CN102988042A - 一种小波变换与支持向量机相融合的窦房结电图识别方法 - Google Patents
一种小波变换与支持向量机相融合的窦房结电图识别方法 Download PDFInfo
- Publication number
- CN102988042A CN102988042A CN 201210469751 CN201210469751A CN102988042A CN 102988042 A CN102988042 A CN 102988042A CN 201210469751 CN201210469751 CN 201210469751 CN 201210469751 A CN201210469751 A CN 201210469751A CN 102988042 A CN102988042 A CN 102988042A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- slope
- prewave
- ripple
- 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.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于小波变换与支持向量机相融合的窦房结电图识别方法,该方法首先对窦房结电图信号进行基于双变量收缩函数的小波滤波处理,然后对去干扰的信号进行4层双密度小波变换,并对第4层的尺度函数x(n)采用自适应斜率方法进行V波峰值定位,在此基础上对A波峰值进行定位并计算A波的时间宽度特征TA,然后定位P前波起止点,并得到窦房结传导时间TSACT,再分别计算A波及P前波两个双密度小波系数的交叉熵HA和HP,并将上述特征参数TA,TSACT,HA和HP串联融合,得到融合特征向量FSNE=[TATSACTHAHP],最后采用小波支持向量机对特征向量进行分类,从而实现了窦房结功能的识别。
Description
技术领域
本发明具体涉及一种基于双密度小波变换及支持向量机的窦房结电图识别方法,通过该方法可以实现对体表获取的窦房结电图进行信息处理与识别。从而使基于窦房结电图的识别在临床医学的应用得到极大提升,在方法和技术上确保窦房结电图识别的高准确性及高效性。
背景技术
窦房结是由特殊细胞构成的位于人体右心房上的一个特殊的小结节。窦房结可以自动、有节律地产生电流,电流按传导组织的顺序传送到心脏的各个部位,从而引起心肌细胞的收缩和舒张。窦房结电图是一种高分辨率的心电图,可以直接检测到窦房结电位,表征窦房结的电活动,是临床研究心律失常的重要依据。通过窦房结电图可以对窦房结起搏功能及窦房间的传导进行分析,并且能够对常规心电图无法获取的某些微小电位变化起到重要的补充作用。窦房结电图的临床作用包括:(1)了解窦房结的起搏功能。通过P前波诊断窦性心律。(2)精确测量窦房结传导时间。
窦房结电图由P前波、A波、V波、T波及U波组成,A波、V波、T波及U波分别与常规心电图的P波、QRS复合波、T波及U波对应,并且表达的生理意义相同。窦房结电图波形的形态、幅值等参数与被测对象的体质、运动状态以及测试条件有关,因此所获取的窦房结电图具有多样性和复杂性,给临床医生的诊断带来一定的难度。因此准确定位各特征波形,是进行窦房结诊断的重要前提和依据。
发明内容
本发明的目的是提出一种基于双密度小波变换及支持向量机的窦房结电图(SNE)识别方法。该方法首先对窦房结电图信号进行基于双变量收缩函数的小波滤波处理,然后对去干扰的信号进行4层双密度小波变换,并对第4层的尺度函数x(n)采用自适应斜率方法进行V波峰值定位,在此基础上对A波峰值进行定位并计算A波的时间宽度特征TA,然后定位P前波起止点,并得到窦房结传导时间TSACT,再分别计算A波及P前波两个双密度小波系数的交叉熵HA和HP,并将上述特征参数TA,TSACT,HA和HP串联融合,得到融合特征向量FSNE=[TATSACTHAHP],最后采用小波支持向量机对特征向量进行分类,从而实现了窦房结功能的识别。
本发明为一种基于双密度小波变换及支持向量机的窦房结电图识别方法,包括以下步骤:
S1:首先对获取的窦房结电图(SNE)进行预处理;
S2:对S1中得到的信号进行双密度小波变换分解;
S3:对S2中的尺度函数,进行特征波形A波和P前波的定位及特征参数测量;
S4:对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算;
S5:对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合;
S6:对S5中融合后的特征利用小波支持向量机进行分类,并输出评价窦房结功能的诊断结果。
窦房结电信号是微伏级的弱电信号,在体表采集的过程中,会引入基线漂移、工频干扰、肌电干扰等多种噪声的干扰。为了提取准确的窦房结电信号,首先需要对获取的数据进行预处理滤波。
进一步,所述步骤1中对获取的高分辨率窦房结电图预处理,具体包括以下步骤:
S11:对获取的原始窦房结信号进行4层bior5.5小波变换,得到小波系数Wj,j=1∶4;
S12:利用鲁棒中值估计器yi∈Wj,估计N(k)噪声方差;
S14:利用 求出去噪后小波系数的估计值;
S15:对处理后的小波系数进行重构,从而得到去除干扰的SNE信号。
进一步,所述步骤2,对S1中得到的信号进行双密度小波变换,具体实现步骤为:
S21:双密度小波变换由一个尺度函数φ(t)和两个小波函数ψ1(t)、ψ2(t)构成,两个小波函数之间有0.5个单位的偏移,并且在变换过程中采用过采样。双密度小波降低了平移敏感性,有近似的平移不变性。双密度小波变换尺度和小波方程为:
S22:将去除干扰后的窦房结电信号通过三通道滤波器系统h0(n),h1(n)和h2(n)进行4层分解,得到小波系数ψi(i=1,2)。h0(n)为低通滤波器,h1(n)和h2(n)为高通滤波器;
S23:取4层分解后得到的尺度函数x(n),检测窦房结信号的特征波形。
进一步,所述步骤3,利用S2中得到重构信号进行特征波形的定位及参数测量,具体实现步骤为:
S31:由于V波在窦房结店信号中斜率最大,因此先定位V波信号;
具体方法:对S2中得到的信号x(n),连续3点滑动平均y(n)=[x(n-1)+x(n)+x(n+1)]/3,然后计算斜率Slope(n)=[y(n)-y(n-3)]/3;得到最大的斜率+Slopemax及最大负斜率-Slopemax,当计算得到的斜率在[-Slopemax,+Slopemax]的50%范围内,并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时,此最大值即为V波峰值。连续寻找到4个V波,并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测,当新的正负斜率最大值大于原有最大值的60%时,以公式(0.8*Slope原有+0.2*Slope新)对参考最大斜率进行更新,并作为下一次检测的判据。如此不断更新,可以检测到V波峰值点;
S32:当检测到V波峰值后,在峰值前0.2秒到0.1秒范围内找最大值,最大值的位置即为A波的峰值;
S33:对S22中的小波系数ψi(i=1,2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点,然后分别取来自两个小波系数前后过零点位置的均值,即为A波的起点和终点,由此得到A波的时间宽度特征TA。再将特征点位置映射到x(n)相应的位置上;
S34:在确定A波起始点后,对P前波进行定位。P前波是窦房结电位波,窦房结电位是位于P波起始点之前的低频、低幅信号。P前波的持续时间称为窦房传到时间TSACT,它是窦房结点图中窦房结电位的起点到P波起点的时间间隔。P前波是窦房结电图中最重要的特征波形,它的存在与否及持续时间是评价窦房结功能的关键指标。
P前波定位的具体方法为:对S23中的信号x(n),利用S33中定位的A波起点向前0.8s范围内寻找过零点,如果存在过零点,则该点为P前波起点,否则,P前波不存在。若P前波存在计算P前波起点到A波起点的时间,即为窦房传导时间TSACT,P前波不存在时TSACT=0。
进一步,所述步骤4,利用S3中检测到的A波及P前波进行小波交叉熵的计算,具体实现步骤为:
S41:选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置,取出A波小波系数Aψ1j,Aψ2j及P前波小波系数Pψ1j,Pψ2j,其中j=1∶4;
S42:计算小波能量概率分布。具体方法为:
单一尺度j下的小波能量Ej为该尺度下小波系数Wjk的平方和:
信号总能量为:
小波能量概率为:
对于由h1(n)得到的小波系数ψ1j,计算得到小波能量概率分布为Pj1,(j=1,2,…J)J=4。对于由h2(n)得到的小波系数ψ2j,计算得到小波能量概率分布为Pj2,(j=1,2,…J)J=4;
S43:计算小波交叉熵。具体方法为:
交叉熵为两种不同概率分布之间的量度,对于两种概率分布p(x)和q(x),交叉熵定义为:
进一步,所述步骤5,将S3中得到的特征参数TA和TSACT及S4中获得的小波系数交叉熵HA(Pj1,Pj2),HP(Pj1,Pj2),采用下面的表达式进行串联特征融合,具体实现为,融合特征向量为FSNE=[TATSACTHA(Pj1,Pj2)HP(Pj1,Pj2)]。
