本申请提供一种生理参数处理方法，包括：对预处理后的动态心电图数据进行检测，以得到其中的心搏；使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；对所述聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对所述待分类的心搏进行分类。本申请还提供相应的装置及医疗设备。本申请能够有效提高心律分类的准确率。分类的准确率。分类的准确率。
【技术实现步骤摘要】
一种生理参数处理方法、装置及医疗设备
[0001]本申请的所公开实施例涉及生物医学信号处理
，且更具体而言，涉及一种生理参数处理方法、装置及医疗设备。
技术介绍
[0002]心律失常检测方法通常为心电图检查，再根据心电图人为诊断心律失常的情况。
[0003]然而，在心律失常自动分析和检测方面，动态心电图还存在诸多挑战。动态心电图采集时间较长，使用者可进行日常活动，这样，信号容易受到如运动伪迹、基线漂移和工频干扰等噪声的影响，尤其是运动伪迹会干扰心搏检测和心律失常的识别，并且数据量较大，分析时间较长。另外，室性心律失常波形形态复杂多变，存在个体差异性。
技术实现思路
[0004]根据本申请的实施例，本申请提出一种生理参数处理方法、装置及医疗设备，以解决上述问题。
[0005]根据本申请的第一方面，公开一种实例性的心律数据处理方法，包括：对预处理后的动态心电图数据进行检测，以得到其中的心搏；使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；对所述聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对所述待分类的心搏进行分类。
[0006]在一些实施例中，所述聚类结果包括每个心搏所从属的模板以及从属所述模板的心搏个数，其中所述心搏个数的倒数表示所述心搏的匹配度。
[0007]在一些实施例中，所述对所述聚类结果进行伪差检测，确定待分类的心搏，包括：获取预设时间区间内的心搏数据；确定所述预设时间区间内的心搏匹配度，其中所述预设时间区间内的心搏匹配度为所述预设时间区间内每个心搏的匹配度之和；若所述预设时间区间内的心搏匹配度满足预设值，则所述预设时间区间内的心搏确定为待分类的心搏。
[0008]在一些实施例中，还包括：构建神经网络分类器，其中，所述神经网络分类器包括输入层、隐含层和输出层，所述输入层的输入变量包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差，隐含层神经元数量为3，输出层神经元数量为2；将利用模糊处理后的输入变量输入到所述输入层，以执行网络训练。
[0009]在一些实施例中，所述模糊处理采用模糊隶属度函数，所述模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。
[0010]在一些实施例中，所述使用神经网络对所述待分类的心搏进行分类包括：对所述待分类的心搏进行特征提取，其中提取的特征包括QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差；将提取的特征进行模糊处理，并作为输入变量输入到所述神经网络分类器中，得到分类结果。
[0011]根据本申请的第二方面，公开一种实例性的生理参数处理装置，包括：预处理模块，用于获取动态心电图数据，并对所述动态心电图数据进行预处理；心搏检测模块，用于
对预处理后的所述动态心电图数据进行检测，以得到其中的心搏；心搏聚类模块，用于使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；伪差检测模块，用于对所述聚类结果进行伪差检测，确定待分类的心搏；以及心搏分类模块，用于使用神经网络对所述待分类的心搏进行分类。
[0012]在一些实施例中，所述聚类结果包括每个心搏所从属的模板以及从属所述模板的心搏个数，其中所述心搏个数的倒数表示所述心搏的匹配度；所述伪差检测模块具体用于：获取预设时间区间内的心搏数据；确定所述预设时间区间内的心搏匹配度，其中所述预设时间区间内的心搏匹配度为所述预设时间区间内每个心搏的匹配度之和；若所述预设时间区间内的心搏匹配度满足预设值，则所述预设时间区间内的心搏确定为待分类的心搏。
[0013]根据本申请的第三方面，公开一种实例性的医疗设备，包括处理器和存储器，所述存储器与所述处理器连接，所述存储器存储有指令，所述指令在执行时使得所述处理器执行如上述第二方面中的方法。
[0014]根据本申请的第四方面，公开一种实例性的一种非易失性存储介质，存储有指令，所述指令在执行时使得所述处理器执行如上述第二方面中的方法。
[0015]本申请的有益效果有：通过对动态心电图数据进行预处理、检测，得到其中的心搏，进而使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果，随后，通过对聚类结果进行伪差检测，确定待分类的心搏，使用神经网络对待分类的心搏进行分类，提高心律分类的准确率。
附图说明
[0016]下面将结合附图及实施方式对本申请作进一步说明，附图中：
[0017]图1是为本申请实施例的生理参数处理方法的流程图。
[0018]图2是为本申请实施例的生理参数处理方法的部分流程图。
[0019]图3是为本申请实施例的生理参数处理方法的部分流程图。
[0020]图4是本申请实施例的生理参数处理装置的结构示意图。
[0021]图5是本申请实施例的医疗设备的一结构示意图。
[0022]图6是本申请实施例的医疗设备的另一结构示意图。
具体实施方式
[0023]为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请的技术方案做进一步详细描述。
[0024]如图1所示，为本申请实施例的生理参数处理方法的流程图。该方法可由医疗设备执行，其中生理参数包括心率数据。该医疗设备可以是具有动态心电采集功能的设备，例如holter、可穿戴动态心电记录仪等，也可以是单独的数据处理设备，例如，手机等移动终端、计算机等，该方法包括以下步骤：
[0025]步骤110：获取动态心电图数据，并对动态心电图数据进行预处理。
[0026]动态心电图数据可以通过佩戴动态心电采集盒的方式来进行采集，或者动态心电图数据可以直接使用MIT-BIH心律失常标准数据库中的数据。对动态心电图数据进行预处理，去除动态心电图数据所受的一些噪声和伪迹的影响，例如工频噪声、基线漂移和肌电噪
声等。
[0027]预处理可以包括滤波，例如使用基本的数字滤波器，也可使用小波自适应阈值的方式。
[0028]步骤120：对预处理后的动态心电图数据进行检测，以得到其中的心搏。
[0029]对预处理后的动态心电图数据进行检测，以得到其中的心搏，即识别动态心电图数据中的心搏，其中QRS波是心电信号的主要成分，从而检测包括QRS波的识别和定位。在一些实施例中，QRS波检测的方法包括差分阈值法、小波模极大值法等。
[0030]步骤130：使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果。
[0031]使用模板匹配，对所有心搏进行聚类分析，具体地，初始化若干个心拍模板，计算每个心搏与某个心搏模板之间的相似性指标，若相似性指标满足阈值要求，即大于或等于预设阈值，则该心搏与该心搏模板是匹配的，若相似性指标不满足阈值要求，则新建模板或更新模板，直到分析完所有心搏。
[0032]聚类结果包括每个心搏所从属的模板以及从属模板的心搏个数。心搏个数的倒数表示该心搏的匹配度。例如，假设心搏个数为n，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种生理参数处理方法，其特征在于，包括：对预处理后的动态心电图数据进行检测，以得到其中的心搏；使用模板匹配，对所有心搏进行聚类分析，以得到聚类结果；对所述聚类结果进行伪差检测，确定待分类的心搏，以使用神经网络对所述待分类的心搏进行分类。2.如权利要求1中所述的方法，其特征在于，所述聚类结果包括每个心搏所从属的模板以及从属所述模板的心搏个数，其中所述心搏个数的倒数表示所述心搏的匹配度。3.如权利要求2中所述的方法，其特征在于，所述对所述聚类结果进行伪差检测，确定待分类的心搏，包括：获取预设时间区间内的心搏数据；确定所述预设时间区间内的心搏匹配度，其中所述预设时间区间内的心搏匹配度为所述预设时间区间内每个心搏的匹配度之和；若所述预设时间区间内的心搏匹配度满足预设值，则所述预设时间区间内的心搏确定为待分类的心搏。4.如权利要求1中所述的方法，其特征在于，还包括：构建神经网络分类器，其中，所述神经网络分类器包括输入层、隐含层和输出层，所述输入层的输入变量包括以下一种或多种：QRS波宽度、当前RR间期与前一RR间期的比值、T波方向、待分类心搏与模板心搏的幅值差和宽度差；所述隐含层神经元数量为3，所述输出层神经元数量为2；将利用模糊处理后的输入变量输入到所述输入层，以执行网络训练。5.如权利要求4中所述的方法，其特征在于，所述模糊处理采用模糊隶属度函数，所述模糊隶属度函数至少包括π型函数、梯形函数、S型函数、高斯函数中的一个。6.如权利要求4中所述的方法，其特征在于，所述使用神经网络对所述待分类的心搏进行分类包括：对所述待分类的心搏进...
【专利技术属性】
技术研发人员：李兴美，周峰，
申请(专利权)人：深圳市理邦精密仪器股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。