RR间期

摘要： 针对目前检测动脉硬化程度需要昂贵的设备以及专业操作人员的现状,本研究提出了基于机器学习的动态动脉硬化指数(ambulatory arterial stiffness index,AASI)估计方法。从UCI Machine Learning公共数据库获取患者的光电容积脉搏波信号、心电信号以及动脉血压信号,将其预处理后求得作为机器学习模型的特征值。使用随机森林模型进行AASI的估计,并将最优的回归模型送入遗传算法(genetic algorithm,GA)筛选最优特征子集,完成AASI的估计。实验结果表明,经过GA的特征子集优化,随机森林模型的MAE从0.0974减少至0.0855。对所得结果进行统计学分析后,发现本研究方法针对高血压患者时表现不佳,后续将进一步优化模型,以提高性能。

摘要： 针对可穿戴睡眠监测缺乏有效的自动睡眠分期和睡眠质量评价方法这一问题,提出一种适用于睡眠呼吸暂停综合征患者的自动睡眠分期方法。通过心电图R-R间期序列,分别得到心率变异性、呼吸幅度变异性和呼吸率变异性信号。以此为基础,提取时域、频域及非线性特征共55个。利用门控循环单元网络,分别构建清醒-睡眠二分类、清醒-快速眼动-非快速眼动睡眠三分类、清醒-快速眼动-浅睡-慢波睡眠四分类、清醒-快速眼动-非快速眼动Ⅰ-Ⅱ-Ⅲ期五分类等共4个不同分类粒度的睡眠分期模型;采用损失函数类别加权方法,有效降低数据非平衡对分期结果的影响。验证数据来自SHRS数据库的274例患者。借助准确率、Cohen′s Kappa系数和睡眠结构指标对该睡眠分期方法进行性能评价。结果表明4个分类器的准确率分别为85.06%、75.44%、63.80%、62.13%,Cohen′s Kappa系数达到了0.54、0.49、0.41、0.41,睡眠结构分析评估与临床结果之间的差异无统计学意义。所提出的方法基本满足睡眠质量评估的需求,适用于可穿戴睡眠监测应用。

摘要： 个体差异性对生理信号状态识别具有较大的影响.在实际应用中,解决个体差异性所遇到的问题是新个体数据难以获得与网络模型适应新个体需要大量的新个体数据之间的矛盾.本文从此处入手运用迁移学习的思想将MK-MMD加入全卷积网络中得到深度适配网络,在使用RR间期识别睡眠静息状态的应用中让网络模型可以通过少量无标签的新个体数据使网络模型达到自适应的效果.深度适配网络较全卷积网络在新个体上的准确率增加了12.27％的准确率,且准确率均提升至80％以上.在解决个体差异性的问题上,深度适配网络优于传统网络模型.且在实际应用中提供了一种不用大量采集新个体的数据就能解决个体差异性的新思路.

摘要： 论证动态散点图结合瀑布图可更快速、准确、全面地诊断阵发性心房颤动.阵发性心房颤动散点图特征是窦性心律的棒球拍形加心房颤动的扇形或类似扇形,瀑布图的表现是P峰带消失加R峰带上下呈不规则的花色条带.散点图加瀑布图可实现从整体到部分高效率地诊断阵发性心房颤动,降低误诊与漏诊率.

摘要： 阵发性室上性心动过速(PSVT)发作时出现R-R间期长短交替现象并非罕见,其电生理机制复杂,往往给诊断带来困难。本文报告1例R-R间期长短交替的心动过速,电生理检查发现房室结快慢径交替作为前传支参与了房室折返性心动过速(AVRT)的发作。

摘要： 房颤(Atrial fibrillation,AF)的患病率会随年龄的增加而增加,复发率也极高,因此提出一种快速准确检测AF的算法十分必要.本文基于第四统计力学原理,结合心脏系统的混沌性质与阴阳特性,提出区分AF和正常窦性心律(Normal sinus rhythm,NSR)的量化方法.首先以R-R间期数据构建嵌入维度为6、延时从1至30的相空间,依次得到对应的概率密度函数(Probability density function,PDF)图;然后以PDF图的横轴作为强度ξ,纵轴概率的累加和作为分布函数x,利用ξ-x的对应关系拟合出第四统计力学参数k值;最后将得到的k值做微分累加得到Ksd值,发现Ksd=0.3可作为区分AF和NSR的重要参数.本研究不仅能以阴阳特性描述的方式区分出AF和NSR,也为第四统计力学的探索打开了新途径,并且对未来准确快速检测AF提供重要依据,对AF早期干预与改善患者预后至关重要.

摘要： 心脏是人体的重要器官,存在特殊的电生理机制,可呈现出多种形式的心电图.目前,临床对于心脏电生理现象的监测方法呈多样化,其中Lorenz散点图是近年研究热度较高的一种检查方法.Lorenz散点图是以大量连续心电波为数据,在二维坐标系中将连续的RR间期序列转化成的一张散点图形,能够直观、准确地从整体角度观察全部心搏信息,从而获取常规动态心电图分析方法无法观察的信息.本文就Lorenz散点图在心血管疾病中的应用进行综述,并指出其在心房颤动、心房扑动、并行心律、期前收缩等心律失常鉴别中具有明显优势.

摘要： 目的 探讨低心率和高心率冠状动脉血管CT造影图像质量最佳的R-R间期期相.方法 选取2017年6月至11月在我院行冠状动脉血管CT造影检查的60例患者,分为低心率组(HR≤70次/分)和高心率组(HR>70次/分)各30例;在20％～80％的R-R间期曝光,每隔5％间隔进行重建,对不同R-R期相的冠状动脉图像质量进行评分,测定低心率和高心率组图像质量最佳期相以及与最佳期相无统计学差异的期相.结果 低心率组中右冠状动脉(RCA)、左主干(LM)、前降支(LAD)、回旋支(Cx)图像质量最佳期相均位于75％R-R期相.高心率组中RCA的最佳期相在45％R-R间期,LM最佳期相在40％R-R间期,LAD、Cx的最佳期在45％R-R间期;与最佳期相无统计学差异的期相:RCA在40％R-R间期,LM在35％和50％R-R间期,LAD在35％和40％R-R间期,Cx在40％R-R间期(P70次/分的冠状动脉血管CT造影最佳曝光期相在35％～45％R-R间期.

摘要： Framinghan的一项长达26年的前瞻性研究显示,75％的猝死是心源性猝死(sudden cardiac death,SCD).而发生心源性猝死患者中有88％是因突发恶性心律失常[即室性心动过速(简称室速)、心室颤动(简称室颤)]死亡.在中国每年发生心源性猝死的患者为54.4万,平均每分钟就有1人发生心脏性猝死,且随着社会老年化发展进程,其发生率仍有增高趋势,院外发生心源性猝死抢救成功率不到15％.因此理想的危险分层技术,如何预警和早期识别可能发生猝死的患者显得尤为重要.对心律失常性碎死患者进行远期风险评估时，需要考虑到进行危险分层的目标。在诸多危险分层技术中，仅采用单一指标对高危患者进行预警存在一定局限性。RR间期相关指标的联合应用有助于识别LVEF不降低但碎死风险仍高的患者，对于精确筛选需要植入ICD的患者具有重要临床意义。

摘要： Framinghan的一项长达26年的前瞻性研究显示,75％的猝死是心源性猝死(sudden cardiac death,SCD).而发生心源性猝死患者中有88％是因突发恶性心律失常[即室性心动过速(简称室速)、心室颤动(简称室颤)]死亡.在中国每年发生心源性猝死的患者为54.4万,平均每分钟就有1人发生心脏性猝死,且随着社会老年化发展进程,其发生率仍有增高趋势,院外发生心源性猝死抢救成功率不到15％.因此理想的危险分层技术,如何预警和早期识别可能发生猝死的患者显得尤为重要.对心律失常性碎死患者进行远期风险评估时，需要考虑到进行危险分层的目标。在诸多危险分层技术中，仅采用单一指标对高危患者进行预警存在一定局限性。RR间期相关指标的联合应用有助于识别LVEF不降低但碎死风险仍高的患者，对于精确筛选需要植入ICD的患者具有重要临床意义。

摘要： Framinghan的一项长达26年的前瞻性研究显示,75％的猝死是心源性猝死(sudden cardiac death,SCD).而发生心源性猝死患者中有88％是因突发恶性心律失常[即室性心动过速(简称室速)、心室颤动(简称室颤)]死亡.在中国每年发生心源性猝死的患者为54.4万,平均每分钟就有1人发生心脏性猝死,且随着社会老年化发展进程,其发生率仍有增高趋势,院外发生心源性猝死抢救成功率不到15％.因此理想的危险分层技术,如何预警和早期识别可能发生猝死的患者显得尤为重要.对心律失常性碎死患者进行远期风险评估时，需要考虑到进行危险分层的目标。在诸多危险分层技术中，仅采用单一指标对高危患者进行预警存在一定局限性。RR间期相关指标的联合应用有助于识别LVEF不降低但碎死风险仍高的患者，对于精确筛选需要植入ICD的患者具有重要临床意义。

摘要： Framinghan的一项长达26年的前瞻性研究显示,75％的猝死是心源性猝死(sudden cardiac death,SCD).而发生心源性猝死患者中有88％是因突发恶性心律失常[即室性心动过速(简称室速)、心室颤动(简称室颤)]死亡.在中国每年发生心源性猝死的患者为54.4万,平均每分钟就有1人发生心脏性猝死,且随着社会老年化发展进程,其发生率仍有增高趋势,院外发生心源性猝死抢救成功率不到15％.因此理想的危险分层技术,如何预警和早期识别可能发生猝死的患者显得尤为重要.对心律失常性碎死患者进行远期风险评估时，需要考虑到进行危险分层的目标。在诸多危险分层技术中，仅采用单一指标对高危患者进行预警存在一定局限性。RR间期相关指标的联合应用有助于识别LVEF不降低但碎死风险仍高的患者，对于精确筛选需要植入ICD的患者具有重要临床意义。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本文以早复极综合征为研究对象，总结了该病的类型，探讨了该病的危险分层，论述了ERS波形与RR间期的关系，研究证实了关于迷走神经张力增加可以增高ERS患者J波幅度的推测，以及在恶性室性心律失常发作前常合并J波振幅动态增高的现象。

摘要： 本发明公开了一种基于RR间期空间特征的房颤分类方法、装置及系统，其方法包括：获取固定时长的RR间期序列，对所述RR间期序列进行预处理；对所述预处理后的RR间期序列进行滑窗切割获取RR间期序列对应的多维数据矩阵，对所述多维数据矩阵进行傅里叶变换获取其多维空间相位数据；基于主成分分析法对所述多维空间相位数据进行降维，对降维后的数据进行特征提取，获得特征矩阵；将所述特征矩阵输入至房颤分类模型，获取房颤预测概率；将所述预测概率与预设房颤划分阈值对比，确定房颤预测结果；本方法有效地获取房颤心律与其他类型心律在RR间期空间特征上的差异，有效实现了房颤识别。

摘要： 本发明实施例公开了一种RR间期心电数据分布显示方法，包括：从动态心电图中提取RR间期，并将RR间期按照预设时间间隔进行划分，得到N个子RR间期；获取RR间期的心电数据，其中，心电数据包括至少两种心搏类型和每种心搏类型对应的心搏数量；遍历每个子RR间期的心电数据，将同一种心搏类型对应的心搏数量进行累加求和运算，得到N个子RR间期中每种心搏类型的心搏数量；以分布图的形式将N个子RR间期中每种心搏类型的心搏数量和心搏类型进行显示，该方法能够直观地反映各种心搏类型的分布情况、各种心搏类型的分布比例和对应范围，从而直观地展示了RR间期心搏信息，为医生对心律事件的决策提供参考，提高医生对心律事件的诊断效率。

摘要： 本发明涉及一种基于驾驶人心电RR间期的驾驶疲劳判别方法，该方法包括：驾驶人心电信号的采集及心电RR间期的提取；根据基于心电RR间期序列的平稳性模型计算对应序列结构残差；根据一阶自相关模型计算自回归残差序列对应于各个时刻的自回归残差；根据条件方差的GARCH(1,1)模型计算条件方差序列中对应于各个时刻的条件方差；根据对应于当前时刻的条件方差判别驾驶人的疲劳等级是否变化。本发明解决了现有技术中驾驶疲劳判别主观性过强，以及因个体差异导致的判别标准不同的问题，具有较强的客观性强及普遍适用性。

摘要： 本发明涉及一种评估心电图波形的RR间期不规则程度的方法，包括如下步骤：得到第一心电图波形；得到所述第一心电图波形中的RR间期序列；对所述第一心电图波形中的RR间期序列进行重采样处理，得到设定数量的RR间期差，并对得到的间期差进行归一化处理；依据所述归一化后的间期差得到其概率分布密度，并依据得到的概率分布密度得到所述心电图波形的RR间期不规则程度。本发明还涉及一种实现上述方法的装置。实施本发明的评估心电图波形的RR间期不规则程度的方法及装置，具有以下有益效果：使得采用该方法得到的RR间期的不规则程度能够较为准确，更接近于真实情况。

摘要： 本发明涉及心电数据技术领域，具体公开了一种基于RR间期比值散点图、对异位心拍快速定位及批量处理，加快动态心电数据分析诊断的动态心电数据处理方法，包括对动态心电图的原始数据的QRS波检测，提取波形特征，根据特征对心拍分类；遍历QRS波数据，采用差分法获取并存储所有心拍的RR间期值；以步骤S2获取的当前心拍的RR间期与前一心拍的RR间期的比值作为横坐标，以后一心拍的RR间期与当前心拍的RR间期的比值作为纵坐标，逐一心拍绘制得到RR间期比值散点图；选取RR间期比值散点图上异位特征明显的多个心拍进行批量处理，完成动态心电图的心拍处理作业。及一种与该处理方法对应的处理装置。

摘要： 本发明公开了一种基于RR间期空间特征的房颤分类方法、装置及系统，其方法包括：获取固定时长的RR间期序列，对所述RR间期序列进行预处理；对所述预处理后的RR间期序列进行滑窗切割获取RR间期序列对应的多维数据矩阵，对所述多维数据矩阵进行傅里叶变换获取其多维空间相位数据；基于主成分分析法对所述多维空间相位数据进行降维，对降维后的数据进行特征提取，获得特征矩阵；将所述特征矩阵输入至房颤分类模型，获取房颤预测概率；将所述预测概率与预设房颤划分阈值对比，确定房颤预测结果；本方法有效地获取房颤心律与其他类型心律在RR间期空间特征上的差异，有效实现了房颤识别。

摘要： 本发明公开了一种基于RR间期心电数据和集成学习的房颤节律识别方法，对心电RR间期的数据进行特征提取，融合LightGBM和LSTM算法，采用集成学习的方式进行训练和测试，用以识别样本是否发生房颤节律，包括：特征提取和集成学习，具体包含统计学特征和时频特征；分类算法：通过提取的统计学特征，采用LightGBM算法进行分类并得到预测概率P1，通过提取的时频特征，采用LSTM算法进行分类得到预测概率P2；融合策略：通过加权平均法融合计算出最终的预测概率P，根据P的大小进行阈值判定，测试样本是否为房颤节律。本发明在测试集上经过10次交叉验证，所提出的集成学习分类算法的准确率达97.14％。

摘要： 本发明实施例公开了一种RR间期心电数据分布显示方法，包括：从动态心电图中提取RR间期，并将RR间期按照预设时间间隔进行划分，得到N个子RR间期；获取RR间期的心电数据，其中，心电数据包括至少两种心博类型和每种心博类型对应的心博数量；遍历每个子RR间期的心电数据，将同一种心博类型对应的心博数量进行累加求和运算，得到N个子RR间期中每种心博类型的心博数量；以分布图的形式将N个子RR间期中每种心博类型的心博数量和心博类型进行显示，该方法能够直观地反映各种心博类型的分布情况、各种心博类型的分布比例和对应范围，从而直观地展示了RR间期心博信息，为医生对心律事件的决策提供参考，提高医生对心律事件的诊断效率。

摘要： 本发明基于RR间期和多特征值的房颤分类方法，提取房颤信号的有效特征，属于信号处理领域。其特点在于包括以下步骤：1）进行心电信号RR间期的获取与分段；2）提取表征房颤段与非房颤段RR间期的特征向量；3）训练分类器模型用于预测输入样本标签。与现有的心电信号识别方法相比较，本发明从多角度对RR间期进行特征分析——离散程度、分布形态、复杂度，并且在各角度分析中选择较有效的参数进行特征表征，在MIT‑BIH房颤数据库中实现了95.81%的灵敏度、96.48%的特异度和96.09%的准确率，在MIT‑BIH窦性心律数据库中实现了95.16%的特异度，对实时分析处理房颤有着重要意义。

摘要： 本发明公开的一种动态心电图中房颤与非房颤RR间期节律的边界检测方法，其步骤如下：首先根据检测的心拍位置计算得到RR间期序列；然后，计算RR间期的差分值序列，并对每个得到的RR间期差分值分别计算其前、后向的直方图序列；接着，计算前、后向直方图序列的差异得到RR间期差异变化值序列；通过检测RR间期差异变化值序列的峰值点，最终可得到房颤与非房颤RR间期节律的边界点位置。本发明的检测方法能够准确定位房颤与非房颤的边界，从而更有效地辅助医生快速进行相关诊断。