CN116784860B - 基于形态学心拍模板聚类的心电信号特征提取*** - Google Patents
基于形态学心拍模板聚类的心电信号特征提取*** Download PDFInfo
- Publication number
- CN116784860B CN116784860B CN202310758487.9A CN202310758487A CN116784860B CN 116784860 B CN116784860 B CN 116784860B CN 202310758487 A CN202310758487 A CN 202310758487A CN 116784860 B CN116784860 B CN 116784860B
- Authority
- CN
- China
- Prior art keywords
- qrs
- heart beat
- template
- waveform
- templates
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 12
- 238000000718 qrs complex Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010224 classification analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 15
- 208000008589 Obesity Diseases 0.000 claims description 9
- 235000020824 obesity Nutrition 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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]
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于形态学心拍模板聚类的心电信号特征提取***,包括:数据采集模块、提取模块、数据处理模块和分类分析模块;数据采集模块用于采集运动状态下的心电数据;提取模块用于基于心电数据提取QRS波群,得到提取信号,并对提取信号进行增强,提取增强后的提取信号的R峰;数据处理模块用于基于R峰对提取信号进行处理,得到QRS波群心拍以及心拍特征参数;分类分析模块用于基于心拍特征参数对QRS波群心拍进行分类,得到模板库;并将目标心拍波形与所述模板库中的模板进行匹配分析,得到更新模板库,并基于所述更新模板库处理心电信号。本发明具有提取特征值的时间效率高,不需要耗费大量的时间和计算资源的优点。
Description
技术领域
本发明属于医疗卫生、生物医学和电子信息技术领域,具体涉及基于形态学心拍模板聚类的心电信号特征提取***。
背景技术
心血管疾病是严重威胁人类健康的一种重要疾病,患病率正逐年上升且患病群体越来越年轻化,心血管疾病治疗非常复杂,需要进行长期监测和预防。心电图是诊断心血管疾病常用的临床检测方式之一,测量时需要静态平躺于床上,以避免各种噪声对心电信号的干扰。但是由于心血管疾病的随机性、不可控性,医院的短时长心电图只能监测短时间内心脏活动的变化状况,无法准确判断心电信号是否存在异常,因此需要对心电信号进行长时间的动态稳定监测。随着可穿戴设备的发展,动态心电图的监测主要在可穿戴设备完成,心电电极可采用更加舒适的织物电极,取代一次性心电电极贴,但由于织物电极阻抗较大,且无法牢固地固定在人体皮肤上,在运动过程中极易与皮肤摩擦引起电极-皮肤阻抗变化,而且动态监测时存在肌肉运动,导致可穿戴动态心电图在进行监测时受到畸变失去原有的信息。基于上述问题,亟需一种新的提取运动状态下提取心电信号信息的识别算法。
发明内容
本发明旨在解决现有技术的不足,提出一种基于形态学心拍模板聚类的心电信号特征提取***,以准确地提取人体在运动状态下心电信号的特征。
为实现上述目的,本发明提供了如下方案:基于形态学心拍模板聚类的心电信号特征提取***,包括:数据采集模块、提取模块、数据处理模块和分类分析模块;
所述数据采集模块用于采集运动状态下的心电数据;
所述提取模块与所述数据采集模块连接,所述提取模块用于基于所述心电数据提取QRS波群,得到提取信号,并对所述提取信号进行增强,提取增强后的提取信号的R峰;
所述数据处理模块与所述提取模块连接,所述数据处理模块用于基于所述R峰对所述提取信号进行处理,得到QRS波群心拍以及心拍特征参数;
所述分类分析模块与所述数据处理模块连接,所述分类分析模块用于基于所述心拍特征参数对所述QRS波群心拍进行分类,得到模板库;并将目标心拍波形与所述模板库中的模板进行匹配分析,得到更新模板库,并基于所述更新模板库处理心电信号。
优选地,所述心拍特征参数包括:QRS波宽度、QRS波面积、QRS波高度、QRS波肥胖指数和QRS波尖峰粗顿指数。
优选地,所述QRS波肥胖指数计算方法包括:
FQRS=AQRS/|HQRS|
式中,FQRS表示QRS波肥胖指数,AQRS表示QRS波面积,HQRS表示QRS波高度。
优选地,所述QRS波尖峰粗顿指数计算方法包括:
式中,AGQRS表示QRS波尖峰粗顿指数,f(n)表示心电信号第n个采样点的采样值,TR表示R波峰值点位置,MS20表示20毫秒后对应的采样点的个数,HQRS表示QRS波高度。
优选地,得到所述模板库的方法包括:根据所述心拍特征参数对所述QRS波群心拍进行分类,得到三种运动状态下的QRS心拍模板;将所述心电数据进行分层聚类,分别对应三种运动状态下的所述QRS心拍模板,所述QRS心拍模板组成所述模板库。
优选地,得到三种运动状态下的QRS心拍模板的方法包括:
将每一个QRS波群心拍定义为一个簇,根据所述心拍特征参数计算所有QRS波群心拍的差异值;将两个差异值最小的簇合并形式新簇;计算新簇与其他簇之间的不相似度,基于不相似度更新相似度矩阵,进行下一次迭代,到预设迭代次数结束,得到三种运动状态下的QRS心拍模板。
优选地,进行匹配分析的方法包括:
以QRS心拍模板中的基准波形为中心,构造轮廓波形的上限与下限,形成波形检测的轮廓窗口;
将目标心拍波形与所述QRS心拍模板中的波形以R峰位置对齐,在所述轮廓窗口内,计算所述目标心拍波形与所述QRS心拍模板中的波形在时间点上的差异值;将时间点上的差异值除以所述目标心拍波形与所述QRS心拍模板中的波形P波、R波及T波波峰差值之和;得到QRS波群心拍差异值,所述QRS波群心拍差异值小于0.7为匹配成功。
优选地,得到所述更新模板库的方法包括:
所述QRS心拍模板中的波形存在与所述目标心拍波形匹配的波形时,将所述目标心拍波形加入到所述QRS心拍模板中,对所述QRS心拍模板进行更新买得到所述更新模板库;
所述QRS心拍模板中的波形不存在与所述目标心拍波形匹配的波形时,查看匹配的所述QRS心拍模板中的波形是否达到8个,当没有达到8个时,以所述目标心拍波形为原型,在所述QRS心拍模板中建立新模板,将所述目标心拍波形模板号置为新模板的编号;当达到8个时,删除所述QRS心拍模板中的一个模板,以所述目标心拍波形为原型,在所述QRS心拍模板中建立新模板,将所述目标心拍波形模板号置为新模板的编号。
与现有技术相比,本发明的有益效果为:
本发明基于形态学心拍模板聚类的心电信号特征提取***,具有提取特征值的时间效率高,不需要耗费大量的时间和计算资源的优点。(1)精度高,可以准确捕捉心电信号中的细微结构和相关特征,提高对心电信号识别和解析的精度;(2)鲁棒性和解释性强:形态学心拍模板聚类算法与神经网络算法相比,具有更强的鲁棒性和解释性,可以更好地描述心电信号的特征、趋势和异常情况;(3)可解释性高:可以通过具体的心跳模板形态和参数特征来解释诊断结果,更直观并易于理解和实现。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例分类分析模块进行匹配分析的方法流程示意图;
图2为本发明实施例静止状态下的模板库部分样本示意图;
图3为本发明实施例行走状态下的模板库部分样本示意图;
图4为本发明实施例跑步状态下的模板库部分样本示意图;
图5为本发明实施例静止状态下心电信号频谱图;
图6为本发明实施例静止状态下去除噪声信号后的心电信号频谱图;
图7为本发明实施例行走状态下心电信号频谱图;
图8为本发明实施例行走状态下去除噪声信号后的心电信号频谱图;
图9为本发明实施例跑步状态下心电信号频谱图;
图10为本发明实施例跑步状态下去除噪声信号后的心电信号频谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本实施例提供一种基于形态学心拍模板聚类的心电信号特征提取***,包括:数据采集模块、提取模块、数据处理模块和分类分析模块;
数据采集模块用于采集运动状态下的心电数据。
本实施例中,心电数据包括:在静止、跑步(10km/h)、行走(4km/h)三种运动状态下采集到的心电数据f1(x)、f2(x)、f3(x)。
提取模块与数据采集模块连接,提取模块用于基于心电数据提取QRS波群,得到提取信号,并对提取信号进行增强,提取增强后的提取信号的R峰。
本实施例中,采用Patrick S.Hamilton算法提取上述三种运动状态下心电数据的QRS波群,提取后的提取信号分别为f1QRS(x)、f2QRS(x)、f3QRS(x)。再采用窗口滑动积分函数进行增强,采用双斜率可变阈值法提取增强后的提取信号的R峰。
数据处理模块与提取模块连接,数据处理模块用于基于R峰对提取信号进行处理,得到QRS波群心拍以及心拍特征参数。
处理方法包括:
将提取信号先通过16Hz的低通滤波器,再通过8Hz的高通滤波器,滤除呼吸干扰、工频干扰与肌电噪声;然后通过一个中值滤波器,去除基线偏移,并把心电信号基线拉至零电位。在预处理中采用强滤波(8-16Hz)的目的在于最大化地突出QRS波的能量,而把基线拉至零电位是为了方便后续波群面积等特征参数的计算。
具体的,首先根据提取的R峰位置确定每一个QRS波群心拍波形的起点T0与终点Ts,计算心拍特征参数;本实施例心拍特征参数包括:QRS波宽度(WQRS)、QRS波面积(AQRS)、QRS波高度(HQRS)、QRS波肥胖指数(FQRS)和QRS波尖峰粗顿指数(AGQRS)。
其中,QRS波宽度(WQRS)计算方法如下:
WQRS=Ts-T0
式中,WQRS表示QRS波宽度,Ts表示QRS波群心拍波形的终点,T0表示QRS波群心拍波形的起点。
QRS波面积(AQRS)计算方法为:QRS波群心拍波形的起点T0开始,对预处理后的心电数据采样值进行绝对值积分,至QRS波群心拍波形的终点Ts结束。计算公式如下:
式中,AQRS表示QRS波面积,f(n)表示表示心电信号第n个采样点的采样值,TQ表示QRS波的起点。
QRS波高度(HQRS)计算方法为:R波峰值点位置(TR)的预处理后心电数据的采样值,正值表示R峰正向,负值表示R峰反向。计算公式如下:
HQRS=f(TR)
式中,HQRS表示QRS波高度,TR表示R波峰值点位置。
QRS波肥胖指数(FQRS)计算方法为:QRS波群心拍波形面积与高度绝对值的比值。计算公式如下:
FQRS=AQRS/|HQRS|
式中,FQRS表示QRS波肥胖指数,AQRS表示QRS波面积,HQRS表示QRS波高度。
QRS波尖峰粗顿指数(AGQRS)的计算方法如下:
式中,AGQRS表示QRS波尖峰粗顿指数,f(n)表示心电信号第n个采样点的采样值,TR表示R波峰值点位置,MS20表示20毫秒后对应的采样点的个数,HQRS表示QRS波高度。
分类分析模块与数据处理模块连接,分类分析模块用于基于心拍特征参数对QRS波群心拍进行分类,得到模板库;并将目标心拍波形与模板库中的模板进行匹配分析,得到更新模板库,并基于更新模板库处理心电信号。
具体的,得到模板库的方法包括:根据上述五个心拍特征参数对QRS波群心拍进行分类,采用分层聚类算法将全部心拍进行分类,得到三种运动状态下的QRS心拍模板;具体的,QRS波群心拍定义为一个簇,根据心拍特征参数计算所有QRS波群心拍的差异值;
QRS波群心拍差异值SDIFF计算方法包括:
式中,T(n)为模板心拍波形数据第n个采样点的采样值,X(n)为目标心拍波形数据第n个采样点的采样值,Rpeak为R峰位置,KD为常数,Tmax(Tmin)为模板心拍波形数据在[Rpeak-KD,Rpeak+KD]范围内的最大(小)值,Xmax(Xmin)为目标心拍波形数据在[Rpeak-KD,Rpeak+KD]范围内的最大(小)值。
将两个差异值最小的簇合并形式新簇;计算新簇与其他簇之间的不相似度,基于不相似度更新相似度矩阵,进行下一次迭代,到预设迭代次数结束。得到三种运动状态下的QRS心拍模板。将心电数据进行分层聚类,心电数据f1(x)、f2(x)、f3(x)经分层聚类后得到P11(x),P12(x),…,P21(x),P22(x),…,P31(x),P32(x),…,分别对应上述三种运动状态下的QRS心拍模板S1、S2、S3,,QRS心拍模板组成模板库。如图2、图3、图4所示。
心电数据与模板库中的模板进行匹配分析的方法包括:
本实施例采用轮廓限围和累积差值法将心电数据与模板库中的模板进行匹配;轮廓限围是指QRS心拍模板中的波形作为轮廓限围的基准波形,并以此基准波形为中心,构造轮廓波形的上限Δf1与下限Δf2,形成波形检测的轮廓窗口,即轮廓窗口为X=fr(x)+Δf1-Δf2,其中,r取值为1,2,3。累积差值法是将目标心拍波形与QRS心拍模板中的波形以R峰位置对其,然后在上述轮廓窗口范围内(一般为QRS波的宽度60-100ms),计算目标波形与QRS心拍模板中的波形在各个时间点上的差异值;将时间点上的差异值除以目标心拍波形与QRS心拍模板中的波形P波、R波及T波波峰差值之和,得到QRS波群心拍差异值SDIFF。
本实施例中,目标心拍波形与QRS心拍模板中的波形匹配成功的判定条件包括:
(1)R峰同向;
(2)体型组别相同;
(3)|HQRS(X)-HQRS(T)|<|HQRS(X)+HQRS(T)|/8,其中,HQRS(X)是目标心拍波形的QRS波高度,HQRS(T)是QRS心拍模板中的波形的QRS波高度;
(4)|WQRS(X)-WQRS(T)|≤20ms,WQRS(X)是目标心拍波形的QRS波宽度,WQRS(T)是QRS心拍模板中的波形的QRS波宽度;
(5)SDIFF<0.7。
具体的,如图1所示,得到更新模板库的方法包括:
QRS心拍模板中的波形存在与目标心拍波形匹配的波形时,将目标心拍波形以Pmi(x)(m为QRS心拍模板的种类,i为QRS心拍模板中信号的编号)加入到QRS心拍模板中,对QRS心拍模板进行更新买得到更新模板库。
QRS心拍模板中的波形不存在与目标心拍波形匹配的波形时,查看匹配的QRS心拍模板中的波形是否达到8个,当没有达到8个时,以目标心拍波形为原型,在QRS心拍模板中建立新模板,将目标心拍波形模板号置为新模板的编号Sn(4≤n≤8);当达到8个时,则删除QRS心拍模板中的其中一个模板,以目标心拍波形为原型,在QRS心拍模板中建立新模板,将目标心拍波形模板号置为新模板的编号。并利用更新模板库对心电信号进行聚类处理。如图5-10可以看出,本发明能有效的去除心电信号的运动噪声。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.基于形态学心拍模板聚类的心电信号特征提取***,其特征在于,包括:数据采集模块、提取模块、数据处理模块和分类分析模块;
所述数据采集模块用于采集运动状态下的心电数据;
所述提取模块与所述数据采集模块连接,所述提取模块用于基于所述心电数据提取QRS波群,得到提取信号,并对所述提取信号进行增强,提取增强后的提取信号的R峰;
所述数据处理模块与所述提取模块连接,所述数据处理模块用于基于所述R峰对所述提取信号进行处理,得到QRS波群心拍以及心拍特征参数;
所述分类分析模块与所述数据处理模块连接,所述分类分析模块用于基于所述心拍特征参数对所述QRS波群心拍进行分类,得到模板库;并将目标心拍波形与所述模板库中的模板进行匹配分析,得到更新模板库,并基于所述更新模板库处理心电信号;
所述心拍特征参数包括:QRS波宽度、QRS波面积、QRS波高度、QRS波肥胖指数和QRS波尖峰粗顿指数;
所述QRS波肥胖指数计算方法包括:
式中,F QRS 表示QRS波肥胖指数,A QRS 表示QRS波面积,H QRS 表示QRS波高度;
所述QRS波尖峰粗顿指数计算方法包括:
式中,AG QRS 表示QRS波尖峰粗顿指数,f(n)表示心电信号第n个采样点的采样值,T R 表示R波峰值点位置,MS20表示20毫秒后对应的采样点的个数,H QRS 表示QRS波高度。
2.根据权利要求1所述基于形态学心拍模板聚类的心电信号特征提取***,其特征在于,得到所述模板库的方法包括:根据所述心拍特征参数对所述QRS波群心拍进行分类,得到三种运动状态下的QRS心拍模板;将所述心电数据进行分层聚类,分别对应三种运动状态下的所述QRS心拍模板,所述QRS心拍模板组成所述模板库。
3.根据权利要求2所述基于形态学心拍模板聚类的心电信号特征提取***,其特征在于,得到三种运动状态下的QRS心拍模板的方法包括:
将每一个QRS波群心拍定义为一个簇,根据所述心拍特征参数计算所有QRS波群心拍的差异值;将两个差异值最小的簇合并形式新簇;计算新簇与其他簇之间的不相似度,基于不相似度更新相似度矩阵,进行下一次迭代,到预设迭代次数结束,得到三种运动状态下的QRS心拍模板。
4.根据权利要求2所述基于形态学心拍模板聚类的心电信号特征提取***,其特征在于,进行匹配分析的方法包括:
以QRS心拍模板中的基准波形为中心,构造轮廓波形的上限与下限,形成波形检测的轮廓窗口;
将目标心拍波形与所述QRS心拍模板中的波形以R峰位置对齐,在所述轮廓窗口内,计算所述目标心拍波形与所述QRS心拍模板中的波形在时间点上的差异值;将时间点上的差异值除以所述目标心拍波形与所述QRS心拍模板中的波形P波、R波及T波波峰差值之和;得到QRS波群心拍差异值,所述QRS波群心拍差异值小于0.7为匹配成功。
5.根据权利要求4所述基于形态学心拍模板聚类的心电信号特征提取***,其特征在于,得到所述更新模板库的方法包括:
所述QRS心拍模板中的波形存在与所述目标心拍波形匹配的波形时,将所述目标心拍波形加入到所述QRS心拍模板中,对所述QRS心拍模板进行更新得到所述更新模板库;
所述QRS心拍模板中的波形不存在与所述目标心拍波形匹配的波形时,查看匹配的所述QRS心拍模板中的波形是否达到8个,当没有达到8个时,以所述目标心拍波形为原型,在所述QRS心拍模板中建立新模板,将所述目标心拍波形模板号置为新模板的编号;当达到8个时,删除所述QRS心拍模板中的一个模板,以所述目标心拍波形为原型,在所述QRS心拍模板中建立新模板,将所述目标心拍波形模板号置为新模板的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310758487.9A CN116784860B (zh) | 2023-06-26 | 2023-06-26 | 基于形态学心拍模板聚类的心电信号特征提取*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310758487.9A CN116784860B (zh) | 2023-06-26 | 2023-06-26 | 基于形态学心拍模板聚类的心电信号特征提取*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116784860A CN116784860A (zh) | 2023-09-22 |
CN116784860B true CN116784860B (zh) | 2024-05-28 |
Family
ID=88035904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310758487.9A Active CN116784860B (zh) | 2023-06-26 | 2023-06-26 | 基于形态学心拍模板聚类的心电信号特征提取*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116784860B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357130B (zh) * | 2023-12-07 | 2024-02-13 | 深圳泰康医疗设备有限公司 | 基于人工智能的心电图数字化曲线分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111281373A (zh) * | 2020-03-06 | 2020-06-16 | 何乐 | 基于心电图u波和t波定量评估心脏功能的方法和装置 |
CN115470832A (zh) * | 2022-11-14 | 2022-12-13 | 南京邮电大学 | 一种基于区块链的心电信号数据处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9254095B2 (en) * | 2012-11-08 | 2016-02-09 | Alivecor | Electrocardiogram signal detection |
CA3186237A1 (en) * | 2020-07-16 | 2022-01-20 | Sridhar Krishnan | System and method for saliency detection in long-term ecg monitoring |
-
2023
- 2023-06-26 CN CN202310758487.9A patent/CN116784860B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111281373A (zh) * | 2020-03-06 | 2020-06-16 | 何乐 | 基于心电图u波和t波定量评估心脏功能的方法和装置 |
CN115470832A (zh) * | 2022-11-14 | 2022-12-13 | 南京邮电大学 | 一种基于区块链的心电信号数据处理方法 |
Non-Patent Citations (1)
Title |
---|
15例扩张型心肌病心室晚电位分析;曹雪滨等;中国保健医学研究会心脏学学会全国第一届心脏学学术会议论文汇编;19951001;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116784860A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hagiwara et al. | Computer-aided diagnosis of atrial fibrillation based on ECG Signals: A review | |
AL-Ziarjawey et al. | Heart rate monitoring and PQRST detection based on graphical user interface with Matlab | |
JP7429371B2 (ja) | 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム | |
Li et al. | Dual-input neural network integrating feature extraction and deep learning for coronary artery disease detection using electrocardiogram and phonocardiogram | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN116784860B (zh) | 基于形态学心拍模板聚类的心电信号特征提取*** | |
CN112971795B (zh) | 心电信号质量评估方法 | |
WO2021156675A1 (en) | Fusion signal processing for maternal uterine activity detection | |
Talatov et al. | Algorithmic and software analysis and processing of ECG signals | |
CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
CN115486854A (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 | |
Hugeng et al. | Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno | |
Dogan et al. | A comprehensive review of computer-based Techniques for R-peaks/QRS complex detection in ECG signal | |
CN113609975A (zh) | 一种用于震颤检测的建模方法、手部震颤检测装置及方法 | |
Zaidi et al. | Feature extraction and characterization of cardiovascular arrhythmia and normal sinus rhythm from ECG signals using LabVIEW | |
CN115024716B (zh) | 基于心率标签生成的心冲击图信号重建方法 | |
de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
Sanamdikar et al. | Analysis of several characteristics of ECG signal for cardiac arrhythmia detection | |
Kammath et al. | Detection of bundle branch blocks using machine learning techniques | |
Nankani et al. | R-peak detection from ECG signals using fractal based mathematical morphological operators | |
Somwanshi et al. | ECG feature extraction and detection of first degree atrioventricular block | |
Vysiya et al. | Automatic detection of cardiac arrhythmias in ECG signal for IoT application | |
CN112401924B (zh) | 一种心音分割方法及装置 | |
Desai et al. | Coronary artery disease (CAD) heart beats classification using recurrence plots |
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 |