CN102940485A - 一种胎心率基线自动识别算法 - Google Patents

一种胎心率基线自动识别算法 Download PDF

Info

Publication number
CN102940485A
CN102940485A CN2012103831328A CN201210383132A CN102940485A CN 102940485 A CN102940485 A CN 102940485A CN 2012103831328 A CN2012103831328 A CN 2012103831328A CN 201210383132 A CN201210383132 A CN 201210383132A CN 102940485 A CN102940485 A CN 102940485A
Authority
CN
China
Prior art keywords
heart rate
baseline
fetal heart
signal
fetal
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
Application number
CN2012103831328A
Other languages
English (en)
Other versions
CN102940485B (zh
Inventor
陆尧胜
魏守一
秦如意
陈洋
刘晓磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd
Original Assignee
GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd filed Critical GUANGZHOU SUNRAY MEDICAL APPARATUS CO Ltd
Priority to CN201210383132.8A priority Critical patent/CN102940485B/zh
Publication of CN102940485A publication Critical patent/CN102940485A/zh
Application granted granted Critical
Publication of CN102940485B publication Critical patent/CN102940485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种胎心率基线自动识别算法,该算法包括以下步骤:S1、对胎心率信号进行采集;S2、对上述采集到的胎心率信号进行曲线优化处理;S3、对优化处理后的胎心率信号曲线进行特征提取,并利用聚类分析算法将提取的特征点聚类为两个特征部分;S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分;S5、对识别出的基线部分进行平滑滤波,从而得到最终估计的胎心率基线。本发明作为一种胎心率基线自动识别算法,尤其是能够在聚类结果相近的情况下,通过结合胎动信息,更准确地判定胎心率基线,为临床提供更加智能、更加可靠的胎心监护结果,可广泛应用于生物医学信号处理领域、人工智能以及电子胎儿监护领域。

Description

一种胎心率基线自动识别算法
技术领域
本发明涉及生物医学信号处理、人工智能以及电子胎儿监护领域,尤其是一种胎心率基线自动识别算法。
背景技术
胎心率监护是胎儿电子监护的重要内容。胎心率的变化是胎儿中枢神经系统调节的结果,因此,胎心率监护反映的是胎儿中枢神经系统的功能状态。胎心率曲线是对一段时间内胎心率变化的记录,它包含一定的模式特征,比如基线、加速、减速和细变异(包含长变异和短变异),通过对这些特征的读解和识别,产科医护人员能及时掌握胎儿在宫内发育的状况并做出临床决策。但是,大量临床报告和论文研究表明不同的产科医生对于这些特征的识别存在较大的个体差异。例如,对于基线的判断,可能会产生10bpm或者以上的差别。这样就会对加速和减速的判断产生很大影响,所以需要计算机辅助诊断分析系统,按照国际标准或通行的准则,对这些特征进行分析和识别。
胎心率基线自动识别方面,现有算法主要存在以下几个问题:1、对于连续加速或者连续减速的情况,现有算法得到的基线会受到连续加速或减速分量的影响而出现抬高或者减低的现象;2、对于胎心率加速或者减速时间较长,胎心率曲线基线部分与加速减速部分在时间分布上近似的情况,现有算法可能会错误地估计基线的位置,或者只能得到一条从胎心率信号正中间穿过的基线,这对于临床是没有意义的。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是:一种胎心率基线自动识别算法,该算法包括以下步骤:
S1、对胎心率信号进行采集;
S2、对上述采集到的胎心率信号进行曲线优化处理;
S3、对优化处理后的胎心率信号曲线进行特征提取,并利用聚类分析算法将提取的特征点聚类为两个特征部分;
S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分;
S5、对识别出的基线部分进行平滑滤波,从而得到最终估计的胎心率基线。
进一步,所述步骤S2包括以下子步骤:
S21、对胎心率信号曲线进行断点检测;
S22、对胎心率信号曲线进行线性拟合;
S23、对胎心率信号曲线进行信号降噪。
进一步,所述步骤S23是通过经验模式分解实现的,其包括以下子步骤:
S231、计算胎心率曲线短变异均值,将其与校正系数相乘;
S232、计算估计噪声能量阀值百分比;
S233、将原信号经过经验模式分解为不同尺度的本征模函数;
S234、对本征模函数逐一到最后一个尺度求和,得到各组重构信号;
S235、判断重构信号是否满足阀值百分比条件;
S236、若否,则将下一组重构信号取代本组重构信号后,重新执行步骤S235;若是,则执行步骤S237;
S237、该重构信号为胎心率信号降噪结果。
进一步,所述步骤S3包括以下子步骤:
S31、对优化后的胎心率曲线求极值后提取特征点;
S32、根据约束条件排除特定的特征点;
S33、对剩余的特征点建立训练集;
S34、利用聚类分析算法将训练集分成两个特征部分。
进一步,步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法。
进一步,所述步骤S4,其具体为,根据区分条件对两个特征部分进行判断,若满足区分条件,则直接将两个特征部分区分为基线部分和非基线部分,反之,则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。
进一步,所述步骤S4中,结合胎动信号进而将两个特征部分区分为基线部分和非基线部分,其包括以下子步骤:
S42、判断胎动信号中的胎动部分;
S43、从两个特征部分中除去胎动部分的时间所对应的特征点;
S44、计算两个特征部分特征点数量的比例;
S45、依据判决条件对两个特征部分进行区分。
本发明的有益效果是:本发明作为一种胎心率基线自动识别算法能够准确识别胎心率基线;尤其是在聚类结果相近的情况下,通过结合胎动信息,更准确地判定胎心率基线,很好地解决胎心率连续加速或减速中一般算法基线估计过低或过高的问题,为临床提供更加智能、更加可靠的胎心监护结果。
附图说明
图1为本发明一种胎心率基线自动识别算法的总步骤流程图;
图2为图1中步骤S2的子步骤流程图;
图3为图2中步骤S23一具体实施方式的子步骤流程图;
图4为胎心率原始信号曲线图;
图5为图4中胎心率信号经曲线断点检测和线性拟合之后的效果图;
图6为经过曲线断点检测和线性拟合之后的胎心率信号曲线图;
图7为图6中胎心率信号曲线降噪之后的效果图;
图8为图1中步骤S3的子步骤流程图;
图9为胎心率信号曲线提取信号特征点的示意图;
图10为胎心率信号曲线特征点聚类结果的示意图;
图11为图1中步骤S4的子步骤流程图;
图12为胎动信号与胎心率信号对应关系示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参照图1,一种胎心率基线自动识别算法,该算法包括以下步骤:
S1、对胎心率信号进行采集;
S2、对上述采集到的胎心率信号进行曲线优化处理;
S3、对优化处理后的胎心率信号曲线进行特征提取,并利用聚类分析算法将提取的特征点聚类为两个特征部分;
S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分;
S5、对识别出的基线部分进行平滑滤波,从而得到最终估计的胎心率基线。
参照图2,进一步作为优选的实施方式,所述步骤S2包括以下子步骤:
S21、对胎心率信号曲线进行断点检测;
S22、对胎心率信号曲线进行线性拟合;
S23、对胎心率信号曲线进行信号降噪。
步骤S2具体算法是:将胎心率信号
Figure BDA00002239080200051
进行断点检测和线性拟合(胎心率信号为矢量,用加粗字体表示,下文中矢量信号均用加粗字体表示),即:
若对于
Figure BDA00002239080200053
Figure BDA00002239080200055
搜索
Figure BDA00002239080200056
Figure BDA00002239080200057
则对
Figure BDA00002239080200058
Figure BDA00002239080200059
之间的点进行线性插值,即若
Figure BDA000022390802000510
S k = round ( S i - 1 + ( k - i + 1 ) S j - S i - 1 j - i + 2 ) ,
Figure BDA000022390802000512
表示取整。插值后即完成了断点检测和线性拟合操作。
但具体实施过程中,可能出现胎心率值突然减半或者翻倍等情况,所以对于这些情况,要进一步约束判定条件,即若存在对于
Figure BDA000022390802000513
Figure BDA00002239080200061
Figure BDA00002239080200062
时,仍按照上述算法进行检测和线性拟合,其中
Figure BDA00002239080200063
是预先设置的阈值。
图5为胎心率信号曲线经断点检测和线性拟合之后的效果图。
参照图3,进一步作为优选的实施方式,所述步骤S23是通过经验模式分解(EMD,empirical mode decomposition)实现的,其包括以下子步骤:
S231、计算胎心率曲线短变异均值
Figure BDA00002239080200064
将其与校正系数k相乘;
S232、计算估计噪声能量阀值百分比α;
S233、将原信号经过经验模式分解为不同尺度的本征模函数;
S234、对本征模函数逐一到最后一个尺度求和,得到各组重构信号;
S235、判断重构信号是否满足阀值百分比条件;
S236、若否,则将下一组重构信号取代本组重构信号后,重新执行步骤S235;若是,则执行步骤S237;
S237、该重构信号为胎心率信号降噪结果。
具体方式为:对经过断点检测和线性拟合之后的胎心率信号
Figure BDA00002239080200065
建模,将其建模为加减速信号
Figure BDA00002239080200066
及基线信号
Figure BDA00002239080200067
和噪声信号
Figure BDA00002239080200068
Figure BDA00002239080200069
其中,噪声信号估计为幅值在
Figure BDA000022390802000610
之间的均匀分布,
Figure BDA000022390802000611
可通过胎心率信号的短变异均值
Figure BDA000022390802000612
并乘以系数求得,即
Figure BDA000022390802000614
利用经验模式分解、小波变换或者低阶平滑滤波的方法可以实现噪声的滤除,设α为阈值
α = E ( n 2 ) 1 N Σ i = 0 N - 1 S i 2
= E 2 ( n ) + D ( n ) 1 N Σ i = 0 N - 1 S i 2
比如利用经验模式分解将原信号分解为不同的本征模函数(IMF,intrinsic mode function),而重构信号记为
Figure BDA00002239080200073
Figure BDA00002239080200074
则若
Figure BDA00002239080200075
可以近似估计为滤除噪声
Figure BDA00002239080200077
后只包含加减速信息和基线信息的信号。图7为胎心率信号曲线降噪之后的效果图,即去除毛刺信号的重构胎心率信号效果图。
除如上所述的经验模式分解方法之外,信号降噪过程也可通过小波变换或者低阶平滑滤波实现。
参照图8,进一步作为优选的实施方式,所述步骤S3包括以下子步骤:
S31、对优化后的胎心率曲线求极值后提取特征点;
首先求出降噪后胎心率信号
Figure BDA00002239080200078
的局部最大最小值(极值),对
Figure BDA00002239080200079
进行一阶差分,得
Figure BDA000022390802000710
并对于其中
Figure BDA000022390802000712
Figure BDA000022390802000713
的长度,搜索出
Figure BDA000022390802000714
Figure BDA000022390802000715
的点,这些点都为
Figure BDA000022390802000716
的局部最大最小值。图9胎心率信号曲线提取信号特征点的示意图。
S32、根据约束条件排除特定的特征点;
对于求出的极值点,标记为矩阵
Figure BDA00002239080200081
其中
Figure BDA00002239080200082
Figure BDA00002239080200083
为该点的胎心率值,而为该特征点与前一特征点之间的差值,
Figure BDA00002239080200085
为该点对应的时间点。排除
Figure BDA00002239080200086
Figure BDA00002239080200087
的点。
S33、对剩余的特征点建立训练集;
S34、利用聚类分析算法将训练集分成两个特征部分。
对于极值点的胎心率值矩阵
Figure BDA00002239080200088
若有
Figure BDA00002239080200089
Figure BDA000022390802000810
则将
Figure BDA000022390802000811
否则
Figure BDA000022390802000812
对于以上两种情况
Figure BDA000022390802000813
最终得到的聚类分析训练集即
Figure BDA000022390802000814
进一步作为优选的实施方式,步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法,利用上述算法对训练集
Figure BDA000022390802000815
进行聚类,按照数值特征分为两个特征部分
Figure BDA000022390802000816
Figure BDA000022390802000817
图10为胎心率信号曲线特征点聚类结果的示意图。
参照图1,进一步作为优选的实施方式,所述步骤S4,其具体为,根据区分条件对两个特征部分进行判断,若满足区分条件,则直接将两个特征部分区分为基线部分和非基线部分;反之,则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。
将其中一个特征部分区分为即基线部分;将其中另一个特征部分区分为
Figure BDA00002239080200092
即非基线部分。若两个特征部分满足区分条件,也即不满足结合胎动判断条件
Figure BDA00002239080200093
时,其中size为求数组长度函数,则
Figure BDA00002239080200094
Figure BDA00002239080200095
Figure BDA00002239080200096
Figure BDA00002239080200097
反之,若两个特征部分满足区分条件,也即不满足结合胎动判断条件
Figure BDA00002239080200098
Figure BDA00002239080200099
时,则
Figure BDA000022390802000910
Figure BDA000022390802000911
Figure BDA000022390802000912
参照图11,进一步作为优选的实施方式,所述步骤S4中,若满足:
Figure BDA000022390802000914
Figure BDA000022390802000915
则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分,其包括以下子步骤:
S42、判断胎动信号中的胎动部分;
S43、从两个特征部分中除去胎动部分的时间所对应的特征点;
S44、计算两个特征部分特征点数量的比例;
S45、依据判决条件对两个特征部分进行区分。
具体如下:
求胎动信号中的胎动部分,假设胎动原信号为
由于原信号背景噪声较强,需要用平滑滤波的方法对背景噪声进行降噪,即
Figure BDA00002239080200101
为平滑滤波后的胎动信号。若对于
Figure BDA00002239080200103
存在
Figure BDA00002239080200104
Figure BDA00002239080200105
则认为
Figure BDA00002239080200106
属于胎动部分。其中
Figure BDA00002239080200107
可以通过经验设定,亦可以通过最大类间方差法自适应获得。
如图12所示的胎动信号与胎心率信号对应关系,统计胎动部分的时间,并对应胎心率信号图,去除胎心率信号中胎动发生时的部分,判断之前得到部分与剩下部分时间轴上对应关系;也即从两个特征部分中除去胎动部分的时间所对应的特征点,然后计算两个特征部分特征点数量的比例。若
Figure BDA000022390802001010
部分对应的比例大于
Figure BDA000022390802001011
部分对应的比例,即满足条件:
Figure BDA000022390802001012
Figure BDA000022390802001013
部分为基线部分,而
Figure BDA000022390802001014
部分为非基线部分;反之则
Figure BDA000022390802001015
部分为基线部分,而
Figure BDA000022390802001016
部分为非基线部分。
最后再对识别出的基线部分进行三次样条插值,之后再平滑滤波,从而得到最终估计的胎心率基线。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种胎心率基线自动识别算法,其特征在于:该算法包括以下步骤:
S1、对胎心率信号进行采集;
S2、对上述采集到的胎心率信号进行曲线优化处理;
S3、对优化处理后的胎心率信号曲线进行特征提取,并利用聚类分析算法将提取的特征点聚类为两个特征部分;
S4、根据区分条件将上述两个特征部分区分为基线部分和非基线部分;
S5、对识别出的基线部分进行平滑滤波,从而得到最终估计的胎心率基线。
2.根据权利要求1所述的一种胎心率基线自动识别算法,其特征在于:所述步骤S2包括以下子步骤:
S21、对胎心率信号曲线进行断点检测;
S22、对胎心率信号曲线进行线性拟合;
S23、对胎心率信号曲线进行信号降噪。
3.根据权利要求2所述的一种胎心率基线自动识别算法,其特征在于:所述步骤S23是通过经验模式分解实现的,其包括以下子步骤:
S231、计算胎心率曲线短变异均值,将其与校正系数相乘;
S232、计算估计噪声能量阀值百分比;
S233、将原信号经过经验模式分解为不同尺度的本征模函数;
S234、对本征模函数逐一到最后一个尺度求和,得到各组重构信号;
S235、判断重构信号是否满足阀值百分比条件;
S236、若否,则将下一组重构信号取代本组重构信号后,重新执行步骤S235;若是,则执行步骤S237;
S237、该重构信号为胎心率信号降噪结果。
4.根据权利要求1所述的一种胎心率基线自动识别算法,其特征在于:所述步骤S3包括以下子步骤:
S31、对优化后的胎心率曲线求极值后提取特征点;
S32、根据约束条件排除特定的特征点;
S33、对剩余的特征点建立训练集;
S34、利用聚类分析算法将训练集分成两个特征部分。
5.根据权利要求4所述的一种胎心率基线自动识别算法,其特征在于:步骤S34中所述聚类分析算法为K均值算法或者Kohonen神经网络算法。
6.根据权利要求1所述的一种胎心率基线自动识别算法,其特征在于:所述步骤S4,其具体为,根据区分条件对两个特征部分进行判断,若满足区分条件,则直接将两个特征部分区分为基线部分和非基线部分,反之,则结合胎动信号进而将两个特征部分区分为基线部分和非基线部分。
7.根据权利要求6所述的一种胎心率基线自动识别算法,其特征在于:所述步骤S4中,结合胎动信号进而将两个特征部分区分为基线部分和非基线部分,其包括以下子步骤:
S42、判断胎动信号中的胎动部分;
S43、从两个特征部分中除去胎动部分的时间所对应的特征点;
S44、计算两个特征部分特征点数量的比例;
S45、依据判决条件对两个特征部分进行区分。
CN201210383132.8A 2012-10-10 2012-10-10 一种胎心率基线自动识别算法 Active CN102940485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210383132.8A CN102940485B (zh) 2012-10-10 2012-10-10 一种胎心率基线自动识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210383132.8A CN102940485B (zh) 2012-10-10 2012-10-10 一种胎心率基线自动识别算法

Publications (2)

Publication Number Publication Date
CN102940485A true CN102940485A (zh) 2013-02-27
CN102940485B CN102940485B (zh) 2015-04-08

Family

ID=47723558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210383132.8A Active CN102940485B (zh) 2012-10-10 2012-10-10 一种胎心率基线自动识别算法

Country Status (1)

Country Link
CN (1) CN102940485B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104287711A (zh) * 2014-09-24 2015-01-21 广州三瑞医疗器械有限公司 胎心率曲线非基线部分和基线的计算方法
CN104586378A (zh) * 2015-01-21 2015-05-06 深圳市理邦精密仪器股份有限公司 一种胎心率曲线的输出方法及装置
CN105193451A (zh) * 2015-10-21 2015-12-30 北京工业大学 一种胎儿心率曲线基线的识别方法
CN105212918A (zh) * 2015-11-19 2016-01-06 中科院微电子研究所昆山分所 一种基于压电信号的心率测量方法及系统
CN108937902A (zh) * 2018-07-10 2018-12-07 传世未来(北京)信息科技有限公司 一种胎心率基线估算方法、装置、电子设备及存储介质
CN109567866A (zh) * 2018-10-15 2019-04-05 广东宝莱特医用科技股份有限公司 一种胎心率周期变异的处理方法
CN109589137A (zh) * 2018-11-02 2019-04-09 深圳市理邦精密仪器股份有限公司 胎动识别的方法、装置、终端和计算机可读存储介质
CN109662727A (zh) * 2019-01-29 2019-04-23 广东工业大学 基于模糊聚类算法的胎儿心率检测方法与系统
CN109864701A (zh) * 2017-12-01 2019-06-11 深圳市理邦精密仪器股份有限公司 一种胎心率曲线的处理方法、装置及胎心监护仪
CN110393512A (zh) * 2019-08-23 2019-11-01 苏州风尚智选医疗科技有限公司 一种胎心仪设备以及胎心信号的处理方法
CN110403591A (zh) * 2019-08-23 2019-11-05 苏州风尚智选医疗科技有限公司 一种胎心信号的处理方法
CN110432884A (zh) * 2019-07-08 2019-11-12 暨南大学 基于胎心率减速区面积的胎儿状况测评方法及系统
CN111696670A (zh) * 2020-06-16 2020-09-22 广州三瑞医疗器械有限公司 一种基于深度森林的产前胎儿监护智能判读方法
CN112716525A (zh) * 2021-04-06 2021-04-30 深圳市理邦精密仪器股份有限公司 胎儿心率的处理方法、装置及可读存储介质
CN113598810A (zh) * 2021-07-22 2021-11-05 暨南大学 一种基于分割网络的胎心率基线自动计算方法
WO2022027830A1 (zh) * 2020-08-07 2022-02-10 浙江大学 一种基于可穿戴设备的心电图身份认证方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5609156A (en) * 1992-06-09 1997-03-11 University Of Plymouth Foetal monitor
US20060229518A1 (en) * 2005-03-31 2006-10-12 Physical Logic Ag Method for continuous, non-invasive, non-radiating detection of fetal heart arrhythmia
CN102302363A (zh) * 2011-06-29 2012-01-04 深圳市理邦精密仪器股份有限公司 一种胎心率基线的自动识别装置和方法
CN102319064A (zh) * 2011-10-13 2012-01-18 深圳市理邦精密仪器股份有限公司 一种提高胎心率数据减速识别准确性的装置和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5609156A (en) * 1992-06-09 1997-03-11 University Of Plymouth Foetal monitor
US20060229518A1 (en) * 2005-03-31 2006-10-12 Physical Logic Ag Method for continuous, non-invasive, non-radiating detection of fetal heart arrhythmia
CN102302363A (zh) * 2011-06-29 2012-01-04 深圳市理邦精密仪器股份有限公司 一种胎心率基线的自动识别装置和方法
CN102319064A (zh) * 2011-10-13 2012-01-18 深圳市理邦精密仪器股份有限公司 一种提高胎心率数据减速识别准确性的装置和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MANUEL BLANCO-VELASCO ET AL: "ECG signal denoising and baseline wander correction based on the empirical mode decomposition", 《COMPUTER IN BIOLOGY AND MEDICINE》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104287711A (zh) * 2014-09-24 2015-01-21 广州三瑞医疗器械有限公司 胎心率曲线非基线部分和基线的计算方法
CN104287711B (zh) * 2014-09-24 2018-01-16 广州三瑞医疗器械有限公司 胎心率曲线非基线部分和基线的计算方法
CN104586378A (zh) * 2015-01-21 2015-05-06 深圳市理邦精密仪器股份有限公司 一种胎心率曲线的输出方法及装置
CN105193451B (zh) * 2015-10-21 2018-02-27 北京工业大学 一种胎儿心率曲线基线的识别方法
CN105193451A (zh) * 2015-10-21 2015-12-30 北京工业大学 一种胎儿心率曲线基线的识别方法
CN105212918B (zh) * 2015-11-19 2018-06-26 中科院微电子研究所昆山分所 一种基于压电信号的心率测量方法及系统
CN105212918A (zh) * 2015-11-19 2016-01-06 中科院微电子研究所昆山分所 一种基于压电信号的心率测量方法及系统
CN109864701A (zh) * 2017-12-01 2019-06-11 深圳市理邦精密仪器股份有限公司 一种胎心率曲线的处理方法、装置及胎心监护仪
CN108937902B (zh) * 2018-07-10 2021-05-11 传世未来(北京)信息科技有限公司 一种胎心率基线估算方法、装置、电子设备及存储介质
CN108937902A (zh) * 2018-07-10 2018-12-07 传世未来(北京)信息科技有限公司 一种胎心率基线估算方法、装置、电子设备及存储介质
CN109567866A (zh) * 2018-10-15 2019-04-05 广东宝莱特医用科技股份有限公司 一种胎心率周期变异的处理方法
CN109589137A (zh) * 2018-11-02 2019-04-09 深圳市理邦精密仪器股份有限公司 胎动识别的方法、装置、终端和计算机可读存储介质
CN109589137B (zh) * 2018-11-02 2021-10-22 深圳市理邦精密仪器股份有限公司 胎动识别的方法、装置、终端和计算机可读存储介质
CN109662727A (zh) * 2019-01-29 2019-04-23 广东工业大学 基于模糊聚类算法的胎儿心率检测方法与系统
CN110432884A (zh) * 2019-07-08 2019-11-12 暨南大学 基于胎心率减速区面积的胎儿状况测评方法及系统
CN110393512A (zh) * 2019-08-23 2019-11-01 苏州风尚智选医疗科技有限公司 一种胎心仪设备以及胎心信号的处理方法
CN110403591A (zh) * 2019-08-23 2019-11-05 苏州风尚智选医疗科技有限公司 一种胎心信号的处理方法
CN111696670A (zh) * 2020-06-16 2020-09-22 广州三瑞医疗器械有限公司 一种基于深度森林的产前胎儿监护智能判读方法
CN111696670B (zh) * 2020-06-16 2023-06-20 广州三瑞医疗器械有限公司 一种基于深度森林的产前胎儿监护智能判读方法
WO2022027830A1 (zh) * 2020-08-07 2022-02-10 浙江大学 一种基于可穿戴设备的心电图身份认证方法
CN112716525A (zh) * 2021-04-06 2021-04-30 深圳市理邦精密仪器股份有限公司 胎儿心率的处理方法、装置及可读存储介质
CN112716525B (zh) * 2021-04-06 2021-08-10 深圳市理邦精密仪器股份有限公司 胎儿心率的处理方法、装置及可读存储介质
CN113598810A (zh) * 2021-07-22 2021-11-05 暨南大学 一种基于分割网络的胎心率基线自动计算方法
CN113598810B (zh) * 2021-07-22 2023-08-15 暨南大学 一种基于分割网络的胎心率基线自动计算方法

Also Published As

Publication number Publication date
CN102940485B (zh) 2015-04-08

Similar Documents

Publication Publication Date Title
CN102940485B (zh) 一种胎心率基线自动识别算法
CN102302363B (zh) 一种胎心率基线的自动识别装置和方法
CN110432898A (zh) 一种基于非线性动力学特征的癫痫发作脑电信号分类系统
CN104173045A (zh) 一种癫痫发作预警系统
CN102090883B (zh) 一种胎动自动识别方法及其装置
CN112699793A (zh) 一种基于随机森林的疲劳驾驶检测优化识别方法
CN105956623A (zh) 一种基于模糊熵的癫痫脑电信号分类方法
CN101169873A (zh) 一种异常驾驶智能检测系统及其检测方法
Cömert et al. Evaluation of fetal distress diagnosis during delivery stages based on linear and nonlinear features of fetal heart rate for neural network community
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
CN105046273A (zh) 基于多尺度样本熵的癫痫脑皮层电图信号分类方法
CN103190904B (zh) 基于缺项特征的脑电图分类检测装置
CN106775665B (zh) 基于情绪指标的情绪状态变化信息的获取方法及装置
CN103690160A (zh) 一种基于非高斯时序模型的脑电特征提取方法
CN107766898A (zh) 基于svm的三分类情绪概率判断方法
CN112800928B (zh) 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法
CN107730835A (zh) 一种基于应激反应能力的汽车驾驶员疲劳识别方法
CN111603158B (zh) 基于电生理信号人工智能分析的疲劳驾驶告警方法及系统
CN113951903A (zh) 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN106919948A (zh) 一种驾驶持续性注意水平的识别方法
CN104850735A (zh) 一种基于栈式自编码的活动识别方法
CN113156913A (zh) 一种abs故障诊断系统及方法
Zhu et al. Heavy truck driver's drowsiness detection method using wearable eeg based on convolution neural network
CN111743513A (zh) 基于混合通道eeg信号的s1与rem睡眠状态检测方法及系统
CN114120296B (zh) 高速铁路调度员疲劳程度定量分级方法及装置

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