CN108509823A - Qrs波群的检测方法及装置 - Google Patents
Qrs波群的检测方法及装置 Download PDFInfo
- Publication number
- CN108509823A CN108509823A CN201710104053.1A CN201710104053A CN108509823A CN 108509823 A CN108509823 A CN 108509823A CN 201710104053 A CN201710104053 A CN 201710104053A CN 108509823 A CN108509823 A CN 108509823A
- Authority
- CN
- China
- Prior art keywords
- qrs complex
- lead electrocardiosignal
- electrocardiosignal
- lead
- feature information
- 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
- 238000000718 qrs complex Methods 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 239000000284 extract Substances 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种QRS波群的检测方法及装置，其中，该QRS波群的检测方法包括：获取待处理的多导联心电信号；提取多导联心电信号的第一特征信息；根据预先训练的QRS波群检测模型和第一特征信息确定多导联心电信号的QRS波群区域。本发明的QRS波群的检测方法，通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
Description
技术领域
本发明涉及医学技术领域，特别涉及一种QRS波群的检测方法及装置。
背景技术
心电图应用于临床已经有一个世纪的历史，作为一门独立的临床检查诊断学科已自成体系，心电图在心脏疾病的临床诊断中具有重要价值，并且心电图能为心血管疾病的正确分析、诊断、治疗和监护提供客观指标。
随着科学技术的发展，使用计算机智能辅助心电图的分析与诊断已经广泛的应用于临床医学中。心电图是由周期性的波形组成，比如P波，QRS波群，T波等，其中，QRS波群是心电图中具有最显著的特征的部分，其反映了心室收缩时心脏的电行为，QRS波群的发生事件和形状给出了当前心脏所处的状态信息，所以在心电图自动检测分析处理中，QRS波群识别与定位是所有心电信号自动分析的基础。
相关的QRS波群检测技术的实现方案有基于微分算子的分析方法、基于小波分解的分析方法、基于神经网络的分析方法等，然而，相关的检测QRS波群的方法通常是基于某一通道的心电信号进行分析的，然而心电信号极易收到噪声干扰，造成某一通道的心电信号的信号质量下降，进而将影响QRS波群检测的准确率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种QRS波群的检测方法，该方法通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
本发明的第二个目的在于提出一种QRS波群的检测装置。
为达上述目的，本发明第一方面实施例提出了一种QRS波群的检测方法，包括：获取待处理的多导联心电信号；提取所述多导联心电信号的第一特征信息；根据预先训练的QRS波群检测模型和所述第一特征信息确定所述多导联心电信号的QRS波群区域。
本发明实施例的QRS波群的检测方法，获取待处理的多导联心电信号，并提取多导联心电信号的第一特征信息，并将第一特征信息输入预先训练的QRS波群检测模型，以及通过QRS波群检测模型准确确定出了多导联心电信号的QRS波群区域。由此，通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
为达上述目的，本发明第二方面实施例提出了一种使QRS波群的检测装置，包括：获取模块，用于获取待处理的多导联心电信号；提取模块，用于提取所述多导联心电信号的第一特征信息；第一确定模块，用于根据预先训练的QRS波群检测模型和所述第一特征信息确定所述多导联心电信号的QRS波群区域。
本发明实施例的QRS波群的检测装置，获取待处理的多导联心电信号，并提取多导联心电信号的第一特征信息，并将第一特征信息输入预先训练的QRS波群检测模型，以及通过QRS波群检测模型准确确定出了多导联心电信号的QRS波群区域。由此，通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的QRS波群的检测方法的流程图；
图2为心电信号波形的示例图；
图3为根据本发明另一个实施例的QRS波群的检测方法的流程图；
图4为根据本发明再一个实施例的QRS波群的检测方法的流程图；
图5a-5d为本发明实施例提供的心电信号的波形示例图、处理后的波形图、提取特征后的波形图和QRS区域的示例图；
图6是建立QRS波群检测模型的流程示意图；
图7为根据本发明一个实施例的QRS波群的检测装置的结构示意图；
图8为根据本发明另一个实施例的QRS波群的检测装置的结构示意图；
图9为根据本发明又一个实施例的QRS波群的检测装置的结构示意图；
图10为根据本发明再一个实施例的QRS波群的检测装置的结构示意图；
