CN113499079B - 一种心电图中的房颤检测方法 - Google Patents
一种心电图中的房颤检测方法 Download PDFInfo
- Publication number
- CN113499079B CN113499079B CN202110681366.XA CN202110681366A CN113499079B CN 113499079 B CN113499079 B CN 113499079B CN 202110681366 A CN202110681366 A CN 202110681366A CN 113499079 B CN113499079 B CN 113499079B
- Authority
- CN
- China
- Prior art keywords
- wave
- waves
- atrial fibrillation
- ecg signal
- signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 230000002861 ventricular Effects 0.000 claims description 22
- 230000036279 refractory period Effects 0.000 claims description 14
- 230000033764 rhythmic process Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 206010003671 Atrioventricular Block Diseases 0.000 claims description 3
- 208000008376 Pre-Excitation Syndromes Diseases 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000001746 atrial effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000011426 transformation method Methods 0.000 abstract 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 210000002837 heart atrium Anatomy 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- A61B5/24—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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电图中的房颤检测方法,具体涉及信号识别与医学疾病诊断领域。所述方法为:首先采用快速终止滤波和小波分解重构方法对ECG信号的混合噪声进行滤除,同时最大程度地留保原ECG信号中的特征。接着采用小波变换的方法对ECG信号中地波形进行检测,将ECG信号中的所有波形位置进行定位。然后基于医学诊断逻辑设计针对房颤检测的方法,并提取出算法所需要的特征,将特征表示出来。最后将所提取出的特征应用于算法中,完成房颤检测算法的实现。本发明可以对房颤的具体类型进行诊断,以及特殊类型的房颤也可以被检测出,有效地提升房颤检测的准确率和速度。
Description
技术领域
本发明涉及一种心电图中的房颤检测方法,属于信号处理和模式识别领域。
背景技术
随着经济的发展,我国的医疗环境越来越好,人们对健康的追求逐渐提高。但是人们仍然受到心血管疾病的困扰,不能免于遭受心血管疾病的危害。根据医学统计,心血管疾病造成的死亡率在各种疾病中死亡率中是最高的,在过去的每一年中,都会有不少于一百万人死于心血管疾病。因此,尽早发现心血管疾病是当前医学领域的热门研究,也是需要克服的问题。心律失常作为引发心血管疾病的因素之一,影响着更多的人的健康,如果能够准确检测出心律失常,将有助于患者尽早地得到治疗。近年来,人口老龄化的情况越来越严重,发生心房颤动的人数越来越多,房颤现已成为人群中最为常见的疾病之一。因此,及早且准确地检测出房颤对降低由房颤引起的死亡率具有重要意义。
心房颤动(Arial fibrillation,AF)简称房颤,表现为心房失去正常功能,在目前临床上数据统计中,出现的频率最高。据不完全数据统计,我国至少存在1%的房颤患者,且男性房颤患者比女性房颤患者多出一倍。根据相关医疗部门发布的报告得知,年龄越大,越容易发生房颤,在70岁以上人群中,至少有10%的房颤患者。据此调查,加之我国老龄化趋势日益严重,可见未来房颤的发病率将持续上升。
