一种心电图信号处理方法及装置制造方法
【专利摘要】本发明公开了一种心电图信号处理方法及装置，用以提高睡眠分析结果的精度。所述方法，包括：获得预设时间间隔内的ECG信号数据；按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据，其中，每一采样周期内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据；根据各采样周期对应的ECG信号数据，分别确定各采样周期内的HRV特征参数。进一步地，按照预设算法分别确定各采样周期内的HRV特征向量进行处理得到滤波HRV特征向量；并合并HRV特征向量和滤波HRV特征向量。
【专利说明】—种心电图信号处理方法及装置
【技术领域】
[0001 ] 本发明涉及信号处理【技术领域】，尤其涉及一种心电图信号处理方法及装置【背景技术】
[0002]睡眠研究是睡眠学和脑电图学的重要组成部分，也是当今世界上科学研究的热点之一。精确分析睡眠的结构，可以对充分评估睡眠质量，分析睡眠障碍患者的健康情况，给出正确合理的诊断建议。
[0003]早期研究认为睡眠状态仅与脑电图(Electroencephalography, EEG)EEG的同步化慢波相联系，睡眠是一个单一进程。借助于早期的多导睡眠图(Polysomnographic,PSG),美国的Kleitman和Aserinsky (1957)发现人类的睡眠不是一个均一状态,而是有两个不同的时相周期交替:非快速眼球运动睡眠(non-rapid eye movement, NREM)和快速眼球运动睡眠(rapid eye movement, REM), 二者以是否有眼球阵发性快速运动及不同的脑电波特征相区别。REM阶段心率等体征参数不稳定，翻身等肢体动作也相对较多，属于浅睡阶段；NREM阶段心率等体征参数稳定，属于深睡阶段。
[0004]目前临床睡眠结构分析方法是分析PSG，分析需要在医院的睡眠监测室进行，采用PSG记录被测者的脑电，肢体运动，呼吸，心率，眼动等数据并进行分析，获得被测者的睡眠结构。在实际应用中，PSG存在以下问题:
[0005]1.整个过程操作复杂，耗时，专业技术要求高，检测费用高，只能在医院进行；
2.监测时需要在人体上贴近十个电极(如图1所示)，非常不舒适，佩戴后病人难以入睡；
3.患者可能不适应医院环境，加重失眠症状；4.医院睡眠监测资源有限，无法保证大部分病人的就诊，根据医院统计，在北京做一次睡眠监测需要提前3个月预约；5.睡眠障碍与其他神经症并发率高，由于国人观念作祟多不愿意就诊，而该类病人又多为社会精英阶层，注重隐私的保护，现有医疗模式不能有效保护他们的隐私权；6.偏远地区患者就诊不方便，综上，目前的睡眠监测模式远远无法满足患者的需求，家庭监测比医院监测更为切实可行，研发适合家庭使用的睡眠监测系统具有重要意义。
[0006]目前，用于家庭监测的睡眠监测系统主要通过贴在人体表面的多个电极，可以获得心电图(Electrocardiography, ECG),这些电极可以通过集成减小体积,增强便携性,例如图2a是一个胸带式的心电传感器。心电图是描述心脏跳动引起的体表电位变化的图形，其形状如图2b所示，一个心电周期主要包括Q、R、S三个重要特征点波，两个相邻周期的R波间隔就是RR间隔(R-R Interval)，通过RR间隔可以分析心率。心率变异率(Heart RateVariability, HRV)，是指人体心脏搏动周期存在的微小变异，这种变化差异能够反映人体自主神经的活性，可以反映被监测者的睡眠深度。由于HRV具有高信噪比和容易获得等特点，可以在家里以及在普通的医疗环境进行记录。
[0007]但是，目前用于家庭监测的睡眠监测系统的主要工作集中与传感器的开发和设计，以提高生理指标的量测精度，而在利用传感器采集到心电图信号进行分析以判断睡眠深度的过程中，只是进行简 单的特征提取，以提取HRV特征为例，HRV特征是一种统计特征，需要较长时间的观测数据才能准确计算。而现有睡眠监测系统采用30s的心电图数据计算HRV特征。一方面，数据量较小，特征不够稳定；另一方面，由于采样时间短，造成HRV的频域特征的分辨率不够，这样直接降低了睡眠深度分析结果的精度，无法满足实际应用需求。
【发明内容】
[0008]本发明实施例提供一种心电图信号处理方法及装置，用以提高睡眠分析结果的精度。
[0009]本发明实施例提供一种心电图信号处理方法，包括:
[0010]获得预设时间间隔内的心电图ECG信号数据；
[0011]按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据，其中，每一采样周期内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据；
[0012]根据各采样周期对应的ECG信号数据，分别确定各采样周期内的心率变异率特征向量。
[0013]本发明实施例提供一种心电图信号分析装置，包括:
