CN113907765A - 一种无创胎儿心电信号质量评估方法 - Google Patents
一种无创胎儿心电信号质量评估方法 Download PDFInfo
- Publication number
- CN113907765A CN113907765A CN202111178668.1A CN202111178668A CN113907765A CN 113907765 A CN113907765 A CN 113907765A CN 202111178668 A CN202111178668 A CN 202111178668A CN 113907765 A CN113907765 A CN 113907765A
- Authority
- CN
- China
- Prior art keywords
- fetal
- signal
- electrocardiosignals
- electrocardiosignal
- abdominal
- 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
- 230000001605 fetal effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 19
- 230000003187 abdominal effect Effects 0.000 claims abstract description 32
- 210000001015 abdomen Anatomy 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 12
- 210000003754 fetus Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000004962 physiological condition Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 3
- 238000005070 sampling Methods 0.000 claims 2
- 239000000470 constituent Substances 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 210000002458 fetal heart Anatomy 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 208000032943 Fetal Distress Diseases 0.000 description 1
- 206010016855 Foetal distress syndrome Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000001136 chorion Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008175 fetal development Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000030363 nerve development Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000003954 umbilical cord Anatomy 0.000 description 1
- 238000004804 winding 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
- A61B5/24—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]
- A61B5/344—Foetal cardiography
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种无创胎儿心电信号质量评估方法,将胎儿心电明显的信号与受到强烈干扰或胎儿心电不清晰的信号区分。该方法对采集到的腹部电信号进行预处理和分离,通过计算预处理后的腹部心电信号和分离得到的胎儿心电信号的信息熵、Lempel‑Ziv复杂度、母胎能量比、R波个数等作为评估参数,运用支持向量机判断腹部心电信号和胎儿心电信号为“质量可接受”或“质量不可接受”。本发明实现了对腹部心电信号和胎儿心电信号的信号质量分类,能够避免因信号质量不高而导致提取错误胎心率的情况,在长时间胎心监护过程中,能够实时判断信号质量,对无创提取准确可靠的胎心率有一定的帮助。
Description
技术领域
本发明属于医学信号处理技术领域,特别涉及一种无创胎儿心电信号质量评估方法。
背景技术
胎儿及新生儿的死亡率是衡量一个国家经济、文化及医疗等发展水平的重要依据。
胎儿在母亲体内出现胎儿窘迫等其他问题都会直接反映在胎心率的变化上。胎儿健康监护能提前检测到胎儿的某些心脏疾病、被脐带缠绕引起的窒息和宫内窘迫等异常情况,实现胎儿健康安全预防和优生,能大大降低胎儿和新生儿的死亡率。
目前,获取胎心率有两种主要方法:超声多普勒法和胎儿心电法。其中,超声多普勒法存在着许多的不足,首先胎心探头对于位置要求比较高,往往需要专业人员进行操作;在监测过程中孕妇不能移动,行动受限,无法做到长时间监护等等。并且有研究表明,长时间超声检测或许会对胎儿发育产生副作用,表现在对绒毛膜结构、角膜结构、神经发育的影响。而相比于传统的超声多普勒监护方式,胎儿心电法可以进行长时间监测,在监测过程中孕妇可以适当活动。综合来看,胎儿心电法是目前医护研究人员研究的重点。
胎儿心电法通过在母亲腹部体表放置采集电极来被动接收微弱的非入侵式生物电信号,但在采集过程中通常会受到许多因素的干扰,最明显的是母亲心电信号,另外非平稳噪声的存在会影响胎儿心电信号的信噪比,导致心率不易识别或错误识别的情况出现。因此,需要对预处理后的腹部心电信号以及分离得到的胎儿心电信号进行信号质量评估,将信号质量差的信号在后续分析过程中剔除,可以提高心率检测的准确性,及时避免错误获取母亲心率和胎心率。
现有的腹部心电信号和胎儿心电信号质量评估方法相对较少,大多是通过计算信号质量指数来对腹部心电信号或胎儿心电信号进行判断。同时由于采集到的腹部心电信号和分离得到的胎儿心电信号个体差异性较大,只计算某一个信号质量指数难以做到准确判断信号质量。因此,需要一种能够对腹部心电信号和胎儿心电信号进行质量评估的方法,在对腹部心电信号进行分离前,能够剔除掉信号质量差的信号;同时在计算胎心率前,能够评估胎儿心电信号质量,避免获取错误的胎心率。
发明内容
本发明的目的是提供一种无创胎儿心电信号质量评估方法,以解决上述背景技术中提到的问题。
本发明的无创胎儿心电信号质量评估方法,包括以下步骤:
步骤1、采集得到多组4路通道的腹部电信号;
步骤2、对采集到的信号进行预处理以及胎儿心电信号分离,将预处理后的腹部心电信号和分离得到的胎儿心电信号的质量评估结果分为可接受与不可接受两类;
步骤3、对预处理后的腹部心电信号的每一通道信号计算获取信息熵、Lempel-Ziv复杂度、母胎能量比以及相对功率比,作为对应通道信号的特征数据。并将得到的特征数据,通过基于支持向量机方法进行训练学习获得腹部心电信号分类模型;
步骤4、对分离得到的胎儿心电信号计算信息熵、Lempel-Ziv复杂度、R波个数作为特征数据,通过支持向量机方法进行训练学习获得胎儿心电信号分类模型;
步骤5、对新采集的腹部心电测试信号,截取预设的长度后,根据步骤3计算特征数据,放入训练好的腹部心电信号分类模型获得信号质量的评估结果;
步骤6、对分离得到的胎儿心电测试信号,根据步骤4计算特征数据,放入训练好的胎儿心电信号分类模型获得信号质量的评估结果。
本发明具有以下优点:
(1)本发明选取预处理后的腹部心电信号和胎儿心电信号的波形特征和非线性特征,将其作为特征数据对信号质量进行评估,质量评估结果可以很好地反映腹部心电信号和胎儿心电信号的生理特征。同时计算多个特征有利于消除个体差异性,提高分类准确率;
(2)本发明对腹部心电信号和胎儿心电信号两种信号的信号质量都进行了评估,不再只对一种信号进行质量评估。当腹部心电信号或胎儿心电信号质量很差时,能够实时获取模型评估结果并结束后续的模块处理,大大节省了时间和计算复杂度;
(3)本发明提出的质量评估方法同样适用于单通道的腹部心电信号,拥有较高的准确率;
附图说明
图1为本发明的总流程图
图2为腹部心电信号质量评估方法的流程图
图3为胎儿心电信号质量评估方法的流程图
图4为腹部心电信号质量评估实际操作流程图
图5为胎儿心电信号质量评估实际操作流程图
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细描述。
本发明提供一种无创胎儿心电信号质量评估方法,其总流程如图1所示;其中腹部心电信号质量评估方法如图2所示,胎儿心电信号质量评估方法如图3所示,信号质量评估实际操作过程如图4和图5所示;具体实施步骤如下:
步骤1、采集得到多组4路通道的腹部电信号X;
步骤2、对采集得到的信号X进行预处理以及胎儿心电信号分离,并将预处理后的腹部心电信号和分离得到的胎儿心电信号的质量评估结果分为可接受与不可接受两类;
具体地,预处理算法主要包括:
5Hz高通滤波器去除腹部心电信号的基线漂移;
采用小波软阈值去噪的方式,去除腹部心电信号的高频噪声;
50Hz陷波器,去除腹部心电信号的工频干扰;
采用Maurizio Varanini在2013年提出的算法对胎儿心电信号进行分离,(该算法的文章发表在COMPUTING IN CARDIOLOGY CONFERENCE会议上,文章名称为“一种多步骤的胎儿心电分离方法”,是该会议上评分最高的开源算法)。从腹部心电信号分离得到胎儿心电信号;
步骤3、对预处理后的腹部心电信号的每一通道信号计算获取信息熵、Lempel-Ziv复杂度、母胎能量比以及相对功率比,作为对应通道信号的特征数据。并将得到的特征数据,通过基于支持向量机方法进行训练学习获得腹部心电信号分类模型;
具体地,特征数据计算公式如下包括:
特征1:各通道预处理后的腹部心电信号信息熵的计算,信息熵公式为:
H(X)=-∑χ∈xp(χ)logp(χ)
式中p(χ)代表随机事件X为χ的概率。
特征2:各通道预处理后的腹部心电信号Lempel-Ziv复杂度的计算,Lempel-Ziv复杂度公式为:
式中,r(i)为二进制符号序列,组成符号序列R,x(i)为当前信号幅值,Th为设定好的腹部心电信号阈值;
式中,n是腹部心电信号序列的长度,C(n)是标准化后的Lempel-Ziv复杂度,c(n)是包含于二进制符号序列R的不同子串个数。
特征3:各通道预处理后的腹部心电信号母胎能量比的计算,母胎能量比公式为:
其中,k是当前信号通道序号,l是拐点法确定的母亲QRS波区间长度,s是母亲前后R波中点确定的单波区间长度,E(i)是当前点位的幅值。
特征4:各通道预处理后的腹部心电信号相对功率比的计算,相对功率比公式为:
其中,PSD(k,f)为功率谱密度,k为当前信号通道序号,f为频率。
当有一个通道以上的信号预测为质量可接受,则此时段信号为有效信号;若所有通道均预测为质量不可接受,则此时段信号为异常信号,执行跳出算法操作。
步骤4、对分离得到的胎儿心电信号计算信息熵、Lempel-Ziv复杂度、R波个数等参数作为特征数据,通过支持向量机方法进行训练学习获得胎儿心电信号分类模型;
具体地,计算R波个数的步骤如下:
1)判断信号方向:将4秒数据等分为多份,分别计算各区间内的最大值均值meanMax和最小值均值meanMin,比较二者大小。若最大值均值大于最小值均值,则认定信号为正向;否则认为信号为反向,进行信号反转操作。
2)确定R波个数并去除异常值:确定信号方向后,设定一个信号幅值阈值,选取信号幅值大于阈值的极大值点作为识别到的R波。在识别过程中,可能会检测到两个距离相近的R波点,需要按照生理情况去除异常值,选定一个心率阈值,如果两个R波计算得到的心率高于心率阈值,则选择幅值更高的极大值点作为R波点,去除掉幅值较低的极大值点。
步骤5、对新采集的腹部心电测试信号,截取预设的长度后,根据步骤3计算特征数据,放入训练好的腹部心电信号分类模型获得信号质量的评估结果;
步骤6、对分离得到的胎儿心电测试信号,根据步骤4计算特征数据,放入训练好的胎儿心电信号分类模型获得信号质量的评估结果。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种无创胎儿心电信号质量评估方法,其特征在于:包括以下步骤:
步骤1、采集得到多组4路通道的腹部电信号,并对采集到的信号进行预处理;
步骤2、将预处理后的腹部心电信号和分离得到的胎儿心电信号的质量评估结果分为可接受与不可接受两类;
步骤3、对预处理后的腹部心电信号的每一通道信号计算获取信息熵、Lempel-Ziv复杂度、母胎能量比以及相对功率比,作为对应通道信号的特征数据;并将得到的特征数据放入基于支持向量机方法进行训练学习获得腹部心电信号分类模型;
步骤4、对分离得到的胎儿心电信号计算信息熵、Lempel-Ziv复杂度、R波个数参数作为特征数据,放入支持向量机方法进行训练学习获得胎儿心电信号分类模型;
步骤5、对新采集的腹部心电测试信号,截取预设的长度后,根据步骤3计算特征数据,放入训练好的腹部心电信号分类模型获得信号质量的评估结果;
步骤6、对分离得到的胎儿心电测试信号,根据步骤4计算特征数据,放入训练好的胎儿心电信号分类模型获得信号质量的评估结果。
2.根据权利要求1所述的一种无创胎儿心电信号质量评估方法,其特征在于,截取长度统一为1000个采样点,腹部心电信号采样频率为250赫兹。
3.根据权利要求1所述的一种无创胎儿心电信号质量评估方法,其特征在于,步骤2所述的腹部心电信号预处理方法包括以下步骤:
1):设计滤波器对采集到的腹部心电信号进行高通滤波,得到去除基线漂移干扰的腹部心电信号;
2):采用小波阈值去噪的方式处理腹部心电信号,得到去除高频噪声干扰的腹部心电信号;
3):50Hz陷波器,去除腹部心电信号的工频干扰。
4.根据权利要求1所述的一种无创胎儿心电信号质量评估方法,其特征在于,步骤3中所述的特征数据计算具体步骤如下:
特征1:各通道预处理后的腹部心电信号信息熵的计算
信息熵H(X)具体公式如下:
其中,p(χ)代表随机事件X为χ的概率;
特征2:各通道预处理后的腹部心电信号Lempel-Ziv复杂度的计算Lempel-Ziv复杂度是时间序列的非线性特征的测度,反映了时间序列的随机性;具体步骤如下:
其中,r(i)为二进制符号序列,组成符号序列R,x(i)为当前信号幅值,Th为设定好的腹部心电信号阈值;
其中,n是腹部心电信号序列的长度,C(n)是标准化后的Lempel-Ziv复杂度,c(n)是包含于二进制符号序列R的不同子串个数;
特征3:各通道预处理后的腹部心电信号母胎能量比的计算
其中,k是当前信号通道序号,l是拐点法确定的母亲QRS波区间长度,s是母亲前后R波中点确定的单波区间长度,E(i)是当前点位的幅值;
特征4:各通道预处理后的腹部心电信号相对功率比的计算
其中,PSD(k,f)为功率谱密度,k为当前信号通道序号,f为频率;当有一个通道以上的信号预测为质量可接受,则此时段信号为有效信号;若所有通道均预测为质量不可接受,则此时段信号为异常信号,执行跳出算法操作。
5.根据权利要求1所述的一种胎儿心电信号质量评估方法,其特征在于,步骤4所述的胎儿R波个数计算具体步骤如下:
1)判断信号方向:将4秒数据等分为多份,分别计算各区间内的最大值均值meanMax和最小值均值meanMin,比较二者大小;若最大值均值大于最小值均值,则认定信号为正向;否则认为信号为反向,进行信号反转操作;
2)确定R波个数并去除异常值:确定信号方向后,设定一个信号幅值阈值,选取信号幅值大于阈值的极大值点作为识别到的R波;在识别过程中,可能会检测到两个距离相近的R波点,需要按照生理情况去除异常值,选定一个心率阈值,如果两个R波计算得到的心率高于心率阈值,则选择幅值更高的极大值点作为R波点,去除掉幅值较低的极大值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111178668.1A CN113907765B (zh) | 2021-10-10 | 2021-10-10 | 一种无创胎儿心电信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111178668.1A CN113907765B (zh) | 2021-10-10 | 2021-10-10 | 一种无创胎儿心电信号质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113907765A true CN113907765A (zh) | 2022-01-11 |
CN113907765B CN113907765B (zh) | 2024-02-23 |
Family
ID=79238850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178668.1A Active CN113907765B (zh) | 2021-10-10 | 2021-10-10 | 一种无创胎儿心电信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113907765B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115553787A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140364756A1 (en) * | 2009-11-03 | 2014-12-11 | Vivaquant Llc | Ecg sensing apparatuses, systems and methods |
CN106874722A (zh) * | 2016-12-23 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 一种基于心电信号的身份识别方法及其装置 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
CN107049259A (zh) * | 2017-04-28 | 2017-08-18 | 深圳睿京科技有限公司 | 生理数据的监控方法及装置 |
CN108013872A (zh) * | 2018-01-10 | 2018-05-11 | 北京大学第三医院 | 用于母体胎儿心率监测的*** |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN110101378A (zh) * | 2019-04-30 | 2019-08-09 | 索思(苏州)医疗科技有限公司 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
CN110507317A (zh) * | 2019-09-03 | 2019-11-29 | 西安邮电大学 | 一种心电信号r波的自适应ca-cfar定位方法 |
CN110960211A (zh) * | 2019-12-30 | 2020-04-07 | 江南大学 | 一种基于嵌入式的心电实时监测*** |
CN111407315A (zh) * | 2020-03-24 | 2020-07-14 | 浙江大学温州研究院 | 一种针对超声多普勒胎心信号的质量评估方法 |
CN112704503A (zh) * | 2021-01-15 | 2021-04-27 | 苏州大学 | 心电信号噪声处理方法 |
-
2021
- 2021-10-10 CN CN202111178668.1A patent/CN113907765B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140364756A1 (en) * | 2009-11-03 | 2014-12-11 | Vivaquant Llc | Ecg sensing apparatuses, systems and methods |
CN106874722A (zh) * | 2016-12-23 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 一种基于心电信号的身份识别方法及其装置 |
CN106889981A (zh) * | 2017-01-26 | 2017-06-27 | 浙江铭众科技有限公司 | 一种用于提取胎儿心率的智能终端 |
CN107049259A (zh) * | 2017-04-28 | 2017-08-18 | 深圳睿京科技有限公司 | 生理数据的监控方法及装置 |
CN108013872A (zh) * | 2018-01-10 | 2018-05-11 | 北京大学第三医院 | 用于母体胎儿心率监测的*** |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN110101378A (zh) * | 2019-04-30 | 2019-08-09 | 索思(苏州)医疗科技有限公司 | 一种由母亲腹部混合ecg信号提取胎儿心率的算法 |
CN110507317A (zh) * | 2019-09-03 | 2019-11-29 | 西安邮电大学 | 一种心电信号r波的自适应ca-cfar定位方法 |
CN110960211A (zh) * | 2019-12-30 | 2020-04-07 | 江南大学 | 一种基于嵌入式的心电实时监测*** |
CN111407315A (zh) * | 2020-03-24 | 2020-07-14 | 浙江大学温州研究院 | 一种针对超声多普勒胎心信号的质量评估方法 |
CN112704503A (zh) * | 2021-01-15 | 2021-04-27 | 苏州大学 | 心电信号噪声处理方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115553787A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
CN116407133B (zh) * | 2023-06-02 | 2023-08-29 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113907765B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
CA2721622C (en) | Fetal ecg monitoring | |
CA2850990C (en) | Non-invasive fetal monitoring | |
Chiu et al. | Using correlation coefficient in ECG waveform for arrhythmia detection | |
Mischi et al. | Dedicated entropy measures for early assessment of pregnancy progression from single-channel electrohysterography | |
CN113907765B (zh) | 一种无创胎儿心电信号质量评估方法 | |
US20130102856A1 (en) | Non-invasive detection of fetal or maternal illness | |
Alshebly et al. | Isolation of fetal ECG signals from abdominal ECG using wavelet analysis | |
CN204931634U (zh) | 基于生理信息的抑郁症评估*** | |
CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测*** | |
CN109199375A (zh) | 一种无创胎儿心电检测装置及心电信号数据处理方法 | |
CN108013872A (zh) | 用于母体胎儿心率监测的*** | |
CN111407315A (zh) | 一种针对超声多普勒胎心信号的质量评估方法 | |
CN112971797A (zh) | 连续生理信号质量评估方法 | |
Liu et al. | Systematic methods for fetal electrocardiographic analysis: Determining the fetal heart rate, RR interval and QT interval | |
Altini et al. | Combining electrohysterography and heart rate data to detect labour | |
CN102274014A (zh) | 一种基于小波去噪的柯氏音血压测量与信号分析方法 | |
Cheng et al. | Novel multichannel entropy features and machine learning for early assessment of pregnancy progression using electrohysterography | |
CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
US11944445B2 (en) | Method for detecting elements of interest in electrophysiological signals and detector | |
CN106691437A (zh) | 一种基于母体心电信号的胎儿心率提取方法 | |
CN112971801A (zh) | 连续生理信号质量评估装置 | |
Sowmya et al. | Detecting anomalies in fetal electrocardiogram records using deep learning models | |
Zhang et al. | Separating fetal ECG from transabdominal electrical signal: An application of AE-UNet3+ | |
CN116616740B (zh) | 一种基于心阻抗的信号处理方法 |
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 |