CN102512157B - 基于模型的动态心电图t波交替定量分析方法 - Google Patents
基于模型的动态心电图t波交替定量分析方法 Download PDFInfo
- Publication number
- CN102512157B CN102512157B CN201110418860.3A CN201110418860A CN102512157B CN 102512157 B CN102512157 B CN 102512157B CN 201110418860 A CN201110418860 A CN 201110418860A CN 102512157 B CN102512157 B CN 102512157B
- Authority
- CN
- China
- Prior art keywords
- ripple
- signal
- quantitative analysis
- wave
- wvd
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于模型的动态心电图(ECG)T波交替定量分析方法,属于生物医学信号处理技术领域。首先对患者12导联动态心电图进行预处理,去除基线漂移、工频干扰及肌电噪声等随机干扰;建立各通道心电信号状态空间模型,运用动态多尺度状态估计理论对心电信号波形进行鲁棒估计;运用多传感器数据融合方法进行T波融合提取,实现T波的定量描述;根据T波的解析函数,最后实现T波交替信号的定量分析。本发明的优点是:在心电信号状态空间模型的基础上,首先实现T波的量化分析,从而实现了动态心电图T波交替的实时检测与分析,便于捕捉日常生活中突发的T波交替心电异常及提高心脏性猝死危险患者的检测水平与诊断能力。
Description
技术领域
本发明涉及生物医学信号处理技术领域,具体地说是一种基于模型的动态心电图T波交替信号定量分析方法,尤其是一种运用了多尺度状态估计理论与多传感器数据融合理论实现T波定量分析进而实现T波交替定量分析的方法。
背景技术
T波交替(T Wave Alternans,TWA),是指体表心电图(Electrocardiogram-ECG,包含5个部分即P、Q、R、S、T波)中T波形态、幅度甚至极性逐拍交替变化的心电变异现象。微伏级T波交替与恶性心律失常、心脏性猝死(SCD)之间有着极为密切的联系。T波交替定量分析对认知和预测心脏性猝死有十分重要的临床意义。目前,临床上T波交替分析对患者和采集设备有特殊要求,信号质量要求高,不能对患者进行实时动态分析,不利于及时准确的SCD危险预警。
T波交替的定量分析主要包含心电信号采集与估计、T波提取及T波交替分析三个步骤。近年来,高采样率和高分辨率技术的发展使得心电信号的采集水平有了很大提高。但心电波形估计、T波提取及T波交替分析尚不能满足动态分析的需要。对于变化的动态心电信号而言,这三项技术更是心电图T波交替定量分析的难点。
技术难题一:心电信号波形估计。
心电信号波形估计是为了获取纯净的信号时域波形,是能成功实现T波细微变化(即TWA)准确分析与描述的前提和保证。心电信号采集过程中普遍存在三类噪声:呼吸引起的基线漂移、肌肉收缩引起的肌电干扰(EMG)和市电带来的工频干扰。对于基线漂移噪声,采用自适应滤波、经验模态分解、小波滤波或数学形态学滤波等可以较好地滤除。而肌电噪声,其形成机理、分布特性和统计规律十分复杂,始终是困扰心电信号波形估计研究者的难题之一。动态心电图环境下,患者的随机运动带来了更为严重的肌电干扰,图1为动态心电图肌电干扰与标准正态分布的QQ-plot比较,可以看出存在严重的“拖尾”现象,表现出很强的非高斯性。肌电干扰在动态心电信号采集时表现出很强的冲击性,有时甚至完全掩盖了TWA信号。目前常用的方法是把肌电干扰与其它干扰不加区分,采用多分辨率分析、经验模式分解(EMD)手段处理,或将其看做是高频噪声直接低通滤波去除。但该类方法不能对ECG信号本身进行估计,不能对动态心电信号波形进行定量描述,在强肌电噪声环境下或波形变异较大时,精度不高,甚至失效。
虽然近年来,许多研究者开始从建立ECG信号数学模型入手运用状态估计理论方法研究心电信号波形估计问题,降噪效果比较显著,但肌电噪声与普通心电图相比,
技术难题二:动态心电图T波提取。
T波提取与对准是T波交替定量分析的前提,动态心电图特征点定位多年来一直是心电信号自动检测与分析领域的技术难题之一,不可避免的环境噪声,PQRST波形形态的动态变化使得ECG特征点精确定位异常困难。目前针对单个传感器(单导联)心电信号特征点定位方法主要有两类:非参数化方法和参数化方法。非参数化方法的特征点不能解析表达,定位精度受噪声及波形形态影响大,要求信号高采样率,限制了低采样率T波的准确对齐与截取。
技术难题三:动态心电图TWA分析技术。
