CN112515651A - 一种基于bcg的心律失常识别方法及装置 - Google Patents
一种基于bcg的心律失常识别方法及装置 Download PDFInfo
- Publication number
- CN112515651A CN112515651A CN202011377594.XA CN202011377594A CN112515651A CN 112515651 A CN112515651 A CN 112515651A CN 202011377594 A CN202011377594 A CN 202011377594A CN 112515651 A CN112515651 A CN 112515651A
- Authority
- CN
- China
- Prior art keywords
- bcg
- module
- arrhythmia
- graph
- identification method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 31
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013307 optical fiber Substances 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002763 arrhythmic effect Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成；本发明所述的基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。
Description
技术领域
本发明涉及BCG的心律失常识别领域，具体为一种基于BCG的心律失常识别方法及装置。
背景技术
针对诸如局部缺血和心律失常等心脏事件的心电图(ECG)监测对于检测患者的健康状态而言是重要的。临床上关注的心律失常事件包括，心房纤颤或颤动(房颤)的发作与结束、心室性心动过速(室性心动过速)、心搏停止，等等。
然而，ECG技术的应用往往需要人体接触，在维持稳定、有效的心电信号采集的过程中相对更加繁琐与昂贵。一方面，在临床使用过程中为医生护士带来更多工作，且很难在家庭场景中实现便捷、高精度的心电信号采集；另一方面，心律失常事件的发生一般难以捕捉，往往需要连续稳定的信号采集才能够发现更多潜在健康风险；
为此，提出一种基于BCG的心律失常识别方法及装置。
发明内容
针对现有技术的不足，本发明提供了一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，所述BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成。
基于BCG的心律失常识别方法，该识别方法包括以下步骤：
S1：采用BCG采集传感器与硬件模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台；
S2：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据；
S3：从BCG信号中提取JJ间隔(毫秒级)；
S4：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图；
S5：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率。
S6：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件，输出对应心律失常事件的风险值估算。
优选的，所述去噪处理包括以下步骤：
步骤一、采用高通滤波器去除基线漂移噪音；
步骤二、基于PQ段信号的标准方差和阈值法确认噪音是否过高；
步骤三、噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
优选的，从BCG信号中提取JJ间隔方法包括以下步骤：
步骤一、首先找到每个周期中J波的位置；
步骤二、接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。
优选的，所述4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块均集成于硬件模块的内部，且4G/WIFI通信模块安装于本地存储模块的左侧，激光器连接模块安装于本地存储模块的下方，光纤信号处理模块安装于激光器连接模块的左侧。
与现有技术对比，本发明具备以下有益效果：本发明基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。
附图说明
图1为本发明基于BCG的心律失常识别方法及装置的BCG采集传感器的整体结构示意图；
图2为本发明硬件模块的整体结构示意图；
图3为本发明的心率散点图；
图4为本发明分布形态的概率图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-4，一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，所述BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成。
基于BCG的心律失常识别方法，该识别方法包括以下步骤：
S1：采用BCG采集传感器与硬件模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台；
S2：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据；
S3：从BCG信号中提取JJ间隔(毫秒级)；
S4：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图；
S5：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率。
S6：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件，输出对应心律失常事件的风险值估算。
优选的，所述去噪处理包括以下步骤：
步骤一、采用高通滤波器去除基线漂移噪音；
步骤二、基于PQ段信号的标准方差和阈值法确认噪音是否过高；
步骤三、噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
从BCG信号中提取JJ间隔方法包括以下步骤：
步骤一、首先找到每个周期中J波的位置；
步骤二、接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。
所述4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块均集成于硬件模块的内部，且4G/WIFI通信模块安装于本地存储模块的左侧，激光器连接模块安装于本地存储模块的下方，光纤信号处理模块安装于激光器连接模块的左侧。
需要说明的是，本发明提出了通过对BCG(ballistocardiogram)信号的连续监测与识别来检测心律失常事件。检测到的事件能够用于未用户提供预警和提醒。
采用图1所示的BCG采集传感器，从BCG采集传感器接收和提取BCG信号及其特征，该传感器可以是压电传感器、也可以是光纤传感器。
如果是光纤传感器，采用图2所示的电路模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台。
根据上述BCG信号，进行以下几个步骤的分析：
步骤一：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据。去噪处理包括：1.采用高通滤波器去除基线漂移噪音；2.基于PQ段信号的标准方差和阈值法确认噪音是否过高；3.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
步骤二：从BCG信号中提取JJ间隔(毫秒级)。具体提取方法：首先找到每个周期中J波的位置，接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。
步骤三：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图。如图3所示。
步骤四：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率；
其中图4中A为窦性心律图形(一分布棒球拍形)、B为室上性早搏(三分布)、C—F是室性早搏(分别为三分布、四分布和五分布图形)G是室上性早搏伴差异性传导(四分布)H与I是心房颤动伴室性早搏(扇形的复合图形)；
步骤五：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件。输出对应心律失常事件的风险值估算。
本发明基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于BCG的心律失常识别装置，该识别装置包括BCG采集传感器，其特征在于：所述BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成。
2.根据权利要求1所述的一种基于BCG的心律失常识别方法，其特征在于：该识别方法包括以下步骤：
S1：采用BCG采集传感器与硬件模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台；
S2：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据；
S3：从BCG信号中提取JJ间隔(毫秒级)；
S4：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图；
S5：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率。
S6：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件，输出对应心律失常事件的风险值估算。
3.根据权利要求1所述的一种基于BCG的心律失常识别方法，其特征在于：所述去噪处理包括以下步骤：
步骤一、采用高通滤波器去除基线漂移噪音；
步骤二、基于PQ段信号的标准方差和阈值法确认噪音是否过高；
步骤三、噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
4.根据权利要求1所述的一种基于BCG的心律失常识别方法，其特征在于：从BCG信号中提取JJ间隔方法包括以下步骤：
步骤一、首先找到每个周期中J波的位置；
步骤二、接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。
5.根据权利要求1所述的基于BCG的心律失常识别装置，其特征在于：所述4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块均集成于硬件模块的内部，且4G/WIFI通信模块安装于本地存储模块的左侧，激光器连接模块安装于本地存储模块的下方，光纤信号处理模块安装于激光器连接模块的左侧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011377594.XA CN112515651A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bcg的心律失常识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011377594.XA CN112515651A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bcg的心律失常识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112515651A true CN112515651A (zh) | 2021-03-19 |
Family
ID=74995415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011377594.XA Pending CN112515651A (zh) | 2020-11-30 | 2020-11-30 | 一种基于bcg的心律失常识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112515651A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113499059A (zh) * | 2021-06-01 | 2021-10-15 | 武汉理工大学 | 基于光纤传感非接触式的bcg信号处理***及方法 |
| CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102469958A (zh) * | 2009-07-31 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于分析心冲击图信号的方法和装置 |
| CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及*** |
| CN109222946A (zh) * | 2018-08-28 | 2019-01-18 | 中国科学院电子学研究所 | 基于光纤垫的生理参数检测***及检测方法 |
| CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及*** |
| CN111449622A (zh) * | 2020-03-20 | 2020-07-28 | 复旦大学 | 一种基于bcg检测的房颤识别*** |
| WO2020155078A1 (zh) * | 2019-02-01 | 2020-08-06 | 深圳市大耳马科技有限公司 | 一种心律失常事件的监测方法和设备 |
-
2020
- 2020-11-30 CN CN202011377594.XA patent/CN112515651A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102469958A (zh) * | 2009-07-31 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于分析心冲击图信号的方法和装置 |
| CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及*** |
| CN109222946A (zh) * | 2018-08-28 | 2019-01-18 | 中国科学院电子学研究所 | 基于光纤垫的生理参数检测***及检测方法 |
| WO2020155078A1 (zh) * | 2019-02-01 | 2020-08-06 | 深圳市大耳马科技有限公司 | 一种心律失常事件的监测方法和设备 |
| CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及*** |
| CN111449622A (zh) * | 2020-03-20 | 2020-07-28 | 复旦大学 | 一种基于bcg检测的房颤识别*** |
Non-Patent Citations (1)
| Title |
|---|
| 席乐乐: "基于混沌理论的BCG信号非线性特性分析", 《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113499059A (zh) * | 2021-06-01 | 2021-10-15 | 武汉理工大学 | 基于光纤传感非接触式的bcg信号处理***及方法 |
| CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
| CN114469133B (zh) * | 2021-12-14 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
| Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
| US8909332B2 (en) | Method and device for estimating morphological features of heart beats | |
| CN113749664A (zh) | 使用自动编码器减小心内心电图噪声及使用深度学习训练损失函数以细化心内和体表心电图 | |
| CN112515651A (zh) | 一种基于bcg的心律失常识别方法及装置 | |
| CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
| KR101308609B1 (ko) | 적응적 국부 임계화를 이용한 심전도 신호의 ｒ 피크 검출방법 | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测*** | |
| AU2019313480B2 (en) | Systems and methods for maternal uterine activity detection | |
| CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
| EP2654557A1 (en) | Automatic online delineation of a multi-lead electrocardiogram bio signal | |
| Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
| CN109009073A (zh) | 房颤检测装置及存储介质 | |
| CA3165289A1 (en) | Device and process for ecg measurements | |
| Lai et al. | A real-time QRS complex detection algorithm based on differential threshold method | |
| CN112022143A (zh) | 基于生命体征参数分析的移动机器人监护***及方法 | |
| Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
| Lee et al. | ECG measurement system for vehicle implementation and heart disease classification using machine learning | |
| Mukherjee et al. | An efficient wavelet analysis for ECG signal processing | |
| Islam et al. | A non-invasive technique of early heart diseases prediction from photoplethysmography signal | |
| Ghosal et al. | Ecg beat quality assessment using self organizing map | |
| Khavas et al. | Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion | |
| Liu et al. | Automatic arrhythmia detection based on convolutional neural networks | |
| CN113349753A (zh) | 一种基于便携式动态心电监护仪的心律失常检测方法 | |
| She et al. | Recognition of Myocardial Ischemia Electrocardiogram Signal Based on Deep Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |