CN110558973B - 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 - Google Patents
一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 Download PDFInfo
- Publication number
- CN110558973B CN110558973B CN201910841966.0A CN201910841966A CN110558973B CN 110558973 B CN110558973 B CN 110558973B CN 201910841966 A CN201910841966 A CN 201910841966A CN 110558973 B CN110558973 B CN 110558973B
- Authority
- CN
- China
- Prior art keywords
- signal
- extreme
- value
- energy
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 36
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 45
- 238000010183 spectrum analysis Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 239000003054 catalyst Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 121
- 208000019622 heart disease Diseases 0.000 description 17
- 206010007559 Cardiac failure congestive Diseases 0.000 description 14
- 208000031229 Cardiomyopathies Diseases 0.000 description 13
- 208000010125 myocardial infarction Diseases 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000033764 rhythmic process Effects 0.000 description 6
- 238000000718 qrs complex Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 206010019280 Heart failures Diseases 0.000 description 4
- 241001325280 Tricardia watsonii Species 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003683 cardiac damage Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009064 short-term regulation Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
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
-
- 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
- A61B5/72—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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于极值能量分解法的心电图信号量化分析方法，包括获取给定时间和给定采样频率下的未知状态的ECG信号x(t)；将ECG信号x(t)进行去噪预处理；将去噪后的ECG信号x(t)作为原始信号，将原始信号x(t)分解为n个极值模态函数分量和一个余量，将原始信号x(t)分解得的n个极值模态函数分量，代表了原始信号不同频段的分量，根据n个极值模态函数分量判定该ECG信号是否为异常心电图信号以及其异常程度等级。本发明采用极值能量分解方法分析ECG信号，将原始信号分解为多个分量，也就是极值分量函数，计算每一个分量的能量，得到其能量分布。
Description
技术领域
本发明涉及一种心电图信号分析，尤其涉及一种基于极值能量分解法的心电图信号量化分析方法。
背景技术
生理信号是由生命体多个***相互作用产生的，不同***作用的时间和强度不同，导致生理信号具有时间和空间上的复杂性。ECG(electrocardiogram)信号反应了心脏搏动的电活动过程，对于心脏基本功能和疾病诊断有重要的指导意义。ECG信号包括P 波、QRS波、T波等几个不同的波群，每一个波群包含不同的频率成分，不同的频率成分在ECG信号中的能量分布比例不同。研究表明，ECG信号99％的能量集中在0～40Hz 的范围内，对于不同的波群，频率分布范围和能量比例都有一定的规律。心脏疾病会引起ECG信号能量分布发生改变，研究ECG能量分布，对于揭示心脏疾病引起的功能改变有重要的临床指导意义。
在ECG的能量(频谱)研究方面，传统经典方法，比如频谱分析、时域分析等已有很多，然而，ECG信号是非平稳非线性信号，传统频域分析方法更适合分析平稳信号，并且只能给出全局频率信息。另外对频域进行分段时，传统方法往往根据几个固定的频率点进行划分，没有考虑不同信号自身的波动特点和各信号之间的差异。
因此，亟待解决上述问题。
发明内容
发明目的：本发明的目的是提供一种可采用较少数据即可直观反映心电图能量分布和信号波动的真实规律的基于极值能量分解法的心电图信号分析方法。