图11为根据本发明又一个实施例的QRS波群的检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“多个”指两个或两个以上；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。
下面参考附图描述根据本发明实施例的QRS波群的检测方法及装置。
图1为根据本发明一个实施例的QRS波群的检测方法的流程图。其中，需要说明的是，该实施例的QRS波群的检测方法应用于电子设备中，该电子设备可以包括但不限于电脑、手机、心电图机、可穿戴心电采集设备和监护仪等。
如图1所示，根据本发明实施例的QRS波群的检测方法，包括以下步骤。
S11，获取待处理的多导联心电信号。
在本发明的一个实施例中，多导联心电信号可以例如是12导联心电信号、18导联心电信号等。
其中，需要说明的是，待处理的多导联心电信号的获取方式可以是从本地保存的心电信号中获取待处理的多导联心电信号，也可以实时采集的用户的心电信号。
S12，提取多导联心电信号的第一特征信息。
其中，需要理解的是，熵表示信息的不确定性，熵的幅度越大，信息不确定性越大，而心脏在每一个心动周期，都会产生电活动变化，具体在心电图上表现为P波，QRS波，T波等，如图2所示，其中QRS波变化剧烈，幅度大，信号具有较大不确定性。因此，可以使用信息熵来对突变信号进行检测，比如QRS波群。
在本发明的一个实施例中，为了能够准确区分出QRS波群，第一特征信息包括Tsallis熵，即，第一特征信息为Tsallis熵。
其中，需要说明的是，Tsallis熵是Shannon熵的广义形式，与传统Shannon熵定义相比，Tsallis熵具有非广延性，能够描述具有长相关、长时记忆和分形结构的物理过程。与传统的Shannon熵只能估计整体信号的不确定性相比，Tsallis熵能够估计信号局部的不确定性，因此，通过提取多导联心电信号的Tsallis熵可以提高后续确定QRS波群的区域的准确性。
另外，Tsallis熵的表达方式简单，计算量小，更加利于工程应用；且具有可调参数，通过合理的参数选择，能够获取具有较强区分性的QRS波群特征信号。
在本发明的一个实施例中，为了可以准确检测出QRS波群区域，在获取待处理的多导联心电信号后，可对多导联心电信号进行分段处理，并分别计算出每段心电信号的Tsallis熵，以及根据每段心电信号的Tsallis熵，生成多导联心电信号的Tsallis熵。
具体地，可通过长度L的窗函数W对多导联心电信号进行分段处理。其中，长度L的窗函数W如下所示：
W(m,L,T)＝{x(α)·w,α＝1+mT,...,L+mT} (1)
其中，x(α)表示表示N点采样的心电信号，m表示窗函数的序列，T表示窗函数的进步长度，T一般小于L，使滑动窗口之间部分重合，保证检测准确性。
针对所分段的心电信号段，计算每段心电信号的Tsallis熵，其中，Tsallis熵TE的定义如下所示：
其中，将心电信号分割成v份，P是心电信号属于第i份的概率密度函数，q为正整数，且q≠1。其中，在本发明中，q是可以是任意大于1的正整数。
然后，对所求出的Tsallis熵序列Xt，进行平滑处理。
作为一种示例性的实施方式，使用如下方式对所求出的Tsallis熵序列Xt进行平滑处理：
Xs(i)＝sXt(i-1)+s(1-s)Xt(i-2)+s(1-s)2Xt(i-3)+... (3)
其中，Xs是平滑后的Tsallis熵序列，s为常数，0<s<1。
最后，根据平滑后的Tsallis熵序列计算出待处理的多导联心电信号的Tsallis熵。
S13，根据预先训练的QRS波群检测模型和第一特征信息确定多导联心电信号的QRS波群区域。
在本发明的一个实施例中，在获取待处理的待处理的多导联心电信号的第一特征信息后，可将第一特征信息输入至QRS波群检测模型，QRS波群检测模型将输出多导联心电信号的QRS波群区域。
其中，QRS波群检测模型是通过对大量已标注QRS波群区域的多导联心电信号进行训练而得到的。其中，建立QRS波群检测模型的具体过程将在后续实施中详细描述。
需要理解的是，待处理的多导联心电信号与训练QRS波群检测模型所使用的多导联心电信号的导联数目是相同的，比如，若使用12导联心电信号训练QRS波群检测模型，则输入QRS波群检测模型的心电信号也是12导联心电信号。
本发明实施例的QRS波群的检测方法，获取待处理的多导联心电信号，并提取多导联心电信号的第一特征信息，并将第一特征信息输入预先训练的QRS波群检测模型，以及通过QRS波群检测模型准确确定出了多导联心电信号的QRS波群区域。由此，通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
在本发明的一个实施例中，为了提供Q波、R波和S波的位置，如图3所示，在步骤S13之后，还可以包括：
S14，根据QRS波群区域确定多导联心电信号的Q波、R波和S波的位置。
其中，需要说明的是，根据QRS波群区域确定多导联心电信号的Q波、R波和S波的位置的方式可通过现有技术来实现，该实施例不再赘述。
图4为根据本发明再一个实施例的QRS波群的检测方法的流程图。
如图4所示，根据本发明实施例的QRS波群的检测方法，包括以下步骤。
S41，获取待处理的多导联心电信号。
其中，需要说明的是，前述对步骤S11的解释说明也适用于步骤S41，此处不再赘述。
S42，对多导联心电信号进行预处理。
其中，预处理包括去噪处理和/或归一化处理。
