CN101766484A - 用于心电图识别与分类的方法和设备 - Google Patents
用于心电图识别与分类的方法和设备 Download PDFInfo
- Publication number
- CN101766484A CN101766484A CN201010022895A CN201010022895A CN101766484A CN 101766484 A CN101766484 A CN 101766484A CN 201010022895 A CN201010022895 A CN 201010022895A CN 201010022895 A CN201010022895 A CN 201010022895A CN 101766484 A CN101766484 A CN 101766484A
- Authority
- CN
- China
- Prior art keywords
- ripple
- qrs
- trend
- point
- calculates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于心电图识别与分类的方法和设备,该方法和设备通过时域特征计算、形态提取预处理和QRS波形态特征点计算,从而识别QRS波形态模式,得到P波、T波和QRS波的形态特征。采用本发明的技术方案,充分借助对于源自医生思维和经验的ECG形态特征的识别过程,实现了以较小的工作量达到较高的诊断心率失常准确率的效果,为ECG诊断仪的应用提供了良好的基础。
Description
技术领域
本发明涉及心电图(Electrocardiogram,ECG)诊断仪领域,更具体地说,涉及用于心电图(ECG)诊断仪的特征识别与模式分类方法和设备。
背景技术
我国社会的医疗模式正在发生深刻的转变,需要从以大、中医院为中心的医疗模式,逐步过渡到以个人为中心、以家庭为单位、以社区为范围,集医疗、预防、保健管理于一体,注重早期诊断与治疗的卫生服务,以提高全民生活质量、减少不必要的花费。国务院《关于发展城市社区卫生服务的指导意见》提出到201 0年实现“人人享有基本医疗和公共卫生服务”的蓝图。因此,医疗保健设备的“无线化”、“便携式”、“家庭化”是必然的发展方向,如用于心、肺音的听诊,脑电、心电信号的识别的无线可佩戴设备。
生活中,心脑血管疾病具有起病急骤、难以预测的特点,已经成为威胁21世纪人类生命健康最严重、最常见的疾病。例如许多心脏疾病常常突发于医院之外,病人被送达医院时相应症状的发作已经停止,没有ECG记录,此时医生并不能够做出诊断。使用“可佩戴无线ECG诊断仪”就能够及时记录疾病发作时的ECG,并将其通过短距离无线通信方式传输到掌上计算机,捕获异常情况。一旦有危险,相关信息可通过无线通信网络传送到医院或急救中心,通知医生进行“家访”或让患者/家属及时到医院治疗,而病人在到达急诊室之前就能够得到初步诊断,社会和经济效益会十分巨大。
通常,将采集的心电数据进行预处理后,即进入心电图波形检测和提取特征信息的阶段。心电图特征信息提取算法的准确与否是自动分析系统研究过程中的核心问题,分析结果的准确性取决于特征提取的准确性和可靠性。在心电图中,一组顺序发生的P波、QRS波、T波以及U波,代表一个完整的心动周期(也称为一个心拍),心电图正是由一次又一次周而复始的心动周期组成的。一个心电周期中所包含的心电特征信息如图1所示。该心电特征信息主要包含以下几个特征:
1.P波
P波是左右心房的除极波。起点表示右心房开始除极,终点代表两个心房除极完毕。在正常心电图中表现为一个心动周期中的第一个波,P波的前半部代表右心房除极,后半部代表左心房除极。在形态上可以为单向(正向或者负向)、双向(是指在参考水平线上下各有一个转折点,以上为正向,以下为负向,可为正负双向和负正双向)。
1.P-R段
是发生在P波之后的一段平线,代表激动在房室交界区、房室束及部分束支内传导。其中含有心房复极波(Ta波)的成分,因电位变化不明显,故心电图呈一平线。
2.P-R间期
P-R间期是指P波起点到QRS波群起点的之间的时间度量,代表激动自窦房结开始通过心脏传导系统下传引起心室激动开始除极的时间。
3.QRS波群
典型的QRS波群包括三个紧密相连的波,第一个向下的波称为Q波,继Q波之后的一个高尖的直立波被称为R波,R波后向下的波称为S波。这个波群是反映左、右心室(包括室间隔肌)除极的电位变化。QRS波群是广义的代表心室肌的除极波,并不一定每个QRS波群都有Q、R、S三个波,也有可能会存在其他子波。
4.R-R间期
R-R间期是指一个QRS波群R波波峰到下一个QRS波群R波波峰的之间的时间度量。
5.ST段
是指J点和T波起点之间的一段,ST段通常呈水平或平缓倾斜,并逐步过渡为T波。代表左、右心室全部除极完毕到复极开始之前的一段时间。。
6.T波
T波是ST段后的一个幅度较低、占时间较长的波,是由心室复极所产生的。它可以为单向(正向或者负向)或者双向(分为正负双向和负正双向),代表心室复极过程所引起的电位变化。
7.Q-T期间
是指自QRS波群开始到T波终结的间期,代表心室肌除极和复极的全部过程。
8.U波
U波位于T波之后,是一个矮小的波。目前,它的发生机理尚未完全明确,有人认为它代表心肌激动的激后电位,也有人认为它表示浦肯野纤维的动作电位。
ECG计算机识别的核心问题是ECG的特征信号如P波、QRS波和T波的识别和异常情况的分类。QRS波的识别是前提,而精确检测QRS波的主波R波是识别整个QRS波的基础。
ECG诊断仪这样的设备要求在只有较小内存空间的情况下有更强的实时性,因而波形识别面临着更大的挑战,进一步研究已有ECG识别算法并针对可佩戴设备的特别的需求来设计新算法成为必然要求。
有关的研究方法有很多,包括小波分析、人工神经网络、微分阈值、知识库、句法分析、马尔柯夫过程、数学形态学、句法分析、支持向量机、人工免疫算法等,并构成诊断系统。由于模型的简化、信号的干扰、特征的模糊、信息的不全,以及缺乏对形态的分析能力等方面的原因,目前计算机检测的准确率远未达到临床心血管医生目测的水平。
如果不以“百分之百”准确为目标(这是社区医疗等应用可接受的实际情况),上述方法的检测效果均可以,但大部分方法的测试范围都是局部的,难以推广到更大范围,它们有这些共同之处:与斜率、振幅等直观参数有关或对它们有依赖;对医生的经验重视不够;计算复杂;实时性不够。下面是主要方法的特点的归纳。
直观参数 经验 计算复杂度 实时性 测试范围 QRS波检测
1)阈值法 显式 部分利用 普通 较好 全部 好
2)句法法 隐式 不讨论 高 较差 部分 好
3)小波法 隐式 不讨论 高 较差 全部 好
4)形态学法 隐式 不讨论 高/一般 较差 部分 好
5)隐马尔可夫模型法
隐式 不讨论 高 较差 部分 好
6)神经网络法
隐式 不讨论 高 较差 部分 好
7)知识库法显式 部分利用 高 较差 部分 好
这些方法主要着眼于QRS波的检测这一基础和前提工作。综合考虑测试范围和QRS波检测结果,阈值法和小波法是最好的,但小波法计算复杂,而阈值法考虑的参数比较有限。综合而言,目前没有满足实际ECG特征识别与模式分类要求的具体方法。宜在充分重视和吸收医生的思维过程和经验、降低计算复杂性方面寻找解决途径。
发明内容
本发明旨在提供一种适用于ECG诊断仪的特征识别和模式分类方法,能以较低的计算量实现有效的ECG识别,并可提高ECG识别的准确率。
本发明还提供了一种用于心电图识别和分类的设备。
本发明提供了一种用于心电图识别和分类的方法,用于对获取的心拍队列Beat(k)进行识别和分类,每个心拍具有主峰波位置Peak(k)以及P波、QRS波和T波的起点和终点[start,end],该方法包括如下的步骤:
时域特征计算步骤,分别计算QT间期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔;
形态提取预处理步骤,分别对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶;趋势谷是指那些趋势由下向上转变的转折点,趋势顶是指那些趋势由上向下转变的转折点;
QRS波形态特征点计算步骤,根据预处理步骤得到的趋势转折点,配合基线定位Q波、R波、S波、R’波和S’波,同时计算上述的Q波、R波、S波、R’波和S’波的振幅;
形态识别步骤,根据形态提取预处理步骤的结果得到P波和T波的形态特征;根据QRS波形态特征点计算步骤的计算结果,识别QRS波形态模式,得到QRS波的形态特征。
本发明还一种用于心电图识别和分类的设备,包括:
时域特征计算装置,分别计算QT间期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔;
形态提取预处理装置,对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶;趋势谷是指那些趋势由下向上转变的转折点,趋势顶是指那些趋势由上向下转变的转折点;
QRS波形态特征点计算装置,根据形态提取预处理装置得到的趋势转折点,配合基线定位Q波、R波、S波、R’波和S’波,同时计算上述的Q波、R波、S波、R’波和S’波的振幅;
形态识别装置,根据形态提取预处理装置的处理结果得到P波和T波的形态特征;根据QRS波形态特征点计算装置的计算结果,识别QRS波形态模式,得到QRS波的形态特征。
采用本发明的技术方案,充分借助对于源自医生思维和经验的ECG形态特征的识别过程,实现了以较小的工作量达到较高的诊断心率失常准确率的效果,为ECG诊断仪的应用提供了良好的基础。
附图说明
图1是典型的ECG的波形特征;
图2a至图2m分别示出了ECG中数种波形的形态;
图3a是根据本发明的用于ECG识别与分类方法的过程框图;
图3b是本发明的时域特征计算步骤的过程框图;
图3c是本发明的形态提取预处理步骤的过程框图;
图3d是本发明的QRS波形态特征点计算步骤的过程框图;
图3e是本发明的P波形态识别子步骤的流程示意图;
图3f是本发明的QRS波形态识别子步骤的流程示意图;
图3g是本发明的T波形态识别子步骤的流程示意图;
图4是根据本发明的用于ECG识别与分类设备的功能框图。
具体实施方式
由于现行的算法计算量巨大,无法在设备上得到应用,因此本发明旨在充分重视医生的思维过程并吸收医生的经验、在降低计算复杂性方面寻找解决途径。
在ECG中,就QRS波形态模式而言,常见的有二十余种。所谓不同的形态模式,是指QRS波中存在不同的成份。譬如QRS波只有向下的波,那么就称为QS波;另外,相同的成份在不同的ECG中也会有不同的表现形式,在医学上,QRS波群有Q、R、S、R’和S’子波,在一个QRS波群这些子波可能存在也可能不存在,并且根据各个子波的振幅来区分子波类型,通常用小写的q、r、s、r’和s’来表示QRS波中振幅相对较小的成份,如图2a至图2j所示,分别示出了多种QRS波的形态。此外QRS中还包含粗钝与切迹两种形态特征,其中切迹是指一个波形在参考水平线的同一侧出现2个或2个以上的拐点,如图2k和图2l所示;粗钝是指QRS波的上行、下降支或顶部突然明显的斜率变化造成描迹线局部增粗,如图2m所示。
形态特征与时频分析方法各有适用之处,但迄今为止缺乏针对形态的专门研究、讨论和分析。有经验的医生凭记忆中的模板能迅速判断ECG反映了什么病症,实际上是一个分层的、由粗而细的综合和分析过程。医生依据的是已知异常的ECG模式,并将它们与当时得到的ECG进行比较、对照,这里没有通常意义下的数值计算或数据处理,难以拆成微小逻辑步骤,而是一个综合的、宏观的特征识别与匹配过程:
扫视心电图记录,定位P波、QRS波和T波等特征波型;
测量P-P或R-R或Q-T间隔;
观察波形的斜率、幅值和拐点等各种形态;
或用分规进行比较;
将异常波型与相应特征波型比较,得出结论。
基于上述的判断原理和过程,本发明提供如下的方案来以较低的计算量实现有效的ECG特征识别。
参考图3a所示,其揭示了本发明的用于ECG识别与分类的方法的过程框图。该方法用于对获取的心拍队列Beat(k)进行识别和分类,其中每个心拍具有主峰波位置Peak(k)以及P波、QRS波和T波的起点和终点[start,end],该方法基于上述的信息提取时域特征参数、P波形态特征、QRS波的形态模式与各个子波的形态特征和T波形态特征,具体包括如下的步骤:
步骤S102,时域特征计算步骤,分别计算QT间期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔。如图3b所示,该步骤S102进一步包括:
S120,斜率计算子步骤,计算QRS波的斜率和ST段斜率;以及
S122,间期计算子步骤,计算RR间期和QT间期。
步骤S104,形态提取预处理步骤,分别对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶。其中,趋势谷是指那些趋势由下向上转变的转折点,所述趋势顶是指那些趋势由上向下转变的转折点。如图3c所示,该步骤S104进一步包括:
S140,拐点计算子步骤,分别对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点;
S142,干扰剔除子步骤,剔除干扰拐点。干扰拐点主要分为两种:信号值干扰毛刺和转折过小的拐点。第一种干扰拐点可以通过滤波消除,第二种干扰拐点可以通过设置阈值剔除。
S144,趋势线计算子步骤,通过这些拐点计算趋势线。其中趋势线法主要功能是分辨信号的趋势段,从而实现得到比原始拐点更准确的信号趋势转折点;将趋势线法引入的主要目的是更准确的定位QRS各个子波,从而不受子波中粗钝和切迹的干扰影响。
S146,趋势转折点定位子步骤,得到趋势转折点,并识别定位趋势谷与趋势顶。
步骤S106,QRS波形态特征点计算步骤,根据预处理步骤得到的趋势转折点,配合基线定位Q波、R波、S波、R’波和S’波,同时计算上述的Q波、R波、S波、R’波和S’波的振幅。如图3d所示,该步骤S106进一步包括:
S160,R波计算子步骤,寻找第一个在基线之上趋势顶,若存在这样的点则存在R波,并计算R波幅值;
S162,Q波计算子步骤,如不存在R波,则为特殊形态,直接跳过本计算步骤;否则在QRS波的[start,R)之间寻找在基线之下的趋势谷中幅值最低的趋势转折点,若存在这样的点则存在Q波,并计算Q波幅值;
S164,S波计算子步骤,如不存在R波,则为特殊形态,直接跳过本计算步骤;否则在QRS波的(R,end]之间寻找第一个在基线之下的趋势谷点,若存在这样的点则存在S波,并计算S波幅值;
S166,R’波计算子步骤,如不存在S波,则不存在R’波,直接跳过本计算步骤;否则在QRS波的(S,end)之间寻找第一个在基线之上的趋势顶点,若存在这样的点则存在R’波,并计算R’波幅值;
S168,S’波计算子步骤,如不存在R’波,则不存在S’波,直接跳过本计算步骤;否则在QRS波的(R′,end)之间寻找第一个在基线之上且趋势谷点,若存在这样的点则存在S’波,并计算S’波幅值。
步骤S108,形态识别步骤,根据形态提取预处理步骤的结果得到P波和T波的形态特征;根据QRS波形态特征点计算步骤的计算结果,识别QRS波形态模式,得到QRS波的形态特征。该步骤S108进一步包括以下过程:
S180,P波形态识别子步骤,如果步骤104的计算结果中P[start,end]段内无趋势转折点,则判定该数据无效(可能为导联脱落),无P波形态。否则根据P波波峰的方向和数量,识别P波形态特征(直立、倒置、双峰、双向),其过程如图3e所示;
S182,QRS波形态识别子步骤,识别出QRS波的形态模式与形态特征。QRS波的形态模式包括多种(r、R、qRs、rSr’等),并且这些模式中还包含着QRS各个子波的形态特征(切迹或粗钝),同时对于QRS宽度大于0.11s时,可判定QRS波宽大畸形。对于QRS波形态的识别,也是在医生的人工判断中所利用的重要依据。现有的自动识别技术中,由于没有利用到这些形态特征,因此使得判断依据不完整,并且准确性较低。本发明正式在自动QRS波识别的过程中加入了这些形态特征的识别因素,使得准确率大为提高。其步骤具体为,如果步骤S104的计算结果中QRS[start,end]段内无趋势转折点,则判定该数据无效,无QRS波形态。否则根据步骤106的计算结果,如果不存在R波,则直接根据[start,end]最低趋势谷的振幅判定为QS型或qs型(振幅>=0.6为QS型,反之为qs型)。在存在R波的情况下,顺序检查Q、R、S、R’、S’的存在性与振幅大小和相互比例关系得出QRS形态模式。具体方法为先找出振幅最大的子波,如果该子波振幅大于等于0.6mv则该子波为大子波(例如是R子波,则记为R),其余子波与该最大子波进行比较,如果振幅为最大子波3/5以上时为大子波,如果振幅小于最大子波的3/5但大于1/16时该子波为小子波,如果振幅小于最大子波的1/16时判定为该子波小到忽略不计;如果最大子波振幅小于0.6mv则该子波为小子波(例如是R子波,则记为r),并且其他子波也都为小子波。随后再识别出QRS中各个子波的形态特征,最终得到完整的QRS波形态参数,其过程如图3f所示。根据一个例子,该识别QRS各子波的形态特征的步骤包括基于QRS各子波区间内波形的拐点数和相邻拐点之间的距离关系判定各子波是否存在切迹或粗钝。根据一实施例,该步骤S182包括搜索R波[start,R]和(R,end)区间内拐点,如果[start,R]区间内有两个以上拐点,且这两个拐点之间的距离接近则认为存在R波上升区间粗钝,若这两个拐点之间相距较远否则认为存在R波上升区间切迹区间,以上距离接近与否的判断阈值为0.01s;同样的方法可以用于(R,end)区间内判断R波下降区间的粗钝与切迹;
S184,T波形态识别子步骤,如果步骤S104的计算结果中T[start,end]段内无趋势转折点,则判定该数据无效,无T波形态。否则根据T波波峰方向和数量,识别出T波形态特征(直立、倒置和双向),其过程如图3g所示。
上述方法能够提取出医学定义上所有可能出现的QRS形态模式种类:r、R;qs、QS;rs、rS、Rs和RS;rsr’、rsR’、rSr’、rSR’、Rsr’、RsR’、RSr’和RSR’;rsr’s’、rsr’S’、rsR’s’、rsR’S’、rSr’s’、rSr’S’、rSR’s’、rSR’S’、Rsr’s’、Rsr’S’、RsR’s’、RsR’S’、RSr’s’、RSr’S’、RSR’s’和RSR’S’;qrs、qrS、qRs、qRS、Qrs、QrS、QRs、QRS;qrsr’、qrsR’、qrSr’、qrSR’、qRsr’、qRsR’、qRSr’、qRSR’、Qrsr’、QrsR’、QrSr’、QrSR’、QRsr’、QRsR’、QRSr’和QRSR’;qrsr’s’、qrsr’S’、qrsR’s’、qrsR’S’、qrSr’s’、qrSr’S’、qrSR’s’、qrSR’S’、qRsr’s’、qRsr’S’、qRsR’s’、qRsR’S’、qRSr’s’、qRSr’S’、qRSR’s’、qRSR’S’、Qrsr’s’、Qrsr’S’、QrsR’s’、QrsR’S’、QrSr’s’、QrSr’S’、QrSR’s’、QrSR’S’、QRsr’s’、QRsr’S’、QRsR’s’、QRsR’S’、QRSr’s’、QRSr’S’、QRSR’s’、QRSR’S’。
根据上述的特征识别方法,可以较好的提取出形态特征参数,实现了模拟医生诊断思维过程,为加入了形态特征参数的心律失常判别规则提供了必要的信息。
举例说明,对于室性期前收缩:
1)QRS波≥0.10s;
2)R-早R-R间期=2倍正常的R-R间期;即代偿间期完全;
3)V1导联呈rSR’,RS R’和Rsr’,且左边的R(或r)波的振幅>右边的R(或r)波的振幅;或V6导联呈rS形;
4)形态参数:
a.QRS波宽大畸形;
b.ST段斜率与QRS波主波相反;
c.T波方向与QRS波主波相反。
插入性室性期前收缩:
1)QRS波≥0.12s
2)R-早R-R间期=正常的R-R间期
3)形态参数:
a.QRS波宽大畸形
b.ST段斜率与QRS波主波相反
c.T波方向与QRS波主波相反
参考图4,与图3a-3g所示的方法对应,其揭示了本发明的用于ECG识别与分类的设备的结构框图。该设备用于对获取的心拍队列Beat(k)进行识别利分类,其中每个心拍具有主峰波位置Peak(k)以及P波、QRS波和T波的起点和终点[start,end],该设备基于上述的信息提取时域特征参数、P波形态特征、QRS波的形态模式与各个子波的形态特征和T波形态特征,其具体包括如下部件:
时域特征计算装置202,分别计算QT间期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔。该时域特征计算装置202进一步包括以下几个部件:
斜率计算子装置220,计算QRS波的斜率和ST段斜率;
间隔计算子装置222,计算RR间期和QT间期。
形态提取预处理装置204,对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶;趋势谷是指那些趋势由下向上转变的转折点,趋势顶是指那些趋势由上向下转变的转折点。该形态提取预处理装置204进一步包括如下部件:
拐点计算子装置240,分别对P波、QRS波和T波[start,end]范围内采样数据计算所有拐点;
干扰剔除子装置242,剔除干扰拐点;
趋势线计算子装置244,通过这些拐点计算趋势线;
趋势转折点定位子装置246,得到趋势转折点,并识别定位趋势谷与趋势顶。
QRS波形态特征点计算装置206,根据形态提取预处理装置204得到的趋势转折点,配合基线定位Q波、R波、S波、R’波和S’波,同时计算上述的Q波、R波、S波、R’波和S’波的振幅。该QRS波形态特征点计算装置206进一步包括以下部件:
R波计算子装置260,寻找第一个在基线之上趋势顶,若存在这样的点则存在R波,并计算R波幅值;
Q波计算子装置262,如不存在R波,则为特殊形态,本装置不进行计算;否则在QRS波的[start,R)之间寻找在基线之下的趋势谷中幅值最低的趋势转折点,若存在这样的点则存在Q波,并计算Q波幅值;
S波计算子装置264,如不存在R波,则为特殊形态,本装置不进行计算;否则在QRS波的(R,end]之间寻找第一个在基线之下的趋势谷点,若存在这样的点则存在S波,并计算S波幅值;
R’波计算子装置266,如不存在S波,则不存在R’波,本装置不进行计算;否则在QRS波的(S,end]之间寻找第一个在基线之上的趋势顶点,若存在这样的点则存在R’波,并计算R’波幅值;
S’波计算子装置268,如不存在R’波,则不存在S’波,本装置不进行计算;否则在QRS波的(R′,end]之间寻找第一个在基线之上且趋势谷点,若存在这样的点则存在S’波,并计算S’波幅值。
形态识别装置208,根据形态提取预处理装置的处理结果得到P波和T波的形态特征;根据QRS波形态特征点计算装置的计算结果,识别QRS波形态模式,得到QRS波的形态特征。该形态识别装置208进一步包括:
P波形态识别子装置280,如果形态提取预处理装置204的计算结果中P[start,end]段内无趋势转折点,则判定该数据无效(可能为导联脱落),无P波形态。否则根据P波波峰的方向和数量,识别P波形态特征(直立、倒置、双峰和双向);
QRS波形态识别子装置282,识别出QRS波的形态模式与形态特征。具体为,如果形态提取预处理装置204的计算结果中QRS[start,end]段内无趋势转折点,则判定该数据无效,无QRS波形态。否则根据QRS波形态特征点计算装置206的计算结果,如果不存在R波,则直接根据[start,end]最低趋势谷的振幅判定为QS型或qs型(振幅>=0.6为QS型,反之为qs型)。在存在R波的情况下,顺序检查Q、R、S、R’、S’的存在性与振幅大小和相互比例关系得出QRS形态模式。具体方法为先找出振幅最大的子波,如果该子波振幅大于等于0.6mv则该子波为大子波(例如是R子波,则记为R),其余子波与该最大子波进行比较,如果振幅为最大子波3/5以上时为大子波,如果振幅小于最大子波的3/5但大于1/16时该子波为小子波,如果振幅小于最大子波的1/16时判定为该子波小到忽略不计;如果最大子波振幅小于0.6mv则该子波为小子波(例如是R子波,则记为r),并且其他子波也都为小子波。随后再识别出QRS中各个子波的形态特征,最终得到完整的QRS波形态参数。根据一个例子,该识别QRS各子波的形态特征的步骤包括基于QRS各子波区间内波形的拐点数和相邻拐点之间的距离关系判定各子波是否存在切迹或粗钝。根据一实施例,该QRS波形态识别子装置282包括搜索R波[start,R]和(R,end)区间内拐点,如果[start,R]区间内有两个以上拐点,且这两个拐点之间的距离接近则认为存在R波上升区间粗钝,若这两个拐点之间相距较远否则认为存在R波上升区间切迹区间,以上距离接近与否的判断阈值为0.01s;同样的方法可以用于(R,end)区间内判断R波下降区间的粗钝与切迹;
T波形态识别子装置284,如果形态提取预处理装置204的计算结果中T[start,end]段内无趋势转折点,则判定该数据无效,无T波形态。否则根据T波波峰方向和数量,识别出T波形态特征(直立、倒置和双向)。
采用本发明的技术方案,充分借助对于源自医生思维和经验的ECG形态特征的识别过程,实现了以较小的工作量达到较高的诊断心率失常准确率的效果,为ECG诊断仪的应用提供了良好的基础。
本领域的技术人员能够理解,前述实施例所描述的各个步骤可以通过计算机硬件、计算机软件或两者的组合来实现。为了清楚说明硬件和软件间的互换性,各种说明性的组件、框图、模块、电路和步骤一般按照其功能性进行了阐述。这些功能性究竟作为硬件或软件来实现取决于整个系统所采用的特定的应用系统的设计。技术人员可以认识到在这些情况下硬件和软件的交互性,以及怎样最好地实现每个特定应用所述功能。技术人员可能以对于每个特定应用不同的方式来实现所述功能,但这种实现不应被解释为造成背离本发明的范围。
结合这里所描述的实施例来描述的各种步骤的实现或执行可以用:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、场可编程门阵列(FPGA)或其它可编程逻辑器件、离散门或晶体管逻辑、离散硬件组件或者为执行这里所述功能而设计的任意组合。通用处理器可能是微处理器,处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器也可能用计算设备的组合来实现,如,DSP和微处理器的组合、多个微处理器、结合DSP内核的一个或多个微处理器或者任意其它这种配置。
