TWI798064B - 一種分離心電圖高頻雜訊的方法 - Google Patents
一種分離心電圖高頻雜訊的方法 Download PDFInfo
- Publication number
- TWI798064B TWI798064B TW111115036A TW111115036A TWI798064B TW I798064 B TWI798064 B TW I798064B TW 111115036 A TW111115036 A TW 111115036A TW 111115036 A TW111115036 A TW 111115036A TW I798064 B TWI798064 B TW I798064B
- Authority
- TW
- Taiwan
- Prior art keywords
- frequency
- signal
- qrs wave
- electrocardiogram
- frequency noise
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本發明一種分離心電圖高頻雜訊的方法,其用來處理高頻雜訊對心電圖的干擾影響,即接收電圖機之心跳訊號,且對該心跳訊號之QRS波進行擷取,並對擷取之該QRS波額外加入一額外高頻輔助訊號,以增加該QRS波的高頻訊號成分,且用經驗模態分解採以重覆進行之篩選程序的模式,來使該訊號分解為一經驗模態分解,並取得多個本質模態函數,再將分解後代表高頻成份的第1個本質模態函數減去高頻輔助訊號,即可分離出QRS波的高頻雜訊,最後將高頻雜訊從QRS波中移除,以有效提升分析判別的準確度。
Description
本發明係有關於一種心跳訊號檢測之設計,特別是指一種分離心電圖高頻雜訊的方法。
查,鑒於科技進步與生活水平的提升,現代人對於重大疾病的預防與檢測也逐漸產生重視,但也因會社會型態生活步調的不同,疾病型態也會由急性轉換為慢性,如心臟疾病、腦性血管疾病等,因此受惠於科技的進步下,其可通過定期的量測與相關生理訊號的分析,可使許多重大疾病的早期徵兆得以被察覺,而對於重大疾病之一的心臟疾病而言,其以心因猝死為常見原因,而心因猝死好發於急性的心肌梗塞併發惡性心律不整,尤其具有心室型心律不整者則屬於心肌梗塞的高危險群,是以,若能對心室型心律不整之徵兆於事發前正確予以診斷出,以提供患者能提前進行適當的治療,有助於及早接受治療以提升治癒率。
是以,現今普遍利用心電圖來對於心臟疾病進行相關病情的追蹤,而心電圖是一個可以早期發現心臟異常的一項重要非侵入性工具,當心電圖中出現異常時表示心臟機能可能存在某種障礙,所以心電圖經常被應用於診斷心跳速度或神經傳導的問題,包括心律不整、傳導阻滯、加速傳導等,以及心肌電流改變,包括心肌梗塞、心房或心室肥大症、心包膜炎等,同時心電圖也可以用在一般心跳的監測、或是配合運動心電圖來分析心臟冠狀動脈缺氧時是否有異常變化、亦或是利用24小時心電圖來檢查是否有偶發性的心律不整,然而,心電圖的測量容易受到各式各樣的雜訊所干擾,如包括電源干擾、基線漂移、電極接觸不良、人為干擾等,有鑒於前述之干擾雜訊夾雜於心電圖中,導致心電圖在分析的時後受到影響,而無法正確檢測與判別出被測者的心跳訊號是否為異常心跳訊號,以及被檢測者是否具有心律不整的徵兆;因此,要如何減少雜訊對心電圖分析時影響,藉以能有效快速判別出被檢測者之病症所在,乃為本技術領域人員一致努力之目標。
因此,本發明之目的,是在提供一種分離心電圖高頻雜訊的方法,其可將心電圖中之高頻雜訊有效分離出,以減少高頻雜訊對於心電圖分析時的影響,有效提升分析判別的準確度。
於是,本發明一種分離心電圖高頻雜訊的方法,包含接收、擷取、增加、分離以及移除等步驟,因此從接收一心電圖機之心跳訊號,擷取該心跳訊號中之QRS波,調整該QRS波的取樣頻率,對該QRS波中額外加入一高頻輔助訊號,使該QRS波中的高頻訊號成分因此而增加,同時並對加入高頻輔助訊號之該QRS波用經驗模態分解法進行訊號分解,且採以重覆進行之篩選程序的模式,可使該訊號分解為一經驗模態分解,並取得多個本質模態函數,再將分解後代表高頻成份的第1個本質模態函數減去高頻輔助訊號,即可分離出QRS波的高頻雜訊,最後將高頻雜訊從QRS波中移除,可以有效大幅提升對心電圖分析判別的準確度。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之較佳實施例的詳細說明中,將可清楚的明白。
參閱圖1,本發明一種分離心電圖高頻雜訊的方法之一較佳實施例,包含有一接收步驟,一擷取步驟,一調整步驟,一增加步驟,一分離步驟以及一移除步驟等;其中,在該接收步驟中會先從一心電圖機接收心跳訊號(接收步驟);而該擷取步驟中即會對該心跳訊號中找出QRS波形並進行擷取,有鑒於完整的心跳訊號通常會由將波形分為P、Q、R、S及T這些部分組成,有助於判斷心律狀況,同時其位置所在的代表意義也不同,最主要常見電位變化為QRS波組,該QRS波形並非呈固定的排序,且該QRS波形之不正常電位頻率中常會夾雜各式干擾之雜訊成分,尤其是夾雜於其中的高頻雜訊會導致影響分析判別,因此特將該QRS波形予以擷取出。
