基于血压测量脉搏震荡波特征分析的房颤检测方法和装置制造方法及图纸

本发明专利技术公开了一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，其中，装置包括信号采集模块，房颤诊断模块，本地存储模块，显示模块。信号采集模块获取血压测量过程中的脉搏震荡波。房颤诊断模块的工作依次包括以下步骤：对所获信号滤波去噪、去除基线；提取RR间期序列，由RR间期序列及差值初步定位房颤；提取波谷间期序列，筛除早搏信号；多特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于已提取特征得到多个一维数组，计算出对应指标，得出房颤检测结果。本地存储模块记录脉搏震荡波和房颤检测结果。显示模块实时显示房颤检测结果和波形。本发明专利技术能够基于脉搏震荡波检测房颤，对房颤的诊断和治疗有积极意义。意义。意义。

【技术实现步骤摘要】
基于血压测量脉搏震荡波特征分析的房颤检测方法和装置


[0001]本专利技术属于信号检测及医疗电子
，尤其涉及一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置。

技术介绍

[0002]心房颤动(Atrial Fibrillation,AF)简称房颤，是一种临床上常见的心律失常疾病，其引起的脑卒中，心脏功能恶化是导致患者致残、致死的重要原因。
[0003]临床上，房颤的检测需要患者到医院进行多次长时间的心电图检查，其中心电图检查设备价格高昂，穿戴舒适度低，并且需要医生对心电图结果进一步诊断，这种方法费时费力，还容易受到“检测时未发病，发病时未检测”的影响，对医生和患者造成负担。可穿戴式设备具有便携性，易操作性，舒适性，节约成本的特点，能够很好的解决以上问题。可穿戴式设备通过在日常生活当中实时监测用户的生理信号，并对用户的生理信号进行特征分析，生成用户健康状况的报告，逐渐成为了广大患者的主要选择。目前的房颤检测算法分为深度学习和传统算法两种类型；前者大多都基于各种神经网络，这种算法复杂度高，因此对设备的算力有很高的要求，目前来说并不适用于可穿戴式设备；传统的房颤检测算法在特征选择上大多使用基于RR间期序列及相关衍生参数指标，这种方法在心电信号上较为有效，但不同于心电信号，脉搏震荡波信号在实际测量时会受到心脏射血能力的影响，当房颤发生时，心房发出快速并且不规则的颤动，影响了心脏的射血功能，导致脉搏震荡波的主波峰幅值大幅下降，部分情况下脉搏震荡波主波峰值和前一个脉搏震荡波的重搏波融合，使得基于RR间期序列的房颤检测方法的准确率下降，所以基于RR间期序列的房颤检测方法不能确保在脉搏震荡波上的适用性和准确性，因此提出研究一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，通过在患者合适的身体部位测量脉搏震荡波信号，持续适宜的时间，确保房颤检测的舒适性和易操作性，再提取多种特征参数，生成准确的房颤检测结果，辅助患者对房颤的进行预防和治疗，并为医生提供房颤发生具体情况和诊断依据，这对房颤的预防和治疗有着积极的意义。