具体来说，临床心电信号极易收到噪声干扰影响，其中肌电干扰、工频干扰、基线漂移干扰为最常见的干扰类型。为了提高后续确定QRS波群区域的准确性，在获取待处理的多导联心电信号后，可对多导联心电信号进行去噪处理。
其中，可通过多种去噪方式对多导联心电信号去噪，该实施例对多导联心电信号去噪所使用的方式不作限定。
作为一种示例性的实施方式，在获取待处理的多导联心电信号后，可使用的线性相位的有限冲击响应滤波器(FIR)低通滤波器滤除多导联心电信号中的肌电干扰，考虑到QRS波群的能量谱分布主要在35Hz以下，故所使用截止频率为35Hz的滤波器对多导联心电信号进行处理，并且，为了滤除50Hz工频干扰，可使用IIR陷波器对多导联心电信号进行处理。另外，为了避免基线漂移干扰，可使用中值滤波滤除基线漂移干扰。
在获取去噪后的多导联心电信号后，为了使得心电信号均处于一个范围内，可对去噪后的多导联心电信号进行归一化处理，其中，归一化处理所使用的公式如下：
其中S是去噪后的信号，S'是经过归一化之后的信号，min(S)返回样本空间中的最小值，max(S)返回样本空间的最大值。心电信号经过归一化公式处理以后，信号的取值S∈[0,1]。
S43，提取预处理后的多导联心电信号的第一特征信息。
其中，前述对步骤S12的解释说明也适用于步骤S43，此处不再赘述。
S44，根据预先训练的QRS波群检测模型和第一特征信息确定多导联心电信号的QRS波群区域。
其中，前述对步骤S13的解释说明也适用于步骤S44，此处不再赘述。
举例而言，如果获取的待处理的多导联心电信号的波形图示例图，如图5a所示，在预 处理后的多导联心电信号的示例图，如图5b所示，在对归一化后的多导联心电信号提取特征信息后，所获得的信号的形式如图5c所示，在特征信息输入QRS波群检测模型后，QRS波群检测模型输出的结果，如图5d所示，图5d中包括多个QRS波群区域。
S45，根据QRS波群区域确定多导联心电信号的Q波、R波和S波的位置。
本发明实施例的QRS波群的检测方法，获取待处理的多导联心电信号，并提取多导联心电信号的第一特征信息，并将第一特征信息输入预先训练的QRS波群检测模型，以及通过QRS波群检测模型准确确定出了多导联心电信号的QRS波群区域，并根据QRS波群确定多导联心电信号的Q波、R波和S波的位置。由此，通过多导联心电信号准确确定出了QRS波群区域以及Q波、R波和S波的位置，为后续基于QRS波群区域、Q波、R波和S波的位置进行后续分析提高了准确的基础。
图6是建立QRS波群检测模型的流程示意图。
如图6所示，该建立QRS波群检测模型的过程如下：
S61，获取训练心电图数据集合。
其中，训练心电图数据集合包括多个已标注QRS波群区域的样本多导联心电信号。
S62，提取样本多导联心电信号的第二特征信息。
其中，第二特征信息包括Tsallis熵，即，第二特征信息为Tsallis熵。
在本发明的一个实施例中，为了提高所建立的QRS波群检测模型，在获取样本多导联心电信号后，可对样本多导联心电信号进行预处理。
其中，预处理包括去噪处理和/或归一化处理。
作为一种示例性的实施方式，在获取样本多导联心电信号后，可先对样本多导联心电信号进行去噪处理，然后，对去噪后的样本多导联心电信号进行归一化处理。
在获取归一化处理后的样本多导联心电信号后，可对样本多导联心电信号进行分段处理，并分别计算出每段心电信号的Tsallis熵，以及根据每段心电信号的Tsallis熵，生成样本多导联心电信号的Tsallis熵。
S63，根据第二特征信息和样本多导联心电信号，建立QRS波群检测模型。
在本发明的一个实施例中，在获取样本多导联心电信号的第二特征信息后，可通过机器学习算法对第二特征信息和样本多导联心电信号进行训练，并根据训练结果建立QRS波群检测模型。
其中，机器学习算法可以包括但不限于决策树、支持向量机、线性分类算法、深度学习算法等方法。
综上，通过对已标注QRS波群区域的样本多导联心电信号进行训练，并根据训练结果得到准确的QRS波群检测模型。由此，提供了可准确确定QRS波群区域的QRS波群检测 模型，方便了后续基于QRS波群检测模型确定待处理的多导联心电信号的QRS波群区域。
为了实现上述实施例，本发明还提出了一种QRS波群的检测装置。
图7为根据本发明一个实施例的QRS波群的检测装置的结构示意图。
如图7所示，该QRS波群的检测装置包括获取模块110、提取模块120和第一确定模块130，其中：
获取模块110用于获取待处理的多导联心电信号。
提取模块120用于提取多导联心电信号的第一特征信息。
第一确定模块130用于根据预先训练的QRS波群检测模型和第一特征信息确定多导联心电信号的QRS波群区域。
在本发明的一个实施例中，第一特征信息包括Tsallis熵。
在图7所示的基础上，如图8所示，提取模块120可以包括分段处理单元121和生成单元122，其中：
分段处理单元121用于对多导联心电信号进行分段处理，并分别计算出每段心电信号的Tsallis熵。
生成单元122用于根据每段心电信号的Tsallis熵，生成多导联心电信号的第一特征信息。
在本发明的一个实施例中，在图7所示的基础上，如图9所示，该装置还可以包括第二确定模块140，其中，第二确定模块，用于根据QRS波群区域确定多导联心电信号的Q波、R波和S波的位置。
其中，需要说明的是，上述图9所示的装置实施例中的第二确定模块140的结构包含在前述图8的装置实施例中，对此本发明不进行限制。
在本发明的一个实施例中，为了提高确定QRS波群区域的准确性，在图7所示的基础上，如图10所示，该装置还可以包括预处理模块150，该预处理模块150用于对多导联心电信号进行预处理，其中，预处理包括去噪处理和/或归一化处理。
