一種房顫檢測電路
1.本發明涉及一種低功耗心臟房顫檢測芯片，屬于醫療集成電路領域。
背景技術：
2.心房顫動是一種嚴重且常見的心臟病，影響整個人的0.4％至1.0％，其患病率隨著年齡的增長而增加，在80歲以上的人中可達到10％。微型植入式心臟監護儀預計至少可以工作2-3年。功耗是植入式芯片的重要參數，低功耗設計能極大的延長植入式芯片在人體內的工作時間。
技術實現要素：
3.本發明要解決的技術問題是：傳統溫度傳感器所采用的感溫元件容易受偏置電流源及其他元件失配的影響，從而溫度傳感器的影響分辨率和精度。
4.為了解決上述技術問題，本發明的技術方案是提供了一種房顫檢測電路，其特征在于，包括心跳rr間期計算部分以及基于rr間期的房顫診斷部分，其中：
5.心跳rr間期計算部分使用了pan and tompkins算法，利用心跳rr間期計算部分識別心電信號中的各個r峰，從而獲得心電信號中位于相鄰兩個r峰之間的待測信號，包括以下步驟：
6.步驟1、將心電信號通過帶通濾波器；
7.步驟2、對心電信號進行求導、平方，再使用移動窗口對信號進行積分后，選出所獲得信號的區域極大值點，最后使用自適應閾值對極大值點進行分類，以區分r峰與噪聲峰；
8.基于rr間期的房顫診斷部分用于將待測信號的
△
rr累積概率分布曲線與標準
△
rr累積概率分布曲線進行對比，以判斷是否發生房顫，具體包括以下步驟：
9.步驟a、從房顫標準數據庫中獲取心跳房顫片段，并計算其rr間期平均值，并且在預定時間長度區間范圍內將心跳房顫片段分成多類，進一步計算每一類信號的
△
rr累積概率分布曲線，記為標準累積概率分布曲線；
10.步驟b、計算通過心跳rr間期計算部分獲得的待測信號的rr間期平均值和
△
rr累積概率分布，待測信號的
△
rr累積概率分布記為待測信號累積概率分布曲線；
11.步驟c、根據步驟a計算得到的rr間期平均值以及步驟b計算得到的待測信號rr間期平均值，從步驟a中所有類型曲線中尋同類的標準累積概率分布曲線，計算標準累積概率分布曲線與步驟b獲得的待測信號累積概率分布曲線的差的最大值，記為d；依據最大值d判定該段待測心跳是否具有房顫：若最大值d小于設定閾值，則認為心跳具有房顫，否則認為心跳沒有房顫。
12.優選地，所述步驟2進一步包括以下步驟：
13.步驟201、對心電信號選取五點求導；
14.步驟202、對求導獲得的信號進行平方；
15.步驟203、對上一步獲得的信號使用移動窗口進行積分；
16.步驟204、選出步驟203所獲得信號的區域極大值點，該極大值點為備選r峰或噪聲峰；
17.步驟205、使用自適應閾值對極大值點進行分類，以區分r峰與噪聲峰。
18.優選地，所述步驟205進一步包括以下步驟：
19.步驟2051、將閾值設定為初始值，并開始計時；
20.步驟2052、取一個極大值點作為當前極大值點；
21.步驟2053、若當前極大值點為區域極大值且大于閾值，則判定當前極大值點為r峰，進入步驟2054，否則判定當前極大值點為噪聲峰，進入步驟2055；
22.步驟2054、更新閾值后，取下一個極大值點作為當前極大值點，返回步驟2053，直至遍歷所有極大值點；
23.步驟2055、計時時間是否超過時間閾值，若是，則進入步驟2056，否則，取下一個極大值點作為當前極大值點，返回步驟2053，直至遍歷所有極大值點；
24.步驟2056、認為漏掉r峰，將上一個r峰所對應的極大值點作為當前極大值點，降低閾值并重新開始計時后返回步驟2053，直至遍歷所有極大值點。
25.基于本發明實現的低功耗房顫檢測芯片采用了256hz的時鐘信號，實現了極低的動態功耗。其核心部分功耗為26.3μw，面積為3.37mm2，測試結果敏感性為93.02％，特異性為79.68％。
附圖說明
26.圖1示意了實施例中所公開的房顫檢測電路的整體架構；
27.圖2示意了pan and tompkins算法應用流程圖；
28.圖3示意了房顫判定過程，圖中，standard_fx為房顫數據庫中計算得到的標準
△
rr累積概率分布曲線，test_fx為待測信號
△
rr累積概率分布曲線，d為standard_fx與test_fx之間差的最大值。
具體實施方式
29.下面結合具體實施例，進一步闡述本發明。應理解，這些實施例僅用于說明本發明而不用于限制本發明的范圍。此外應理解，在閱讀了本發明講授的內容之后，本領域技術人員可以對本發明作各種改動或修改，這些等價形式同樣落于本技術所附權利要求書所限定的范圍。
30.如圖1所示，本實施例公開的一種房顫檢測電路包括心跳rr間期計算部分r-peak recognition以及基于rr間期的房顫診斷部分atrial fibrillation diagnosis。
31.心跳rr間期計算部分r-peak recognition的電路結構包括帶通濾波器、求導模塊、平方模塊、積分模塊以及自適應閾值模塊。
32.心跳rr間期計算部分r-peak recognition使用了pan and tompkins算法，并使其更加精簡，其過程包括：設定初始閾值；區分r峰與噪聲峰；根據峰值更改閾值。若過長時間沒有尋到r峰，則退回至上一個r峰，降低閾值，重新搜索，具體包括以下步驟：
33.步驟1、將心電信號通過帶通濾波器，本實施例中，該帶通濾波器通帶為5-15hz。
34.步驟2、對心電信號進行求導、平方，再使用移動窗口對信號進行積分，進一步包括
以下步驟：
35.步驟201、如下式所示，對心電信號選取五點求導：
[0036][0037]
式中，t表示時鐘周期，nt表示當前時間，x(nt)表示輸入信號，y(nt)表示五點求導后輸出信號。
[0038]
步驟202、對求導獲得的信號進行平方，如下式所示：
[0039]
y[nt]＝x2[nt]
[0040]
式中，c[nt]表示通過步驟201求導獲得的信號。
[0041]
步驟203、使用移動窗口進行積分，其中，n表示積分窗口中包含的采樣點數量，約等于qrs波的寬度，如下式所示：
[0042][0043]
步驟204、選出步驟203所獲得信號的區域極大值點，該極大值點為備選r峰或噪聲峰；
[0044]
步驟205、使用自適應閾值對極大值點進行分類，以區分r峰與噪聲峰，如圖2所示，進一步包括以下步驟：
[0045]
步驟2051、將閾值設定為初始值，并開始計時；
[0046]
步驟2052、取一個極大值點作為當前極大值點；
[0047]
步驟2053、若當前極大值點為區域極大值且大于閾值，則判定當前極大值點為r峰，進入步驟2054，否則判定當前極大值點為噪聲峰，進入步驟2055；
[0048]
步驟2054、更新閾值后，取下一個極大值點作為當前極大值點，返回步驟2053，直至遍歷所有極大值點；
[0049]
步驟2055、計時時間是否超過時間閾值，若是，則進入步驟2056，否則，取下一個極大值點作為當前極大值點，返回步驟2053，直至遍歷所有極大值點；
[0050]
步驟2056、認為漏掉r峰，將上一個r峰所對應的極大值點作為當前極大值點，降低閾值并重新開始計時后返回步驟2053，直至遍歷所有極大值點。
[0051]
基于rr間期的房顫診斷部分atrial fibrillation diagnosis用于將待測信號的
△
rr累積概率分布曲線與標準
△
rr累積概率分布曲線進行對比，結合圖3，具體包括以下步驟：
[0052]
步驟1、從房顫標準數據庫中獲取心跳房顫片段，并計算其rr間期平均值，并且在350ms-1150ms間將心跳房顫片段分成16類，每一類50ms，并計算每一類信號的
△
rr累積概率分布曲線，記為16條標準累積概率分布曲線。
[0053]
步驟2、計算待測信號的rr間期平均值和
△
rr累積概率分布，待測信號的
△
rr累積概率分布記為待測信號累積概率分布曲線。
[0054]
步驟3、根據待測信號rr間期平均值從步驟1中的16類曲線中尋同類的標準累積概率分布曲線。計算步驟1獲得的標準累積概率分布曲線與對應類別的步驟2獲得的待測信號累積概率分布曲線的差的最大值，記為d。依據最大值d判定該段待測心跳是否具有房顫，若最大值d小于設定閾值，則認為心跳具有房顫，否則認為心跳沒有房顫。
[0055]
上述算法簡潔且適合硬件實現，并且均在256hz的時鐘條件下進行，以保證基于該算法實現的芯片具有極低的動態功耗。