技术方案：为实现以上目的，本发明公开了一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、获取给定时间和给定采样频率下的未知状态的ECG信号x(t)；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：将ECG信号经过 40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，然后判断hk(t)是否满足停止准则，如果不满足，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，直到hk(t)满足停止准则，得到第2、3、…、n个极值模态函数分量及余量rn(t)，于是将原始信号x(t)分解为n个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，n，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的n个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，n
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,n
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例；根据归一化的能量分布向量绘制归一化能量分布图，其中横坐标表示分量层次，纵坐标表示归一化的能量分布向量值，曲线表示平均值，误差棒表示标准差；
(8)、将未知状态的ECG信号的归一化的能量分布向量pi和标准ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，判断第一极值模态函数分量上的概率值P1和第二极值模态函数分量上的概率值P2是否小于概率标准值，若不小于则返回步骤(1)重新获取信号；
(9)、在满足P1和P2小于概率标准值的条件下，若第一个极值模态函数分量的能量分布向量p1小于第二个极值模态函数分量的能量分布向量p2，则判定该ECG信号为异常心电图信号；
(10)、若ECG信号为异常心电图信号，再计算第2个极值模态函数分量的能量分布向量p2平均值与第3个极值模态函数分量的能量分布向量p3平均值的连线斜率值K，当斜率值K＝0.05～0.11时，该ECG信号的异常程度为第一等级；当斜率值K＝0.12～0.19 时，该ECG信号的异常程度为第二等级；斜率值K＝0.20～0.25时，该ECG信号的异常程度为第三等级，且等级越高代表异常程度越严重。
其中，所述原始信号x(t)所需最少数据量N＝2n+1，其中n为分解出的极值模态函数分量的数量。
优选的，所述步骤(4)中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称。
再者，所述步骤(5)中hk(t)满足停止准则的公式为：
进一步，所述步骤(8)和步骤(9)中的概率标准值为0.05。
有益效果：与现有技术相比，本发明具有以下显著优点：
本发明采用极值能量分解方法(Extremum Energy Decomposition，EED)分析ECG信号，将原始信号分解为多个分量，也就是极值分量函数，计算每一个分量的能量，得到其能量分布；本发明的可依据生物医学信号自身的波动规律，，不仅可将信号分解为从高频到低频的不同时间层次信号，还可将信号异常程度分成几个等级，等级越高，信号异常程度越严重；极值分解在所有层次上得到的数据长度相同，因而不会导致数据长度减小，从而使其可以用于短时间数据分析，即需要很少数据量即可分析得到准确结果； EED对于不同层次分量能量分析不容易受噪声的影响。
附图说明
图1为本发明中原始信号的示意图；
图2为本发明中原始信号求取包络线的示意图；
图3为本发明中原始信号的减去包络均值信号的示意图；
图4为本发明中得到第一个极值模态函数分量的示意图；
图5为本发明中极值能量分解法的流程示意图；
图6为本发明实施例1中ECG信号的EED分解示意图；
图7为本发明实施例1中ECG信号的频谱图；
图8为本发明实施例2中ECG信号的EED分解示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1、图2、图3、图4和图5所示，本发明的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、获取给定时间和给定采样频率下的未知状态的ECG信号x(t)；原始信号x(t)所需最少数据量N＝2n+1，其中n为分解出的极值模态函数分量的数量；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：将ECG信号经过 40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，然后判断hk(t)是否满足停止准则，如果不满足，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，直到hk(t)满足停止准则，得到第2、3、…、n个极值模态函数分量及余量rn(t)，于是将原始信号x(t)分解为n个极值模态函数分量和一个余量，即
其中hk(t)满足停止准则的公式为：
(6)、对极值模态函数分量ci(t)，i＝1，2，…，n，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的n个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，n
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,n
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例；根据归一化的能量分布向量绘制归一化能量分布图，其中横坐标表示分量层次，纵坐标表示归一化的能量分布向量值，曲线表示平均值，误差棒表示标准差；
(8)、将未知状态的ECG信号的归一化的能量分布向量pi和标准ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，判断第一极值模态函数分量上的概率值P1和第二极值模态函数分量上的概率值P2是否小于概率标准值，若不小于则返回步骤(1)重新获取信号；
(9)、在满足P1和P2小于概率标准值的条件下，若第一个极值模态函数分量的能量分布向量p1小于第二个极值模态函数分量的能量分布向量p2，则判定该ECG信号为异常心电图信号；
(10)、若ECG信号为异常心电图信号，再计算第2个极值模态函数分量的能量分布向量p2平均值与第3个极值模态函数分量的能量分布向量p3平均值的连线斜率值K，当斜率值K＝0.05～0.11时，该ECG信号的异常程度为第一等级；当斜率值K＝0.12～0.19 时，该ECG信号的异常程度为第二等级；斜率值K＝0.20～0.25时，该ECG信号的异常程度为第三等级，且等级越高代表异常程度越严重，斜率K值越大表示信号异常越严重。