接續前述,在該增加步驟中會對該擷取步驟所擷取之該QRS波進行一額外高頻輔助訊號的增加,使該QRS波中的高頻訊號成分因此而增加,特別是在本實施例中,所增加的高頻輔助訊號可以是單一頻率,也可以是多個頻率組合,在此恕不贅述,同時在對該QRS波進行高頻輔助訊號增加的作業前,另增加有一調整步驟,以便先對該QRS波進行取樣頻率調整,使調整後之該QRS波的取樣頻率是該高頻輔助訊號頻率的偶數倍,以在分別通過取樣頻率的調整與高頻輔助訊號增加下,可使該QRS波中不易被發覺之小振幅的高頻帶成分受到有效的增加;請參閱圖2,至於,在該分離步驟將以經驗模態分解對前述加入高頻輔助訊號之該QRS波進行訊號分解,而該經驗模態分解(empirical mode decomposition;EMD)以採重覆進行之一篩選程序的模式來找出訊號中的本質模態函數(intrinsic mode function;以下簡稱IMF),而在該篩選程序之流程中包括有一找出流程、一連接流程、一計算流程、一減去流程、一檢查流程、一篩選流程以及拆解流程,即以原始訊號
x(
n)為例,在該找出流程中即對前述已經過調整增加之該QRS波之原始訊號中,找出所有的局部極大值與局部極小值,並在該連接流程中將所有局部極大值與局部極小值分別以三次樣條(cubic spline)曲線連接成上包絡線及下包絡線,接著該計算流程將計算前述該上包絡線與下包絡線的平均值,以得到平均包絡線
m 1(
n),而後在該減去流程中將原始訊號減去平均包絡線,以得到第1個分量
h 1(
n)參數,即關係式為:
h 1(
n)=
x(
n)-
m 1(
n)
仍續前述,且同時通過該檢查流程對該第1個分量
h 1(
n)參數檢查是否符合IMF的條件,如果不符合即將該第1個分量當作原始訊號,且重覆多次篩選便可取得具有IMF條件的多個分量參數,因此在該減去流程之後的檢查過程中如果為不符合者,則再重覆前述該找出、連接、計算及減去等4個篩選流程,並且將該第1個分量參數當作原始訊號,進行第二次篩選,以進一步得到第2個分量
h 2(
n)參數,其關係式為:
h 1(
n)=
x(
n)-
m 1(
n)
接續前述,當重覆篩選k次之後,即會得到滿足IMF的第k個分量參數,即關係式為:
h k(
n)=
h k -1(
n)-
m k (
n)
則定義為第1個IMF,
c 1(
n),即關係式為:
c 1(
n)=
h 1(
n)
SD= ;其中N為原始訊號的長度。
而在該篩選流程中即會將原始訊號減去第1個IMF,以得到第1個剩餘訊號
r 1(
n),即關係式為:
r 1(
n)=
x(
n)-
c 1(
n)
並將
r 1(
n)當原始訊號,重覆前述該找出、連接、計算、減去、檢查至該篩選等1到6的篩選程序流程,得到第2個剩餘訊號
r 2(
n),即關係式為:
r 2(
n)=
r 1(
n)-
c 2(
n)
而重覆篩選n次之後,第
I個剩於訊號
r I (
n),即關係式為:
r I (
n)=
r
I - 1(
n)-
c I (
n)
由前述關係式可得知,篩選後已經成為單調函數(monotonic function),即極值數量小於3,則無法再分解篩選出其他的IMF,即整個經驗模態分解結束;而最後在該拆解流程中原始訊號可被拆解為
I個IMF及1個趨勢函數,其關係式可表示為:
而後將代表高頻成份的第1個本質模態函數減去高頻輔助訊號,即可分離出QRS波的高頻雜訊,最後將高頻雜訊從QRS波中移除,以有效提升分析判別的準確度;是以,本發明藉由先在擷取的心跳訊號中加入一個額外的高頻訊號作為輔助訊號,且更在加入該高頻輔助訊號前,必需先調整所擷取之該心跳訊號的取樣頻率,如此可使該心跳訊號之取樣頻率是該高頻輔助訊號的偶數倍,即如圖3所示,輸入之QRS波
x(
n)需先經過上取樣↑L及下取樣↓M的處理,其中L及M的選擇滿足兩個條件,即條件1為是調整後的取樣頻率
是高頻輔助訊號頻率
的偶數倍,以及條件2是調整後的取樣頻率
要接近並大於原始取樣頻率ƒ
s ,即例如下列表1所示,因此,假設輸入之QRS波的取樣頻率ƒ
s 為2000 Hz時,使用不同的高頻輔助訊號頻率,所對應的L及M值,以及調整後的取樣頻率便會如同表1所示;同時當高頻輔助訊號有多個頻率時,調整後的取樣頻率必需是每一個頻率的偶數倍,且如同下列表1所示,高頻訊號如果包同時包含150Hz、300 Hz、400 Hz時,則調整後的取樣頻率2400 Hz可以滿足150 Hz、300 Hz、400 Hz的偶倍數的條件。
接續前述,配合參閱圖4(a)-(d),其所示是以沒有QRS波時,高頻輔助訊號通過經驗模態分解結果形態,並對比本發明以經驗模態分解經調整取樣頻率與增加高頻輔助訊號之QRS波的結果之圖5(a)-(b)所示,因此以圖4(a)-(d)所採用的取樣頻率為2000 Hz為例,在圖4(a)及圖4(b)中分別是以350Hz及250Hz高頻輔助訊號的波形,由此可以明顯得知,其所呈現出的取樣頻率2000Hz不是高頻輔助訊號350Hz的偶數倍,且在圖4(a)中所示之350Hz的波形並沒有上下對稱,同時取樣頻率2000Hz是高頻輔助訊號250Hz的偶數倍,而圖4(b)中所示之250Hz的波形是有上下對稱,同時配合圖4(c)及圖4(d)中所示之上為經驗模態分解後的第1個IMF,圖4(c)的中圖為第1個IMF減去高頻輔助訊號,下圖是第1個IMF減去高頻輔助訊號的頻譜圖,因此由圖4(c)之下圖所示可清楚得知,諧波訊號是出50Hz、150Hz、250Hz及350Hz等處,而對於圖4(d)中顯示出經驗模態分解對於250Hz弦波完全沒有產生額外的訊號,因此從圖4(a)-(d)中所顯示的結果可以發現在取樣頻率不是高頻輔助訊號頻率的偶數倍時,其所產生的訊號並不完全是上下對稱,且會使得高頻輔助訊號經過經驗模態分解的篩選過程後會產生額外的諧波成分。
反觀,在圖5(a)中的s(n)+a(n)QRS波s(n)加上150Hz的高頻輔助訊號a(n),同時圖5(a)的c1(n)是經驗模態分解後的第1個IMF,由此可以明顯得知,額外加入的150Hz的高頻輔助訊號是出現在第1個IMF,再由圖5(b)中c1(n)的頻譜中也顯示第1個IMF的主要能量集中於150Hz,而在圖5(a)中的c1(n)-a(n)是將第1個IMF移除150Hz高頻輔助訊的結果,且可明顯得知,只剩下QRS波中小振幅的高頻成分,同時在圖5(b)中之c1(n)-a(n)的頻譜中,則顯示出QRS波s(n)在第1個IMF中的頻譜主要分佈於150Hz至350Hz左右,再對應圖5(a)與圖5(b)中的c2(n)、c3(n)、c4(n)、以及r4(n)則是比較低頻的QRS波成分;是以,也就因為在對該QRS波分解前先對其進行取樣頻率調整與高頻輔助訊號的增加,如此可使該心跳訊號中不易被察覺之小振幅的高頻帶成分有效增加,使得在進行經驗模態分解,可以提升原始訊號中之高頻雜訊被分離的機率,藉此得以有效大幅提升對心電圖分析判別的準確度。
歸納前述,本發明一種分離心電圖高頻雜訊的方法,其通過接收、擷取、調整、增加、分離以及移除等步驟的進行,得以對接收之心跳訊號進行QRS波的擷取,並再對該QRS波進行額外增加高頻輔助訊號前,得以先另外對該QRS波進行取樣頻率調整,使調整後之該QRS波的取樣頻率是該高頻輔助訊號的偶數倍,以在分別通過取樣頻率的調整與高頻輔助訊號增加下以提升高頻成分,如此便可在該分解步驟下,用經驗模態分解採以重覆進行之篩選程序的模式,以分解為一經驗模態分解,並取得多個本質模態函數,再將代表高頻成份的第1個本質模態函數減去高頻輔助訊號,即可分離出QRS波的高頻雜訊。最後將高頻雜訊從QRS波中移除,藉以有效提升分析判別的準確度。
惟以上所述者,僅為說明本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
(本發明)無
圖1是本發明之一較佳實施例之流程圖。
圖2是該較佳實施例之分解步驟之篩選程序的流程圖。
圖3是以經驗模態分解分離心跳訊號之高頻雜訊的方塊圖。
圖4(a)至(d)是沒有QRS波時,使用高頻輔助訊號之經驗模態分解結果示意圖。
圖5(a)至(b)是使用經驗模態分解經調整取樣頻率與增加高頻輔助訊號之QRS波的結果示意圖。
Claims (4)
- 一種分離心電圖高頻雜訊的方法,其包含有: 一接收步驟,其接收一心電圖機之心跳訊號; 一擷取步驟,對該心跳訊號中之QRS波進行擷取; 一增加步驟,即對擷取之該QRS波中加入一額外高頻輔助訊號,使該QRS波中的高頻訊號成分因而增加; 一分解步驟,其以經驗模態分解對前述加入高頻輔助訊號之該QRS波進行訊號分解,而該經驗模態分解以採重覆進行之一篩選程序的模式使該訊號分解為一經驗模態分解,並取得多個本質模態函數; 一分離步驟,分解後之第1個本質模態函數減去高頻輔助訊號,即可分離出QRS波的高頻雜訊;及 一移除步驟,將QRS波減去分離之高頻雜訊即可移除QRS波之高頻雜訊。
- 根據請求項1所述之一種分離心電圖高頻雜訊的方法,該增加步驟前加設有一調整步驟,以在加入額外該高頻輔助訊號前先對該QRS波進行頻率調整,使調整後之該QRS波的取樣頻率是該高頻輔助訊號頻率的偶數倍。
- 根據請求項1所述之一種分離心電圖高頻雜訊的方法,其中,該高頻輔助訊號可以是單一頻率訊號,也可以是多個頻率訊號組合。
- 根據請求項1或2所述之一種分離心電圖高頻雜訊的方法,其中,該篩選程序之流程包括有: 找出原始訊號中所有的局部極大值與局部極小值; 將所有該局部極大值與局部極小值分別以三次樣條(cubic spline)曲線連接成上包絡線及下包絡線; 計算該上包絡線與下包絡線的平均值,以取得一平均包絡線; 用原始訊號減去該平均包絡線,以得第1個分量參數; 檢查該第一分量參數是否符合本質模態函數的條件,不符合即將該分量當作原始訊號,且重覆多次篩選便可取得具有本質模態函數條件的多個分量參數; 用原始訊號減去該第1個本質模態函數,以得到第1個剩餘訊號,且重覆多次篩選後使該第1個剩餘訊號無法分解出其他的本質模態函數,而成為一極值數量小的單調參數;及 將原始訊號拆解成 I個本質模態函數和一個趨勢函數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111115036A TWI798064B (zh) | 2022-04-20 | 2022-04-20 | 一種分離心電圖高頻雜訊的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111115036A TWI798064B (zh) | 2022-04-20 | 2022-04-20 | 一種分離心電圖高頻雜訊的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI798064B true TWI798064B (zh) | 2023-04-01 |
TW202341932A TW202341932A (zh) | 2023-11-01 |
Family
ID=86945164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111115036A TWI798064B (zh) | 2022-04-20 | 2022-04-20 | 一種分離心電圖高頻雜訊的方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI798064B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201034624A (en) * | 2009-03-09 | 2010-10-01 | Council Scient Ind Res | ECG device with impulse and channel switching ADC noise filter and error corrector for derived leads |
US20160198969A1 (en) * | 2013-09-09 | 2016-07-14 | Koninklijke Philips N.V. | Fetal heart rate extraction from maternal abdominal ecg recordings |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
-
2022
- 2022-04-20 TW TW111115036A patent/TWI798064B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201034624A (en) * | 2009-03-09 | 2010-10-01 | Council Scient Ind Res | ECG device with impulse and channel switching ADC noise filter and error corrector for derived leads |
TWI505811B (zh) * | 2009-03-09 | 2015-11-01 | Council Scient Ind Res | 具有脈衝及頻道轉換自動資料收集雜訊過濾器以及衍生導線之錯誤改正器之心電圖裝置 |
US20160198969A1 (en) * | 2013-09-09 | 2016-07-14 | Koninklijke Philips N.V. | Fetal heart rate extraction from maternal abdominal ecg recordings |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202341932A (zh) | 2023-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109561845B (zh) | 用于处理生理信号的处理装置 | |
US20200100697A1 (en) | Methods and system for processing an emg signal | |
Saminu et al. | Wavelet feature extraction for ECG beat classification | |
CN110755049A (zh) | 一种基于体征信号分析的麻醉状态监测方法 | |
Turnip et al. | An application of modified filter algorithm fetal electrocardiogram signals with various subjects | |
Thilagavathy et al. | Real-time ECG signal feature extraction and classification using support vector machine | |
Viunytskyi et al. | Signal processing techniques for fetal electrocardiogram extraction and analysis | |
Krupa et al. | The application of empirical mode decomposition for the enhancement of cardiotocograph signals | |
TWI798064B (zh) | 一種分離心電圖高頻雜訊的方法 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
Hugeng et al. | Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno | |
Raffoul et al. | Action potential detection algorithm adaptable to individual nerve and recording setup | |
Tara et al. | Detection of cardiac disorder using MATLAB based graphical user interface (GUI) | |
Kusumandari et al. | Application of convolutional neural network classifier for wireless arrhythmia detection | |
Khandait et al. | Efficient ECG abnormalities recognition using neuro-fuzzy approach | |
Dliou et al. | Noised abnormal ECG signal analysis by combining EMD and Choi-Williams techniques | |
Jindal et al. | MATLAB based GUI for ECG arrhythmia detection using Pan-Tompkin algorithm | |
Bhanu et al. | Analysis of ECG signal and classification of arrhythmia | |
Franchevska et al. | The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference | |
Oktivasari et al. | A simple real-time system for detection of normal and myocardial ischemia in the ST segment and t wave ECG signal | |
Nguyen et al. | An Efficient Electrocardiogram R-peak Detection Exploiting Ensemble Empirical Mode Decomposition and Hilbert Transform | |
US20220202341A1 (en) | System and Method for Detecting Pacer Spikes to Determine a Paced Rhythm in ECGs | |
Suchetha et al. | Denoising and arrhythmia classification using EMD based features and neural network | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
Helfenbein et al. | An automated algorithm for the detection of atrial fibrillation in the presence of paced rhythms |