CN110811608A - 一种基于ecg信号的房颤监测方法 - Google Patents
一种基于ecg信号的房颤监测方法 Download PDFInfo
- Publication number
- CN110811608A CN110811608A CN201911136421.6A CN201911136421A CN110811608A CN 110811608 A CN110811608 A CN 110811608A CN 201911136421 A CN201911136421 A CN 201911136421A CN 110811608 A CN110811608 A CN 110811608A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- wave
- ecg
- identification model
- electrocardiogram
- 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.)
- Pending
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/7264—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (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
本发明公开了一种基于ECG信号的房颤监测方法,涉及心电图分析技术领域,本发明包括将心电图12导联ECG原始信号描绘在同一张画布上,保存为ECG信号图片;标记ECG信号图片中的波形以及R波高峰,利用深度卷积神经网络对预设识别模型进行训练,得到R波识别模型;根据R波位置找到R波高峰,根据R波高峰位置得到位置序列向量V,进而得到R‑R间期的差值向量V1;根据差值向量V1进行标记,若判定为房颤则记为1,否则记为0,进而得到判定结果集合;利用分类器对结果集合进行分类训练,得到房颤识别模型;利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别,进而监测出该段心电图是否有房颤,本发明具有能快速判断是否有房颤的优点。
Description
技术领域
本发明涉及心电图分析技术领域,更具体的是涉及一种基于ECG信号的房颤监测方法。
背景技术
ECG信号为心电图仪采集到的心电信号,通常称之为心电图,心电图中的每一个心动循环周期由一系列有规律的波形组成,它们分别是P波、QRS复合波和T波,而这些波形的起点、终点、波峰、波谷以及期间分别记录着心脏活动状态的详细信息,为心脏疾病的诊断提供着重要的分析依据。正常的人在正常情况下,心动周期为0.80s左右,即ECG信号的周期为0.80s左右。
P波由心房的激动所产生,后一半主要由左心房产生,正常的P波历时0.08s到0.11s,其波形小而圆;QRS复合波反映左右心室去极化过程的电位变化,QRS波群是心电图中变化最为激烈的波段,由三个紧密相连的波组成,第一个为波形向下的Q波,接着是波形向上的高而尖的R波,最后一个是向下的S波,QRS波群一般历时0.06s到0.10s,其波形的幅度变化比较大;T波代表心室复极化过程的电位变化,是继S波后的一个振幅较低的波,波形呈现扁平形状,在R波为主的心电图上,T波不应太低;U波位于T波之后,代表心室后继电位,同T波方向一致,幅度较T波低,有时波形不明显。
目前通常是通过ECG一维信号:时间和幅值,作为识别***的输入,让模型对序列信号进行识别,但由于在任何时候,PQRS波的形态变异相对较小,现有的模型很难对序列信号进行识别,并且目前大多是采用单导联或者少数导联进行识别,对信息的利用率较低。
发明内容
本发明的目的在于:为了解决由于PQRS波的形态变异相对较小,目前识别***的模型对ECG一维信号的识别存在困难的问题,本发明提供一种基于ECG信号的房颤监测方法。
本发明为了实现上述目的具体采用以下技术方案:
一种基于ECG信号的房颤监测方法,包括:
S1、训练得到R波识别模型:
S1.1:获取心电图12导联ECG原始信号,对其进行预处理后全部描绘在同一张画布上,然后将画布保存为ECG信号图片;
S1.2:标记ECG信号图片中的每一个波形以及R波高峰,将ECG信号图片输入预设识别模型,利用深度卷积神经网络对预设识别模型进行训练,得到输出为R波位置的R波识别模型;
S2、训练得到房颤识别模型:
S2.1:根据R波位置找到R波高峰,根据R波高峰位置得到位置序列向量V,对位置序列向量V进行计算得到R-R间期的差值向量V1;
S2.2:根据差值向量V1进行标记,若判定为房颤则记为1,否则记为0,进而得到判定结果集合;
S2.3:利用分类器对结果集合进行分类训练,得到用以判断房颤的房颤识别模型;
S3、判断识别:
利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别,进而监测出该段心电图是否有房颤。
进一步的,所述S1.1中,将心电图12导联ECG原始信号进行预处理具体为:首先滤除杂波,然后去基线得到较好的波形,并且对心率进行归一化处理。
进一步的,所述S1.1中,将预处理后的心电图12导联ECG原始信号描绘在画布上时,x轴设定为时间轴,y轴设定为幅度值。
进一步的,所述S1.2中,R波高峰标记为所在的时间点数值,其余的点标记为0。
进一步的,所述S1.2中,训练采用深度卷积神经网络进行分类,训练所采用的深度卷积神经网络包括但不限于VGG网络模型或ZF网络模型。
进一步的,所述S2.1中,预设位置序列向量V的长度为k,位置序列向量V为R1,R2,…,Rn,当n<k时,向位置序列向量V补零。
进一步的,所述差值向量V1为(R2-R1)/(R2+R1),(R3-R2)/(R3+R2),…,(Rn-Rn-1)/(Rn+Rn-1)。
进一步的,所述S2.3中,所述分类器为Bi-LSTM模型。
进一步的,所述S3具体为:通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片,利用R波识别模型找出待识别ECG信号图片的R波位置,通过S2.1得到新的差值向量V1,利用房颤识别模型对新的差值向量V1进行识别,进而监测出该段心电图是否有房颤。
进一步的,所述R波识别模型找出R波位置后,通过滑动窗口截取出R波小图片,进而找到R波高峰。
本发明的有益效果如下:
1、本发明将ECG原始信号全部描绘在同一张画布上,然后将画布保存为ECG信号图片,通过标记ECG信号图片中的每一个波形,进行R波提取,能够快速精准地找出R波,进而快速判断对应心电图是否存在房颤。
2、本发明采用12导联进行识别,能够最大化利用已有信息,对是否存在房颤进行快速判断。
附图说明
图1是本发明具体实施方式的ECG信号图片示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示,本实施例提供一种基于ECG信号的房颤监测方法,包括:
S1、训练得到R波识别模型:
S1.1:获取心电图12导联ECG原始信号,对其进行预处理后全部描绘在同一张画布上,然后将画布保存为ECG信号图片;
所述预处理具体为:首先滤除杂波,然后去基线得到较好的波形,并且对心率进行归一化处理;将预处理后的心电图12导联ECG原始信号描绘在画布上时,x轴设定为时间轴,y轴设定为幅度值;
S1.2:标记ECG信号图片中的每一个波形以及R波高峰,R波高峰标记为所在的时间点数值,其余的点标记为0,将ECG信号图片输入预设识别模型,利用深度卷积神经网络对预设识别模型进行训练,训练所采用的深度卷积神经网络为VGG网络模型或ZF网络模型,得到输出为R波位置的R波识别模型;
S2、训练得到房颤识别模型:
S2.1:R波识别模型找出R波位置后,通过滑动窗口截取出R波小图片,进而找到R波高峰,根据R波高峰位置得到位置序列向量V,对位置序列向量V进行计算得到R-R间期的差值向量V1,本实施例中预设位置序列向量V的长度为k,位置序列向量V为R1,R2,…,Rn,当n<k时,向位置序列向量V补零;
所述差值向量V1为(R2-R1)/(R2+R1),(R3-R2)/(R3+R2),…,(Rn-Rn-1)/(Rn+Rn-1);
S2.2:根据差值向量V1进行标记,若判定为房颤则记为1,否则记为0,进而得到判定结果集合;
S2.3:利用分类器对结果集合进行分类训练,得到用以判断房颤的房颤识别模型,所述分类器为Bi-LSTM模型;
S3、判断识别:
利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别,进而监测出该段心电图是否有房颤,具体为:
通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片,利用R波识别模型找出待识别ECG信号图片的R波位置,通过S2.1得到新的差值向量V1,利用房颤识别模型对新的差值向量V1进行识别,进而监测出该段心电图是否有房颤。
本实施例将ECG原始信号全部描绘在同一张画布上,然后将画布保存为ECG信号图片,通过标记ECG信号图片中的每一个波形,进行R波提取,能够快速精准地找出R波,进而快速判断对应心电图是否存在房颤。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.一种基于ECG信号的房颤监测方法,其特征在于,包括:
S1、训练得到R波识别模型:
S1.1:获取心电图12导联ECG原始信号,对其进行预处理后全部描绘在同一张画布上,然后将画布保存为ECG信号图片;
S1.2:标记ECG信号图片中的每一个波形以及R波高峰,将ECG信号图片输入预设识别模型,利用深度卷积神经网络对预设识别模型进行训练,得到输出为R波位置的R波识别模型;
S2、训练得到房颤识别模型:
S2.1:根据R波位置找到R波高峰,根据R波高峰位置得到位置序列向量V,对位置序列向量V进行计算得到R-R间期的差值向量V1;
S2.2:根据差值向量V1进行标记,若判定为房颤则记为1,否则记为0,进而得到判定结果集合;
S2.3:利用分类器对结果集合进行分类训练,得到用以判断房颤的房颤识别模型;
S3、判断识别:
利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别,进而监测出该段心电图是否有房颤。
2.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S1.1中,将心电图12导联ECG原始信号进行预处理具体为:首先滤除杂波,然后去基线得到较好的波形,并且对心率进行归一化处理。
3.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S1.1中,将预处理后的心电图12导联ECG原始信号描绘在画布上时,x轴设定为时间轴,y轴设定为幅度值。
4.根据权利要求3所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S1.2中,R波高峰标记为所在的时间点数值,其余的点标记为0。
5.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S1.2中,训练采用深度卷积神经网络进行分类,训练所采用的深度卷积神经网络包括但不限于VGG网络模型或ZF网络模型。
6.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S2.1中,预设位置序列向量V的长度为k,位置序列向量V为R1,R2,…,Rn,当n<k时,向位置序列向量V补零。
7.根据权利要求6所述的一种基于ECG信号的房颤监测方法,其特征在于,所述差值向量V1为(R2-R1)/(R2+R1),(R3-R2)/(R3+R2),…,(Rn-Rn-1)/(Rn+Rn-1)。
8.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S2.3中,所述分类器为Bi-LSTM模型。
9.根据权利要求1所述的一种基于ECG信号的房颤监测方法,其特征在于,所述S3具体为:通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片,利用R波识别模型找出待识别ECG信号图片的R波位置,通过S2.1得到新的差值向量V1,利用房颤识别模型对新的差值向量V1进行识别,进而监测出该段心电图是否有房颤。
10.根据权利要求1-9任一项所述的一种基于ECG信号的房颤监测方法,其特征在于,所述R波识别模型找出R波位置后,通过滑动窗口截取出R波小图片,进而找到R波高峰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136421.6A CN110811608A (zh) | 2019-11-19 | 2019-11-19 | 一种基于ecg信号的房颤监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136421.6A CN110811608A (zh) | 2019-11-19 | 2019-11-19 | 一种基于ecg信号的房颤监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110811608A true CN110811608A (zh) | 2020-02-21 |
Family
ID=69556956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911136421.6A Pending CN110811608A (zh) | 2019-11-19 | 2019-11-19 | 一种基于ecg信号的房颤监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110811608A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测*** |