[0014]获得单元，用于获得预设时间间隔内的心电图ECG信号数据；
[0015]采样单元，用于按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据，其中，每一采样周期内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据；
[0016]第一确定单元，用于根据各采样周期对应的ECG信号数据，分别确定各采样周期内的心率变异率特征向量。
[0017]本发明实施例提供的心电图信号处理方法及装置，由于在每一采样周期内，获得的ECG信号数据不仅包括当前采样周期内的ECG信号数据，还包括当前采样周期之前和/或当前采样周期之后的一定时长内的ECG信号数据，这样，能够提升频率分辨率，精确的计算ECG信号数据的低频分量，从而提高了睡眠深度分析的精度。
[0018]本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
【专利附图】
【附图说明】
[0019]此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:
[0020]图1为现有技术中，PSG睡眠监测场景示意图；
[0021]图2a为现有技术中，胸带式的心电传感器示意图；
[0022]图2b为现有技术中，心电图信号数据示意图；
[0023]图3为现有技术中，基于心电图的睡眠结构分析流程示意图；
[0024]图4为本发明实施例中，HRV频域特征计算方法原理图；
[0025]图5为本发明 实施例中，心电图信号处理方法的实施流程示意图；
[0026]图6为本发明实施例中，CS滤波实现过程示意图；[0027]图7为本发明实施例中，CS滤波的计算流程示意图；
[0028]图8为本发明实施例中，心电图信号处理装置的结构示意图。
【具体实施方式】
[0029]为了提高睡眠分析结果的精度，本发明实施例提供了一种心电图信号处理方法及装置。
[0030]以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0031]实施例一
[0032]利用心电图进行睡眠结构分析的流程如图3所示，可以包括以下部分:首先从ECG提取HRV特征向量，然后将提取到的HRV特征向量输入分类器中，其中，分类器为在特定样本上训练获得的，分类器输出结构就是睡眠状态，包括REM或者NREM。
[0033]本发明实施例中，针对上述流程中的HRV特征向量提取流程进行了改进，以提高提取到的HRV特征向量的准确性，进而使得分类器输出的睡眠状态结果更加精确。具体的，根据睡眠深度分析的相关标准，通常以30秒为单位进行分析，即按照30秒的采样周期对心电图信号数据进行采样，得到一个周期内的数据，由频率分辨率公式fo = 1/T可知(&为待求频率，T为对应周期)，由此可知，采用30秒数据得到的频率分辨率为0.03Hz，而医学研究表明，0.003Hz的信息对于衡量自主神经活性更具意义，亦即至少需要5分钟的数据才能得到低频分量。为例便于描述，本发明实施例中以提取5分钟的数据为例进行说明，具体实施时，所提取数据的时长可以多于5分钟，本发明对此不进行限定。
[0034]因此，本发明实施例中，对HRV频域特征的提取方法进行了改进，在对ECG信号数据进行采样时，按照预设的采样周期(例如可以但不限于设置为30s)进行采样，但是每个采样周期参与统计的ECG信号数据包含前采样周期内和当前采样周期之前一定时长内的ECG信号数据，或者包含当前采样周期内和当前采样周期之后一定时长内的ECG信号数据，还可以包含当前采样周期、当前采样周期之前以及当前采样周期之后一定时长内的ECG数据。如图4所示，其为HRV频域特征计算方法原理图，以5分钟内的ECG信号数据为一个单元提取频域特征为例，将其值作为当前采样周期的频域特征，每次平移30秒提取下一个频域特征值。通过加长ECG信号数据统计窗口，可以提升频率分辨率，精确的计算低频分量，描述交感神经和副交感神经的活性，从而更加准确的体现睡眠深度。
[0035]根据上述分析，如图5所示，为本发明实施例提供的心电图信号处理方法的实施流程示意图，可以包括以下步骤:
[0036]S501、获得预设时间间隔内的ECG信号数据；
[0037]具体实施时，可以根据需要分析睡眠深度的时间段来确定需要获得的ECG信号数据的时间间隔，例如，以对晚上22:00至22:05之间的睡眠深度情况进行分析为例，可以从记录的ECG信号数据中提取22:00至22:05前后的一定时间段内的ECG信号数据，假设提取21:55至22:10之间的ECG信号数据。
[0038]S502、按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据；[0039]假设设置的采样周期为30秒，具体实施时，可以分别确定22点整~Tl点30秒、22点30秒~22点零I分、22点零I分~22点I分30秒、22点I分30秒~22点零2分、22点零2分~22点2分30秒、22点2分30秒~22点零3分、22点零3分~22点3分30秒、22点3分30秒~Tl点零4分、2点零4分~Tl点4分30秒、22点4分30秒~Tl点零5分每一时间段内对应的ECG信号数据，其中，上述每一时间段内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据；以22点整~22点30秒包含的ECG信号数据为例，其可以包括21点55分30秒~22点30秒之间的ECG信号数据，也可以包括22点整~22点零5分之间的ECG信号数据，还可以包括21点57分30秒~22点零2分30秒之间的ECG信号数据，具体实施时，若某一采样周期的ECG数据既包含该采样周期之前的ESG数据也包含该采样周期之后的ECG数据时，其包含采样周期之前的ECG数据的时长和采样周期之后ECG数据的时长可以任意分配，本发明实施例对此不做限定，只要提取数据的总时长达到预设时长即可(本发明实施例中以5分钟为例)。
[0040]S503、根据各采样周期对应的ECG信号数据，分别确定各采样周期内的HRV特征向量。
[0041]具体的，针对获得的每一采样周期对应的ECG信号数据，从ECG信号数据中检测R波位置(通常来说，R波大约每800毫秒出现一次)，根据R波位置能够确定RR间隔，根据RR间隔便能够分析心率，从而得到HRV特征向量。其中，HRV特征向量可以包含12个特征向量，不同特征向量可以从不同的角度表征睡眠深度。
[0042]具体实施时，为了提高分析结果的准确性，获取ECG数据的时间间隔可以设置的长一些，假设获得1000个周期的ECG信号数据，相应地，能够获得1000个HRV特征向量，分别以HRVpHRV2……HRVm表示(m为小于等于1000的自然数)各HRV特征向量，由于每一 HRV特征向量均包含12个特征参数，则其包含的任一 HRV特征参数可以表示为HRV0lbl), HRV(m,2)，……HRV(m,n) (η为小于等于12的自然数)。则可以用以下矩阵表示上例中获得的1000个HRV特征向量:
【权利要求】
1.一种心电图信号处理方法，其特征在于，包括: 获得预设时间间隔内的心电图ECG信号数据； 按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据，其中，每一采样周期内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据； 根据各采样周期对应的ECG信号数据，分别确定各采样周期内的心率变异率HRV特征向量。
2.如权利要求1所述的方法，其特征在于，还包括: 在确定出各采样周期内的HRV特征向量之后，按照预设算法分别确定各采样周期内的HRV特征向量对应的滤波HRV特征向量；并合并HRV特征向量和滤波HRV特征向量。
3.如权利要求2所述的方法，其特征在于，所述HRV特征向量包括至少一个HRV特征参数；以及 按照预设算法确定各采样周期内的HRV特征向量对应的滤波HRV特征向量，具体包括: 针对每一采样周期内的 HRV特征向量，按照所述预设算法分别确定该HRV特征向量包含的每一 HRV特征参数对应的滤波HRV特征参数；以及 确定该HRV特征向量包含的各HRV特征参数对应的滤波HRV特征参数组成滤波HRV特征参数。
4.如权利要求2或3所述的方法，其特征在于，所述预设算法包括中央-邻域CS滤波算法。
5.一种心电图信号处理装置，其特征在于，包括: 获得单元，用于获得预设时间间隔内的心电图ECG信号数据； 采样单元，用于按照预设的采样周期对获得的ECG信号数据进行采样，获得各采样周期对应的ECG信号数据，其中，每一采样周期内的ECG信号数据包括该采样周期内以及该采样周期之前和/或该采样周期之后的、预设时长内的ECG信号数据； 第一确定单元，用于根据各采样周期对应的ECG信号数据，分别确定各采样周期内的心率变异率HRV特征向量。
6.如权利要求5所述的装置，其特征在于，还包括: 第二确定单元，用于在所述第一确定单元确定出各采样周期内的HRV特征向量之后，按照预设算法确定各采样周期内的HRV特征向量对应的滤波HRV特征向量； 合并单元，用于合并HRV特征向量和滤波HRV特征向量。
7.如权利要求6所述的装置，其特征在于，所述HRV特征向量包括至少一个HRV特征参数；以及 所述第二确定单元，包括: 第一确定子单元，用于针对每一采样周期内的HRV特征向量，按照所述预设算法分别确定该HRV特征向量包含的每一 HRV特征参数对应的滤波HRV特征参数； 第二确定子单元，用于确定该HRV特征向量包含的各HRV特征参数对应的滤波HRV特征参数组成滤波HRV特征向量。
8.如权利要求6或7所述的装置，其特征在于，所述预设算法包括中央-邻域CS滤波算法。
【文档编号】A61B5/0402GK103892822SQ201210576742
【公开日】2014年7月2日 申请日期:2012年12月26日 优先权日:2012年12月26日
【发明者】姚振杰, 张志鹏, 王俊艳, 徐青青, 许利群 申请人:中国移动通信集团公司