TWI747057B - 心律訊號處理方法、電子裝置及電腦程式產品 - Google Patents
心律訊號處理方法、電子裝置及電腦程式產品 Download PDFInfo
- Publication number
- TWI747057B TWI747057B TW108136226A TW108136226A TWI747057B TW I747057 B TWI747057 B TW I747057B TW 108136226 A TW108136226 A TW 108136226A TW 108136226 A TW108136226 A TW 108136226A TW I747057 B TWI747057 B TW I747057B
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- sub
- complex
- mentioned
- segments
- Prior art date
Links
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000004590 computer program Methods 0.000 title claims description 7
- 206010003658 Atrial Fibrillation Diseases 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims description 52
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims 1
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000013186 photoplethysmography Methods 0.000 description 113
- 238000000034 method Methods 0.000 description 52
- 238000004891 communication Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 229920000333 poly(propyleneimine) Polymers 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002600 fibrillogenic effect Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本揭露提供一種心律訊號處理方法，包括：獲取PPG訊號；執行標記操作，以判斷PPG訊號中是否存在不適當的訊號數據，並將之標記；執行第一分割操作，將不適當的訊號數據自PPG訊號中移除，並將PPG訊號分割為複數連續訊號段；找出複數連續訊號段的波峰位置；執行第二分割操作，根據所需判讀波峰數將複數連續訊號段分割為複數子訊號段；執行特徵萃取操作，取得分別對應於每段複數子訊號段的複數特徵值，其中複數特徵值與複數子訊號段之波峰與波峰間隔(PPI)有關；執行判定操作，以判定模型對複數特徵值進行判定，並決定受測者之心律是否屬於心房顫動。
Description
本揭露係有關於一種心律訊號量測方法，特別係有關於一種使用光體積描述訊號的心律訊號量測方法。
心房顫動(Atrial Fibrillation, AF)是相當常見的一種心律不整(arrhythmia cordis)現象，且心房顫動的發生率會隨著年齡的增加而升高。然而，並不是所有潛在有心房顫動的人身上都會出現心房顫動的現象，且對於一些持續型心房顫動的人們而言，他們早已習慣這些現象。對於這些沒有發現或已經習慣心房顫動的人而言，早一步醫療介入的重要性很容易就被忽略，直到發生嚴重的併發症後，才發現為時已晚。
在使用PPG的靜止訊號偵測心律不整的現行技術中，通常是先同時錄製心電圖(Electrocardiography, ECG)訊號與PPG的靜止訊號，再使用ECG訊號作為標準參考(ground truth)，以標記是否為心律不整。PPG訊號會先進行預處理以找到每個波峰的位置，在固定波峰數的條件下(通常需要至少80個以上的波峰)，計算出偵測所需的特徵值。之後再以計算出的特徵值與現有的分類方法來建構心律不整偵測模型。然而，雖然現行方法在使用靜止且訊號良好的PPG訊號的情況下能獲得不錯的結果，但仍存在明顯的限制。現行方法的PPG訊號必須處於靜止且無雜訊干擾的狀態方能得到理想的結果，倘若所用PPG訊號屬於不良訊號，則現行方法將會產生誤判。因此，本揭露實施例提供一種方法，藉由透過某些特徵自動移除不良PPG訊號，並縮短偵測心律不整所需之波峰數，以解決難以收集到長時間之靜止PPG訊號的問題，並進而使該方法易於在日常生活中執行。
本揭露實施例提供一種心律訊號處理方法，包括下列步驟。獲取光體積描述訊號(PPG)，其中光體積描述訊號係藉由光體積描述訊號感測器自受測者身上感測而取得。執行標記操作，以判斷光體積描述訊號中，是否存在不適當的訊號數據，並標記不適當的訊號數據。執行第一分割操作，將不適當的訊號數據自光體積描述訊號中移除，並將不適當的訊號數據的位置作為參考點，將光體積描述訊號分割為複數連續訊號段。找出複數連續訊號段的波峰位置。執行第二分割操作，根據所需判讀波峰數將複數連續訊號段分割為複數子訊號段，其中每段複數子訊號段所包含的波峰數，等於所需判讀波峰數。執行特徵萃取操作，取得分別對應於每段複數子訊號段的複數特徵值，其中複數特徵值係與複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值。執行判定操作，以預先建立的判定模型對複數特徵值進行判定，並根據判定結果決定受測者之心律是否屬於心房顫動。其中上述判定模型的建立，係將已區分為屬於心房顫動的複數第一類特徵值以及已區分為屬於非心房顫動的複數第二類特徵值，以分類演算法進行機器學習，以找出能將複數第一類特徵值與複數第二類特徵值兩者區隔開的決策邊界，且判定模型根據決策邊界判定一待分類特徵值之分類是否屬於心房顫動。
本揭露實施例提供一種電子裝置，用於量測心律，包括：輸入裝置、處理裝置以及儲存裝置。輸入裝置用以獲取受測者之光體積描述訊號，其中光體積描述訊號是藉由配戴於受測者身上的光體積描述訊號感測器所取得。儲存裝置用以儲存一程式，上述程式包括預先建立的判定模型，當上述程式由處理裝置執行時，會使電子裝置執行下列操作：標記操作，判斷光體積描述訊號中，是否存在不適當的訊號數據，並標記不適當的訊號數據；第一分割操作，將不適當的訊號數據自光體積描述訊號中移除，並以不適當的訊號數據的位置作為參考點，將光體積描述訊號分割為複數連續訊號段；訊號處理操作，對複數連續訊號段執行基線移除及平滑化，並找出複數連續訊號段的波峰位置；第二分割操作，根據所需判讀波峰數將複數連續訊號段分割為複數子訊號段，其中每段複數子訊號段所包含的波峰數，等於所需判讀波峰數；過濾操作，取得分別對應於每段複數子訊號段的複數篩選特徵，根據複數篩選特徵判斷每段複數子訊號段是否為不良訊號，並刪除被判斷為不良訊號的複數子訊號段，其中未被刪除的複數子訊號段稱為複數良好子訊號段；特徵萃取操作，取得分別對應於每段複數良好子訊號段的複數特徵值，其中複數特徵值係與複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值；以及判定操作，以預先建立的判定模型對複數特徵值進行判定，並根據判定結果決定受測者之心律是否屬於心房顫動。
