文摘
心电图(ECG)使用电极监测心律和识别分钟时电变化时,每一个节拍。它被用来调查特定品种的异常心脏活动,如心律失常和传导问题。检测心脏问题的最重要的工具之一是心电图(ECG)。大多数的心电图记录仍在纸上。手动心电图记录分析可以是困难和耗时。这些纸可以数码数字化心电图记录自动分析与诊断。在本文中,我们提出了一个系统数字化心电图纸,自动检测R峰,计算平均心率和发送短信时医生通过云检测异常。系统的方法上传是一个心电图图像,然后降维,在数字信号的形式特征提取,它保存在一个CSV文件格式使用MATLAB编程语言。之后,系统检索信号进一步处理的原始信号。我们使用快速傅里叶变换(FFT)算法来计算R高峰和计算心率。如果心率异常,系统发送短信给医生通过技术平台(为什么Twilio)使用Python编程语言。
1。介绍
心脏病的主要原因是高的死亡人数在世界上1]。根据世界卫生组织,全球心脏病仍然是死亡的主要原因,占16%的人死于各种原因。今天杀死更多的人比以往任何时候,心脏病的死亡人数自2000年以来上涨超过二百万,2019年达到近九百万(2]。标准检测心脏的问题之一是心电图(ECG)分析。心电图是电气动作的捕捉心脏的心脏的肌肉在一个心动周期(3,4]。的节奏去极化和复极化相关的心肌收缩的心房和心室在每个心动周期重复序列代表了不同的P, QRS,T,有条件的U波(5)(图1)。
心电图是semiperiodic、节奏和并发信号与心脏任务使用一个被动获得感官仪器函数发生器的生物信号,模拟心脏的功能(6]。内在低ECG信号和噪音信号由无数的组件由于各种环境条件如体温的变化,身体运动,和线频率(50/60 Hz),等等。由于心电图信号不能直接条件,放大,或复制,利用数字滤波技术与可配置窗口(7]。
通常情况下,临床医生视觉检查心电图信号,观察它的形式,节奏,电压。数字信号处理,结合古典或先进的机器学习,目前医学诊断中扮演着重要的角色,尤其是在心电图诊断。然而,大多数商业心电图设备不允许原始数据,所以它往往是有限的。方法这一挑战的一个方法是使用一个基于心电图图像处理的分类系统。心电图监测系统的的主要电源使用心电图数据的无线传输。因此,一个解决方案,降低了尺寸,同时保持信号质量完整性是必需的。一个高效的压缩方法能降低传输心电数据的大小。另一方面,大多数高性能压缩算法,另一方面,是复杂和能源密集型的,使它们不适合穿戴的心电图监测系统(8,9]。
这项工作的贡献如下:(一)提出了一个系统,从心电图自动提取功能纸(图像)和保存这些特性在CSV。(b)改进的R峰值检测和计算的平均心率。(c)分类正常或异常心电图。(d)收集的数据集心电信号。
剩下的部分论文的结构如下:部分2有关心电图数字化和工作吗R峰值检测。部分3介绍了拟议的系统。部分4处理结果与讨论,部分5包括结论。
2。相关工作
为了消除干扰噪声心电图信号,Kumar et al。5雇佣一个FFT-based带通滤波器。他们使用多级自适应检测峰值识别R-top ECG信号的QRS复合。拟议的技术评估使用MIT /波黑心律失常数据库。他们的方法产量99.98%的召回和99.96%的积极的生产力(PP)。
Almalchy et al。7)研究模型的有限脉冲响应(杉木)低通和高通滤波器,以及他们的特点的答复时间,收入、变形一致,和否定,定义最佳带通提名样本产生一个心电图信号,非常像一个实际患者的心脏功能。混合提名技术提出和测试。信号质量计算使用均方误差(MSE)。在实验部分的调查,使用MATLAB的信号模拟平台。传感器、无线连接模块和联系、监测和处理单元,医疗盾牌,耐磨材料,提高决策和数据提取算法都是大的项目的一部分。
Hadiyoso et al。10)用深度学习方法提供了一个基于图像的心电图分类算法。心电信号检测在这个工作是基于正常窦性心律(NSR)和过早的心室收缩(PVC)。他们使用了CNN VGG16特征提取和分类。仿真结果表明,心电图异常可以检测的准确率达到95%。Vijayakumar et al。11]使用心电图信号点和额外的图像处理特征重建人类感知的可见的线索。两个新的特色方法创建了一个模型,利用特征提取和相关成功的ECG信号检测精度,基于人眼方法。这项研究的结果是一个平均敏感性99%,特异性100%,和100%的整体精度。
Reklewski et al。12提出和验证一个极值sampling-based心电图R-peak适应实时事件的识别方法。建议技术三个主要步骤:事件驱动QRS窗口识别、检测ECG信号的极值,并等待当前QRS波群来完成。算法的性能测试记录的数据集MIT-BIH心律失常。结果如下:回忆和阳性预测率为99.55%和99.88%,分别总错误检出率为0.58%。在本文中,公园等。13)提出了一种小波变换香农能量开发一个信封(WTSEE)算法R峰启示快速心电图测试方法。建议WTSEE算法有以下步骤:执行一个WT来减少体积和噪声的ECG数据,利用香农能量信封(见)计算峰值能量包络(尿)和估计R使用尿山峰。算法的结果如下:敏感性,积极的可预测性,检测错误率,和精度是99.93%,99.91%,0.16%,和99.84%,分别。
阿卜杜拉•阿尔et Al。14)提出了动态模式选择energy-adaptive窗口大小(DMSE-AWS)的检测技术R上衣。DMSE方法用于删除QRS成分和所有nonthematic ECG信号的成分,AWS方法识别区域的关注(ZOC) QRS复合。建议的方法检测错误率为0.06%,准确性为99.94%,99.98%的回忆,和积极的预见性的99.96%。Uzair Zahid et al。15)提出一项新策略来消除这一差距通过使用多险阻的和合并一维自组织神经网络操作提供一个实时的解决方案(Self-ONNs)。他们使用一维Self-ONN层,允许我们捕捉周围的心电图波形的形状R上衣和注入临时数据根据RR。使用MIT-BIH心律失常数据集。过程产生最好的结果:正常(N)节拍(精度、召回和F1分数),结果是99.21%,99.10%,和99.15%,分别而对室上异位搏动(精度、召回和F1分数),结果是94.41%,96.10%和95.2%。
马丹et al。16基于混合]提供了一个模型深度学习2-D-CNN-LSTM呼吁披露和评级过程。本文的方法包括两个阶段:自动降噪和特征提取。收集到的调查结果表明,提出的方法正确诊断心律失常(ARR),充血性心力衰竭(CHF)和正常窦性心律(NSR), 98.7%, 99.9%,和99.9%的准确率。此外,建议平均模型的敏感性为98.33%,特异性为98.35%三心律失常。
罗宾逊和Kabari17)创建了一个模型,可以披露和分析心电信号的属性,使他们能够识别心脏非线性。使用前评级的信号,计算心脏使用高峰值的速度和间隔,他们利用FFT候选人心电图数据集可读性和消除不良的信号。大约有218000心电图数据被包含在数据集,以及患者的性别和年龄。这种方法是基于面向对象的分析和设计方法(OOADM)。MATLAB软件是用于构建系统。模型的总体效率是95%,这超过了其他可用的模型。Kouekeu et al。18)提出了一种新颖的算法QRS复合发现根据ECG信号的动力和方向。算法依赖于冷凝器阈值捕获信号功率的两个基石,这取决于信号方向检测的位置R上面。的终点站r利用峰值和心电图绕道来检测QRS复合的开始。F1的分数衡量MIT-BIH心律失常、MIT-BIH窦和MIT-BIH噪音压力是99.75%,99.84%,97.39%,和86.63%,分别。
3所示。提出了系统
该方法旨在产生一个精确的诊断心脏方面的疾病通过将纸质心电图记录转换为一维或二维信号,采用FFT技术。推荐的方法利用心电图sensor-captured图像或收集心电图纸质记录从医院或互联网。使用有效的处理方法,影子的照片删除。FFT方法是用于建立分离ECG信号的阈值后,把它从背景应用图像处理技术。阈值然后转换成数字心电图心电图图像。我们可以看到在图2建议的方法包括以下五个阶段:(1)心电图,(2)心电图数字化,(3)信号分析(FFT),(4)平均心跳,(5)云通信。
3.1。心电图采集
心电图(ECG)代表了心脏的电活动,可以通过附加电极对身体的表面。心脏的电活动捕获的记录显示了心动周期。现在,有两种方法,我们可以得到一个心电图形象:直接(实时)和间接。在实时模式下,心电图是直接取自心电图设备连接到病人的身体和扫描,而不是间接的方式,从医院收集的心电图图像作为一个心电图。大约1000心电图文件(图片)聚集从医院和互联网。
3.2。心电图数字化
最重要的方法之一来确定心脏异常心电图(ECG)。心电图记录仍主要是只能在纸上。摘要心电图记录可能是具有挑战性的和费时的手工分析。我们可以因此数字化这些纸心电图记录和自动诊断和分析。因此,在这个阶段,心电图纸转化为一维、二维信号。这个阶段包括四个步骤:作物原始心电图图像,掩蔽心电图图像,特征提取和保存心电图位数。
数字化的算法步骤如下:(我)步骤1:启动。(2)步骤2:阅读心电图。(3)步骤3:作物心电图图像(大小(高度和宽度)。(iv)步骤4:创建面具(删除网格从纸上。)(v)步骤5:R峰值检测和特征提取。(vi)第六步:1-D-ECG保存到CSV文件。
3.3。阅读心电图图像
系统读取心电图图像在这一步并显示给用户。评估病人的心率、心电图纸有12个或3线索。每个铅捕捉脉冲从身体的面积连接,图和设备显示脉冲信号,如心电图论文示例如图所示3。
3.3.1。作物心电图图像
裁剪图像包括减少其大小或改变其长宽比。它可以被删除或修改了外边界。我们使用这个阶段作物心电图图像,因为我们可以看到在心电图,其中包含的几行信号,我们需要这样做在我们系统可以数字化。图中任何位置可以选择和裁剪。我们裁剪部分将出现在小窗口见图4:
3.3.2。掩蔽心电图图像
掩模图像是任何图像中一些像素强度值为零,而另一些没有。无论掩码图像的像素强度值为零,由此产生的蒙面图片的像素强度将被设置为背景值(通常为零)。背景可以从图片删除对象的模糊边缘使用一个图像屏蔽技术。见图5,这个过程将删除网格裁剪图像。
3.3.3。R山峰和心电图的特征提取
可以识别R波峰和心电信号QRS复合物,提供关于心率和传导速度的细节。它还包括心脏的组织信息和各种异常。它提供了所需的证据使心脏疾病的诊断。因此,它吸引了大量的关注领域的心电图信号处理。然而,噪声和时变形态使检测困难。图6从最初的心电图显示峰/谷检测数据。高峰和低谷(尤其是问R和S分)这个阶段后更加明显。提取QRS波群检测特性之后,我们可以使用额外的方法进一步研究该特性。我们可以做心率变异性(HRV)分析的rr区间信号显示心脏和神经系统的状态。然而,仍有一个问题,如图6,那里的T波也清晰可见。我们将看到如何在预处理阶段解决这个问题。
3.3.4。心电图心电图图像转换为一维信号和二维心电信号
这是最后阶段心电图数字化部分。很简单的数字信号中提取心电图图像并将它们存储在文本文件(。CSV, .mat .dat)种植后,对一维、二维信号屏蔽,把网格从心电图图像,和QRS检测。作物的数量将决定的数据量可以通过数字化提取。图7显示在这个阶段收集的数据。
3.4。信号分析(FFT)
对于信号分析,这一阶段使用快速傅里叶变换(FFT)。FFT方法生成一个序列的离散傅里叶变换(DFT)。离散傅里叶变换(DFT)是一种技术将特定类型的函数序列转换成各种形式的表示。这个阶段包括五个步骤,我们将在本节中详细。
3.4.1。计算频域
信号在频域或数学函数评估而不是时间域。时域分析是研究物理信号的方法,数学函数,或经济或环境的时间序列数据的时间如图8。
3.4.2。滤波信号
过滤器是一种信号处理技术,消除了不必要的成分或特性。过滤是一种信号处理技术中,一个或多个信号弱的全部或部分。计算滤波系数,消除50 Hz屁股噪音。有许多方法来去除噪声的ECG信号;在本文中,我们使用Kaiser窗:这是一个单参数族窗口函数用于光谱分析和有限脉冲响应滤波器的设计,如图9。
3.4.3。峰值检测
在这个步骤中,系统会自动决定R高峰和标志着它,我们可以看到图10。
3.5。心率平均
心率,也称为脉冲重复频率,是一个人的心脏跳动的频率每分钟。普通成年人每分钟心跳60至100次,然而每个人的心跳速度不同。为了获得心跳的平均方程(1)和峰值的数量,我们必须首先计算的rr间隔(节拍之间的空间),将样本距离女士(1分钟= 60000毫秒)的距离,然后用60000除以rr的均值区间计算。
3.6。为什么Twilio云
为什么Twilio云通信平台,包括api用于音频、视频、短信、身份验证、和其他特性。为什么Twilio,系统会自动联系医生当它检测到危险的病人的心脏病。我们可以添加这部分如果我们做一个可穿戴设备监控病人。可穿戴设备包括AD8232心电图传感器模块与一个Arduino电路板(Arduino Uno)和杰森纳米通用微型计算机通过串口接收数据从Arduino。同样,如果我们应用该系统在医院监测患者患有心脏疾病,它提供了一个很好的服务在医院和医生和护士减少了压力。如果平均心率异常,系统可以发送SMS消息医生使用为什么Twilio云,如图11。
4所示。结果和讨论
算法性能一直在检查一组原始ECG纸(图片)。性能措施利用计算的性能提出R-peak召回或检测方法敏感性(SE)。
TP代表真阳性(真的吗R山峰正确认定为峰值)和FN代表假阴性(实际峰值没有检测到的峰值)。
我们测试我们的系统在一个心电图纸(原始图像)中提到的表1这项研究的结果发表在表2。
5。结论
大多数心血管疾病和疾病是可以避免的,然而导致死亡率上升不足治疗和误诊。因此,早期发现心律失常可以挽救病人的生命。心动过速的扰动心率(脉搏)或心律。当它节奏太快,它被称为心动过速。当它节奏太慢,它被称为心动过缓。检测进行分析和提取心电图(ECG)信号的一些特征。
本文提出了一个系统,将心电图从图像转换为数字很容易治疗。这个系统使用快速傅里叶变换(FFT)诊断和检测R高峰和心率计算通过计算平均间隔R峰值。该系统还可以发送通知护理人员或医生对于心脏病的异常情况。这个系统可以用作可穿戴设备监控病人或在医院的手术室,它可以从心电图心电图图像设备和将其转换成数字和检测R高峰和计算的平均心率容易没有医生的干预。它也可以发送短信给医生通过为什么Twilio云。这一点可以减少压力对医生与病人的疾病以及少量的医生。
数据可用性
心电图心电图数据图像,我们增加了样本img在“表1测试结果:正常与异常心电图纸”。
的利益冲突
作者宣称没有利益冲突。
补充材料
补充材料包括MATLAB代码心电图图像转换成数字并保存这些数字在一个CSV文件,然后传递给Python代码进行进一步的处理,例如R峰值检测,计算平均心脏跳动时,检测异常,并将警报发送给医生通过为什么Twilio云在危险情况下。(补充材料)