动态心电图环境下的TWA比常规心电图表现出更强的非平稳性,其幅度及频率均是时变的。T波交替分析根据描述T波交替特性空间的不同,现有的分析方法大体可分为:频域法,时域法及时频域法。频域法的优点是频率分辨率高,对邻频干扰(基线漂移等)不敏感,缺点是不具备时间分辨率,无法跟踪非平稳T波交替现象,难以应用于动态心电图TWA的定量分析。时域法的优点是有很好的时间分辨率,能够跟踪非稳态的T波交替现象,但对信号的输入质量要求高,对邻频噪声十分敏感,容易造成误检和漏检。传统的时域或频域分析方法不足以描述其非平稳特征,分析效果很不理想。时频域检测方法主要是采用时频分析进行特征点定位,提取T波之后,再结合传统的时域和频域方法进行TWA检测,并不是真正意义上的时频检测,其检测方法并没有改进。
国内T波交替的定量分析技术研究及应用大都处于起步阶段,提出的分析方法基本是在传统方法基础上的改进,都没有解决动态心电图T波交替定量分析的3个关键技术问题:非线性非高斯动态心电图信号波形估计、T波完整提取、非平稳T波交替检测。
发明内容
鉴于所述现状,本发明的目的在于提供能够解决以上三个关键技术的方法,即一种基于模型的动态心电图T波交替定量分析方法,按照如下步骤进行:
一种基于模型的动态心电图T波信号交替定量分析方法,包含以下步骤:
(1)获取12导联动态心电图信号;
(2)动态心电图信号预处理,去除基线漂移、工频干扰及导联移动带来的随机干扰,并计算患者心率,针对高危、低危等不同程度的心脏病患者选取合适的心电片段;
(3)对经过预处理的各通道的动态心电图信号进行动态建模,运用非线性动态多尺度估计理论对动态心电图信号进行鲁棒估计;
(4)运用多传感器数据融合方法对动态估计的心电信号进行T波融合提取,实现T波的定量描述;
(5)根据T波的解析函数,实现T波交替信号的定量分析。
步骤(3)基于非线性动态多尺度系统的ECG波形鲁棒估计包含如下步骤:
(1)建立高频肌电噪声信号的非高斯统计模型:
p(x)=(1-ε)pg(x)+εpt(x)
式中,ε∈[0,1]表示肌电噪声的强弱:pg(x)表示小方差高斯函数密度函数;pt(x)表示“厚尾”函数(大方差高斯密度函数)。在一维零均值情况下可以表示为:
式中,σ1,σ2表示噪声统计方差,且σ1<<σ2。
(2)运用高斯核函数对心电信号PQRST波建立系统数学模型:
式中,αi,βi,θi分别表示高斯函数的幅度,宽度和中心位置,每个高斯函数对应心电信号PQRST特征波形,ω(k)表示瞬时心率,为相应的瞬时相位,Ts为采样率,P,Q,R,S,T(k)分别表示运用高斯核函数对心电信号P波、Q波、R波、S波和T波建立的系统数学模型,k表示取值点;
(3)构造心电信号状态空间模型;
(4)初始化参数x(k),运用最小二乘法对对多个心拍内的平均ECG(ECG(θ))进行参数估计,作为系统初值;
(5)进行动态多尺度贯序式卡尔曼滤波。
步骤(5)中实现T波交替信号的定量分析包含如下步骤:
(1)对各导联连续128个心拍的T波点数进行平均,并以每个心拍的T波峰值点为基准点,构造T波矩阵。xi(1),xi(2),...,xi(M)(i=1,2,...,N),其中N为心拍总数,M为同一心拍T波窗口中采样点总数。计算这M个序列的平均序列xmean,然后分别求各T波序列与xmean的相关系数,得到TWA,之后再进行TWA的时频分析:
式中,
(2)Wigner-Ville分布及交叉项干扰抑制
WVD用于描述信号的瞬时功率谱密度,看作是信号能量在时域和频域中的分布。WVD定义为:
其中,z(t)为R(t)的解析信号,有:
设信号x(t)可写成解析形式,即其WVD为Wx(t,ω),则x(t)的瞬时频率与WVD之间有如下关系:
WVD可理解为信号在(t-Δt/2,t+Δt/2)及(Ω-ΔΩ/2,Ω+ΔΩ/2)这一窗口内能量的测量,即:
虽然Wigner-Ville分布具有良好的时频聚集性,但是对于多分量信号,根据卷积定理,其Wigner-Ville分布会出现交叉项,产生“虚假信号”,这也是应用中存在的主要缺陷。交叉项是二次型时频分布的固有结果,它来自于多分量信号中不同信号分量之间的交叉作用。因此如何有效抑制交叉项,对时频分析非常重要。
高阶统计量广泛应用于所有需要考虑非高斯性、非最小相位、有色噪声、非线性或循环平稳性的各类问题中。ECG信号为非高斯信号,由非平稳信号组成,应用高阶统计量方法对其进行分析,能够得到更多的信息。
采用WVD的高阶谱来抑制交叉干扰项,高阶WVT:
本发明的优点是:
1、采用非线性非高斯动态心电图信号的建模与鲁棒估计,实现了强脉冲噪声情况下心电信号波形的动态估计,便于实时预防、监测病情;
2、采用基于多传感器数据融合的T波定量分析,显著增强T波提取的准确性,便于临床运用;
3、采用WVD来深入研究TWA的时频检测方法,实现了非平稳TWA检测与分析。
附图说明
图1为动态心电图肌电干扰与标准正态分布的QQ-plot比较
图2为本发明的T波交替定量分析框图
图3为本发明的实时递归算结构图
图4为本发明的多尺度结构图
具体实施方式
本发明如附图2所示框图,采用理论分析、计算机仿真和软件设计相结合的方案,从动态多尺度随机系统的状态估计理论与方法出发,运用多传感器数据融合理论解决动态心电图非高斯噪声分离和T波完整提取的问题,进而研究TWA的时频分析理论和方法,实现非平稳TWA的定量分析。分析流程分为五个阶段:动态心电图预处理、波形估计、T波提取和TWA分析,采取的技术路线如附图2。
1、获取12导联动态心电图信号。
2、动态心电图信号预处理
在ECG信号预处理阶段主要去除基线漂移、工频干扰及导联移动带来的随机干扰等,同时计算患者心率,去除异位心搏。针对不同的患者(高危或低危)分别选取合适的心电片段,以增强TWA诊断的有效性。
3、基于非线性动态多尺度系统的ECG波形鲁棒估计
(1)肌电噪声模型
通过对附图1记录的肌电噪声进行“QQ-Plot”分析,肌电噪声分布与高斯噪声分布的主要差别在于尾部较长,而在中心区域则类似于高斯形状。因此,认为肌电噪声可以分解为高斯噪声和具有“厚尾”特性的噪声之加权和,考虑通过高斯噪声和其他噪声分布的合成来实现肌电噪声建模。常用的“厚尾”分布有拉普拉斯分布、t分布、均方分布、大方差的高斯分布等。
本项目考虑将肌电噪声描述为两个不同方差高斯分布的合成,表示为:
p(x)=(1-ε)pg(x)+εpt(x)
式中,ε∈[0,1]表示肌电噪声的强弱:Pg(x)表示小方差高斯函数密度函数;pt(x)表示“厚尾”函数(大方差高斯密度函数)。在一维零均值情况下可以表示为,
式中,σ1,σ2表示噪声统计方差,且σ1<<σ2
(2)动态多尺度贯序式鲁棒卡尔曼滤波
鲁棒卡尔曼滤波的基本思想是将M估计嵌入到卡尔曼滤波中,以消除脉冲噪声带来的观测粗差。动态多尺度贯序式卡尔曼滤波的基本思想是通过小波变换,将信号分解到不同的尺度上进行滤波分析。分解到粗尺度上的信号通常称为平滑值,而原信号与平滑值之间的差称为细节。用量测值对这些平滑值和细节进行卡尔曼滤波估计,最后重构这些在不同尺度上得到的值,就得到原始信号的估计值。
①建立系统数学模型
运用高斯函数对PQRST波建模,考虑T波的非对称性,以两个高斯函数描述,同时将ECG从时间序列转换为相位序列(0,2π)。因此,PQRST波表示如下:
式中,αi,βi,θi分别表示高斯函数的幅度,宽度和中心位置,每个高斯函数对应心电信号PQRST特征波形,ω(k)表示瞬时心率,为相应的瞬时相位,Ts为采样率。
②初始化
以每个高斯函数的三个参数及瞬时心率作为系统状态变量。
x(k)=[αi(k),βi(k),θi(k),ω(k)]T
系统的非线性通过观测模型来描述,将非线性函数围绕滤波值展开成泰勒级数并略去二阶及以上项,就得到观测方程的线性形式。Qk,Rk分别为系统噪声方差和观测噪声方差。若A(k)=1,则状态方程建模为随机游走模型。
运用最小二乘法,对多个心拍内的平均ECG进行参数估计,作为系统初值。系统噪声误差协方差Qk实际上是ECG波形动态变化的度量。通过在区间内找到最优值来匹配均值ECG。量测噪声协方差Vk的估计可以从两个连续的T、P波之间的ECG信号来动态估计。
③动态多尺度贯序式卡尔曼滤波
I.定义块长为M的状态块
X(m+1)=[xT(m+1,1),xT(m+1,2),…,xT(m+1,M)]T
则根据以上定义和符号,块状态线性动态系统如下表示:
II.在第m个状态块输入时,通过小波变换计算出小波系数γ(m);
III.根据前(m-1)观测值向量值和第m个观测块向量中的前s-1个观测值{z(m,1),z(m,2),...,z(m,s-1)}来估计如附图3所示;
IV.通过z(m,s)和Kalman滤波则得到
V.再通过逆小波变换得到相应的目标状态块X(m)的估计值以及估计误差协方差如附图4所示。
4、基于多传感器数据融合的T波提取
令单导联T波估计输出为:
式中表示状态估计值。
以T波99%的置信区间,确定每个心拍T波起止点,峰值点(i=1,2,...,12)之后对每个心拍内的T波特征点进行12导联融合估计。
令单导数据跟踪残差为ri,用作为权重系数进行T波特征点数据融合,计算融合
5、T波交替定量分析
(1)TWA分析
对各导联连续128个心拍的T波点数进行平均,并以每个心拍的T波峰值点为基准点,构造T波矩阵。xi(1),xi(2),...,xi(M)(i=1,2,...,N),其中N为心拍总数,M为同一心拍T波窗口中采样点总数。计算这M个序列的平均序列xmean,然后分别求各T波序列与xmean的相关系数,得到TWA,之后再进行TWA的时频分析。
(2)Wigner-Ville分布及交叉项干扰抑制
WVD用于描述信号的瞬时功率谱密度,看作是信号能量在时域和频域中的分布。WVD定义为:
式中,z(t)为R(t)的解析信号,有:
设信号x(t)可写成解析形式,即其WVD为Wx(t,ω),则x(t)的瞬时频率与WVD之间有如下关系:
WVD可理解为信号在(t-Δt/2,t+Δt/2)及(Ω-ΔΩ/2,Ω+ΔΩ/2)这一窗口内能量的测量,即:
虽然Wigner-Ville分布具有良好的时频聚集性,但是对于多分量信号,根据卷积定理,其Wigner-Ville分布会出现交叉项,产生“虚假信号”,这也是应用中存在的主要缺陷。交叉项是二次型时频分布的固有结果,它来自于多分量信号中不同信号分量之间的交叉作用。因此如何有效抑制交叉项,对时频分析非常重要。
高阶统计量广泛应用于所有需要考虑非高斯性、非最小相位、有色噪声、非线性或循环平稳性的各类问题中。ECG信号为非高斯信号,由非平稳信号组成,应用高阶统计量方法对其进行分析,能够得到更多的信息。本发明采用WVD的高阶谱来抑制交叉干扰项。
得到高阶WVT:
Claims (2)
1.一种基于模型的动态心电图T波交替信号定量分析方法,其特征在于包含以下步骤:
(1)获取12导联动态心电图信号;
(2)动态心电图信号预处理,去除基线漂移、工频干扰及导联移动带来的随机干扰,并计算患者心率,针对高危、低危等不同程度的心脏病患者选取合适的心电片段;
(3)对经过预处理的各通道的动态心电图信号进行动态建模,运用非线性动态多尺度估计理论对动态心电图信号进行鲁棒估计,包含如下步骤:
(31)建立高频肌电噪声信号的非高斯统计模型:
p(x)=(1-ε)pg(x)+εpt(x)
式中,ε∈[0,1]表示肌电噪声的强弱:pg(x)表示小方差高斯函数密度函数;pt(x)表示大方差高斯密度函数,在一维零均值情况下可以表示为:
式中,σ1,σ2表示噪声统计方差,且σ1<<σ2,
(32)运用高斯核函数对心电信号PQRST波建立系统数学模型:
式中,αi,βi,θi分别表示高斯函数的幅度,宽度和中心位置,每个高斯函数对应心电信号PQRST特征波形,ω(k)表示瞬时心率,为相应的瞬时相位,Ts为采样率,
P,Q,R,S,T(k)分别表示运用高斯核函数对心电信号P波、Q波、R波、S波和T波建立的系统数学模型,k表示取值点;
(33)构造动态心电信号状态空间模型;
(34)初始化参数x(k),x(k)=[αi(k),βi(k),θi(k),ω(k)]T,运用最小二乘法对对多个心拍内的平均ECG进行参数估计,作为系统初值;
(35)进行动态多尺度贯序式卡尔曼滤波;
(4)运用多传感器数据融合方法对信号进行T波融合提取,实现T波的定量描述;
(5)根据T波的解析函数,实现T波交替信号的定量分析。
2.根据权利要求1中所述的基于模型的动态心电图T波交替信号定量分析方法中,其特征在于,步骤(5)中实现T波交替信号的定量分析包含如下步骤:
(1)对各导联连续128个心拍的T波点数进行平均,并以每个心拍的T波峰值点为基准点,构造T波矩阵,xi(1),xi(2),...,xi(M)(i=1,2,...,N),其中N为心拍总数,M为同一心拍T波窗口中采样点总数,计算这M个序列的平均序列xmean,然后分别求各T波序列与xmean的相关系数,得到TWA,之后再进行TWA的时频分析:
式中,
(2)Wigner-Ville分布及交叉项干扰抑制
WVD用于描述信号的瞬时功率谱密度,看作是信号能量在时域和频域中的分布,WVD定义为:
其中,z(t)为R(t)的解析信号,有:
设信号x(t)可写成解析形式,即其WVD为Wx(t,ω),则x(t)的瞬时频率与WVD之间有如下关系:
WVD可理解为信号在(t-Δt/2,t+Δt/2)及(Ω-ΔΩ/2,Ω+ΔΩ/2)这一窗口内能量的测量,即:
该方法采用WVD的高阶谱来抑制交叉干扰项,高阶WVT:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110418860.3A CN102512157B (zh) | 2011-12-15 | 2011-12-15 | 基于模型的动态心电图t波交替定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110418860.3A CN102512157B (zh) | 2011-12-15 | 2011-12-15 | 基于模型的动态心电图t波交替定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102512157A CN102512157A (zh) | 2012-06-27 |
CN102512157B true CN102512157B (zh) | 2014-08-20 |
Family
ID=46283456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110418860.3A Expired - Fee Related CN102512157B (zh) | 2011-12-15 | 2011-12-15 | 基于模型的动态心电图t波交替定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102512157B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006206B (zh) * | 2013-01-11 | 2014-08-06 | 山东师范大学 | 一种微伏级t波交替的定量检测方法 |
KR102257300B1 (ko) * | 2014-09-01 | 2021-05-27 | 삼성전자주식회사 | 심전도 신호를 이용한 사용자 인증 방법 및 장치 |
CN104462867A (zh) * | 2014-12-11 | 2015-03-25 | 中国人民解放军重庆通信学院 | T波动态建模与多通道融合估计方法 |
CN105919590B (zh) * | 2016-06-02 | 2017-03-29 | 浙江铭众科技有限公司 | 一种多通道心电图的qrs自动划定方法 |
CN105943030B (zh) * | 2016-06-02 | 2017-03-29 | 浙江铭众科技有限公司 | 一种用于实现多通道心电图qrs自动划定的智能终端 |
CN108294745B (zh) * | 2018-03-07 | 2020-05-26 | 武汉大学 | 多导联心电图信号中p波、t波起止点检测方法及系统 |
CN109009088B (zh) * | 2018-06-15 | 2023-10-24 | 重庆邮电大学 | 基于张量分解的twa多通道融合估计方法 |
CA3104074A1 (en) * | 2018-06-18 | 2019-12-26 | Analytics For Life Inc. | Methods and systems to quantify and remove asynchronous noise in biophysical signals |
CN109077714B (zh) * | 2018-07-05 | 2021-03-23 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
CN109091138B (zh) * | 2018-07-12 | 2021-10-26 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测系统 |
CN109864740B (zh) * | 2018-12-25 | 2022-02-01 | 北京津发科技股份有限公司 | 一种运动状态的表面肌电信号采集传感器和设备 |
CN109745037B (zh) * | 2019-02-14 | 2022-06-24 | 广州视源电子科技股份有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN111281378A (zh) * | 2020-02-13 | 2020-06-16 | 苏州百慧华业精密仪器有限公司 | 一种动态心电图中疑似t波电交替分段的筛选方法及装置 |
CN112587152B (zh) * | 2020-11-11 | 2022-08-16 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
CN113633293B (zh) * | 2021-07-29 | 2022-09-16 | 佛山科学技术学院 | 混沌检测t波电交替的心源性猝死预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072709B2 (en) * | 2004-04-15 | 2006-07-04 | Ge Medical Information Technologies, Inc. | Method and apparatus for determining alternans data of an ECG signal |
-
2011
- 2011-12-15 CN CN201110418860.3A patent/CN102512157B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102512157A (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
Wang et al. | A robust signal preprocessing framework for wrist pulse analysis | |
Chua et al. | Application of higher order statistics/spectra in biomedical signals—A review | |
Pachori et al. | Analysis of normal and epileptic seizure EEG signals using empirical mode decomposition | |
Zhang et al. | Sample entropy analysis of surface EMG for improved muscle activity onset detection against spurious background spikes | |
Lin et al. | P-and T-wave delineation in ECG signals using a Bayesian approach and a partially collapsed Gibbs sampler | |
Rakshit et al. | An efficient wavelet-based automated R-peaks detection method using Hilbert transform | |
CN102512158A (zh) | 一种基于高维模糊识别的心电信号质量评估方法和装置 | |
Gao et al. | A multiscale theory for the dynamical evolution of sentiment in novels | |
Quiceno-Manrique et al. | Detection of obstructive sleep apnea in ECG recordings using time-frequency distributions and dynamic features | |
WO2021066918A1 (en) | Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods | |
CN106859648A (zh) | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 | |
CN101991418A (zh) | 一种提高呼吸率检测准确性的方法 | |
CN109009143B (zh) | 一种通过人体步态预测心电信息的方法 | |
Yue et al. | A Bayesian wavelet packet denoising criterion for mechanical signal with non-Gaussian characteristic | |
CN105956388A (zh) | 基于vmd的人体生命体征信号分离方法 | |
Yuan et al. | Automatic seizure detection using diffusion distance and BLDA in intracranial EEG | |
CN107361764A (zh) | 一种心电信号特征波形r波的快速提取方法 | |
Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
Yang et al. | Hardware efficient automatic thresholding for NEO-based neural spike detection | |
CN103690169A (zh) | 呼吸信息检测方法及系统 | |
Donovan et al. | Simple space-domain features for low-resolution sEMG pattern recognition | |
Liu et al. | Automatic extracellular spike denoising using wavelet neighbor coefficients and level dependency | |
Jiang et al. | A robust two-stage sleep spindle detection approach using single-channel EEG | |
Wang et al. | Comparison of different algorithms based on TKEO for EMG change point detection |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140820 Termination date: 20151215 |
|
EXPY | Termination of patent right or utility model |