本揭露實施例提供一種電腦程式產品，經由電腦載入上述程式產品並執行下列操作：獲取操作，獲取光體積描述訊號(PPG)，其中光體積描述訊號係藉由光體積描述訊號感測器自受測者身上感測而取得；標記操作，判斷光體積描述訊號中，是否存在不適當的訊號數據，並標記不適當的訊號數據；第一分割操作，將不適當的訊號數據自光體積描述訊號中移除，並以不適當的訊號數據的位置作為參考點，將光體積描述訊號分割為複數連續訊號段；訊號處理操作，對複數連續訊號段執行基線移除及平滑化，並找出複數連續訊號段的波峰位置；第二分割操作，根據所需判讀波峰數將複數連續訊號段分割為複數子訊號段，其中每段複數子訊號段所包含的波峰數，等於所需判讀波峰數；過濾操作，取得分別對應於每段複數子訊號段的複數篩選特徵，根據複數篩選特徵判斷每段複數子訊號段是否為不良訊號，並刪除被判斷為不良訊號的複數子訊號段，其中未被刪除的複數子訊號段稱為複數良好子訊號段；一特徵萃取操作，取得分別對應於每段複數良好子訊號段的複數特徵值，其中複數特徵值係與複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值；以及判定操作，以預先建立的判定模型對複數特徵值進行判定，並根據判定結果，決定受測者之心律是否屬於心房顫動。
以下之揭露提供許多不同實施例或範例，用以實施本揭露之不同特徵。本揭露之各部件及排列方式，其特定範例敘述於下以簡化說明。理所當然的，這些範例並非用以限制本揭露。舉例來說，若敘述中有著第一特徵成形於第二特徵之上或上方，其可能包含第一特徵與第二特徵以直接接觸成形之實施例，亦可能包含有附加特徵形成於第一特徵與第二特徵之間，而使第一特徵與第二特徵間並非直接接觸之實施例。此外，本揭露可在多種範例中重複參考數字及/或字母。該重複之目的係為簡化及清晰易懂，且本身並不規定所討論之多種實施例及/或配置間之關係。
進一步來說，本揭露可能會使用空間相對術語，例如「在…下方」、「下方」、「低於」、「在…上方」、「高於」及類似詞彙，以便於敘述圖式中一個元件或特徵與其他元件或特徵間之關係。除了圖式所描繪之方位外，空間相對術語亦欲涵蓋使用中或操作中之裝置其不同方位。設備可能會被轉向不同方位(旋轉90度或其他方位)，而此處所使用之空間相對術語則可相應地進行解讀。
再進一步來說，除非特定否認，單數詞包含複數詞，反之亦然。而當一數字或一數字範圍以「大約」、「大概」或類似之用語描述，該用語旨在涵蓋包括所述數字在內之合理數字，例如所述數字之+/-10％或於本技術領域中具有通常知識者所理解之其他數值。
此外，本揭露並不限於所示之動作或事件之順序，因為一些動作可以不同之順序發生及/或與其他動作或事件同時發生。此外，並非所有出示之動作或事件皆為實施根據本揭露之方法所必需的。
本揭露提供一種方法，藉由穿戴式裝置量測光體積描述訊號(photoplethysmography, PPG)，並輔以為之建構的心房顫動判定模型進行分析，以實現在日常生活中即時偵測心房顫動之目的。
第1圖所示之方法100，係根據本揭露實施例所示，根據光體積描述訊號(photoplethysmography, PPG, 後稱PPG訊號)判斷受測者之心律是否屬於心房顫動(Atrial Fibrillation, AF)的方法。
於步驟102中，方法100獲取受測者之PPG訊號，其中上述受測者之PPG訊號，是藉由光體積描述訊號感測器(PPG訊號感測器)自受測者身上感測而得。在一些實施例中，PPG訊號感測器為反射式感測器，設置於一穿戴式裝置上，可配置於受測者之腕部、手臂、額頭或其他合適位置，以感測受測者之PPG訊號。在其他實施例中，PPG訊號感測器為穿透式感測器，自受測者之指尖或其他合適之位置感測受測者之PPG訊號。
於步驟104中，方法100可對所獲取之PPG訊號進行預處理，以使後續步驟順利進行。舉例來說，方法100可根據時間順序對所獲取之PPG訊號進行重新排序，以確保預處理後的PPG訊號是根據感測時間進行排列，而非根據獲取時間排列。
於步驟106中，方法100可執行一標記操作，以標記PPG訊號中不適當的訊號數據。在一些實施例中，標記操作包括檢查PPG訊號是否有遺失，倘若發現PPG訊號中存在訊號數據遺失的情形，則將該段PPG訊號標記為不適當的訊號數據。舉例來說，標記操作會以一單位時間(例如：1秒、2秒或其他合適之時間)對PPG訊號進行檢查，倘若一單位時間內遺失的訊號超過一預定百分比，則將該單位時間內之PPG訊號標記為不適當的訊號數據，且該單位時間內的數據在後續步驟中將不會被使用，其中上述預定百分比可根據需求自行設定，例如3％、5％、10％或其他合適之數值。舉例來說，假設單位時間為1秒，且PPG訊號感測器感測PPG訊號的頻率是每秒100次，意即所獲得的PPG訊號每秒應存在100組數據，並假設預定百分比為5％，則在檢查PPG訊號時，若發現一秒內有超過5組的數據無法被找到，即判斷該秒的PPG訊號遺失，並將該秒之PPG訊號標記為不適當的訊號數據。
在一些實施例中，標記操作還包括檢查PPG訊號是否發生飽和，倘若發現PPG訊號發生飽和，則將該段PPG訊號標記為不適當的訊號數據。上述PPG訊號的飽和，係指PPG訊號的數值超過所用之PPG訊號感測器所能感測的最大值或最小值。舉例來說，若所用PPG訊號感測器之最大及最小值分別為1500mV及-1500mV，則數值高於1500mV或低於-1500mV的PPG訊號段將被視為飽和。標記操作會以一單位時間(例如：1秒、2秒或其他合適之時間)對PPG訊號進行檢查，倘若一單位時間內的PPG訊號有飽和的情形發生，則將該單位時間之PPG訊號標記為不適當的訊號數據。因為訊號的飽和不會立即消失，因此接下來的2單位時間之PPG訊號也將被標記為不適當的訊號數據，而該單位時間以及接下來2單位時間的數據在後續步驟中將不會被使用。
在一些實施例中，標記操作更包括檢查PPG訊號是否為靜止訊號，倘若發現PPG訊號中有一段為非靜止訊號，則將該段PPG訊號標記為不適當的訊號數據。舉例來說，可為PPG訊號感測器配置一三軸加速度器(three-axis accelerometer)，用以偵測PPG訊號感測器是否處於運動狀態(意即受測者配戴PPG訊號感測器的部位是否處於運動狀態)。標記操作會以一單位時間(例如：1秒、2秒或其他合適之時間)對PPG訊號進行檢查，倘若與該單位時間之PPG訊號對應的三軸加速度器之訊號顯示在該單位時間中，PPG訊號感測器處於運動狀態，則判斷該單位時間之PPG訊號為非靜止訊號，並將該單位時間之PPG訊號標記為不適當的訊號數據，且該單位時間的數據在後續步驟中將不會被使用。