本发明采用的极值能量分解方法(Extremum Energy Decomposition,EED)，其是基于极值模态函数的概念的方法，极值模态函数是同时满足下面两个条件的具有单一频率的一类信号，两个条件为：
(a)、在整个数据序列中，极值点(包括极大值和极小值)的数量与过零点的数量必须相等或者最多相差一个；
(b)在任意时刻，局部极大值点形成的上包络线与局部极小值点形成的下包络线的均值为零，也就是说局部上下包络线对于时间轴局部对称；
上面两个条件，条件(a)类似于高斯正态平稳过程对于传统窄带的要求，条件(b)保证了由极值模态函数计算得到的瞬时频率有物理意义。
本发明的极值模态函数分解终止的标准选择要适中，条件太严格，会导致最后几个极值模态函数分量失去意义；条件太宽松，会导致有用的分量丢失；在实际应用中，也可以根据需求设定需要分解的极值模态函数分量层数，当满足分解层数时即终止计算。
实施例1
本发明的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从physionet的健康人正常窦性数据库nsrdb内获取给定时间和给定采样频率下的ECG信号x(t)；数据长度为8s，原始信号x(t)所需最少数据量为N＝2n+1＝29，其中 n为分解出的极值模态函数分量的数量，n设为8；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
如图6所示，根据波形特点，ECG信号可以分为P、QRS、T波三个波群；根据分解8个极值模态函数分量，可得出c1(t)和c2(t)具有最高的频率表示ECG信号中频率最高的QRS波群的分解成分，c3(t)表示ECG信号中高频QRS波群和P波叠加的分解成分， c4(t)表示ECG信号中高频QRS波群、P波和T波叠加的分解成分，c5(t)表示ECG信号中QRS波群、P波和T波的低频部分叠加的分解成分，c6(t)表示代表心脏跳动节律的心动周期，c7(t)和c8(t)表示代表了心脏的长时节律的更大时间尺度上的心脏生理调整节律；观察信号的幅值，频率最高的分量具有较高的幅值，能量最高；频率最低的分量幅值较低，能量较低；
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率，如表1；其中对c1进行频谱分析，得到图7所示频谱图，可得出c1的中心频率在20Hz左右，主要频率集中在15～25Hz的范围；如现有研究表明，P 波的频谱范围为0～18Hz(±3Hz)，能量主要集中在5～12Hz；QRS波的频谱范围为 0～37Hz(±5Hz)，能量主要集中在6～18Hz；T波的频谱范围为0～8Hz(±2Hz)，能量主要集中在0～8Hz。对比表1可以看出，QRS波群的频带主要包含了c1、c2两个分量，P波主要包含了c3，c4两个分量，T波主要包含了c4～c8的分量部分。需要注意的是，这里说的包含并不是说每一个分量只由特定的ECG波群(P、QRS、T波)决定，或者每一个 ECG波群只包含于特定的分量中，上面的波群——能量关系是一个主要的对应关系，而不是全部。例如，代表低频部分的c5～c8分量，是由各个ECG波群的低频部分叠加的结果，而不是由某一特定的ECG波群决定。本发明的极值模态函数分量和各层次的极值模态函数分量均说明ECG的极值模态函数分量能够代表一定的ECG波群波动情况，反应ECG在不同层次上的波动规律；相比较传统的频域分析方法，EED方法可以直接观察ECG在各个层次上的波动情况，非常直观。
表1各个极值模态函数分量的中心频率
实施例2
将EED分析方法用于分析健康人和CHF患者ECG在不同层次下的能量分布。
健康人年轻人的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从physionet的ptbdb数据库获取采样频率为128Hz的ECG信号x(t)；其中ptbdb数据库包含297个个体的549组数据，其中健康年轻人18人(取年龄小于36岁的个体，年龄28.3±4.7)，原始信号x(t)所需最少数据量N＝2n+1＝29，其中n为分解出的极值模态函数分量的数量，n取8；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的8个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，8
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,8
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例。
健康人老年人的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从physionet的ptbdb数据库获取采样频率为128Hz的ECG信号x(t)；其中ptbdb数据库包含包含297个个体的549组数据，其中健康老年人7人(取年龄大于59 岁的个体，年龄69.4±5.4)，原始信号x(t)所需最少数据量N＝2n+1＝29，其中n为分解出的极值模态函数分量的数量，n取8；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的8个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，8
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,8
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例。
心肌梗死(MI)患者的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从physionet的ptbdb数据库获取采样频率为128Hz的ECG信号x(t)；其中ptbdb数据库包含包含297个个体的549组数据，其中心肌梗死(MI)148人(年龄 60.5±11.0)，原始信号x(t)所需最少数据量N＝2n+1＝29，其中n为分解出的极值模态函数分量的数量，n取8；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的8个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，8
