CN112450942A - 心电信号的监测方法、***、装置及介质 - Google Patents
心电信号的监测方法、***、装置及介质 Download PDFInfo
- Publication number
- CN112450942A CN112450942A CN202011350453.9A CN202011350453A CN112450942A CN 112450942 A CN112450942 A CN 112450942A CN 202011350453 A CN202011350453 A CN 202011350453A CN 112450942 A CN112450942 A CN 112450942A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- sample
- signal
- characteristic
- model
- 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.)
- Granted
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
- A61B5/72—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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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
本发明的提供心电信号的监测方法、***、装置及介质,方法步骤包括获取心电信号样本,根据心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;根据心电图样本信号进行小波变换得到小波特征;将心电图信号样本、心脏搏动周期特征以及小波特征输入至第一模型,得到心律失常类别;将心电图信号样本、心脏搏动周期特征以及小波特征输入至第二模型,得到预测数据数组;结合心律失常类别以及预测数据数组进行可视化展示;提供的由小波变换和两个学习模型所构建的新型架构相比现有的ECG信号分类预测的方法的性能更高,同时也实现了模型的轻量化,并能够实现离线处理,节省了大量成本,可广泛应用于信号分析处理技术领域。
Description
技术领域
本发明属于信号分析处理技术领域,尤其是心电信号的监测方法、***、装置及介质。
背景技术
心电图(electrocardiogram,ECG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。ECG信号具有平稳特性,在现有技术中,存在大量根据ECG信号进行心律不齐等其他心电信号异常的情况。但现有的基于ECG信号的分类预测的方法不能够实时进行数据处理,若需要实现信号的实时处理需要借助云端或服务器的计算资源;现有的分类预测方法无法实现离线处理,并且使用大型模型,运维工作复杂,成本较高。
发明内容
有鉴于此,为至少部分解决上述技术问题之一,本发明实施例目的在于提供一种轻量化并且能够实现离线处理的心电信号的监测方法;同时本发明还提供能够对应实现该方法的***、装置以及计算机可读存储介质。
第一方面,本发明实施例提供了心电信号的监测方法,其包括以下步骤:
获取心电信号样本,根据所述心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;
根据所述心电图样本信号进行小波变换得到小波特征;
将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别;
将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组;
结合所述心律失常类别以及所述预测数据数组进行可视化展示。
在本发明的一些实施例中,所述根据所述心电图样本信号进行小波变换得到小波特征这一步骤,其包括:
将所述心电图样本信号进行离散化处理得到离散信号;
对所述离散信号进行经验模态分解得到第一高频信息和第一低频信息;
根据所述第一高频信息和所述第一低频信息提取得到小波特征,所述小波特征包括:时域特征和频域特征。
在本发明的一些实施例中,所述第一模型包括第一分支模型和第二分支模型,所述将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别这一步骤,其包括:
将所述心电图信号样本和所述心脏搏动周期特征输入至所述第一分支模型,得到第一特征数组;
将所述心脏搏动周期特征和所述小波特征输入至所述第二分支模型,得到第二特征数组;
结合所述第一特征数据和所述第二特征数组,通过全连接神经网络得到所述心律失常类别。
在本发明的一些实施例中,所述将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组这一步骤,其包括:
根据所述心电图信号样本生成下采样集合;
根据所述下采样集合以及所述小波特征通过主成分分析得到第三特征数组;
将所述第三特征数组通过所述第二模型中的循环神经网络得到所述预测数据数组。
在本发明的一些实施例中,所述结合所述心律失常类别以及所述预测数据数组进行可视化展示这一步骤,其包括:
将所述心律失常类别和所述预测数据数组输入多层神经网络,得到心电信号预测结果;
根据所述心电信号预测结果进行可视化展示。
在本发明的一些实施例中,所述根据所述心电图样本信号进行小波变换得到小波特征这一步骤,其还包括:
对所述第一高频信息进行降采样,得到第二高频信息;
对所述第一低频信息进行降采样,得到第二低频信息;
根据所述第二高频信息和所述第二低频信息提取得到小波特征。
在本发明的一些实施例中,所述第一分支模型包括至少一个循环神经网络;所述第二分支模型包括至少一个循环神经网络。
第二方面,本发明的技术方案还提供一种心电信号的监测***,包括:
信号获取模块,用于获取心电信号样本,根据所述心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;
特征提取模块,用于根据所述心电图样本信号进行小波变换得到小波特征;