於步驟108中，方法100可對經過上述標記操作的PPG訊號執行一第一分割操作，以將PPG訊號分割為複數連續訊號段。於第一分割操作中，在步驟106中被標記為不適當的訊號數據的部分，將自PPG訊號中被移除，並以被移除的不適當的訊號數據作為參考點，將剩餘之PPG訊號分割為複數連續訊號段。
以第16秒到第36秒之一段20秒的PPG訊號為例，並假設單位時間為1秒，若第19秒到第20秒因為訊號遺失或處於非靜止狀態而被標記為不適當的訊號數據，則第19秒到第20秒的訊號會被移除，留下第16秒到第19秒以及第20秒到第36秒兩個連續訊號段，如第2A圖所示。而若第19秒到第20秒因為發生飽和而被標記為不適當的訊號數據，則第19秒到第22秒的訊號會被移除，留下第16秒到第19秒以及第22秒到第36秒兩個連續訊號段，如第2B圖所示。應注意的是，若一段PPG訊號中不存在不適當的訊號數據，則該段PPG訊號即為一段連續訊號段。
於步驟110中，方法100可找出獲取自步驟108的每段連續訊號段的波峰位置。在一些實施例中，步驟110使用樣條函數(spline)以找出每段連續訊號段的波峰位置。在一些實施例中，在尋找波峰位置之前，方法100會先以樣條函數對每段連續訊號段執行基線移除以及平滑化處理，再行尋找波峰位置，如第3A圖至第3D圖所示。其中第3A圖顯示未經樣條函數處理的連續訊號段、第3B圖顯示經過基線移除的連續訊號段、第3C圖顯示經過平滑化處理的連續訊號段、而第3D圖則顯示找出波峰位置後的連續訊號段。在其他實施例中，基線移除以及平滑化處理可由其他方式執行，例如平滑濾波器、傅立葉轉換或希爾伯特‧黃轉換，但不限於此。
於步驟112中，方法100可根據所需判讀波峰數，將獲取自步驟110的連續訊號段分割為複數子訊號段。所需判讀波峰數係指在方法100的後續步驟中，判斷受測者之心律是否屬於心房顫動時，用於判斷之子訊號段所包含的波峰數。在一些實施例中，所需判讀波峰數為10，但不限於此。
在一些實施例中，波峰數低於所需判讀波峰數的連續訊號段將被移除，而波峰數高於所需判讀波峰數的連續訊號段，將根據所需判讀波峰數被分割為複數子訊號段。在某些實施例中，波峰數高於所需判讀波峰數但無法被所需判讀波峰數整除的連續訊號段，在分割出最後一個完整的子訊號段後，會自連續訊號段的末端再取出一組波峰數等於所需判讀波峰數的子訊號段。舉例來說，以第3D圖為例，第3D圖之連續訊號段具有15個波峰，假設所需判讀波峰數為10，則在分割出一個完整的子訊號段(波峰1~波峰10)後，第3D圖之連續訊號段會剩下5個波峰，此時方法100可取最後10個波峰(波峰6~波峰15)作為另一個子訊號段。
於步驟114中，方法100可自每個子訊號段萃取複數篩選特徵及複數特徵值。篩選特徵用於判斷子訊號段是否為不良訊號，包括心跳間隔特徵、振幅特徵及頻域特徵。心跳間隔特徵可為子訊號段之波峰與波峰間隔(peak to peak interval, PPI)，如第4A圖所示。因為人類心跳的間隔會位於一個合理的範圍內，因此步驟114中設有一組用於心跳間隔特徵的門檻值，當心跳間隔特徵超出門檻值的範圍，代表該子訊號段存在問題，方法100會將該子訊號段判斷為不良訊號。
振幅特徵可為子訊號段之波峰與相鄰兩波谷中點的連線長度，如第4B圖所示。與心跳間隔特徵相似，因為人類心跳的振幅會位於一個合理的範圍內，因此步驟114中設有一組用於振幅特徵的門檻值，當振幅特徵超出門檻值的範圍，代表該子訊號段存在問題，方法100會將該子訊號段判斷為不良訊號。
頻域特徵可用於判斷PPG訊號感測器是否正常配戴於受測者身上，當判斷PPG訊號感測器並未正常配戴於受測者身上，代表所獲得的PPG訊號無法正確反應受測者之心律，因此該子訊號段亦屬於不良訊號。當PPG訊號感測器正常配戴時，訊號的主頻率會處於心跳頻率上，如第4C圖所示，當將一般的PPG訊號以快速傅立葉變換(Fast Fourier Transform, FFT)轉換至頻域時，會出現代表心跳的主頻率。而若PPG訊號感測器未正常配戴，此時所獲得的PPG訊號經快速傅立葉變換後，頻率會平均分散，如第4D圖所示。因為人類的心跳頻率存在一個合理範圍，因此可設定一特定頻率，超出該特定頻率皆視為非心跳訊號，其中該特定頻率例如為10赫茲(Hz)，但不限於此。頻域特徵可定義為：(大於特定頻率之強度加總)/(全部頻率加總強度)，頻域特徵數值越大，代表訊號中非心跳訊號的比例越高。因此步驟114中設有用於頻域特徵的一門檻值，當頻域特徵大於該門檻值，代表該子訊號段的來源是並未正常配戴的PPG訊號感測器，方法100會將該子訊號段判斷為不良訊號。
特徵值於後續步驟中會被用於判斷受測者之心律是否屬於心房顫動，特徵值包括波峰與波峰間隔標準差(PPI Standard Deviation, PPI SD)、相鄰波峰與波峰間隔差值均方根(PPI Root Mean Square Successive Differences, PPI RMSSD)、以及PPI亂度(PPI Entropy)。
PPI SD可定義為：
其中n為所需之PPI總數，舉例來說，若所需判讀波峰數為10，則n=9。PPI RMSSD可定義為：
而PPI Entropy可定義為：
其中
係指當使用n個PPI中的最小值與最大值切成k個區段時，即為第i個區段的樣本機率值。
應注意的是，上述篩選特徵包括心跳間隔特徵、振幅特徵及頻域特徵，而上述特徵值包括PPI SD、PPI RMSSD及PPI Entropy，但並不限於此，於本技術領域具有通常知識者應能輕易新增、取代或刪除些特徵，而這些變化皆為本掲露所涵蓋。
於步驟116中，方法100可執行一過濾操作。於過濾操作中，方法100將移除於步驟114中被判斷為不良訊號的子訊號段，這些被移除的子訊號段將不會進入方法100的後續步驟中。
在一些實施例中，方法100可在執行步驟114之複數特徵值萃取之前，先行執行步驟116。在這些實施例中，方法100會在萃取完篩選特徵並判斷何段子訊號段為不良訊號後，先移除被判斷為不良訊號的子訊號段，再對剩下的子訊號段執行複數特徵值的萃取。
於步驟118中，方法100可根據每段子訊號段的複數特徵值，萃取子訊號段之間的複數訊號變化特徵。訊號變化特徵可包括與波峰與波峰間隔相關的標準差變化特徵(diff(PPI SD))、相鄰波峰與波峰間隔差值均方根變化特徵(diff(PPI RMSSD))、子訊號段最大強度頻率變化特徵(diff(max Freq))、以及不同子訊號段之相同特徵值之間的平均值或差值等，但不限於此。
