[go: up one dir, main page]

CN111166325A - 基于ipcmm算法的心电信号qrs复合波检测方法及系统 - Google Patents

基于ipcmm算法的心电信号qrs复合波检测方法及系统 Download PDF

Info

Publication number
CN111166325A
CN111166325A CN202010147303.1A CN202010147303A CN111166325A CN 111166325 A CN111166325 A CN 111166325A CN 202010147303 A CN202010147303 A CN 202010147303A CN 111166325 A CN111166325 A CN 111166325A
Authority
CN
China
Prior art keywords
algorithm
qrs complex
ipcmm
threshold
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.)
Granted
Application number
CN202010147303.1A
Other languages
English (en)
Other versions
CN111166325B (zh
Inventor
李彬
李伟
孟海龙
乔风娟
李金红
魏诺
王玉诚
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.)
Qilu University of Technology
National Supercomputing Center in Jinan
Original Assignee
Qilu University of Technology
National Supercomputing Center in Jinan
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 Qilu University of Technology, National Supercomputing Center in Jinan filed Critical Qilu University of Technology
Priority to CN202010147303.1A priority Critical patent/CN111166325B/zh
Publication of CN111166325A publication Critical patent/CN111166325A/zh
Application granted granted Critical
Publication of CN111166325B publication Critical patent/CN111166325B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

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

Abstract

本发明提出了一种基于IPCMM算法的心电信号QRS复合波检测方法，步骤包括：获取心电信号；利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；对滤波后的心电信号进行双斜率处理；利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差；提高了QRS复合波的检测精度和效率，有利于辅助提高心电图的检测精度和分类精度。

Description

基于IPCMM算法的心电信号QRS复合波检测方法及系统
技术领域
本发明涉及一种基于IPCMM(Iterative Phase-Error Constrained MiniMax)算法的QRS复合波检测方法及系统，属于复合波检测技术领域。
背景技术
据中国国家心血管疾病中心统计，心血管疾病发病率呈上升趋势，其中心血管疾病死亡率居首位。心血管疾病严重危害着人类的生命安全，由于心血管疾病的流行病学特征不明显，很难对其进行预测。心电图最直接、最清晰地反映心脏的综合功能，可有效地用于患者的诊断。目前，心电图已成为医生诊断心脏病的重要依据。
针对心电图的识别，首当其冲的是QRS复合波的检测。QRS复合波包含了绝大部分的心脏相关信息，能够从中提取出大量的心跳特征，为心电图的分类打下坚实的基础。但是，QRS复合波参杂了干扰噪声，如何高效地滤除噪声、提取有用信号是心电图的识别分类面临的挑战之一。此外，将有用信号提取出之后，如何找到一个具有较好鲁棒性、能快速且准确地对心电图进行分类的分类器，是心电图的识别分类面临的挑战之二。
信号采集器由人体体表的电极、导联线、内含采集电路的记录盒以及数据记录器组成。所以在QRS复合波检测中会不可避免地出现噪声干扰和波形变异。
噪声干扰大体上分为：电极接触噪声、工频噪声，以及人体自身呼吸、肌肉收缩引起的基线漂移和肌电干扰。
工频噪声是由电力系统和人体的分布电容引起的，其频率包含50Hz的基波及其各次谐波，其幅值成分在心电信号峰值的0～50％范围内变化；电极接触噪声是由电极接触不良或脱落带来的干扰；运动伪迹是由于人体轻微运动造成电极与人体的接触电阻发生变化而引入的一种干扰；肌肉收缩会产生mv级的肌电干扰，表现为心电图上不规则的细小波纹，使心电图模糊不清或产生失真；人体呼吸时胸腔内器官和组织会发生一定程度的变化；电子设备引起的干扰对信号影响很大，严重时完全淹没心电信号或使基线剧烈漂移，而由这类干扰得到的数据没有太大意义。
在进行QRS复合波探测之前，首先要对信号进行预处理，增强复合波的能量，抑制噪声和伪迹。用于处理噪声的方法大多为滤波器，以及一些其它的方法，比如小波变换法、神经网络法、模板匹配法、数学形态学法、句法、隐性马尔可夫模型等。
目前基于滤波和幅度阈值方法的复合波检测算法，引入了噪声检测思想。此方法将250Hz频率采样的心电信号分三路：一是通过截止频率为30Hz的低通滤波器增强QRS复合波，二是让信号通过低通滤波，得到基线水平，三是将信号通过延迟滤波器，进行相位矫正。在复合波检测算法中，通过3个步骤对多个通道数据进行处理，首先在信号采集的过程中将信号进行滤波和变换，然后生成检测阈值，最后进行R波检测。使用带通滤波器滤波，结合差分得到斜率，对心电信号进行QRS复合波检测。提出基于斜率、幅度和宽度特征值的复合波实时检测算法，该方法是一个经典QRS波检测方法(称为P&T算法)，准确率达到99.3％。为了进一步改善P&T算法的QRS波检测能力，有的学者利用带通滤波器代替P&T算法中的低通和高通滤波器，相应的算法称为I-P&T算法。
但采用I-P&T算法用于QRS复合波的检测，QRS复合波的错检率较高和漏检个数多，对于特殊的心电信号检测需要多次检测，以提高QRS复合波的检测精度，但这使得效率较低，如何进一步提高心电图的检测精度和分类精度是需要解决的技术问题。
发明内容
为解决上述技术问题，本发明针对上述代表性的QRS复合波探测算法的基础上，对其改进算法(I-P&T算法)进行进一步地改进，提出了II-P&T算法对QRS复合波进行探测，提高了QRS复合波的识别精度。在上述高精度QRS波形探测算法的基础上，然后利用小波变换提取心电图信号的心拍特征，运用支持向量机(Support Vector Machine,SVM)作为分类器进行分类，能够提高QRS复合波的识别精度，进而可以辅助提高了心电图信号的分类精度。
第一方面，本发明提供了一种基于IPCMM算法的心电信号QRS复合波检测方法，步骤包括：
获取心电信号；
利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；
对滤波后的心电信号进行双斜率处理；
利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；
其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差。
第二方面，本发明提供了一种基于IPCMM算法的心电信号QRS复合波检测系统，包括数据采集模块和检测模块；
所述数据采集模块用于采集心电信号；
所述检测模块包括：由IPCMM算法改进的带通滤波器、双斜率处理模块、由IPCMM算法改进的低通滤波器；
带通滤波器用于对心电信号进行滤波；双斜率处理模块对心电信号进行双斜率处理；低通滤波器用于心电信号进行滤波处理；得到QRS复合波检测结果。
第三方面，本发明提供了一种采用如第一方面所述心电信号QRS复合波检测方法的电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求第一方面所述的心电信号特征提取分类方法。
第四方面，本发明提供了一种采用如第一方面所述心电信号QRS复合波检测方法的计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如第一方面所述的心电信号特征提取分类方法。
与现有技术相比，本发明的有益效果为：
1、本发明采用由IPCMM算法设计的滤波器处理后的QRS复合波的错检率较低和漏检个数少，对于特殊的心电信号检测检测次数大幅降低，提高了QRS复合波的检测精度和效率，能够辅助作用于心电图检测过程中，提高心电图的检测精度和分类精度。
2、本发明在上述高精度QRS波形探测算法的基础上，利用小波变换提取心电图信号的心拍特征，运用支持向量机作为分类器进行分类，可以发现，改进QRS复合波检测方法可以有效地提高心电图信号的分类精度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的实施例1中II-P&T算法流程示意图；
图2是背景技术中I-P&T算法流程示意图；
图3是背景技术中I-P&T算法的Fda带通滤波器频率响应示意图；
图4是背景技术中I-P&T算法的Fda低通滤波器频率响应示意图；
图5是背景技术中P&T算法的结构流程图；
图6是本发明的实施例1中基于IPCMM算法的带通滤波器的频率响应图；
图7是本发明的实施例1中基于IPCMM算法的低通滤波器的频率响应图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体的连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
实施例1
本发明针对背景技术中代表性的QRS复合波探测算法的基础上，对其改进算法(I-P&T算法)进行进一步地改进，利用IPCMM算法生成的带通滤波器对ECG信号进行处理，较好的滤除掉了信号中的噪声，提出了QRS复合波探测的II-P&T算法，在此基础上，应用小波变换提取特征，然后利用支持向量机进行分类，改进方法可以较好地进行QRS复合波探测，提高QRS复合波检测结果，有利于进一步利用该检测结果来提高模型分类精度。
实施例1
一种基于IPCMM算法的心电信号QRS复合波检测方法，步骤包括：
获取心电信号；
利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；
对滤波后的心电信号进行双斜率处理；
利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；
其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差。
进一步的，所述得到QRS复合波检测结果的步骤包括：
利用滑动窗口积分，使得光滑处理后的QRS复合波的绝对振幅增大，检测到正确波峰振幅变化；
设定阈值，所述阈值需要根据已经检测到的正确波峰振幅变化进行设定；
在设定的阈值范围内输出QRS复合波检测结果，并针对QRS复合波定位检测算法进行算法评估。
进行QRS复合波检测的第一步是对心电信号进行滤波，去除信号中的噪声。这里采用由IPCMM算法设计的带通滤波器进行第一次去噪处理。IPCMM算法能有效解决相位误差约束下的FIR滤波器频率响应误差minimax设计问题，简化后的数学模型为：
Figure BDA0002401209790000071
其中，u(ω)>0表示相位误差的指定上界，Ec(ω,h)和Ep(ω,h)表示频率响应误差和相位误差。
Ec(ω,h)≡H(ω,h)-D(ω,h)
Ep(ω,h)≡φH(ω,h)-φD(ω,h)
其中，H(ω,h)表示滤波器的频率响应，D(ω)表示期望的FR，φH(ω,h)和φD(ω,h)分别为H(ω,h)和D(ω)的相位。
IPCMM算法使用群延迟误差的修正包络线来迭代更新相位误差上界函数，能够有效减小带边群延迟误差，可在通带内实现近似一致群延迟误差。使用该算法设计得到的FIR数字滤波器具有较好的性能，除了能使群延迟误差近似一致外，还可在指定相位误差上界的情况下，使频率响应误差幅值的最大值尽量小。
使用上述IPCMM算法设计长度为44、通带为13～21Hz、采样率为380Hz、通带群延迟为25的带通FIR滤波器。
对带通滤波器滤波后的心电信号进行双斜率处理步骤包括：
因为QRS波两侧较陡的性质，只有QRS波这样的尖峰在经过下述处理时，会得到相应，有利于处理QRS复合波的波形。
各边最大、最小斜率的计算公式如下:
Figure BDA0002401209790000081
Figure BDA0002401209790000082
Figure BDA0002401209790000083
Figure BDA0002401209790000084
其中，a为最接近的整数0.027fs，b为最接近的整数0.063fs，zn为第nth个位置的ECG样本，fs为ECG信号的采样频率。
用一边的最大斜率减去另一边的最小斜率，就得到了斜率差。这两个“斜率差”之间的较大值作为测量陡度的变量Sdiff,max。