CN113786200A (zh) * | 2020-05-28 | 2021-12-14 | 深圳邦健生物医疗设备股份有限公司 | 心电信号处理方法、装置、设备及可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020172404A1 (en) * | 2001-05-17 | 2002-11-21 | Badilini Fabio F. | Apparatus and method for reading and analyzing ECG images |
CN102805620A (zh) * | 2012-08-16 | 2012-12-05 | 深圳市邦健电子有限公司 | 一种房颤检测方法和装置 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN106725426A (zh) * | 2016-12-14 | 2017-05-31 | 深圳先进技术研究院 | 一种心电信号分类的方法及*** |
CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及*** |
-
2019
- 2019-11-19 CN CN201911136421.6A patent/CN110811608A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020172404A1 (en) * | 2001-05-17 | 2002-11-21 | Badilini Fabio F. | Apparatus and method for reading and analyzing ECG images |
CN102805620A (zh) * | 2012-08-16 | 2012-12-05 | 深圳市邦健电子有限公司 | 一种房颤检测方法和装置 |
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN106725426A (zh) * | 2016-12-14 | 2017-05-31 | 深圳先进技术研究院 | 一种心电信号分类的方法及*** |
CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及*** |
Non-Patent Citations (1)
Title |
---|
RUNZE YU,等: "QRS Detection and Measurement Method of ECG Paper Based on Convolutional Neural Networks", 《2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY 》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113786200A (zh) * | 2020-05-28 | 2021-12-14 | 深圳邦健生物医疗设备股份有限公司 | 心电信号处理方法、装置、设备及可读介质 |
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测*** |
CN111772628B (zh) * | 2020-07-16 | 2021-10-08 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3367897B1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
CN105411567B (zh) | 一种心电图数据分析方法及*** | |
CN109411041B (zh) | 心电信息处理方法和心电工作站*** | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
CN104586383B (zh) | 一种心电波形分类方法及装置 | |
CN110236520B (zh) | 基于双卷积神经网络的心电图类型识别装置 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及*** | |
CN109303559B (zh) | 一种基于梯度提升决策树的动态心电图心拍分类方法 | |
US20170112401A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN111134659B (zh) | 一种用于心电信号中p波和t波的检测方法和装置 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测*** | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN115486855B (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 | |
CN110558975B (zh) | 一种心电信号分类方法及*** | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
CN110811608A (zh) | 一种基于ecg信号的房颤监测方法 | |
CN115486854B (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
WO2018234468A1 (en) | SYSTEMS AND METHODS FOR CLASSIFYING CARDIAC BEATS HAVING ARRHYTHMIA | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
Senapati et al. | Cardiac arrhythmia classification of ECG signal using morphology and heart beat rate | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及*** | |
EP4187435A1 (en) | Training method and model for convolutional neural network based on sample distribution improvement |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |