CN104586383B - 一种心电波形分类方法及装置 - Google Patents
一种心电波形分类方法及装置 Download PDFInfo
- Publication number
- CN104586383B CN104586383B CN201510013389.8A CN201510013389A CN104586383B CN 104586383 B CN104586383 B CN 104586383B CN 201510013389 A CN201510013389 A CN 201510013389A CN 104586383 B CN104586383 B CN 104586383B
- Authority
- CN
- China
- Prior art keywords
- wave form
- ecg
- ecg wave
- waveform
- heartbeat
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 241001269238 Data Species 0.000 claims description 6
- 238000010030 laminating Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 25
- 230000008859 change Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000000718 qrs complex Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 206010042600 Supraventricular arrhythmias Diseases 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电波形分类方法及装置,涉及医疗分析软件领域,所述方法包括:对人体24小时的心电数据进行采集和存储;对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形;将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形;根据所述聚类形态波形的波形形态,对心电波形进行分类,得到不同类别的心电波形。本发明能够快速、准确地对心电波形进行分类。
Description
技术领域
本发明涉及医疗分析软件领域,特别涉及一种心电波形分类方法及相关的装置。
背景技术
在心脏的电信号功能检测设备中,对时间达到24小时的3导联或12导联等心电数据进行分析的软件,简称为HOLTER分析***。这类分析***首先利用硬件记录设备记录患者的24小时心电信号,然后将记录设备连接至计算机的USB接口,将记录设备内的3导联或12导联等的24小时数字心电信号回放至计算机的硬盘上,再利用在计算机上安装的专用于分析心电数据的软件,对24小时的数字心电信号分析并分类,这一过程需要将数据里的每一次心脏跳动的波形都准确标识出来,简称为QRS标记,然后根据所标识出来的QRS标记,将波形分类为N类(即正常窦性心搏),S类(即室上性心律失常心搏),V类(即室性心律失常心搏),F类(即干扰类心搏)。
进一步地,心脏一次完整的跳动所被标记出来的心电图,医学上以:P/QRS/T这一串字母来进行描述,如图1所示,P波代表心房的除极与复极,P波结束后一段平稳的直线称为“PR段”,“PR段”之后第一个向下的尖波称为Q波,回到直线位置后第二个向上的尖波称为R波,紧接着第三个回到直线以下的波称为S波,其中,将Q/R/S三个波统称为QRS波群,因为QRS波群代表心脏中两个心室的除极。S波回到直线位置会有一段平缓的线段,称为ST段,最后一个坡型波称为T波。但是有时在某些导联上所出现的波其中的QRS波群并不会出现三个波,而只有两个或一个波,如图2a所示,只有一个向上及一个向下的波形,称其为RS型,其心搏标签可标示在正向最高点R波的波峰位置;如图2b所示,一个向下及一个向上的波形,称其为QR型,其心搏标签标示在负向最高点Q波的波峰位置;如图2c所示,该波形只有一个向下的波,称其为QS型或S型,其心搏标签标示在负向最高点S波的波峰位置。
由于分析心电数据的软件仅能根据每个QRS波形的形态面积大小,与前后QRS波形的数据比例关系来判定该QRS波形是属于N类、S类、V类,还是F类。而实际应用中,很多V类心搏会由于数据比例关系并无明显提前而认作N类心搏,无法分类为V类,或者很多F类心搏(由于记录者剧烈运动造成的肌电干扰波形,其形态与室性心律或室上性心律很类似,而实际并无任何心脏活动的信号)被识别成N类,S类或V类里面去,造成计算机自动分析的结果与实际情况有很大误差,造成操作者必须手工将每个软件分类出的N类,V类及S类模板再次手工查看一遍,将其中误认的心搏重新归类到其正确的属性模板里。可见,软件分类准确率低,导致操作者工作量增大,效率降低等问题。
例如,R波识别算法判别出所有可能的的QRS波形后,再将形态类似、节律规整的波形判别为N类,如图3a所示。如果波形形态类似,而距前一波形的时间与之前两个正常的N类心搏的相邻时间有提前,并且提前的幅度达到正常时间(即之前两个正常N类波形之间的时间)的20%以上,则算法将其判别为S类,如图3b所示,它的提前幅度达到了(722-502)=220,再除以702,得出结果提前0.313即31.3%提前,故判别为S类。如果波形形态与正常的N类心搏有明显区别,QRS波形态变得比正常N类的QRS波形宽大及畸形,或矮小及畸形,并且与前一心搏的距离也提前达到10%以上,则将该类心搏判别为V类,如图3c所示。计算完毕后,由算法添加标识的12导联心电图如图3d所示。在图3d中能够看到大部分心搏都标识上了“N”这一标签,两个N类标签中间的两组数字,上方的“64”是心率数值,下方的是这两个N类心搏的相隔时间,其中有两个心搏被标识为“V”标签。在实际情况中,会出现由于病人肢体活动引起的肌电干扰,由于波形形态类似N类、S类或V类心搏,也被标识上了相应的标签,而这种错误的标识会引起算法对后续心搏属性判断的进一步错误。将原本的N类心搏错误地标识为S或V类心搏,图4a所示S类误判和图4b所示V类误判即为由肌电干扰引起的错误标识及之后受到其影响再出现的判定错误。图4a的第五个心搏标识S类,实际为肌电干扰所引起,算法将其识别为S类,同时将第六个正常的N类波形按照规则也判断为了S类,而正确的判定应该如图4c所示。图4b的第六个心搏标识V类,实际为肌电干扰所引起,算法将其识别为V类,同时R波识别算法又将其后的一个由肌电干扰产生的波形判别为V类,而正确的判定应该如图4d所示。
厂家为解决上述问题,也找出了很多办法解决该问题,例如在心搏模板的归类中,采用以波形形态相似程度来进行聚类,这样在一些数据分析中能解决问题,而由于动态心电图记录的是人体24小时的心电图变化,那么QRS波形的大小会随着人体***的不同发生变化,随之而来就是QRS波形电压高低的变化,同时在心电图中还存在形态直接发生改变而心搏属性实际为变化的情况,这种以QRS形态进行分类的办法就无法准确的分类并分析心搏属性了。
发明内容
本发明的目的在于提供一种心电波形分类方法及装置,能更好地解决现有技术对心电波形分类不准确的问题。
根据本发明的一个方面,提供了一种心电图波形分类方法,包括:
对人体24小时的心电数据进行采集和存储;
对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形;
将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形;
根据所述聚类形态波形的波形形态,对心电波形进行分类,得到不同类别的心电波形。
优选地,在所述对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形的步骤之前,还包括:
在多个导联中选取干扰最小的一个导联,并将所选取的干扰最小的导联作为分析导联,从而对所述分析导联采集的人体24小时的心电数据进行后续处理。
优选地,所述对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形的步骤包括:
利用R波识别算法,分析所述人体24小时的心电数据,得到24小时内每次心搏对应的心电波形。
优选地,在所述将所述每次心搏对应的心电波形移动至预设的纵向基准轴的步骤之前,还包括:
对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形;
对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
优选地,所述将所述每次心搏对应的心电波形移动至预设的纵向基准轴的步骤包括:
将每个点状心电波形移动至所述纵向基准轴,直至点状心电波形中的幅值最大的点移动至所述纵向基准轴。
优选地,所述预设的纵向基准轴是所有心电波形中幅值最大的点所在的纵轴。
优选地,所述根据所述聚类形态波形的波形形态,对心电波形进行分类的步骤包括:
在所述聚类形态波形中,将波形形态的相似度达到预设相似度阈值的心电波形分为同一类别。
根据本发明的另一方面,提供了一种心电图波形分类装置,包括:
获取模块,用于对人体24小时的心电数据进行采集和存储;
分析模块,用于对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形;
叠加模块,用于将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形;
分类模块,用于根据所述聚类形态波形的波形形态,对心电波形进行分类,得到不同类别的心电波形。
优选地,还包括:
选取模块,用于在多个导联中选取干扰最小的一个导联作为分析导联,以供后续对所述分析导联采集的人体24小时的心电数据进行处理。
优选地,还包括:
定位模块,用于对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形;
采样模块,用于对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
与现有技术相比较,本发明的有益效果在于:
本发明能够准确地对心电波形进行分类,降低了操作者的工作量,极大地提供了工作效率。
附图说明
图1是现有技术提供的一次正常心搏对应的心电波形示意图;
图2a是现有技术提供的RS型心电波形示意图;
图2b是现有技术提供的QR型心电波形示意图;
图2c是现有技术提供的QS型或S型心电波形示意图;
图3a是现有技术提供的N类心电波形示意图;
图3b是现有技术提供的S类心电波形示意图;
图3c是现有技术提供的V类心电波形示意图;
图3d是现有技术提供的已添加标识的12导联心电图;
图4a是现有技术提供的S类误判示意图;
图4b是现有技术提供的V类误判示意图;
图4c是现有技术提供的图4a对应的正确心电波形分类示意图;
图4d是现有技术提供的图4b对应的正确心电波形分类示意图;
图5a是本发明实施例提供的心电波形叠加后的形态图;
图5b是本发明实施例提供的分类后形成的心电波形的形态图;
图6是本发明实施例提供的第一心电波形分类原理框图;
图7是本发明实施例提供的第一心电波形分类装置框图;
图8是本发明实施例提供的第二心电波形分类原理框图;
图9是本发明实施例提供的第二心电波形分类装置框图;
图10是本发明实施例提供的心电波形叠加流程图;
图11是本发明实施例提供的未开始分析前的分析导联对应的心电图;
图12是现有技术提供的R波检测算法流程图;
图13是本发明实施例提供的V5导联波形叠加示意图;
图14是本发明实施例提供的I导联波形叠加示意图;
图15是对图14形成的叠加波形进行分类得到形态图;
图16是现有技术提供的线状心电波形示意图;
图17是本发明实施例提供的点状心电波形示意图;
图18是本发明实施例提供的1000个点状心电波形的叠加效果图;
图19是本发明实施例提供的变线为点的QRS波形示意图;
图20是本发明实施例提供的待二次分类的叠加波形形态图;
图21是本发明实施例提供的已二次分类的波形形态图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明能够对心电图进行二次波形分类分析,特别是能够对动态或常规心电图分析技术中复杂心律失常的QRS波形(即心电波形)数字信号进行重新分类,其通过对心脏电信号进行数字化图形处理,实现对心电波形快速分类及修改。原理是:将标识出的心电波形以点状图形显示(常见心电图都是以线条进行描计的图形),再以波形的R波为轴,将一个模板中所有心搏全部叠加在一起,这样就产生了聚类形态波群,操作者可以利用鼠标,拖拽出相应的分类区域,将波形在拖拽区域的波形都单独再次分类出去,每一个大模板可分类为最多6类小模板,只要操作者拖拽的区域是体现在形态上的波形属性不同的区域,那么就能够快速将混在大模板里的异常心搏及干扰心搏快速准确的分类出去,然后在软件内对6个分类小模板内的波形进行快速的属性修改操作,达到快速修改的目的,提高了对复杂心律失常病人的动态心电图编辑时的工作效率。如图5a所示,是在一个大模板中混杂有正常心搏,室性心搏及伪差心搏的叠加后的形态图。如图5b所示,是使用本发明快速分类后形成的波形形态图,其中最大面积的方块内波形均为N类心搏,下面五个小窗口中窗口1,2,5中均为室性心搏,窗口4中有少量为干扰心搏,少量为室性心搏,窗口3中均为N类心搏。这一操作仅需10秒左右完成,而这大模板内有2000多次心搏,修改属性的操作再有五秒就可完成所有波形属性的准确分类,大大的降低了工作量,提高了工作效率。
以下结合图6至图21对本发明进行进一步说明。
图6是本发明实施例提供的第一心电波形分类原理框图,如图6所示,包括:
步骤S101:对人体24小时的心电数据进行采集和存储。
具体地说,利用硬件记录设备记录患者的24小时心电数据,记录结束后,通过将硬件记录设备连接至计算机,将硬件记录设备内的24小时的心电数据存储至计算机的硬盘上,以供安装在计算机上的心电数据分析软件进行后续的分析及分类。
步骤S102:对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形。
具体地说,利用R波识别算法,分析所述人体24小时的心电数据,得到24小时内每次心搏对应的心电波形。
步骤S103:将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形。
例如,所有心电波形中幅值最大的点(R波的峰值点)所在的纵轴作为纵向基准轴,其它心电波形以该纵向基准轴为基准进行移动,直至其它心电波形中的幅值最大的点均移动至所述纵向基准轴,这样,一个模板中所有心搏对应的心电波形全部叠加在一起,形成聚类形态波形。
步骤S104:根据所述聚类形态波形的波形形态,对心电波形进行分类,得到不同类别的心电波形。
在所述聚类形态波形中,将波形形态与预设波形形态的相似度达到预设相似度阈值的心电波形分为同一类别。
图7是本发明实施例提供的第一心电波形分类装置框图,如图7所示,包括获取模块10、分析模块20、叠加模块30和分类模块40。其中:
获取模块10用于对人体24小时的心电数据进行采集和存储。
分析模块20用于对所述获取模块采集和存储的心电数据进行波形分析,得到24小时内每次心搏对应的心电波形。具体地说,分析模块20主要采用R波识别算法识别心电波形。
叠加模块30用于将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形。
分类模块40用于根据所述聚类形态波形的波形形态,对心电波形进行分类,得到不同类别的心电波形。
图8是本发明实施例提供的第二心电波形分类原理框图,如图8所示,步骤包括:
步骤S201:对人体24小时的心电数据进行采集和存储。
具体地说,硬件记录设备按照一定的采样率采集和记录患者的24小时心电数据,并在记录结束后,将24小时的心电数据发送至与其连接的计算机。
步骤S202:如果干扰波形与正常心电波形混杂在一起,将无法找到正常心搏的形态群,使心电波形分类变得十分困难。因此,本发明在多个导联中选取干扰最小的一个导联,并将所选取的干扰最小的导联作为分析导联,以供后续对所述分析导联采集的人体24小时的心电数据进行处理,以利于心电波形识别和分类。
步骤S203:利用R波识别算法,分析所述人体24小时的心电数据,得到24小时内每次心搏对应的心电波形。
步骤S204:对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形。
步骤S205:对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
目前,步骤S201中采集的心电数据在波形描计后,每个心电波形基本是以线条形式呈现出来的。这样,所有心电波形叠加后,由于数据点过多,难以发现叠加波形的差异。因此本步骤对每个已定位心电波形进行采样,以减少参与心电波形叠加的数据点,提高波形重新描计速度。
作为另一种实时方式,也可以改***件记录设备的采样率,这样,在心电波形二次分类期间,可以省去步骤S205,提高二次分类速度。
步骤S206:将所述每次心搏对应的心电波形移动至预设的纵向基准轴,并以所述纵向基准轴为基准进行叠加,形成聚类形态波形。
具体地说,将每个点状心电波形移动至所述纵向基准轴,直至点状心电波形中的幅值最大的点移动至所述纵向基准轴。
步骤S207:在所述聚类形态波形中,将波形形态的相似度达到预设相似度阈值的心电波形分为同一类别。
其中,所述预设的纵向基准轴是所有心电波形中幅值最大的点所在的纵轴。
图9是本发明实施例提供的第二心电波形分类装置框图,与图7所示实施例比较,进一步增加了选取模块50、定位模块60和采样模块70。其中:
选取模块50用于在多个导联中选取干扰最小的一个导联作为分析导联,以供后续对所述分析导联采集的人体24小时的心电数据进行处理。
定位模块60用于对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形。
采样模块70用于对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
受限于计算机GDI绘图效率,同时绘制高达几万次的心电波形需要大量时间。而本发明对24小时的由R波识别算法识别出来的六万至十五万次左右的心电数据进行描绘的重构,流程是,首先对24小时的心电数据进行QRS波形(即心电波形)识别,然后将识别出的QRS波形重新定位。再利用缓存绘图机制,将QRS波形重新描记,大幅提高大批量心电波的绘图速度,实现在一个窗口内显示几万次或几十次的心电波形,接着进行波形叠加图高速绘制,最后由操作人员通过绘制叠加后的波形进行精细的按照形态的再次分类,分类完成后对具体有异议的快速进行心搏属性编辑。具体流程如图10所示,步骤包括:
步骤S301:将硬件记录设备记录的波形文件导入缓存。
其中,所述波形文件包括24小时心电数据。
步骤S302:读取缓存的波形文件中的24小时心电数据。
步骤S303:对24小时心电数据进行QRS识别,判断是否已成功提取QRS信息点,若判断已成功提取QRS信息点,则执行步骤S304,否则执行步骤S302。
从患者的十二个导联心电图中挑选一个R波信号电压最高,干扰最少的导联作为分析导联,利用这个分析导联,计算最可能的QRS波形,如11是设置了一个分析导联,还未开始分析之前的心电图。
由R波识别算法将24小时心电数据计算完毕后,对所有R波识别算法认为是QRS波形的位置正上方添加对应的属性标签。其中,R波识别算法能识别的心搏属性分为:用来标识正常窦性心律的N类标签,用来标识室上性心律失常的S类标签,用来标识室性心律失常的V类红色标签,用来标识干扰伪差类心律的X类标签,每一个被识别并标识的心搏会有3类信息:1.心搏属性标识(N,S,V,X);2.距离前一个心搏的时间(单位为毫秒);3.心率(由距前一个心搏的时间换算为每分钟的心脏跳动速率,如距前一心搏时间为600毫秒(即为0.6秒),由60秒除以0.6秒,得出心跳速率为100bpm(次/分),意为100次/分钟)。
为了保证在进行DEMIX时心电波形有足够多的采样点进行叠加波形的描记,所以采集器所采集的心电信号频率为500赫兹,即每秒采集500个心电信号的特征点。而在动态心电信号中,记录有大量的噪声,包括了常见的电源工频干扰、基线漂移以及肌肉电活动产生的噪声,这里涉及了四点平均滤波器,其解析式如公式1所示
其中,x(n)为原始心电信号第n时刻所采样信号,y(n)为经滤波后第n时刻的数据。
其中,利用R波识别算法进行波形检测和识别的具体流程如图12所示,可以看出,算法主要包括:对心电图信号二阶差分最小值,最小值的化简,R波的精确定位以及检查门限的跟新等几大部分。具体地说,设原始心电信号经过四点滤波后为y(n),n=1,2…L,其中L为信号长度,对y(n)分别求一阶差分,二阶差分得出d(n),e(n),再对d(n),e(n)分别用公式1再做四点平滑移动处理,得到d1(n)和e1(n)。以(fs为采样率)的长度对e1(n)进行划分,求出每个区间的极小值,再求各极小值的平均值,以该值的一半作为e1(n)的极小值的门限,即:
同理,以(fs为采样率)的长度对y(n)进行划分,求出每个区间的极大值和极小值之差,再求各区间差值的平均值,以该值作为滤波信号的QRS幅度的门限值。即:
找出e1(n)<Th1的各个区间的极小值min(e1),设其数据点位置为Ime(i),i=1,2…M(M为局部最小值的个数),每个极小值在滤波信号y(n)中所对应的极大值为R’(i)。
R波识别算法判别出所有可能的QRS波形后,在进行波形分类。由于肌电干扰等干扰的存在,R波识别算法在波形分类过程中,存在图4a和图4b等误判的可能,因此需要进行二次分类,以提高分类的准确性和效率。
步骤S304:R点数据提取重定位。
对24小时的所有由R波识别算法计算出来的QRS波形中的R点进行波形提取重定位。
所述重定位的意义是,计算24小时心搏时如果是选择V5导联进行QRS计算,计算的结果即所有QRS波形标签的标识也是以V5导联实际图形进行的标识,这种标识会将V5导联上肌电干扰所引起的波形也判定进来,而实际情况是,在其他导联如II导联的同一时刻可能并没有这样的肌电干扰波形,那么再进行二次分类时就不能以混杂太多的肌电干扰波形的V5导联的数据进行分类。因此,就要重新提取同一时刻所有II导联的所谓R点信息来进行二次分类分析,这样能快速的将肌电干扰波形分离出去以便于修改或删除心搏属性(肌电干扰引起的错误标识应将标识删除,错误标识了心搏属性的应将其修改为正确的心搏属性标签),即是某一导联心电图中的正向或负向的最高点。
图13是本发明实施例提供的V5导联波形叠加示意图,如图13所示,该图是将V5导联的心电波形进行叠加得到的,由于干扰波形与正常心电波形混杂在一起,无法找到正常心搏的形态群,分类变得困难。也就是说,由于V5导联肌电干扰过多,叠加出得波形会比较复杂,让二次分类变得复杂。选取一个肌电干扰很少的导联,如I导联,以该导联的心电波形进行波形叠加,其效果如图14所示,图14中QRS波群明显,由于在这一导联未发生肌电干扰,使得不是QRS波形的也明显的聚合在一起,此时操作者可以很快将正常心搏挑选出去,分类效果图如图15所示,其中,1号和2号小框内是挑选出去的正确N类波形,上方的大框内的心搏标识都是识别错误的,可以利用快捷键等方式将错误标签批量删除,以达到修改的目的。
步骤S305:建立叠加缓冲区。
将分析出来的所有波形,通过R点重定位,拷贝进缓冲区,为了加快后续计算及波形描记的速度。这时每一个波形不再是以线条的方式来表现。
之前提到***硬件记录心电波形时的采样率为500赫兹,500赫兹的意义就是在1秒时间内,记录500个心电图的坐标点,图16是截取的一段2秒的心电图,其中,一个大格为200毫秒,五个大格为1秒,共10个大格为2秒,也就是采集到了1000个坐标点,最后当1000个点全描计出来后,点足够多就形成了线条,形成一条心电图曲线。图16中,最小时间单位是1个小格,长度为40毫秒,也就是说这40毫秒内就有25个坐标点,为了加快计算及波形描计的速度,每25个点按照一定时间间隔提取5个点,这样,1个心电波形就变成一条由坐标点形成的点状图形,如图17所示。当一个模板内叠加的心搏达到1000个时,就能够看到心电波形聚类后的形态,图18是1000个心搏叠加后的效果图。
如果以线条的模式进行叠加,叠加后的图形将是一团墨块,无法发现叠加后波形的差异及差别,因此,本发明通过把分类好的模板内的所有心电波形在波形描计时提取少至只有原来20%的信息点,如图19所示,通过减少聚合叠加在一起的心电波形的信息点,使叠加后的波形也容易形成形态类似的形态群,便于在叠加后的图形中找到与主波形的形态不符合的波形。此外,还能提升再次绘图的速度。
步骤S306:波形抽样数据重构。
将波形数据重新抽样,提高分辨率,便于后期编辑。将原有大小的波形放大适当倍数,以该导联QRS波群里绝对值的最高点即正向或负向的最高点为坐标轴,将一个模板内的所有波形以该轴为标准全部叠加在一起,让操作者观察到细微的或明显的形态差异,然后便于再次分类。
步骤S307:操作人员对绘制叠加后的波形进行形态的再次分类,分类完成后再快速进行心搏属性编辑。
如图20所示,利用鼠标拉拽出一个方框,操作者拉出方框,再点击1到5任意数字键,程序会将图形缓冲区内即大框内所有QRS波形的坐标点与方框框选范围坐标进行比较,将所有有坐标点在方框内的心搏按时间顺序放置进操作者所选择的五个小框内,完成心电波形的二次分类。操作者发现另外的差异,可再进行以上的拖拽选择再分类的操作,就可以将所有该叠加图中不同形态的波形进行分离。如图21所示,分离出三种不同形态的心电波形。
分类出来的1到6个分类框(根据使用者的屏幕分辨率的不同,***会自动调整下方的分类框数量,如操作者***分辨率只有1280×1024.则软件只出现4个分类框,如果达到1440×1080,则出现五个分类框,达到1600×1200,就是六个分类框),操作者可以利用批量选择或全部选择的操作,快速修改每一个不同的分类框中的QRS波形的属性,达到快速精确地二次分类修改的目的。
综上所述,本发明具有以下技术效果:
本发明实现了心电波形快速、高效的再分类的目的,可以将存在细微差距的心电波形快速准确的分离出来,无需逐个查看几万次心电波形,极大的提高了操作者的工作效率。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (9)
1.一种心电波形分类方法,其特征在于,包括:
对人体24小时的心电数据进行采集和存储;
对24小时采集和存储的心电数据进行波形分析,得到24小时内每次心搏对应的心电波形;
利用模板对24小时内每次心搏对应的所有心电波形进行分类,把分类好的模板内所有心电波形处理成用来以点状图形显示的点状心电波形;
把每个模板内所有所述点状心电波形都移动至预设的纵向基准轴,使每个模板内所有心搏对应的心电波形以所述纵向基准轴为基准全部叠加在一起,形成聚类形态波形;
在形成聚类形态波形后,根据所述叠加在一起形成的聚类形态波形的波形形态,对所述叠加在一起形成的聚类形态波形中的心搏对应的心电波形进行再次分类,分类完成后再快速进行心搏属性编辑,其包括:
利用鼠标拉拽出一个方框;
使程序将图形缓冲区内所有QRS波形的坐标点与方框框选范围坐标进行比较,将所有有坐标点在方框内的心搏按时间顺序放置进操作者所选择的小框内。
2.根据权利要求1所述的方法,其特征在于,在所述对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形的步骤之前,还包括:
在多个导联中选取干扰最小的一个导联,并将所选取的干扰最小的导联作为分析导联,从而对所述分析导联采集的人体24小时的心电数据进行后续处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述心电数据进行波形分析,得到24小时内每次心搏对应的心电波形的步骤包括:
利用R波识别算法,分析所述人体24小时的心电数据,得到24小时内每次心搏对应的心电波形。
4.根据权利要求1所述的方法,其特征在于,将所述每次心搏对应的心电波形处理成用来以点状图形显示的点状心电波形包括:
对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形;
对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
5.根据权利要求4所述的方法,其特征在于,将所述每次心搏对应的心电波形移动至预设的纵向基准轴的步骤包括:
将每个点状心电波形移动至所述纵向基准轴,直至点状心电波形中的幅值最大的点移动至所述纵向基准轴。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述预设的纵向基准轴是所有心电波形中幅值最大的点所在的纵轴。
7.一种心电波形分类装置,其特征在于,包括:
获取模块,用于对人体24小时的心电数据进行采集和存储;
分析模块,用于对24小时采集和存储的心电数据进行波形分析,得到24小时内每次心搏对应的心电波形;
对24小时内每次心搏对应的所有心电波形进行分类的模板;
叠加模块,用于把分类好的模板内所有心电波形处理成用来以点状图形显示的点状心电波形,并把每个模板内所有所述点状心电波形都移动至预设的纵向基准轴,使每个模板内所有心搏对应的心电波形以所述纵向基准轴为基准全部叠加在一起,形成聚类形态波形;
再分类模块,用于在形成聚类形态波形后,根据所述叠加在一起形成的聚类形态波形的波形形态,对所述叠加在一起形成的聚类形态波形中的心电波形进行再分类,以便分类完成后再快速进行心搏属性编辑,其包括:
利用鼠标拉拽出一个方框;
使程序将图形缓冲区内所有QRS波形的坐标点与方框框选范围坐标进行比较,将所有有坐标点在方框内的心搏按时间顺序放置进操作者所选择的小框内。
8.根据权利要求7所述的装置,其特征在于,还包括:
选取模块,用于在多个导联中选取干扰最小的一个导联作为分析导联,以供后续对所述分析导联采集的人体24小时的心电数据进行处理。
9.根据权利要求7所述的装置,其特征在于,还包括:
定位模块,用于对每个心电波形中的幅值最大的点进行定位,得到已定位心电波形;
采样模块,用于对每个已定位心电波形进行采样,得到由采样点组成的点状心电波形并缓存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013389.8A CN104586383B (zh) | 2015-01-12 | 2015-01-12 | 一种心电波形分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510013389.8A CN104586383B (zh) | 2015-01-12 | 2015-01-12 | 一种心电波形分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104586383A CN104586383A (zh) | 2015-05-06 |
CN104586383B true CN104586383B (zh) | 2018-04-24 |
Family
ID=53112686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510013389.8A Expired - Fee Related CN104586383B (zh) | 2015-01-12 | 2015-01-12 | 一种心电波形分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104586383B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866724A (zh) * | 2015-05-26 | 2015-08-26 | 北京海思敏医疗技术有限公司 | 基于图像的心电分析方法及装置 |
CN105902266A (zh) * | 2016-04-22 | 2016-08-31 | 江苏物联网研究发展中心 | 基于自组织神经网络的心电信号分类方法 |
CN105912879B (zh) * | 2016-06-03 | 2021-04-13 | 广州馨瑞艾特科技有限公司 | 一种胎心率曲线修正方法及其装置 |
EP3741299A4 (en) | 2018-01-18 | 2021-02-17 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd | REAL-TIME ARRHYTHMIA ANALYSIS PROCESS, ELECTROCARDIOGRAPH MONITORING DEVICE AND STORAGE SUPPORT |
CN108478214B (zh) * | 2018-01-29 | 2021-03-30 | 成都琅瑞医疗技术股份有限公司 | 一种用于心电数据分析的反混淆叠加方法及装置 |
CN109431487B (zh) * | 2018-09-28 | 2021-11-16 | 上海乐普云智科技股份有限公司 | 心电图动态实时分析数据中室性心搏典型数据的识别方法 |
CN110393520B (zh) * | 2018-11-16 | 2022-03-29 | 迪姆软件(北京)有限公司 | 一种心电数据分析方法及装置、心电分析仪、存储介质 |
CN109893119B (zh) * | 2019-03-24 | 2022-01-04 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109893124B (zh) * | 2019-03-24 | 2021-12-28 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的疑难心电图主波识别定位方法 |
CN111772627B (zh) * | 2019-04-04 | 2023-08-15 | 中山大学 | 一种在线胎儿心电信号提取装置及方法 |
CN110448295B (zh) * | 2019-07-05 | 2022-05-24 | 深圳邦健生物医疗设备股份有限公司 | 心电波形编辑显示方法、装置和计算机设备 |
CN110464333B (zh) * | 2019-07-23 | 2022-04-22 | 深圳邦健生物医疗设备股份有限公司 | 一种心电图数据的存储方法及装置 |
CN110403582B (zh) * | 2019-07-23 | 2021-12-03 | 宏人仁医医疗器械设备(东莞)有限公司 | 一种用于分析脉波波形品质的方法 |
CN110522441B (zh) * | 2019-08-01 | 2022-03-08 | 北京今科医疗科技有限公司 | 一种心电数据处理方法及装置 |
CN110720912B (zh) * | 2019-10-12 | 2022-04-26 | 宁波工程学院 | 一种基于波形相关性的肌肉运动单元提取方法 |
CN111419212A (zh) * | 2020-02-27 | 2020-07-17 | 平安科技(深圳)有限公司 | 心电图数据处理的方法、装置、存储介质及计算机设备 |
CN113712568B (zh) * | 2020-05-12 | 2024-02-09 | 深圳市科瑞康实业有限公司 | 一种心电信号数据的分类方法和装置 |
CN113712525B (zh) * | 2020-05-21 | 2024-07-12 | 深圳市理邦精密仪器股份有限公司 | 一种生理参数处理方法、装置及医疗设备 |
CN112353400A (zh) * | 2020-10-26 | 2021-02-12 | 武汉联影智融医疗科技有限公司 | 心拍分类方法、装置、计算机设备和存储介质 |
CN112244859A (zh) * | 2020-11-03 | 2021-01-22 | 北京嘉和美康信息技术有限公司 | 一种心电图波形显示的方法和相关装置 |
CN112494044B (zh) * | 2020-11-09 | 2024-06-14 | 沈阳东软智能医疗科技研究院有限公司 | 疲劳驾驶检测方法、装置、可读存储介质及电子设备 |
