CN114343666A - 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 - Google Patents
针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114343666A CN114343666A CN202210032416.6A CN202210032416A CN114343666A CN 114343666 A CN114343666 A CN 114343666A CN 202210032416 A CN202210032416 A CN 202210032416A CN 114343666 A CN114343666 A CN 114343666A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- intervals
- suspected
- fragments
- distribution
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种针对长程心电监测的阵发性房颤扫描方法,包括以下步骤:第一步:获取心电波形信号,对信号进行统一量纲处理;第二步:疑似房颤的定位,对信号进行特征点检测,提取RR间期,计算ΔRR间期,筛选疑似房颤,并排除部分早搏;第三步:房颤的粗略检测,计算RR间期特征来进一步确定房颤片段;第四步:房颤的精细检测,根据R峰位置截取1/2的房颤心跳,进行P波信息的量化,根据量化的P波信息进行房颤的仔细筛查;第五步:最后输出房颤的典型波形,以及房颤的发生频率和发生次数。房颤的发生频率和次数对房颤手术的选择、药物干预以及临床各种并发症的诊断和治疗具有重要价值,可以指导临床医生进行个性化的治疗方案。
Description
技术领域
本发明属于心电信号处理技术领域,尤其涉及一种针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
心房颤动(Atrial Fibrillation,AF)是指由心房发出的快速且不规则的颤动。阵发性心房颤动(Paroxysmal Atrial Fibrillation,PAF)是心房颤动的初始阶段,是最常见的心律失常类型之一。大约18%的PAF会在4年内演变为永久性AF,并且PAF会随着时间的推移而恶化,并对患者的生活质量产生负面影响。当前的AF指南建议对65岁以上或具有其他特征表明卒中风险增加的个体进行AF筛查。AF的早期检测对于早期开始AF管理至关重要。早期节律控制治疗可降低75岁以上早期AF患者发生不良心血管结局的风险。此外,对于临床症状明显的房颤患者,常规的治疗方法是射频消融。研究发现,手术后复发率高的主要原因是手术方案和病变程度的差异。如果在临床上,可以在术前对患者进行持续监测,准确量化房颤的类型和严重程度,显着降低房颤术后复发。
随着人工智能的发展,用于心电实时监测的便捷可穿戴电子设备迅速发展起来,可用于家庭监测,从而实现AF的筛查以及术后的AF实时监测,不间断采集状态下的海量心电数据给医生带来了很大的负担,亟需一种应对长时程采集状态下的房颤扫描算法。
AF检测是量化房颤负担的先决条件。由于个人的心电波形差异性以及可穿戴设备采集的心电信号受噪声影响比较大,由于R峰是心电信号中最显著的特征点,目前用于可穿戴心电的房颤检测算法是基于RR间期的房颤检测算法,但是基于RR间期的房颤检测算法容易将具有不规则RR间隔的非AF患者误判为AF。由于P波比较微弱,易受噪声影响,基于P波的房颤检测算法会受P波检测器检测精度的影响。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备,首先对采集到的信号进行统一量纲处理,然后进行房颤的疑似定位,对定位到的疑似房颤进行进一步的确定,最后对房颤进行精细检测,从而实现长时程的房颤扫描。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种针对长程心电监测的阵发性房颤扫描方法,包括以下步骤:
S1:获取心电波形信号,将心电波形信号进行统一量纲处理;
S2:对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期和ΔRR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏;
S3:将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,进行房颤诊断模型构建来确定房颤;
S4:将RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
S5:最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
进一步地,计算RR间期大于10mv的心跳分布为疑似房颤;计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%为早搏;
进一步地,RR间期指标包括:系数样本熵、房颤熵、归一化模糊熵、样本熵。
进一步地,P波信息提取方法包括:动态模板匹配(DTW)和自动编码网络(LSTM-AE),R峰往前截取1/2的ECG信号,对于长程心电信号,从前5分钟的心电信号中选取1/2的ECG信号作为模板,做DTW,提取P峰往前的每个信号与模板的距离,作为一个指标;直接对1/2的ECG信号做LSTM-AE,将1/2的ECG信号压缩到4个点,对这4个点的分布做箱形图,选出对P波和F波有明显差异性分布的点作为特征。
一个或多个实施例提供了一种针对长程心电监测的阵发性房颤扫描***,包括:
数据获取模块,获取心电波形信号;
数据预处理模块,将获取的心电波形信号进行统一量纲处理;
房颤信号分析模块,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
房颤信号扫描模块,将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定;将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
房颤信号统计输出模块,对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时实现所述房颤信号扫描方法。
一个或多个实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述房颤信号扫描方法。
一个或多个实施例提供了一种针对长程心电监测的阵发性房颤扫描方法,包括心电信号获取装置和所述的电子设备。
以上一个或多个技术方案存在以下有益效果:
1.本方法首先进行了房颤的疑似定位,排除了窦性心律和早搏信号,对接下来的房颤检测来说,减少了复杂度以及任务量;
2.基于RR间期的房颤检测算法,会将很多非房颤片段误检测为房颤,本方法加入了P波信息进行进一步筛查,从而提高房颤检测的准确率;
3.由于P波非常微弱,容易受噪声的影响,P波的检测精度不是很高,尤其是长程监测信号,一般使用可穿戴设备进行监测,在可穿戴设备采集的ECG中,P波受噪声影响更大,本方法在提取P波信息的时候,没有使用P波检测器,避免了P波检测器检测精度的影响;
4.将算法应用在房颤的长程扫描中,统计房颤的发生频率以及发生时长,对于房颤射频消融患者,对房颤手术的选择、药物干预以及临床各种并发症的诊断和治疗具有重要价值,可以指导临床医生进行个性化的治疗方案。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明针对长程心电监测的阵发性房颤扫描方法的流程图。
图2为疑似房颤定位图。
图3为基于动态模板的P波度量图。
图4为基于LSTM自编码网络的P波度量图。
图5为P波特征分布的箱行图。
图6为60分钟阵发性房颤扫描结果图。
图7为可穿戴心电信号采集设备以及实时显示图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种针对长程心电监测的阵发性房颤扫描方法,如图1所示,包括以下步骤:
步骤1:获取心电波形信号,长程心电信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备,然后将心电波形信号进行统一量纲处理;
步骤2:对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%(图2);
步骤3:将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定,RR间期指标包括:系数样本熵、房颤熵、归一化模糊熵、样本熵。
步骤4:将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
P波信息提取方法包括:动态模板匹配(DTW)和自动编码网络(LSTM-AE),R峰往前截取1/2的ECG信号,对于长程心电信号,从前5分钟的心电信号中选取1/2的ECG信号作为模板,做DTW,提取P峰往前的每个信号与模板的距离,作为一个指标(图3);直接对1/2的ECG信号做LSTM-AE(图4),将1/2的ECG信号压缩到4个点,对这4个点的分布做箱形图(图5),选出对P波和F波有明显差异性分布的点作为特征。
步骤5:最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出(图6)。
实施例二
本实施例提供了一种针对长程心电监测的阵发性房颤扫描***,包括:
数据获取模块,获取的心电波形信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备,然后将心电波形信号进行统一量纲处理;
数据预处理模块,将获取的心电波形信号进行统一量纲处理;
房颤信号分析模块,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
房颤信号扫描模块,将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立RR间期房颤诊断模型进行房颤的确定;将进行RR间期筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
房颤信号统计模块,对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
实施例三
本实施例的目的是提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时执行以下步骤:
获取心电波形信号,获取的心电波形信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备,将心电波形信号进行统一量纲处理;
对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定;
将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
实施例四
本实施例的目的是提供一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取心电波形信号,获取的心电波形信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备,将心电波形信号进行统一量纲处理;
对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定;
将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
实施例五
本实施例提供了一种针对长程心电监测的阵发性房颤扫描***,包括心电信号获取装置和电子设备;
所述心电信号获取装置,用于获取人体心电信号并传输至所述计算装置,如图7;
所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
获取心电波形信号,获取的心电波形信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备,将心电波形信号进行统一量纲处理;
对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定;
将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
以上实施例二-五的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验效果:
本发明对基于RR间期特征的房颤检测算法进行了改进,在其基础上增加P波信息进行房颤的判断,从而发展了一套针对长程心电监测的阵发性房颤扫描方法。
测试数据:2020年中国生理信号挑战(CPSC)数据库和长程可穿戴式ECG数据库(实验室采集的)。
采用12-beat的时间窗进行模型的测试。
在2020年中国生理信号挑战(CPSC)数据库的数据集1上进行五折交叉验证,发现比基于RR间期特征的房颤检测算法测试的准确度提高了6.45%,在数据集2上的测试结果比基于RR间期特征的房颤检测算法提高了3.86%。在24-h小时的可穿戴阵发性房颤数据上进行扫描,最好的结果是:房颤扫描的准确率是99.33%,对应的房颤的误检率是0.01%,最差的结果是:房颤扫描的准确率是88.75%,对应的房颤的误检率是14.06%。这些结果证明:所提出的方法可以很好地进行阵发性房颤的扫描,具有临床应用价值。
以上一个或多个实施例具有以下技术效果:
1.本方法首先进行了房颤的疑似定位,排除了窦性心律和早搏信号,对接下来的房颤检测来说,减少了复杂度以及任务量;
2.基于RR间期的房颤检测算法,会将很多非房颤片段误检测为房颤,本方法加入了P波信息进行进一步筛查,从而提高房颤检测的准确率;
3.由于P波非常微弱,容易受噪声的影响,P波的检测精度不是很高,尤其是长程监测信号,一般使用可穿戴设备进行监测,在可穿戴设备采集的ECG中,P波受噪声影响更大,本方法在提取P波信息的时候,没有使用P波检测器,避免了P波检测器检测精度的影响。
4.将算法应用在房颤的长程扫描中,统计房颤的发生频率以及发生时长,对于房颤射频消融患者,对房颤手术的选择、药物干预以及临床各种并发症的诊断和治疗具有重要价值,可以指导临床医生进行个性化的治疗方案。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,包括以下步骤:
S1:获取心电波形信号,将心电波形信号进行统一量纲处理;
S2:对处理后的心电信号进行疑似房颤的定位,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期和ΔRR间期的分布,定位疑似房颤;
S3:将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择房颤与其他心律不齐疾病有区别的RR间期指标,建立基于RR间期的房颤检测模型;
S4:将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
S5:最后对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
2.根据权利要求1所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,心电波形信号来自穿戴式心电监测设备,以及其他各种形式,包括非接触式心电监测设备。
3.根据权利要求1所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,计算ΔRR间期大于10mv的心跳分布为疑似房颤,早搏的分布:ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%。
4.根据权利要求1所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,建立基于RR间期的房颤检测模型,选择房颤与其他心律不齐疾病有区别的RR间期指标进行房颤的确定。
5.根据权利要求1所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,度量P波信息的手段包括DTW和LSTM-AE。
6.根据权利要求5所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,R峰往前截取1/2的ECG信号,对于长程心电信号,从前5分钟的心电信号中选取1/2的ECG信号作为模板,做DTW,提取P峰往前的信号与模板的距离,作为一个指标。
7.根据权利要求5所述的一种针对长程心电监测的阵发性房颤扫描方法,其特征在于,直接对1/2的ECG信号做LSTM-AE,将1/2的ECG信号压缩到4个点,对这4个点的分布做箱形图,选出对P波和F波有明显差异性分布的点作为特征。
8.一种针对长程心电监测的阵发性房颤扫描***,其特征在于,包括:
数据获取模块,获取心电波形信号;
数据预处理模块,将获取的心电波形信号进行统一量纲处理;
房颤信号分析模块,采用处理后的心电波形进行特征点R波检测,提取RR间期,对RR间期做差分后得到ΔRR间期,通过RR间期的分布,筛选出RR间期不规则的心电信号为疑似房颤,即通过计算RR间期大于10mv的心跳分布为疑似房颤;通过ΔRR间期的分布,从疑似房颤片段中筛除部分早搏,即通过计算ΔRR间期在大于700mv的空间有分布,且在100-700mv的空间分布小于40%;
房颤信号扫描模块,将得到的疑似房颤片段进行进一步房颤确定,计算多个RR间期指标,选择有房颤与其他心律不齐疾病有区别的RR间期指标,建立房颤诊断模型进行房颤的确定;将进行RR间期模型筛选过的房颤片段通过P波信息进行仔细筛查,最终确定房颤片段;
房颤信号统计输出模块,对房颤发作频率和时长进行量化,将典型的房颤片段以及量化的结果进行输出。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:用于指纹图谱相似度计算,该程序被处理器执行时实现权利要求1至7中任意一项所述的针对长程心电监测的阵发性房颤扫描方法。
10.一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至7中任意一项所述的针对长程心电监测的阵发性房颤扫描方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032416.6A CN114343666B (zh) | 2022-01-12 | 2022-01-12 | 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032416.6A CN114343666B (zh) | 2022-01-12 | 2022-01-12 | 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343666A true CN114343666A (zh) | 2022-04-15 |
CN114343666B CN114343666B (zh) | 2023-09-26 |
Family
ID=81108357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210032416.6A Active CN114343666B (zh) | 2022-01-12 | 2022-01-12 | 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343666B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200036A1 (en) * | 2005-03-07 | 2006-09-07 | Kurzweil Raymond C | Atrial fibrillation detection |
US20110166466A1 (en) * | 2007-08-02 | 2011-07-07 | Ki Chon | Rr interval monitoring method and blood pressure cuff utilizing same |
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 |
CN104367318A (zh) * | 2014-11-07 | 2015-02-25 | 北京海思敏医疗技术有限公司 | 房颤检测方法和装置 |
CN106264518A (zh) * | 2016-08-04 | 2017-01-04 | 东莞市第三人民医院 | 一种基于指尖心电图的房颤检测方法和装置 |
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析***中快速定位房颤位置的方法以及装置 |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
US20200196886A1 (en) * | 2017-08-28 | 2020-06-25 | University Of South Florida | System and method for the prediction of atrial fibrillation (af) |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
-
2022
- 2022-01-12 CN CN202210032416.6A patent/CN114343666B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200036A1 (en) * | 2005-03-07 | 2006-09-07 | Kurzweil Raymond C | Atrial fibrillation detection |
US20110166466A1 (en) * | 2007-08-02 | 2011-07-07 | Ki Chon | Rr interval monitoring method and blood pressure cuff utilizing same |
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 |
CN104367318A (zh) * | 2014-11-07 | 2015-02-25 | 北京海思敏医疗技术有限公司 | 房颤检测方法和装置 |
CN106264518A (zh) * | 2016-08-04 | 2017-01-04 | 东莞市第三人民医院 | 一种基于指尖心电图的房颤检测方法和装置 |
US20200196886A1 (en) * | 2017-08-28 | 2020-06-25 | University Of South Florida | System and method for the prediction of atrial fibrillation (af) |
CN109770893A (zh) * | 2019-03-08 | 2019-05-21 | 东南大学 | 一种Holter分析***中快速定位房颤位置的方法以及装置 |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
Non-Patent Citations (2)
Title |
---|
CAIYUN MA等人: "Integration of Results From Convolutional Neural Network in a Support Vector Machine for the Detection of Atrial Fibrillation", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 70 * |
YUWEN LI等人: "Multi-Label Classification of Arrhythmia for Long-Term Electrocardiogram Signals With Feature Learning", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,, vol. 70 * |
Also Published As
Publication number | Publication date |
---|---|
CN114343666B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Babaeizadeh et al. | Improvements in atrial fibrillation detection for real-time monitoring | |
AU2005295313B2 (en) | Monitoring physiological activity using partial state space reconstruction | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
WO2022052300A1 (zh) | 一种基于深度学习的心电参数计算方法 | |
CN112528783B (zh) | 心电图心搏数据聚类方法、装置、电子设备和介质 | |
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*** | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及*** | |
Ma et al. | A multistep paroxysmal atrial fibrillation scanning strategy in long-term ECGs | |
Reddy et al. | Classification of arrhythmia disease through electrocardiogram signals using sampling vector random forest classifier | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及*** | |
CN111839505A (zh) | 一种基于心血管***电-机械活动信息的房颤分级方法 | |
CN114246569A (zh) | 检测早搏类型的方法、装置及介质 | |
CN114343666B (zh) | 针对长程心电监测的阵发性房颤扫描方法、***、存储介质及电子设备 | |
Hegde et al. | A review on ECG signal processing and HRV analysis | |
CN115715684A (zh) | 心脏检测评估方法、***、存储介质及装置 | |
CN115444385A (zh) | 基于血压测量脉搏震荡波特征分析的房颤检测方法和装置 | |
CN115770054A (zh) | 心电信号处理方法、便携式心电采集设备和存储介质 | |
CN113812962A (zh) | 心电节律分类神经网络构建方法、***及存储介质 | |
CN113940682A (zh) | 一种基于统计特征的房颤识别方法 | |
Zhang et al. | Evaluation of single-lead ECG signal quality with different states of motion | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及*** | |
KR101515725B1 (ko) | 심장 질환 진단 장치 및 방법 |
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 |