在一些實施例中，訊號變化特徵的萃取，是設定一參考段數S，當選擇第S+1段子訊號段作為方法100之後續步驟的判斷用子訊號段時，會根據第S+1段子訊號段及前S段子訊號段(共S+1段之子訊號段)個別的複數特徵值，萃取出複數訊號變化特徵，以供方法100之後續步驟使用，其中S為大於或等於1之正整數。舉例來說，若將參考段數設定為2，並選擇第3段子訊號段作為後續步驟之判斷用子訊號段，則第3段子訊號段及其前2段子訊號段，也就是第1段、第2段及第3段共3段的子訊號段的個別複數特徵值，會被用於萃取複數訊號變化特徵。
其中波峰與波峰間隔相關的標準差變化特徵(diff(PPI SD))可定義為：
其中s為參考段數，而s+1為參考段數加上判斷用子訊號段的總段數。相鄰波峰與波峰間隔差值均方根變化特徵(diff(PPI RMSSD))可定義為：
子訊號段最大強度頻率變化特徵(diff(max Freq))則可定義為：
其中(max Freq)i
為第i段訊號最大強度之頻率。
於步驟120中，方法100會根據預先以分類演算法建立的一個判定模型，判定受測者之心律是否屬於心房顫動。在一些實施例中，判定模型是根據獲取自步驟118之訊號變化特徵進行判定。舉例來說，若將參考段數設定為2，並選擇第3段子訊號段作為判斷用子訊號段，則判定模型會根據萃取自第1-3段子訊號段之個別特徵值的訊號變化特徵，來判定心律是否屬於心房顫動。
在一些實施例中，判定模型除了獲取自步驟118之訊號變化特徵外，亦會同時使用特徵值進行判定。舉例來說，若將參考段數設定為2，並選擇第3段子訊號段作為判斷用子訊號段，則除了萃取自第1-3段子訊號段之個別特徵值的訊號變化特徵外，判定模型亦會同時使用第3段子訊號段之特徵值來進行判定。此外，判定模型亦可同時使用第1段及/或第2段子訊號段的特徵值進行判定。
在一些實施例中，方法100可略過步驟118，直接以獲取自步驟114的特徵值(已經過步驟116之過濾操作)進行判定。舉例來說，若選擇第3段子訊號段作為判斷用子訊號段，則判定模型可直接使用第3段子訊號段之特徵值進行判定。
應注意的是，因為經過步驟108之第一分割操作、步驟112之子訊號段分割、以及步驟116之過濾不良的子訊號段，因此上述子訊號段中的每一段，彼此之間可能為連續或不連續。
上述判定模型的建立，是以下列方法為之：自複數可觀察事件中獲取與每個複數可觀察事件對應的複數可量化特徵，以及與每個複數可觀察事件對應的已知結果標籤，其中已知結果標籤係兩個已知分類中的一者；以分類演算法根據複數可觀察事件，以及與每個複數可觀察事件對應的複數可量化特徵以及已知結果標籤進行機器學習，以找出一決策邊界(decision boundary)，並進而建立上述判定模型，其中該決策邊界可區隔對應不同已知結果標籤之複數可量化特徵。如此一來，嗣後若有與複數可觀察事件相同類型之新事件，則判定模型可根據該決策邊界以及與新事件對應之複數可量化特徵，以判定新事件係屬兩個已知分類中的何者。
舉例來說，複數可觀察事件為複數先行受測者之PPG訊號；複數可量化特徵為與複數先行受測者之PPG訊號對應之複數特徵值及訊號變化特徵； 而兩個已知分類為心房顫動以及非心房顫動。換句話說，判定模型的建立，係先收集大量來自不同先行受測者之已知為心房顫動或非心房顫動的PPG訊號，以及與這些PPG訊號對應的複數特徵值及/或複數訊號變化特徵的數據，再將這些數據以分類演算法進行機器學習以找出一決策邊界，並進而建立判定模型，其中該決策邊界可將對應心房顫動之複數特徵值及/或複數訊號變化特徵與對應非心房顫動之複數特徵值及/或複數訊號變化特徵兩者分隔開來。如此一來判定模型可根據決策邊界以及受測者之PPG訊號的複數特徵值及/或複數訊號變化特徵，將受測者之PPG訊號分類為心房顫動或非心房顫動。當判定模型建立後，若有需要判定的受測者之PPG訊號，則只要輸入與該PPG訊號對應之特徵值及/或訊號變化特徵，判定模型即可判定該PPG訊號是屬於心房顫動或非心房顫動。其中上述分類演算法包括支援向量機(support vector machine, SVM)、深度學習(deep learning)、XGBoost、隨機森林(random forest)及/或其他合適之演算法。
應注意的是，使用不同特徵值及/或訊號變化特徵進行判定的不同判定模型，它們的機器學習過程也不同。舉例來說，在參考段數為2且使用3種訊號變化特徵的實施例中，判定模型是根據共3段子訊號段之3種訊號變化特徵進行機器學習，而若是使用4種訊號變化特徵，則判定模型是根據共3段子訊號段之4種訊號變化特徵進行機器學習。舉例來說，參考段數為2且除了3種訊號變化特徵外，還額外使用判斷用子訊號段之3種特徵值的實施例中，判定模型的機器學習過程就要再額外增加3種特徵值。以更具體的例子來說，在僅使用判斷用子訊號段之PPI SD及PPI RMSSD的實施例中，判定模型是根據單一子訊號段之PPI SD及PPI RMSSD共2種特徵值進行機器學習。
此外，若所需判讀波峰數不同，則判定模型的機器學習過程也不同。舉例來說，若所需判讀波峰數10，則判定模型進行機器學習時的子訊號段所包含的波峰數即為10；而若所需判讀波峰數為15，則判定模型進行機器學習時的子訊號段所包含的波峰數即為15。
第5圖係根據本揭露實施例所示之範例性裝置。範例性裝置可包括穿戴式裝置500以及計算裝置600，其中穿戴式裝置500包括PPG訊號感測器510、三軸加速度器520、以及通訊裝置530，而計算裝置600包括處理裝置610、儲存裝置620、以及通訊裝置630。
穿戴式裝置500可直接配戴於受測者身上。舉例來說，穿戴式裝置500可穿戴於受測者之腕部、手臂、額頭或其他合適位置。PPG訊號感測器510用於感測受測者之PPG訊號，而在PPG訊號感測器510運作的同時，三軸加速度器520可同時偵測PPG訊號感測器510是否處於非靜止狀態，意即偵測受測者配戴穿戴式裝置500之部位是否處於運動狀態。穿戴式裝置500之通訊裝置530可與計算裝置600之通訊裝置630通訊連接，以將PPG訊號感測器510及三軸加速度器520所獲得之數據傳送至計算裝置600。
儲存裝置620可儲存包含上述方法100及判定模型的一程式，並由處理裝置610執行該程式以實施方法100。當計算裝置600之通訊裝置630接收到來自穿戴式裝置500的數據後，處理裝置610可執行儲存於儲存裝置620之程式，以根據方法100對數據進行處理，最終根據方法100中的判定模型判定受測者之心律是否屬於心房顫動，其中上述數據包括PPG訊號感測器510所感測之數據、以及三軸加速度器520所偵測之數據。
在一些實施例中，通訊裝置530與通訊裝置630之間可藉由無線及/或有線之方式彼此通訊連接。在一些實施例中，計算裝置600可為電腦、平板電腦、手機、雲端伺服器或其他具有處理功能之裝置。在一些實施例中，穿戴式裝置500及計算裝置600可被整合在一起，例如共同整合至單一穿戴式裝置上。
上述方法100及判定模型可被實施為一電腦程式產品，並由計算裝置600執行。上述電腦程式產品可儲存於儲存裝置620，並由處理裝置610載入及執行。當上述電腦程式產品被執行時，可執行之操作包括：獲取操作、標記操作、第一分割操作、訊號處理操作、第二分割操作、過濾操作、特徵萃取操作、訊號變化特徵萃取操作、以及判定操作。
