CN109480826B - 一种心电信号处理方法、装置及设备 - Google Patents
一种心电信号处理方法、装置及设备 Download PDFInfo
- Publication number
- CN109480826B CN109480826B CN201811533869.7A CN201811533869A CN109480826B CN 109480826 B CN109480826 B CN 109480826B CN 201811533869 A CN201811533869 A CN 201811533869A CN 109480826 B CN109480826 B CN 109480826B
- Authority
- CN
- China
- Prior art keywords
- strategy
- processing
- electrocardiosignals
- signal
- analysis
- 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.)
- Active
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
- A61B5/24—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]
-
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种心电信号处理方法、装置及设备,包括:获取待处理的心电信号;提取所述心电信号的信号特征;根据所述信号特征,从多种处理策略中确定与每种所述信号特征分别对应的目标处理策略;利用所述目标处理策略对所述心电信号进行处理。也就是说,在申请实施例中,包括多种对心电信号进行处理的处理策略。可以根据所述信号特征从多种处理策略中确定对应的目标处理策略,而无需将所有的处理策略均执行一遍,提升了对心电信号进行处理的效率。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种心电信号处理方法、装置及设备。
背景技术
心电信号是指人体心脏周期性跳动时心肌细胞产生的电活动。可以通过对心电信号进行处理,得到处理结果。
对心电信号进行处理包括多个方面的处理。目前出现了许多对心电信号进行处理的方案,但是这些方案往往只能进行某一方面的处理,不能全面的综合进行多个方面的处理。
若要获得对心电信号全面处理的结果,则需要将这些对心电信号进行处理的方案均执行一遍,导致对心电信号进行全面处理的效率比较低。
发明内容
本申请所要解决的技术问题是如何提升对心电信号进行全面处理的效率,提供一种心电信号处理方法及装置。
第一方面,本申请实施例提供了一种心电信号处理方法,所述方法包括:
获取待处理的心电信号;
提取所述心电信号的信号特征;
根据所述信号特征,从多种处理策略中确定与每种所述信号特征分别对应的目标处理策略;
利用所述目标处理策略对所述心电信号进行处理。
可选的,所述信号特征包括心室率;所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:
若所述心室率大于或者等于第一预设阈值,则确定心律分析策略为所述目标处理策略;
若所述心室率小于所述第一预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心律分析策略的处理策略。
可选的,所述利用所述心律分析策略对所述心电信号进行处理,包括:
将所述心电信号切割成时间长度为预设时间长度的心电片段,并提取所述心电片段包括的心博;
提取各个心博的特征,并获取所述心电信号对应的心率变异性;
将所述各个心博的特征和所述心率变异性作为心律分析模型的输入,得到所述心电信号对应的各类心律异常的概率。
可选的,所述其它处理策略,包括:心房心室分析策略、传导阻滞分析策略以及ST-T波段改变分析策略中的任意一种或者组合;
若从其它处理策略中确定所述目标处理策略包括所述心房心室分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用所述心电信号的波形特征,确定所述心电信号对应的心房异常的概率以及心室异常的概率;
若从其它处理策略中确定所述目标处理策略包括所述传导阻滞分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用利用所述心电信号的波形特征,确定所述心电信号对应传导阻滞的概率;
若从其它处理策略中确定所述目标处理策略包括所述ST-T波段改变分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用利用所述心电信号的波形特征,确定所述心电信号对应ST-T波段改变的概率。
可选的,所述信号特征包括:相邻RR间隔前后比例;
所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:
若所述相邻RR间隔前后比例小于第二预设阈值,则确定心博分析策略为所述目标处理策略;
若所述相邻RR间隔前后比例大于或者等于第二预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心博分析策略的处理策略;
当所述目标处理策略为心博分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
提取所述心电信号的心博片段,并对所述心博片段进行预处理,使得处理后的心博片段的长度为预设长度;
将所述心博片段作为心博分析模型的输入,得到各类心博异常的概率。
可选的,所述信号特征包括心率变异性,所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:将心动分析策略和心电轴分析策略确定为所述目标处理策略;
相应的,所述利用所述目标处理策略对所述心电信号进行处理,包括:
根据所述心电信号的统计特征确定各类心动异常的概率和各类心电轴异常的概率。
可选的,在获取所述待处理的心电信号之前,所述方法还包括:
利用质量分析模型对采集的心电信号进行质量分析;
若所述采集的心电信号的质量满足要求,对所述采集的心电信号进行去噪处理得到所述待处理的心电信号。
第二方面,本申请实施例提供了一种心电信号处理装置,所述装置包括:
获取单元,用于获取待处理的心电信号;
提取单元,用于提取所述心电信号的信号特征;
确定单元,用于根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;
处理单元,用于利用所述目标处理策略对所述心电信号进行处理。
可选的,所述信号特征包括:所述心电信号的心室率;
所述确定单元,具体用于:
若所述心室率大于或者等于第一预设阈值,则确定心律分析策略为所述目标处理策略;
若所述心室率小于所述第一预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心律分析策略的处理策略。
可选的,所述处理单元,具体用于:
将所述心电信号切割成时间长度为预设时间长度的心电片段,并提取所述心电片段包括的心博;
提取各个心博的特征,并获取所述心电信号对应的心率变异性;
将所述各个心博的特征和所述心率变异性作为心律分析模型的输入,得到所述心电信号对应的各类心律异常的概率。
可选的,所述其它处理策略,包括:心房心室分析策略、传导阻滞分析策略以及ST-T波段改变分析策略中的任意一种或者组合;
若从其它处理策略中确定所述目标处理策略包括所述心房心室分析策略,所述处理单元,具体用于:
利用所述心电信号的波形特征,确定所述心电信号对应的心房异常的概率以及心室异常的概率;
若从其它处理策略中确定所述目标处理策略包括所述传导阻滞分析策略,所述处理单元,具体用于:
利用利用所述心电信号的波形特征,确定所述心电信号对应传导阻滞的概率;
若从其它处理策略中确定所述目标处理策略包括所述ST-T波段改变分析策略,所述处理单元,具体用于:
利用利用所述心电信号的波形特征,确定所述心电信号对应ST-T波段改变的概率。
可选的,所述信号特征包括:所述心电信号的相邻RR间隔前后比例;
所述确定单元,具体用于:
若所述相邻RR间隔前后比例小于第二预设阈值,则确定心博分析策略为所述目标处理策略;
若所述相邻RR间隔前后比例大于或者等于第二预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心博分析策略的处理策略;
当所述目标处理策略为心博分析策略,所述处理单元,具体用于:
提取所述心电信号的心博片段,并对所述心博片段进行预处理,使得处理后的心博片段的长度为预设长度;
将所述心博片段作为心博分析模型的输入,得到各类心博异常的概率。
可选的,所述信号特征包括心率变异性,所述确定单元,具体用于:将心动分析策略和心电轴分析策略确定为所述目标处理策略;
相应的,所述处理单元,具体用于:
根据所述心电信号的统计特征确定各类心动异常的概率和各类心电轴异常的概率。
可选的,在获取所述待处理的心电信号之前,所述装置还包括:
分析单元,用于利用质量分析模型对采集的心电信号进行质量分析;
去噪单元,用于若所述采集的心电信号的质量满足要求,对所述采集的心电信号进行去噪处理得到所述待处理的心电信号。
第三方面,本申请实施例提供了一种心电信号处理设备,所述设备包括:处理器和存储器;
所述存储器,用于存储指令;
所述处理器,用于执行所述存储器中的所述指令,执行以上第一方面任意一项所述的方法。
第四方面,本申请实施例提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行一种心电信号处理方法,所述方法包括:
获取待处理的心电信号;
提取所述心电信号的信号特征;
根据所述信号特征,从多种处理策略中确定与每种所述信号特征分别对应的目标处理策略;
利用所述目标处理策略对所述心电信号进行处理。
与现有技术相比,本申请实施例具有以下优点:
本申请实施例提供一种心电信号处理方法,在申请实施例中,包括多种对心电信号进行处理的处理策略。获取质量满足要求的心电信号之后,提取所述心电信号的特征,并根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;进一步利用所述目标处理策略对所述心电信号进行处理。也就是说,在本申请实施例中,可以根据所述信号特征从多种处理策略中确定对应的目标处理策略,而无需将所有的处理策略均执行一遍,提升了对心电信号进行处理的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种心电信号处理方法的流程示意图;
图2为本申请实施例提供的一种确定目标处理策略的方法的流程示意图;
图3为本申请实施例提供的一种利用心律分析策略对心电信号进行处理的方法的流程示意图;
图4为本申请实施例提供的一种心律分析模型的结构示意图;
图5图为本申请实施例提供的另一种确定目标处理策略的方法的流程示意图;
图6为本申请实施例提供的一种利用心博分析策略对心电信号进行处理的方法的流程示意图;
图7为本申请实施例提供的一种心博分析模型的结构示意图;
图8为本申请实施例提供的一种心电信号处理方法的流程示意图;
图9为本申请实施例提供的一种心电信号处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图,详细说明本申请的各种非限制性实施方式。
示例性方法
参见图1,该图为本申请实施例提供的一种心电信号处理方法的流程示意图。
在本实施例中,所述方法例如可以包括以下步骤S101-S104实现。
S101:获取待处理的心电信号。
心电信号是人体心脏周期性跳动时心肌细胞产生的电活动,因此,可以对心电信号进行处理,得到该心电信号对应的特点。
在本申请实施例中,所述待处理的心电信号可以是通过心电导联例如12导联采集的心电信号。本申请实施例不具体限定获取待处理的心电信号的具体实现方式,作为一种示例,可以获取心电导联例如12导联采集的心电信号作为所述待处理的心电信号。
S102:提取所述心电信号的信号特征。
本申请实施例所述心电信号的信号特征,是指能够体现某一方面或者某些方面的心肌细胞电活动特点的参数。本申请实施例不具体限定所述心电信号的信号特征。
在本申请实施例的一种实现方式中,可以采用小波变换来提取各心搏的R波波峰的位置,以及P,QRS,T波的特征,具体地,包括P波的起始点/终止点,T波的起始点/终止点,QRS波群中各波峰/波谷的位置,以及PQ间隔,QRS间隔,QT间隔等。在本申请实施例中,所述心电信号的信号特征可以为所述心电信号的心室率,提取所述心电信号的心室率在具体实现时,可以根据所述各心博R波峰值的位置计算出所述心电信号的心室率。
在本申请实施例的另一种可能的实现方式中,所述心电信号的信号特征可以包括:所述心电信号的相邻RR间隔前后比例。所谓相邻RR间隔比例,是指第一间隔与第二间隔之间的比例,其中,所述第一间隔为目标心博的R波波峰与目标心博的前一个心博的R波波峰之间的间隔,所述第二间隔为目标心博的R波波峰与目标心博的后一个心博的R波波峰之间的间隔。
在本申请实施例中,提取所述心电信号的相邻RR间隔前后比例在具体实现时,也可以根据所述心电信号的各心博R波峰值的位置来确定。更具体地,可以根据所述各心博R波峰值的位置计算出所述心电信号的RR间隔,从而计算得到相邻RR间隔前后比例。
在本申请实施例的又一种可能的实现方式中,所述心电信号的信号特征可以包括:所述心电信号的心率变异性(heart rate variability,HRV)。
所述心率变异性可以包括:所有RR间期的标准差SDNN、相邻RR间期差值的均方根RMSSD和所有RR间期的平均值AVNN。
在本申请实施例中,提取所述心电信号的心率变异性在具体实现时,可以根据所述各心博R波峰值的位置计算出所述心电信号的HRV。
S103:根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略。
举例说明,若所述信号特征为心室率,则可以根据所述心室率的具体取值,从多个分析策略中确定对应的目标策略例如心律分析策略为目标处理策略,从而得到心律异常的概率。
S104:利用所述目标处理策略对所述心电信号进行处理。
如前文,心电信号的信号特征,是指能够体现某一方面或者某些方面的心肌细胞电活动特点的参数。而心肌细胞电活动不同方面的电活动,其可能表现心肌细胞电活动不同方面的特点。而分析心肌细胞电活动不同方面的特点,可以采用不同的处理策略。在本申请实施例中,存在多种处理策略,用于对心肌细胞电活动不同方面的特点进行处理。本申请实施例提及的多种处理策略例如可以包括:心律分析策略、心房心室分析策略、传导阻滞分析策略、ST-T波段改变分析策略、心博分析策略、心动分析策略和心电轴分析策略中的任意多种分析策略的组合。
其中:所述心律分析策略,可以用于对心电信号进行处理,得到心律异常的概率。所述心房心室分析策略,可以用于对心电信号进行处理,得到心房异常的概率以及心室异常的概率。所述传导阻滞分析策略,可以用于对心电信号进行处理,得到传导阻滞的概率。所述ST-T波段改变分析策略,可以用于对心电信号进行处理,得到ST-T波段改变的概率。所述心博分析策略,可以用于对心电信号进行处理,得到各类心博异常的概率。所述心动分析策略,可以用于对心电信号进行处理,得到各类心动异常的概率。所述心电轴分析策略,可以用于对心电信号进行处理,得到各类心电轴异常的概率。
通过以上描述可知,在申请实施例中,包括多种对心电信号进行处理的处理策略。获取质量满足要求的心电信号之后,提取所述心电信号的特征,并根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;进一步利用所述目标处理策略对所述心电信号进行处理。也就是说,在本申请实施例中,可以根据所述信号特征从多种处理策略中确定对应的目标处理策略,而无需将所有的处理策略均执行一遍,提升了对心电信号进行处理的效率。
可以理解的是,在本申请实施例中,是根据所述心电信号的信号特征,确定对应的目标策略。以下结合图2介绍所述信号特征为所述心电信号的心室率时,确定所述目标处理策略的实现方式。
参见图2,该图为本申请实施例提供的一种确定目标处理策略的方法的流程示意图。
S201:若所述心室率大于或者等于第一预设阈值,则确定心律分析策略为所述目标处理策略。
在本申请实施例中,所述心室率大于或者等于第一预设阈值,在一定程度上可以表征所述心室率过高。
本申请实施例不具体限定所述第一预设阈值,作为一种示例,所述第一预设阈值例如可以为能够表征心室率过高的某一取值。
在本申请实施例中,考虑到心室率过高时,对应心律异常的概率比较高,因此,若所述心室率过高,则可以将所述目标处理策略确定为心律处理策略。
S202:若所述心室率小于所述第一预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心律分析策略的处理策略。
当所述心室率小于所述第一预设阈值时,在一定程度上可以表征心律异常的概率比较低,因此,可以不采用心律处理策略对所述心电信号进行处理,而是从其它处理策略中确定目标处理策略,避免浪费不必要的信号处理资源。
需要说明的是,此处提及的其它处理策略,可以为S104中提及的心房心室分析策略、传导阻滞分析策略、ST-T波段改变分析策略、心博分析策略、心动分析策略和心电轴分析策略中的任意一个或组合。
S201将所述心律处理策略确定为目标处理策略之后,则可以利用该心律处理策略对所述心电信号进行处理。
以下结合附图介绍利用所述心律分析策略对所述心电信号进行处理的具体实现方式。
参见图3,该图为本申请实施例提供的一种利用心律分析策略对心电信号进行处理的方法的流程示意图。
S301:将所述心电信号切割成时间长度为预设时间长度心电片段,并提取所述心电片段包括的心博。
在本申请实施例中,以时间长度作为切割所述心电片段的标准,将所述心电信号切割成时间长度为预设时间长度的心电片段。举例说明,可以将所述心电信号切割成时间长度为10秒的心电片段。
在本申请实施例中,可以对所述心电信号进行R波检测,根据R波检测的结果提取各个心电片段包括的心博。
S302:提取各个心博的特征,并获取所述心电信号对应的心律变异性。
在本申请实施例中,可以利用心博模型提取各个心博的特征。本申请实施例对所述心博模型不做限定,作为一种示例,所述心博模型可以为神经网络模型。
在本申请实施例中,可以根据所述心电信号对应的各心博R波峰值的位置计算出所述心电信号的心律变异性。
S303:将所述各个心博的特征和所述心率变异性作为心律分析模型的输入,得到所述心电信号对应的各类心律异常的概率。
在本申请实施例中,所述心律分析模型为包含两层全连接层,一层Softmax层结构的模型。可以结合图4进行理解,图4为本申请实施例提供的一种心律分析模型的结构示意图。
图4所示的心律分析模型400包括全连接层410、全连接层420和Softmax层430。需要说明的是,图4所示的心律分析模型是为了方便理解而示出,虽然图4示出的全连接层410的输出单元数为40,全连接层420的输出单元数为4,但这并不构成对本申请实施例的限定。
在本申请实施例中,所述心律分析模型是预先利用待训练心电信号的心博的特征和心率变异性,及其对应的能够表征心律异常的概率的标签,通过训练得到的。该心律分析模型可以利用输入的各个心博的特征和心率变异性,得到各类心律异常的概率。在本申请实施例中,心律异常的类型可以包括房性颤动、房性扑动以及室性过速等等。
在本申请实施例的一种可能的实现方式中,为了降低心律分析模型的计算量,可以不直接将各个心博的特征作为所述心律分析模型的是输入,而是将各个心博的特征进行降维处理后得到的心博特征组作为心律分析模型的输入。
以下介绍S202中“从其它处理策略中确定出目标处理策略”之后,利用确定出的目标处理策略对所述心电信号进行处理的具体实现方式。
如上S202中所述,S202中提及的其它处理策略,可以心房心室分析策略、传导阻滞分析策略、ST-T波段改变分析策略、心博分析策略、心动分析策略和心电轴分析策略中的任意一个或组合。
在本申请实施例的一种可能的实现方式中,S202中提及的其它处理策略,包括:心房心室分析策略、传导阻滞分析策略以及ST-T波段改变分析策略中的任意一种或者组合。
在本申请实施例中,若从其它处理策略中确定所述目标处理策略包括所述心房心室分析策略,所述利用所述目标处理策略对所述心电信号进行处理,具体为:利用所述心电信号的波形特征,确定所述心电信号对应的心房异常的概率以及心室异常的概率。
需要说明的是,所述心电信号的波形特征,可以包括所述心电信号对应的各心博的P波特征、QRS波特征以及T波特征。其中,所述P波特征包括P波的起始点和终止点;所述QRS波特征包括QRS波群中各个波峰的位置和各个波谷的位置、PQ间隔、QRS间隔以及QT间隔;所述T特征包括T波的起始点和终止点。
在本申请实施例中,可以根据II导联或者V1导联出现高尖P波、以及II导联或者V1导联出现宽大P波确定心房异常的概率。可以根据高R波、V1导联T波倒置、电轴右偏、以及V1导联的S波与V5或V6导联的电压和大于电压阈值例如3.5毫伏,确定心室异常的概率。
在本申请实施例中,若从其它处理策略中确定所述目标处理策略包括所述传导阻滞分析策略,所述利用所述目标处理策略对所述心电信号进行处理,具体为:利用利用所述心电信号的波形特征,确定所述心电信号对应传导阻滞的概率。
关于所述心电信号的波形特征的描述,可参考上文相关部分的描述,此处不再赘述。
在本申请实施例中,可以QRS间期大于确定传导阻滞的概率。
在本申请实施例中,若从其它处理策略中确定所述目标处理策略包括所述ST-T波段改变分析策略,所述利用所述目标处理策略对所述心电信号进行处理,具体为:利用利用所述心电信号的波形特征,确定所述心电信号对应ST-T波段改变的概率。具体地,可以根据T波高尖或者深倒确定ST-T波段改变的概率。
如S102中所述,述信号特征为:所述心电信号的相邻RR间隔前后比例。以下结合图5介绍所述信号特征为“所述心电信号的相邻RR间隔前后比例”时,确定所述目标处理策略的实现方式。
参见图5,该图为本申请实施例提供的另一种确定目标处理策略的方法的流程示意图。
S501:若所述相邻RR间隔前后比例小于第二预设阈值,则确定心博分析策略为所述目标处理策略。
本申请实施例不具体限定所述第二预设阈值的具体取值,作为一种示例,所述第二预设阈值可以为0.4。
发明人在研究中发现,当相邻RR间隔前后比例小于第二预设阈值时,在一定程度上表示,心博异常的概率比较高。因此,若所述相邻RR间隔前后比例小于第二预设阈值,则可以将心博分析策略确定为所述目标处理策略。
S502:若所述相邻RR间隔前后比例大于或者等于第二预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心博分析策略的处理策略。
当所述相邻RR间隔前后比例大于或者等于所述第二预设阈值时,在一定程度上可以表征心博异常的概率比较低,因此,可以不采用心博处理策略对所述心电信号进行处理,而是从其它处理策略中确定目标处理策略,避免浪费不必要的信号处理资源。
需要说明的是,此处提及的其它处理策略,可以为S104中提及的心律分析策略、心房心室分析策略、传导阻滞分析策略、ST-T波段改变分析策略、心动分析策略和心电轴分析策略中的任意一个或组合。
S501将所述心博处理策略确定为目标处理策略之后,则可以利用该心博处理策略对所述心电信号进行处理。
以下结合附图介绍利用所述心博分析策略对所述心电信号进行处理的具体实现方式。
参见图6,该图为本申请实施例提供的一种利用心博分析策略对心电信号进行处理的方法的流程示意图。
S601:提取所述心电信号的心博片段,并对所述心博片段进行预处理,使得处理后的心博片段的长度为预设长度。
在本申请实施例中,可以根据各心博R波波峰位置以及前后RR间隔,提取各心博片段。
在本申请实施例中,所述预设长度可以等于所述心电信号的采样频率。
在本申请实施例中,考虑到心搏片段的起点为R波波峰前RR间隔的后1/3位置,终点为R波波峰后RR间隔的前2/3位置。如果心搏片段长度大于心电信号采样率,则按1:2比例去掉首尾多余部分,使其长度为心电信号采样率,如果心搏片段长度小于心电信号采样率,则在心搏片段的首尾按1:2比例补零,使其长度为心电信号采样率。
S602:将所述心博片段作为心博分析模型的输入,得到各类心博异常的概率。
在本申请实施例中,心博异常例如可以包括房性早搏、室上性早搏以及室性早搏等类型。
在本申请实施例中,所述心博分析模型,是预先利用待训练的心博片段,及其对应的能够表征各类心博异常的概率的标签,通过训练得到的。该心博分析模型可以利用心博片段,得到各类心博异常的概率。
在本申请实施例中,所述卷积神经网络为1维卷积神经网络,可结合图7进行理解,图7为本申请实施例提供的一种心博分析模型的结构示意图。
如图7所示,所述心博分析模型700可以包括:输入层710、卷积层720、批标准化(Batch Norm,BN)层730、ReLU层740、最大池化层750、全连接FC层760a和760b和Softmax层770。
输入层710,为一维心电信号数据,数据长度心电信号采样率一致。
卷积层(Conv1D)720,采用一维卷积,卷积核大小为5,滑动距离为1,第一层卷积的输入通道数为1,输出通道数分别为64,128,256。
Batch Norm层730,衰减系数为0.997。
ReLU层740,采用ReLU为非线性激活函数。
最大池化层750,核大小为5,滑动距离为2。
FC层760a和760b,全连接层760a的输出单元数为40,第二个全连接层760b的输出单元数为4。
Softmax层770,获得该心搏属于各输出类别的概率。
选用Adam最优化方法优化模型参数,这里选取步长为0.001;矩估计衰减率分别为ρ1=0.91ρ2,=0.999并设定mini-batch大小为64,损失函数为交叉熵。
需要说明的是,图7只是为了方便理解而示出,其并不构成对本申请实施例的限定。
如S102中所述,述信号特征为:所述心电信号的心率变异性。以下介绍所述信号特征为“所述心电信号的心率变异性”时,确定所述目标处理策略的实现方式。
在本申请实施例中,可以根据心电信号的统计特征确定各类心动异常的概率和各类心电轴异常的概率。
需要说明的是,此处提及的统计特征,可以包括心电信号的心室率、心率变异性以及RR间期等。在本申请实施例中,可以根据各心博R波波峰的位置,确定上述统计特征。
在本申请实施例中,可以根据心室率确定各类心动异常的概率。其中,心动异常例如可以包括心动过快、心动过缓和心动不齐。
在本申请实施例中,心电轴异常可以包括心电轴左偏和心电轴右偏。在本申请实施例中,可以根据I导联QRS主波和III导联QRS主波确定各类心电轴异常的概率。
在本申请实施例中,考虑到在实际中,采集的心电信号可能存在质量低、噪声比较多的问题,而对质量比较低的心电信号进行处理可以认为是无意义的,当待处理的心电信号的噪声比较多时,可能会影响处理结果的准确性。
鉴于此,在本申请实施例中,在执行S101之前,还可以包括如下步骤A-B,以保证获取的待处理的心电信号为质量高、噪声少的心电信号。
A:利用质量分析模型对采集的心电信号进行质量分析。
在本申请实施例中,所述质量分析模型可以为卷积神经网络模型,所述卷积神经网络模型的结构与图7所示的心博分析模型的结构类似,只是图7所示的心博分析模型包括Softmax层,而质量分析模型不包括输出各类心博异常的Softmax层,而是包括输出质量结果的Sigmid层。关于所述质量分析模型的模型参数,此处不再详述。
在本申请实施例中,所述执行分析模型是基于待训练心电信号的特征,以及对应的能够表征心电信号质量的标签,训练得到的。因此,利用质量分析模型对采集的心电信号进行质量分析时,可以提取所述采集的心电信号的信号特征,将所述提取的信号特征作为所述质量分析模型的输入,以得到所述采集的心电信号的分析结果。
B:若所述采集的心电信号的质量满足要求,对所述采集的心电信号进行去噪处理得到所述待处理的心电信号。
当所述质量满足要求时,在一定程度上表征对所述采集的心电信号进行处理是有一定意义的,此时,为了提高处理结果的准确性,可以进一步对所述采集的心电信号进行去噪处理,并将去燥处理之后得到的心电信号作为所述待处理的心电信号。
本申请实施例中提及的去噪处理,是指过滤掉所述采集的心电信号中的高低频噪声。在本申请实施例的一种可能的实现方式中,可以通过小波去噪对过滤掉高频噪声,可以通过高通去噪过滤掉低频噪声。其中,所述小波例如可以为bior6.8小波。
基于以上实施例提供的心电信号分析方法,以下结合附图介绍在实际中所述心电信号分析方法的可能的体现形式。
参见图8,该图为本申请实施例提供的一种心电信号分析方法的流程示意图。
本申请实施例提供的方法,可以包括如下步骤S801-S809实现。
S801:采集心电信号。
S802:对所述采集的心电信号进行质量分析,确定所述质量满足要求。
S803:对所述采集的心电信号进行去噪处理,得到待处理的心电信号。
S804:对所述待处理的心电信号进行R波检测,确定各心博R波峰值的位置。
S805:根据所述各心博R波峰值的位置计算出所述R波的统计特征;所述统计特征包括所述R波的心室率和心率变异性。
S806a:将心动分析策略和心电轴分析策略确定为所述目标处理策略。
S806b:判断所述心室率是否大于或者等于第一预设阈值,如果是,执行S807a,否则执行S807b。
S807a:将心律分析策略确定为所述目标处理策略。
S807b:提取所述待处理的心电信号的波形特征,并将心动分析策略和心电轴分析策略确定为所述目标处理策略。
S808:判断相邻RR间隔前后比例是否小于第二预设阈值,如果是,执行S809。如果否,则不执行S809。
S809:确定心博分析策略为目标处理策略。
需要说明的是,图8所示的对心电信号进行处理的流程只是本申请实施例的一种可能的实现方式,其并不构成本申请实施例的限定。实际上,S808和S806的执行步骤本申请实施例不做具体限定。
示例性设备
基于以上实施例提供的心电信号处理方法,本申请实施例还提供了一种心电信号处理装置,以下结合附图介绍该装置。
参见图9,该图为本申请实施例提供的一种心电信号处理装置的结构示意图。所述装置900例如可以具体包括:获取单元910、提取单元920、确定单元930和处理单元940。
获取单元910,用于获取待处理的心电信号;
提取单元920,用于提取所述心电信号的信号特征;
确定单元930,用于根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;
处理单元940,用于利用所述目标处理策略对所述心电信号进行处理。
可选的,所述信号特征包括:所述心电信号的心室率;
所述确定单元930,具体用于:
若所述心室率大于或者等于第一预设阈值,则确定心律分析策略为所述目标处理策略;
若所述心室率小于所述第一预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心律分析策略的处理策略。
可选的,所述处理单元940,具体用于:
将所述心电信号切割成时间长度为预设时间长度的心电片段,并提取所述心电片段包括的心博;
提取各个心博的特征,并获取所述心电信号对应的心率变异性;
将所述各个心博的特征和所述心率变异性作为心律分析模型的输入,得到所述心电信号对应的各类心律异常的概率。
可选的,所述其它处理策略,包括:心房心室分析策略、传导阻滞分析策略以及ST-T波段改变分析策略中的任意一种或者组合;
若从其它处理策略中确定所述目标处理策略包括所述心房心室分析策略,所述处理单元940,具体用于:
利用所述心电信号的波形特征,确定所述心电信号对应的心房异常的概率以及心室异常的概率;
若从其它处理策略中确定所述目标处理策略包括所述传导阻滞分析策略,所述处理单元940,具体用于:
利用利用所述心电信号的波形特征,确定所述心电信号对应传导阻滞的概率;
若从其它处理策略中确定所述目标处理策略包括所述ST-T波段改变分析策略,所述处理单元940,具体用于:
利用利用所述心电信号的波形特征,确定所述心电信号对应ST-T波段改变的概率。
可选的,所述信号特征包括:所述心电信号的相邻RR间隔前后比例;
所述确定单元930,具体用于:
若所述相邻RR间隔前后比例小于第二预设阈值,则确定心博分析策略为所述目标处理策略;
若所述相邻RR间隔前后比例大于或者等于第二预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心博分析策略的处理策略;
当所述目标处理策略为心博分析策略,所述处理单元940,具体用于:
提取所述心电信号的心博片段,并对所述心博片段进行预处理,使得处理后的心博片段的长度为预设长度;
将所述心博片段作为心博分析模型的输入,得到各类心博异常的概率。
可选的,所述信号特征包括心率变异性,所述确定单元930,具体用于:将心动分析策略和心电轴分析策略确定为所述目标处理策略;
相应的,所述处理单元940,具体用于:
根据所述心电信号的统计特征确定各类心动异常的概率和各类心电轴异常的概率。
可选的,在获取所述待处理的心电信号之前,所述装置900还包括:
分析单元,用于利用质量分析模型对采集的心电信号进行质量分析;
去噪单元,用于若所述采集的心电信号的质量满足要求,对所述采集的心电信号进行去噪处理得到所述待处理的心电信号。
由于所述装置900是与以上方法实施例提供的方法对应的装置,所述装置900的各个单元的具体实现,均与以上方法实施例为同一构思,因此,关于所述装置900的各个单元的具体实现,可以参考以上方法实施例的描述部分,此处不再赘述。
通过以上描述可知,在申请实施例中,包括多种对心电信号进行处理的处理策略。获取质量满足要求的心电信号之后,提取所述心电信号的特征,并根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;进一步利用所述目标处理策略对所述心电信号进行处理。也就是说,在本申请实施例中,可以根据所述信号特征从多种处理策略中确定对应的目标处理策略,而无需将所有的处理策略均执行一遍,提升了对心电信号进行处理的效率。
本申请实施例还提供了一种心电信号处理设备,所述设备包括:处理器和存储器;
所述存储器,用于存储指令;
所述处理器,用于执行所述存储器中的所述指令,执行以上实施例提供的心电信号的处理方法。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行一种心电信号处理方法,所述方法包括:
获取待处理的心电信号;
提取所述心电信号的信号特征;
根据所述信号特征,从多种处理策略中确定与每种所述信号特征分别对应的目标处理策略;
利用所述目标处理策略对所述心电信号进行处理。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种心电信号处理方法,其特征在于,所述方法包括:
获取待处理的心电信号;
提取所述心电信号的信号特征;其中,所述信号特征包括心室率、相邻RR间隔前后比例、或者心率变异性中至少一个;
根据所述信号特征,从多种处理策略中确定与每种所述信号特征分别对应的目标处理策略;其中,所述多种处理策略包括心律分析策略、心博分析策略、心动分析策略、或者心电轴分析策略中的至少一个;所述目标处理策略的确定过程包括:若所述信号特征包括心室率,且所述心室率大于或者等于第一预设阈值,则确定所述目标处理策略包括所述心律分析策略;若所述信号特征包括相邻RR间隔前后比例,且所述相邻RR间隔前后比例小于第二预设阈值,则确定所述目标处理策略包括所述心博分析策略;若所述信号特征包括心率变异性,则确定所述目标处理策略包括所述心动分析策略和所述心电轴分析策略;
利用所述目标处理策略对所述心电信号进行处理。
2.根据权利要求1所述的方法,其特征在于,所述信号特征包括心室率;所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:
若所述心室率大于或者等于第一预设阈值,则确定心律分析策略为所述目标处理策略;
若所述心室率小于所述第一预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心律分析策略的处理策略。
3.根据权利要求2所述的方法,其特征在于,所述利用所述心律分析策略对所述心电信号进行处理,包括:
将所述心电信号切割成时间长度为预设时间长度的心电片段,并提取所述心电片段包括的心博;
提取各个心博的特征,并获取所述心电信号对应的心率变异性;
将所述各个心博的特征和所述心率变异性作为心律分析模型的输入,得到所述心电信号对应的各类心律异常的概率。
4.根据权利要求2所述的方法,其特征在于,所述其它处理策略,包括:心房心室分析策略、传导阻滞分析策略以及ST-T波段改变分析策略中的任意一种或者组合;
若从其它处理策略中确定所述目标处理策略包括所述心房心室分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用所述心电信号的波形特征,确定所述心电信号对应的心房异常的概率以及心室异常的概率;
若从其它处理策略中确定所述目标处理策略包括所述传导阻滞分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用利用所述心电信号的波形特征,确定所述心电信号对应传导阻滞的概率;
若从其它处理策略中确定所述目标处理策略包括所述ST-T波段改变分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
利用利用所述心电信号的波形特征,确定所述心电信号对应ST-T波段改变的概率。
5.根据权利要求1所述的方法,其特征在于,所述信号特征包括:相邻RR间隔前后比例;
所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:
若所述相邻RR间隔前后比例小于第二预设阈值,则确定心博分析策略为所述目标处理策略;
若所述相邻RR间隔前后比例大于或者等于第二预设阈值,则从其它处理策略中确定所述目标处理策略;所述其它处理策略为所述多种处理策略中除去所述心博分析策略的处理策略;
当所述目标处理策略为心博分析策略,所述利用所述目标处理策略对所述心电信号进行处理,包括:
提取所述心电信号的心博片段,并对所述心博片段进行预处理,使得处理后的心博片段的长度为预设长度;
将所述心博片段作为心博分析模型的输入,得到各类心博异常的概率。
6.根据权利要求1所述的方法,其特征在于,所述信号特征包括心率变异性,所述根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略,包括:将心动分析策略和心电轴分析策略确定为所述目标处理策略;
相应的,所述利用所述目标处理策略对所述心电信号进行处理,包括:
根据所述心电信号的统计特征确定各类心动异常的概率和各类心电轴异常的概率。
7.根据权利要求1-6任意一项所述的方法,其特征在于,在获取所述待处理的心电信号之前,所述方法还包括:
利用质量分析模型对采集的心电信号进行质量分析;
若所述采集的心电信号的质量满足要求,对所述采集的心电信号进行去噪处理得到所述待处理的心电信号。
8.一种心电信号处理装置,其特征在于,所述装置包括:
获取单元,用于获取待处理的心电信号;
提取单元,用于提取所述心电信号的信号特征;其中,所述信号特征包括心室率、相邻RR间隔前后比例、或者心率变异性中至少一个;
确定单元,用于根据所述信号特征,从多种处理策略中确定与所述信号特征对应的目标处理策略;其中,所述多种处理策略包括心律分析策略、心博分析策略、心动分析策略、或者心电轴分析策略中的至少一个;所述目标处理策略的确定过程包括:若所述信号特征包括心室率,且所述心室率大于或者等于第一预设阈值,则确定所述目标处理策略包括所述心律分析策略;若所述信号特征包括相邻RR间隔前后比例,且所述相邻RR间隔前后比例小于第二预设阈值,则确定所述目标处理策略包括所述心博分析策略;若所述信号特征包括心率变异性,则确定所述目标处理策略包括所述心动分析策略和所述心电轴分析策略;
处理单元,用于利用所述目标处理策略对所述心电信号进行处理。
9.一种心电信号处理设备,其特征在于,所述设备包括:处理器和存储器;
所述存储器,用于存储指令;
所述处理器,用于执行所述存储器中的所述指令,执行权利要求1-7任意一项所述的方法。
10.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533869.7A CN109480826B (zh) | 2018-12-14 | 2018-12-14 | 一种心电信号处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533869.7A CN109480826B (zh) | 2018-12-14 | 2018-12-14 | 一种心电信号处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109480826A CN109480826A (zh) | 2019-03-19 |
CN109480826B true CN109480826B (zh) | 2021-07-13 |
Family
ID=65710167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533869.7A Active CN109480826B (zh) | 2018-12-14 | 2018-12-14 | 一种心电信号处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480826B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141216B (zh) * | 2019-05-29 | 2022-09-30 | 清华大学深圳研究生院 | 一种心电信号qrs特征波的识别方法、训练方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828913A (zh) * | 2010-04-16 | 2010-09-15 | 无锡市优特科科技有限公司 | 基于算法服务器的心电图远程诊断*** |
CN102626310A (zh) * | 2012-04-23 | 2012-08-08 | 天津工业大学 | 基于提升小波变换和改进近似包络的心电特征检测算法 |
CN102697491A (zh) * | 2012-06-26 | 2012-10-03 | 海信集团有限公司 | 心电图特征波形识别方法和*** |
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 |
CN103431855A (zh) * | 2013-08-30 | 2013-12-11 | 重庆理工大学 | 起搏心电信号的非平衡深度压缩方法 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105125206A (zh) * | 2015-09-15 | 2015-12-09 | 中山大学 | 一种智能心电监护方法及装置 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及*** |
CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
WO2016210407A1 (en) * | 2015-06-26 | 2016-12-29 | Carnegie Mellon University | System and method for hierarchical referencing for biopotential measurements |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9463072B2 (en) * | 2013-08-09 | 2016-10-11 | Siemens Aktiengesellschaft | System and method for patient specific planning and guidance of electrophysiology interventions |
-
2018
- 2018-12-14 CN CN201811533869.7A patent/CN109480826B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828913A (zh) * | 2010-04-16 | 2010-09-15 | 无锡市优特科科技有限公司 | 基于算法服务器的心电图远程诊断*** |
CN102626310A (zh) * | 2012-04-23 | 2012-08-08 | 天津工业大学 | 基于提升小波变换和改进近似包络的心电特征检测算法 |
CN102697491A (zh) * | 2012-06-26 | 2012-10-03 | 海信集团有限公司 | 心电图特征波形识别方法和*** |
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 |
CN103431855A (zh) * | 2013-08-30 | 2013-12-11 | 重庆理工大学 | 起搏心电信号的非平衡深度压缩方法 |
CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
WO2016210407A1 (en) * | 2015-06-26 | 2016-12-29 | Carnegie Mellon University | System and method for hierarchical referencing for biopotential measurements |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105125206A (zh) * | 2015-09-15 | 2015-12-09 | 中山大学 | 一种智能心电监护方法及装置 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN105411567A (zh) * | 2015-12-15 | 2016-03-23 | 北京世纪今科医疗器械有限公司 | 一种心电图数据分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109480826A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
CN107837082B (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
Kaur et al. | ECG signal analysis and arrhythmia detection using wavelet transform | |
US20190167143A1 (en) | Electrocardiogram processing system for delineation and classification | |
CN109411041B (zh) | 心电信息处理方法和心电工作站*** | |
US8666483B2 (en) | System for cardiac medical condition detection and characterization | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
Liu et al. | Automatic identification of abnormalities in 12-lead ECGs using expert features and convolutional neural networks | |
Anuradha et al. | ANN for classification of cardiac arrhythmias | |
Mahajan et al. | Cardiac rhythm classification from a short single lead ECG recording via random forest | |
EP2030565A1 (en) | Systems for safe and remote outpatient ECG monitoring | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
Serhal et al. | Overview on prediction, detection, and classification of atrial fibrillation using wavelets and AI on ECG | |
Kshirsagar et al. | Classification of ECG-signals using artificial neural networks | |
Mishra et al. | Wearable ECG for real time complex P-QRS-T detection and classification of various arrhythmias | |
Dang et al. | A novel deep convolutional neural network for arrhythmia classification | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及*** | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
CN109480826B (zh) | 一种心电信号处理方法、装置及设备 | |
Mohamad et al. | Principal component analysis and arrhythmia recognition using elman neural network | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
Boon et al. | Ventricular tachyarrhythmia prediction based on heart rate variability and genetic algorithm |
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 |