进一步,所述步骤6,对S5中融合后的特征向量FSNE利用小波支持向量机对融合后的特征进行分类。具体实现步骤为:
S62:训练阶段:将窦房结功能诊断分为2类,即正常及窦房结功能异常。每种类别去100个样本作为训练样本,对小波支持向量机分类器进行训练;
S63:测试阶段:对待识别分类的窦房结特征向量,利用S62训练得到的分类器,进行分类,输出识别结果,实现窦房结功能的评价。
本发明的优点在于:本发明采用一种小波变换及支持向量机融合的方法对窦房结电信号进行分类识别的方法,利用小波变换双变量收缩函数对获取的信号进行去除干扰滤波;然后利用双密度小波变换对窦房结电信号进行小波分解,利用自适应斜率方法对V波峰值进行标定,在此基础上对A波及P前波进行定位,并计算其相应的特征参数,之后再对A波及P前波进行小波交叉熵特征向量的计算,并与A波与P前波的其他的特征参数利用串联融合的方法进行特征融合,最后利用小波支持向量机分类器对融合后的特征进行分类。
本发明在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到启迪。本发明的目标和其它优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
图1:是实现本发明方法的总体流程图;
图2:是实现本发明预处理滤波原理框图;
图3:是本发明双密度小波变换滤波器组图;
图4:是本发明自适应斜率V波峰值定位方法流程图。
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
图1是实现本发明方法的基于双密度小波变换及支持向量机的窦房结电图识别方法总体流程图。具体功能说明如下:
S1:首先对获取的窦房结电图(SNE)进行预处理;
S2:对S1中得到的信号进行双密度小波变换分解;
S3:对S2中的尺度函数,进行特征波形A波和P前波的定位及特征参数测量;
S4:对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算;
S5:对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合;
S6:对S5中融合后的特征利用小波支持向量机进行分类,并输出评价窦房结功能的诊断结果。
窦房结电信号是微伏级的弱电信号,在体表采集的过程中,会引入基线漂移、工频干扰、肌电干扰等多种噪声的干扰。为了提取准确的窦房结电信号,首先需要对获取的数据进行预处理滤波。
进一步,所述步骤1中对获取的高分辨率窦房结电图预处理,流程图如图2所示,具体包括以下步骤:
S11:对获取的原始窦房结信号进行4层bior5.5小波变换,得到小波系数Wj,j=1∶4。bior5.5小波对应的双正交小波滤波器系数为:
h(n)=[0,0.039687,0.007948,0.054463,0.345605,0.736660,0.345605,0.054463,0.007948,0.039687,0];n=-5∶5;
S14:利用 求出去噪后小波系数的估计值;
S15:对处理后的小波系数进行重构,从而得到去除干扰的SNE信号。上述各公式中字母含义如下:
σy 2:表示观测信号的方差;σX 2:表示原始信号的方差;σn 2:表示噪声的方差;表示观测信号的方差估计值;表示原始信号的方差估计值;Y1:表示当前层第4层小波系数,Y2:表示父层第3层小波系数;表示当前层第4层原始窦房结电图信号的小波系数。
进一步,所述步骤2,对S1中得到的信号进行双密度小波变换,具体实现步骤为:
S21:双密度小波变换由-个尺度函数φ(t)和两个小波函数ψ1(t)、ψ2(t)构成,两个小波函数之间有0.5个单位的偏移,并且在变换过程中采用过采样。双密度小波降低了平移敏感性,有近似的平移不变性。双密度小波变换尺度和小波方程为:
S22:将去除干扰后的窦房结电信号通过三通道滤波器系统h0(n),h1(n)和h2(n)进行4层分解,得到小波系数ψi(i=1,2)。h0(n)为低通滤波器,此处n=6,h0(n)=[0.1430,0.5174,0.6396,0.2443,-0.0755,-0.0546];h1(n)和h2(n)为高通滤波器,此处取值为:h1(n)=[-0.0185,--0.0669,-0.0739,0.0004,0.5811,-0.4222],h2(n)=[-0.0460,-0.1666,0.0031,0.6776,-0.4681,0]。
S23:取4层分解后得到的尺度函数x(n),检测窦房结信号特征波形。
进一步,所述步骤3,利用S23中尺度函数x(n)进行特征波形的定位及参数测量,具体实现步骤为:
