、QRS波以及T波，心電圖訊號便是由這三種波連續出現所構成的訊號。P波代表心房的去極化，QRS波代表心室的去極化，T波則代表心室的復極化(repolarization)。QRS波是由Q波、R波、S波組成的波形。
在此，處理器120自感測器110接收到心電圖訊號之後，為了便於處理，可先將心電圖訊號切割為多個訊號區段，而分別在這些訊號區段中偵測指定波形。例如，每6秒切割為一個訊號區域。
在本實施例中，獲取的心電圖訊號會有較多的雜訊，故，處理器120可先透過訊號時頻轉換的演算法，來降低波形特徵提取的干擾。並且，處理器120會進一步對原始的心電圖訊號執行前處理。所述前處理包括：判斷原始的心電圖訊號中是否有遺失訊號。若有遺失訊號，先用內插法加入一或多個遺失值，而獲得 一第一前處理訊號。之後，再將第一前處理訊號調整為固定長度，而獲得第二前處理訊號。接著，對第二前處理訊號使用平滑三次樣條(Smoothing Cubic Spline)將第二前處理訊號的位移移除後，執行平滑處理來獲得前處理後的心電圖訊號。所述平滑處理例如為使用快速傅立葉變換以及巴特沃斯濾波器(Butter worth filter)將訊號雜訊消除使訊號平滑。接著，便可對前處理後的心電圖訊號使用小波轉換(Wavelet Transform)，解析正常心動周期的波形，從中提取心電圖訊號中的指定波形的位置。即，處理器120對心電圖訊號執行小波轉換，藉此可使得欲偵測的QRS波的強度增加。然後，定義門檻值，將低於門檻值的訊號消除，並在未消除的訊號群中找最大的點當成R波的位置。Q波與S波則利用醫學上定義的與R波寬度為0.01s內的方式，找尋R波位置左右兩邊0.01×取樣率範圍內個別的最低點。
圖3是依照本發明一實施例的原始心電圖訊號的示意圖。圖4是依照本發明一實施例的前處理後的心電圖訊號的示意圖。由圖3及圖4可以清楚地看到，在進行前處理後的心電圖訊號(如圖4所示)可以更容易地偵測出指定波形的位置。
另外，由於無法確保電子裝置100的操作或錄製的環境是否會影響訊號量測的品質，導致訊號為非正常的心電圖訊號進而影響後面的分析結果，據此，還可進一步利用偵測到的QRS波來判斷心電圖訊號是否異常。即，在偵測到指定波形之後，分析指定波形來判斷心電圖訊號是否異常。在此，處理器120判斷各 指定波形的第一波與第二波兩者的相對位置關係，是否與其他指定波形的第一波與第二波兩者的相對位置關係相同，以在其中一個指定波形的第一波與第二波兩者的相對位置與其他指定波形的第一波與第二波兩者的相對位置不同時，判定心電圖訊號為異常。
具體而言，在正常情況下，倘若其中一組QRS波的Q波高於S波，則其他組QRS波的Q波亦會高於S波；反之，倘若其中一組QRS波的Q波低於S波，則其他組QRS波的Q波亦會低於S波。
另外，還可進一步利用R波來換算心率，判斷心率是否介於一預設範圍(例如40~180bpm)內。倘若心率落在預設範圍內，則判定心電圖訊號為正常。倘若心率未落在預設範圍內，判定心電圖訊號為異常。
返回圖2，在找到指定波形之後，在步驟S215中，處理器120自每一個指定波形中擷取多個心電圖特徵。在本實施例中，處理器120計算相鄰兩個指定波形的第三波之間的第一間距平均、第一間距標準差以及第一間距差值平方和的均方根。並且，處理器120計算每一指定波形的第一波與第二波之間的第二間距平均、第二間距標準差以及第二間距差值平方和的均方根。處理器120將第一間距平均、第一間距標準差、第一間距差值平方和的均方根、第二間距平均、第二間距標準差以及第二間距差值平方和的均方根作為心電圖特徵。
圖5是依照本發明一實施例的QRS波示意圖。圖5中繪 示出QRS波510以及QRS波520為例進行說明。QRS波510以及QRS波520分別Q、R、S三個點(底下稱為Q波、R波、S波)。
在偵測到QRS波510以及QRS波520的位置之後，處理器120進一步計算相鄰兩個QRS波510以及QRS波520的R波之間的第一間距RR、QRS波510的Q波與S波之間的第二間距QS1以及QRS波520的Q波與S波之間的第二間距QS2(底下將第二間距統稱為QS)。所述第一間距平均、第一間距標準差以及第一間距差值平方和的均方根例如分別是眾多的QRS波之間的第一間距RR的平均值、標準差以及差值平方和的均方根。所述第二間距平均、第二間距標準差以及第二間距差值平方和的均方根例如分別為眾多QRS波自身的Q波與S波之間的第二間距QS的平均值、標準差以及差值平方和的均方根。在此，第一間距RR正常時限約為0.6~1.0秒，可以看出平均心率是否在合理範圍內。第二間距QS正常時限約為0.08~0.10秒，可以看出Q波與S波是否在合理範圍內。其餘標準差與均方根等皆是判斷心電圖訊號是否穩定的指標。
之後，在步驟S220中，處理器120將心電圖特徵輸入多個候選模型中，藉以獲得多個候選分數。在建立風險預測模型的過程中採用了機器學習模型以及深度學習模型兩種方法。並且，除了採用自前處理後的心電圖訊號中所萃取的心電圖特徵，還採用了基本特徵。基本特徵包括性別、年齡以及身高體重指數(Body Mass Index，BMI)、血壓值及抽菸指標至少其中一個。所述抽菸 指標代表病人是否有抽菸的習慣。在建立未來的風險預測模型，可分為兩個方式，即，機器學習模型與深度學習模型。底下舉例來說明。
圖6是依照本發明一實施例的機器學習模型的流程圖。在圖6中，採用支援向量機(Support Vector Machine，SVM)模型603-1、隨機森林(Random Forest，RF)模型603-2、極限梯度提升(eXtreme Gradient Boosting，XGBoost)模型603-3、多元適應性雲形回歸模型(Multivariate Adaptive Regression Splines，MARS)模型603-4以及最小絕對值收斂和選擇算子(Least Absolute Shrinkage and Selection Operator，LASSO)模型603-5等機器學習模型。自前處理後的心電圖訊號601中擷取心電圖特徵。之後，將基本特徵與心電圖特徵602輸入至所述各個機器學習模型(603-1~603-5)中，藉此獲得多個預測結果(候選分數)604。
在深度學習的方法中，與機器學習模型的方法較不同的地方為除了放入上述的基本特徵與心電圖特徵602外，還可直接將心電圖訊號的序列放入深度學習模型中，讓深度學習模型除了可學習到萃取出的心電圖特徵外，還能自動地從心電圖訊號中取出重要的訊號特徵。請參照圖7，將前處理後的心電圖訊號601放入一維度的卷積神經網絡(Convolutional Neural Network，CNN)模型701中，再放入長短期記憶模型(Long-Short Term Memory，LSTM)模型702中，以建立序列順序相關的特徵。接著，透過全連接層(full connected layer)703將與序列相關的特徵與基本特 徵和心電圖特徵602連接而獲得特徵序列704。之後，將特徵序列704輸入至深度神經網路(Deep Neural Networks，DNN)模型705，藉此獲得一個預測結果(候選分數)706。
返回圖2，在步驟S225中，處理器120將各候選分數與標準值進行比較，以所述候選分數中獲得理想分數。例如，計算每一個候選分數與標準值兩者間的平均絕對百分比誤差(Mean Absolute Percent Error，MAPE)，並且在所述平均絕對百分比誤差中取出最小者所對應的候選分數作為理想分數。所述標準值是透過現有的模型來獲得，例如比例風險模型。接著進行多次(例如10次)交叉驗證，以驗證模型穩定性後再選取MAPE較小的候選模型。另外，所述理想分數亦可以是經由多次計算的候選分數來決定。
之後，在步驟S230中，處理器120選擇與理想分數對應的一個候選模型作為風險預測模型，以透過風險預測模型來預測疾病風險。
綜上所述，本發明結合心電圖訊號並從中提取特徵，以預測心臟疾病風險，取代過去利用危險因子建立模型來預測，可讓人們省去到醫院接受檢查的時間，可以不受拘束的生活也能兼顧到身體健康。並且，可利用穿戴式裝置測量心電圖，即時監控心臟健康情形，並以所述方法來預測未來心臟疾病風險，以在預測到高風險的情況下，警示使用者提早治療。
S205~S230:分析心電圖訊號的方法各步驟