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,8
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例。
心肌病(CM)患者的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从physionet的ptbdb数据库获取采样频率为128Hz的ECG信号x(t)；其中ptbdb数据库包含包含297个个体的549组数据，其中心肌病(CM)15人(年龄59.7±14.4)，原始信号x(t)所需最少数据量N＝2n+1＝29，其中n为分解出的极值模态函数分量的数量， n取8；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的8个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，8
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,8
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例。
CHF患者的一种基于极值能量分解法的心电图信号量化分析方法，包括如下步骤：
(1)、从CHF数据库chfdb获取采样频率为128Hz的ECG信号x(t)，其中chfdb 数据库包含CHF患者(年龄60.5±11)，原始信号x(t)所需最少数据量N＝2n+1＝29，其中 n为分解出的极值模态函数分量的数量，n＝8；
((2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：由于ECG能量主要集中在0～40Hz，将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t) 是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；其中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，得到第2、3、…、8个极值模态函数分量及余量r8(t)，于是将原始信号x(t)分解为8个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，8，进行频谱分析得到各极值模态函数分量的中心频率，得到频域分析结果图，健康人能量分布在0～40Hz 的范围内，并且在20Hz以上的高频部分能量比例较高，CHF能量主要集中在20Hz以下，高频部分能量明显减少；
(7)、将原始信号x(t)分解得的8个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，8
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,8
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例。
根据健康年轻人、健康老年人、MI患者、CM患者和CHF患者的归一化的能量分布向量绘制归一化能量分布图，其中横坐标表示分量层次，纵坐标表示归一化的能量分布向量值，曲线表示平均值，误差棒表示标准差。
如图8所示，在分解层次1上，从健康年轻人到老年人再到各种疾病，能量值逐渐下降。健康年轻人和健康老年人在能量低层次，即层次1、层次2和层次3上能量曲线趋于水平分布，能量较高，层次4上能量特高。而其他三类疾病在分解层次1～3上能量递增，在层次3时能量达到最大值，之后逐渐降低。在层次1～3上，几组人群能量变化趋势完全相反，曲线发生交叉。心脏疾病患者能量分布曲线整体上呈倒“V”形，并且疾病越严重，倒“V”的现象越明显。心脏疾病引起了ECG极值能量在低层次上明显降低，表明疾病引起了人体心脏短时调节能力降低和对于环境的适应能力下降。同时心脏疾病患者在控制心律的分解层次上(层次5、6)具有更高的能量分布比例，或许对于心脏疾病患者，控制好心跳的节律更加重要。老年人相比较年轻人在尺度1上能量均值稍有降低，但降低趋势不明显，说明年龄并没有显著影响到ECG极值能量的分布，健康老年人仍然可以保持良好的心脏功能。
将健康年轻人的ECG信号的归一化的能量分布向量pi和健康老年人的ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，大于0.05则表明两者没有显著性差异，如表2所示。
表2 健康老年人与健康年轻人能量向量T检验
将健康老年人的ECG信号的归一化的能量分布向量pi和MI患者、CM患者和CHF 患者的ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，当概率值Pi小于0.05则表明两者有显著性差异，如表3所示。
表3健康老年人与心脏疾病患者能量向量T检验
将健康年轻人的ECG信号的归一化的能量分布向量pi和MI患者、CM患者和CHF 患者的ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，当概率值Pi小于0.05则表明两者有显著性差异，如表4所示。
表4健康年轻人与心脏疾病患者能量向量T检验
将MI患者、CM患者和CHF患者三者的ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，当概率值Pi小于0.05则表明两者有显著性差异，如表5所示。
表5 MI、CM、CHF三种疾病患者能量向量T检验
从上表可以得出：
(1)健康年轻人和健康老年人在任何能量层次上都没有显著性差异；
(2)健康老年人与三种心脏疾病患者在层次1、5、6上有较好的区分度；
(3)健康年轻人与三种心脏疾病患者在1、3、4、5、6几个层次上有较好的区分，尤其是层次1、3，对三类疾病患者都有显著性差异，相比较表3老年人与三种疾病患者的比较，心脏疾病患者与年轻人差异更加明显；
(4)三种疾病之间也有一些差异性，体现了对心脏损伤的不同特点。
以上结果可以得出心脏疾病显著引起了ECG高频层次(层次1)能量的降低，预示着心脏短时调节能力的下降，且从能量分布曲线整体上呈倒“V”形，且疾病越严重，倒“V”形的现象越明显；另外在表示心脏跳动节律的层次5、6上，心脏疾病患者与健康人也有比较好的区分，在5、6层次上的极值能量与健康人相比有更高的能量，说明心脏疾患者控制好心跳的节律相比于健康人更为重要。
通过对三个层次(层次1，2，3)的归一化能量的量化分析表明，心脏疾病显著引起了ECG极值能量高频层次(层次1)能量的降低，预示着心脏短时调节能力的下降；通过对这三个层次(层次1、5、6)的量化分析，可以为临床诊断提供参考。
如图8所示，图中走向趋势以层次“3”上的归一化能量值为顶点形成倒“V”形，由其左边以“1、2、3”层上能量点的连线和右边以“3、4、5、6、7、8”层上的能量点的连线构成。以左边“2、3”层上的能量点连线斜率值为量化分析的依据来判定ECG信号的异常程度，斜率值愈大，则异常程度愈严重。
计算曲线倒“V”形左边斜率K：MI(心肌梗死)患者K1＝0.08，CM(心肌病)患者 K2＝0.17，CMF(充血性心衰)患者K3＝0.22；
计算曲线倒“V”形右边斜率K：MI(心肌梗死)患者K1＝-0.05，CM(心肌病)患者K2＝-0.11，CMF(充血性心衰)患者K3＝-0.13。
Claims (5)
1.一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备，其特征在于，
用于获取原始信号x(t)的计算机，该计算机被编程以便执行如下步骤：
(1)、获取给定时间和给定采样频率下的未知状态的ECG信号x(t)；
(2)、将ECG信号x(t)进行去噪预处理；预处理的具体方法为：将ECG信号经过40Hz零相位FIR低通滤波器滤波消除高频噪声，然后经过中值滤波器去除基线漂移；
(3)、将去噪后的ECG信号x(t)作为原始信号，求出原始信号的所有局部极值点，然后将原始信号的所有极大值点和所有极小值点采用样条曲线连起来分别形成上包络线emax和下包络线emin，得到上、下包络线的包络均值信号m(t)＝(emax+emin)/2；
(4)、将原始信号x(t)减去包络均值信号m(t)，得到h(t)＝x(t)-m(t)；然后判断h(t)是否满足极值模态函数的判定条件，如果不满足，将h(t)作为原始信号返回至步骤(3)，直到hk(t)满足极值模态函数的判定条件，则记c1(t)＝hk(t)，作为第一个极值模态函数分量；
(5)、将原始信号x(t)减去第一个极值模态函数分量c1(t)，得到余量r1(t)＝x(t)-c1(t)，然后判断hk(t)是否满足停止准则，如果不满足，将r1(t)作为新的原始序列x(t)，返回至步骤(3)和(4)，直到hk(t)满足停止准则，得到第2、3、…、n个极值模态函数分量及余量rn(t)，于是将原始信号x(t)分解为n个极值模态函数分量和一个余量，即
(6)、对极值模态函数分量ci(t)，i＝1，2，…，n，进行频谱分析得到各极值模态函数分量的中心频率；
(7)、将原始信号x(t)分解得的n个极值模态函数分量，代表了原始信号不同频段的分量，然后计算其各个分量的能量
Ei＝∫|ci(t)|2dt,i＝1，2，…，n
将每一个能量值归一化，得到归一化的能量分布向量
pi＝Ei/E,i＝1,2,…,n
其中，
第一个分量p1表示最高频段的能量，代表了信号在最高频段范围内能量分布的比例，最后一个分量pn表示信号在最低频段范围内能量分布的比例；根据归一化的能量分布向量绘制归一化能量分布图，其中横坐标表示分量层次，纵坐标表示归一化的能量分布向量值，曲线表示平均值，误差棒表示标准差；
(8)、将未知状态的ECG信号的归一化的能量分布向量pi和标准ECG信号的归一化的能量分布向量pi进行显著性检测得到每一个极值模态函数分量上的概率值Pi，判断第一极值模态函数分量上的概率值P1和第二极值模态函数分量上的概率值P2是否小于概率标准值，若不小于则返回步骤(1)重新获取信号；
(9)、在满足P1和P2小于概率标准值的条件下，若第一个极值模态函数分量的能量分布向量p1小于第二个极值模态函数分量的能量分布向量p2，则判定该ECG信号为异常心电图信号；
(10)、若ECG信号为异常心电图信号，再计算第2个极值模态函数分量的能量分布向量p2平均值与第3个极值模态函数分量的能量分布向量p3平均值的连线斜率值K，当斜率值K＝0.05～0.11时，该ECG信号的异常程度为第一等级；当斜率值K＝0.12～0.19时，该ECG信号的异常程度为第二等级；斜率值K＝0.20～0.25时，该ECG信号的异常程度为第三等级，且等级越高代表异常程度越严重。
2.根据权利要求1的一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备，其特征在于：所述原始信号x(t)所需最少数据量N＝2n+1，其中n为分解出的极值模态函数分量的数量。
3.根据权利要求1的一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备，其特征在于：所述步骤(4)中极值模态函数的判定条件为：(a)、在整个数据序列中，极值点的数量与过零点的数量相等或者相差一个；(b)、在任意时刻，上下包络线对于时间轴对称。
4.根据权利要求1的一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备，其特征在于：所述步骤(5)中hk(t)满足停止准则的公式为：
5.根据权利要求1的一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备，其特征在于：所述步骤(8)和步骤(9)中的概率标准值为0.05。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910841966.0A CN110558973B (zh) | 2019-09-06 | 2019-09-06 | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 |
| AU2019101755A AU2019101755A4 (en) | 2019-09-06 | 2019-11-28 | Method for quantitatively analyzing electrocardiogram signal based on extremum energy decomposition method |
| PCT/CN2019/121415 WO2021042590A1 (zh) | 2019-09-06 | 2019-11-28 | 一种基于极值能量分解法的心电图信号量化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910841966.0A CN110558973B (zh) | 2019-09-06 | 2019-09-06 | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110558973A CN110558973A (zh) | 2019-12-13 |
| CN110558973B true CN110558973B (zh) | 2022-02-18 |
Family
ID=68778170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910841966.0A Active CN110558973B (zh) | 2019-09-06 | 2019-09-06 | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN110558973B (zh) |
| AU (1) | AU2019101755A4 (zh) |
| WO (1) | WO2021042590A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111657920B (zh) * | 2020-06-30 | 2022-10-21 | 毕胜普生物科技有限公司 | 心电图监测数据可视化方法及装置 |
| CN113359201B (zh) * | 2021-06-02 | 2023-06-30 | 西北工业大学 | 一种基于正交基函数obf的磁异常信号检测方法 |
| CN113449682B (zh) * | 2021-07-15 | 2023-08-08 | 四川九洲电器集团有限责任公司 | 一种基于动态融合模型识别民航领域射频指纹的方法 |
| CN113951905B (zh) * | 2021-10-20 | 2023-10-31 | 天津大学 | 一种用于日常动态监测的多通道胃电采集*** |
| CN114098656B (zh) * | 2022-01-26 | 2022-05-06 | 广东工业大学 | 基于经验模态分解及位平面转化的信号降噪方法与*** |
| CN115337018B (zh) * | 2022-09-19 | 2024-01-09 | 广东技术师范大学 | 基于整体动态特征的心电信号分类方法及*** |
| CN116407088B (zh) * | 2023-03-01 | 2024-01-09 | 山西美好蕴育生物科技有限责任公司 | 基于功率车的运动心率预测模型训练方法、心率预测方法 |
| CN116509415B (zh) * | 2023-04-21 | 2024-01-26 | 山东省人工智能研究院 | 一种基于信号分量的单元化形态学特征的降噪方法 |
| CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务*** |
| CN116910452B (zh) * | 2023-07-21 | 2024-04-26 | 郑州铁路职业技术学院 | 基于大数据的有害垃圾无菌化处理风险预测评估方法 |
| CN116992393B (zh) * | 2023-09-27 | 2023-12-22 | 联通(江苏)产业互联网有限公司 | 一种基于工业物联网的安全生产监测方法 |
| CN117390373B (zh) * | 2023-12-13 | 2024-05-17 | 广东企禾科技有限公司 | 一种通信传输设备调测维修管理方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106344006A (zh) * | 2016-11-03 | 2017-01-25 | 太原理工大学 | 基于极点对称模态分解和支持向量机的j波检测方法 |
| CN107184203A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于自适应集合经验模态分解的心电信号特征点识别方法 |
| CN108338784A (zh) * | 2017-01-25 | 2018-07-31 | 中国科学院半导体研究所 | 基于eemd的小波熵阈值的心电信号去噪方法 |
| CN109199366A (zh) * | 2018-10-12 | 2019-01-15 | 山东理工大学 | 基于变分模态分解的心电信号qrs波检测方法 |
| CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6738734B1 (en) * | 1996-08-12 | 2004-05-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting |
| US20080269628A1 (en) * | 2007-04-25 | 2008-10-30 | Siemens Medical Solutions Usa, Inc. | Denoising and Artifact Rejection for Cardiac Signal in a Sensis System |
| TWI439874B (zh) * | 2009-01-10 | 2014-06-01 | Ind Tech Res Inst | 結構化之經驗模態分解之訊號處理方法及其裝置 |
| CN101496716A (zh) * | 2009-02-26 | 2009-08-05 | 周洪建 | 利用ecg信号检测睡眠呼吸暂停的测量方法 |
| CN107361766B (zh) * | 2017-07-17 | 2021-05-14 | 中国人民解放军信息工程大学 | 一种基于emd域多维信息的情绪脑电信号识别方法 |
| CN108903914A (zh) * | 2018-06-01 | 2018-11-30 | 四川长虹电器股份有限公司 | 一种基于emd分解的mfcc的心音类型识别方法 |
| CN109171678B (zh) * | 2018-09-25 | 2021-06-22 | 北方民族大学 | 一种脉搏波的分析方法及装置 |
-
2019
- 2019-09-06 CN CN201910841966.0A patent/CN110558973B/zh active Active
- 2019-11-28 WO PCT/CN2019/121415 patent/WO2021042590A1/zh active Application Filing
- 2019-11-28 AU AU2019101755A patent/AU2019101755A4/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106344006A (zh) * | 2016-11-03 | 2017-01-25 | 太原理工大学 | 基于极点对称模态分解和支持向量机的j波检测方法 |
| CN108338784A (zh) * | 2017-01-25 | 2018-07-31 | 中国科学院半导体研究所 | 基于eemd的小波熵阈值的心电信号去噪方法 |
| CN107184203A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于自适应集合经验模态分解的心电信号特征点识别方法 |
| CN109199366A (zh) * | 2018-10-12 | 2019-01-15 | 山东理工大学 | 基于变分模态分解的心电信号qrs波检测方法 |
| CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021042590A1 (zh) | 2021-03-11 |
| AU2019101755A4 (en) | 2020-11-12 |
| CN110558973A (zh) | 2019-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110558973B (zh) | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 | |
| Salo et al. | Ectopic beats in heart rate variability analysis: effects of editing on time and frequency domain measures | |
| Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
| CN110464337B (zh) | 一种基于极值能量分解法的心率变异性信号分析方法 | |
| Costin et al. | Atrial fibrillation onset prediction using variability of ECG signals | |
| Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
| CN110558959B (zh) | 一种基于极值能量分解法的冥想训练的hrv信号分析方法 | |
| CN110558974B (zh) | 一种基于极值能量分解法的心电图信号分析方法 | |
| CN113384277B (zh) | 心电数据的分类方法及分类*** | |
| Balasundaram et al. | Wavelet-based features for characterizing ventricular arrhythmias in optimizing treatment options | |
| Qu et al. | ECG signal classification based on BPNN | |
| Parsi et al. | Heart rate variability analysis to predict onset of ventricular tachyarrhythmias in implantable cardioverter defibrillators | |
| Khavas et al. | Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion | |
| Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
| Hegde et al. | A review on ECG signal processing and HRV analysis | |
| Shirole et al. | Linear and nonlinear analysis of cardiac and diabetic subjects | |
| Dembrani et al. | Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE | |
| Crispi | Improving ventricular late potentials detection effectiveness | |
| Karnewar et al. | Preprocessing ECG signal by eliminating various noises using denoising methods | |
| Shama et al. | Hamming filter design for ECG signal detection and processing using co-simulation | |
| Goyal et al. | Study of HRV dynamics and comparison using wavelet analysis and Pan Tompkins algorithm | |
| Shu et al. | Signal processing on heart rate signals using the wavelet-based contourlet transform and multifractal | |
| Georgieva-Tsaneva | An Interactive Teaching System for Investigation of Heart Rate Variability | |
| Prabhakararao et al. | Detection of life-threatening arrhythmias using random noise and zerocrossing information | |
| Setiawan et al. | ST Segment Detection in Myocardial Infarction Using STM32 |
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 |