Sdiff,max＝max((SR,max-SL,min),(SL,max-SR,min))
设定寻找斜率的区间是点左右两侧0.015s～0.060s。
双斜率处理后，波形模式变为单一。但是，波形出现了双峰现象，一定程度上不利于精准检测。因此，在双斜率处理后继续使用低通滤波将波形变得更为光滑。
由IPCMM算法设计的低通滤波将双斜率处理后的心电信号进行滤波处理具体为：通过IPCMM算法生成低通FIR滤波器对双斜率处理后的波形做进一步的处理，滤波器的长度为40，截止频率为4Hz，采样率为500Hz，群延迟设置为12。
所述滑动窗口积分通过下面公式计算：
Figure BDA0002401209790000091
其中N为被积函数窗口宽度内的样本个数。
前面每一步得到的波形由于滤波或是求斜率的因素，其幅度值越来越小，而过小的幅值其实不利于检测。因此利用滑动窗口积分，使得绝对振幅增大，并使波形进一步光滑，设置窗口宽度为17个采样点。
所述设定阈值的具体操作是：在阈值设计方面，采用双阈值设计，一高一低。另外为了保证变化的稳健，阈值需要根据前面已经检测到的正确波峰振幅变化，另外设定下限，以确保不会过高或过低。
下面为阈值的更新公式：
Figure BDA0002401209790000101
Figure BDA0002401209790000102
其中，T1：高阈值，T0：低阈值，peak：检测到的峰值，peak_v8：当前峰值前面的8个峰值的集合，T1_lim，T0_lim是两个经验常数，表示两个阈值变化的下限，这里的值分别是0.3和0.23。
双阈值在一定程度上可以防漏检。此外，在防错检方面，采用了“不应期”的方式，当两个波峰过于靠近时，只取较大的波峰。这个“过近”指的是距离低于0.24s，即不应期的长度。双阈值的变化存在下限，也防止了一些噪声被错检为QRS波。
进行算法评估步骤为：
针对QRS波定位检测算法有3个常用指标：敏感度(SE)，正预测率(PP)和检测错误率(DER)。
Figure BDA0002401209790000103
其中TP代表检测正确的心拍个数，FN代表漏检的心拍个数，FP代表错检的心拍数。
通过本申请的上述QRS复合波检测方法，可以基于MIT-BIH数据集截取心拍，每个心拍长度为250个采样点(约0.7s)。形成目标类型心拍，分别为“正常(N)”，“左束支阻滞(LBBB)”，“右束支阻滞(RBBB)”，“室性早搏(VPB)”，每类心拍各5000个。对每个心拍进行5阶的小波分解，小波函数利用db6小波，采用小波变换的系数作为输入特征。
分类的具体步骤为：
输入数据：通过上述QRS复合波检测方法，然后基于MIT-BIH数据集截取心拍，每个心拍长度为250个采样点(约0.7s)。
特征提取：对每个心拍进行5阶的小波分解，小波函数利用db6小波，采用小波变换的系数作为输入特征。
数据划分：样本总数为20000，首先利用MATLAB中的randperm函数随机打乱样本的输入顺序，然后将输入顺序随机打乱的样本，分成两部分：训练集和测试集，训练集和测试集中的样本比例为7:3。
输出分类精度：采用支持向量机作为分类器，利用训练集确定支持向量机的参数，输出训练分类精度，然后将测试集放到支持向量机中，输出测试分类精度，测试算法的性能，作为衡量模型分类精度的指标。
实施例2
一种基于IPCMM算法的心电信号QRS复合波检测系统，其特征在于，包括数据采集模块和检测模块；
所述数据采集模块用于采集心电信号；
所述检测模块包括：由IPCMM算法设计的带通滤波器、双斜率处理模块、由IPCMM算法设计的低通滤波器；带通滤波器用于对心电信号进行滤波；双斜率处理模块对心电信号进行双斜率处理；低通滤波器用于心电信号进行滤波处理；其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差。
进一步的，所述检测模块还包括滑动窗口积分模块和阈值模块，所述滑动窗口积分模块用于提高心电信号的绝对振幅，使得心电信号呈现正确波峰振幅变化波形；阈值模块用于根据正确波峰振幅变化波形设定阈值。
在其他实施例中，本发明还提供了：
一种采用如实施例1所述心电信号特征提取分类方法的电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如实施例1所述的心电信号特征提取分类方法。
一种采用如实施例1所述心电信号特征提取分类方法的计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如实施例1所述的心电信号特征提取分类方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于IPCMM算法的心电信号QRS复合波检测方法，其特征在于，步骤包括：
获取心电信号；
利用IPCMM算法对带通滤波器进行改进，利用改进后的带通滤波器对心电信号进行滤波；
对滤波后的心电信号进行双斜率处理；
利用IPCMM算法对低通滤波器进行改进，利用改进后的低通滤波器对双斜率处理后的心电信号进行滤波；得到QRS复合波检测结果；
其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差。