其中，提取模块120用于：
提取预处理后的多导联心电信号的第一特征信息。
在本发明的一个实施例中，在图7所示的基础上，如图11所示，该装置还可以包括模型建立模块160，该模型建立模块160用于获取训练心电图数据集合，其中，训练心电图数据集合包括多个已标注QRS波群区域的样本多导联心电信号；提取样本多导联心电信号的第二特征信息；根据第二特征信息和样本多导联心电信号，建立QRS波群检测模型。
其中，需要说明的是，前述对QRS波群的检测方法实施例的解释说明也适用于该实施例的QRS波群的检测装置，此处不再赘述。
本发明实施例的QRS波群的检测装置，获取待处理的多导联心电信号，并提取多导联心电信号的第一特征信息，并将第一特征信息输入预先训练的QRS波群检测模型，以及通过QRS波群检测模型准确确定出了多导联心电信号的QRS波群区域。由此，通过多导联心电信号确定QRS波群区域，提高了确定QRS波群区域的准确性，为后续基于QRS波群区域进行后续分析提高了准确的基础。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种QRS波群的检测方法，其特征在于，包括以下步骤：
获取待处理的多导联心电信号；
提取所述多导联心电信号的第一特征信息；
根据预先训练的QRS波群检测模型和所述第一特征信息确定所述多导联心电信号的QRS波群区域。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述QRS波群区域确定所述多导联心电信号的Q波、R波和S波的位置。
3.如权利要求1所述的方法，其特征在于，在所述提取所述多导联心电信号的第一特征信息之前，所述方法还包括：
对所述多导联心电信号进行预处理，其中，所述预处理包括去噪处理和/或归一化处理；
其中，所述提取所述多导联心电信号的第一特征信息，包括：
提取预处理后的多导联心电信号的第一特征信息。
4.如权利要求1-3任一项所述的方法，其特征在于，在所述根据预先训练的QRS波群检测模型和所述特征信息确定所述多导联心电信号的QRS波群区域之前，所述方法还包括：
获取训练心电图数据集合，其中，所述训练心电图数据集合包括多个已标注QRS波群区域的样本多导联心电信号；
提取所述样本多导联心电信号的第二特征信息；
根据所述第二特征信息和所述样本多导联心电信号，建立所述QRS波群检测模型。
5.如权利要求1所述的方法，其特征在于，所述第一特征信息包括Tsallis熵，所述提取所述多导联心电信号的第一特征信息，包括：
对所述多导联心电信号进行分段处理，并分别计算出每段心电信号的Tsallis熵；
根据每段心电信号的Tsallis熵，生成所述多导联心电信号的第一特征信息。
6.一种QRS波群的检测装置，其特征在于，包括：
获取模块，用于获取待处理的多导联心电信号；
提取模块，用于提取所述多导联心电信号的第一特征信息；
第一确定模块，用于根据预先训练的QRS波群检测模型和所述第一特征信息确定所述多导联心电信号的QRS波群区域。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
第二确定模块，用于根据所述QRS波群区域确定所述多导联心电信号的Q波、R波和S波的位置。
8.如权利要求6所述的装置，其特征在于，所述装置还包括：
预处理模块，用于对所述多导联心电信号进行预处理，其中，所述预处理包括去噪处理和/或归一化处理；
其中，所述提取模块，用于：
提取预处理后的多导联心电信号的第一特征信息。
9.如权利要求6-8任一项所述的装置，其特征在于，所述装置还包括：
模型建立模块，用于获取训练心电图数据集合，其中，所述训练心电图数据集合包括多个已标注QRS波群区域的样本多导联心电信号；提取所述样本多导联心电信号的第二特征信息；根据所述第二特征信息和所述样本多导联心电信号，建立所述QRS波群检测模型。
10.如权利要求6所述的装置，其特征在于，所述第一特征信息包括Tsallis熵，所述提取模块，包括：
分段处理单元，用于对所述多导联心电信号进行分段处理，并分别计算出每段心电信号的Tsallis熵；
生成单元，用于根据每段心电信号的Tsallis熵，生成所述多导联心电信号的第一特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710104053.1A CN108509823A (zh) | 2017-02-24 | 2017-02-24 | Qrs波群的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710104053.1A CN108509823A (zh) | 2017-02-24 | 2017-02-24 | Qrs波群的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108509823A true CN108509823A (zh) | 2018-09-07 |
Family
ID=63373879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710104053.1A Pending CN108509823A (zh) | 2017-02-24 | 2017-02-24 | Qrs波群的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108509823A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
| CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
| CN110353664A (zh) * | 2019-07-25 | 2019-10-22 | 山东凯迪泰科智能系统有限公司 | 心电图pqrst波分段方法及系统 |
| CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
| CN110507318A (zh) * | 2019-08-16 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法及装置 |
| CN113229826A (zh) * | 2020-11-25 | 2021-08-10 | 联想(北京)有限公司 | 一种qrs波检测方法、装置及电子设备 |
| 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 |
| CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010037056A1 (en) * | 2008-09-26 | 2010-04-01 | Qualcomm Incorporated | Method and apparatus for non-invasive cuff-less blood pressure estimation using pulse arrival time and heart rate with adaptive calibration |
| CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
| US20150141857A1 (en) * | 2013-11-19 | 2015-05-21 | University Of Florida Research Foundation, Inc. | Integrate and fire pulse train automation for qrs detection |
| US20150150468A1 (en) * | 2010-03-15 | 2015-06-04 | Singapore Health Services Pte Ltd. | System and method for predicting acute cardiopulmonary events and survivability of a patient |
| CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
-
2017
- 2017-02-24 CN CN201710104053.1A patent/CN108509823A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010037056A1 (en) * | 2008-09-26 | 2010-04-01 | Qualcomm Incorporated | Method and apparatus for non-invasive cuff-less blood pressure estimation using pulse arrival time and heart rate with adaptive calibration |
| US20150150468A1 (en) * | 2010-03-15 | 2015-06-04 | Singapore Health Services Pte Ltd. | System and method for predicting acute cardiopulmonary events and survivability of a patient |
| US20150141857A1 (en) * | 2013-11-19 | 2015-05-21 | University Of Florida Research Foundation, Inc. | Integrate and fire pulse train automation for qrs detection |
| CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
| CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
| CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| MINAKSHI CHAUDHARY 等: "A Measurement of Heart Rate in 12 lead ECG by an Entropic Method Using Artificial Neural Network", 《INTERNATIONAL JOURNAL OF SCIENCE AND RESEARCH (IJSR)》 * |
| S.S. MEHTA 等: "Combined entropy based method for detection of QRS complexes in 12-lead electrocardiogram using SVM", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
