CN114469131A - 自适应实时心电信号质量评估方法 - Google Patents
自适应实时心电信号质量评估方法 Download PDFInfo
- Publication number
- CN114469131A CN114469131A CN202111521253.XA CN202111521253A CN114469131A CN 114469131 A CN114469131 A CN 114469131A CN 202111521253 A CN202111521253 A CN 202111521253A CN 114469131 A CN114469131 A CN 114469131A
- Authority
- CN
- China
- Prior art keywords
- signal quality
- model
- power spectrum
- heart beat
- heartbeat
- 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 45
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000003064 k means clustering Methods 0.000 claims abstract description 23
- 238000011002 quantification Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000001303 quality assessment method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 206010015856 Extrasystoles Diseases 0.000 description 3
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method 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
- A61B5/72—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
- A61B5/24—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种自适应实时心电信号质量评估方法、装置、设备及其存储介质,该方法包括:利用AR模型对功率谱信号质量的特征进行提取;将提取的特征输入到K‑means聚类算法中,通过K‑means聚类算法实现信号质量匹配模板的自适应计算;根据相似度比较法对计算后的信号质量的定量进行评估。本申请提供的上述方案,解决了心电图在不同人之间以及同一个人的不同时期间都存在一定的差异性对信号质量评估精度的影响;同时,有效解决了因疾病引起的心搏波形的改变被误识别为噪声干扰信号的问题。
Description
技术领域
本发明涉及可穿戴监测技术领域,具体涉及一种自适应实时心电信号质量评估方法、装置、设备及其存储介质。
背景技术
生理信号的可穿戴监测是实现医院外日常心血管疾病早期诊断的重要途径。然而在实际应用中,现有可穿戴监测***存在模型精度低缺陷,无法满足医疗级的连续生理监测及疾病风险防控的需求。其中一个重要原因是可穿戴设备监测的生理信号容易受到噪声的干扰,尤其是日常活动引起的运动伪影、导联脱落以及肌电干扰。当这些噪声干扰比较严重时,已无法通过去噪技术恢复出真实信号。因此,为了提高信号分析的准确性,需要通过信号质量评估去除质量较差的信号片段。现有技术中通过计算ECG信号不同导联间QRS复合波下面积差异获得信号质量的波形参数,最后通过直方图和累计直方图的统计学方法实现多导联ECG信号的质量评估;或者现有的多导联ECG信号融合的信号质量评估算法,其通过利用局部加权线性预测的基本思想实现多导联ECG的融合,同时为了有效保留ECG信号的质量相关特征,该方法还将模糊推理***用于多导联特征的加权值估计;或者利用小波变换将ECG信号分解到不同的频带上,然后对每个频带信号计算时域特征,如最大绝对值振幅、过零点、峰度和波形的自相关系数,最后通过分类器对合并的特征进行信号质量分类识别。
对于在线可穿戴心血管疾病监测***,由于实时性需求一般需要依赖于单一类型的特征通过无监督方法进行信号质量评估,这种方法具有实现简单、实时性好的优点,但容易将因心脏疾病引起的信号波形变化误识别为信号质量较差的信号。心脏疾病波形在被识别为差质量信号后会被剔除,从而对该心血管事件的发生失去预警作用,增加了事故发生率。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种自适应实时心电信号质量评估方法、装置、设备及其存储介质。
第一方面,本申请实施例提供了一种自适应实时心电信号质量评估方法,该方法包括:利用AR模型对功率谱信号质量的特征进行提取;将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;根据相似度比较法对计算后的信号质量的定量进行评估。
在其中一个实施例中,所述利用AR模型对功率谱信号质量的特征进行提取之前,该方法还包括:通过波形检测算法检测ECG的R峰,以R峰为基准点进行心搏分割,以Rn表示第n个R峰,以第m个心搏片段表示Rn和Rn+2之间的ECG信号片段,其中n=2,4,6,8...,m=n/2。
在其中一个实施例中,所述利用AR模型对功率谱信号质量的特征进行提取,包括:选择AR模型阶数在24~28之间;对ECGm通过AR模型对确定该心搏信号的功率谱特征PSDm,其中,ECGm表示第m个心搏片段。
在其中一个实施例中,所述将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算,包括:通过k=1的K-means聚类算法对功率谱特征集PSDm求聚类中心;选取预设的c个心搏求平均作为相似度匹配模板。
在其中一个实施例中,所述根据相似度比较法对计算后的信号质量的定量进行评估,包括:通过皮尔逊相关系数方法度量每个心搏与模板心搏之间的相似性;根据设定的阈值TR判断所述心搏信号的质量是否被接受,当每个心搏片段与模板的相关系数大于阈值时认为所述心搏的信号质量可以接受,否则为不可接受。
第二方面,本申请实施例还提供了一种自适应实时心电信号质量评估装置,该装置包括:提取单元,用于利用AR模型对功率谱信号质量的特征进行提取;匹配单元,用于将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;评估单元,用于根据相似度比较法对计算后的信号质量的定量进行评估。
第三方面,本申请实施例还提供了一种计算机设备,包括存储器、处理器以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如本申请实施例描述中任一所述的方法。
第四方面,本申请实施例还提供了一种计算机设备一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于:所述计算机程序被处理器执行时实现如本申请实施例描述中任一所述的方法。
本发明的有益效果:
本发明提供的自适应实时心电信号质量评估方法,解决了心电图在不同人之间以及同一个人的不同时期间都存在一定的差异性对信号质量评估精度的影响;同时,有效解决了因疾病引起的心搏波形的改变被误识别为噪声干扰信号的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了本申请实施例提供的自适应实时心电信号质量评估方法的流程示意图;
图2示出了根据本申请一个实施例的自适应实时心电信号质量评估装置200的示例性结构框图;
图3示出了适于用来实现本申请实施例的终端设备的计算机***的结构示意图;
图4示出了本申请实施例提供的一段包含噪声干扰的ECG信号以及心搏分割结果的示意图;
图5示出了本申请实施例提供的一段包含室性早搏的ECG信号以及心搏分割结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
请参考图1,图1示出了本申请实施例提供的自适应实时心电信号质量评估方法的流程示意图。
如图1所示,该方法包括:
步骤110,利用AR模型对功率谱信号质量的特征进行提取;
步骤120,将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;
步骤130,根据相似度比较法对计算后的信号质量的定量进行评估。
采用上述技术方案,解决了心电图在不同人之间以及同一个人的不同时期间都存在一定的差异性对信号质量评估精度的影响;同时,有效解决了因疾病引起的心搏波形的改变被误识别为噪声干扰信号的问题。
在一些实施例中,本申请中的利用AR模型对功率谱信号质量的特征进行提取之前,该方法还包括:通过波形检测算法检测ECG的R峰,以R峰为基准点进行心搏分割,以Rn表示第n个R峰,以第m个心搏片段表示Rn和Rn+2之间的ECG信号片段,其中n=2,4,6,8...,m=n/2。
在一些实施例中,本申请中的利用AR模型对功率谱信号质量的特征进行提取,包括:选择AR模型阶数在24~28之间;对ECGm通过AR模型对确定该心搏信号的功率谱特征PSDm,其中,ECGm表示第m个心搏片段。
在一些实施例中,所述将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算,包括:通过k=1的K-means聚类算法对功率谱特征集PSDm求聚类中心;选取预设的c个心搏求平均作为相似度匹配模板。
在一些实施例中,本申请中的根据相似度比较法对计算后的信号质量的定量进行评估,包括:通过皮尔逊相关系数方法度量每个心搏与模板心搏之间的相似性;根据设定的阈值TR判断所述心搏信号的质量是否被接受,当每个心搏片段与模板的相关系数大于阈值时认为所述心搏的信号质量可以接受,否则为不可接受。
综上所述,本发明的技术方案主要需要以下三个环节:(1)功率谱信号质量特征提取:本发明提出使用AR模型估计出的功率谱作为信号质量特征,该方法的优点是效率高,功率谱曲线平滑。在功率谱估计中,较低的AR模型阶数会使功率谱估计的精度降低,而较高的节数又会产生虚假的峰值。因此,选择最优的AR模型阶数对功率谱的准确估计尤为重要。本发明通过实验验证了当AR模型的阶数在24~28之间时能获得最精确的功率谱估计。(2)信号质量匹配模板计算:对于无监督逐搏信号质量检测方法,首先需要用“干净”的ECG心搏周期去确定一个模板,然后再通过相似性度量方法计算检测心搏与模板的相似度,当相似度超过指定阈值时,则认为该心搏周期的信号质量是“可接受的”。由于心电图在不同人之间以及同一个人的不同时期间都存在一定的差异性,因此为避免这种差异性对精度的影响,需要在信号测量时自适应的选取心搏模板。适应模板选择的关键是要尽可能避免质量较差信号的干扰,这就要求去处异常心搏信号。(3)相似性度量:常见的方法有欧几里得距离(Euclidean Distance)、余弦距离(Cosine Distance)和皮尔逊相关系数(PearsonCorrelation Coefficient,PCC)。这三种方法中,欧氏距离计算的是两个样本特征向量间的真实距离,数字没有确切的范围;余弦距离计算的是两个样本特征向量间的夹角余弦,数值范围为-1到1,-1表示两向量的方向相反,1则表示方向相同;PCC是两个样本向量间的线性相关性的度量,数值范围为0到1,数值越大二者的相关性越大。显然,皮尔逊相关系数更适合用于本问题。
对于给定的一段ECG信号,基于无监督的逐搏信号质量检测的主要包括以下步骤:
1)通过波形检测算法检测ECG的R峰,然后以R峰为基准点进行心搏分割,以Rn表示第n个R峰,以第m个心搏片段表示Rn和Rn+2之间的ECG信号片段,其中n=2,4,6,8...,m=n/2。为表达方便,同时,使用ECGm表示第m个心搏片段。
2)对ECGm通过AR模型估计该心搏信号的功率谱特征PSDm。
3)通过k=1的K-means算法对功率谱特征集PSDm求聚类中心,选取最近的c个心搏求平均作为相似度匹配模板。
4)使用皮尔逊相关系数方法度量每个心搏与模板心搏之间的相似性,相似性越高表明质量评分越高,反之则越低。在应用时,根据设定的阈值TR判断该心搏信号的质量是否被接受,当相关系数大于阈值时认为该心搏的信号质量可以接受,否则为不可接受。
本发明分别使用时域波形特征和频域功率谱特征对有代表性意义的ECG信号进行逐搏质量判断。实验数据来自通过华为手表(型号:WATCH 3)采集的单导联ECG信号,采样率为1000Hz。如图4与表1展示了一段包含噪声心搏的信号质量评估结果;图5与表2展示了一段包含室性早搏心搏的信号质量评估结果;可以看出基于AR模型估计的功率谱特征对于噪声更加敏感,且避免了将室性早搏心搏判别为信号质量较差信号。
表1.在图4中每个心搏片段与模板的相关系数
表2.在图5中每个心搏片段与模板的相关系数
进一步地,参考图2,图2示出了根据本申请一个实施例的自适应实时心电信号质量评估装置200的示例性结构框图。
如图2所示,该装置包括:
提取单元210,用于利用AR模型对功率谱信号质量的特征进行提取;
匹配单元220,用于将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;
评估单元230,用于根据相似度比较法对计算后的信号质量的定量进行评估。
应当理解,装置200中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置200及其中包含的单元,在此不再赘述。装置200可以预先实现在电子设备的浏览器或其他安全应用中,也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置200中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。
下面参考图3,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***300的结构示意图。
如图3所示,计算机***300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有***300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本公开的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种自适应实时心电信号质量评估方法,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一子区域生成单元、第二子区域生成单元以及显示区域生成单元。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,显示区域生成单元还可以被描述为“用于根据第一子区域和第二子区域生成文本的显示区域的单元”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,前述程序被一个或者一个以上的处理器用来执行描述于本申请的应用于透明窗口信封的文本生成方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种自适应实时心电信号质量评估方法,其特征在于,该方法包括:
利用AR模型对功率谱信号质量的特征进行提取;
将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;
根据相似度比较法对计算后的信号质量的定量进行评估。
2.根据权利要求1所述的自适应实时心电信号质量评估方法,其特征在于,所述利用AR模型对功率谱信号质量的特征进行提取之前,该方法还包括:
通过波形检测算法检测ECG的R峰,以R峰为基准点进行心搏分割,以Rn表示第n个R峰,以第m个心搏片段表示Rn和Rn+2之间的ECG信号片段,其中n=2,4,6,8...,m=n/2。
3.根据权利要求2所述的自适应实时心电信号质量评估方法,其特征在于,所述利用AR模型对功率谱信号质量的特征进行提取,包括:
选择AR模型阶数在24~28之间;
对ECGm通过AR模型对确定该心搏信号的功率谱特征PSDm,其中,ECGm表示第m个心搏片段。
4.根据权利要求3所述的自适应实时心电信号质量评估方法,其特征在于,所述将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算,包括:
通过k=1的K-means聚类算法对功率谱特征集PSDm求聚类中心;
选取预设的c个心搏求平均作为相似度匹配模板。
5.根据权利要求4所述的自适应实时心电信号质量评估方法,其特征在于,所述根据相似度比较法对计算后的信号质量的定量进行评估,包括:
通过皮尔逊相关系数方法度量每个心搏与模板心搏之间的相似性;
根据设定的阈值TR判断所述心搏信号的质量是否被接受,当每个心搏片段与模板的相关系数大于阈值时认为所述心搏的信号质量可以接受,否则为不可接受。
6.一种自适应实时心电信号质量评估装置,其特征在于,该装置包括:
提取单元,用于利用AR模型对功率谱信号质量的特征进行提取;
匹配单元,用于将提取的特征输入到K-means聚类算法中,通过K-means聚类算法实现信号质量匹配模板的自适应计算;
评估单元,用于根据相似度比较法对计算后的信号质量的定量进行评估。
7.根据权利要求所述的自适应实时心电信号质量评估装置,其特征在于,所述利用AR模型对功率谱信号质量的特征进行提取之前,该装置还包括:
通过波形检测算法检测ECG的R峰,以R峰为基准点进行心搏分割,以Rn表示第n个R峰,以第m个心搏片段表示Rn和Rn+2之间的ECG信号片段,其中n=2,4,6,8...,m=n/2。
8.根据权利要求7所述的自适应实时心电信号质量评估装置,其特征在于,所述利用AR模型对功率谱信号质量的特征进行提取,包括:
选择AR模型阶数在24~28之间;
对ECGm通过AR模型对确定该心搏信号的功率谱特征PSDm,其中,ECGm表示第m个心搏片段。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于:
所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521253.XA CN114469131A (zh) | 2021-12-13 | 2021-12-13 | 自适应实时心电信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111521253.XA CN114469131A (zh) | 2021-12-13 | 2021-12-13 | 自适应实时心电信号质量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114469131A true CN114469131A (zh) | 2022-05-13 |
Family
ID=81493583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111521253.XA Pending CN114469131A (zh) | 2021-12-13 | 2021-12-13 | 自适应实时心电信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114469131A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115177267A (zh) * | 2022-09-13 | 2022-10-14 | 合肥心之声健康科技有限公司 | 一种心拍伪影识别方法、*** |
CN115670397A (zh) * | 2022-11-17 | 2023-02-03 | 北京中科心研科技有限公司 | 一种ppg伪迹识别方法、装置、存储介质及电子设备 |
CN116992219A (zh) * | 2023-09-07 | 2023-11-03 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力***间谐波估计方法 |
CN102512158A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种基于高维模糊识别的心电信号质量评估方法和装置 |
CN106650685A (zh) * | 2016-12-29 | 2017-05-10 | 深圳先进技术研究院 | 一种基于心电图信号的身份识别方法及装置 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
US20180325457A1 (en) * | 2015-11-24 | 2018-11-15 | Koninklijke Philips N.V. | Method to quantify photoplethysmogram (ppg) signal quality |
CN109141884A (zh) * | 2018-08-17 | 2019-01-04 | 江南大学 | 基于eemd-ar模型和dbn的轴承故障诊断方法 |
CN109350022A (zh) * | 2018-11-28 | 2019-02-19 | 中山大学附属第医院 | 用于预测复极个体发生心律失常风险体表心电图处理*** |
CN111557658A (zh) * | 2020-05-13 | 2020-08-21 | 东南大学苏州医疗器械研究院 | Ppg实时心率信号质量评估方法及装置、存储介质 |
CN112022134A (zh) * | 2020-07-22 | 2020-12-04 | 无锡金童科技有限公司 | 一种基于心冲击图的心跳检测方法 |
-
2021
- 2021-12-13 CN CN202111521253.XA patent/CN114469131A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力***间谐波估计方法 |
CN102512158A (zh) * | 2011-12-31 | 2012-06-27 | 济南汇医融工科技有限公司 | 一种基于高维模糊识别的心电信号质量评估方法和装置 |
US20180325457A1 (en) * | 2015-11-24 | 2018-11-15 | Koninklijke Philips N.V. | Method to quantify photoplethysmogram (ppg) signal quality |
CN106650685A (zh) * | 2016-12-29 | 2017-05-10 | 深圳先进技术研究院 | 一种基于心电图信号的身份识别方法及装置 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN109141884A (zh) * | 2018-08-17 | 2019-01-04 | 江南大学 | 基于eemd-ar模型和dbn的轴承故障诊断方法 |
CN109350022A (zh) * | 2018-11-28 | 2019-02-19 | 中山大学附属第医院 | 用于预测复极个体发生心律失常风险体表心电图处理*** |
CN111557658A (zh) * | 2020-05-13 | 2020-08-21 | 东南大学苏州医疗器械研究院 | Ppg实时心率信号质量评估方法及装置、存储介质 |
CN112022134A (zh) * | 2020-07-22 | 2020-12-04 | 无锡金童科技有限公司 | 一种基于心冲击图的心跳检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115177267A (zh) * | 2022-09-13 | 2022-10-14 | 合肥心之声健康科技有限公司 | 一种心拍伪影识别方法、*** |
CN115670397A (zh) * | 2022-11-17 | 2023-02-03 | 北京中科心研科技有限公司 | 一种ppg伪迹识别方法、装置、存储介质及电子设备 |
CN116992219A (zh) * | 2023-09-07 | 2023-11-03 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
CN116992219B (zh) * | 2023-09-07 | 2023-12-26 | 博睿康科技(常州)股份有限公司 | 基于噪声检测指标的信号质量表征单元、噪声源定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Accurate tunable-Q wavelet transform based method for QRS complex detection | |
US9042973B2 (en) | Apparatus and method for measuring physiological signal quality | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Bashar et al. | Novel density poincaré plot based machine learning method to detect atrial fibrillation from premature atrial/ventricular contractions | |
US9949653B2 (en) | Patient signal analysis based on vector analysis | |
CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
US20200138306A1 (en) | Feature selection for cardiac arrhythmia classification and screening | |
Pimentel et al. | Heart beat detection in multimodal physiological data using a hidden semi-Markov model and signal quality indices | |
Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
CN112971795B (zh) | 心电信号质量评估方法 | |
Bhoi et al. | QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review. | |
Bruun et al. | Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability | |
US11344246B2 (en) | Long QT syndrome diagnosis and classification | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
Zhu et al. | Feature extraction from a novel ECG model for arrhythmia diagnosis | |
KR101420345B1 (ko) | 차감 동작 기법 기반의 심전도 신호의 r파 검출 시스템 및 방법 | |
Daqrouq et al. | Wavelet based method for congestive heart failure recognition by three confirmation functions | |
CN116473569A (zh) | 一种心电图数据处理方法、***及存储介质 | |
Kannathal et al. | Analysis of electrocardiograms | |
US9277889B2 (en) | Patient signal analysis based on actiniform segmentation | |
WO2023108331A1 (zh) | 自适应实时心电信号质量评估方法 | |
Utkarsh et al. | Classification of atrial arrhythmias using neural networks | |
Lin et al. | Nonlinear interpolation fractal classifier for multiple cardiac arrhythmias recognition | |
Kelwade et al. | Comparative study of neural networks for prediction of cardiac arrhythmias | |
WO2020242334A1 (en) | System and method of automated electrocardiogram analysis and interpretation |
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 |