一種基于正則化最小二乘回歸學習的qrs波起點終點定位方法
【專利摘要】一種基于正則化最小二乘回歸學習的QRS波起點終點定位方法，該方法是：基于函數(shù)在Hilbert空間中正交分解的思想結合正則化最小二乘回歸學習算法，構建一系列檢測方法、檢測準則和閾值參數(shù)，最終檢測出QRS波并定位出其起點、終點位置；首先將心電信號與高斯函數(shù)的一階導函數(shù)做內積運算得到內積序列，選擇由高斯核函數(shù)生成的再生核Hilbert空間作為正則化最小二乘回歸學習算法的逼近空間，并用實對稱矩陣的平方根分解的辦法求解算法，得到新的內積序列。
【專利說明】
一種基于正則化最小二乘回歸學習的QRS波起點終點定位 方法
技術領域
[0001] 本發(fā)明涉及動態(tài)心電圖、常規(guī)心電圖中QRS波起點及終點的定位測量分析，具體為 一種基于正則化最小二乘回歸學習的QRS波起點終點定位方法，屬于心電圖（ECG)自動診斷 分析技術領域。
【背景技術】
[0002] 心電圖是臨床應用最廣泛的檢查手段之一，能夠幫助診斷心律失常，幫助診斷心 肌缺血、心肌梗死、判斷梗死部位，判斷藥物或電解質對心臟的影響，以及幫助植入人工心 臟起搏器等。另外，描記心電圖操作簡單，費用低廉，特別適合醫(yī)療條件不發(fā)達的地區(qū)使用。
[0003] 目前，我國專業(yè)的心電圖技師數(shù)量匱乏，對于一些較為疑難的心電圖，很多臨床醫(yī) 生都不能準確判讀。因此，基于動態(tài)心電圖和常規(guī)心電圖自動診斷技術應運而生，其中最關 鍵的莫過于QRS波起點、終點位置的準確定位。用分規(guī)人工測量誤差較大，即便是一個毫秒 的誤差在臨床上都可能造成兩種截然不同的診斷結果，比如完全性右束支傳導阻滯與不完 全性右束支傳導阻滯只有一個毫秒的差別。在采樣率足夠高的情形下，利用先進的算法，借 助計算機自動分析確定QRS波起點、終點的位置就能更好的解決該問題。但是，心電圖千變 萬化，QRS波形態(tài)各異，這在客觀上要求算法具有良好的泛化性，同時能夠保證較高的處理 效率。
[0004] 心電圖自動分析技術正在逐步發(fā)展，對QRS波（心拍）的定位技術已經較為成熟，但 對于QRS波起點終點位置定位的準確性亟待提高。目前，市場上主流的QRS波起點終點定位 方法大多只適用于某一類或某幾類QRS波，對于一些特殊情形如T波高尖(圖1.2)、基線嚴重 漂移（圖1.3)等波形的QRS波分析定位準度較低，對于信號質量較差的波形更難做出準確的 分析判斷。

【發(fā)明內容】

[0005] 本發(fā)明的目的是克服現(xiàn)有技術存在的不足之處，降低基線漂移、肌電干擾、ST段改 變、QRS波的形態(tài)等因素對分析定位的影響，進而提供一種具有良好泛化性和準確度的QRS 波起點、終點定位算法。本發(fā)明衍生于回歸學習，具有堅實的數(shù)學基礎，心拍檢測尤其是QRS 波起點、終點定位較為準確，為動態(tài)心電圖、常規(guī)心電圖自動診斷技術提供了一種非常可靠 的定位算法。
[0006] 本發(fā)明是通過如下技術方案來完成的，借鑒Hilbert空間中函數(shù)正交分解的思想， 將原始心電信號映射到一個新的Hilbert空間中，最后在上述新空間中完成QRS波的檢測及 其起點和終點的定位工作。上述映射是通過將原始心電信號與高斯函數(shù)的一階導函數(shù)做內 積實現(xiàn)的。為了降低P波、T波對檢測QRS波的影響，同時使得QRS波起點和終點的特征更加明 顯，在檢波和定位工作開始前先用正則化最小二乘回歸學習算法處理內積序列。
[0007] 本發(fā)明具有良好的泛化性，對各種不同形態(tài)的QRS波都具有良好的適用性，極大提 高了心電圖分析的準確率，可應用于各種動態(tài)心電圖機、常規(guī)心電圖機、心電監(jiān)護儀等設備 的心電圖自動診斷分析。
【附圖說明】
[0008] 圖1.1為原始心電信號（正常心電圖）和未經正則化最小二乘回歸學習算法處理的 內積序列。
[0009] 圖1.2為原始心電信號(T波高尖的心電圖）和未經正則化最小二乘回歸學習算法 處理的內積序列。
[0010] 圖1.3為原始心電信號(基線嚴重漂移的心電圖）和未經正則化最小二乘回歸學習 算法處理的內積序列。
[0011 ] 圖2.1 (正常心電圖，與圖1.1對應)為未經處理的內積序列和經過正則化最小二乘 回歸學習算法處理之后的內積序列。
[0012]圖2.2(T波高尖，與圖1.2對應)為未經處理的內積序列和經過正則化最小二乘回 歸學習算法處理之后的內積序列。
[0013]圖2.3(基線嚴重漂移，與圖1.3對應)為未經處理的內積序列和經過正則化最小二 乘回歸學習算法處理之后的內積序列。
[0014]圖3.1(正常心電圖，與圖1.1對應)為心電信號QRS波起點、終點定位效果圖。
[0015 ]圖3.2 (Τ波高尖，與圖1.2對應)為心電信號QRS波起點、終點定位效果圖。
[0016]圖3.3(基線嚴重漂移，與圖1.3對應)為心電信號QRS波起點、終點定位效果圖。 [0017]圖4.1為基于正則化最小二乘回歸學習算法的QRS波起點終點定位方法流程圖。 [0018]圖4.2為用遺傳算法優(yōu)化正則化參數(shù)lambda的流程圖。
【具體實施方式】
[0019]以下結合技術方案和附圖以實例詳細說明本發(fā)明的【具體實施方式】。
[0020]本發(fā)明解決心電圖自動化診斷系統(tǒng)中QRS波檢測及其起點、終點定位問題?；诨?歸學習與信號在Hilbert空間中的正交分解理論構建一系列檢測方法、檢測準則和閾值參 數(shù)，檢測和識別QRS波，定位QRS波的起點、終點位置，具體實施步驟是如下所述。
[0021 ] 在以下論述中，若h表示函數(shù)，則h (X)表示函數(shù)h在點X處的函數(shù)值;若h表示數(shù)組 (整型或浮點型），則h[i]表示數(shù)組h的第i個元素，其中i為非負整數(shù)。
[0022] 1.心電信號變換
[0023]由于心電信號復雜多變，為了提高算法的泛化性，我們需要將心電信號投影到一 個維數(shù)相對較低的空間中。由于新空間維數(shù)較低，所以在新空間中研究會大大減少問題的 復雜性。
[0024]眾所周知，Hilbert空間是完備化的度量空間，Hilbert空間具有標準正交基。在一 組標準正交基下，Hilbert空間中的元素具有正交分解的形式。
[0025]即若Η是Hilbert空間，feH，丨^=1是《的一組標準正交基，則f具有如下正交分解 形式：
[0027]其中，
[0029] 由連續(xù)函數(shù)組成的Hilbert空間中的元素具有如（1)所示的正交分解形式，同樣信 號空間中的元素也具有如（1)所示的正交分解形式，只是(2)式需要做下相應變形。
[0030] 記所有心電信號組成的空間為EjlJ_Ee/2，12表示所有均方收斂數(shù)列組成的空間， 這是一個Hilbert空間。設^^二是12的一組標準正交基，gel2,則g具有如下正交分解形式：
[0033]當然，我們可以通過選擇一組合適的標準正交基將E投影到一個較低維的空間中， 我們也可以選擇一組普通的基底達到同樣的效果。
[0034]本發(fā)明中采用的是由函數(shù)組成的一組基底，其中
[0036] 經投影變換后的心電圖如圖1.1、1.2、1.3所示，這種變換消除了T波高尖、基線漂 移等因素對定位QRS波的影響，原因在于與T波、P波相比，QRS波在這樣一組基底下投影的模 更大。
[0037] 記原始心電信號為e，內積序列為S，e與S都是單精度浮點型數(shù)據(jù)，長度為HKKKLS 的計算過程如下所示。
[0039] 2.用正則化最小二乘回歸學習算法處理內積序列S
[0040]設{^·,,乃為一組樣本，正則化最小二乘回歸學習算法形式如下
[0042]其中，Ηκ是由核函數(shù)K所生成的再生核Hilbert空間，| | · | |κ表示空間Ηκ中的范數(shù)， λ表示正則化參數(shù)。這里我們取
[0044]作為核函數(shù)，其中I I · I |2表示歐式空間中的2范數(shù)。如(5)所示的正則化最小二乘 回歸學習算法具有如下形式的解析解：
[0046]其中，
[0047] a = (ai,a2,---,am)T0
[0048] a是方程
[0049] (Aml+G)a = y (6)的解，其中
[0050] y = (yi,y2,---,ym)T〇
[0051] G是一個mXm維實對稱正定矩陣。矩陣G的第i行，第j列元素通過如下計算得到
[0053] 在實際操作過程中，為了提高效率，首先需要將(2)所示線性系統(tǒng)轉化為
[0054] LLTa = y
[0055] 再求解，這里L是矩陣λπιΙ+G的平方根分解。
[0056] 在本發(fā)明中，取
[0057] m= 100,
[0059] 使用正則化最小二乘回歸學習算法最關鍵的步驟是確定正則化參數(shù)λ的值。首先， 我們利用CV(Cross Validation)的辦法確定λ，然后使用遺傳算法(Genetic Algorithms) 對λ進行優(yōu)化。CV是用來驗證學習型算法性能的一種統(tǒng)計分析方法，其基本思想是在某種意 義下將原始數(shù)據(jù)進行分組，一部分作為訓練集，另一部分作為驗證集:先用訓練集訓練，再 利用驗證集測試訓練得到的模型，以得到的均方誤差作為評價學習型算法性能的指標。
[0060] 遺傳算法是1962年由美國密歇根大學Holland教授提出的模擬自然界遺傳機制和 生物進化論的一種并行隨機搜索最優(yōu)化方法。它把自然界優(yōu)勝劣汰，適者生存的生物進化 原理引入優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，按照所選擇的適應度函數(shù)并通過遺傳中的選 擇，使適應度值好的個體被保留，適應度差的個體被淘汰，新的群體既繼承了上一代的信 息，又優(yōu)于上一代。這樣反復循環(huán)，直至滿足條件。
[0061 ]遺傳算法的基本操作依次為:選擇操作，交叉操作，變異操作。將對訓練集進行CV 意義下的最小均方誤差作為GA中的適應度函數(shù)值，則利用GA對正則化最小二乘回歸學習算 法進行優(yōu)化的整體算法過程如圖4.2所示。定義單精度浮點型數(shù)組Si，長度為10000,將經正 則化最小二乘回歸學習算法處理后的內積序列存儲在Si中。
[0062]經正則化最小二乘回歸學習算法處理前后的內積序列如圖2.1、2.2、2.3所示。 [0063] 3.檢測 QRS 波
[0064] 該過程可分解為下列幾個小步驟進行：
[0065] 3.1定義單精度浮點型數(shù)組&，長度為10000。對31的每個元素都取絕對值然后按順 序存儲在3 2中。
[0066] 3.2定義單精度浮點型數(shù)組S3,長度為10000;定義整型數(shù)組N，長度為10000。對S 2做 降序排列，得到的新序列按順序存儲在&中，將&中的元素在&中所處的位置存儲在N中，BP
[0067] S3[i] = S2[N[i]]，i = 0,1，···，9999。
[0068] 3 · 3構造二維整型數(shù)組Μ，維數(shù)為200 X 200。其中，
[0069] M[i][j]=|N[i]_N[j]|，i，j = 0，l，."，199。
[0070] 經過3.2的排序操作之后，所有QRS波位置處所對應的內積的模一定都排在了前 面。如果Μ的維數(shù)過大，QRS波的個數(shù)可能會多出來;反之，可能會漏掉QRS波。大量測試表明 將Μ的維數(shù)定為200 X 200是最合適的。
[0071] 這里| · |表示絕對值運算。
[0072] 3.4 重置 Μ[0][0]為 1
[0073] Μ[0][0]存儲的是內積序列中模最大的元素所在的位置，這個位置一定存在一個 QRS波，但是在3.3中已經將該位置置0,為了在接下來的搜索中不至于漏掉一個QRS波，所以 要將該位置重置為0。
[0074] 3.5若紙1][」]彡200，則將第]_行的值全部置0，1 = 0，1，~，198;]_ = 1+1，...，199。
[0075] 200毫秒是心肌細胞絕對不應期的長度，也就是說在200毫秒內絕對不可能出現(xiàn)兩 個心搏，所以我們選擇200毫秒作為步長篩選QRS波。
[0076] 3.6定義整型數(shù)組A，長度為50，初始化為0。若M[ i ] [0]乒0，i = 0，1，…，199，則將Ν
[i]存儲在A[i]中。定義整型變量Num，計算A[i]中所有不為0的元素的個數(shù)，并將其存儲在 Num 中。
[0077] 3.7定義單精度浮點型數(shù)組S4，長度為Num，按照以下過程初始化
[0078] S4[i] = S2[A[i]]，i = 0，l，···，Num_l。
[0079] 3.8定義單精度浮點型變量Median，計算數(shù)組S4的中位數(shù)，并存儲在Median中，若
[0080] S4[i ]<0 · 5 · Median，i = 0，1，…，Num_l，
[0081 ]則將A[ i ]重置為0，同時Num自減1。施行這一步操作的目的是剔除可能錯檢的QRS 波。
[0082] 3.9定義整型數(shù)組處8，長度為燦111，并將4[1]中所有不為0的數(shù)存儲在處8中，〇^中 存儲的就是所有QRS波位置。
[0083] 4.定位QRS波起點，該過程分兩種情形進行。定位QRS波起點的基本思想是：
[0084]通過尋找內積序列的突變點最終定位起點的準確位置。從信號處理的角度來講 QRS波起點前后心電信號中占主要成分的頻率是不同的，也就是說QRS波起點處是信號頻率 分布發(fā)生突變的點。這在內積序列上表現(xiàn)為QRS波起點所在位置附近對應的內積會出現(xiàn)一 個小的波峰。本發(fā)明就是通過定位這個小波峰的位置來定位QRS波起點位置的。
[0085]首先，定義整型數(shù)組QrsStart用于存儲QRS波起點位置，長度為Num，初始化為0。
[0086]當51[(^[;[]]>〇4 = 0，1，"，1111111-1時，(^波起點定位過程如下：
[0087] 4.1定義整型變量j，并用Qrs[ i ]初始化，i = 0，1，…，Num-Ι。
[0088] 4.2從j開始向前搜索，若Si [ j ] -Si [ j-1 K0，1 < j < 9999，則j即第i個QRS波起點所 處位置，將j存儲在QrsStart [ i ]中。
[0089 ]當51[(^[;[]]<〇4 = 0，1，~，1111111-1時，(^波起點定位過程如下：
[0090] 4.3定義整型變量j，初始化為Qrs [ i ]，i = 0，1，…，Num-Ι。
[0091] 4 · 4定義整型變量temp，初始化為0。
[0092] 4 · 5從j開始向前搜索，若Si [ j hSi [ j-Ι ]彡0，1 < j <9999，則將j存儲在temp中。
[0093] 4 · 6從temp 開始向前搜索，若Si [temp ]_Si[ temp-1 ] <0，K temp <9999，則 temp 即 第i個QRS波起點所處位置，將temp存儲在QrsStart[i]中。
[0094] 5.定位QRS波終點，定位QRS波終點的思想與起點相同。該過程分兩種情形進行。
[0095]首先定義整型數(shù)組QrsFinal用于存儲QRS波終點位置，長度為Num，初始化為0。
[0096] 當51[(^[;[]]>〇4 = 0，1，"，1111111-1時，(^波終點定位過程如下：
[0097] 5.1定義整型變量j，并用Qrs[i]初始化，i = 0，l，，"，Num-l。
[0098] 5.2定義整型變量temp，初始化為0。
[0099] 5.3從」開始向后搜索，若51[」]-51口+1]彡0,0彡衫9998，則將」存儲在仏111?中。
[0100] 5 · 4從 temp開始向后搜索，Si[temp]_Si[temp+l ]多0，CXtemp^i9998，則 temp 即第 i 個QRS波終點所處位置，將其存儲在QrsFinal [ i ]中。
[0101] 當51[(^[;[]]<〇4 = 0，1，~，11111]1-1時，(^波終點定位過程如下：
[0102] 5 · 5定義整型變量j，初始化為Qrs[ i ]，i = 0，1，…，Num-1。
[0103] 5 · 6從j開始向后搜索，若Si [ j ] -Si [ j+1 ]彡0，0彡j < 9998，則j即第i個QRS波終點所 處位置，將其存儲在QrsFinal [ i ]中。
[0104] QRS波起點終點定位效果如圖3.1、3.2、3.3所示。
[0105] 以上各步驟中所述的具體內容(包括公式、變換方法、技術路線等），均可通過計算 機代碼來實現(xiàn)，本領域技術人員應該能夠理解，對于任何一個特定的方法和步驟采用不同 的方式來實現(xiàn)所述功能，或者通過替換其中的一些參數(shù)以及推演出類似的公式方法和判定 規(guī)則，只要是不脫離本專利構思的前提下，均應當視為屬于本專利的保護范圍。
【主權項】
1. 一種基于正則化最小二乘回歸學習的QRS波起點終點定位方法，該方法是:基于函數(shù) 在Hilbert空間中正交分解的思想結合正則化最小二乘回歸學習算法，構建一系列檢測方 法、檢測準則和閾值參數(shù)，最終檢測出QRS波并定位出其起點、終點位置;其特征在于： 首先將心電信號與高斯函數(shù)的一階導函數(shù)做內積運算得到內積序列，選擇由高斯核函 數(shù)生成的再生核Hilbert空間作為正則化最小二乘回歸學習算法的逼近空間，并用實對稱 矩陣的平方根分解的辦法求解算法，得到新的內積序列； 然后用正則化最小二乘回歸學習算法處理內積序列，具體是通過對內積序列依照絕對 值大小進行排序，用特定的步長篩選內積序列，實現(xiàn)對QRS波位置的定位； 最后通過分析內積序列檢測出QRS波并確定其起點、終點位置；即通過在QRS波位置一 定鄰域內尋找內積序列的突變點確定QRS起點、終點位置。2. 根據(jù)權利要求1所述的基于正則化最小二乘回歸學習的QRS波起點終點定位方法，其 特征在于所述的QRS波起點終點定位方法包括如下實施步驟： 在以下步驟中，若h表示函數(shù)，則h (X)表示函數(shù)h在點X處的函數(shù)值;若h表示數(shù)組(整型 或浮點型），則h[i]表示數(shù)組h的第i個元素，其中i為非負整數(shù)； 步驟1:心電信號變換;將心電信號投影到一個維數(shù)相對較低的空間中；若Η是Hilbert 空間，f e H，是!1的一組標準正交基，則f具有如下正交分解形式： / = Σ?,·η ⑴ /-1 其中： ?,=〈/- *Λ〉"' =廠 /(命(·ν)辦 12、 由連續(xù)函數(shù)組成的Hilbert空間中的元素具有如式（1)所示的正交分解形式，同樣信號 空間中的元素也具有如式(1)所示的正交分解形式，只是式(2)需要做下相應變形： 記所有心電信號組成的空間為E，則五g; f，I2表示所有均方收斂數(shù)列組成的空間，這是 一個Hilbert空間；設丨￡〇^是12的一組標準正交基，gel2,則g具有如下正交分解形式： s=i^iei ⑶ ?~1 β； =(s^,)r=Y,s{.i)-eX.i) H) 采用由函數(shù)組成的一組基底，其中：經投影變換后的心電圖消除了 T波高尖、基線漂移等因素對定位QRS波的影響，原因在 于與T波、P波相比，QRS波在這樣一組基底下投影的模更大； 記原始心電信號為e，內積序列為S，e與S都是單精度浮點型數(shù)據(jù)，長度為lOOOOd的計 算過程如下所示。 ,Γ,Τ |Σ^(/>"[./]^· = 4·^··-9995 沖 4: τ Ο, / - 0,1, 2, 3,9996,9997,9998, 9999 1) 用正則化最小二乘回歸學習算法處理內積序列S， 設為一組樣本，正則化最小二乘回歸學習算法形式如下(5) 其中，Ηκ是由核函數(shù)Κ所生成的再生核Hilbert空間，| | · | |κ表示空間Ηκ中的范數(shù)，λ表 示正則化參數(shù)，這里我們取作為核函數(shù)，其中I I · I |2表示歐式空間中的2范數(shù);如式(5)所示的正則化最小二乘回 歸學習算法具有如下形式的解析解： χ：(·ν)^Σβλ'(-ν，-ν) > i-l. 其中， α= (αι,α2, ··· ,am)T； a是方程 (Aml+G)a = y (6) 的解，其中， y=(yi，y2，."，ym)T， G是一個mXm維實對稱正定矩陣，矩陣G的第i行，第j列元素通過如下計算得到：在實際操作過程中，為了提高效率，首先需要將式(2)所示線性系統(tǒng)轉化為 LLTa = y 再求解，這里L是矩陣λπιΙ+G的平方根分解， 取 m= 100， {(W, )}: = ;(，-外·))}:〉 使用正則化最小二乘回歸學習算法最關鍵的步驟是確定正則化參數(shù)λ的值，首先，利用 CV(Cross Validation)的辦法確定λ，然后使用遺傳算法(Genetic Algorithms)對λ進行優(yōu) 化； 遺傳算法的基本操作依次為:選擇操作，交叉操作，變異操作，將對訓練集進行CV意義 下的最小均方誤差作為GA中的適應度函數(shù)值，則利用GA對正則化最小二乘回歸學習算法進 行優(yōu)化的整體算法，定義單精度浮點型數(shù)組Si，長度為10000,將經正則化最小二乘回歸學 習算法處理后的內積序列存儲在Si中； 2) 檢測QRS波，該過程可分解為下列幾個小步驟進行： 第一，定義單精度浮點型數(shù)組&，長度為10000;對31的每個元素都取絕對值然后按順序 存儲在S2中； 第二，定義單精度浮點型數(shù)組S3，長度為10000;定義整型數(shù)組N，長度為10000;對32做降 序排列，得到的新序列按順序存儲在S3中，將S3中的元素在S2中所處的位置存儲在N中，BP S3[i]=S2[N[i]]，i = 0，l，...，9999。 第三，構造二維整型數(shù)組Μ，維數(shù)為200 X 200，其中， M[i][j]=|N[i]-N[j]|，i，j = 0，l，…，199。 經過第二步的排序操作之后，所有QRS波位置處所對應的內積的模一定都排在了前面， 如果Μ的維數(shù)過大，QRS波的個數(shù)可能會多出來;反之，可能會漏掉QRS波;大量測試表明將Μ 的維數(shù)定為200 X 200是最合適的。 這里I · I表示絕對值運算； 第四，重置Μ[0][0]為1， Μ[0][0]存儲的是內積序列中模最大的元素所在的位置，這個位置一定存在一個QRS 波，但是在第三步驟中已經將該位置置0,為了在接下來的搜索中不至于漏掉一個QRS波，所 以要將該位置重置為1; 第五，若M[i][j]彡200,則將第j行的值全部置0，i = 0，l，…，198;j = i+l，."，199;200 毫秒是心肌細胞絕對不應期的長度，也就是說在200毫秒內絕對不可能出現(xiàn)兩個心搏，所以 我們選擇200毫秒作為步長篩選QRS波； 第六，定義整型數(shù)組A，長度為50，初始化為0;若M[ i ] [0]辛0，i = 0，1，…，199，則將N[ i ] 存儲在A[ i ]中；定義整型變量Num，計算A[ i ]中所有不為0的元素的個數(shù)，并將其存儲在Num 中； 第七，定義單精度浮點型數(shù)組S4,長度為Num，按照以下過程初始化： S4[i] = S2[A[i] ]，i = 0,1，…，Num_l 〇 第八，定義單精度浮點型變量Median，計算數(shù)組S4的中位數(shù)，并存儲在Median中，若 S4[i]<0.5 · Median, i = 0，1，…，Num_l， 則將A[i ]重置為0，同時Num自減1。施行這一步操作的目的是剔除誤檢的QRS波； 第九，定義整型數(shù)組Qrs，長度為Num，并將A[ i ]中所有不為0的數(shù)存儲在Qrs中，Qrs中存 儲的就是所有QRS波位置； 3)定位QRS波起點，該過程分兩種情形進行； 首先，定義整型數(shù)組QrsStart用于存儲QRS波起點位置，長度為Num，初始化為0; 當Si[Qrs[i]] >0, i = 0,1，…，num-l時，QRS波起點定位過程如下： 第一，定義整型變量j，并用Qrs[i]初始化，i = 0，l，···，Num-l; 第二，從j開始向前搜索，若Si [ j ] -Si [ j-1 ]彡0，1彡j彡9999，則j即第i個QRS波起點所處 位置，將j存儲在QrsStart [ i ]中； 當Si[Qrs[i]]<0, i = 0,1，…，num-1時，QRS波起點定位過程如下： 第三，定義整型變量j，初始化為Qrs[i ]，i = 0，1，…，Num-l; 第四，定義整型變量temp，初始化為0; 第五，從j開始向前搜索，若Si [ j ] -Si [ j-Ι ]》0，1 < j <9999，則將j存儲在temp中； 第六，從 temp 開始向前搜索，若 Si [temp]-Si [temp-1 ]<0, K temp< 9999,則temp 即第i 個QRS波起點所處位置，將temp存儲在QrsStart [ i ]中； 4)定位QRS波終點，定位QRS波終點的思想與起點相同；該過程分兩種情形進行： 首先定義整型數(shù)組QrsFinal用于存儲QRS波終點位置，長度為Num，初始化為0; 當Si[Qrs[i]] >0, i = 0,1，…，num-l時，QRS波終點定位過程如下： 第一，定義整型變量j，并用Qrs[i]初始化，i = 0，l，···，Num-l; 第二，定義整型變量temp，初始化為0; 第三，從j開始向后搜索，若Si [ j ] -Si [ j+Ι ]彡0，0彡j彡9998，則將j存儲在temp中； 第四，從temp開始向后搜索，51|^11^1]-51|^11^1+1]多0,0^^11^1<9998，則七611^1即第;[個 QRS波終點所處位置，將其存儲在QrsFinal [ i ]中； 當31[(^[;[]]<〇4 = 0，1，~，1111111-1時，(^波終點定位過程如下： 第五，定義整型變量j，初始化為Qrs[i]，i = 0，l，···，Num-l; 第六，從j開始向后搜索，若Si [ j ] -Si [ j+1 ]彡0，0彡j彡9998，則j即第i個QRS波終點所處 位置，將其存儲在QrsFinal [ i ]中。
【文檔編號】A61B5/0472GK106063704SQ201610369281
【公開日】2016年11月2日
【申請日】2016年5月27日 公開號201610369281.7, CN 106063704 A, CN 106063704A, CN 201610369281, CN-A-106063704, CN106063704 A, CN106063704A, CN201610369281, CN201610369281.7
【發(fā)明人】朱玉奎, 符靈建
【申請人】浙江好絡維醫(yī)療技術有限公司