技术实现思路

[0004]技术问题：
[0005]本专利技术需要解决对于脉搏震荡波，基于RR间期序列的房颤检测方法不能够确保适用性和准确性的问题，实现以低复杂度的算法提取包括RR间期序列在内的多种特征参数，并基于阈值判断实时检测房颤，最终输出房颤检测结果，辅助患者对房颤的进行预防和治疗，并为医生提供房颤发生具体情况和诊断依据的目标。
[0006]技术方案：
[0007]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于血压测量脉搏震荡波特征分析的房颤检测方法和装置，在完成脉搏震荡波的采集后，对采集到的信号滤波去噪、去除基线；然后对房颤片段进行初步定位，并筛除早搏信号，再对筛除早搏信号的房颤
片段进一步提取特征，计算对应指标，得到准确的房颤检测结果，并将房颤检测结果通过显示模块实时显示。
[0008]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0009]一种基于血压测量脉搏震荡波特征分析的房颤检测方法，包括以下步骤：
[0010]S1:在血压测量过程中，获取脉搏震荡波波形信号，对脉搏震荡波信号进行预处理，包括：滤波去噪、去除基线；
[0011]S2:对处理好的脉搏震荡波信号进行房颤片段初步定位，用处理好的脉搏震荡波进行峰值点检测，由此得到RR间期序列，并在此基础上计算相邻RR间期差值
△
RR，计算出异常值
△
RR的占比，结合阈值判断，初步定位房颤片段；
[0012]S3:对初步定位的房颤片段进行下一步的特征点检测，提取出波谷间期序列，计算相邻波谷间期差值，基于波谷间期序列连续异常的心拍个数筛除早搏信号，缩小房颤片段范围；
[0013]S4:对筛除早搏的信号进行多特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于所有已提取特征得到的多个一维数组，分别计算相对应指标，结合阈值判断，得出房颤检测结果，具体阈值可按照精度要求进行选取；
[0014]S5:将脉搏震荡波和房颤检测结果存储在本地存储模块，并在显示模块上实时显示，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。
[0015]进一步地，计算
△
RR并对其进行时间单位转化，计算
△
RR大于20ms，并且异常值
△
RR占比大于75％，计算
△
RR大于50ms，并且异常值
△
RR占比大于60％，初步定位房颤片段。
[0016]进一步地，计算相邻波谷间期序列差值，对其进行时间单位转化，并设置异常值A，将连续波谷间期序列差值大于A ms的心拍个数记为B，并设置阈值C，根据所需精度来对C进行赋值，当初步定位房颤片段B<C时，判断为早搏信号，对该早搏信号进行筛除；当初步定位房颤片段B≥C时，保留该信号，进行下一步的特征提取。
[0017]进一步地，对初步定位房颤信号进行下一步的特征提取，包括主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，结合已提取特征波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组对以上X
i
(i＝1,2,3,4,5)计算以下指标，包括：连续间期差异变化系数CVSD,变异系数CVNNI,相邻间期差大于50ms占总间期比PNNI_50,庞加莱图短轴长SD1；基于阈值判断，得出房颤检测结果，包括房颤持续时长和发生频率。
[0018][0019]其中，代表间期差分的均方根值；
[0020]代表间期标准差值；
[0021]代表间期均值，n为间期个数；
[0022]代表间期值，n为间期个数；
[0023]SD1代表以ΔX
i,j
为x轴横坐标，ΔX
i,j+1
为y轴纵坐标描点画图；所得到沿着直线Y＝
‑
X+2*Mean_X
i
直线方向上，用于量化庞加莱图形状的庞加莱图短轴。
[0024]一个或多个实施例提供了一种基于血压测量脉搏震荡波特征分析的房颤检测装置，包括：信号采集模块，房颤诊断模块，本地存储模块，显示模块。其中房颤诊断模块包括：信号预处理模块，房颤信号初步定位模块，早搏信号筛除模块，房颤信号分析模块。
[0025]所述信号采集模块，用于获取血压测量过程中的脉搏震荡波，其采集方法可为示波法；
[0026]所述信号预处理模块，获取来自信号采集模块的脉搏震荡波，通过信号调理电路和MCU，将获取的脉搏震荡波滤波去噪、去除基线漂移；
[0027]所述房颤信号初步定位模块，采用预处理之后的脉搏震荡波进行特征点检测，提取RR间期序列，基于RR间期序列初步定位房颤；
[0028]所述早搏信号筛除模块，基于波谷间期序列差值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，包括以下步骤：S1:在血压测量过程中，获取脉搏震荡波波形信号，将脉搏震荡波信号进行预处理，包括：滤波去噪、去除基线；S2:对处理好的脉搏震荡波信号进行房颤片段初步定位，用处理好的脉搏震荡波进行峰值点检测，由此得到RR间期序列，并在此基础上计算相邻RR间期差值ΔRR，计算出异常值ΔRR的占比，结合阈值判断，初步定位房颤片段；S3:对初步定位的房颤片段进行下一步的特征点检测，提取出波谷间期序列，计算相邻波谷间期差值，基于波谷间期序列连续异常的心拍个数筛除早搏信号，缩小房颤片段范围；S4:对筛除早搏的信号进行多特征提取，包括：主波峰高度，重搏波峰值，主波峰高度1/5处脉宽；基于所有已提取特征得到的多个一维数组，分别计算相对应指标，结合阈值判断，得出房颤检测结果，具体阈值按照精度要求进行选取；S5:将脉搏震荡波和房颤检测结果存储在本地存储模块，并在显示模块上实时显示，包括房颤发生次数、房颤发生时间、每次持续时间等，结合之前已记录的房颤检测结果，对房颤的类型做出诊断，并判断房颤情况走向，给出建议。2.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，脉搏震荡波信号来自可穿戴式血压测量设备，以及其他各种形式设备，包括非接触式血压检测设备。3.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，计算ΔRR大于20ms，并且异常值ΔRR占比大于75％，计算ΔRR大于50ms，并且异常值ΔRR占比大于60％，初步定位房颤片段。4.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，基于脉搏震荡波波谷间期序列差值连续出现异常值的心拍个数，筛除早搏信号，缩小房颤片段范围。5.根据权利要求1所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，提取了脉搏震荡波的多个特征，包括：主波峰高度，重搏波峰值，主波峰高度1/5处脉宽，波谷间期序列，RR间期序列，同时包含了脉搏震荡波的节律变化和波形形态，分别得到一维数组进行指标计算。6.根据权利要求5所述的基于血压测量脉搏震荡波特征分析的房颤检测方法，其特征在于，指标包括连续间期差异变化系数CVSD，变异系数CVNNI，相邻间期差大于50ms占总间期比PNNI_50，庞加莱图短轴长SD1；基于阈值判断，得出房颤检测结果，包括房颤持续时长和发生频率；所...

【专利技术属性】
技术研发人员：刘澄玉，丁涵宇，李昱旻，唐昊，李建清，
申请(专利权)人：东南大学，
类型：发明
国别省市：