Claims (6)

  1. 一種分析心電圖訊號的方法，包括：透過一感測器測量一心電圖訊號；於該心電圖訊號中偵測一或多個指定波形，其中每一所述指定波形為QRS波，其包括Q波、R波以及S波，其中R波的振幅大於Q波與S波；計算相鄰兩個所述指定波形的R波之間的一第一間距平均、一第一間距標準差以及一第一間距差值平方和的均方根；計算每一所述指定波形的Q波與S波之間的一第二間距平均、一第二間距標準差以及一第二間距差值平方和的均方根；將該第一間距平均、該第一間距標準差、該第一間距差值平方和的均方根、該第二間距平均、該第二間距標準差以及該第二間距差值平方和的均方根作為多個心電圖特徵；將該些心電圖特徵輸入多個候選模型中，藉以獲得多個候選分數，其中每一該些候選模型為機器學習模型或深度學習模型；計算每一該些候選分數與一標準值兩者間的平均絕對百分比誤差，其中該標準值是透過一比例風險模型而獲得；在所述平均絕對百分比誤差中取出最小者所對應的該些候選分數的其中一個來作為一理想分數；以及選擇與該理想分數對應的一個所述候選模型作為一風險預測模型，以透過該風險預測模型來預測一疾病風險。
  2. 如請求項1所述的分析心電圖訊號的方法，其中 於該心電圖訊號中偵測所述指定波形之後，更包括：判斷每一所述指定波形的Q波與S波兩者的相對位置關係，是否與其他所述指定波形的Q波與S波兩者的相對位置關係相同，以在其中一個所述指定波形的Q波與S波兩者的相對位置與其他所述指定波形的Q波與S波兩者的相對位置不同時，判定該心電圖訊號為異常。
  3. 如請求項1所述的分析心電圖訊號的方法，其中將該些心電圖特徵輸入該些候選模型中，藉以獲得該些候選分數的步驟包括：將基本特徵與該些心電圖特徵輸入該些候選模型，其中基本特徵包括一性別、一年齡、一身高體重指數、一血壓值及抽菸指標至少其中一個。
  4. 如請求項1所述的分析心電圖訊號的方法，更包括：判斷該心電圖訊號中的訊號值是否超出一預設值；倘若該訊號值超出該預設值，判定該心電圖訊號已飽和；以及在判定該心電圖訊號已飽和的情況下，捨棄該心電圖訊號。
  5. 如請求項1所述的分析心電圖訊號的方法，更包括：將該心電圖訊號切割為多個訊號區段，以在每一所述訊號區段中偵測所述指定波形。
  6. 如請求項1所述的分析心電圖訊號的方法，其中透過該感測器測量該心電圖訊號的步驟包括： 對原始的心電圖訊號執行一前處理，包括：在判定原始的該心電圖訊號有遺失訊號時，使用一內插法來加入一或多個遺失值，而獲得一第一前處理訊號；將該第一前處理訊號調整為一固定長度，而獲得一第二前處理訊號；以及將該第二前處理訊號的位移移除後，執行一平滑處理來獲得前處理後的該心電圖訊號。
TW109112203A 2020-04-10 2020-04-10 分析心電圖訊號的方法 TWI784256B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109112203A TWI784256B (zh) 2020-04-10 2020-04-10 分析心電圖訊號的方法
US15/930,453 US20210315473A1 (en) 2020-04-10 2020-05-13 Method for analyzing electrocardiography signal
EP20176624.3A EP3892190A1 (en) 2020-04-10 2020-05-26 Method for analyzing electrocardiography signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109112203A TWI784256B (zh) 2020-04-10 2020-04-10 分析心電圖訊號的方法

Publications (2)

Publication Number Publication Date
TW202139210A TW202139210A (zh) 2021-10-16
TWI784256B true TWI784256B (zh) 2022-11-21

Family

ID=70861222

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109112203A TWI784256B (zh) 2020-04-10 2020-04-10 分析心電圖訊號的方法

Country Status (3)

Country Link
US (1) US20210315473A1 (zh)
EP (1) EP3892190A1 (zh)
TW (1) TWI784256B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102430779B1 (ko) * 2020-09-04 2022-08-09 주식회사 뷰노 질환 판단 방법
TWI790479B (zh) * 2020-09-17 2023-01-21 宏碁股份有限公司 生理狀態評估方法與生理狀態評估裝置
CN114366466B (zh) * 2021-12-10 2023-11-24 上海工程技术大学 一种集成健康信息监测与预测的代步护理机器人

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI578977B (zh) * 2011-04-07 2017-04-21 香港中文大學 視網膜圖像分析裝置
TWI663958B (zh) * 2017-12-28 2019-07-01 映泰股份有限公司 心電訊號警示裝置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8244338B2 (en) * 2003-11-26 2012-08-14 Angel Medical Systems, Inc. Cardiac event detection over varying time scale
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US9295397B2 (en) * 2013-06-14 2016-03-29 Massachusetts Institute Of Technology Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event
EP3204881B1 (en) * 2014-11-14 2021-05-26 Zoll Medical Corporation Medical premonitory event estimation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI578977B (zh) * 2011-04-07 2017-04-21 香港中文大學 視網膜圖像分析裝置
TWI663958B (zh) * 2017-12-28 2019-07-01 映泰股份有限公司 心電訊號警示裝置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DIVYA SHANMUGAM; DAVIS BLALOCK; JEN J. GONG; JOHN GUTTAG: "Multiple Instance Learning for ECG Risk Stratification", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 2 December 2018 (2018-12-02), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081626061 *
SUSHRAVYA RAGHUNATH; ALVARO E. ULLOA CERNA; LINYUAN JING; DAVID P. VANMAANEN; JOSHUA STOUGH; DUSTIN N. HARTZEL; JOSEPH B. LEADER; : "Deep neural networks can predict mortality from 12-lead electrocardiogram voltage data", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 15 April 2019 (2019-04-15), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081663347, DOI: 10.1038/s41591-020-0870-z *
網路文獻 Sushravya Raghunath et al: "Deep neural networks can predict mortality from 12-lead electrocardiogram voltage data", ARXIV.ORG,Cornell Univ. Library, 15, April 2019, XP081663347。

Also Published As

Publication number Publication date
US20210315473A1 (en) 2021-10-14
TW202139210A (zh) 2021-10-16
EP3892190A1 (en) 2021-10-13

Similar Documents

Publication Publication Date Title
Çınar et al. Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks
TWI784256B (zh) 分析心電圖訊號的方法
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
Acharya et al. Entropies for automated detection of coronary artery disease using ECG signals: A review
Acharya et al. Automated characterization of coronary artery disease, myocardial infarction, and congestive heart failure using contourlet and shearlet transforms of electrocardiogram signal
Jambukia et al. Classification of ECG signals using machine learning techniques: A survey
Narin et al. Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability
Chen et al. An automatic R and T peak detection method based on the combination of hierarchical clustering and discrete wavelet transform
Kumar et al. Ischemia detection using isoelectric energy function
JP2014512925A (ja) 信号の加算平均
KR20190066332A (ko) 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
CN110037668B (zh) 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统
US9549681B2 (en) Matrix-based patient signal analysis
Zhang et al. A novel encoding Lempel–Ziv complexity algorithm for quantifying the irregularity of physiological time series
WO2021164347A1 (zh) 一种对血压进行预测的方法和装置
Shen et al. Atrial fibrillation detection algorithm based on manual extraction features and automatic extraction features
Lee et al. A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices
Papadogiorgaki et al. Heart rate classification using ECG signal processing and machine learning methods
US20210007621A1 (en) Method to analyze cardiac rhythms using beat-to-beat display plots
Maji et al. Imposed target based modification of Taguchi method for feature optimisation with application in arrhythmia beat detection
KR101524596B1 (ko) Qrs 패턴을 이용한 pvc 분류 장치 및 방법, pvc 패턴 분류 방법, 그리고 원격 모니터링 장치
Hugeng et al. Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno
Yathish Early Detection of Cardiac Arrhythmia Disease using Machine Learning and IoT Technologies
CN113545787B (zh) 分析心电图信号的方法
Ghosal et al. Ecg beat quality assessment using self organizing map