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 PDF

Info

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
Application number
CN201911136421.6A
Other languages
English (en)
Inventor
代超
何帆
周振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongdian Health Cloud Technology Co Ltd
Original Assignee
Zhongdian Health Cloud Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongdian Health Cloud Technology Co Ltd filed Critical Zhongdian Health Cloud Technology Co Ltd
Priority to CN201911136421.6A priority Critical patent/CN110811608A/zh
Publication of CN110811608A publication Critical patent/CN110811608A/zh
Pending legal-status Critical Current

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

一种基于ECG信号的房颤监测方法
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。
CN201911136421.6A 2019-11-19 2019-11-19 一种基于ecg信号的房颤监测方法 Pending CN110811608A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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***

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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