CN107358196B - 一种心搏类型的分类方法、装置及心电仪 - Google Patents
一种心搏类型的分类方法、装置及心电仪 Download PDFInfo
- Publication number
- CN107358196B CN107358196B CN201710564424.4A CN201710564424A CN107358196B CN 107358196 B CN107358196 B CN 107358196B CN 201710564424 A CN201710564424 A CN 201710564424A CN 107358196 B CN107358196 B CN 107358196B
- Authority
- CN
- China
- Prior art keywords
- heart beat
- electrocardiosignals
- waveform
- heartbeat
- template
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
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搏类型的分类方法、装置及心电仪,属于医疗器械领域。本方法包括:从心电信号中提取了心搏波形特征参数的同时又提取心搏与模板心搏的匹配度特征参数,通过决策树分类器进行分析,从而得到测量心搏的类型分析结果。本发明方法提取的特征向量更能表现心电信号的差异,弥补了单一使用波形分析法或模板分析法的不足,本发明还包括具有该方法的心电仪。本发明提取特征向量算法简单易于实现,运算速度快,而且分类准确率高,适用于可穿戴的心电实时监护自动分析诊断***。
Description
技术领域
本发明涉及医疗器械技术领域,特别涉及一种心搏类型分类方法、装置及心电仪。
背景技术
在全世界范围内,心血管疾病仍然是死亡的主要原因。人体心电图信号记录的是心脏细胞除极和复极过程,反映出了心脏电兴奋的产生和传导过程,在一定程度上,能客观反映心脏各部位的生理状况,为心脏疾病的诊断、心脏功能的评价提供了重要依据。在现代医学中,心电信号(ECG)的自动检测和分析对于心血管疾病的分析和诊断有着十分重要的意义,更是众多具有自动分析诊断功能的心电监护设备的核心组成部分。因此,基于心电图的自动检测与分析方法得到了广泛的研究。
目前已经存在的心搏类型的分类方法都存在一定的差异性,有根据心电图中的特征波形来进行分析,主要选取的特征波形参数有:QRS复合波宽度,波形幅值、波形间期、波形形态方向等,这些特征波形参数与预先设定的固定的判断阈值对比,根据与阈值的对比结果判断相应的心搏类型,如:窦性心搏、室性早搏、房性心搏等,然而此类方法选取固定的阈值作为判断依据,阈值的选取对临床经验以及分析经验的依赖性较大,且普适性不充分,阈值的有效选取比较困难,而且对差异不明显的心搏类型不能有效判别。
发明内容
本发明的目的是克服上述的缺点,一方面本发明提供一种心搏类型的分类方法,能够提高分类的准确性,有利于心搏类型的判断,为临床提供科学的诊断依据,第二方面本发明提供一种心搏类型分析方法的装置,该装置具有承载上述心搏类型分析方法的装置以及存贮器和处理器,为该方法提供有效的载体,使其能够为更加准确的对心搏类型进行有效的分析,第三方面本发明提供了一种心电仪,一种具有上述心搏类型分类方法的心电仪,使患者能够使用该心电仪随时检测自己的心电信号,坐在家里便可随时监测心电信号的变化,如发现心电信号异常便可及时去医院治疗,起到了预防心梗、冠心病、心功能衰竭等疾病猝发的作用。
本发明实施例提供了一种心搏类型的分类方法、装置及心电仪。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本发明第一方面,提供了一种心搏类型的分类方法,包括以下步骤:
对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号;
对滤波心电信号进行心搏定位得到定位心电信号,提取定位心电信号的心搏的波形特征参数;
对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;
将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;
将提取的定位心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
将待检测的心电信号对应的归一心电信号的心搏的波形特征参数和对应的匹配度特征参数作为心搏的特征向量输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果。
通过上述方法,尤其是增加了匹配度特征参数,使得该分类方法更加的准确。
优选的,所述已知类型的心电信号包括:正常窦性心搏的心电信号、室上性早搏的心电信号、室性早搏的心电信号、其他未分类心搏心电信号。
优选的,对输入的心电信号进行预处理得到滤波心电信号,所述预处理是通过滤波的方式进行预处理,通过低通滤波方式去除心电信号中的肌电干扰;通过高通滤波方式去除基线漂移以及工频滤波去除工频干扰。
优选的,所述对滤波心电信号进行心搏定位得到定位心电信号,包括通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,得到定位心电信号。
优选的,所述提取定位心电信号的心搏的波形特征参数包括波的宽度、R-R间期、波形形态。
优选的,所述提取波的宽度、R-R间期、波形形态包括:
采用等电位线和斜率阈值相结合的方法,根据定位心电信号的心搏位置,算法检测出波的起点和终点,通过计算终点与起点的差值的方式计算出波的宽度;
通过计算出定位后得到定位心电信号的连续两个心搏波形之间的R-R间期;
波形形态是指定位心电信号心搏的主波方向,通过提取定位心电信号心搏的主波方向得到波形形态的参数。
优选的,所述模板心搏的选取方法包括:
从定位心电信号中选取3个或3个以上个连续的波的宽度小于一定阈值的同类型心搏;
提取其中2个心搏的R-R间期值做比较,当比较值小于一定阈值时,则选取其中一个心搏作为模板心搏。
优选的,对所述定位心电信号进行归一化处理,所述归一化处理包括:
将每个定位心电信号的心搏波形,以模板心搏波形中心为基准,在X轴方向上前后各截取相同长度的数值;
将每个特征心电信号的心搏波形,以与模板心搏同一电位为基准,取其Y轴方向上以同一电位为基准之后的电位比较数值;
将每个特征心电信号心搏波形的幅度调整到相同的数量级。
优选的,将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数,其中,所述匹配度特征参数包括计算标准心电信号的心搏数据与模板心搏数据之间的标准差、欧氏距离、互相关系值。
优选的,所述模板心搏是不断进行动态更新的,当前期选定的模板心搏与后续的从归一心电信号中选取的波的宽度小于一定阈值的同类型心搏作比较,比较二者的R-R间期值,当两者之间的变化大于等于40%时,对模板心搏进行动态的更新。
本发明第二方面还体用了一种心电信号分类方法的装置,所述装置包括:
预处理单元,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号;
特征提取单元,用于对滤波心电信号进行心搏定位得到定位心电信号,提取定位心电信号的心搏的波形特征参数;
归一化单元,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;
匹配度单元,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;
训练单元,用于将提取的定位心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
分类单元,用于将与待检测的心电信号对应的归一心电信号的心搏的波形特征参数和与待检测的心电信号对应的匹配度特征参数作为心搏的特征向量,输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果的分类存储介质。
上述该装置使得测量结果更加的准确。
优选的,所述预处理单元,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号,通过滤波的方式进行预处理,通过低通滤波方式去除心电信号中的肌电干扰;通过高通滤波方式去除基线漂移以及工频滤波去除工频干扰,所述已知类型的心电信号包括:正常窦性心搏的心电信号、室上性早搏的心电信号、室性早搏的心电信号、其他未分类心搏心电信号。
优选的,所述特征提取单元,用于对所述对滤波心电信号进行心搏定位,得到定位心电信号,通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,得到定位心电信号,提取定位心电信号的心搏的波形特征参数,波形特征参数包括波的宽度、R-R间期、波形形态,其中包括:
采用等电位线和斜率阈值相结合的方法,根据定位心电信号的心搏位置,算法检测出波的起点和终点,通过计算终点与起点的差值的方式计算出波的宽度;
通过计算出定位后得到定位心电信号的连续两个心搏波形之间的R-R间期;
波形形态是指定位心电信号心搏的主波方向,通过提取定位心电信号心搏的主波方向得到波形形态的参数。
优选的,其特征在于,还包括模板心搏单元,用于选取模板心搏,包括:
从定位心电信号中选取3个或3个以上个连续的波的宽度小于一定阈值的同类型心搏;
提取其中2个心搏的R-R间期值做比较,当比较值小于一定阈值时,则选取其中一个心搏作为模板心搏。
优选的,归一化单元,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;所述归一化处理包括:
将每个定位心电信号的心搏波形,以模板心搏波形中心为基准,在X轴方向上前后各截取相同长度的数值;
将每个特征心电信号的心搏波形,以与模板心搏同一电位为基准,取其Y轴方向上以同一电位为基准之后的电位比较数值;
将每个特征心电信号心搏波形的幅度调整到相同的数量级。
优选的,匹配度单元,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;所述匹配度特征参数包括计算标准心电信号的心搏数据与模板心搏数据之间的标准差、欧氏距离、互相关系值。
本发明第三方面还体用了一种心电仪,包括上述所述心搏类型分类方法、装置的心电仪。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明结合了心电信号的波形特征以及模板匹配度特征,这些特征的结合可以更全面更充分地反映不同心搏类型心电信号的差异性,从而可以更有效地检测不同心搏类型的心电信号,同时使用决策树分类器对窦性心搏、室上性心搏以及室性心搏进行分类,生成的决策树分类器模型规则简单,易于理解和实现,提高了分类的速度以及准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种心搏类型的分类方法的流程示意图一;
图2是根据一示例性实施例示出的一种心搏类型的分类方法的流程示意图二;
图3是根据一示例性实施例示出的心电信号分类方法的装置示意图;
图4是根据一示例性实施例示出的一种心搏类型的分类方法中的决策树分类器的分类方法的流程图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言,由于其与实施例公开的部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
如图1所示的流程图,本发明公开了一种心搏类型的分类方法,该方法包括以下步骤:
S101:对输入的心电信号进行预处理,所述心电信号包括已知类型的心电信号和待检测心电信号;
S102:对预处理后的心电信号进行心搏定位得到特征心电信号,提取特征心电信号的心搏的波形特征参数;
S103:对所述特征心电信号进行归一化处理,得到标准心电信号,提取标准心电信号的心搏;
S104:将所述标准心电信号的心搏与模板心搏进行匹配,提取二者的匹配度特征参数;
S105:将提取的特征心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
S106:将待检测的心电信号对应的特征心电信号的心搏的波形特征参数和对应的匹配度特征参数作为心搏的特征向量输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果。
本发明实现根据心电的激动起源不同把心搏分为4类:正常窦性心搏(Normalsinus rhythm,N or NSR)、室上性早搏或异常(Premature or ectopic supraventricularbeat,S)、室性早搏(Prematureventricular contraction,V)、未分类心跳(Unclassifiable beat,Q),即将心搏类型分为N型、S型、V型、Q型四种不同的类型,上述中输入的已知类型的心电信号即为上述4中不同类型的心电信号。
如图2所示,根据上述的心搏类型的分类方法,进一步,对所述输入的已知心电信号进行预处理是通过滤波的方式进行预处理,所述对输入的心电信号进行滤波处理,步骤S101具体还包括:
S1011:通过低通滤波去除心电信号中的肌电干扰;
S1012:通过高通滤波去除基线漂移以及工频滤波去除工频干扰。
对预处理后的心电信号进行心搏定位,是通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,提取QRS复合波的数据片段,这样更能准确的对心搏进行定位,提取的数据较为准确,从而得到特征心电信号。
提取特征心电信号的心搏的波形特征参数,通过提取QRS复合波的宽度、R-R间期、波形形态三个参数作为波形的特征参数;在QRS复合波数据片段中提取波形特征。
特征心电信号的心搏的波形特征参数提取及其计算方法,包括:
1、提取波的宽度
因为正常心搏和室上性心搏均具有正常传导的QRS波形态,而室性心搏的QRS波形宽大畸形,所以QRS复合波的宽度可以作为一个判断指标。
通过算法检测出QRS复合波的起点和终点,其差值即为QRS的宽度。
对QRS复合波的宽度进行测量的算法包括:采用等电位线和斜率阈值相结合的方法,能够准确定位出QRS的起点和始点。
2、提取R-R间期
因为室上性早搏或异常以及室性早搏相较于正常窦性心搏,在时间上大多提前出现,所以心搏之间的R-R间期也可作为一个评判指标。
通过定位到的心搏位置,可以求出每两个连续心搏之间的R-R间期。
3、提取波形形态
因为心电波形有不同的形态,最明显的就是主波有正负之分。当同一个序列中一个波形的主波形态和另一个波形的主波形态有明显不同时,则可以将两种波形判断为两种类型。QRS复合波的宽度体现的是当前检测心搏的波形特征,R-R间期体现的是相邻心搏间的周期过渡关系,波形形态体现的是当前心搏和其他类型心搏之间差异的特征。
进一步,为了提取特征心电信号的心搏和模板心搏之间匹配参数,需要最大限度消除二者波形之间的其他差异,因此要对每一个心搏序列进行归一化处理,所述归一化处理包括以下步骤:
1、对齐X轴上的数据
以每一个心搏定位出来的特征心电信号的心搏位置为X轴上的对齐标准,并且前后各截取相同长度的数据。
2、统一Y轴的基线
由于外界干扰或其他一些因素,每一个特征心电信号的心搏的等电位线并不在同一水平线上,这很大程度上加剧了波形之间的差异。在归一化处理Y轴数据时,使每一个特征心电信号的心搏内的数据都是以其等电位线为基准的比较值。
3、统一QRS复合波幅度的数量级
在进行心电信号采集时,由于呼吸或其他因素的干扰,波形的幅度会有较大的波动,会造成波形之间较大的差异,这种差异的实质并不是心电波形的形态差异,不利于心搏的分类。在进行幅度统一时,将每一个特征心电信号的心搏的幅度统一到相同的数量级。
对所述特征心电信号进行上述的归一化处理,从而得到标准心电信号,提取标准心电信号的心搏;
为了计算标准心电信号的心搏与模板心搏之间的匹配度特征参数,需先选取模板心搏,模板心搏的选取包括以下步骤:
从标准心电信号中选取3个或3个以上连续的QRS宽度小于100ms~130ms的心搏,当检测到心搏类型为所述4种已知类型的中的一种心搏时,并比较2个R-R间期值,当两者之间的变化小于40%时,选取其中一个心搏作为模板心搏。
模板心搏并不是一直不变的,为了提高心搏类型的分类的准确度,需要实时的更新模板心搏,模板心搏的更新方法包括:当上述比较2个R-R间期值,当两者之间的变化大于等于40%时,对模板心搏进行动态的更新。
进一步,匹配度特征参数的主要参数及其计算方法,包括:
1、标准差
标准差体现的是一个数据集的离散程度,这里进行计算的是测量心搏和模板心搏数据差值的标准差,即两个心搏间差异的离散程度,这样就能量化出这两个波形之间的差异。
通过以下计算公式,进行模板匹配,计算测量心搏和模板心搏之间差异的标准差。公式如下:
其中,xi是测试心搏的数据,yi是模板心搏的数据,n是心搏数据的长度。
2、欧氏距离
欧氏距离是最常见的距离度量,衡量的是空间中各点之间的绝对距离,距离越远说明个体间的差异越大。欧氏距离的计算公式如下:
其中,xi是测试心搏的数据,yi是模板心搏的数据,n是心搏数据的长度。
3、互相关系数
互相关系数是用来衡量两个变量之间相关关系密切程度的统计指标。互相关系数r的取值范围为[-1,1],r>0表示正相关,r<0表示负相关,|r|表示了变量之间相关程度的高低。特殊地,r=1称为完全正相关,r=-1称为完全负相关,r=0称为不相关。通常|r|大于0.8时,认为两个变量有很强的线性相关性。
其中,xi是测试心搏的数据,yi是模板心搏的数据,n是心搏数据的长度。
将提取的特征心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
如图4所示的决策树分类器是一个树状的决策图,它表示对象特征属性和对象类别之间的一种映射,每个非叶节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,而每个叶节点存放一个心搏分类类别。使用决策树进行决策分类的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为心搏分类的结果。
将待检测的心电信号对应的特征心电信号的心搏的波形特征参数和对应的匹配度特征参数作为心搏的特征向量输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果,即判断是出待检测心搏是N型、S型、V型、Q型4种类型中的一种。
通过多组数据训练上述的决策树分类器,训练出判断准确的决策树分类器,将待测心电信号输入至该训练好的决策树分类器中,通过该程序,即可判断出是何种心搏类型。
根据本发明实施例的第二方面,提供一种心电信号分类方法的装置,如图3所示,所述装置包括:
预处理单元201,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号;
特征提取单元202,用于对滤波心电信号进行心搏定位得到定位心电信号,提
归一化单元203,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;
匹配度单元204,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;
训练单元205,用于将提取的定位心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
分类单元206,用于将待检测的心电信号对应的归一心电信号的心搏的波形特征参数和对应的匹配度特征参数作为心搏的特征向量输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果的分类存储介质。
进一步,如上所述的预处理单元201,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号,通过滤波的方式进行预处理,通过低通滤波方式去除心电信号中的肌电干扰;通过高通滤波方式去除基线漂移以及工频滤波去除工频干扰,所述已知类型的心电信号包括:正常窦性心搏的心电信号、室上性早搏的心电信号、室性早搏的心电信号、其他未分类心搏心电信号。
进一步,所述特征提取单元202,用于对所述对滤波心电信号进行心搏定位,得到定位心电信号,通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,得到定位心电信号,提取定位心电信号的心搏的波形特征参数,波形特征参数包括波的宽度、R-R间期、波形形态,其中包括:
采用等电位线和斜率阈值相结合的方法,根据定位心电信号的心搏位置,算法检测出波的起点和终点,通过计算终点与起点的差值的方式计算出波的宽度;
通过计算出定位后得到定位心电信号的连续两个心搏波形之间的R-R间期;
波形形态是指定位心电信号心搏的主波方向,通过提取定位心电信号心搏的主波方向得到波形形态的参数。
在以上基础上,还包括模板心搏单元203,用于选取模板心搏,包括:从定位心电信号中选取3个或3个以上个连续的波的宽度小于一定阈值的同类型心搏;
提取其中2个心搏的R-R间期值做比较,当比较值小于一定阈值时,则选取其中一个心搏作为模板心搏。
进一步,所述归一化单元204,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;所述归一化处理包括:
将每个定位心电信号的心搏波形,以模板心搏波形中心为基准,在X轴方向上前后各截取相同长度的数值;
将每个特征心电信号的心搏波形,以与模板心搏同一电位为基准,取其Y轴方向上以同一电位为基准之后的电位比较数值;
将每个特征心电信号心搏波形的幅度调整到相同的数量级。
进一步,所述匹配度单元205,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;所述匹配度特征参数包括计算标准心电信号的心搏数据与模板心搏数据之间的标准差、欧氏距离、互相关系值。
根据本发明实施例的第三方面,提供一种心电仪,该心电仪包括上述的心搏类型的分类方法的。
进一步,在此基础上所述心电仪还包括上述的心电信号分类方法的装置。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (17)
1.一种心搏类型的分类方法,其特征在于,包括以下步骤:
对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号、待检测心电信号;
对滤波心电信号进行心搏定位得到定位心电信号,提取定位心电信号的心搏的波形特征参数;
对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;
将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;
将提取的定位心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
将待检测的心电信号对应的归一心电信号的心搏的波形特征参数和对应的匹配度特征参数作为心搏的特征向量输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果。
2.根据权利要求1所述的心搏类型的分类方法,其特征在于,所述已知类型的心电信号包括:正常窦性心搏的心电信号、室上性早搏的心电信号、室性早搏的心电信号、其他未分类心搏心电信号。
3.根据权利要求1所述的心搏类型的分类方法,其特征在于,对输入的心电信号进行预处理得到滤波心电信号,所述预处理是通过滤波的方式进行预处理,通过低通滤波方式去除心电信号中的肌电干扰;通过高通滤波方式去除基线漂移以及工频滤波去除工频干扰。
4.根据权利要求1所述的心搏类型的分类方法,其特征在于,所述对滤波心电信号进行心搏定位得到定位心电信号,包括通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,得到定位心电信号。
5.根据权利要求1或4任一所述的心搏类型的分类方法,其特征在于,所述提取定位心电信号的心搏的波形特征参数包括波的宽度、R-R间期、波形形态。
6.根据权利要求5所述的心搏类型的分类方法,其特征在于,所述提取波的宽度、R-R间期、波形形态包括:
采用等电位线和斜率阈值相结合的方法,根据定位心电信号的心搏位置,算法检测出波的起点和终点,通过计算终点与起点的差值的方式计算出波的宽度;
通过计算出定位后得到定位心电信号的连续两个心搏波形之间的R-R间期;
波形形态是指定位心电信号心搏的主波方向,通过提取定位心电信号心搏的主波方向得到波形形态的参数。
7.根据权利要求1所述的心搏类型的分类方法,其特征在于,所述模板心搏的选取方法包括:
从定位心电信号中选取3个或3个以上连续的波的宽度小于一定阈值的同类型心搏;
提取其中2个心搏的R-R间期值做比较,当比较值小于一定阈值时,则选取其中一个心搏作为模板心搏。
8.根据权利要求7所述的心搏类型的分类方法,其特征在于,对所述定位心电信号进行归一化处理,所述归一化处理包括:
将每个定位心电信号的心搏波形,以模板心搏波形中心为基准,在X轴方向上前后各截取相同长度的数值;
将每个特征心电信号的心搏波形,以与模板心搏同一电位为基准,取其Y轴方向上以同一电位为基准之后的电位比较数值;
将每个特征心电信号心搏波形的幅度调整到相同的数量级。
9.根据权利要求1所述的心搏类型的分类方法,其特征在于,将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数,其中,所述匹配度特征参数包括计算标准心电信号的心搏数据与模板心搏数据之间的标准差、欧氏距离、互相关系值。
10.根据权利要求7所述的心搏类型的分类方法,其特征在于,所述模板心搏是不断进行动态更新的,当前期选定的模板心搏与后续的从归一心电信号中选取的波的宽度小于一定阈值的同类型心搏作比较,比较二者的R-R间期值,当两者之间的变化大于等于40%时,对模板心搏进行动态的更新。
11.一种心电信号分类方法的装置,其特征在于,所述装置包括:
预处理单元,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号;
特征提取单元,用于对滤波心电信号进行心搏定位得到定位心电信号,提取定位心电信号的心搏的波形特征参数;
归一化单元,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;
匹配度单元,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;
训练单元,用于将提取的定位心电信号的心搏的波形特征参数和匹配度特征参数作为心搏的特征向量输入到决策树分类器中,训练决策树分类器,得到训练后的决策树分类器;
分类单元,用于将与待检测的心电信号对应的归一心电信号的心搏的波形特征参数和与待检测的心电信号对应的匹配度特征参数作为心搏的特征向量,输入到所述训练后的决策树分类器中,输出该心搏类型的分类结果的分类存储介质。
12.根据权利要求11所述的心电信号分类方法的装置,其特征在于,所述预处理单元,用于对输入的心电信号进行预处理得到滤波心电信号,所述心电信号包括已知类型的心电信号和待检测心电信号,通过滤波的方式进行预处理,通过低通滤波方式去除心电信号中的肌电干扰;通过高通滤波方式去除基线漂移以及工频滤波去除工频干扰,所述已知类型的心电信号包括:正常窦性心搏的心电信号、室上性早搏的心电信号、室性早搏的心电信号、其他未分类心搏心电信号。
13.根据权利要求11所述的心电信号分类方法的装置,其特征在于,所述特征提取单元,用于对所述滤波心电信号进行心搏定位,得到定位心电信号,通过寻找心搏波形峰值的方式,定位波形位置的中心,并以定位的心搏位置为中心,得到定位心电信号,提取定位心电信号的心搏的波形特征参数,波形特征参数包括波的宽度、R-R间期、波形形态,其中包括:
采用等电位线和斜率阈值相结合的方法,根据定位心电信号的心搏位置,算法检测出波的起点和终点,通过计算终点与起点的差值的方式计算出波的宽度;
通过计算出定位后得到定位心电信号的连续两个心搏波形之间的R-R间期;
波形形态是指定位心电信号心搏的主波方向,通过提取定位心电信号心搏的主波方向得到波形形态的参数。
14.根据权利要求11所述的心电信号分类方法的装置,其特征在于,还包括模板心搏单元,用于选取模板心搏,包括:
从定位心电信号中选取3个或3个以上连续的波的宽度小于一定阈值的同类型心搏;
提取其中2个心搏的R-R间期值做比较,当比较值小于一定阈值时,则选取其中一个心搏作为模板心搏。
15.根据权利要求11所述的心电信号分类方法的装置,其特征在于,归一化单元,用于对所述定位心电信号进行归一化处理,得到归一心电信号,提取归一心电信号的心搏数据;所述归一化处理包括:
将每个定位心电信号的心搏波形,以模板心搏波形中心为基准,在X轴方向上前后各截取相同长度的数值;
将每个特征心电信号的心搏波形,以与模板心搏同一电位为基准,取其Y轴方向上以同一电位为基准之后的电位比较数值;
将每个特征心电信号心搏波形的幅度调整到相同的数量级。
16.根据权利要求11所述的心电信号分类方法的装置,其特征在于,匹配度单元,用于将所述归一心电信号的心搏数据与模板心搏数据进行匹配,提取二者的匹配度特征参数;所述匹配度特征参数包括计算标准心电信号的心搏数据与模板心搏数据之间的标准差、欧氏距离、互相关系值。
17.一种心电仪,其特征在于,包括能够实现权利要求1-10任一项所述的心搏类型分类方法,还包括权利要求11-16任一项所述的心电信号分类方法的装置的心电仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564424.4A CN107358196B (zh) | 2017-07-12 | 2017-07-12 | 一种心搏类型的分类方法、装置及心电仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564424.4A CN107358196B (zh) | 2017-07-12 | 2017-07-12 | 一种心搏类型的分类方法、装置及心电仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358196A CN107358196A (zh) | 2017-11-17 |
CN107358196B true CN107358196B (zh) | 2020-11-10 |
Family
ID=60292566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710564424.4A Expired - Fee Related CN107358196B (zh) | 2017-07-12 | 2017-07-12 | 一种心搏类型的分类方法、装置及心电仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358196B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107736888A (zh) * | 2017-11-27 | 2018-02-27 | 中山大学 | 一种使用可穿戴心电图设备进行实时心脏监控的方法及*** |
CN107951485B (zh) * | 2017-11-27 | 2019-06-11 | 深圳市凯沃尔电子有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN107981858B (zh) * | 2017-11-27 | 2020-12-01 | 上海优加利健康管理有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN107714023B (zh) * | 2017-11-27 | 2020-09-01 | 上海优加利健康管理有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN107832737B (zh) | 2017-11-27 | 2021-02-05 | 上海优加利健康管理有限公司 | 基于人工智能的心电图干扰识别方法 |
CN109948396B (zh) * | 2017-12-20 | 2021-07-23 | 深圳市理邦精密仪器股份有限公司 | 一种心拍分类方法、心拍分类装置及电子设备 |
CN108491769A (zh) * | 2018-03-08 | 2018-09-04 | 四川大学 | 基于rr间期和多特征值的房颤分类方法 |
CN109077719A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN108903935B (zh) * | 2018-07-11 | 2021-06-25 | 上海夏先机电科技发展有限公司 | 一种室性早搏识别方法、识别***及电子设备 |
CN108937915B (zh) * | 2018-07-24 | 2021-02-19 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN109431488B (zh) * | 2018-09-28 | 2021-03-19 | 上海优加利健康管理有限公司 | 一种心电图动态实时分析数据中典型数据的识别方法 |
CN109303559B (zh) * | 2018-11-01 | 2021-05-14 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
CN109303561A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法 |
CN109871742B (zh) * | 2018-12-29 | 2021-05-14 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN111493856B (zh) * | 2019-01-31 | 2023-05-09 | 深圳市理邦精密仪器股份有限公司 | 心搏分类的修正方法、装置、心电图检查***及存储介质 |
CN109691995A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 单导联心电图的心律失常实时数据分析***和方法 |
CN111053551B (zh) * | 2019-12-27 | 2021-09-03 | 深圳邦健生物医疗设备股份有限公司 | Rr间期心电数据分布显示方法、装置、计算机设备和介质 |
CN111150387B (zh) * | 2020-01-15 | 2021-06-08 | 深圳市邦健科技有限公司 | 心电图模板匹配方法、装置、计算机设备及存储介质 |
CN113712567B (zh) * | 2020-05-12 | 2023-09-01 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列系数的方法和装置 |
CN111616696A (zh) * | 2020-05-20 | 2020-09-04 | 联想(北京)有限公司 | 一种心电信号检测方法、装置及存储介质 |
CN113712525A (zh) * | 2020-05-21 | 2021-11-30 | 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 |
CN113768511B (zh) * | 2020-06-04 | 2023-09-22 | 深圳市理邦精密仪器股份有限公司 | 生理参数检测方法及电子设备 |
CN111772619B (zh) * | 2020-06-19 | 2022-09-20 | 厦门纳龙健康科技股份有限公司 | 一种基于深度学习的心搏识别方法、终端设备及存储介质 |
CN111956203A (zh) * | 2020-08-18 | 2020-11-20 | 广州视源电子科技股份有限公司 | 心电信号参数化方法、模型训练方法、装置、设备及介质 |
CN114271829B (zh) * | 2020-09-18 | 2023-07-25 | 深圳邦健生物医疗设备股份有限公司 | 心搏双标记分析方法、装置、设备和介质 |
CN112528783B (zh) * | 2020-11-30 | 2024-04-16 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏数据聚类方法、装置、电子设备和介质 |
KR102653258B1 (ko) * | 2022-02-18 | 2024-04-01 | 주식회사 뷰노 | 심전도 기술 및 결과 통합 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101856225A (zh) * | 2010-06-30 | 2010-10-13 | 重庆大学 | 一种心电信号r波峰检测方法 |
CN102908135A (zh) * | 2012-10-08 | 2013-02-06 | 中国科学院深圳先进技术研究院 | 心电诊断***及其操作方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能***有限公司 | 心电图图像识别方法、装置及服务终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8232866B2 (en) * | 2006-04-05 | 2012-07-31 | California Institute Of Technology | Systems and methods for remote long standoff biometric identification using microwave cardiac signals |
US20080002775A1 (en) * | 2006-06-30 | 2008-01-03 | Ricci Carlos A | Signal analysis employing matched wavelet |
-
2017
- 2017-07-12 CN CN201710564424.4A patent/CN107358196B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101856225A (zh) * | 2010-06-30 | 2010-10-13 | 重庆大学 | 一种心电信号r波峰检测方法 |
CN102908135A (zh) * | 2012-10-08 | 2013-02-06 | 中国科学院深圳先进技术研究院 | 心电诊断***及其操作方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能***有限公司 | 心电图图像识别方法、装置及服务终端 |
Non-Patent Citations (2)
Title |
---|
Classification of supraventricular and ventricular beats by QRS template matching and decision tree;Vessela Krasteva et al.;《Computing in Cardiology 2014》;20140910;1-4页 * |
基于特征匹配的心电数据分类算法的研究与应用;季春林;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20160315(第03期);E062-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN107358196A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
AL-Ziarjawey et al. | Heart rate monitoring and PQRST detection based on graphical user interface with Matlab | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
Chanwimalueang et al. | Enabling R-peak detection in wearable ECG: Combining matched filtering and Hilbert transform | |
CN109691994A (zh) | 一种基于心电图的心率监测分析方法 | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
Prashar et al. | Novel cardiac arrhythmia processing using machine learning techniques | |
Thurner et al. | Complex-Pan-Tompkins-Wavelets: Cross-channel ECG beat detection and delineation | |
Khaustov et al. | An open-source standard T-wave alternans detector for benchmarking | |
Pang et al. | Real time heart ischemia detection in the smart home care system | |
CN111839505A (zh) | 一种基于心血管***电-机械活动信息的房颤分级方法 | |
Jekova et al. | Arrhythmia classification via time and frequency domain analyses of ventricular and atrial contractions | |
Mincholé et al. | Discrimination between ischemic and artifactual ST segment events in Holter recordings | |
Mayapur | Detection and Processing of the R Peak | |
Gharaviri et al. | Ischemia detection via ECG using ANFIS | |
Chan et al. | ECG parameter extractor of intelligent home healthcare embedded system | |
Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
Schulte et al. | Identification of a signal for an optimal heart beat detection in multimodal physiological datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20201110 Termination date: 20210712 |
|
CF01 | Termination of patent right due to non-payment of annual fee |