尽管以上描述了本发明的较佳实施例,但本发明不仅限于此。本领域的熟练的技术人员可以在以上描述的基础上进行各种变化和改变。不脱离发明精神的各种改变和变化都应落在本发明的保护范围之内。发明的保护范围由所附的权利要求书来限定。
Claims (10)
1.一种用于心电图识别和分类的方法,用于对获取的心拍队列Beat(k)进行识别和分类,每个心拍具有主峰波位置Peak(k)以及P波、QRS波和T波的起点和终点[start,end],其特征在于,该方法包括如下的步骤:
时域特征计算步骤,分别计算QT问期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔;
形态提取预处理步骤,分别对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶;所述趋势谷是指那些趋势由下向上转变的转折点,所述趋势顶是指那些趋势由上向下转变的转折点;
QRS波形态特征点计算步骤,根据预处理步骤得到的趋势转折点,配合基线定位Q波、R波、S波、R’波和S’波,同时计算上述的Q波、R波、S波、R’波和S’波的振幅;
形态识别步骤,根据形态提取预处理步骤的结果得到P波和T波的形态特征;根据QRS波形态特征点计算步骤的计算结果,识别QRS波形态模式,得到QRS波的形态特征。
2.如权利要求1所述的方法,其特征在于,所述形态提取预处理步骤进一步包括:
拐点计算子步骤,分别对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点;
干扰剔除子步骤,剔除干扰拐点;
趋势线计算子步骤,通过这些拐点计算趋势线;
趋势转折点定位子步骤,得到趋势转折点,并识别定位趋势谷与趋势顶。
3.如权利要求2所述的方法,其特征在于,QRS波形态特征点计算步骤进一步包括:
R波计算子步骤,寻找第一个在基线之上趋势顶,若存在这样的点则存在R波,并计算R波幅值;
Q波计算子步骤,如不存在R波,则为特殊形态,直接跳过本计算步骤;否则在QRS波的[start,R)之间寻找在基线之下的趋势谷中幅值最低的趋势转折点,若存在这样的点则存在Q波,并计算Q波幅值;
S波计算子步骤,如不存在R波,则为特殊形态,直接跳过本计算步骤;否则在QRS波的(R,end]之间寻找第一个在基线之下的趋势谷点,若存在这样的点则存在S波,并计算S波幅值;
R’波计算子步骤,如不存在S波,则不存在R’波,直接跳过本计算步骤;否则在QRS波的(S,end)之间寻找第一个在基线之上的趋势顶点,若存在这样的点则存在R’波,并计算R’波幅值;
S’波计算子步骤,如不存在R’波,则不存在S’波,直接跳过本计算步骤;否则在QRS波的(R′,end)之间寻找第一个在基线之上且趋势谷点,若存在这样的点则存在S’波,并计算S’波幅值。
4.如权利要求1所述的方法,其特征在于,所述识别QRS波形态模式、得到QRS波的形态特征包括判断QRS波中Q波、R波、S波、R′波和S′波的切迹。
5.如权利要求4所述的方法,其特征在于,所述识别QRS波形态模式、得到QRS波的形态特征还包括判断QRS波中Q波、R波、S波、R′波和S′波的粗钝。
6.一种用于心电图识别和分类的设备,其特征在于,包括:
时域特征计算装置,分别计算QT间期、QRS波的斜率、ST段斜率以及相邻两个QRS波的间隔;
形态提取预处理装置,对P波、QRS波和T波的[start,end]范围内采样数据计算所有拐点,进一步计算出所有趋势转折点,并定位趋势谷与趋势顶;所述趋势谷是指那些趋势由下向上转变的转折点,所述趋势顶是指那些趋势由上向下转变的转折点;
QRS波形态特征点计算装置,根据形态提取预处理装置得到的趋势转折点,配合基线定位Q波、R波、S波、R′波和S′波,同时计算上述的Q波、R波、S波、R′波和S′波的振幅;
形态识别装置,根据形态提取预处理装置的处理结果得到P波和T波的形态特征;根据QRS波形态特征点计算装置的计算结果,识别QRS波形态模式,得到QRS波的形态特征。
7.如权利要求6所述的设备,其特征在于,所述形态提取预处理装置进一步包括:
拐点计算子装置,分别对P波、QRS波和T波[start,end]范围内采样数据计算所有拐点;
干扰剔除子装置,剔除干扰拐点;
趋势线计算子装置,通过这些拐点计算趋势线;
趋势转折点定位子装置,得到趋势转折点,并识别定位趋势谷与趋势顶。
8.如权利要求7所述的设备,其特征在于,所述QRS波形态特征点计算装置进一步包括:
R波计算子装置,寻找第一个在基线之上趋势顶,若存在这样的点则存在R波,并计算R波幅值;
Q波计算子装置,如不存在R波,则为特殊形态,本装置不进行计算;否则在QRS波的[start,R)之间寻找在基线之下的趋势谷中幅值最低的趋势转折点,若存在这样的点则存在Q波,并计算Q波幅值;
S波计算子装置,如不存在R波,则为特殊形态,本装置不进行计算;否则在QRS波的(R,end]之间寻找第一个在基线之下的趋势谷点,若存在这样的点则存在S波,并计算S波幅值;
R’波计算子装置,如不存在S波,则不存在R’波,本装置不进行计算;否则在QRS波的(S,end]之间寻找第一个在基线之上的趋势顶点,若存在这样的点则存在R’波,并计算R’波幅值;
S’波计算子装置,如不存在R’波,则不存在S’波,本装置不进行计算;否则在QRS波的(R′,end)之间寻找第一个在基线之上且趋势谷点,若存在这样的点则存在S’波,并计算S′波幅值。
9.如权利要求6所述的设备,其特征在于,所述识别QRS波形态模式、得到QRS波的形态特征包括判断QRS波中Q波、R波、S波、R′波和S′波的切迹。
10.如权利要求9所述的设备,其特征在于,所述识别QRS波形态模式、得到QRS波的形态特征还包括判断QRS波中Q波、R波、S波、R′波和S′波的粗钝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100228950A CN101766484B (zh) | 2010-01-18 | 2010-01-18 | 用于心电图识别与分类的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100228950A CN101766484B (zh) | 2010-01-18 | 2010-01-18 | 用于心电图识别与分类的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101766484A true CN101766484A (zh) | 2010-07-07 |
CN101766484B CN101766484B (zh) | 2011-09-07 |