S31:由于V波在窦房结电信号中斜率最大,因此先定位V波信号。
具体方法:对S2中得到的信号x(n),连续3点滑动平均y(n)=[x(n-1)+x(n)+x(n+1)]/3,然后计算斜率Slope(n)=[y(n)-y(n-3)]/3;得到最大的斜率+Slopemax及最大负斜率-Slopemax,当计算得到的斜率在[-Slopemax,+Slopemax]的50%范围内,并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时,此最大值即为V波峰值。连续寻找到4个V波,并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测,当新的正负斜率最大值大于原有最大值的60%时,以公式(0.8*Slope原有+0.2*Slope新)对参考最大斜率进行更新,并作为下一次检测的判据。如此不断更新,可以检测到V波峰值点。V波峰值定位流程图如图4所示;
S32:当检测到V波峰值后,在峰值前0.2秒到0.1秒范围内找最大值,最大值的位置即为A波的峰值;
S33:对S22中的小波系数ψi(i=1,2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点,然后分别取来自两个小波系数前后过零点位置的均值,即为A波的起点和终点,由此得到A波的时间宽度特征TA。再将特征点位置映射到x(n)相应的位置上;
S34:在确定A波起始点后,对P前波进行定位。P前波是窦房结电位波,窦房结电位是位于P波起始点之前的低频、低幅信号。P前波的持续时间称为窦房传到时间TSACT,它是窦房结点图中窦房结电位的起点到P波起点的时间间隔。P前波是窦房结电图中最重要的特征波形,它的存在与否及持续时间是评价窦房结功能的关键指标。
P前波定位的具体方法为:对S23中的信号x(n),利用S33中定位的A波起点向前0.8s范围内寻找过零点,如果存在过零点,则该点为P前波起点,否则,P前波不存在。若P前波存在计算P前波起点到A波起点的时间,即为窦房传导时间TSACT,P前波不存在时TSACT=0。
进一步,所述步骤4,利用S3中检测到的A波及P前波进行小波交叉熵的计算,具体实现步骤为:
S41:选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置,取出A波小波系数Aψ1j,Aψ2j及P前波小波系数Pψ1j,Pψ2j,其中j=1∶4。
S42:计算小波能量概率分布。具体方法为:
单一尺度j下的小波能量Ej为该尺度下小波系数Wjk的平方和:
信号总能量为:
小波能量概率为:
对于由h1(n)得到的小波系数ψ1j,计算得到小波能量概率分布为Pj1,(j=1,2,…J)J=4。对于由h2(n)得到的小波系数ψ2j,计算得到小波能量概率分布为Pj2,(j=1,2,…J)J=4;
S43:计算小波交叉熵;具体方法为:
交叉熵为两种不同概率分布之间的量度,对于两种概率分布p(x)和q(x),交叉熵定义为:
进一步,所述步骤5,将S3中得到的特征参数TA和TSACT及S4中获得的小波系数交叉熵HA(Pj1,Pj2),HP(Pj1,Pj2),采用下面的表达式进行串联特征融合,具体实现为,融合特征向量为FSNE=[TATSACTHA(Pj1,Pj2)HP(Pj1,Pj2)]。
进一步,所述步骤6,对S5中融合后的特征向量FSNE利用小波支持向量机对融合后的特征进行分类。具体实现步骤为:
S62:训练阶段:将窦房结功能诊断分为2类,即正常及窦房结功能异常。每种类别去100个样本作为训练样本,对小波支持向量机分类器进行训练。
S63:测试阶段:对待识别分类的窦房结特征向量,利用S62训练得到的分类器,进行分类,输出识别结果,实现窦房结功能的评价。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:包括以下步骤:
S1:首先对获取的窦房结电图进行预处理;
S2:对S1中得到的信号进行双密度小波变换分解;
S3:对S2中的尺度函数,进行特征波形A波和P前波的定位及特征参数测量;
S4:对S3中检测到的A波及P前波对应的小波系数进行小波交叉熵计算;
S5:对S3与S4中获得的特征参数及小波交叉熵特征进行特征融合;
S6:对S5中融合后的特征利用小波支持向量机进行分类,并输出评价窦房结功能的诊断结果。
3.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:所述步骤S2具体包括以下子步骤:
S21:双密度小波变换由一个尺度函数φ(t)和两个小波函数ψ1(t)、ψ2(t)构成,双密度小波变换尺度和小波方程为:
S22:将去除干扰后的窦房结电信号通过三通道滤波器系统h0(n),h1(n)和h2(n)进行4层分解,得到两组小波系数ψi(i=1,2);h0(n)为低通滤波器,h1(n)和h2(n)为高通滤波器;
S23:取4层分解后得到的尺度函数x(n),检测窦房结信号的特征波形。
4.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:所述步骤S3具体包括以下子步骤:
S31:由于V波在窦房结店信号中斜率最大,因此先定位V波信号;
具体方法:对S2中得到的信号x(n),连续3点滑动平均y(n)=[x(n-1)+x(n)+x(n+1)]/3,然后计算斜率Slope(n)=[y(n)-y(n-3)]/3;得到最大的斜率+Slopemax及最大负斜率-Slopemax,当计算得到的斜率在[-Slopemax,+Slopemax]的50%范围内,并且x(n)的最大值出现在检测到正斜率最大值后面0.1秒内时,此最大值即为V波峰值。连续寻找到4个V波,并以这4个最大正负斜率的平均值作为参考开始进行V波波峰的检测,当新的正负斜率最大值大于原有最大值的60%时,以公式(0.8*Slope原有+0.2*Slope新)对参考最大斜率进行更新,并作为下一次检测的判据;如此不断更新,可以检测到V波峰值点;
S32:当检测到V波峰值后,在峰值前0.2秒到0.1秒范围内找最大值,最大值的位置即为A波的峰值;
S33:对S22中的小波系数ψi(i=1,2)在A波峰值前0.11秒及A波峰值后0.07秒范围内各自寻找前后第一个过零点,然后分别取来自两个小波系数前后过零点位置的均值,即为A波的起点和终点,由此得到A波的时间宽度特征TA。再将特征点位置映射到x(n)相应的位置上;
S34:P前波定位的具体方法为:对S23中的信号x(n),利用S33中定位的A波起点向前0.8s范围内寻找过零点,如果存在过零点,则该点为P前波起点,否则,P前波不存在;若P前波存在计算P前波起点到A波起点的时间,即为窦房传导时间TSACT,P前波不存在时TSACT=0。
5.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:所述步骤S4具体包括以下子步骤:
S41:选取S22中计算得到的4层双密度小波分解的小波系数中对应的A波及P前波位置,取出A波小波系数Aψ1J,Aψ2J及P前波小波系数Pψ1J,Pψ2J,其中j=1∶4;
S42:计算小波能量概率分布;具体方法为:
单一尺度j下的小波能量Ej为该尺度下小波系数Wjk的平方和:
信号总能量为:
小波能量概率为:
对于由h1(n)得到的小波系数ψ1J,计算得到小波能量概率分布为Pj1,(j=1,2,…J)J=4。对于由h2(n)得到的小波系数ψ2J,计算得到小波能量概率分布为Pj2,(j=1,2,…J)J=4;
S43:计算小波交叉熵;具体方法为:
交叉熵为两种不同概率分布之间的量度,对于两种概率分布p(x)和q(x),交叉熵定义为:
6.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:所述步骤S5具体包括以下子步骤:
将S3中得到的特征参数TA和TSACT及S4中获得的小波系数交叉熵HA(Pj1,Pj2),HP(Pj1,Pj2),采用串联特征融合,即得到融合特征向量为FSNE=[TATSACTHA(Pj1,Pj2)HP(Pj1,Pj2)]。
7.根据权利要求1所述的一种小波变换与支持向量机相融合的窦房结电图识别方法,其特征在于:所述步骤S6具体包括以下子步骤:
S61:选择Molet小波作为支持向量机的核函数;
S62:训练阶段:将窦房结功能诊断分为2类,即正常及窦房结功能异常;每种类别去100个样本作为训练样本,对小波支持向量机分类器进行训练;
S63:测试阶段:对待识别分类的窦房结特征向量,利用S62训练得到的分类器,进行分类,输出识别结果,实现窦房结功能的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210469751 CN102988042A (zh) | 2012-08-30 | 2012-11-20 | 一种小波变换与支持向量机相融合的窦房结电图识别方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210327074.7 | 2012-08-30 | ||
CN201210327074 | 2012-08-30 | ||
CN 201210469751 CN102988042A (zh) | 2012-08-30 | 2012-11-20 | 一种小波变换与支持向量机相融合的窦房结电图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102988042A true CN102988042A (zh) | 2013-03-27 |
Family
ID=47917501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210469751 Pending CN102988042A (zh) | 2012-08-30 | 2012-11-20 | 一种小波变换与支持向量机相融合的窦房结电图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102988042A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103908243A (zh) * | 2014-04-01 | 2014-07-09 | 南京普澳医疗设备有限公司 | 一种提升小波和中值滤波相结合的算法 |
CN104688201A (zh) * | 2014-08-26 | 2015-06-10 | 安徽工程大学 | 老年人健康监护系统及其方法 |
CN105447514A (zh) * | 2015-11-18 | 2016-03-30 | 北京航空航天大学 | 一种基于信息熵的金属识别方法 |
CN107427215A (zh) * | 2015-02-18 | 2017-12-01 | 美敦力公司 | 用于在可植入心脏监测设备中标识病窦综合征的装置 |
CN108471975A (zh) * | 2015-12-04 | 2018-08-31 | 圣犹达医疗用品心脏病学部门有限公司 | 用于统计分析局部异常心室活动的电描记图并标测该局部异常心室活动的方法和系统 |
CN108697334A (zh) * | 2016-03-01 | 2018-10-23 | 圣犹达医疗用品心脏病学部门有限公司 | 用于标测心脏活动的方法和系统 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109730672A (zh) * | 2019-01-29 | 2019-05-10 | 郑州大学 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
CN110532383A (zh) * | 2019-07-18 | 2019-12-03 | 中山大学 | 一种基于强化学习的专利文本分类方法 |
-
2012
- 2012-11-20 CN CN 201210469751 patent/CN102988042A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103908243A (zh) * | 2014-04-01 | 2014-07-09 | 南京普澳医疗设备有限公司 | 一种提升小波和中值滤波相结合的算法 |
CN104688201A (zh) * | 2014-08-26 | 2015-06-10 | 安徽工程大学 | 老年人健康监护系统及其方法 |
CN107427215B (zh) * | 2015-02-18 | 2020-09-22 | 美敦力公司 | 用于在可植入心脏监测设备中标识病窦综合征的装置 |
CN107427215A (zh) * | 2015-02-18 | 2017-12-01 | 美敦力公司 | 用于在可植入心脏监测设备中标识病窦综合征的装置 |
CN105447514B (zh) * | 2015-11-18 | 2018-11-23 | 北京航空航天大学 | 一种基于信息熵的金属识别方法 |
CN105447514A (zh) * | 2015-11-18 | 2016-03-30 | 北京航空航天大学 | 一种基于信息熵的金属识别方法 |
CN108471975A (zh) * | 2015-12-04 | 2018-08-31 | 圣犹达医疗用品心脏病学部门有限公司 | 用于统计分析局部异常心室活动的电描记图并标测该局部异常心室活动的方法和系统 |
CN108471975B (zh) * | 2015-12-04 | 2020-11-17 | 圣犹达医疗用品心脏病学部门有限公司 | 用于统计分析局部异常心室活动的电描记图并标测该局部异常心室活动的方法和系统 |
CN108697334A (zh) * | 2016-03-01 | 2018-10-23 | 圣犹达医疗用品心脏病学部门有限公司 | 用于标测心脏活动的方法和系统 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109730672A (zh) * | 2019-01-29 | 2019-05-10 | 郑州大学 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
CN109730672B (zh) * | 2019-01-29 | 2022-02-11 | 郑州大学 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
CN110532383A (zh) * | 2019-07-18 | 2019-12-03 | 中山大学 | 一种基于强化学习的专利文本分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102988042A (zh) | 一种小波变换与支持向量机相融合的窦房结电图识别方法 | |
CN104783787A (zh) | 一种基于神经网络的j波检测方法 | |
CN105054926A (zh) | 心电信号特征信息的提取方法及装置 | |
CN106371070B (zh) | 一种改进的基于小波分析的欠定盲源分离源数估计方法 | |
CN102258368B (zh) | 胎心电检测的时域稀疏性线性混叠盲分离模型的判别方法 | |
CN105919590B (zh) | 一种多通道心电图的qrs自动划定方法 | |
He et al. | Single channel blind source separation on the instantaneous mixed signal of multiple dynamic sources | |
CN105787946A (zh) | 一种非负盲分离胎心音分析方法及装置 | |
CN104777442A (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
CN110226919B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
CN102579039B (zh) | 一种心电图中的t波交替检测的方法 | |
CN105212922A (zh) | 面向fpga实现心电信号r波自动检测的方法及系统 | |
CN104165759A (zh) | 一种基于复局部均值分解的转子碰摩故障特征提取方法 | |
Xu et al. | Phase space reconstruction of an experimental model of cardiac field potential in normal and arrhythmic conditions | |
Ma et al. | A novel blind deconvolution based on sparse subspace recoding for condition monitoring of wind turbine gearbox | |
Manikandan et al. | Robust detection of premature ventricular contractions using sparse signal decomposition and temporal features | |
CN103837892B (zh) | 微地震自适应独立分量分析弱信号提取方法 | |
CN103070681A (zh) | 一种基于稀疏成分分析的心室晚电位分离方法 | |
CN108566206A (zh) | 基于改进的压缩采样匹配追踪的电能质量信号重构方法 | |
CN105943030A (zh) | 一种用于实现多通道心电图qrs自动划定的智能终端 | |
CN103431858B (zh) | 基于分布式电极的窦房结电图获取方法及系统 | |
Jagatap et al. | Electrocardiogram (ECG) Signal Analysis and Feature Extraction: A Survey | |
CN105078447A (zh) | 一种心电信号r波定位方法 | |
CN103876730B (zh) | 基于二阶统计特性的母亲和胎儿心电盲提取方法 | |
Dong | Detection of electrocardiography based on wavelet transform and extended Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130327 |