獲取操作用於獲取PPG訊號，PPG訊號可藉由光體積描述訊號感測器(例如：PPG訊號感測器510)自受測者身上感測而取得。標計操作用於判斷所獲取的PPG訊號中，是否存在不適當的訊號數據，並標記不適當的訊號數據。上述不適當的訊號數據係指在單位時間(例如：1秒)中，PPG訊號中缺少數據的部分其比例超過一預定百分比(例如：5％)；在本身或前後兩單位時間內，PPG訊號曾達到飽和值；及/或在單位時間內，加速度器(例如：三軸加速度器520)判斷PPG訊號感測器曾處於非靜止狀態。
第一分割操作用於將不適當的訊號數據自PPG訊號中移除，並以不適當的訊號數據的位置作為參考點，將PPG訊號分割為複數連續訊號段。訊號處理操作用於對複數連續訊號段執行基線移除及平滑化，並找出複數連續訊號段的波峰位置。第二分割操作用於根據所需判讀波峰數，將複數連續訊號段分割為複數子訊號段，其中每段複數子訊號段所包含的波峰數，等於上述所需判讀波峰數。
過濾操作用於取得分別對應於每段複數子訊號段的複數篩選特徵，並根據複數篩選特徵判斷每段複數子訊號段是否為不良訊號，接著刪除被判斷為不良訊號的複數子訊號段，其中未被刪除的複數子訊號段稱為複數良好子訊號段。特徵萃取操作用於取得分別對應於每段複數良好子訊號段的複數特徵值，其中複數特徵值係與複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值。判定操作用於以判定模型對複數特徵值進行判定，並根據判定結果，決定受測者之心律是否屬於心房顫動。
訊號變化特徵萃取操作用於取得複數訊號變化特徵，包括下列步驟：取得複數良好子訊號段中的一特定良好子訊號段的複數特徵值；自複數良好子訊號段取得特定良好子訊號段之前N段良好子訊號段的複數特徵值，其中N為大於或等於1的正整數；根據特定良好子訊號段的複數特徵值以及前N段良好子訊號段的複數特徵值，取得複數訊號變化特徵。應注意的是，判定操作以判定模型進行判定時，除了使用複數特徵值外，亦可使用複數訊號變化特徵，或是同時使用複數特徵值以及複數訊號變化特徵。換句話說，判定操作可以判定模型對複數特徵值、複數訊號變化特徵、或其組合進行判定，並決定受測者之心律是否屬於心房顫動。
前述內文之多種實施例或範例闡明本揭露之多項優點。方法100之步驟106標記PPG訊號中不適當的訊號數據；步驟108將不適當的訊號數據移除；步驟114萃取子訊號段的篩選特徵並判斷子訊號段是否為不良訊號；而步驟116過濾被判斷為不良訊號的子訊號段，藉由這些步驟，本揭露可確保最後用於判定的子訊號段，皆為良好的PPG訊號，如此可避免諸如受雜訊或運動干擾之品質不好的PPG訊號造成判定模型的誤判。
此外，本揭露使用之PPG訊號的子訊號段，其包含之波峰數遠少於先前技術所需之波峰數，意即先前技術需要長時間持續靜止的PPG訊號方能運作。然而，本揭露使用之PPG訊號的子訊號段所需的持續靜止時間，遠少於先前技術所需時間，因此在日常生活中，藉由穿戴式的PPG訊號感測器，在無須刻意保持靜止的情況下，亦能輕易收集到本揭露所需之PPG訊號的子訊號段。
除此之外，本揭露藉由設置參考段數的方式，同時利用多個品質良好的子訊號段之特徵值與訊號變化特徵進行判定，如此可有效提升心房顫動判定的準確度。且如上所述，本揭露使用之PPG訊號的子訊號段所需的持續靜止時間，遠少於先前技術所需的持續靜止時間，因此在日常生活中，能輕易收集到多段品質良好之子訊號段以供判定模型使用。如上所述，本揭露實施例所提供的方法，可輕易地實行於日常生活中，以實現在日常生活中即時偵測心房顫動之目的。
前述內文概述多項實施例或範例之特徵，如此可使於本技術領域中具有通常知識者更佳地瞭解本揭露。本技術領域中具有通常知識者應當理解他們可輕易地以本揭露為基礎設計或修改其他製程及結構，以完成相同之目的及/或達到與本文介紹之實施例或範例相同之優點。本技術領域中具有通常知識者亦需理解，這些等效結構並未脫離本揭露之精神及範圍，且在不脫離本揭露之精神及範圍之情況下，可對本揭露進行各種改變、置換以及變更。
100:方法
102-120:步驟
500:穿戴式裝置
510:PPG訊號感測器
520:三軸加速器
530:通訊裝置
600:計算裝置
610:處理裝置
620:儲存裝置
630:通訊裝置
本揭露從後續實施方式及附圖可更佳理解。須強調的是，依據產業之標準作法，各種特徵並未按比例繪製，並僅用於說明之目的。事實上，各種特徵之尺寸可能任意增加或減少以清楚論述。亦須強調的是，所附之附圖僅出示本揭露之典型實施例，不應認為是對範圍的限制，因為本揭露亦可適用於其他實施例。
第1圖係根據本揭露實施例所示，根據光體積描述訊號判斷受測者之心律是否屬於心房顫動的方法。
第2A圖及第2B圖係根據本揭露實施例所示，光體積描述訊號之連續訊號段的示意圖。
第3A圖至第3D圖係根據本揭露實施例所示，以樣條函數處理連續訊號段的示意圖。
第4A圖係根據本揭露實施例所示，子訊號段之波峰與波峰間隔的示意圖。
第4B圖係根據本揭露實施例所示，子訊號段之振幅特徵的示意圖。
第4C圖至第4D圖係根據本揭露實施例所示，光體積描述訊號之頻域特徵的示意圖。
第5圖係根據本揭露實施例所示之範例性裝置，用以執行第1圖所示之方法。
100:方法
102-120:步驟
Claims (12)
- 一種心律訊號處理方法，包括：獲取一光體積描述訊號(PPG)，其中上述光體積描述訊號係藉由一穿戴式光體積描述訊號感測器自一受測者身上感測而取得；執行一標記操作，以判斷上述光體積描述訊號中，是否存在不適當的訊號數據，並標記上述不適當的訊號數據，其中上述標記操作包括檢查上述光體積描述訊號是否靜止，在一單位時間內，藉由一三軸加速度器判斷上述穿戴式光體積描述訊號感測器是否曾處於非靜止狀態，倘若上述穿戴式光體積描述訊號感測器曾處於非靜止狀態，則判斷那一單位時間內的上述光體積描述訊號為非靜止訊號，並將非靜止訊號的那一單位時間標記為上述不適當的訊號數據；執行一第一分割操作，將上述不適當的訊號數據自上述光體積描述訊號中移除，並將上述不適當的訊號數據的位置作為參考點，將上述光體積描述訊號分割為複數連續訊號段；找出上述複數連續訊號段的波峰位置；執行一第二分割操作，根據一所需判讀波峰數將上述複數連續訊號段分割為複數子訊號段，其中每段上述複數子訊號段所包含的波峰數，等於上述所需判讀波峰數；執行一特徵萃取操作，取得分別對應於每段上述複數子訊號段的複數特徵值，其中上述複數特徵值係與上述複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值；以及 執行一訊號變化特徵萃取操作，取得上述複數子訊號段中的一特定子訊號段與上述特定子訊號段之前N段子訊號段之間的，上述複數特徵值的複數訊號變化特徵，其中N為大於或等於1的正整數，且上述複數訊號變化特徵包括與波峰與波峰間隔相關的標準差變化特徵、相鄰波峰與波峰間隔差值均方根變化特徵、以及子訊號段最大強度頻率變化特徵中的至少一者。
- 如申請專利範圍第1項所述之心律訊號處理方法，其中上述標記操作更包括：檢查上述光體積描述訊號是否有遺失，若在一單位時間內，上述光體積描述訊號中缺少數據的部分其比例超過一預定百分比，則判斷存在訊號遺失，並將訊號遺失的那一單位時間標記為上述不適當的訊號數據；以及檢查上述光體積描述訊號是否飽和，若在一單位時間內，上述光體積描述訊號曾達到一飽和值，則判斷存在訊號飽和，並將訊號飽和的那一單位時間及接下來的二單位時間標記為上述不適當的訊號數據。
- 如申請專利範圍第1項所述之心律訊號處理方法，更包括對上述複數連續訊號段執行基線移除以及平滑化操作。
- 如申請專利範圍第1項所述之心律訊號處理方法，其中上述特徵萃取操作更包括一過濾操作，上述過濾操作包括：取得分別對應於每段上述複數子訊號段的複數篩選特徵； 根據上述複數篩選特徵判斷每段上述複數子訊號段是否為不良訊號；以及刪除被判斷為不良訊號的上述複數子訊號段。
- 如申請專利範圍第4項所述之心律訊號處理方法，其中上述複數篩選特徵包括心跳間隔特徵、振幅特徵、以及頻域特徵中的至少一者。
- 如申請專利範圍第1項所述之心律訊號處理方法，其中上述複數特徵值包括與上述複數子訊號段之波峰與波峰間隔相關的標準差、相鄰波峰與波峰間隔差值均方根、以及亂度中的至少一者。
- 如申請專利範圍第1項所述之心律訊號處理方法，其中上述訊號變化特徵萃取操作包括：取得上述複數子訊號段中的上述特定子訊號段的上述複數特徵值；自上述複數子訊號段取得上述特定子訊號段之上述前N段子訊號段的上述複數特徵值；以及根據上述特定子訊號段的上述複數特徵值以及上述前N段子訊號段的上述複數特徵值，取得上述複數訊號變化特徵。
- 一種電子裝置，用於量測心律，包括：一輸入裝置，用以獲取一受測者之光體積描述訊號，其中上述光體積描述訊號是藉由配戴於上述受測者身上的一穿戴式光體積描述訊號感測器所取得； 一處理裝置；一儲存裝置，用以儲存一程式，其中上述程式包括預先建立的一判定模型，當上述程式由上述處理裝置執行時，會使上述電子裝置執行下列操作：一標記操作，判斷上述光體積描述訊號中，是否存在一不適當的訊號數據，並標記上述不適當的訊號數據，其中上述標記操作包括檢查上述光體積描述訊號是否靜止，在一單位時間內，藉由一三軸加速度器判斷上述穿戴式光體積描述訊號感測器是否曾處於非靜止狀態，倘若上述穿戴式光體積描述訊號感測器曾處於非靜止狀態，則判斷那一單位時間內的上述光體積描述訊號為非靜止訊號，並將非靜止訊號的那一單位時間標記為上述不適當的訊號數據；一第一分割操作，將上述不適當的訊號數據自上述光體積描述訊號中移除，並將上述不適當的訊號數據的位置作為參考點，將上述光體積描述訊號分割為複數連續訊號段；一訊號處理操作，對上述複數連續訊號段執行基線移除及平滑化，並找出上述複數連續訊號段的波峰位置；一第二分割操作，根據一所需判讀波峰數將上述複數連續訊號段分割為複數子訊號段，其中每段上述複數子訊號段所包含的波峰數，等於上述所需判讀波峰數；一過濾操作，取得分別對應於每段上述複數子訊號段的複數篩選特徵，根據上述複數篩選特徵判斷每段上述複數子訊號段是 否為不良訊號，並刪除被判斷為不良訊號的上述複數子訊號段，其中未被刪除的上述複數子訊號段稱為複數良好子訊號段；一特徵萃取操作，取得分別對應於每段上述複數良好子訊號段的複數特徵值，其中上述複數特徵值係與上述複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值；一訊號變化特徵萃取操作，取得上述複數良好子訊號段中的一特定良好子訊號段與上述特定良好子訊號段之前N段良好子訊號段之間的，上述複數特徵值的複數訊號變化特徵，其中N為大於或等於1的正整數，且上述複數訊號變化特徵包括與波峰與波峰間隔相關的標準差變化特徵、相鄰波峰與波峰間隔差值均方根變化特徵、以及子訊號段最大強度頻率變化特徵中的至少一者；以及一判定操作，以預先建立的上述判定模型對上述複數訊號變化特徵進行判定，並根據上述判定結果，決定上述受測者之心律是否屬於心房顫動；其中上述判定模型的建立，係將已區分為屬於心房顫動的複數第一類特徵值以及已區分為屬於非心房顫動的複數第二類特徵值，以分類演算法進行機器學習，以找出能將上述複數第一類特徵值與上述複數第二類特徵值兩者區隔開的一決策邊界，且上述判定模型根據上述決策邊界判定一待分類特徵值之分類是否屬於心房顫動。
- 如申請專利範圍第8項所述之電子裝置，其中上述 訊號變化特徵萃取操作更包括：取得上述複數良好子訊號段中的上述特定良好子訊號段的上述複數特徵值；自上述複數良好子訊號段取得上述特定良好子訊號段之上述前N段良好子訊號段的上述複數特徵值；以及根據上述特定良好子訊號段的上述複數特徵值以及上述前N段良好子訊號段的上述複數特徵值，取得上述複數訊號變化特徵。
- 如申請專利範圍第8項所述之電子裝置，其中：上述複數篩選特徵包括心跳間隔特徵、振幅特徵、以及頻域特徵中的至少一者；以及上述複數特徵值包括與上述複數良好子訊號段之波峰與波峰間隔相關的標準差、相鄰波峰與波峰間隔差值均方根、以及亂度中的至少一者。
- 一種電腦程式產品，經由電腦載入上述程式執行：一獲取操作，獲取一光體積描述訊號(PPG)，其中上述光體積描述訊號係藉由一穿戴式光體積描述訊號感測器自一受測者身上感測而取得；一標記操作，判斷上述光體積描述訊號中，是否存在一不適當的訊號數據，並標記上述不適當的訊號數據，其中上述標記操作包括檢查上述光體積描述訊號是否靜止，在一單位時間內，藉由一三軸加速度器判斷上述穿戴式光體積描述訊號感測器是否曾處於非靜止狀態，倘若上述穿戴式光體積描述訊號感測器曾處於非靜止狀 態，則判斷那一單位時間內的上述光體積描述訊號為非靜止訊號，並將非靜止訊號的那一單位時間標記為上述不適當的訊號數據；一第一分割操作，將上述不適當的訊號數據自上述光體積描述訊號中移除，並將上述不適當的訊號數據的位置作為參考點，將上述光體積描述訊號分割為複數連續訊號段；一訊號處理操作，對上述複數連續訊號段執行基線移除及平滑化，並找出上述複數連續訊號段的波峰位置；一第二分割操作，根據一所需判讀波峰數將上述複數連續訊號段分割為複數子訊號段，其中每段上述複數子訊號段所包含的波峰數，等於上述所需判讀波峰數；一過濾操作，取得分別對應於每段上述複數子訊號段的複數篩選特徵，根據上述複數篩選特徵判斷每段上述複數子訊號段是否為不良訊號，並刪除被判斷為不良訊號的上述複數子訊號段，其中未被刪除的上述複數子訊號段稱為複數良好子訊號段；一特徵萃取操作，取得分別對應於每段上述複數良好子訊號段的複數特徵值，其中上述複數特徵值係與上述複數子訊號段之波峰與波峰間隔(PPI)相關的特徵值；一訊號變化特徵萃取操作，取得上述複數良好子訊號段中的一特定良好子訊號段與上述特定良好子訊號段之前N段良好子訊號段之間的，上述複數特徵值的複數訊號變化特徵，其中N為大於或等於1的正整數，且上述複數訊號變化特徵包括與波峰與波峰間隔相 關的標準差變化特徵、相鄰波峰與波峰間隔差值均方根變化特徵、以及子訊號段最大強度頻率變化特徵中的至少一者；以及一判定操作，以預先建立的一判定模型對上述複數訊號變化特徵進行判定，並根據上述判定結果，決定上述受測者之心律是否屬於心房顫動；其中上述判定模型的建立，係將已區分為屬於心房顫動的複數第一類特徵值以及已區分為屬於非心房顫動的複數第二類特徵值，以分類演算法進行機器學習，以找出能將上述複數第一類特徵值與上述複數第二類特徵值兩者區隔開的一決策邊界，且上述判定模型根據上述決策邊界判定一待分類特徵值之分類是否屬於心房顫動。
- 如申請專利範圍第11項所述之電腦程式產品，當經由電腦載入上述程式時，上述訊號變化特徵萃取操作更包括下列步驟：取得上述複數良好子訊號段中的上述特定良好子訊號段的上述複數特徵值；自上述複數良好子訊號段取得上述特定良好子訊號段之上述前N段良好子訊號段的上述複數特徵值；根據上述特定良好子訊號段的上述複數特徵值以及上述前N段良好子訊號段的上述複數特徵值，取得上述複數訊號變化特徵。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108136226A TWI747057B (zh) | 2019-10-07 | 2019-10-07 | 心律訊號處理方法、電子裝置及電腦程式產品 |
| US17/029,295 US20210100465A1 (en) | 2019-10-07 | 2020-09-23 | Heart rhythm processing method, electronic device, and computer program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108136226A TWI747057B (zh) | 2019-10-07 | 2019-10-07 | 心律訊號處理方法、電子裝置及電腦程式產品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202114592A TW202114592A (zh) | 2021-04-16 |
| TWI747057B true TWI747057B (zh) | 2021-11-21 |
Family
ID=75273550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108136226A TWI747057B (zh) | 2019-10-07 | 2019-10-07 | 心律訊號處理方法、電子裝置及電腦程式產品 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210100465A1 (zh) |
| TW (1) | TWI747057B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3865060B1 (en) * | 2020-02-13 | 2022-11-30 | Qompium | Computer-implemented method for generating an annotated photoplethysmography (ppg) signal |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201611776A (en) * | 2014-09-18 | 2016-04-01 | Eminent Electronic Technology Corp Ltd | PPG signal processing device and method thereof |
| CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
| CN109475733A (zh) * | 2016-07-27 | 2019-03-15 | 美敦力公司 | 用于快速性心律失常发作抑制的心脏电信号噪声检测 |
| TW201924601A (zh) * | 2017-12-06 | 2019-07-01 | 高雄醫學大學 | 心房顫動信號型態擷取及輔助診斷智能裝置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5107833A (en) * | 1990-11-02 | 1992-04-28 | Medtronic, Inc. | Telemetry gain adjustment algorithm and signal strength indication in a noisy environment |
| WO2011013048A1 (en) * | 2009-07-31 | 2011-02-03 | Koninklijke Philips Electronics N.V. | Method and apparatus for the analysis of a ballistocardiogram signal |
| US8929963B2 (en) * | 2011-07-14 | 2015-01-06 | Covidien Lp | Devices and methods for reducing wireless communication in a patient monitoring system |
| US10244949B2 (en) * | 2012-10-07 | 2019-04-02 | Rhythm Diagnostic Systems, Inc. | Health monitoring systems and methods |
| US10750960B2 (en) * | 2016-05-03 | 2020-08-25 | Samsung Electronics Co., Ltd. | Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology |
| EP3518753B1 (en) * | 2016-09-27 | 2025-08-27 | Itamar Medical Spry 2021, Limited Partnership | Systems and methods for biological metrics measurement |
| US10959624B2 (en) * | 2017-10-06 | 2021-03-30 | The Regents Of The University Of California | Methods of monitoring for hemodynamically significant heart rhythm disturbances and devices for practicing same |
| US10993630B2 (en) * | 2017-10-19 | 2021-05-04 | Hill-Rom Services Pte. Ltd. | Respiration rate estimation from a photoplethysmography signal |
| US11141097B2 (en) * | 2018-04-26 | 2021-10-12 | The Penn State Research Foundation | Biological marker and methods |
| TW202021528A (zh) * | 2018-12-05 | 2020-06-16 | 宏碁股份有限公司 | 基於光電容積描記圖訊號取得心律不整資訊的方法及檢測心律不整的裝置 |
-
2019
- 2019-10-07 TW TW108136226A patent/TWI747057B/zh active
-
2020
- 2020-09-23 US US17/029,295 patent/US20210100465A1/en not_active Abandoned
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201611776A (en) * | 2014-09-18 | 2016-04-01 | Eminent Electronic Technology Corp Ltd | PPG signal processing device and method thereof |
| CN105899268A (zh) * | 2015-06-23 | 2016-08-24 | 中国科学院深圳先进技术研究院 | 基于gpu的并行心电信号分析方法 |
| CN109475733A (zh) * | 2016-07-27 | 2019-03-15 | 美敦力公司 | 用于快速性心律失常发作抑制的心脏电信号噪声检测 |
| TW201924601A (zh) * | 2017-12-06 | 2019-07-01 | 高雄醫學大學 | 心房顫動信號型態擷取及輔助診斷智能裝置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210100465A1 (en) | 2021-04-08 |
| TW202114592A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eltrass et al. | Automated ECG multi-class classification system based on combining deep learning features with HRV and ECG measures | |
| US10750960B2 (en) | Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology | |
| US11311201B2 (en) | Feature selection for cardiac arrhythmia classification and screening | |
| Acharya et al. | Computer-aided diagnosis of diabetic subjects by heart rate variability signals using discrete wavelet transform method | |
| Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
| KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
| Chen et al. | A random forest model based classification scheme for neonatal amplitude-integrated EEG | |
| CN103345600B (zh) | 一种心电信号数据处理方法 | |
| EP2829223A1 (en) | Monitoring physiological parameters | |
| WO2020088083A1 (zh) | 噪声检测方法及装置 | |
| WO2014063160A1 (en) | Detection of emotional states | |
| CN110200640A (zh) | 基于双模态传感器的非接触式情绪识别方法 | |
| CN115486814A (zh) | 基于多模态癫痫数据智能融合分析与处理方法 | |
| Akhter et al. | Heart-based biometrics and possible use of heart rate variability in biometric recognition systems | |
| KR20190113552A (ko) | Ppg ibi 및 모폴로지를 기반으로 하는 수동 부정맥 감지 장치 및 방법 | |
| CN114532994B (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
| EP3730049A1 (en) | Apparatus and method for analyzing electrocardiogram | |
| CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
| CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN110096983A (zh) | 一种基于神经网络的图像中施工工人安全服饰检测方法 | |
| TWI747057B (zh) | 心律訊號處理方法、電子裝置及電腦程式產品 | |
| Tara et al. | ECG based human activity-specific cardiac pattern detection using machine-learning and deep-learning models | |
| CN117349651A (zh) | 基于连续生理数据评估心衰患者的心功能分级的装置、系统及介质 | |
| Nath et al. | Towards self-supervised learning of ecg signal representation for the classification of acute stress types | |
| Zhang et al. | An efficient feature selection method for activity classification |