| SAJJAD FARASHI: "A multiresolution time-dependent entropy method for QRS complex detection", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
| CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
| CN110353664A (zh) * | 2019-07-25 | 2019-10-22 | 山东凯迪泰科智能系统有限公司 | 心电图pqrst波分段方法及系统 |
| CN110353664B (zh) * | 2019-07-25 | 2022-09-20 | 山东凯迪泰科智能系统有限公司 | 心电图pqrst波分段方法及系统 |
| CN110507318A (zh) * | 2019-08-16 | 2019-11-29 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法及装置 |
| CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
| 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 |
| CN113229826A (zh) * | 2020-11-25 | 2021-08-10 | 联想(北京)有限公司 | 一种qrs波检测方法、装置及电子设备 |
| CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509823A (zh) | Qrs波群的检测方法及装置 | |
| Gupta et al. | Neural network classification of homomorphic segmented heart sounds | |
| Singh et al. | Classification of unsegmented heart sound recording using KNN classifier | |
| CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN109077714B (zh) | 信号识别方法、装置、设备和存储介质 | |
| CN111956203B (zh) | 心电信号参数化方法、模型训练方法、装置、设备及介质 | |
| Ramkumar et al. | A graphical user interface based heart rate monitoring process and detection of pqrst peaks from ecg signal | |
| CN110367936B (zh) | 心电信号检测方法及装置 | |
| CN110367968B (zh) | 一种右束支阻滞检测方法、装置、设备及存储介质 | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
| CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
| Kaswan et al. | Intelligent classification of ECG signals using machine learning techniques | |
| CN107837083B (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
| Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| CN112587104A (zh) | 一种滤除无效脉搏波形的方法 | |
| CN115778402B (zh) | 一种动态心电信号的伪差识别方法及系统 | |
| Sanamdikar et al. | Extraction of different features of ECG signal for detection of cardiac arrhythmias by using wavelet transformation Db 6 | |
| CN115177260A (zh) | 基于人工神经网络的智能心电心音诊断方法及装置 | |
| Sanamdikar et al. | Classification of ECG Signal for Cardiac Arrhythmia Detection Using GAN Method | |
| Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease | |
| Prashar et al. | Morphology analysis and time interval measurements using mallat tree decomposition for CVD detection | |
| CN115067967A (zh) | 心拍信号基准点确定方法、心拍类型识别方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |