CN117379062B - 单导联干电极心电图p波识别方法、装置、设备及介质 - Google Patents
单导联干电极心电图p波识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117379062B CN117379062B CN202311696820.4A CN202311696820A CN117379062B CN 117379062 B CN117379062 B CN 117379062B CN 202311696820 A CN202311696820 A CN 202311696820A CN 117379062 B CN117379062 B CN 117379062B
- Authority
- CN
- China
- Prior art keywords
- wave
- suspected
- determining
- current
- current detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 230000008859 change Effects 0.000 claims abstract description 88
- 230000000747 cardiac effect Effects 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000012935 Averaging Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种单导联干电极心电图P波识别方法、装置、设备及存储介质。该方法包括:在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。本发明技术方案能够从干电极采集的心电图中准确地定位识别出P波。
Description
技术领域
本发明涉及生理数据处理技术领域,尤其涉及一种单导联干电极心电图P波识别方法、装置、设备及存储介质。
背景技术
心电图(electrocardiogram,ECG)是重要的心脏疾病的分析工具,具有无创、廉价、易获取的特性。ECG的P-QRS-T波(分别表是P波、QRS复合波和T波)反应心脏的心房心室机械活动情况,其中P波反应心房的去极化。P波信息是基于ECG分析心律失常的重要特征,特别对于心房和心室病变非常重要,心电图P波的准确识别有利于分析心律失常疾病,如房扑、房颤、房早和室早。
目前单导联可穿戴式心电监测设备已经成为了研究的热点,其具有佩戴舒适、体积小、携带方便以及不影响患者日常活动的特点,采用干电极采集心电信号。干电极采集的心电信号属于微弱电信号,容易受到噪声干扰,且大量畸形P波和噪声假P波,给P波定位带来更大的挑战。
针对干电极采集的心电信号,现有技术很难从心电信号中准确地定位识别出真正的P 波,即现有技术存在无法从干电极采集的心电信号中准确地定位识别出P波的问题。
发明内容
本发明提供了一种单导联干电极心电图P波识别方法、装置、设备及存储介质,以解决现有技术存在无法从干电极采集的心电信号中准确地定位识别出P波的问题。
根据本发明的一方面,提供了一种单导联干电极心电图P波识别方法,包括:
在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;
确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;
如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;
如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。
根据本发明的另一方面,提供了一种单导联干电极心电图P波识别装置,包括:
波段确定模块,用于在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;
趋势变化曲线模块,用于确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;
疑似P波模块,用于如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;
筛选模块,用于如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的单导联干电极心电图P波识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的单导联干电极心电图P波识别方法。
本发明实施例提供的单导联干电极心电图P波识别方法的技术方案,通过采用正向趋势变化曲线、反向趋势变化曲线与设定基准线配合的方式,确定当前检测波段是否包括至少一个疑似P波,并在包括至少一个疑似P波的情况下,确定出该至少一个疑似P波,实现了基于检测波段趋势变化确定疑似P波的技术效果;如果从该至少一个疑似P波中筛选出目标疑似P波,则根据该目标疑似P波在心电图中准确地定位P波,实现了通过当前检测波段的趋势变化情况与波形筛选相结合的手段,在心电图中准确地定位识别P波的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的单导联干电极心电图P波识别方法的流程图;
图2是根据本发明实施例提供的包括当前检测波段的心电图;
图3是根据本发明实施例提供的正向趋势变化曲线与反向趋势变化曲线示意图;
图4是根据本发明实施例提供的单导联干电极心电图P波识别方法的又一流程图;
图5是根据本发明实施例提供的目标疑似P波筛选流程图;
图6是根据本发明实施例提供的单导联干电极心电图P波识别方法的又一流程图;
图7为本发明实施例提供的当前检测波段以及与当前检测波段对应的归一化处理结果、均值化处理结果与放大处理结果;
图8是根据本发明实施例提供的单导联干电极心电图P波识别装置的结构示意图;
图9是根据本发明实施例提供的另一单导联干电极心电图P波识别装置的结构示意图;
图10是实现本发明实施例的单导联干电极心电图P波识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的单导联干电极心电图P波识别方法的流程图,本实施例适用于在干电极采集的心电图中定位识别P波的情况,该方法可以由单导联干电极心电图P波识别装置来执行,该单导联干电极心电图P波识别装置可以采用硬件和/或软件的形式实现,该单导联干电极心电图P波识别装置可配置于电子设备的处理器中。如图1所示,该方法包括:
S110、在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间。
其中,心电图是通过干电极采集目标对象在各心电周期所产生的心电活动的记录。正常心电图中,每个心动周期包括依次出现的P波、QRS波与T波。QRS波包括脉冲式的R波,以及位于R波之前的Q波。P波对应心房除极活动;P波起始点到QRS波起始点之间经过的时间叫PR间期,PR间期主要反映心电信号在房室之间的传导时间;QRS波对应心室除极活动;T波对应心室复极活动,当前心动周期的R波与前一心动周期的R波之间经过的时间称为RR间期,RR间期是每一次心脏跳动与前一次心脏跳动的间隔时间。
其中,当前检测波段为与当前心动周期对应的P波在心电图中最可能出现的区域。
在一个实施例中,如图2所示,在心电图中确定前T波终点与后Q波起点,将该前T波的终点与后Q波的起点作为当前检测波段的起点与终点,其中,前T波为与前一心动周期对应的T波,后Q波是与当前心动周期对应的Q波的起点;可以理解的是,该实施例适应于可以准确地确定前T波终点与后Q波的起点的情况。
在一个实施例中,确定与所述前一心动周期对应的R波顶点对应的参考采样时刻,以及所述前一心动周期与所述当前心动周期之间的RR间期;确定采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为半个所述RR间期的采样点,将该采样点作为所述当前检测波段的起点;确定所述采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为目标时长的采样点,将该采样点作为所述当前检测波段的终点,其中,所述目标时长为所述RR间期与设定倍数的采样率之间的差值。
图2中,R波顶点的采样时刻与R+1波顶点的采样时刻之间的时间差,为前一心动周期与当前心动周期之间的RR间期。针对采样率为500Hz的心电数据,设定倍数小于0.03且大于0.01,具体可选为0.02、0.15等。该实施例以R波顶点与RR间期为基准确定当前检测波段的起点与终点,适应于T波终点与Q波起点无法准确确定的情况,提高了当前检测波段确定的灵活性与准确性。
S120、确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线。
其中,正向趋势变化曲线用于反映,在正向方向上,当前检测波段中各采样点值的变化趋势;反向趋势变化曲线用于反映,在反向方向上,当前检测波段中各采样点值的变化趋势。
在心电图中,采样时刻增加的方向定义为正向方向,采样时刻减少的方向定义为反向方向。
在一个实施例中,采用曼-肯德尔趋势检测法,确定所述当前检测波段的正向趋势变化曲线(参见图3中的曲线T1)与反向趋势变化曲线(参见图3中的曲线T2)。
Mann-Kendall(曼-肯德尔趋势检测法)是一种气候诊断与预测技术,应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变,如果存在,可确定出突变发生的时间。Mann-Kendall的检验方法是非参数方法。非参数检验方法亦称无分布检验,其优点是不需要样本遵从一定的分布,也不受少数异常值的干扰。
趋势检测窗口内的采样点表示为(L1,L2.L3…Lm),是m个独立的随机变量同分布的样本,其检验的统计量S计算如下:
其中,、/>分别为标识为i的采样点值与标识为j的采样点值,且i<j,sgn()是符号函数,该符号函数具体如下:/>
具体地,以趋势检测窗口沿时间轴正向滑动为例。针对当前检测波段中的各采样点,确定位于当前采样点之后的目标窗口内的L个样本点;该L样本点中,沿检测窗口移动方向,后一采样点与前一采样点之差大于0,S值加一,后一采样点与前一采样点之差小于0,S值减一,后一采样点与前一采样点之差为0,S值不变,直至该后一采样点为检测窗口中的最后一个采样点,将此时的S值作为与当前采样点对应的S值。
统计量S大致服从正态分布,在不考虑序列存在等值数据点的情况下,其均值E(S)=0,方差Var(S)=m(m-1)(2m+5)/18。标准化后的检验统计量Z计算如下:
可见,上述公式用于将各样本点对应的S值转换为Z值。Z为正值表示对应采样点的趋势为上升,Z为幅值负值对应采样点的趋势为下降。Z的绝对值在大于或等于1.645、1.96与2.576时表示分别通过了置信度90%、95%与99%的显著性检验。
可以理解的是,根据预先确定的趋势变化曲线幅值与置信度的对应关系,确定与设定置信度对应的设定基准线。比如,与置信度90%对应的基准线的Z值等于1.645;与置信度95%对应的基准线的Z值为1.96。
S130、如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,判定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波。
在一个实施例中,设定基准线为与置信度90%对应的Z值,即1.645。可以理解的是,趋势变化曲线中,相较于Z值较低的采样点,Z值较高的采样点对应的置信度更高,对应的趋势变化结果的准确性也更高。因此可以根据实际情况,比如传感器的数据采集特点,确定与设定基准线对应的置信度。
在一个实施例中,如果所述正向趋势变化曲线与所述设定基准线的第一交点的数量大于或等于1,同时所述反向趋势变化曲线与所述设定基准线的第二交点的数量大于或等于1,则将所述第一交点作为起点,将所述第二交点作为终点,同时判定所述当前检测波段包括至少一个疑似P波。
参见图3所示,曲线T1为正向趋势变化曲线,曲线T2为反向趋势变化曲线,曲线P_ad为当前检测波段。与置信度90%对应的Z值(1.645)为设定基准线,该设定基准线即为该附图中幅值为零的横向轴线。将正向趋势变化曲线的上升沿与设定基准线的第一交点(参见该图中的实心圆)作为疑似P波的终点,简称终点;将反向趋势变化曲线的下降沿与设定基准线的第二交点(参见该图中的实心三角形)作为疑似P波的起点,简称起点。该附图示出了4个起点与4个终点。
所有的起点与终点确定后,按照左起右终(左侧起点,右侧终点)的原则,将至少一个起点与至少一个终点中,相邻起点与终点对应的波形作为疑似P波,以得到所述至少一个疑似P波。其中,左侧起点、右侧终点的原则,是基于P波在当前检测波段中先上升再下降的波形特征确定的。至少一个起点与至少一个终点确定后,根据P波的波形特点,即可快速地确定出所有的疑似P波。
在一个实施例中,由于P 波更接近于QRS波,因此采用从后向前的组合方式来确定疑似P波。具体地,针对所述至少一个终点中的各终点,确定与当前终点相邻且分布在所述当前终点之前的起点,将所述当前终点与该起点之间的波形作为与所述当前终点对应的疑似P波,其中,分布在所述当前终点与所述T波之间的起点,为所述至少一个起点中分布在所述当前终点之前的起点;将所有疑似P波作为所述至少一个疑似P波。
S140、如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。
至少一个疑似P波确定后,对该至少一个疑似P波执行P波筛选操作,如果从该至少一个疑似P波中筛选出符合设定筛选条件的疑似P波,则将该疑似P波作为目标疑似P波。目标疑似P波确定后,确定目标疑似P波的起点与终点分别对应的第一采样时刻与第二采样时刻,根据该第一采样时刻与第二采样时刻,在心电图中确定与目标疑似P波对应的P波。
在一个实施例中,在心电图中确定出P波后,在可视化展示界面中展示包括对应P波标识的心电图,所述P波标识被标识在与当前心动周期对应的P波的设定位置,比如P波的上方或下方。
在一个实施例中,该方法还包括:如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段不包括疑似P波,作为在可视化界面中输出提示信息,所述提示信息用于表示所述心电图中不包括与当前心动周期对应的P波。可以理解的是,如果正向趋势变化曲线与设定基准线无第一交点和/或反向趋势变化曲线与设定基准线无第二交点,则表示当前检测波段没有用于确定疑似P波的起点和/或终点,此时可判定当前检测波段不包括疑似P波,直接在可视化界面中输出提示信息。
本发明实施例提供的单导联干电极心电图P波识别方法的技术方案,如果通过采用正向趋势变化曲线、反向趋势变化曲线与设定基准线配合的方式,确定当前检测波段是否包括至少一个疑似P波,并在包括至少一个疑似P波的情况下,确定出该至少一个疑似P波,实现了基于检测波段趋势变化确定疑似P波的技术效果;如果从该至少一个疑似P波中筛选出目标疑似P波,则根据该目标疑似P波在心电图中准确地定位P波,实现了通过当前检测波段的趋势变化情况与波形筛选相结合的手段,在心电图中准确地定位识别P波的技术效果。
图4为本发明实施例提供的单导联干电极心电图P波识别方法的流程图,本实施例用于对前述实施例中的目标疑似P波筛选步骤进行细化。如图4所示,该方法包括:
S210、在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间。
S220、确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线。
S230、如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波。
S2401、确定所述至少一个疑似P波中各所述疑似P波的置信度。
在一个实施例中,通过以下步骤确定各疑似P波的置信度:
步骤a1、针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的至少一个设定特征分值,所述设定特征分值包括波形特征分值、时限特征分值、波幅特征分值与PR间期特征分值中的至少一个。
其中,波形特征是指疑似P波的形状特征。时限特征是指疑似P波的起点对应的采样时刻与终点对应的采样时刻之间的时间差。波幅特征是指疑似P波的顶点幅值与起点幅值之间的差值。PR间期特征是指疑似P波的起点对应的采样时刻到与目标QRS波起点对应的采样时刻之间的时间差,其中,目标疑似QRS波为与当前心动周期对应的QRS波。
在一个实施例中,波形特征分值的确定步骤包括:针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的高斯函数拟合结果;根据所述高斯函数拟合结果确定拟合参数;根据所述拟合参数确定所述当前疑似P波与设定标准P波的相似度结果;根据所述相似度结果以及预先设定的相似度权重确定所述当前疑似P波的波形特征分值。
具体地,在正常心电图中,P波为呈钝圆形的曲线,而高斯函数呈凸起的钝圆形曲线,其函数表达式为:
其中,Fp是拟合曲线,a、b与c是拟合曲线的参数;a表示拟合曲线的波幅大小,b表示拟合曲线的对称轴,c表示拟合曲线对应波形的宽度。使用最小二乘法对拟合曲线进行优化,更新拟合曲线的参数a、b与c。
根据各疑似P波的拟合曲线的参数以及预先确定的标准P波,确定各疑似P波与标准P波的相似度。在一个实施例中,将各疑似P波的拟合曲线的参数输入已训练的相似度模型,以得到各疑似P波与标准P波的相似度。其中,相似度模型训练过程中采用的P波样本包括心电专家标注的P波标签,P波标签包括各训练样本中的波形与标准P波之间的相似度。该实施例通过已训练的相似度模型快速地确定各疑似P波的拟合曲线与标准P波的相似度。
各疑似P波对应的相似度确定后,将该相似度与设定波形特征权重的乘积作为各疑似P波的波形特征分值。具体为:
其中,P_m为对应疑似P波的波形特征分值,Pm为对应疑似P波对应的相似度,m1为设定波形特征权重。
其中,设定波形特征权重与设定筛选条件包括的筛选特征数量有关,比如,如果设定筛选条件包括波形特征、时限特征、波幅特征与PR间期特征,那么各特征权重可选为;如果设定筛选条件包括波形特征与时限特征,那么各特征权重可选为。当然,在实际使用中也可以根据具体情况,比如传感器的数据采集特点,使波形特征、时限特征、波幅特征与PR间期特征中的一个或两个特征的权重高于权重均值,相应地使波形特征、时限特征、波幅特征与PR间期特征中的其他特征的权重低于权重均值。
在一个实施例中,针对时限特征、波幅特征、PR间期特征中的各特征,通过以下步骤确定当前特征的特征分值,包括:针对所述至少一个疑似P波中的各疑似P波,根据预先创建的当前特征的特征值范围与相似度的关系式,确定与当前疑似P波的当前特征值对应的关系式;根据所述关系式确定所述当前疑似P波的当前特征值所对应的相似度;根据所述相似度以及设定的当前特征权重,确定所述当前疑似P波的当前特征分值。
具体地,关于时限特征,通过以下公式确定各疑似P波对应的时限:
其中,P_tb为对应疑似P波对应的时限,其单位是毫秒(ms);P_s和P_e分别表示对应疑似P波的起点的采样时刻和终点的采样时刻;Sampling-rate是心电数据的采样频率。
在一个实施例中,通过以下公式确定时限特征得分,具体为:
其中,P_t为对应疑似P波的时限特征分值;Pt为对应疑似P波的具体时限,m2为设定时限特征权重。
如果Pt在正常范围内,即第一边界值(60ms)与第二边界值(110ms)之间,Pt与标准P波的时限相似度为1,那么对应疑似P波的时限特征分值为m2。若Pt大于第三边界值(300ms)或小于第四边界值(20ms),则认为该时限属于正常P波的概率为0,因此对应疑似P波的时限特征分值为0;若Pt不属于正常范围内,且小于第三边界值(300ms)或大于第四边界值(20ms),将疑似P波的时限与对应时限边界值之差与对应时限阈值的比值,作为对应疑似波的时限与标准P波的时相的相似度,将该相似度与m2的乘积作为对应疑似P波的时限特征分值。其中,如果Pt大于第二边界值(110ms),那么对应的时限阈值为第三边界值与第二边界值的差值;如果Pt小于第一边界值,那么对应时限阈值为第一边界值与第四边界值的差值。
关于波幅特征,通过以下公式确定各疑似P波的波幅:其中,P_al为对应疑似P波的波幅,其单位式毫伏(mv);P_wv为对应疑似P波的顶点对应的电压值;P_sv为对应疑似P波的起点对应的电压值。
在一个实施例中,通过以下公式确定各疑似P波的波幅特征分值:
其中,P_a为对应疑似P波的波幅特征分值;Pa表示对应疑似P波的波幅;m3为设定波幅特征权重。
如果Pa在正常范围内,即在第一边界值(0.05mv)与第二边界值(0.25mv)之间,则认为其与标准P波的波幅相似度为1,在设定波幅特征权重为m3的情况下,对应疑似P波的波幅特征权重分值为m3。若Pa大于上限第三边界值(1.0mv)或者小于第四边界值(0mv),则认为对应疑似P波与标准P波的相似度为0,因此对应疑似P波的波幅特征分值为0。若Pa不属于正常范围,且波幅大于第三边界值(0mv)或小于第四边界值(1.0mv),将疑似P波的波幅与对应波幅边界值之差与对应波幅阈值的比值,作为对应疑似波的波幅与标准P波的波幅的相似度,将该相似度与m3的乘积作为对应疑似P波的波幅特征分值,其中,如果Pa大于第二边界值(0.25mv),那么对应的波幅阈值为第三边界值与第二边界值的差值;如果Pa小于第一边界值,那么对应波幅阈值为第一边界值与第四边界值的差值。
关于PR间期特征,通过以下公式确定与各疑似P波对应的PR间期:
其中, PR_interval为对应疑似P波对应的PR间期,其单位ms;P_s表示对应疑似P波的起点对应的采样时刻;QRS_s是与当前心动周期对应的QRS波的起点对应的采样时刻。
在一个实施例中,通过以下公式确定各疑似P波的PR间期特征分值:
其中,PR_i为PR间期特征分值,PRI为对应疑似P波的PRI间期,m4为设定PRI间期特征权重。
如果,PRI在正常范围内,即在第一边界值(120ms)与第二边界值(210ms)之间,PRI与标准P波的PR间期相似度为1,那么对应疑似P波的PR间期特征分值为m3。若PRI大于第三边界值(500ms)或小于第四边界值(20ms),则认为该PR间期属于正常P波的概率为0,因此对应疑似P波的PR间期特征分值为0;若PRI不属于正常范围内,且小于第三边界值(500ms)或大于第四边界值(0ms),将疑似P波的PR间期与对应PR间期边界值之差与对应PR间期阈值的比值,作为对应疑似波的PR间期与标准P波的PR间期相似度,将该相似度与m3的乘积作为对应疑似P波的PR间期特征分值;其中,如果PRI大于第二边界值,那么对应的PR间期阈值为第三边界值与第二边界值的差值;如果PRI小于第一边界值,那么对应PR间期阈值为第一边界值与第四边界值的差值。
步骤a2、根据所述至少一个设定特征分值确定所述当前疑似P波的置信度。
该至少一个特征分值确定后,将该至少一个特征分值的和值作为当前疑似P波的置信度。具体公式如下:
其中,P_cl为疑似P波的置信度;P_m为疑似P波的波形特征分值;P_t为疑似P波的时限特征分值;P_a为疑似P波的波幅特征分值;PR_i为疑似P波的PR间期特征分值。
S2402、如果根据各所述疑似P波的置信度确定所述至少一个疑似P波包括所述目标疑似P波,则在所述心电图中确定与所述目标疑似P波对应的P波。
可以理解的是,疑似P波的置信度越高,其属于目标疑似P波的可能性越大;反之,其属于目标疑似P波的可能性越小。
在一个实施例中,将该至少一个疑似P波中置信度最高的疑似P波作为目标疑似P波。该实施例可以简单、直接地筛选出目标疑似P波。
在一个实施例中,根据各所述疑似P波的置信度,从所述至少一个疑似P波中去掉不符合置信度条件的疑似P波,以得到剩余疑似P波;如果所述剩余疑似P波包括一个疑似P波,则将该疑似P波作为目标疑似P波;如果所述剩余疑似P波包括至少两个疑似P波,则将所述剩余疑似P波中的置信度最高的疑似P波作为目标疑似P波。其中,置信度条件可选为置信度阈值。
图5为本发明实施例提供的目标疑似P波的筛选流程图。该附图中,置信度阈值为50,先从所有疑似P波中删除置信度小于50的疑似P波以得到剩余疑似P波,完成疑似P波的初步过滤;如果剩余疑似P波的数量小于1,则表示当前检测波段不包括目标疑似P波,如果剩余疑似P波的数量等于1,则将该剩余疑似P波作为目标疑似P波;如果剩余疑似P波的数量大于1,则将剩余疑似P波中置信度最大的疑似P波作为目标疑似P波,实现目标疑似P波的精确筛选,整体筛选速度较快。
目标疑似P波筛选出来后,在所述心电图中确定与所述目标疑似P波对应的P波。
本发明实施例通过确定至少一个疑似P波中各疑似波的置信度,并根据各疑似P波的置信度从该至少一个疑似P波中筛选出目标疑似P波的方式,提高了目标疑似P波筛选操作的准确性。
图6为本发明实施例提供的单导联干电极心电图P波识别方法的流程图,本实施例在前述实施例的基础上增加了对当前检测波段进行预处理的步骤。如图6所示,该方法包括:
S3101、在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间。
S3102、对所述当前检测波段进行预处理以更新所述当前检测波段,所述预处理包括均值化处理。
其中,均值化操作可理解为,针对任一采样点,确定对应设定邻域内的所有采样点值的均值,采用该均值替换该采样点值,使得数据的变化更为均匀,减少毛刺噪声对定位的干扰。
具体地,均值化是将待检测波段中的当前采样点值,以及该当前采样点值的前r个采样点值与后r个采样点值之和再除以2r+1,r是设定邻域内的采样点数。可选地,设定邻域的半径为0.02倍的采样率。具体公式如下:
其中,P_ad(n)为当前检测波段中标识为n的采样点值对应的均值化结果,Pad(i)表示设定邻域半径对应的邻域范围内标识为i的采样点值。
在一个实施例中,采用以下步骤对当前检测波段进行预处理:
步骤c1、对所述当前检测波段执行均值化操作以得到均值化结果。
步骤c2、对所述均值化结果执行归一化以得到归一化结果。
在一个实施例中,均值化结果确定后,对均值化结果执行归一化处理。归一化处理是将均值化结果中的采样点值归一化调整到0-1范围内,减少低频P波的漏检概率。具体地,确定均值化结果中的最大采样点值与最小采样点值,将该最大采样点值与最小采样点值的差值作为参照阈值。采用该参照阈值对均值化结果中的各采样点值进行归一化处理。具体地,针对均值化处理结果中的各采样点,确定当前采样点的采样点值与最小采样点值的差值,将该差值与参照阈值的比值作为当前采样点的归一化值。具体公式如下:
其中,等式右侧的P_ad(n)是标识为n的采样点值对应的归一化结果,Min和Max分别代表均值化结果中的最大采样点值与最小采样点值。
步骤c3、对所述归一化结果执行放大处理以更新当前检测波段。
其中,放大处理是指采用设定放大算法对当前检测波段执行放大操作,以使当前检测波段的各采样点值被相应放大。
在一个实施例中,放大处理为非线性放大处理,比如指数放大处理,以降低噪声对目标疑似P波定位的影响和突出P波的起点特征与终点特征,以使当前检测波段中的P波相较于其他波形更具有区分性。放大处理公式可选为:
其中,等号右侧的为标识为n的采样点值。等号左边的/>为标识为n的采样点值被指数放大后的数值;e为自然指数。
图7为本发明实施例提供的当前检测波段以及当前检测波段的归一化处理结果、均值化处理结果与放大处理结果。该附图中,上面图形框中的曲线为当前检测波段;下面图形框中的三条曲线中,从下往上分别是归一化处理结果、均值化处理结果与放大处理结果。从该图可以看出,均值化处理去掉了当前检测波段中的毛刺噪声;归一化处理弱化了均值化结果中的较小波形;放大处理强化了放大了归一化处理结果中的较大波形与较小波形之间的差异。
S320、确定更新后的所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线。
S330、如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定更新后的所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波。
S340、如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。
本发明实施例通过对当前检测波段执行包括归一化处理在内的预处理,去掉了当前检测波段中的毛刺噪声,提高了正向趋势变化曲线与反向趋势变化曲线确定的准确性,以及在心电图中定位识别P波的准确性。
图8为本发明实施例提供的单导联干电极心电图P波识别装置的结构示意图。如图8所示,该装置包括:波段确定模块41,用于在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;趋势变化曲线模块42,用于确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;疑似P波模块43,用于如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;筛选模块44,用于如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波。
在一个实施例中,趋势变化曲线模块42具体用于:
采用曼-肯德尔趋势检测法,确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线。
在一个实施例中,疑似P波模块43具体包括:
基准线单元,用于根据预先确定的趋势变化曲线幅值与置信度的对应关系,确定与设定置信度对应的设定基准线;
边界点单元,用于如果所述正向趋势变化曲线与所述设定基准线的第一交点的数量大于或等于1,所述反向趋势变化曲线与所述设定基准线的第二交点的数量大于或等于1,则将所述第一交点作为起点,将所述第二交点作为终点,同时判定所述当前检测波段包括至少一个疑似P波。
在一个实施例中,边界点单元用于:
基于左起右终的原则,将所述至少一个起点与所述至少一个终点中,相邻起点与终点对应的波形作为疑似P波,以得到所述当前检测波段包括的至少一个疑似P波。
在一个实施例中,疑似P波模块43包括:
置信度单元,用于确定所述至少一个疑似P波中各所述疑似P波的置信度;
筛选单元,用于如果根据各所述疑似P波的置信度确定所述至少一个疑似P波包括所述目标疑似P波,则在所述心电图中确定与所述目标疑似P波对应的P波。
在一个实施例中,置信度单元具体包括:
特征分值子单元,用于针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的至少一个设定特征分值,所述设定特征分值包括波形特征分值、时限特征分值、波幅特征分值与PR间期特征分值中的至少一个;
置信度子单元,用于根据所述至少一个设定特征分值确定所述当前疑似P波的置信度。
在一个实施例中,特征分值子单元具体用于:
针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的高斯函数拟合结果;
根据所述高斯函数拟合结果确定拟合参数;
根据所述拟合参数确定所述当前疑似P波与设定标准P波的相似度;
根据所述相似度以及设定波形特征权重确定所述当前疑似P波的波形特征分值。
在一个实施例中,特征分值子单元具体用于:
针对所述至少一个疑似P波中的各疑似P波,根据预先创建的当前特征的特征值范围与相似度的关系式,确定与当前疑似P波的当前特征值对应的关系式;
根据所述关系式确定所述当前疑似P波的当前特征值所对应的相似度;
根据所述相似度以及设定当前特征权重,确定所述当前疑似P波的当前特征分值。
在一个实施例中,如图9所示,该装置还包括预处理模块45,该预处理模块用于:
对所述当前检测波段进行预处理以更新所述当前检测波段,所述预处理包括均值化处理。
在一个实施例中,预处理模块具体用于:
对所述当前检测波段执行均值化操作以得到均值化结果;
对所述均值化结果执行归一化以得到归一化结果;
对所述归一化结果执行放大处理以更新当前检测波段。
在一个实施例中,波段确定模块具体用于:
确定与所述前一心动周期对应的R波顶点对应的参考采样时刻,以及所述前一心动周期与所述当前心动周期之间的RR间期;
确定采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为半个所述RR间期的采样点,将该采样点作为所述当前检测波段的起点;
确定所述采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为目标时长的采样点,将该采样点作为所述当前检测波段的终点,其中,所述目标时长为所述RR间期与设定倍数的采样率之间的差值。
在一个实施例中,还包括提示模块,所述提示模块用于:
如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定出所述当前检测波段不包括疑似P波,则在可视化界面中输出提示信息,所述提示信息用于表示所述心电图中不包括与当前心动周期对应的P波。
本发明实施例提供的单导联干电极心电图P波识别装置的技术方案,如果通过采用正向趋势变化曲线、反向趋势变化曲线与设定基准线配合的方式,确定当前检测波段是否包括至少一个疑似P波,并在包括至少一个疑似P波的情况下,确定出该至少一个疑似P波,实现了基于检测波段趋势变化确定疑似P波的技术效果;如果从该至少一个疑似P波中筛选出目标疑似P波,则根据该目标疑似P波在心电图中准确地定位P波,实现了通过当前检测波段的趋势变化情况与波形筛选相结合的手段,在心电图中准确地定位识别P波的技术效果。
本发明实施例所提供的单导联干电极心电图P波识别方法装置可执行本发明任意实施例所提供的单导联干电极心电图P波识别方法方法,具备执行方法相应的功能模块和有益效果。
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如单导联干电极心电图P波识别方法。
在一些实施例中,单导联干电极心电图P波识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的单导联干电极心电图P波识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行单导联干电极心电图P波识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (13)
1.一种单导联干电极心电图P波识别方法,其特征在于,包括:
在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;
确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;
如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,判定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;
如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波;
其中,所述根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,包括:
根据预先确定的趋势变化曲线幅值与置信度的对应关系,确定与设定置信度对应的设定基准线;
如果所述正向趋势变化曲线与所述设定基准线的第一交点的数量大于或等于1,同时所述反向趋势变化曲线与所述设定基准线的第二交点的数量大于或等于1,则将所述第一交点作为起点,将所述第二交点作为终点,同时判定所述当前检测波段包括至少一个疑似P波;
其中,所述确定所述至少一个疑似波形是否包括目标疑似P波,包括:
确定所述至少一个疑似P波中各所述疑似P波的置信度;
根据各所述疑似P波的置信度确定所述至少一个疑似P波是否包括所述目标疑似P波。
2.根据权利要求1所述的方法,其特征在于,所述确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线,包括:
采用曼-肯德尔趋势检测法,确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线。
3.根据权利要求1所述的方法,其特征在于,通过以下步骤确定所述至少一个疑似P波,包括:
基于左起右终的原则,将至少一个起点与至少一个终点中,相邻起点与终点对应的波形作为疑似P波,以得到所述至少一个疑似P波。
4.根据权利要求1所述的方法,其特征在于,所述确定所述至少一个疑似P波中各所述疑似P波的置信度,包括:
针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的至少一个设定特征分值,所述设定特征分值包括波形特征分值、时限特征分值、波幅特征分值与PR间期特征分值中的至少一个;
根据所述至少一个设定特征分值确定所述当前疑似P波的置信度。
5.根据权利要求4所述的方法,其特征在于,通过以下步骤确定各所述疑似P波的波形特征分值,包括:
针对所述至少一个疑似P波中的各所述疑似P波,确定当前疑似P波的高斯函数拟合结果;
根据所述高斯函数拟合结果确定拟合参数;
根据所述拟合参数确定所述当前疑似P波与设定标准P波的相似度;
根据所述相似度以及设定波形特征权重确定所述当前疑似P波的波形特征分值。
6.根据权利要求4所述的方法,其特征在于,针对时限特征、波幅特征、PR间期特征中的各特征,通过以下步骤确定当前特征的特征分值,包括:
针对所述至少一个疑似P波中的各疑似P波,根据预先创建的当前特征的特征值范围与相似度的关系式,确定与当前疑似P波的当前特征值对应的关系式;
根据所述关系式确定所述当前疑似P波的当前特征值所对应的相似度;
根据所述相似度以及设定当前特征权重,确定所述当前疑似P波的当前特征分值。
7.根据权利要求1所述的方法,其特征在于,所述确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线之前,还包括:
对所述当前检测波段进行预处理以更新所述当前检测波段,所述预处理包括均值化。
8.根据权利要求7所述的方法,其特征在于,所述对所述当前检测波段进行预处理以更新所述当前检测波段,包括:
对所述当前检测波段执行均值化操作以得到均值化结果;
对所述均值化结果执行归一化以得到归一化结果;
对所述归一化结果执行放大处理以更新当前检测波段。
9.根据权利要求1所述的方法,其特征在于,通过以下步骤确定所述当前检测波段:
确定与所述前一心动周期对应的R波顶点对应的参考采样时刻,以及所述前一心动周期与所述当前心动周期之间的RR间期;
确定采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为半个所述RR间期的采样点,将该采样点作为所述当前检测波段的起点;
确定所述采样时刻在所述参考采样时刻之后,且所述采样时刻与所述参考采样时刻之间的差值为目标时长的采样点,将该采样点作为所述当前检测波段的终点,其中,所述目标时长为所述RR间期与设定倍数的采样率之间的差值。
10.根据权利要求1所述的方法,其特征在于,还包括:
如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段不包括疑似P波,则在可视化界面中输出提示信息,所述提示信息用于表示所述心电图中不包括与当前心动周期对应的P波。
11.一种单导联干电极心电图P波识别装置,其特征在于,包括:
波段确定模块,用于在心电图中确定与当前心动周期对应的当前检测波段,所述当前检测波段位于与所述当前心动周期对应的Q波以及与前一心动周期对应的T波之间;
趋势变化曲线模块,用于确定所述当前检测波段的正向趋势变化曲线与反向趋势变化曲线;
疑似P波模块,用于如果根据所述正向趋势变化曲线、所述反向趋势变化曲线与设定基准线,确定所述当前检测波段包括至少一个疑似P波,则确定所述至少一个疑似波形是否包括目标疑似P波;
筛选模块,用于如果所述至少一个疑似P波包括所述目标疑似P波,在所述心电图中确定与所述目标疑似P波对应的P波;
其中,所述疑似P波模块具体用于:
根据预先确定的趋势变化曲线幅值与置信度的对应关系,确定与设定置信度对应的设定基准线;
如果所述正向趋势变化曲线与所述设定基准线的第一交点的数量大于或等于1,同时所述反向趋势变化曲线与所述设定基准线的第二交点的数量大于或等于1,则将所述第一交点作为起点,将所述第二交点作为终点,同时判定所述当前检测波段包括至少一个疑似P波;
其中,所述疑似P波模块还具体用于:
确定所述至少一个疑似P波中各所述疑似P波的置信度;
根据各所述疑似P波的置信度确定所述至少一个疑似P波是否包括所述目标疑似P波。
12.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的单导联干电极心电图P波识别方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的单导联干电极心电图P波识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696820.4A CN117379062B (zh) | 2023-12-12 | 2023-12-12 | 单导联干电极心电图p波识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696820.4A CN117379062B (zh) | 2023-12-12 | 2023-12-12 | 单导联干电极心电图p波识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117379062A CN117379062A (zh) | 2024-01-12 |
CN117379062B true CN117379062B (zh) | 2024-04-05 |
Family
ID=89441377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311696820.4A Active CN117379062B (zh) | 2023-12-12 | 2023-12-12 | 单导联干电极心电图p波识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117379062B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1875887A (zh) * | 2005-06-10 | 2006-12-13 | 深圳迈瑞生物医疗电子股份有限公司 | 声谱图包络曲线提取方法 |
WO2010144249A1 (en) * | 2009-06-12 | 2010-12-16 | Newcardio, Inc. | Systems and methods for quantitative assessment of cardiac electrical events |
CN109717865A (zh) * | 2018-12-11 | 2019-05-07 | 深圳市科曼医疗设备有限公司 | 导管末端定位方法 |
CN111281378A (zh) * | 2020-02-13 | 2020-06-16 | 苏州百慧华业精密仪器有限公司 | 一种动态心电图中疑似t波电交替分段的筛选方法及装置 |
CN111985351A (zh) * | 2020-07-29 | 2020-11-24 | 浙江大学 | 一种基于眼动的疲劳检测方法 |
RU2759708C1 (ru) * | 2017-08-14 | 2021-11-17 | Александр Викторович Ежков | Система и способ для безманжетного определения артериального давления |
CN113786200A (zh) * | 2020-05-28 | 2021-12-14 | 深圳邦健生物医疗设备股份有限公司 | 心电信号处理方法、装置、设备及可读介质 |
CN114073546A (zh) * | 2020-08-18 | 2022-02-22 | 深圳市理邦精密仪器股份有限公司 | 超声回波信号的方向信息提取方法及胎心率计算方法 |
CN115105089A (zh) * | 2021-03-17 | 2022-09-27 | 深圳市理邦精密仪器股份有限公司 | 一种心电图分析方法、分析装置以及存储介质 |
CN115486855A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 |
-
2023
- 2023-12-12 CN CN202311696820.4A patent/CN117379062B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1875887A (zh) * | 2005-06-10 | 2006-12-13 | 深圳迈瑞生物医疗电子股份有限公司 | 声谱图包络曲线提取方法 |
WO2010144249A1 (en) * | 2009-06-12 | 2010-12-16 | Newcardio, Inc. | Systems and methods for quantitative assessment of cardiac electrical events |
RU2759708C1 (ru) * | 2017-08-14 | 2021-11-17 | Александр Викторович Ежков | Система и способ для безманжетного определения артериального давления |
CN109717865A (zh) * | 2018-12-11 | 2019-05-07 | 深圳市科曼医疗设备有限公司 | 导管末端定位方法 |
CN111281378A (zh) * | 2020-02-13 | 2020-06-16 | 苏州百慧华业精密仪器有限公司 | 一种动态心电图中疑似t波电交替分段的筛选方法及装置 |
CN113786200A (zh) * | 2020-05-28 | 2021-12-14 | 深圳邦健生物医疗设备股份有限公司 | 心电信号处理方法、装置、设备及可读介质 |
CN111985351A (zh) * | 2020-07-29 | 2020-11-24 | 浙江大学 | 一种基于眼动的疲劳检测方法 |
CN114073546A (zh) * | 2020-08-18 | 2022-02-22 | 深圳市理邦精密仪器股份有限公司 | 超声回波信号的方向信息提取方法及胎心率计算方法 |
CN115105089A (zh) * | 2021-03-17 | 2022-09-27 | 深圳市理邦精密仪器股份有限公司 | 一种心电图分析方法、分析装置以及存储介质 |
CN115486855A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117379062A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
EP3366203A1 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
EP1750580A2 (en) | Signal analysis method | |
CN110464333B (zh) | 一种心电图数据的存储方法及装置 | |
CN109009073B (zh) | 房颤检测装置及存储介质 | |
CN112528783B (zh) | 心电图心搏数据聚类方法、装置、电子设备和介质 | |
CN103705234B (zh) | 动态心电信号数据中的检波方法和装置 | |
WO2021143401A1 (zh) | 一种用于心电信号中p波和t波的检测方法和装置 | |
CN113876335B (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
CN109077714B (zh) | 信号识别方法、装置、设备和存储介质 | |
US9314180B2 (en) | Heart electrophysiological signal analysis system | |
CN109222964B (zh) | 房颤检测装置及存储介质 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN110432895B (zh) | 训练数据处理、心电波形检测方法及电子设备 | |
KR20200125256A (ko) | 심전도 분석 장치 및 방법 | |
CN104644160A (zh) | 心电图伪差信号识别方法及装置 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
Orlandic et al. | REWARD: Design, optimization, and evaluation of a real-time relative-energy wearable R-peak detection algorithm | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
CN112971798B (zh) | 心电信号处理方法、装置、终端及存储介质 | |
US20210121118A1 (en) | Computing device for detecting heart rhythm disorders | |
CN109044347B (zh) | 识别心电波图像交界性逸搏方法、装置、***和电子设备 | |
Dessì et al. | Identification of fetal QRS complexes in low density non-invasive biopotential recordings | |
CN117379062B (zh) | 单导联干电极心电图p波识别方法、装置、设备及介质 | |
KR102264569B1 (ko) | 클래스 확률 출력망 기반 심장 상태 분류 방법 및 장치 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Kaige Inventor after: Fu Lingjian Inventor after: Yang Mao Inventor before: Liu Kai Inventor before: Fu Lingjian Inventor before: Yang Mao |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |