CN114515151A - 基于人工智能的心电信号采集***及处理方法 - Google Patents

基于人工智能的心电信号采集***及处理方法 Download PDF

Info

Publication number
CN114515151A
CN114515151A CN202210188213.6A CN202210188213A CN114515151A CN 114515151 A CN114515151 A CN 114515151A CN 202210188213 A CN202210188213 A CN 202210188213A CN 114515151 A CN114515151 A CN 114515151A
Authority
CN
China
Prior art keywords
module
signal
artificial intelligence
wave
signal acquisition
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
Application number
CN202210188213.6A
Other languages
English (en)
Inventor
韩宏光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yujingquan
Original Assignee
Yujingquan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yujingquan filed Critical Yujingquan
Priority to CN202210188213.6A priority Critical patent/CN114515151A/zh
Publication of CN114515151A publication Critical patent/CN114515151A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/256—Wearable electrodes, e.g. having straps or bands
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • 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
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于人工智能的心电信号采集***及处理方法，包括包括生理信号采集模块、无线传输模块和智能终端模块，所述生理信号采集模块实现对重症员的多种生理信号采集；无线传输模块将采集模块采集的模拟信号经A/D转换后进行无线传输；智能终端将收到的数字信号进行处理与分析，并对重症伤病员的生理状况进行评估，实现对重症伤病员无线连续监测，并对异常指标自动报警。本发明所述的心电信号采集***装备结构简单，可对病患快速穿戴并进行连续监测，通过本***内部程序设定对采集的信号进行除噪、高质量信号筛选信号特征提取并分析，对病患心率失常病因起源部位进行准确判断并及时的给出医学建议和治疗方案。

Description

基于人工智能的心电信号采集***及处理方法
技术领域
本发明属于信号处理技术领域，具体涉及基于人工智能的心电信号采集***及处理方法。
背景技术
心脏每周期窦房结发出的一次电兴奋，电兴奋按一定的途径和时程，依次传向心房和心室，引发整个心脏的兴奋，使心脏周期性地收缩，从而推动血液在全身循环。在每一个心动周期中，心脏各部分兴奋过程中出现的电变化的时间、途径、次序都有一定的规律。把测量电极放置在人体表面的一定部位，记录出来的心脏电变化曲线即为ECG 心电图，因此通过心电信号可以获取许多心脏生理状况。同时在紧急医疗中，为实时监测病患生命体征需各仪器协同工作，以快速准确地得到各数据，而现有的处理方式多为各血压仪、心率测量仪、血氧仪、心电监护仪等仪器分别监测，再经医护人员记录并分析数据是否异常，进而才能对病患生命状态得出结论，此种方式涉及仪器繁杂、数据繁琐、人工得出结果迟缓，影响伤病员的救治率，因此，如何实现高效、准确、长时间连续监测重症伤病员的心电、血压、肌电、脉搏和体温等生理信号，并根据得到的生理数据对重症伤病员目前的生理状况进行快速评估预警以提高重症伤病员的存活率亟待解决的问题。
发明内容
为解决上述问题，本发明设计了一种基于人工智能的心电信号采集***及处理方法，装备结构简单，可对病患快速穿戴并进行连续监测，通过本***内部程序设定对采集的信号进行除噪、高质量信号筛选信号特征提取并分析，对病患心率失常病因起源部位进行准确判断并及时的给出医学建议和治疗方案。
为实现上述目的，本发明采用以下技术方案：基于人工智能的心电信号采集***，包括生理信号采集模块、无线传输模块和智能终端模块，所述信号采集模块包括心电信号采集模块，其特征在于：所述生理信号采集模块实现对重症员的多种生理信号采集；无线传输模块将采集模块采集的模拟信号经A/D转换后进行无线传输；智能终端将收到的数字信号进行处理与分析，并对重症伤病员的生理状况进行评估，实现对重症伤病员无线连续监测，并对异常指标自动报警。
作为本发明一种基于人工智能的心电信号采集***的进一步改进：所述信号采集模块包括穿戴式装备和设置在穿戴式装备上的传感器，所述穿戴式装备包括依人体结构设置相互导联的多根弹性安装带，多根所述弹性安装带之间活动拼接；所述无线传输模块采用基于频率捷变的抗干扰技术，避免信号干扰。
作为本发明一种基于人工智能的心电信号采集***的进一步改进：所述信号采集模块还包括设置在头部的脉搏、血氧、脑电数据采集模块和设置在躯体上对应位置的肌电、心肺音、心电、体温数据监测模块。
作为本发明一种基于人工智能的心电信号采集***的进一步改进：所述智能终端模块包括通过无线传输模块与生理信号采集模块网络适配的智能控制终端及中央控制***，所述生理信号采集模块将采集到的数据信息通过无线传输传送至中央控制***进行数据储存、分析，中央控制***将处理后的信息反馈至智能控制终端，所述智能控制终端设置报警模块，中央控制***对心电、脉搏、血氧、体温等参数设定阀值，中央控制***将处理后参数与阀值对比并反馈至智能控制终端报警模块，实现异常参数报警。
为实现上述目的，本发明采用以下技术方案：所述心电信号采集***的信号处理方法，包括：
1）ECG信号采集模块采集心电信号；
2）ECG信号的预处理；
采用小波变换的方法对ECG信号进行分析和去噪；
采用软阀值方法对低尺度小波系数d1、d2进行处理，通过大幅度衰减系数方法消除高频噪声；
采用软、硬阀值折中算法对包含重要输入信号的尺度３小波系数处理；
2）ECG信号质量判断，筛选质量良好信号；
根据但不仅限于包括阈值、尖峰部分样本数特征筛选质量良好信号；3）心电信号特征提取
基于双正交二次B样条小波变换的方法完成ECG信号奇异点的检测；采用动态阀值法提高Ｒ波的定位精度。分析小波系数D4，抽取出极值对，采用阈值处理过滤得到准确定位R波的极值对，将极值对位置还原到重构后的ECG信号，在极大值区间找到最大值，得到R波定位；在定位好R波后，可根据R波位置通过寻找R波附近极小值点来定位Q、S波；
通过相邻的两个Ｒ波位置为标杆，以ＲＲ间期的均值来控制探测区间的长度，从而准确检测出相邻两R波之间的两个心拍、各自的Ｔ波以及Ｐ波；测量Ｔ波与测量Ｐ波各自的探测区域，完成ECG信号的P、Q、R、S、T波的精确定位；
4）信号分析
将步骤3）得到的数据分为两个一级子类分别为激动起源异常和激动传导异常中的室内阻滞，用于训练支持向量机SVM1；
将激动起源异常进行分类，分别为窦性心律和异位心律，用于训练支持向量机SVM2；
将异位心率分为主动性异位心律和被动性异位心律，用于训练SVM3；将主动性异位心律分为两类，分别为室上性早搏和室性早搏，用于训练SVM4；
将被动性异位心律分为两类，分别为室上性逸搏和室性逸搏，用于训练SVM5。
作为本发明一种基于人工智能的心电信号采集***的进一步改进：通过五个支持向量机将心电信号分为七类，从而对伤病员心脏状况进行实时监测。
本发明通过设置信号采集传感器的活动式安装带将人体心电等信号实时收集、储存、分析并反馈，医务人员快速接受反馈结果，以节省救治时间，帮助医务人员快速响应求救，最终提高伤病员救治率。活动拼接的安装带便于病患第一时间穿戴对其进行生命体征监测，中央控制***对采集到的心电信号进行预设程序处理，将心电信号进行除噪、筛除低质量信号，根据高质量信号进行心电信号特征提取，并对信号进行分析比对，对心律失常症状的准确判断，快速追溯心律失常病因的起源部位，并给出及时的医学建议和治疗方案。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，本实施例以本发明技术方案为前提，给出了详细的实施方式。
本发明所述的基于人工智能的心电信号采集***，包括生理信号采集模块、无线传输模块和智能终端模块，所述信号采集模块包括心电信号采集模块，所述生理信号采集模块实现对重症员的多种生理信号采集；无线传输模块将采集模块采集的模拟信号经A/D转换后进行无线传输；智能终端将收到的数字信号进行处理与分析，并对重症伤病员的生理状况进行评估，实现对重症伤病员无线连续监测，并对异常指标自动报警。具体来讲，所述信号采集模块包括穿戴式装备和设置在穿戴式装备上的传感器，所述穿戴式装备包括依人体结构设置相互导联的多根弹性安装带，多根所述弹性安装带之间活动拼接，包括设置在头部的弹性安装带和位于躯体的弹性安装带，所述头部安装带主要用于脉搏、血氧、脑电等数据采集，躯体部的弹性安装带主要用于肌电、心肺音、心电、体温数据等数据采集，各所述弹性安装带之间相互电路导联并活动插接，所述穿戴式装备通过搭扣或魔术贴等活动式搭接结构穿戴于病患体上；所述无线传输模块采用基于频率捷变的抗干扰技术，避免信号干扰，具体可采用ZigBee/蓝牙将生理信号无线传输至数据智能终端模块。
所述智能终端模块包括通过无线传输模块与生理信号采集模块网络适配的智能控制终端及中央控制***，所述生理信号采集模块将采集到的数据信息通过无线传输传送至中央控制***进行数据储存、分析，中央控制***将处理后的信息反馈至智能控制终端，所述智能控制终端设置报警模块，中央控制***对心电、脉搏、血氧、体温等参数设定阀值，中央控制***将处理后参数与阀值对比并反馈至智能控制终端报警模块，实现异常参数报警。例，将中央控制***对血氧饱和度阀值设定90%，当血氧信号采集模块采集到的参数信息经数据处理后起数据与设定的阀值比对，当血氧饱和度低于90%时，中央控制***将此比对结果反馈至智能控制终端，并触动报警模块报警；将血压最小舒张压阈值Bm设为60，最大舒张压阈值Bx设为90，最小收缩压阈值Dm设为90，最大收缩压阈值Dx设为140，当采集到的数据经处理与阀值比对分析，得到数据异常结果后触动报警。
本发明所述的心电信号采集***可对采集到的心电信号进行自动筛选并分析，具体可将采集到的信号进行过滤，筛除ECG信号噪声、对心电信号进行质量判断，利用筛选后高质量心电信号进行心电信号特征提取，并以图形形式显现在显示器上，同时利用上述数据对心律失常症状的准确判断，快速追溯心律失常病因的起源部位，并给出及时的医学建议和治疗方案。所述心电信号采集***的信号处理方法包括：1）ECG信号采集模块采集心电信号；
2）ECG信号的预处理；
得到原始心电信号数据后，首先需要将其进行预处理，去除心电信号中包含的噪声。本发明中将采用小波变换的方法对信号进行分析和去噪。选取双正交二次B样条小波，它是一阶光滑函数。ECG信号噪声主要包括基线漂移、工频干扰和肌电噪声，ECG信号中所包含各噪声信号频带分布亦不相同：基线漂移0-0.5Hz，工频干扰50~60Hz；肌电噪声50~2KHz，范围较广，类似高斯声。此外，ECG信号的主要成分QRS波群的中心频率约为17Hz。本发明中的 QRS波群能量主要分布在小波变换后3、4尺度上；工频干扰能量主要分布在小波变换后２尺度上；肌电噪声能量主要分布在小波变换后1、2、3尺度上。以此采用的滤波方法为：通过软阀值方法对低尺度小波系数d1、d2进行处理，通过大幅度衰减系数方法消除高频噪声。针对包含重要输入信号的尺度３小波系数，本发明采用软、硬阀值折中的算法，不仅消除肌电噪声，还尽可能保留原始输入信号，不影响后续心电特征参数的准确提取。同时，通过全通减低通滤波器对基线漂移进行抑制。
2）ECG信号质量判断，筛选质量良好信号；
根据但不仅限于包括阈值、尖峰部分样本数特征筛选质量良好信号；具体其评估标准为：
A1：阈值大于3mv部分超过40%，认为满足该标准。
A2：一阶导数大于0.3（即尖峰部分样本数）大于40%时满足该标准。
A3:导联脱落部分大于80%时，满足该标准。
A4：满足A1、A2、A3中判定条件部分为潜在不合格点，当潜在不合格部分大于68.5%时，满足该标准。
通过上述四个评判标准，可以将接触不良、导联脱落和质量差的信号筛选出来，不做处理，做到将质量良好的信号用于疾病分析。
3）心电信号特征提取
采用基于双正交二次B样条小波变换的方法完成ECG信号奇异点 的检测。ECG信号R波在尺度4下呈现最大幅值的极值对形式，且尺度4的频带范围（11.3~22.5Hz）与QRS波中心频率（17Hz）最为接近，也有效的避免了带宽以外未滤除干净的噪声影响，从而保证Ｒ波的检测精度。采用动态阀值法提高Ｒ波的定位精度。分析小波系数D4，抽取出极值对，采用阈值处理过滤得到准确定位R波的极值对，将极值对位置还原到重构后的ECG信号（有时移），在极大值区间找到最大值，得到R波定位。在定位好R波后，可根据R波位置通过寻找R波附近极小值点来定位Q、S波。
Ｐ波与Ｔ波的检测，归纳来说是通过相邻的两个Ｒ波位置为标杆，以ＲＲ间期的均值来控制探测区间的长度，从而准确检测出相邻两R波之间的两个心拍。各自的Ｔ波以及Ｐ波。测量Ｔ波与测量Ｐ波各自的探测区域，至此ECG信号的P、Q、R、S、T波均已精确定位，为后面的模型搭建提供数据源。
4）信号分析
心脏病患者中心律失常的发生率高达80~100％。因此，对心律失常症状的准确判断，快速追溯心律失常病因的起源部位，并给出及时的医学建议和治疗方案，具体为：
将步骤3）得到的数据分为两个一级子类分别为激动起源异常和激动传导异常中的室内阻滞，用于训练支持向量机SVM1；
将激动起源异常进行分类，分别为窦性心律和异位心律，用于训练支持向量机SVM2；
将异位心率分为主动性异位心律和被动性异位心律，用于训练SVM3；将主动性异位心律分为两类，分别为室上性早搏和室性早搏，用于训练SVM4；
将被动性异位心律分为两类，分别为室上性逸搏和室性逸搏，用于训练SVM5；
本发明中选取窦性心律、室上性早搏、室性早搏、室上性逸搏、室性逸搏、室内阻滞和室性扑动波这７种心律作为分类目标。采用支持向量机（Support Vector Machine, SVM）方法对处理过的数据进行分类，本模块要求将心律分为7类，所以选用二叉树分类法。首先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环下去，直到得到一个单独的类别为止。首先将数据分为两个一级子类分别为激动起源异常和激动传导异常中的室内阻滞，用于训练支持向量机SVM1。然后将激动起源异常进行分类，分别为窦性心律和异位心律，用于训练支持向量机SVM2。将异位心率分为主动性异位心律和被动性异位心律，用过训练SVM3。将主动性异位心律分为两类，分别为室上性早搏和室性早搏，用于训练SVM4。将被动性异位心律分为两类，分别为室上性逸搏和室性逸搏，用于训练SVM5。通过五个支持向量机将心电信号分为七类，从而对伤病员心脏状况进行实时监测。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然 本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.基于人工智能的心电信号采集***，包括生理信号采集模块、无线传输模块和智能终端模块，所述信号采集模块包括心电信号采集模块，其特征在于：所述生理信号采集模块实现对重症员的多种生理信号采集；无线传输模块将采集模块采集的模拟信号经A/D转换后进行无线传输；智能终端将收到的数字信号进行处理与分析，并对重症伤病员的生理状况进行评估，实现对重症伤病员无线连续监测，并对异常指标自动报警。
2.如权利要求1所述的基于人工智能的心电信号采集***，其特征在于：所述信号采集模块包括穿戴式装备和设置在穿戴式装备上的传感器，所述穿戴式装备包括依人体结构设置相互导联的多根弹性安装带，多根所述弹性安装带之间活动拼接；所述无线传输模块采用基于频率捷变的抗干扰技术，避免信号干扰。
3.如权利要求2所述的基于人工智能的心电信号采集***，其特征在于：所述信号采集模块还包括设置在头部的脉搏、血氧、脑电数据采集模块和设置在躯体上对应位置的肌电、心肺音、心电、体温数据监测模块。
4.如权利要求3所述的基于人工智能的心电信号采集***，其特征在于：所述智能终端模块包括通过无线传输模块与生理信号采集模块网络适配的智能控制终端及中央控制***，所述生理信号采集模块将采集到的数据信息通过无线传输传送至中央控制***进行数据储存、分析，中央控制***将处理后的信息反馈至智能控制终端，所述智能控制终端设置报警模块，中央控制***对心电、脉搏、血氧、体温等参数设定阀值，中央控制***将处理后参数与阀值对比并反馈至智能控制终端报警模块，实现异常参数报警。
5.如权利要求1所述的基于人工智能的心电信号采集***的信号处理方法，其特征在于，包括：
1）ECG信号采集模块采集心电信号；
2）ECG信号的预处理；
采用小波变换的方法对ECG信号进行分析和去噪；
采用软阀值方法对低尺度小波系数d1、d2进行处理，通过大幅度衰减系数方法消除高频噪声；
采用软、硬阀值折中算法对包含重要输入信号的尺度３小波系数进行滤波处理；
3）ECG信号质量判断，筛选质量良好信号；
根据但不仅限于包括阈值、尖峰部分样本数特征筛选质量良好信号；4）心电信号特征提取
基于双正交二次B样条小波变换的方法完成ECG信号奇异点的检测；采用动态阀值法提高Ｒ波的定位精度，分析小波系数D4，抽取出极值对，采用阈值处理过滤得到准确定位R波的极值对，将极值对位置还原到重构后的ECG信号，在极大值区间找到最大值，得到R波定位；在定位好R波后，可根据R波位置通过寻找R波附近极小值点来定位Q、S波；
通过相邻的两个Ｒ波位置为标杆，以ＲＲ间期的均值来控制探测区间的长度，从而准确检测出相邻两R波之间的两个心拍、各自的Ｔ波以及Ｐ波；测量Ｔ波与测量Ｐ波各自的探测区域，完成ECG信号的P、Q、R、S、T波的精确定位；
5）信号分析
将步骤3）得到的数据分为两个一级子类分别为激动起源异常和激动传导异常中的室内阻滞，用于训练支持向量机SVM1；
将激动起源异常进行分类，分别为窦性心律和异位心律，用于训练支持向量机SVM2；
将异位心率分为主动性异位心律和被动性异位心律，用于训练SVM3；将主动性异位心律分为两类，分别为室上性早搏和室性早搏，用于训练SVM4；
将被动性异位心律分为两类，分别为室上性逸搏和室性逸搏，用于训练SVM5。
6.如权利要求5所述的基于人工智能的心电信号采集***的信号处理方法，其特征在于：通过五个支持向量机将心电信号分为七类，从而对伤病员心脏状况进行实时监测。
7.如权利要求1-6任一所述的基于人工智能的心电信号采集***的信号处理方法，其特征在于：所述基于人工智能的心电信号采集***应用于穿戴式全程生命体征无线监测设备。
CN202210188213.6A 2022-02-28 2022-02-28 基于人工智能的心电信号采集***及处理方法 Pending CN114515151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210188213.6A CN114515151A (zh) 2022-02-28 2022-02-28 基于人工智能的心电信号采集***及处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210188213.6A CN114515151A (zh) 2022-02-28 2022-02-28 基于人工智能的心电信号采集***及处理方法

Publications (1)

Publication Number Publication Date
CN114515151A true CN114515151A (zh) 2022-05-20

Family

ID=81599696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210188213.6A Pending CN114515151A (zh) 2022-02-28 2022-02-28 基于人工智能的心电信号采集***及处理方法

Country Status (1)

Country Link
CN (1) CN114515151A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105212922A (zh) * 2014-06-11 2016-01-06 吉林大学 面向fpga实现心电信号r波自动检测的方法及***
CN105232032A (zh) * 2015-11-05 2016-01-13 福州大学 基于小波分析远程心电监护与预警***及方法
CN107341769A (zh) * 2016-05-03 2017-11-10 中国科学院微电子研究所 一种心电信号除噪方法及***
CN108514414A (zh) * 2018-05-11 2018-09-11 上海北京大学微电子研究院 一种信号处理设备、人体心电信号处理及疾病预测方法
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
CN112257518A (zh) * 2020-09-30 2021-01-22 西安交通大学第二附属医院 基于wt与woa-pnn算法的ecg身份识别方法
CN113303804A (zh) * 2020-02-26 2021-08-27 吴智良 生理讯号测量装置动态阈值调校***
CN113405747A (zh) * 2021-04-26 2021-09-17 深圳华星智感科技有限公司 一种基于小波分析及阈值处理的监测信号滤波方法
CN113827215A (zh) * 2021-09-02 2021-12-24 中国电子科技南湖研究院 一种基于毫米波雷达的多种心律失常自动诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105212922A (zh) * 2014-06-11 2016-01-06 吉林大学 面向fpga实现心电信号r波自动检测的方法及***
CN105232032A (zh) * 2015-11-05 2016-01-13 福州大学 基于小波分析远程心电监护与预警***及方法
US20180008159A1 (en) * 2015-11-05 2018-01-11 Fuzhou University System and method of remote ecg monitoring, remote disease screening, and early-warning system based on wavelet analysis
CN107341769A (zh) * 2016-05-03 2017-11-10 中国科学院微电子研究所 一种心电信号除噪方法及***
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
CN108514414A (zh) * 2018-05-11 2018-09-11 上海北京大学微电子研究院 一种信号处理设备、人体心电信号处理及疾病预测方法
CN113303804A (zh) * 2020-02-26 2021-08-27 吴智良 生理讯号测量装置动态阈值调校***
CN112257518A (zh) * 2020-09-30 2021-01-22 西安交通大学第二附属医院 基于wt与woa-pnn算法的ecg身份识别方法
CN113405747A (zh) * 2021-04-26 2021-09-17 深圳华星智感科技有限公司 一种基于小波分析及阈值处理的监测信号滤波方法
CN113827215A (zh) * 2021-09-02 2021-12-24 中国电子科技南湖研究院 一种基于毫米波雷达的多种心律失常自动诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
倪原等: ""心电信号的小波变换处理算法及仿真"", 《西安工业大学学报》, pages 310 - 314 *

Similar Documents

Publication Publication Date Title
Satija et al. A review of signal processing techniques for electrocardiogram signal quality assessment
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
US20220015711A1 (en) System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms
JP5244600B2 (ja) 生理学的状態を監視する方法および患者からの生理学的信号を記録するための装置
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
CN112120693B (zh) 一种心电监护***和具有其的可穿戴设备
CN114648040A (zh) 生命体征多生理信号提取、融合分析方法
US11426113B2 (en) System and method for the prediction of atrial fibrillation (AF)
Rodríguez-Jorge et al. Internet of things-assisted architecture for QRS complex detection in real time
Vizcaya et al. Standard ECG lead I prospective estimation study from far-field bipolar leads on the left upper arm: A neural network approach
Abdelazez et al. Automated biosignal quality analysis of electrocardiograms
US20230062753A1 (en) Apparatus and method for electrocardiogram ("ecg") signal analysis and artifact detection
Lee et al. ECG measurement system for vehicle implementation and heart disease classification using machine learning
Zhou et al. Embedded real-time QRS detection algorithm for pervasive cardiac care system
Rashkovska et al. Clustering of heartbeats from ECG recordings obtained with wireless body sensors
Cai et al. How accurate are ECG parameters from wearable single-lead ECG system for 24-hours monitoring
Reklewski et al. Real time ECG R-peak detection by extremum sampling
CN114515151A (zh) 基于人工智能的心电信号采集***及处理方法
Prabhakararao et al. Automatic quality estimation of 12-lead ECG for remote healthcare monitoring systems
CN114903445A (zh) 一种心脑血管疾病智能监测预警***
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
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
Aravind et al. ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network
Jayanthy et al. Analysis of obstructive sleep apnea using ECG signals
Buś et al. Feasibility study on the use of heart rate variability parameters for detection of atrial fibrillation with machine learning techniques

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