2.如权利要求1所述的心电信号QRS复合波检测方法，其特征在于，所述得到QRS复合波检测结果的步骤包括：
利用滑动窗口积分，使得光滑处理后的QRS复合波的绝对振幅增大，检测到正确波峰振幅变化；
设定阈值，所述阈值需要根据已经检测到的正确波峰振幅变化进行设定；
在设定的阈值范围内输出QRS复合波检测结果，并针对QRS复合波定位检测算法进行算法评估。
3.如权利要求1所述的心电信号QRS复合波检测方法，其特征在于，IPCMM算法对各滤波器的改进过程的具体步骤包括，IPCMM算法下的滤波器频率响应误差minimax设计，简化后的数学模型为：
Figure FDA0002401209780000021
s.t.:|Re{|Ec(ω,h)|}+jλ-1Im{|Ec(ω,h)|}|≤δ
Figure FDA0002401209780000022
其中，u(ω)>0表示相位误差的指定上界，Ec(ω,h)和Ep(ω,h)表示频率响应误差和相位误差；
Ec(ω,h)≡H(ω,h)-D(ω,h)
Ep(ω,h)≡φH(ω,h)-φD(ω,h)
其中，H(ω,h)表示滤波器的频率响应，D(ω)表示期望的FR，φH(ω,h)和φD(ω,h)分别为H(ω,h)和D(ω)的相位。
4.如权利要求1所述的心电信号QRS复合波检测方法，其特征在于，所述针对QRS波定位检测算法进行算法评估步骤包括：
针对QRS波定位检测算法有3个常用指标：敏感度(SE)，正预测率(PP)和检测错误率(DER)；
Figure FDA0002401209780000023
其中TP代表检测正确的心拍个数，FN代表漏检的心拍个数，FP代表错检的心拍数。
5.如权利要求1所述的心电信号QRS复合波检测方法，其特征在于，所述进行双斜率处理的步骤包括：QRS波两侧较陡的性质，处理QRS复合波的波形各边最大、最小斜率的计算公式如下:
Figure FDA0002401209780000031
Figure FDA0002401209780000032
Figure FDA0002401209780000033
Figure FDA0002401209780000034
其中，a为最接近的整数0.027fs，b为最接近的整数0.063fs，zn为第nth个位置的ECG样本，fs为ECG信号的采样频率。
6.如权利要求1所述的心电信号QRS复合波检测方法，其特征在于，所述阈值采用双阈值设计，设置高阈值和低阈值，高阈值和低阈值根据检测到的所述正确波峰振幅变化进行设置；所述阈值的更新公式：
Figure FDA0002401209780000035
Figure FDA0002401209780000036
其中，T1：高阈值，T0：低阈值，peak：检测到的峰值，peak_v8：当前峰值前面的8个峰值的集合，T1_lim，T0_lim是两个经验常数，表示两个阈值变化的下限。
7.一种基于IPCMM算法的心电信号QRS复合波检测系统，其特征在于，包括数据采集模块和检测模块；
所述数据采集模块用于采集心电信号；
所述检测模块包括：由IPCMM算法设计的带通滤波器、双斜率处理模块和由IPCMM算法设计的低通滤波器；带通滤波器用于对心电信号进行滤波；双斜率处理模块对心电信号进行双斜率处理；低通滤波器用于心电信号进行滤波处理；
其中，IPCMM算法对各滤波器的改进过程为：使用群延迟误差的修正包络线迭代更新相位误差上界函数，在通带内实现一致或近似一致的群延迟误差。
8.如权利要求7所述的心电信号QRS复合波检测系统，其特征在于，所述检测模块还包括滑动窗口积分模块和阈值模块，所述滑动窗口积分模块用于提高心电信号的绝对振幅，使得心电信号呈现正确波峰振幅变化波形；阈值模块用于根据正确波峰振幅变化波形设定阈值。
9.一种采用如权利要求1-6所述心电信号QRS复合波检测方法的电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6所述的心电信号特征提取分类方法。
10.一种采用如权利要求1-6所述心电信号QRS复合波检测方法的计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-6所述的心电信号特征提取分类方法。
CN202010147303.1A 2020-03-05 2020-03-05 基于ipcmm算法的心电信号qrs复合波检测方法及系统 Expired - Fee Related CN111166325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147303.1A CN111166325B (zh) 2020-03-05 2020-03-05 基于ipcmm算法的心电信号qrs复合波检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147303.1A CN111166325B (zh) 2020-03-05 2020-03-05 基于ipcmm算法的心电信号qrs复合波检测方法及系统

Publications (2)

Publication Number Publication Date
CN111166325A true CN111166325A (zh) 2020-05-19
CN111166325B CN111166325B (zh) 2021-02-02

Family

ID=70647061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147303.1A Expired - Fee Related CN111166325B (zh) 2020-03-05 2020-03-05 基于ipcmm算法的心电信号qrs复合波检测方法及系统

Country Status (1)

Country Link
CN (1) CN111166325B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343659A (zh) * 2022-01-05 2022-04-15 北京信息科技大学 心电特征信号提取方法、计算机设备及存储介质
CN115486854A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种针对干电极采集的单导联心电图室性早搏识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102178522A (zh) * 2011-04-29 2011-09-14 华南理工大学 一种母亲及胎儿心电信号qrs波中r波的检测定位方法
CN103083013A (zh) * 2013-01-18 2013-05-08 哈尔滨工业大学深圳研究生院 基于形态学与小波变换的心电信号qrs复波检测方法
US20170119274A1 (en) * 2015-10-29 2017-05-04 Medtronic Monitoring, Inc. System and method to determine premature ventricular contraction (pvc) type and burden
EP3360475A1 (en) * 2017-02-14 2018-08-15 Rooti Labs Limited Device for measuring blood pressure and method for using the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102178522A (zh) * 2011-04-29 2011-09-14 华南理工大学 一种母亲及胎儿心电信号qrs波中r波的检测定位方法
CN103083013A (zh) * 2013-01-18 2013-05-08 哈尔滨工业大学深圳研究生院 基于形态学与小波变换的心电信号qrs复波检测方法
US20170119274A1 (en) * 2015-10-29 2017-05-04 Medtronic Monitoring, Inc. System and method to determine premature ventricular contraction (pvc) type and burden
EP3360475A1 (en) * 2017-02-14 2018-08-15 Rooti Labs Limited Device for measuring blood pressure and method for using the same

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
M. RIADH AREFIN ; REZA FAZEL-REZAI: "Computationally efficient QRS detection analysis based on dual-slope method", 《2014 36TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
XIAOPING LAI ; CHUNLU LAI ; RUIJIE ZHAO: "An Iterative Approach to Near-Uniform Group-Delay Error Design of FIR Filters", 《 IEEE SIGNAL PROCESSING LETTERS》 *
Y. WANG ; C. J. DEEPU ; Y. LIAN: "A computationally efficient QRS detection algorithm for wearable ECG sensors", 《2011 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
王路，赖春露: "FIR数字滤波器幅频响应约束最大加权相位误差最小化设计", 《电子学报》 *
陈永利: "动态心电自动分析中QRS复合波检测算法研究", 《中国博士学位论文全文数据库医药卫生科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343659A (zh) * 2022-01-05 2022-04-15 北京信息科技大学 心电特征信号提取方法、计算机设备及存储介质
CN115486854A (zh) * 2022-09-15 2022-12-20 浙江好络维医疗技术有限公司 一种针对干电极采集的单导联心电图室性早搏识别方法
CN115486854B (zh) * 2022-09-15 2024-04-30 浙江好络维医疗技术有限公司 一种针对干电极采集的单导联心电图室性早搏识别方法

Also Published As

Publication number Publication date
CN111166325B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN109907752B (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系统
CN101828917B (zh) 心电信号特征提取的方法和系统
US8909332B2 (en) Method and device for estimating morphological features of heart beats
Mazomenos et al. A time-domain morphology and gradient based algorithm for ECG feature extraction
US20070129639A1 (en) Methods and analysis for cardiac ischemia detection
CN105030228A (zh) 在心电信号中确定其p波位置的方法及装置
US11596340B2 (en) Methods and system for processing an EMG signal
CN113499082B (zh) Qrs波群检测方法、心电检测装置及可读存储介质
Nakai et al. Noise tolerant QRS detection using template matching with short-term autocorrelation
CN108272451A (zh) 一种基于改进小波变换的qrs波识别方法
CN111166325B (zh) 基于ipcmm算法的心电信号qrs复合波检测方法及系统
Pingale Using Pan Tompkin ‘S Method, ECG signal processing and dignose various diseases in Matlab
CN113197584A (zh) 一种基于差分过零检测法的qrs波群识别方法
Salsekar et al. Filtering of ECG signal using butterworth filter and its feature extraction
CN103083011B (zh) 利用胸阻抗二阶差分图辅助实时定位心电r波峰的方法
CN111166322A (zh) 心电信号特征波提取方法
CN111643070A (zh) 一种t波起点的确定方法、装置、存储介质及电子设备
Modak et al. Single channel QRS detection using wavelet and median denoising with adaptive multilevel thresholding
CN117617937A (zh) 基于少电极和信号关联性的血流动力学检测系统及方法
CN112438735B (zh) 一种心电图p波检测方法、分析装置以及存储介质
Oktivasari et al. A simple real-time system for detection of normal and myocardial ischemia in the ST segment and t wave ECG signal
Jindal et al. MATLAB based GUI for ECG arrhythmia detection using Pan-Tompkin algorithm
CN116269422A (zh) 一种高信噪比的胎儿心电分离获取方法及装置
Li et al. The QRS complex detection of ECG signal based on IPCMM algorithm
Singh et al. An efficient and robust technique of T wave delineation in electrocardiogram

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210202

CF01 Termination of patent right due to non-payment of annual fee