如今,医生诊断心脏病的主要手段就是通过做心电图(ECG)检查。医生通过阅读心电图,结合专业的医学理论知识和丰富的临床经验,能够了解到患者心脏的生理状况,进而判断患者的身体状况。现阶段,需要做心电图检查的人越来越多,医生需要诊断心电图的数量越来越大,且由心脏引起的疾病种类非常多,给医生带来了越来越大的工作压力。为了减少医生工作压力,提高医生诊断心电图(ECG)的工作效率和准确率,越来越多的科学研究人员将工作重心转移到设计ECG信号的自动诊断算法中,以达到高效率、高准确率的诊断的目的。科学研究者们利用计算机的高速计算速度,将计算机的优势应用到医学领域,以实现对心电图的自动分析,旨在完成计算机对心电图进行诊断的一套辅助***。这样不仅提高了心电图诊断的效率和准确率,而且帮助患者获得了更多宝贵的康复时间。
最近一些年来,计算机技术越来越强大,在很多领域都得到了很好的应用。计算机对信号处理、人工智能等领域发挥的作用尤为重要。计算机技术带动各种数据实现了高速处理,各种智能算法如雨后春笋般涌现出来。利用先进的计算机技术在智慧医疗中发挥作用,也是当前改革医疗行业的发展趋势。如何将医学知识与计算机的发展结合起来,基于心电图实现对房颤准确、快速的诊断,已成为众多研究者的研究热点。这样既可以减轻医务人员的诊断压力,同时也帮助房颤患者尽早发现疾病,有针对性地进行治疗,减少房颤对患者的危害。
发明内容
本发明为了解决现有技术中存在的问题,提供一种房颤诊断准确率高的心电图中的房颤检测方法。
为了达到上述目的,本发明提出的技术方案为:一种心电图中的房颤检测方法,其特征在于,包括如下步骤:
步骤一、读取ECG信号,并对信号进行去噪滤波处理;
步骤二、检测处理后的ECG信号中是否存在P波,若存在,则ECG信号为窦性心律;若不存在,则继续步骤三;
步骤三、检测ECG信号中R波的位置,并检测RR间期分布熵值H(S),若H(S)<4.35bit,则检测心室率,若心室率<60,则ECG信号为房颤伴房室传导阻滞,若心室率≥60,则ECG信号为房颤伴室内差异性传导;若H(S)≥4.35bit,则继续步骤四;
步骤四、检测ECG信号中的QRS波,并判断是否存在两个及以上的宽度>0.12s的QRS波,若有则检测心室率,若心室率>180,则ECG信号为预激综合征合并房颤,若心室率≤180,则ECG信号为房颤伴室内差异性传导;若不存在两个及以上的宽度>0.12s的QRS波,则继续步骤五;
步骤五、检测ECG信号中的f波,并判断f波的频率,若f波的频率在350~450次/min,则ECG信号为阵发性房颤,若f波的频率在450~550次/min,则ECG信号为持续性房颤,若f波的频率在550~600次/min,则ECG信号为永久性房颤。
对上述技术方案的进一步设计为:检测ECG信号中R波的位置的步骤如下:
①选择一定长度内的ECG数据作为窗口,对心电信号进行小波变换,并且进行六次分解,得到六层小波系数;
②确定第三和第四层小波系数的正负自适应阈值;
③遍历ECG信号的小波系数,将所有满足正负自适应阈值的小波系数和位置筛选出来,得到极大值和极小值集合;
④对得到的极大值和极小值集合进行遍历,匹配位置相差在0.1s内的极大值和极小值,组成极大-极小值对;
⑤确定漏检区域,纠正漏检;
⑥确定ECG信号中R波的位置;在完成小波系数的极大-极小值对配对后,连接极大-极小值对,ECG信号中R波在小波系数中极大-极小值连线的过零点附近;
⑦利用心电传导的不应期去除多检测的R波;
⑧移动窗口,重复上述步骤,进行下一个窗口中的R波检测,直至完成ECG信号检测。
所述小波系数的正负自适应阈值的确定方法为:
计算心电信号窗口中小波系数中最大的八个正值(x1,x2,x3,x4,x5,x6,x7,x8)和最小的八个负值(y1,y2,y3,y4,y5,y6,y7,y8),以八个值的平均值作为局部动态阈值;窗口中使用的阈值为:
其中Vthl为正阈值,Vth2为负阈值,自适应阈值由式(1)和式(2)动态生成。
所述纠正漏检的方法如下:
设定后一个RR间期与前一个RR间期的宽度比值l,则动态阈值为1.2+1.2*0.1*l,如果RR之间的间隔大于1.2+1.2*0.1*l秒,则认为该区域是漏检区域,此时将阈值降低为原来的1/1+l,得到(1/1+l)Vth1和(1/1+l)Vth2,再次在漏检区域以新的阈值进行检索,得到新的极大-极小值对,将新配对的极值对依次***之前成功匹配的极值对数组中。
所述利用心电传导的不应期去除多检测的R波的方法如下:
设定后一个RR间期与前一个RR间期的比值l,将0.1+0.1*l作为新的不应期标准;如果RR间期小于这个阈值,认为振幅较小的R波是多检测到的R波,将这些多检测到的R波删除。
所述QRS波的检测方法包括如下步骤:
①将R波存放到一个二维数组中,每一行记录一个R波信息,第一列为R波的索引,第二列为R波的幅值;
②在数组中的每个R波的左侧0.1s内寻找最小值,作为该R波对应的Q波,存放到二维数组中,一行代表一个Q波信息,第一列代表坐标,第二列代表Q波的幅值;
③在数组中的每个R波的右侧0.1s内寻找最小值,作为该R波对应的S波,存放到一个二维数组中,一行代表一个S波信息,第一列代表坐标,第二列代表S波的幅值。
所述检测f波的步骤如下:
①读取处理后的ECG信号,并消除信号上的QRST波后形成新的心电信号;
②根据信号的采样频率fs,设置一个宽度为0.02fs的滑动窗口,利用此滑动窗口以步长为0.02fs将新的整段信号分成x个信号片段;
③计算每个信号片段的最大值,与f波的阈值进行比较,如果在阈值范围内,则将此最大值存入一个二维数组中,每一行代表一条f波的信息,第一列存放f波的坐标,第二列存放f波的幅值。
本发明与现有技术相比具有如下优点:
①本发明将特殊类型的房颤类型考虑进算法设计中,提升了整体房颤诊断的准确率。
②本发明改进了波形检测方法,利用生理特性,增加了波形误检和漏检的补偿方式,进一步提升了波形检测准确率。
③本发明充分分析ECG信号中混合噪声的特点,分别设计去噪算法实现噪声的有效去除的同时,保留了更多的波形特征。
④本发明诊断出具体房颤类型,辅助医生诊断心电图,减轻医生的工作压力。
⑤本发明结合医学诊断逻辑,将医学诊断逻辑应用于算法中,减轻算法的工作量。
附图说明
图1为R波定位算法流程图。
图2为小波系数模极大值。
图3为ECG信号中R波与小波系数的关系图。
图4为心电信号R波定位效果图。
图5为Q波和S波检测流程图。
图6为QRS波的检测结果图。
图7为ECG信号中各波形检测结果图。
图8为f波检测流程图。
图9为本发明实施例的房颤检测算法流程图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
实施例
本实施例的心电图中的房颤检测方法,首先对ECG信号中的混合噪声进行分析,用快速中值滤波方法实现基线矫正,在小波域中分析剩余噪声,将剩余噪声滤除,得到滤波后的ECG信号。
然后定位ECG信号中的波形,利用信号处理中的奇异性和突变型特点,将信号变换值小波域,在小波域上提取R波。由于心电信号的复杂性,导致正常检测R波的方法容易出现误检和漏检。根据心电的生理特性,设计误检和漏检的补偿方式。准确的定位R波后,利用R波域其他波形的关系,以及其他波形各自的特征,分别设计定位算法,对ECG信号中的各种波形定位做出解释,具体方法如下:
(1)确定ECG信号中的R波位置。图1是R波检测的流程图。利用MATLAB工具实现R波检测算法,R波检测的具体步骤如下:
①心电长度为30min,选择长度为20s的数据(7200点)作为窗口,对心电信号进行小波变换,并且进行六次分解。其中第三层和第四层中包含了R波的信息,将第三和四层的小波系数进行处理。
②确定第三和第四层小波系数的正负自适应阈值。当取窗口中八个值来计算阈值时,R波检测准确率最高。对于每一条心电记录,计算出心电信号窗口中小波系数中最大的八个正值(x1,x2,x3,x4,x5,x6,x7,x8)和最小的八个负值(y1,y2,y3,y4,y5,y6,y7,y8),以八个值的平均值作为局部动态阈值。窗口中使用的阈值为:
其中Vthl为正阈值,Vth2为负阈值,自适应阈值由式(1)和式(2)动态生成。
③遍历ECG信号的小波系数,将所有满足设定条件,即满足正负自适应阈值限制的小波系数和位置筛选出来,得到极大值和极小值集合。图2是小波系数的模极大-极小值点。
④对得到的极大值和极小值集合进行遍历,匹配位置相差在0.1s内的极大值和极小值,组成极大-极小值对。
⑤确定漏检区域,纠正漏检。在上一步中已经完成了R波的检测,但是由于心电信号的复杂性,简单的匹配方法容易出现漏检情况。根据心电信号的生理特性,设计一个RR间期最大间隔来纠正漏检的方法。因为绝大多数人的两次心跳间隔不可能大于1.5s,所以以1.5s当作检验漏检的初始阈值。考虑到特殊个体的复杂情况,1.5s的间期直接用来作为检测误检的标准准确率仍有待提高。个体是存在规律性,RR间期和前后RR间期都存在联系。而正常RR间期是1.2s,将正常RR间期用作固定间期标准,在次基础上增加一个前后RR间期的关系特征。因此,设定后一个RR间期与前一个RR间期的宽度比值l,则动态阈值为1.2+1.2*0.1*l。如果RR之间的间隔大于1.2+1.2*0.1*l秒,则认为该区域是漏检区域,此时将阈值降低为原来的1/1+l,得到(1/1+l)Vth1和(1/1+l)Vth2,再次在漏检区域以新的阈值进行检索。将新配对的极值对依次***成功匹配的极值对数组中。
⑥确定ECG信号中R波的位置。在完成小波系数的极大-极小值对配对后,连接极大-极小值对,ECG信号中R波在小波系数中极大-极小值连线的过零点附近。因为R波是心电信号中幅值最大的波,所以应该在过零点附近寻求ECG信号中的最大值来确定R波的具***置。图3是心电信号中的R波和小波系数的关系。
⑦利用心电传导的不应期去除多检测的R波。由于因为不同个体产生的心电信号有所差别,在检测R波的同时,同样会出现误检的情况。根据心电生理性不应期的概念,当心房一个信号传导至心室之后,心房与心室之间会存在一个不应期,即在一定的时间间隔内不能连续传导电信号。因此,尽管心房有很多信号,在心室中也不能再出现下一个QRS波。根据大多数个体的生理不应期持续时间,设定0.2s作为不应期的初始阈值可以纠正很多多检的R波。但是,考虑到个体复杂性,0.2s的不应期检测结果仍有待提高。同样不应期和前后RR间期存在联系,因此,设定一个后一个RR间期与前一个RR间期的比值l,将0.1+0.1*l作为新的不应期标准。如果RR间期小于这个阈值,认为振幅较小的R波是多检测到的R波,将这些多检测到的R波删除。
⑧移动窗口,重复步骤以上步骤,进行下一个窗口中的R波检测。图4是R波检测的结果图。
(2)QRS波的起点和终点定位。分别对QRS波的起点和终点进行定位,图5是QRS波起点和终点定位的算法流程图。具体检测步骤如下:
①将R波存放到一个二维数组中,每一行记录一个R波信息,第一列位R波的索引,第二列为R波的幅值。
②在数组中的每个R波的左侧0.1s内寻找最小值,作为该R波对应的Q波,存放到二维数组中,一行代表一个Q波信息,第一列代表坐标,第二列代表Q波的幅值。
③在数组中的每个R波的右侧0.1s内寻找最小值,作为该R波对应的S波,存放到一个二维数组中,一行代表一个S波信息,第一列代表坐标,第二列代表S波的幅值。图6是QRS波起点和终点的检测结果图。
(3)P波和T波的定位。由于P波和T波的形态与R波相似,分布在R波的两侧,只是幅值不同,检测的方法与检测R波相同的,但使用不同的比例和参数。在求R波的小波系数模极大值-极小值对左右两侧各寻找一对满足条件的极值对,左边极值对求出的是P波,右边极值对求出的是T波。如果不存在满足条件的极值对或者左边出现多组幅值很小的极值对,则代表该心电信号不存在P波。图7是P波和T波检测结果图。
(4)f波的定位。图8是f波检测算法流程图。f波检测的具体步骤如下:
①读取一条ECG信号,对数据进行预处理;
②检测各波形,是否存在P波;
③如不存在P波,消除信号上的QRST波,剩下的组成一条新的心电信号;
④根据信号的采样频率fs,设置一个宽度为0.02fs的滑动窗口。利用此滑动窗口以步长为0.02fs将新的整段信号分成x个信号片段。
⑤计算每个片段的最大值,与f波的阈值进行比较,如果在阈值范围内,则将此最大值存入一个二维数组中。每一行代表一条f波的信息,第一列存放f波的坐标,第二列存放f波的幅值。
⑥如信号存在P波,则代表此条ECG信号为窦性心律,不存在f波,此心电信号不是房颤信号。
最后,设计房颤检测算法。房颤属于一种异位心律,窦房结不能失去正常功能,转而由心房控制电信号的来源。因此,要判断心电图信号是否为房颤,首先要判断心电图信号是否属于窦性心律。判断心律就是观察P波和R波,判断电活动是否来源于窦房结。图9是房颤检测算法的流程图。
当发生房颤时,心电图上多表现为两种典型特征。一是P波消失,出现频率和幅度不规则的f波。二是出现绝对不规则的RR间期。而P波反映的是心房活动特征,也就是能反映该心电信号是正常窦性心律还是异位心律。因此,在设计房颤检测算法时,首先对心电信号的基本心律进行判断。既可以减少算法做无用功,又可以提升房颤检测的准确率。在判断心律后,再决定是否对f波进行检测,f波的频率为350~600次/分。然后提取出RR间期的分布特征,根据f波和RR间期判断心电图信号是否是房颤。并结合QRS波、心室率等其他情况,完成对非典型房颤和具体的房颤类型的判断。表1是房颤再心电图上的表现特征。
表1
根据房颤检测算法设计的流程,从ECG信号中提取诊断心房颤动所需要的间期特征、幅值特征、QRS波斜率特征和心室率作为设定房颤检测的特征。对每个心搏提取心跳间期以及波形形态为特征,构造了一个11维的特征矢量。具体方法如下:
①幅值特征:包括P波幅值,RQ幅值和RS幅值。其中P波可能会被f波代替,P波幅值的特征提取包括了出现f波替代P波的情况;
②间期特征:包括RR间期,RQ间期,RS间期,PR间期,PP间期,QS间期。RR间期是后一个R的坐标与前一个R波坐标的差,RQ间期是同一个QRS波的R波坐标与Q波坐标的差,RS间期是同一个QRS波的R波坐标与S波坐标的差,PR间期是同一个心动周期的P波与R波坐标的差,PP间期是后一个心动周期的P波与前一个P波坐标的差,QS间期是同一个心动周期的Q波和S波坐标的差,也就是QRS波的宽度;
③心率特征:包括心室率V和f波的频率。心室率特征提取通过计算10s内出现的R波次数来确定,f波频率通过测量10s内f波出现的次数。表2是ECG信号中提取的特征。
表2
如图9所示,本实施例的心电图中的房颤检测方法,包括如下步骤:
步骤一、读取ECG信号,并对信号进行去噪滤波处理;
步骤二、检测处理后的ECG信号中是否存在P波,若存在,则ECG信号为窦性心律;若不存在,则继续步骤三;
步骤三、检测ECG信号中R波的位置,并检测RR间期分布熵值H(S),若H(S)<4.35bit,则检测心室率,若心室率<60,则ECG信号为房颤伴房室传导阻滞,若心室率≥60,则ECG信号为房颤伴室内差异性传导;若H(S)≥4.35bit,则继续步骤四;
步骤四、检测ECG信号中的QRS波,并判断是否存在两个及以上的宽度>0.12s的QRS波,若有则检测心室率,若心室率>180,则ECG信号为预激综合征合并房颤,若心室率≤180,则ECG信号为房颤伴室内差异性传导;若不存在两个及以上的宽度>0.12s的QRS波,则继续步骤五;
步骤五、检测ECG信号中的f波,并判断f波的频率,若f波的频率在350~450次/min,幅值在0.2~0.3mV,则ECG信号为阵发性房颤;若f波的频率在450~550次/min,幅值在0.15~0.2mV,则ECG信号为持续性房颤;若f波的频率在550~600次/min,,幅值在0.1~0.15mV,则ECG信号为永久性房颤。
本发明的技术方案不局限于上述各实施例,凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。
Claims (1)
1.一种心电图中的房颤检测方法,其特征在于,包括如下步骤:
步骤一、读取ECG信号,并对信号进行去噪滤波处理;
步骤二、检测处理后的ECG信号中是否存在P波,若存在,则ECG信号为窦性心律;若不存在,则继续步骤三;
步骤三、检测ECG信号中R波的位置,并检测RR间期分布熵值H(S),若H(S)<4.35bit,则检测心室率,若心室率<60次/分钟,则ECG信号为房颤伴房室传导阻滞,若心室率≥60次/分钟,则ECG信号为房颤伴室内差异性传导;若H(S)≥4.35bit,则继续步骤四;
步骤四、检测ECG信号中的QRS波,并判断是否存在两个及以上的宽度>0.12s的QRS波,若有则检测心室率,若心室率>180次/分钟,则ECG信号为预激综合征合并房颤,若心室率≤180,则ECG信号为房颤伴室内差异性传导;若不存在两个及以上的宽度>0.12s的QRS波,则继续步骤五;
步骤五、检测ECG信号中的f波,并判断f波的频率,若f波的频率在350~450次/min,则ECG信号为阵发性房颤,若f波的频率在450~550次/min,则ECG信号为持续性房颤,若f波的频率在550~600次/min,则ECG信号为永久性房颤;
检测ECG信号中R波的位置的步骤如下:
①选择一定长度内的ECG数据作为窗口,对心电信号进行小波变换,并且进行六次分解,得到六层小波系数;
②确定第三和第四层小波系数的正负自适应阈值;
③遍历ECG信号的小波系数,将所有满足正负自适应阈值的小波系数和位置筛选出来,得到极大值和极小值集合;
④对得到的极大值和极小值集合进行遍历,匹配位置相差在0.1s内的极大值和极小值,组成极大-极小值对;
⑤确定漏检区域,纠正漏检;
⑥确定ECG信号中R波的位置;在完成小波系数的极大-极小值对配对后,连接极大-极小值对,ECG信号中R波在小波系数中极大-极小值连线的过零点处;
⑦利用心电传导的不应期去除多检测的R波;
⑧移动窗口,重复上述步骤,进行下一个窗口中的R波检测,直至完成ECG信号检测;
小波系数的正负自适应阈值的确定方法为:
计算心电信号窗口中小波系数中最大的八个正值(x1,x2,x3,x4,x5,x6,x7,x8)和最小的八个负值(y1,y2,y3,y4,y5,y6,y7,y8),以八个值的平均值作为局部动态阈值;窗口中使用的阈值为:
其中Vth1为正阈值,Vth2为负阈值;
设定后一个RR间期与前一个RR间期的宽度比值l,则动态阈值为1.2+1.2*0.1*l,如果RR之间的间隔大于1.2+1.2*0.1*l秒,则认为该区域是漏检区域,此时将阈值降低为原来的1/1+l,得到(1/1+l)Vth1和(1/1+l)Vth2,再次在漏检区域以新的阈值进行检索,得到新的极大-极小值对,将新配对的极值对依次***之前成功匹配的极值对数组中;
利用心电传导的不应期去除多检测的R波的方法如下:
设定后一个RR间期与前一个RR间期的比值l,将0.1+0.1*l作为新的不应期标准;如果RR间期小于这个阈值,认为两个R波中振幅较小的R波是多检测到的R波,将这些多检测到的R波删除;
所述QRS波的检测方法包括如下步骤:
①将R波存放到一个二维数组中,每一行记录一个R波信息,第一列为R波的索引,第二列为R波的幅值;
②在数组中的每个R波的左侧0.1s内寻找最小值,作为该R波对应的Q波,存放到二维数组中,一行代表一个Q波信息,第一列代表坐标,第二列代表Q波的幅值;
③在数组中的每个R波的右侧0.1s内寻找最小值,作为该R波对应的S波,存放到一个二维数组中,一行代表一个S波信息,第一列代表坐标,第二列代表S波的幅值;
检测f波的步骤如下:
①读取处理后的ECG信号,并消除信号上的QRST波后形成新的心电信号;
②根据信号的采样频率fs,设置一个宽度为0.02fs的滑动窗口,利用此滑动窗口以步长为0.02fs将新的整段信号分成x个信号片段;
③计算每个信号片段的最大值,与f波的阈值进行比较,如果在阈值范围内,则将此最大值存入一个二维数组中,每一行代表一条f波的信息,第一列存放f波的坐标,第二列存放f波的幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110681366.XA CN113499079B (zh) | 2021-06-18 | 2021-06-18 | 一种心电图中的房颤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110681366.XA CN113499079B (zh) | 2021-06-18 | 2021-06-18 | 一种心电图中的房颤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113499079A CN113499079A (zh) | 2021-10-15 |
CN113499079B true CN113499079B (zh) | 2023-12-08 |
Family
ID=78010355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110681366.XA Active CN113499079B (zh) | 2021-06-18 | 2021-06-18 | 一种心电图中的房颤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113499079B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951893B (zh) * | 2021-12-02 | 2023-02-03 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114176602B (zh) * | 2021-12-30 | 2024-04-26 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
CN115081492B (zh) * | 2022-08-22 | 2022-11-22 | 博睿康科技(常州)股份有限公司 | 基于极小窗的在线信号检测方法、信号检测*** |
CN115089196B (zh) * | 2022-08-22 | 2022-11-11 | 博睿康科技(常州)股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490478B1 (en) * | 2000-09-25 | 2002-12-03 | Cardiac Science Inc. | System and method for complexity analysis-based cardiac tachyarrhythmia detection |
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测*** |
CN105686801A (zh) * | 2015-12-25 | 2016-06-22 | 四川大学 | 基于固有时间尺度分解的房颤自发终止预测方法 |
CN108324264A (zh) * | 2018-01-23 | 2018-07-27 | 江苏康尚生物医疗科技有限公司 | 一种房颤的检测方法和*** |
CN108852347A (zh) * | 2018-07-13 | 2018-11-23 | 京东方科技集团股份有限公司 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
CN109009073A (zh) * | 2018-07-20 | 2018-12-18 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109171703A (zh) * | 2018-08-31 | 2019-01-11 | 南京信息工程大学 | 基于可穿戴式体感网的心电信号的获取与处理方法 |
CN109222964A (zh) * | 2018-07-20 | 2019-01-18 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109350037A (zh) * | 2018-10-26 | 2019-02-19 | 安徽智云医疗科技有限公司 | 一种从10秒心电图中识别房颤和房性早搏的方法 |
CN111387959A (zh) * | 2020-03-25 | 2020-07-10 | 南京信息工程大学 | 一种基于ippg的非接触式生理参数检测方法 |
CN111803063A (zh) * | 2020-07-22 | 2020-10-23 | 江苏正心智能科技有限公司 | 一种房颤事件检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8666483B2 (en) * | 2007-10-24 | 2014-03-04 | Siemens Medical Solutions Usa, Inc. | System for cardiac medical condition detection and characterization |
WO2019057676A1 (en) * | 2017-09-21 | 2019-03-28 | Koninklijke Philips N.V. | ATRIAL FIBRILLATION DETECTION USING SINGLE-LEAD ECG RECORDINGS |
-
2021
- 2021-06-18 CN CN202110681366.XA patent/CN113499079B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490478B1 (en) * | 2000-09-25 | 2002-12-03 | Cardiac Science Inc. | System and method for complexity analysis-based cardiac tachyarrhythmia detection |
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测*** |
CN105686801A (zh) * | 2015-12-25 | 2016-06-22 | 四川大学 | 基于固有时间尺度分解的房颤自发终止预测方法 |
CN108324264A (zh) * | 2018-01-23 | 2018-07-27 | 江苏康尚生物医疗科技有限公司 | 一种房颤的检测方法和*** |
CN108852347A (zh) * | 2018-07-13 | 2018-11-23 | 京东方科技集团股份有限公司 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
CN109009073A (zh) * | 2018-07-20 | 2018-12-18 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109222964A (zh) * | 2018-07-20 | 2019-01-18 | 广州视源电子科技股份有限公司 | 房颤检测装置及存储介质 |
CN109171703A (zh) * | 2018-08-31 | 2019-01-11 | 南京信息工程大学 | 基于可穿戴式体感网的心电信号的获取与处理方法 |
CN109350037A (zh) * | 2018-10-26 | 2019-02-19 | 安徽智云医疗科技有限公司 | 一种从10秒心电图中识别房颤和房性早搏的方法 |
CN111387959A (zh) * | 2020-03-25 | 2020-07-10 | 南京信息工程大学 | 一种基于ippg的非接触式生理参数检测方法 |
CN111803063A (zh) * | 2020-07-22 | 2020-10-23 | 江苏正心智能科技有限公司 | 一种房颤事件检测方法 |
Non-Patent Citations (3)
Title |
---|
Tu Cheng-yuan.Nonlinear science and its applications in medical science.《Journal of Beijing University of Technology》.2003,第348-351页. * |
朱节中.C/S***终端程序远程维护的研究与实现.《北方工业大学学报》.2005,第53-56页. * |
贾国伟.动态心电图波形检测与心律失常分类关键技术研究.《中国优秀硕士学位论文全文数据库》.2017,第1-58页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113499079A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113499079B (zh) | 一种心电图中的房颤检测方法 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
Sivaraks et al. | Robust and accurate anomaly detection in ECG artifacts using time series motif discovery | |
US7412282B2 (en) | Algorithms for detecting cardiac arrhythmia and methods and apparatuses utilizing the algorithms | |
CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测*** | |
CN108720832B (zh) | 一种心电信号处理方法及装置 | |
CN111265210A (zh) | 一种基于深度学习的房颤预测装置和设备 | |
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 | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
KR20220150901A (ko) | 모체 자궁 활동 검출을 위한 융합 신호 처리 | |
CN115828056A (zh) | 一种心电图特征信号提取方法及终端 | |
CN113384277B (zh) | 心电数据的分类方法及分类*** | |
Prashar et al. | Novel cardiac arrhythmia processing using machine learning techniques | |
Kanna et al. | Automated defective ECG signal detection using MATLAB applications | |
Kalyakulina et al. | Lu electrocardiography database: a new openaccess validation tool for delineation algorithms | |
Di Maria et al. | An algorithm for the analysis of fetal ECGs from 4-channel non-invasive abdominal recordings | |
CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别***及方法 | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及*** | |
Prakash et al. | An automated diagnosis system for cardiac arrhythmia classification | |
Liu et al. | Automatic arrhythmia detection based on convolutional neural networks | |
CN112438735B (zh) | 一种心电图p波检测方法、分析装置以及存储介质 | |
Mayapur | Detection and Processing of the R Peak |
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 |