基于心电图的处理方法及处理系统与流程

本发明涉及医疗技术领域，特别是涉及一种基于心电图的处理方法及处理系统。

背景技术：

房颤是最常见的心律失常疾病之一，随着年龄的增长，发病率逐年增加，常致死致残，增加经济及生活负担。近年来，房颤射频消融技术不断进步和完善，阵发性房颤的手术成功率有了明显提升，但对于持续性房颤的疗效仍不尽如人意。筛选适合进行房颤射频消融治疗的患者具有重要意义，对于心房基质的评估往往影响着治疗方案的选择，心房基质差，房颤射频消融成功率低，相反，则可获得较好的治疗效果。不同心房基质在心电图上可表现为房颤波的周长的变化。国内外多项研究中也证实房颤波周长可能在一定程度上反应心房基质的情况，给临床医师的治疗策略选择提供有用的信息和依据。既往研究中应用心电图对房颤波的周长的测量方法为手动测量多个房颤波，需2名以上的医生手动测量，取30个清晰的房颤波，取平均值，测量过程中需要人为避开qrs波和t波的干扰，存在测量误差，且耗时、费力，降低了心电图房颤波周长对心房基质评估的应用。

技术实现要素：

(一)要解决的技术问题

本发明实施例的目的是提供一种基于心电图的处理方法及处理系统，以解决现有技术中存在的依靠医生手动测量房颤波导致的测量误差大，费时费力的技术问题。

(二)技术方案

为了解决上述技术问题，本发明实施例提供一种基于心电图的处理方法，包括：

s1、获取心电图并根据所述心电图识别房颤心律并记录房颤波；

s2、将所述s1中的所述房颤波的振幅放大；

s3、对所述s2中放大振幅后的所述房颤波筛选并得到筛选房颤波；

s4、对所述s3中的所述筛选房颤波计算，获取所述筛选房颤波的周长并对所述周长取平均值得到房颤波平均周长。

其中，在所述s3和所述s4之间还包括：

s31、对于各个导联进行测算，所述导联的测算步骤包括：依次实施所述s1至所述s3，以获取所述导联的房颤波，用以将多个房颤波的起点和终点进行比对校正。

其中，所述s4中的所述对所述s3中的所述筛选房颤波计算包括：对所述s3中的所述筛选房颤波计算房颤波周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率；

在所述s4之后还包括：

s5、将所述s3中的筛选房颤波和所述s4中计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据发送至医院门诊及住院系统中，与门诊及住院信息进行匹配并保存。

其中，在所述s5之后还包括：

s6、将所述s5中匹配的门诊及住院信息以及所述筛选房颤波和计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据上传至云端数据库进行对比分析。

其中，在所述s2和所述s3之间还包括：

s21、对所述s2中放大振幅后的所述房颤波进行滤波操作以降低干扰和心电噪声。

其中，在所述s2中，所述房颤波的振幅放大倍数取值范围为20-50倍。

本发明实施例还公开了一种根据本发明实施例的基于心电图的处理方法的处理系统，包括：依次电连接的识别和记录模块、放大模块、处理模块和计算模块；其中，

所述识别和记录模块，用于获取心电图并根据所述心电图识别房颤心律并记录房颤波；

所述放大模块，用于将记录的所述房颤波振幅放大；

所述处理模块，用于将放大振幅后的所述房颤波筛选并得到筛选房颤波；

所述计算模块，用于计算所述筛选房颤波的房颤波周长，并对所述房颤波周长取平均值得到房颤波平均周长，还用于计算房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率。

其中，还包括校正模块，所述处理模块通过所述校正模块与所述计算模块电连接，所述校正模块用于获取各个导联的房颤波的起点和终点，用以将多个房颤波的起点和终点进行比对校正。

其中，还包括发送模块，所述识别和记录模块、所述计算模块通过所述发送模块与医院门诊及住院系统通讯连接，所述发送模块用于将所述筛选房颤波和计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据发送至所述医院门诊及住院系统中，与门诊及住院信息进行匹配并保存。

其中，还包括云端数据库，所述云端数据库与所述医院门诊及住院系统通讯连接，将保存在所述医院门诊及住院系统内的所述筛选房颤波以及计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据上传至云端数据库进行对比分析。

(三)有益效果

本发明实施例提供的一种基于心电图的处理方法及处理系统，通过在心电图机内部集成算法程序模块对房颤波进行处理，通过算法代替人工测算的方式，能够提高测算准确率，省时省力；本发明实施例通过心电图对房颤波的关键信息进行分析，心电图提供的房颤波周长对于心房基质的评估、房颤研究具有较高价值，提高了心电图检查的价值。

附图说明

图1为本发明实施例的基于心电图的处理方法的流程图；

图2为本发明实施例的基于心电图的处理方法的处理系统的模块图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明，但不用来限制本发明的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

值得注意的是：本文中提到的“电连接”可以为通过电缆进行信号传输的电子连接，“通讯连接”可以为有线或通过4g/5g、蓝牙或wifi协议的无线通讯连接。

如图1所示，本发明实施例公开了一种基于心电图的处理方法，包括：

s1、获取心电图并根据心电图识别房颤心律并记录房颤波；

s2、将s1中的房颤波的振幅放大；

s3、对s2中放大振幅后的房颤波筛选并得到筛选房颤波；

s4、对s3中的筛选房颤波计算，获取筛选房颤波的周长并对周长取平均值得到房颤波平均周长。

具体地，s1中可通过心电图机获取心电图，从心电图中识别出房颤心律，并根据该房颤心律记录多个房颤波，可根据持续的心电记录选取30个房颤波形进行后续处理。当p波消失，代之以f波(小而不规则的基线波，形态和振幅均变化不定)，频率为350-600次/分，即可判断为房颤。

s2中对房颤波进行处理，将房颤波的振幅放大，以便观测和精确计算。

s3中对振幅放大处理后的房颤波筛选出合适的房颤波，例如：其中某个房颤波与qrs波或t波重叠,无法准确测量周长,则该房颤波被剔除，不作为房颤波计算的依据。选择出筛选好的房颤波，作为后续计算的依据。

s4中对筛选房颤波计算并得到房颤波平均周长、周长单位时间变异率、振幅和振幅变异率，以供参考。

本发明实施例通过对心电图经过上述步骤处理，以得到房颤波以及房颤波的各种重要数据，作为心房基质的评价指标之一，为科研研究、分析和预测提供依据；结合心脏超声的左房大小、房颤持续的时间、心脏核磁的心房延迟强化比例等因素对是否适合房颤射频消融手术进行评估和预判。

本发明实施例提供的一种基于心电图的处理方法，通过在心电图机内部集成算法程序模块对房颤波进行处理，通过算法代替人工测算的方式，能够提高测算准确率，省时省力；本发明实施例通过心电图对房颤关键信息进行分析，心电图提供的房颤波周长对于心房基质的评估、房颤研究具有较高价值，提高了心电图检查的价值。

其中，在本实施例中，s3和s4之间还包括：

s31、对于各个导联进行测算，导联的测算步骤包括：依次实施s1至s3，以获取各导联的房颤波，用以将多个房颤波的起点和终点进行比对校正。具体地，在本实施例中每个导联的心电图均依照步骤s1至s3中实施，最终取得各个导联的平均房颤波，最终将各个房颤波的起点和终点进行校正，保证测算的准确性。起点和终点的校正方法，可通过各个导联的周长测算、起点位置和终点位置进行相互比对，对于起点和终点偏移过大的可适当根据其他导联的起点和终点进行调整，以保证最终得到相对准确的房颤波周长。具体地，此处的起点和终点的校正方法为：以房颤波起始和终止最锐利的导联作为校正标准,例如可设置起始点和终止点的斜率作为校正标准,计算出斜率最大的作为校正标准。

其中，在本实施例中，s4中的对s3中的筛选房颤波计算包括：对s3中的筛选房颤波计算房颤波周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率；

在s4之后还包括：

s5、将s3中的筛选房颤波和s4中计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据发送至医院门诊及住院系统中，与门诊及住院信息进行匹配并保存。具体地，在本实施例中，将得到的房颤波和房颤关键信息从心电图机发送至医院门诊及住院系统，与门诊及住院信息一一对应，保证患者信息(包括姓名、年龄、门诊和病床信息等等)与房颤波信息匹配，以方便医生查找和翻阅。

其中，在本实施例中，在s5之后还包括：

s6、将s5中匹配的门诊及住院信息以及筛选房颤波和计算得到的房颤波平均周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据上传至云端数据库进行对比分析。具体地，建立云端数据库，用于储存各个时期、各个患者的门诊及住院信息以及房颤波信息，可针对同一患者的不同时间的心电图情况进行对比分析，整合不同时间心电图检查的后台数据，再次进行综合分析和运算，云端数据库储存的大量房颤心电图信息，给科研研究提供依据。除给出每次心电图的房颤波周长和周长变异率数据外，还可提供综合多次心电图检查的房颤波周长、周长变异率、平均房颤波振幅、房颤波振幅变异率，对房颤情况进行动态评估、校对和预测。

其中，在本实施例中，在s2和s3之间还包括：

s21、对s2中放大振幅后的房颤波进行滤波操作以降低干扰和心电噪声。具体地，在本实施例中，可通过滤波装置对房颤波进行滤波处理，例如在滤波装置设置一定范围的赫兹，如低通50赫兹，高通500赫兹，以此降低干扰和心电噪声。

其中，在本实施例中，在s2中，房颤波的振幅放大倍数取值范围为20-50倍。在实际操作时，放大倍数可选择为40倍，依据实际要求，可选择其他数值的放大倍数。

如图2所示，本发明实施例还公开了一种根据上述实施例的基于心电图的处理方法的处理系统，包括：依次电连接的识别和记录模块、放大模块、处理模块和计算模块；其中，

识别和记录模块，用于获取心电图并根据心电图识别房颤心律并记录房颤波；

放大模块，用于将记录的房颤波振幅放大；

处理模块，用于将放大振幅后的房颤波进行筛选并得到筛选房颤波；

计算模块，用于计算筛选房颤波的房颤波周长，并对所述房颤波周长取平均值得到房颤波平均周长，还用于计算房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率。

本实施例的处理系统的各个模块均集成于心电图机内部，依靠针对心电图的处理模块代替人工处理心电图。

其中，在本实施例中，还包括校正模块，处理模块通过校正模块与计算模块电连接，校正模块用于获取各个导联的房颤波的起点和终点，用以将多个房颤波的起点和终点进行比对校正。该校正模块也集成在心电图机内部。

其中，在本实施例中，还包括发送模块，识别和记录模块、计算模块通过发送模块与医院门诊及住院系统通讯连接，发送模块用于将筛选房颤波和计算得到的平均房颤波周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据发送至医院门诊及住院系统中，与门诊及住院信息进行匹配并保存。该发送模块可将信息通过电脑与医院门诊及住院系统联网，与门诊及住院信息进行匹配。

其中，在本实施例中，还包括云端数据库，云端数据库与医院门诊及住院系统通讯连接，将保存在医院门诊及住院系统内的筛选房颤波以及计算得到的平均房颤波周长、房颤波周长单位时间变异率、房颤波振幅和房颤波振幅变异率数据上传至云端数据库进行对比分析。该云端数据库可储存大量的房颤心电图信息，可利用wifi将房颤心电图信息传输到各个联网系统中。

本发明实施例提供的一种基于心电图的处理方法及处理系统，通过在心电图机内部集成算法程序模块对房颤波进行处理，通过算法代替人工测算的方式，能够提高测算准确率，省时省力；本发明实施例通过心电图对房颤关键信息进行分析，心电图提供的房颤波周长对于心房基质的评估、房颤研究具有较高价值，提高了心电图检查的价值；并将房颤心电图信息储存在云端数据库内，进行整合分析，可用于科研研究，对于心房基质分析、动态评估、校对和预测具有较高价值。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。