CN104834921A - 心电正/异常大数据处理方法及装置 - Google Patents
心电正/异常大数据处理方法及装置 Download PDFInfo
- Publication number
- CN104834921A CN104834921A CN201510268861.2A CN201510268861A CN104834921A CN 104834921 A CN104834921 A CN 104834921A CN 201510268861 A CN201510268861 A CN 201510268861A CN 104834921 A CN104834921 A CN 104834921A
- Authority
- CN
- China
- Prior art keywords
- data
- ecg
- electrocardiogram
- wave
- sorted
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (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正/异常大数据处理方法及装置,该方法包括正常心电数据库以及下述步骤:S1、按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;S2、提取所述待分类心电数据的指标数据;S3、根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;S4、计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果。该装置包括正常心电数据库以及用于实现上述步骤的多个模块。本发明能够通过计算机对未诊断的心电图进行可靠地归类筛查,避免假阴性。
Description
技术领域
本发明涉及模式识别、大数据分析、医学信号处理领域,具体是一种心电正/异常大数据处理方法及装置。
背景技术
心电图是临床常用的一项检查,通过记录心脏每一周期电活动的情况,可以帮助诊断心律失常、心急缺血、心肌梗塞、房室肥大、传导阻滞、早搏等异常,还可用于判断电解质及药物对心脏的影响等。
目前,心电筛查的普及,很大程度上受限于能够读懂心电图的心内科医生数量。于是许多研究机构致力于心电自动诊断***的研发。国内外针对计算机实现心电自动分类,采用了很多种研究方法,如人工神经网络、模糊聚类、逻辑判别树、模板匹配……,对心电分类时,有的根据不同的疾病将异常心电分为多个种类;有的针对某种特定异常(如室性早搏)对其进行分类。尚未有一种较成熟的方法,通过识别出心电图异常与否来支持心电筛查。
发明内容
本发明的目的是提供一种心电正/异常大数据处理方法及装置,使得能够通过计算机对未诊断的心电图(待分类心电数据)进行可靠地归类筛查,避免假阴性(异常心电判断为正常心电),从而使医生只需要对判断为异常的进行再诊断,减少医生的工作量。
本发明的具体技术方案为:
一种心电正/异常大数据处理方法,该处理方法包括正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;该处理方法包括以下步骤:
S1、按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;
S2、提取所述待分类心电数据的指标数据;
S3、根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;以及
S4、计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果;
所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期中的至少一种。
在上述的心电正/异常大数据处理方法中,优选地,所述正常心电数据库中,每条心电数据对应每个心拍包括多段波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点;所述步骤S4包括以下步骤:
S41、将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度;
S42、从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度;
S43、循环执行所述步骤S41和S42,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度;以及
S44、循环执行所述步骤S41、S42、S43,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。
在上述的心电正/异常大数据处理方法中,优选地,该处理方法还包括在分段和指标提取前将待分类心电数据进行预处理的步骤。
在上述的心电正/异常大数据处理方法中,优选地,所述步骤S4输出的比较结果包括:正常心电数据或异常心电数据,当输出的比较结果为异常心电数据时,输出的比较结果还包括存在异常的周期,所述存在异常的周期是指在所述待分类心电数据的若干拍波形数据中,与所述数据库存储的各条心电数据中相应心拍的波形数据的相似度均大于所述相似度阈值的波形数据对应的心拍周期。
在上述的心电正/异常大数据处理方法中,优选地,所述步骤S4中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。
一种心电正/异常大数据处理装置,该处理装置包括:
正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;
分段模块,用于按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;
指标提取模块,用于提取所述待分类心电数据的指标数据;
指标匹配模块,用于根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;以及
波形匹配模块,用于计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果;
所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期中的至少一种。
在上述的心电正/异常大数据处理装置中,优选地,所述正常心电数据库中,每条心电数据对应每个心拍包括多段波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点;所述波形匹配模块包括:
第一模块,用于将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度;
第二模块,用于从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度;
第三模块,用于循环调用所述第一模块和第二模块,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度;以及
第四模块,用于循环调用所述第一模块、第二模块和第三模块,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。
在上述的心电正/异常大数据处理装置中,优选地,该处理装置还包括预处理模块,用于在分段和指标提取前将待分类心电数据进行预处理。
在上述的心电正/异常大数据处理装置中,优选地,所述波形匹配模块输出的比较结果包括:正常心电数据或异常心电数据,当输出的比较结果为异常心电数据时,输出的比较结果还包括存在异常的周期,所述存在异常的周期是指在所述待分类心电数据的若干拍波形数据中,与所述数据库存储的各条心电数据中相应心拍的波形数据的相似度均大于所述相似度阈值的波形数据对应的心拍周期。
在上述的心电正/异常大数据处理装置中,优选地,所述波形匹配模块中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。
本发明通过对正常心电数据库的规律挖掘和分析,基于特征和波形的匹配算法实现心电数据分类,能够可靠地识别正常心电数据,避免出现假阴性(异常心电判断为正常心电),因此,能够辅助医生进行心电筛查,医生只需要对判断为异常的进行再诊断,从而能够大大减少医生的工作量。
附图说明
图1为本发明心电正/异常大数据处理方法一些实施例的流程图;
图2-图6为从待分类心电数据分割到的一拍波形与数据库存储的一条心电数据中相应心拍的五段波形的匹配情况。
具体实施方式
下面结合附图和实施例对本发明进一步说明。这些更详细的描述旨在帮助理解本发明,而不应被用于限制本发明。根据本发明公开的内容,本领域技术人员明白,可以不需要一些或者所有这些特定细节即可实施本发明。而在其它情况下,为了避免将发明创造淡化,未详细描述众所周知的操作过程。
如图1所示,一些实施例的心电正/异常大数据处理方法包括正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;其中,所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期。
通常来说,可以通过对上万条正常心电数据的收集和整理,来建立正常心电数据库,用于对正常心电数据规律的总结和分析。正常心电数据库具体建立过程如下:
步骤S100、通过峰值检测方法将每条正常心电数据的每个周期截取出来(即正常心电数据按心拍分段)。假设在一条数据中,某一周期截取的数据点为第k点~第k+N点,则将第k点~第k+N点、第k-2点~第k+N-2点、第k-1点~第k+N-1、第k+1点~第k+N+1点、第k+2点~第k+N+2点五段数据都分别存入数据库中,存入之前通过插值等方法将截取的每段做长度归一化,并且对不同段数据的幅度做归一化。由上可见,每条心电数据对应每个心拍包括多段(本例中为五段)波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点。
步骤S200、将每条正常心电数据的QRS波段长度、PR间期、QT间期、RR间期等指标存入数据库中。
一些实施例的心电正/异常大数据处理方法包括以下步骤:
步骤S1、按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据。具体地,可以根据QRS波群识别的结果,对每拍波形进行分割。分割时可以采用双阈值等方法,确定每周期分割起点和终点。假设从待分类心电数据分割到的一拍波形数据(某一周期数据)为a={a1,a2,...,an},为了使之与数据库中每段波形数据长度一致,对其进行插值等操作,处理后的数据为
步骤S2、提取所述待分类心电数据的指标数据。所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期。
步骤S3、根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果。即,首先通过指标匹配,对所述待分类心电数据的正常与否做出初步判断。具体地,可以根据数据库中正常心电数据的QRS波段长度、PR间期、QT间期、RR间期等指标范围、均值、方差,确定置信区间,用于对待检测心电数据的正常与否做出初步判断。
步骤S4、计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果。即波形匹配步骤。
波形匹配步骤中主要通过比较未诊断心电图(待分类心电数据)的波形与已知正常心电的相似度,对其正常与否做出判断。
考虑到相似度分析与被比较的两条波形的相对位置密切相关,所以在进行相似度计算时,同时计算两波形峰值对齐时和峰值相对位置移动若干数据点时得到的多个相似度,从中取最小值作为这两条波形最终的相似度。因此,所述步骤S4最好包括以下步骤:
S41、将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度。具体地,可表示为以下公式
其中,表示从所述待分类心电数据分割到的一拍波形数据,bi,j,k,w表示数据库中存储的第i条心电数据中第j个周期(心拍)的多段波形数据,p=1,2,...,N,k=1,2,...,N表示波形数据的长度,w=1,2,...,5表示多段波形数据的段数,具体对应每一周期(设起始点为第k点)存入数据库中的5段数据(k-2~k+N-2点、k-1点~k+N-1、k~k+N点、k+1~k+N+1点、k+2点~k+N+2点)。
由上可见,本实施例中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。但本发明并不限于此,例如还可以对各差值取绝对值后求均值,将该均值作为该两段波形数据的相似度,也可以采用其它类似方法。
图2-图6中示出了从待分类心电数据分割到的一拍波形1与数据库存储的一条心电数据中相应心拍的五段波形2、3、4、5、6的匹配情况。
S42、从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度。可表示为以下公式
S43、循环执行所述步骤S41和S42,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度。即,在上述公式中遍历i,j。将计算的相似度Δi,j与相似度阈值θ比较,当存在Δi,j>θ时,判断该段波形为一个正常心电周期,其中相似度阈值θ可以根据经验值设定。
S44、循环执行所述步骤S41、S42、S43,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。若所有段的相似度均小于相似度阈值θ,则,波形匹配输出结果为该心电数据为正常心电数据,否则输出该心电数据为异常心电数据,并输出存在异常的周期。
当上述指标匹配和波形匹配结果都为正常时,判断该待分类心电数据为正常,否则为异常。
进一步地,在一些实施例中,还包括在分段和指标提取前将待分类心电数据进行预处理的步骤S1’。这些预处理可以包括:通过基本心电指标快速分类,如当心率异常时,直接判断心电数据异常;对于基本心电指标正常的心电图,若基线漂移或噪声严重,对其通过滤波等方式进行去噪处理。
特别指出,本发明中步骤的序号仅是为了方便说明,并不代表特定的顺序关系,例如,在述方法中步骤S1、S2、S3、S4并非一定要按该排列顺序执行,步骤S1和S2的顺序可以对调,步骤S1也可以放在步骤S3后面,等等。
与上述一些实施例心电正/异常大数据处理方法对应的心电正/异常大数据处理装置,包括:
正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;
分段模块,用于按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;
指标提取模块,用于提取所述待分类心电数据的指标数据;
指标匹配模块,用于根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;以及
波形匹配模块,用于计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果;
所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期中的至少一种。
所述正常心电数据库中,每条心电数据对应每个心拍包括多段波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点;所述波形匹配模块包括:
第一模块,用于将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度;
第二模块,用于从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度;
第三模块,用于循环调用所述第一模块和第二模块,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度;以及
第四模块,用于循环调用所述第一模块、第二模块和第三模块,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。
该处理装置还包括预处理模块,用于在分段和指标提取前将待分类心电数据进行预处理。
所述波形匹配模块输出的比较结果包括:正常心电数据或异常心电数据,当输出的比较结果为异常心电数据时,输出的比较结果还包括存在异常的周期,所述存在异常的周期是指在所述待分类心电数据的若干拍波形数据中,与所述数据库存储的各条心电数据中相应心拍的波形数据的相似度均大于所述相似度阈值的波形数据对应的心拍周期。
所述波形匹配模块中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。
在上述实施例中,通过对正常心电数据库的规律挖掘和分析,基于特征和波形的匹配算法实现心电数据分类,能够可靠地识别正常心电数据,避免假阴性的出现。因此,可以辅助医生对大量心电数据进行诊断,即在医生对大量心电数据进行诊断前,首先使用计算机通过上述方法或装置进行自动筛查,医生只需对筛查出的异常心电数据进行诊断。
Claims (10)
1.一种心电正/异常大数据处理方法,其特征在于,该处理方法包括正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;该处理方法包括以下步骤:
S1、按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;
S2、提取所述待分类心电数据的指标数据;
S3、根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;以及
S4、计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果;
所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期中的至少一种。
2.根据权利要求1所述的心电正/异常大数据处理方法,其特征在于,
所述正常心电数据库中,每条心电数据对应每个心拍包括多段波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点;
所述步骤S4包括以下步骤:
S41、将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度;
S42、从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度;
S43、循环执行所述步骤S41和S42,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度;以及
S44、循环执行所述步骤S41、S42、S43,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。
3.根据权利要求1所述的心电正/异常大数据处理方法,其特征在于,该处理方法还包括在分段和指标提取前将待分类心电数据进行预处理的步骤。
4.根据权利要求1所述的心电正/异常大数据处理方法,其特征在于,所述步骤S4输出的比较结果包括:正常心电数据或异常心电数据,当输出的比较结果为异常心电数据时,输出的比较结果还包括存在异常的周期,所述存在异常的周期是指在所述待分类心电数据的若干拍波形数据中,与所述数据库存储的各条心电数据中相应心拍的波形数据的相似度均大于所述相似度阈值的波形数据对应的心拍周期。
5.根据权利要求1所述的心电正/异常大数据处理方法,其特征在于,所述步骤S4中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。
6.一种心电正/异常大数据处理装置,其特征在于,该处理装置包括:
正常心电数据库,该数据库存储有尽可能多的正常心电数据,每条正常心电数据包括指标数据和按心拍对心电数据分段获得的若干拍波形数据;
分段模块,用于按心拍将待分类心电数据分割,然后分别对长度和幅度做归一化处理,形成若干拍波形数据;
指标提取模块,用于提取所述待分类心电数据的指标数据;
指标匹配模块,用于根据所述数据库存储的指标数据确定置信区间,以及将提取到的待分类心电数据的指标数据与所述置信区间比较,输出比较结果;以及
波形匹配模块,用于计算从待分类心电数据分割到的若干拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度,与相似度阈值比较输出比较结果;
所述指标数据包括QRS波段长度、PR间期、QT间期和RR间期中的至少一种。
7.根据权利要求6所述的心电正/异常大数据处理装置,其特征在于,
所述正常心电数据库中,每条心电数据对应每个心拍包括多段波形数据,所述多段波形数据长度相等,绝大部分重叠,所述多段波形数据的中心位置分别位于波形峰值处及该波形峰值的前后相互之间仅相差若干数据点;
所述波形匹配模块包括:
第一模块,用于将从所述待分类心电数据分割到的一拍波形数据分别与所述数据库存储的一条心电数据中相应心拍的所述多段波形数据计算,获得相对于所述多段波形数据的多个相似度;
第二模块,用于从获得的相对于所述多段波形数据的多个相似度中选取最小值,作为从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的所述一条心电数据中相应心拍的波形数据的相似度;
第三模块,用于循环调用所述第一模块和第二模块,计算从所述待分类心电数据分割到的所述一拍波形数据与所述数据库存储的其它心电数据中相应心拍的波形数据的相似度;以及
第四模块,用于循环调用所述第一模块、第二模块和第三模块,获取从所述待分类心电数据分割到的其它拍波形数据与所述数据库存储的心电数据中相应心拍的波形数据的相似度。
8.根据权利要求6所述的心电正/异常大数据处理装置,其特征在于,该处理装置还包括预处理模块,用于在分段和指标提取前将待分类心电数据进行预处理。
9.根据权利要求6所述的心电正/异常大数据处理装置,其特征在于,所述波形匹配模块输出的比较结果包括:正常心电数据或异常心电数据,当输出的比较结果为异常心电数据时,输出的比较结果还包括存在异常的周期,所述存在异常的周期是指在所述待分类心电数据的若干拍波形数据中,与所述数据库存储的各条心电数据中相应心拍的波形数据的相似度均大于所述相似度阈值的波形数据对应的心拍周期。
10.根据权利要求6所述的心电正/异常大数据处理装置,其特征在于,所述波形匹配模块中,相似度计算包括:将待比较的两段波形数据的对应点一一求差值;以及对各差值取绝对值后求和值,将该和值作为该两段波形数据的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268861.2A CN104834921B (zh) | 2015-05-22 | 2015-05-22 | 心电正/异常大数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268861.2A CN104834921B (zh) | 2015-05-22 | 2015-05-22 | 心电正/异常大数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834921A true CN104834921A (zh) | 2015-08-12 |
CN104834921B CN104834921B (zh) | 2018-01-16 |
Family
ID=53812799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510268861.2A Expired - Fee Related CN104834921B (zh) | 2015-05-22 | 2015-05-22 | 心电正/异常大数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834921B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108227930A (zh) * | 2018-01-18 | 2018-06-29 | 四川斐讯信息技术有限公司 | 一种可穿戴设备的手势控制方法及可穿戴设备 |
WO2018166136A1 (zh) * | 2017-03-14 | 2018-09-20 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN108903956A (zh) * | 2018-05-22 | 2018-11-30 | 上海掌门科技有限公司 | 测谎设备及方法 |
CN109754877A (zh) * | 2018-01-23 | 2019-05-14 | 上海移视网络科技有限公司 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别*** |
WO2020031105A3 (en) * | 2018-08-07 | 2020-06-11 | Goldtech Sino Ltd | Noninvasive systems and methods for continuous hemodynamic monitoring |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN113576422A (zh) * | 2021-10-08 | 2021-11-02 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、***及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073917A1 (en) * | 2001-10-12 | 2003-04-17 | Neuropace, Inc. | Patient-specific parameter selection for neurological event detection |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别*** |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN104473633A (zh) * | 2014-12-31 | 2015-04-01 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN104523265A (zh) * | 2014-12-31 | 2015-04-22 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
-
2015
- 2015-05-22 CN CN201510268861.2A patent/CN104834921B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030073917A1 (en) * | 2001-10-12 | 2003-04-17 | Neuropace, Inc. | Patient-specific parameter selection for neurological event detection |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别*** |
CN104102915A (zh) * | 2014-07-01 | 2014-10-15 | 清华大学深圳研究生院 | 一种心电异常状态下基于ecg多模板匹配的身份识别方法 |
CN104473633A (zh) * | 2014-12-31 | 2015-04-01 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN104523265A (zh) * | 2014-12-31 | 2015-04-22 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
Non-Patent Citations (1)
Title |
---|
聂桥桥: "智能处理在ECG检测中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11321561B2 (en) | 2017-03-14 | 2022-05-03 | Huawei Technologies Co., Ltd. | Electrocardiogram waveform signal processing method and apparatus |
WO2018166136A1 (zh) * | 2017-03-14 | 2018-09-20 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN108701219A (zh) * | 2017-03-14 | 2018-10-23 | 华为技术有限公司 | 波形信号处理的方法及装置 |
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108090509B (zh) * | 2017-12-13 | 2021-10-08 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108227930A (zh) * | 2018-01-18 | 2018-06-29 | 四川斐讯信息技术有限公司 | 一种可穿戴设备的手势控制方法及可穿戴设备 |
CN109754877A (zh) * | 2018-01-23 | 2019-05-14 | 上海移视网络科技有限公司 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别*** |
CN109754877B (zh) * | 2018-01-23 | 2023-12-22 | 上海移视网络科技有限公司 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别*** |
CN108903956A (zh) * | 2018-05-22 | 2018-11-30 | 上海掌门科技有限公司 | 测谎设备及方法 |
WO2020031105A3 (en) * | 2018-08-07 | 2020-06-11 | Goldtech Sino Ltd | Noninvasive systems and methods for continuous hemodynamic monitoring |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
CN113576422B (zh) * | 2021-10-08 | 2021-12-24 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、***及设备 |
CN113576422A (zh) * | 2021-10-08 | 2021-11-02 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104834921B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834921A (zh) | 心电正/异常大数据处理方法及装置 | |
CN103110417B (zh) | 一种心电图自动识别*** | |
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Andreotti et al. | Comparing feature-based classifiers and convolutional neural networks to detect arrhythmia from short segments of ECG | |
Yang et al. | Arrhythmia recognition and classification using combined parametric and visual pattern features of ECG morphology | |
CN102835954B (zh) | 一种心拍波形模板生成方法及模块 | |
US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
Ye et al. | Combining general multi-class and specific two-class classifiers for improved customized ECG heartbeat classification | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
Kaya et al. | Feature selection using genetic algorithms for premature ventricular contraction classification | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别***及方法 | |
CN109276242A (zh) | 心电信号类型识别的方法和装置 | |
CN110522442B (zh) | 多导联心电异常检测装置、电子设备和存储介质 | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN112022141B (zh) | 一种心电信号类别检测方法、装置及存储介质 | |
CN112528783A (zh) | 心电图心搏数据聚类方法、装置、电子设备和介质 | |
Sharma et al. | Novel T-wave detection technique with minimal processing and RR-interval based enhanced efficiency | |
CN115486855A (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
Rajput et al. | On arrhythmia detection by deep learning and multidimensional representation | |
Zhang et al. | A deep Bayesian neural network for cardiac arrhythmia classification with rejection from ECG recordings | |
Srinivas et al. | Adaptive learning based heartbeat classification | |
Lamba et al. | A survey of algorithms for feature extraction and feature classification methods | |
Ji et al. | Heartbeat Classification Based on Multifeature Combination and Stacking‐DWKNN Algorithm | |
Zhu et al. | Two-stage detection method of supraventricular and ventricular ectopic beats based on sequential artificial features and heartbeats | |
Mao et al. | Automated detection of first-degree atrioventricular block using ECGs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 Termination date: 20210522 |
|
CF01 | Termination of patent right due to non-payment of annual fee |