CN113080995B (zh) * | 2021-03-17 | 2024-02-02 | 深圳邦健生物医疗设备股份有限公司 | 心动过速属性的识别方法、装置、设备和介质 |
CN113712569B (zh) * | 2021-11-01 | 2022-02-08 | 毕胜普生物科技有限公司 | 高频qrs波群数据分析方法及装置 |
CN114742114B (zh) * | 2022-06-09 | 2022-10-21 | 毕胜普生物科技有限公司 | 高频qrs波形曲线分析方法、装置、计算机设备与存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101843480B (zh) * | 2009-03-27 | 2013-04-24 | 华为技术有限公司 | 处理生物电信号的装置 |
CN101972144A (zh) * | 2010-10-19 | 2011-02-16 | 高杰 | 一种心率失常的心电图记录分析方法 |
CN105163654B (zh) * | 2013-03-14 | 2018-03-30 | 美敦力公司 | 用于心脏感测和事件检测的搏动形态匹配方案 |
-
2015
- 2015-01-12 CN CN201510013389.8A patent/CN104586383B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104586383A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104586383B (zh) | 一种心电波形分类方法及装置 | |
CN105411567B (zh) | 一种心电图数据分析方法及*** | |
US10959660B2 (en) | Electrocardiogram processing system for delineation and classification | |
CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
CN104783782B (zh) | 心电信号自动检测方法及装置 | |
EP2224346B1 (en) | Ecg signal analysis tool | |
CN109063552A (zh) | 一种多导联心电信号分类方法和*** | |
CN108784680A (zh) | 基于散点图的心电图智能分析方法及*** | |
CN101828918B (zh) | 基于波形特征匹配的心电信号r波峰检测方法 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及*** | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别***及方法 | |
CN104834921B (zh) | 心电正/异常大数据处理方法及装置 | |
CN103815897A (zh) | 一种心电图特征提取方法 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN112971800B (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
CN105877739A (zh) | 一种心电智能分析***的临床检验方法 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
CN109567869B (zh) | 一种处理胎心率曲线上加速活动的方法及*** | |
CN107909048A (zh) | 一种基于s变换的心律失常多分类方法 | |
CN110811608A (zh) | 一种基于ecg信号的房颤监测方法 | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及*** | |
KR102585080B1 (ko) | 심전도 파형을 분류하기 위한 어노테이션 툴 제공장치 | |
KR102483854B1 (ko) | 심전도 파형 클러스터링 방법 및 장치 | |
Purnawirawan et al. | Classification of P-wave Morphology Using New Local Distance Transform and Random Forests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Lu Xilie Inventor after: Ma Qiyuan Inventor before: Lu Xilie |
|
COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: LU XILIE TO: LU XILIE MA QIYUAN |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180424 |