Family
ID=42499698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100228950A Expired - Fee Related CN101766484B (zh) | 2010-01-18 | 2010-01-18 | 用于心电图识别与分类的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101766484B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103417209A (zh) * | 2013-08-29 | 2013-12-04 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
CN104323771A (zh) * | 2014-11-11 | 2015-02-04 | 北京海思敏医疗技术有限公司 | 检测心电图信号中p波、t波的方法和装置 |
CN104680186A (zh) * | 2015-03-17 | 2015-06-03 | 中国科学院合肥物质科学研究院 | 一种心电信号中st段形态的自动分类方法 |
CN104783786A (zh) * | 2014-01-20 | 2015-07-22 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图特征识别系统及方法 |
CN105011931A (zh) * | 2014-04-28 | 2015-11-04 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图波形边界检测的方法 |
CN105054926A (zh) * | 2015-04-13 | 2015-11-18 | 深圳市飞马与星月科技研究有限公司 | 心电信号特征信息的提取方法及装置 |
CN105877739A (zh) * | 2016-02-25 | 2016-08-24 | 姜坤 | 一种心电智能分析系统的临床检验方法 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
CN106419907A (zh) * | 2015-07-09 | 2017-02-22 | 德尔格医疗系统有限责任公司 | 定位心电图信号中的j点 |
CN106485213A (zh) * | 2016-09-27 | 2017-03-08 | 鲁东大学 | 一种利用心电信号进行自动身份识别的特征提取方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
CN106725450A (zh) * | 2017-02-20 | 2017-05-31 | 武汉中旗生物医疗电子有限公司 | Qrs波群检测方法 |
CN107296598A (zh) * | 2017-06-22 | 2017-10-27 | 无锡力芯微电子股份有限公司 | 基于光电传感器的心率测定方法及装置 |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN109688916A (zh) * | 2016-09-07 | 2019-04-26 | 心脏起搏器股份公司 | 可植入心脏监视器的过缓暂停检测 |
US10426364B2 (en) | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
CN110779566A (zh) * | 2018-07-13 | 2020-02-11 | 致伸科技股份有限公司 | 具有辅助判断功能的产品测试系统及产品测试辅助方法 |
WO2020118872A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳市科曼医疗设备有限公司 | 导管末端定位方法 |
CN111419212A (zh) * | 2020-02-27 | 2020-07-17 | 平安科技(深圳)有限公司 | 心电图数据处理的方法、装置、存储介质及计算机设备 |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US10827938B2 (en) | 2018-03-30 | 2020-11-10 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
CN113409548A (zh) * | 2021-06-19 | 2021-09-17 | 厦门大学嘉庚学院 | 一种基于人工免疫算法的防溺水警报器系统 |
CN114073534A (zh) * | 2021-11-25 | 2022-02-22 | 成都泰盟软件有限公司 | 一种心功能分析算法 |
US11331034B2 (en) | 2015-10-27 | 2022-05-17 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11672464B2 (en) | 2015-10-27 | 2023-06-13 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US11678831B2 (en) | 2020-08-10 | 2023-06-20 | Cardiologs Technologies Sas | Electrocardiogram processing system for detecting and/or predicting cardiac events |
US11826150B2 (en) | 2017-08-25 | 2023-11-28 | Koninklijke Philips N.V. | User interface for analysis of electrocardiograms |
US12016694B2 (en) | 2019-02-04 | 2024-06-25 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1843293B (zh) * | 2006-03-21 | 2010-04-14 | 李方洁 | 一种长程心电数据分析的方法 |
CN101028186A (zh) * | 2007-03-28 | 2007-09-05 | 李楚雅 | 基于模板匹配的心电图st段自动识别方法 |
CN101268938A (zh) * | 2008-04-30 | 2008-09-24 | 董军 | 用于心电图识别与分类的方法和设备 |
-
2010
- 2010-01-18 CN CN2010100228950A patent/CN101766484B/zh not_active Expired - Fee Related
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103417209A (zh) * | 2013-08-29 | 2013-12-04 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
CN103417209B (zh) * | 2013-08-29 | 2015-06-03 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
CN104783786A (zh) * | 2014-01-20 | 2015-07-22 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图特征识别系统及方法 |
CN105011931B (zh) * | 2014-04-28 | 2018-01-09 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图波形边界检测的方法 |
CN105011931A (zh) * | 2014-04-28 | 2015-11-04 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图波形边界检测的方法 |
CN104323771A (zh) * | 2014-11-11 | 2015-02-04 | 北京海思敏医疗技术有限公司 | 检测心电图信号中p波、t波的方法和装置 |
CN104680186B (zh) * | 2015-03-17 | 2017-09-26 | 中国科学院合肥物质科学研究院 | 一种心电信号中st段形态的自动分类方法 |
CN104680186A (zh) * | 2015-03-17 | 2015-06-03 | 中国科学院合肥物质科学研究院 | 一种心电信号中st段形态的自动分类方法 |
CN105054926A (zh) * | 2015-04-13 | 2015-11-18 | 深圳市飞马与星月科技研究有限公司 | 心电信号特征信息的提取方法及装置 |
CN106419907A (zh) * | 2015-07-09 | 2017-02-22 | 德尔格医疗系统有限责任公司 | 定位心电图信号中的j点 |
CN106419907B (zh) * | 2015-07-09 | 2020-09-18 | 德尔格制造股份两合公司 | 定位心电图信号中的j点 |
US11134880B2 (en) | 2015-10-27 | 2021-10-05 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11147500B2 (en) | 2015-10-27 | 2021-10-19 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US10959660B2 (en) | 2015-10-27 | 2021-03-30 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US10426364B2 (en) | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11331034B2 (en) | 2015-10-27 | 2022-05-17 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US10758139B2 (en) | 2015-10-27 | 2020-09-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11672464B2 (en) | 2015-10-27 | 2023-06-13 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
CN105877739A (zh) * | 2016-02-25 | 2016-08-24 | 姜坤 | 一种心电智能分析系统的临床检验方法 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN106108889B (zh) * | 2016-07-20 | 2019-11-08 | 杨一平 | 基于深度学习算法的心电图分类方法 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106214145A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图分类方法 |
CN109688916B (zh) * | 2016-09-07 | 2022-01-11 | 心脏起搏器股份公司 | 可植入心脏监视器的过缓暂停检测 |
CN109688916A (zh) * | 2016-09-07 | 2019-04-26 | 心脏起搏器股份公司 | 可植入心脏监视器的过缓暂停检测 |
CN106485213B (zh) * | 2016-09-27 | 2019-04-12 | 鲁东大学 | 一种利用心电信号进行自动身份识别的特征提取方法 |
CN106485213A (zh) * | 2016-09-27 | 2017-03-08 | 鲁东大学 | 一种利用心电信号进行自动身份识别的特征提取方法 |
CN106778685A (zh) * | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
CN106725450B (zh) * | 2017-02-20 | 2020-03-27 | 武汉中旗生物医疗电子有限公司 | Qrs波群检测方法 |
CN106725450A (zh) * | 2017-02-20 | 2017-05-31 | 武汉中旗生物医疗电子有限公司 | Qrs波群检测方法 |
CN107296598A (zh) * | 2017-06-22 | 2017-10-27 | 无锡力芯微电子股份有限公司 | 基于光电传感器的心率测定方法及装置 |
US11826150B2 (en) | 2017-08-25 | 2023-11-28 | Koninklijke Philips N.V. | User interface for analysis of electrocardiograms |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
US10827938B2 (en) | 2018-03-30 | 2020-11-10 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
CN110779566B (zh) * | 2018-07-13 | 2021-09-28 | 致伸科技股份有限公司 | 具有辅助判断功能的产品测试系统及产品测试辅助方法 |
CN110779566A (zh) * | 2018-07-13 | 2020-02-11 | 致伸科技股份有限公司 | 具有辅助判断功能的产品测试系统及产品测试辅助方法 |
CN112043274A (zh) * | 2018-12-11 | 2020-12-08 | 深圳市科曼医疗设备有限公司 | 导管末端定位系统 |
WO2020118872A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳市科曼医疗设备有限公司 | 导管末端定位方法 |
US12016694B2 (en) | 2019-02-04 | 2024-06-25 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
CN111419212A (zh) * | 2020-02-27 | 2020-07-17 | 平安科技(深圳)有限公司 | 心电图数据处理的方法、装置、存储介质及计算机设备 |
US11678831B2 (en) | 2020-08-10 | 2023-06-20 | Cardiologs Technologies Sas | Electrocardiogram processing system for detecting and/or predicting cardiac events |
CN113409548A (zh) * | 2021-06-19 | 2021-09-17 | 厦门大学嘉庚学院 | 一种基于人工免疫算法的防溺水警报器系统 |
CN113409548B (zh) * | 2021-06-19 | 2022-08-12 | 厦门大学嘉庚学院 | 一种基于人工免疫算法的防溺水警报器系统 |
CN114073534A (zh) * | 2021-11-25 | 2022-02-22 | 成都泰盟软件有限公司 | 一种心功能分析算法 |
CN114073534B (zh) * | 2021-11-25 | 2023-05-26 | 成都泰盟软件有限公司 | 一种心功能分析算法 |
Also Published As
Publication number | Publication date |
---|---|
CN101766484B (zh) | 2011-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101766484B (zh) | 用于心电图识别与分类的方法和设备 | |
CN101268938A (zh) | 用于心电图识别与分类的方法和设备 | |
Rai et al. | Hybrid CNN-LSTM deep learning model and ensemble technique for automatic detection of myocardial infarction using big ECG data | |
Hammad et al. | Detection of abnormal heart conditions based on characteristics of ECG signals | |
CN104887220B (zh) | 一种由腹壁心电信号提取胎儿心电信号的方法及系统 | |
Jin et al. | HeartToGo: a personalized medicine technology for cardiovascular disease prevention and detection | |
Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
CN103083013B (zh) | 基于形态学与小波变换的心电信号qrs复波检测方法 | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN109063552A (zh) | 一种多导联心电信号分类方法和系统 | |
CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
CN102835954A (zh) | 一种心拍波形模板生成、室性早搏检测处理方法及装置 | |
CN109846472A (zh) | 基于BiLSTM-Attention深度神经网络的心搏分类方法 | |
CN107788969A (zh) | 一种心电信号中qrs波群的自动检测方法 | |
Clifford et al. | Characterizing artefact in the normal human 24-hour RR time series to aid identification and artificial replication of circadian variations in human beat to beat heart rate using a simple threshold | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
Pt et al. | Automated diagnosis of diabetes using heart rate variability signals | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
CN109157211A (zh) | 一种便携式心电在线智能监测诊断系统设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110907 Termination date: 20140118 |