结果预测模块,用于将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别;以及将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组;
可视化模块,用于结合所述心律失常类别以及所述预测数据数组进行可视化展示。
第三方面,本发明的技术方案还提供一种心电信号的监测装置,其包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当至少一个程序被至少一个处理器执行,使得至少一个处理器实现第一方面中的心电信号的监测方法。
第四方面,本发明的技术方案还提供了一种存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现如第一方面中的方法。
本发明的优点和有益效果将在下面的描述中部分给出,其他部分可以通过本发明的具体实施方式了解得到:
本发明所提供的心电信号的监测方法,对于每个心跳信号,通过将输入的ECG样本、心脏搏动周期以及小波特征提供给两个单独的机器学习模型,从而分别获得心律失常类别和心电信号的数据数组,以实现对心电信号的实时监测;本方案提供的由小波变换和两个学习模型所构建的新型架构相比现有的ECG信号分类预测的方法的性能更高,同时也实现了模型的轻量化,并能够实现离线处理,节省了大量成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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为本发明心电信号的监测方法的步骤流程图;
图2为本发明实施例中小波分析的模型示意图;
图3为本发明实施例中降采样滤波器的示意图;
图4为本发明另一种实施例中小波分析的模型示意图;
图5为本发明实施例中的算法架构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
首先,针对本方案中所涉及主要技术名词进行解释,其他非主要技术名词将在文中首次出现进行解释并不在此处进行一一罗列:
心电图(electrocardiogram,ECG),是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。
RR周期为心脏搏动周期。
第一方面,如图1所示,本申请的技术方案提出了心电信号的监测方法,其主要包括步骤S01-S05:
S01、获取心电信号样本,根据心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征。
具体地,根据心电信号的采集设备,例如心电图机采集得到心电信号样本,采集得到的心电信号样本由若干波以及波段组成,本实施例中只要针对心电限号中的QRS波群进行监测。QRS波群是由激动向下经希氏束、左右束枝同步激动左右心室形成的。QRS波群代表了心室的除极,激动时限小于0.11秒。当出现心脏左右束枝的传导阻滞、心室扩大或肥厚等情况时,QRS波群出现增宽、变形和时限延长。更为具体地,实施例选择心脏搏动周期作为后续深度学习模型的输入,心脏搏动周期(RR周期)为两个QRS波的R波时长,可用于评估具体的心率变化。
S02、根据心电图样本信号进行小波变换得到小波特征。
具体地,ECG信号具有非平稳特性,因此为了获取心电图样本信号的时域和频域信息,离散小波变换被应用于每个心跳中的数字化样本信号,具体来说,实施例选择多贝西小波族(Daubechies Wavelet),因为Daubechies小波族与ECG信号相似,低阶Daubechies小波具有较高的时间分辨率,但具有较低的频率分辨率,而高阶Daubechies小波具有较高的频率分辨率和较低的时问分辨率。
而在一些可选的实施例中,步骤S02可一进步细分为步骤S021-S023:
S021、将心电图样本信号进行离散化处理得到离散信号;
S022、对离散信号进行经验模态分解得到第一高频信息和第一低频信息;
S023、根据第一高频信息和第一低频信息提取得到小波特征。
其中,小波特征包括时域特征和频域特征,第一高频信息则是由输入的心电图样本信号进行分割得到的高频信息,对应的第一低频信息为分割得到的低频信息。具体地,针对心电图样本信号的处理中,需要将连续的小波及其小波变换离散化,实施例中使用二进制离散处理,将经过这种离散化的小波及其相应的小波变换成为离散小波变换(DiscreteWavelet Transformation,DWT),在离散小波变换的过程中,离散小波变换是对连续小波变换的尺度,位移按照2的幂次进行离散化得到的,也可称为二进制小波变换。
如图2所示,首先定义过程中的信号及滤波器;其中x[n]为离散的输入信号,长度为N,g[n]为低通滤波器(low pass filter),可以将输入信号的高频部份滤掉而输出低频部份,h[n]为高通滤波器(high pass filter),与低通滤波器相反,滤掉低频部份而输出高频部份。如图3所示,实施例中还包括降采样滤波器(downsampling filter),步骤S02可以进一步还包括步骤S024:
S024、对第一高频信息进行降采样,得到第二高频信息,根据第二高频信息提取得到小波特征。以x[n]为输入,输出为y[n]=x[Qn],例如Q=2。最终得到的小波变换如图4所示,对于心电图样本信号,低频蕴含着信号的特征,而高频成分则给出信号的细节或差别。由于需要通过小波分析得到心电图样本信号的近似特征和细节特征。近似表示信号的高尺度,即低频信息;细节表示信号的高尺度,即高频信息。因此,原始信号通过两个相互滤波器产生两个信号。
通过不断的分解过程,将近似信号连续分解,就可以将信号分解成许多低分辨率成分。理论上分解可以无限制地进行下去,但在实施例中,分解可以进行到细节(即高频信息)只包含单个样本为止。因此,可以依据信号的特征或者合适的标准来选择适当的分解层数。
S03、将心电图信号样本、心脏搏动周期特征以及小波特征输入至第一模型,得到心律失常类别;
S04、将心电图信号样本、心脏搏动周期特征以及小波特征输入至第二模型,得到预测数据数组;
具体地,步骤S03和步骤S04是同步执行的两个独立步骤,对于每个心跳,将输入的ECG样本Xecg、提取的RR间隔特征Xrr以及小波特征Xw传输至两个单独的神经网络深度学习模型,例如基于RNN的模型,分别称为模型α即第一模型,以及模型β即第二模型。实施例中的算法整体视图如图5所示,两种模型分别输出心率失常类别的预测和具体数据数组的预测,然后将两个模型得到的预测结果进行融合以形成每个心跳的最终预测。
在实施例中,步骤S03可进一步细分为步骤S031-S033:
S031、将心电图信号样本和心脏搏动周期特征输入至第一分支模型,得到第一特征数组;
S032、将心脏搏动周期特征和小波特征输入至第二分支模型,得到第二特征数组;
S033、结合第一特征数据和第二特征数组,通过全连接神经网络得到心律失常类别。
具体地,如图5所示,模型α由两个分支组成。每个分支都包含至少一个RNN单元,每个RNN进一步包括若干隐藏单元,第一分支模型(即左分支)输入由X表示,并通过结合Xrr和Xecg形成。第一分支模型中的RNN单元处理数组X并提取得到n个特征数组即第一特征数组。同样,第二分支模型将Xrr和Xw连接到数组X中,然后处理此数组并提取m个特征数组即第二特征数组。将这两个分支的输出连接起来,并输入至一个全连接神经网络层,以便产生所有Ny个输出心律失常类别的概率。即由模型α得到的最大概率确定心率失常类别。
在实施例中,步骤S04可进一步细分为步骤S041-S043:
S041、根据心电图信号样本生成下采样集合;
S042、根据下采样集合以及小波特征通过主成分分析得到第三特征数组;
S043、将第三特征数组通过第二模型中的循环神经网络得到预测数据数组。
具体地,如图5所示,模型β仅包含一个分支,但同样包含至少一个RNN单元,通过将Xecg的下采样集合与Xrr和Xw连接起来,然后对连接的数据集进行主成分分析,形成数组。然后由模型β中的RNN进行处理得到特征数组(即第三特征数组),将特征数组输入至全连接神经网络层,得到预测数据数组。
S05、结合心律失常类别以及预测数据数组进行可视化展示。
具体地,根据心律失常类别预测数据数组生成具体的心电信号的预测结果,并在移动终端设备的交互界面对预测结果进行显示,其预测结果中存在异常结果,即预测结果中包含具体心律失常类别和具体的异常数值,可对应生成告警信息进行提醒。在一些实施例中,步骤S05可以进一步细分为:
S051、将心律失常类别和预测数据数组输入多层神经网络,得到心电信号预测结果;
S052、根据心电信号预测结果进行可视化展示。
具体地,通过多层感知器(Multi-Layer Perceptron,MLP)对模型α和模型β的输出进行融合,然后将融合得到的结果在进行可视化显示。
第二方面,本申请的实施例还提供一种心电信号的监测***,包括:
信号获取模块,用于获取心电信号样本,根据心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;
特征提取模块,用于根据心电图样本信号进行小波变换得到小波特征;
结果预测模块,用于将心电图信号样本、心脏搏动周期特征以及小波特征输入至第一模型,得到心律失常类别;以及将心电图信号样本、心脏搏动周期特征以及小波特征输入至第二模型,得到预测数据数组;
可视化模块,用于结合心律失常类别以及预测数据数组进行可视化展示。
第三方面,本申请的实施例还提供一种心电信号的监测装置,其包括至少一个处理器;至少一个存储器,用于存储至少一个程序;当至少一个程序被至少一个处理器执行,使得至少一个处理器实现如第以方面中的心电信号的监测方法。
本发明实施例还提供了一种存储介质,其中存储有程序,程序被处理器执行如第一方面中的方法。
从上述具体的实施过程,可以总结出,本发明所提供的技术方案相较于现有技术存在以下优点或优势:
1.本申请的技术方案提供的由小波变换和两个学习模型所构建的新型架构相比现有的ECG信号分类预测的方法的性能更高。
2.本申请的技术方案可以实现模型的轻量化,并能够实现离线处理,节省了大量成本。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
其中,功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.心电信号的监测方法,其特征在于,包括以下步骤:
获取心电信号样本,根据所述心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;
根据所述心电图样本信号进行小波变换得到小波特征;
将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别;
将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组;
结合所述心律失常类别以及所述预测数据数组进行可视化展示。
2.根据权利要求1所述的心电信号的监测方法,其特征在于,所述根据所述心电图样本信号进行小波变换得到小波特征这一步骤,其包括:
将所述心电图样本信号进行离散化处理得到离散信号;
对所述离散信号进行经验模态分解得到第一高频信息和第一低频信息;
根据所述第一高频信息和所述第一低频信息提取得到小波特征,所述小波特征包括:时域特征和频域特征。
3.根据权利要求1所述的心电信号的监测方法,其特征在于,所述第一模型包括第一分支模型和第二分支模型,所述将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别这一步骤,其包括:
将所述心电图信号样本和所述心脏搏动周期特征输入至所述第一分支模型,得到第一特征数组;
将所述心脏搏动周期特征和所述小波特征输入至所述第二分支模型,得到第二特征数组;结合所述第一特征数据和所述第二特征数组,通过全连接神经网络得到所述心律失常类别。
4.根据权利要求1所述的心电信号的监测方法,其特征在于,所述将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组这一步骤,其包括:
根据所述心电图信号样本生成下采样集合;
根据所述下采样集合以及所述小波特征通过主成分分析得到第三特征数组;
将所述第三特征数组通过所述第二模型中的循环神经网络得到所述预测数据数组。
5.根据权利要求1所述的心电信号的监测方法,其特征在于,所述结合所述心律失常类别以及所述预测数据数组进行可视化展示这一步骤,其包括:
将所述心律失常类别和所述预测数据数组输入多层神经网络,得到心电信号预测结果;
根据所述心电信号预测结果进行可视化展示。
6.根据权利要求2所述的心电信号的监测方法,其特征在于,所述根据所述心电图样本信号进行小波变换得到小波特征这一步骤,其还包括:
对所述第一高频信息进行降采样,得到第二高频信息;
对所述第一低频信息进行降采样,得到第二低频信息;
根据所述第二高频信息和所述第二低频信息提取得到小波特征。
7.根据权利要求3所述的心电信号的监测方法,其特征在于,所述第一分支模型包括至少一个循环神经网络;所述第二分支模型包括至少一个循环神经网络。
8.心电信号的监测***,其特征在于,包括:
信号获取模块,用于获取心电信号样本,根据所述心电信号样本进行分割,得到心电图信号样本和心脏搏动周期特征;
特征提取模块,用于根据所述心电图样本信号进行小波变换得到小波特征;
结果预测模块,用于将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第一模型,得到心律失常类别;以及将所述心电图信号样本、所述心脏搏动周期特征以及所述小波特征输入至第二模型,得到预测数据数组;
可视化模块,用于结合所述心律失常类别以及所述预测数据数组进行可视化展示。
9.心电信号的监测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述的心电信号的监测方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的心电信号的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350453.9A CN112450942B (zh) | 2020-11-26 | 2020-11-26 | 心电信号的监测方法、***、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350453.9A CN112450942B (zh) | 2020-11-26 | 2020-11-26 | 心电信号的监测方法、***、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112450942A true CN112450942A (zh) | 2021-03-09 |
CN112450942B CN112450942B (zh) | 2023-01-24 |
Family
ID=74808695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011350453.9A Active CN112450942B (zh) | 2020-11-26 | 2020-11-26 | 心电信号的监测方法、***、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112450942B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
US20110201951A1 (en) * | 2010-02-12 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | System for cardiac arrhythmia detection and characterization |
CN108514414A (zh) * | 2018-05-11 | 2018-09-11 | 上海北京大学微电子研究院 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
US20200015695A1 (en) * | 2018-07-13 | 2020-01-16 | Boe Technology Group Co., Ltd. | Method and device for identifying arrhythmia, and computer readable medium |
CN111163690A (zh) * | 2018-09-04 | 2020-05-15 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-11-26 CN CN202011350453.9A patent/CN112450942B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1951320A (zh) * | 2006-11-16 | 2007-04-25 | 上海交通大学 | 基于超完备特征的异常心电识别方法 |
US20110201951A1 (en) * | 2010-02-12 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | System for cardiac arrhythmia detection and characterization |
CN108514414A (zh) * | 2018-05-11 | 2018-09-11 | 上海北京大学微电子研究院 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
US20200015695A1 (en) * | 2018-07-13 | 2020-01-16 | Boe Technology Group Co., Ltd. | Method and device for identifying arrhythmia, and computer readable medium |
CN111163690A (zh) * | 2018-09-04 | 2020-05-15 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
CN110638430A (zh) * | 2019-10-23 | 2020-01-03 | 苏州大学 | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112450942B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation | |
Wang et al. | A novel ECG signal compression method using spindle convolutional auto-encoder | |
Nurmaini et al. | Electrocardiogram signal classification for automated delineation using bidirectional long short-term memory | |
Nurmaini et al. | Beat-to-beat electrocardiogram waveform classification based on a stacked convolutional and bidirectional long short-term memory | |
Borghi et al. | Atrial fibrillation classification based on MLP networks by extracting Jitter and Shimmer parameters | |
Zangeneh Soroush et al. | EEG artifact removal using sub-space decomposition, nonlinear dynamics, stationary wavelet transform and machine learning algorithms | |
Sahoo et al. | Deep learning-based system to predict cardiac arrhythmia using hybrid features of transform techniques | |
Rajput et al. | On arrhythmia detection by deep learning and multidimensional representation | |
Mewada | 2D-wavelet encoded deep CNN for image-based ECG classification | |
CN112450942B (zh) | 心电信号的监测方法、***、装置及介质 | |
Lee et al. | Classification of both seizure and non-seizure based on EEG signals using hidden Markov model | |
Bhosale et al. | Classification of EMG signals using wavelet transform and hybrid classifier for parkinson’s disease detection | |
Thatipelli et al. | Classification of myocardial infarction using discrete wavelet transform and support vector machine | |
Mohebbanaaz et al. | Removal of noise from ECG signals using residual generative adversarial network | |
Xu et al. | Eeg signal classification and feature extraction methods based on deep learning: A review | |
Peláez et al. | Automatic identification of characteristic points related to pathologies in electrocardiograms to design expert systems | |
Tayel et al. | ECG images classification using artificial neural network based on several feature extraction methods | |
Andreao et al. | Efficient ECG multi-level wavelet classification through neural network dimensionality reduction | |
Buyya et al. | Arrhythmias Classification by using STFT-based Spectrograms, Transfer Learning and Concatenation of features | |
Pomprapa et al. | Deep learning of arrhythmia analysis based on convolutional neural network | |
Ramírez et al. | A Modular neural network approach for cardiac arrhythmia classification | |
Hasanpoor et al. | Continuous Wavelet Transformation and VGG16 Deep Neural Network for Stress Classification in PPG Signals | |
Goyal | Automatic Diagnosis of Cardiovascular Diseases from ECG Signals using Convolutional Neural Network and Soft Computing Methods | |
Morshed et al. | A Deep Neural Network For Heart Valve Defect Classification From Synchronously Recorded ECG And PCG | |
Gupta et al. | ECG signal analysis using emerging tools in current scenario of health informatics |
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 |