CN103251405B - 心律失常分析系统 - Google Patents

心律失常分析系统 Download PDF

Info

Publication number
CN103251405B
CN103251405B CN201310136210.9A CN201310136210A CN103251405B CN 103251405 B CN103251405 B CN 103251405B CN 201310136210 A CN201310136210 A CN 201310136210A CN 103251405 B CN103251405 B CN 103251405B
Authority
CN
China
Prior art keywords
parameter
waveform parameter
arrhythmia analysis
arrhythmia
note
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.)
Active
Application number
CN201310136210.9A
Other languages
English (en)
Other versions
CN103251405A (zh
Inventor
尹鹏
李尔松
邹海涛
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.)
Shenzhen Comen Medical Instruments Co Ltd
Original Assignee
Shenzhen Comen Medical Instruments 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 Shenzhen Comen Medical Instruments Co Ltd filed Critical Shenzhen Comen Medical Instruments Co Ltd
Priority to CN201310136210.9A priority Critical patent/CN103251405B/zh
Publication of CN103251405A publication Critical patent/CN103251405A/zh
Priority to PCT/CN2013/085178 priority patent/WO2014169595A1/zh
Application granted granted Critical
Publication of CN103251405B publication Critical patent/CN103251405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

本发明公开了一种心律失常分析方法和系统，方法包括：获取被检测者心电信号样本中的异常特征波形参数；根据所述异常特征波形参数，利用支持向量机算法计算并输出心律失常分析结果；判断是否接收到所述心律失常分析结果的修正参数，若是，则根据所述修正参数以及所述异常特征波形参数修改所述支持向量机算法，并输出所述修正结果。实施本发明实施例能够实现心电信号检测样本“自学习”功能，降低了心律失常分析的误判率和漏判率。

Description

心律失常分析系统
技术领域
本发明涉及医疗设备领域，特别是涉及到一种心律失常分析系统。
背景技术
目前的心律失常分析仪器主要采用的有波形分析法和模板匹配法。波形分析法根据心电信号(如心电图)中的特征波形来进行分析，心电信号的特征波形是指心电信号中一些具有指示意义的波峰和波谷，如P、Q、R、S、T波等，其中P波代表心房去极化，QRS复合波代表心室去极化，T波代表心室复极化。波形分析法首先获取特征波形参数，如特征波形的幅值、时间长度、上升/下降时间、波形间期等，这些特征波形参数根据临床经验预先在心律失常分析仪器内部固化了对应的固定判断阀值，将获取的特征波形参数与固定判断阀值对比，当特征波形的参数超出固定参数阀值就可以判断出心律失常分析结果，如室早、室早二联律、房颤等。模板匹配法主要通过计算出被检测者心电信号中的平均R-R间期和R波平均形态作为模板，将被检测者的每次心跳的R-R间期和R波形态与模板对比，若两者的差异超出一定范围，则认为发生了心律失常。
然而目前的心律失常分析方法都存在误判、漏判的情况，尤其是对特殊检测样本的心律失常分析会存在功能异常或失效现象。如波形分析法采用固化的特征波形参数的经验阀值作为判断依据，虽然具有普适性，但是遇到特殊年龄段和特殊体质的人群时，尤其是新生儿心电检测时，新生儿心电信号微弱，QRS波时限较短，新生儿哭闹对心电检测干扰较大，因此就容易得出错误的心律失常分析结果。而模板分析法只有在被检测者的R波形态与模板具有较大差异时，才能做出有效判断，对差异不明显的心律失常波形不能有效判断。
发明内容
基于此，有必要针对上述技术问题，提供一种具有心电信号检测样本学习能力的心律失常分析系统，应用本发明技术方案能够减少误判率、漏判率。
本发明实施例提供了一种心律失常分析方法，包括：
获取被检测者心电信号样本中的异常特征波形参数；
根据所述异常特征波形参数，利用支持向量机算法计算并输出心律失常分析结果；
判断是否接收到所述心律失常分析结果的修正参数，若是，则根据所述修正参数以及所述异常特征波形参数修改所述支持向量机算法，并输出所述修正结果。
本发明实施例还相应提供了一种心律失常分析系统，包括：
异常特征波形参数获取模块，用于获取被检测者心电信号样本中的异常特征波形参数；
心律失常分析模块，用于根据所述异常特征波形参数，利用支持向量机算法计算心律失常分析结果；
分析结果输入/输出模块，用于输出显示所述心律失常分析结果，所述分析结果输入/输出模块还用于判断是否接收到所述心律失常分析结果的修正参数，若是，所述分析结果输入/输出模块还用于输出显示修正结果；
所述算法修改模块，用于根据所述修正参数以及所述异常特征波形参数修改所述支持向量机算法。
本发明实施例提供的心律失常分析方法和心律失常分析系统，根据异常特征波形参数，利用支持向量机算法计算心律失常分析结果，能够满足一般人群心电信号检测样本的心律失常分析的准确性要求，当遇到特殊人群的检测样本时，心律失常分析结果如有偏差，根据输入的修正结果，修改支持向量机算法，从而实现心电信号检测样本“自学习”功能，当再次检测到类似检测样本时就能输出正确的修正结果，从而降低了心律失常分析的误判率和漏判率。
附图说明
图1为一个实施例提供的一种心律失常分析方法的流程示意图；
图2为图1所示实施例提供的一种心律失常分析方法中步骤S11的实施流程示意图；
图3为图1所示实施例提供的一种心律失常分析方法中步骤S12的实施流程示意图；
图4为图1所示实施例提供的一种心律失常分析方法中步骤S14中修改支持向量机算法的实施流程示意图；
图5为一个实施例提供的一种心律失常分析系统的结构示意图；
图6为图5所示实施例提供的异常特征波形参数获取模块的结构示意图；
图7为图5所示实施例提供的心律失常分析模块的结构示意图；
图8为图5所示实施例提供的算法修改模块的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
参见图1，在一个实施例中，提供了一种心律失常分析方法，其流程包括：
S11，获取被检测者心电信号样本中的异常特征波形参数。
参见图2，在具体实施时，步骤S11，可以但不限于按下列步骤进行：
步骤S112，提取被检测者心电信号样本中的特征波形参数。
心电信号的特征波形是指心电信号中一些具有指示意义的波段，如P波、QRS复合波、T波等。特征波形参数，包括特征波形的幅值、时间长度、上升/下降时间和波形间期等。
步骤S114，将特征波形参数与预先设置的参数阀值对比，根据特征波形参数超出参数阀值的频率，判断是否需要修正参数阀值。
将提取到的特征波形参数与预先设置的参数阀值进行对比，判断特征波形参数是否超出预设的参数阀值。参数阀值根据医学上的通用正常标准预先设置为该特征波形参数的平均值，例如QRS波宽度正常为60-100ms，则预设的QRS波宽度阀值可以为80ms。根据特征波形参数超出预先设置的参数阀值的频率或次数，判断是否需要修正参数阀值，以QRS波为例，当被检测者心电信号波形 中的QRS波中有80％超过了预设宽度阀值80ms，则可以认为该被检测者属于特殊人群，需要修正参数阀值。在实施的时候，特征波形参数超出预设参数阀值的频率定义为多少，可以视被检测者的人群分布等因素具体而定。
步骤S116，若是，则修正参数阀值，将超出修正后的参数阀值的特征波形参数作为异常特征波形参数；
步骤S118，若否，则将超出所述预先设置的参数阀值的特征波形参数作为异常特征波形参数。
对参数阀值进行修正，不应超出医学上的通用正常标准，以上文中QRS波为例，预设的QRS波宽度阀值可以为80ms，当被检测者心电信号波形中的QRS波中有80％超过了预设阀值，则可以将QRS波宽度阀值修正为100ms。若参数阀值没有进行修正，则将超出预设参数阀值的特征波形参数作为异常特征波形参数，若参数阀值进行了修正，将超出修正后的参数阀值的特征波形参数作为异常特征波形参数，。在该被检测者检测完毕后，特征波形参数阀值会恢复为预设的参数阀值。
步骤S11的上述优选实现方式，相对于现有技术，参数阀值不在是固化在机器内部的一个固定值，而是可以根据具体检测情形进行修正，减少了固定参数阀值所引起的误判、漏判情形。
S12，根据异常特征波形参数，利用支持向量机算法计算并输出心律失常分析结果；
本实施例采用支持向量机算法计算心律失常分析结果，支持向量机(Support Vector Machine，简称SVM)算法定义了3个元组：问题的输入空间I，问题的求解机制空间T以及问题的求解空间O。问题的输入空间I输入为异常特征波形参数，如波形幅度、波形时间长度、波形间期等，问题的求解空间O其输出为心律失常分析结果，如室早、二联律、三联律、房颤等。SVM算法可以视为输入空间I到求解空间O的函数。
参见图3，具体的，步骤S12在实施时可以包括：
步骤S122，输入异常特征波形参数。
将在步骤S11获取的异常特征波形参数，作为输入传输到SVM算法的输入 空间I。
步骤S124，将异常特征波形参数作为输入，根据支持向量机的传递函数计算出心律失常分析结果。
本实施例在SVM算法的求解机制空间T构造了算法的传递函数，输入为异常特征波形参数，最终输出为心律失常分析结果。该算法的传递函数由多层传递子函数组成，每层传递子函数的多个输入分别有与其相对应的输入权重因子，输入与输入权重因子相作用后作为本层传递子函数的输出，传递给下层传递子函数。
步骤S126，输出心律失常分析结果。
传递函数计算得出的心律失常分析结果由问题求解空间O输出，在实施时，可以但不限于通过人机界面显示心律失常分析结果。
S13、判断是否接收到心律失常分析结果的修正参数。
如遇到特殊人群或特殊病例，采用该心律失常分析方法的机器给出的心律失常分析结果与医生根据病人心电信号波形得出的心律失常分析结果存在偏差时，医生可以根据临床实际情况对机器所得结果进行修正，该修正通过机器上的人机交互界面实现，医生可在该界面中选择对心律失常分析结果进行修正，在具体实施的时候，医生在界面中给出的修正参数可以但不限于是最终的心律失常分析结果，如室早、二联律等。
S14、若是，则根据修正参数以及异常特征波形参数修改支持向量机算法，并输出修正结果。
当机器接收到修正结果时，则修正支持向量机算法，并输出显示修正结果。
参见图4，步骤S14中，修改支持向量机算法具体包括：
步骤S142，获取修正参数以及异常特征波形参数。
获取修正参数和异常特征波形参数即确定了SVM算法的问题的输入空间I以及问题的求解空间O。
步骤S144，根据修正参数以及异常特征波形参数，调节支持向量机传递函数的输入权重因子。
根据SVM算法问题的输入空间I中的异常特征波形参数，以及问题的求解 空间中O的的修正结果，调节问题求解机制空间T中的传递函数的各层传递子函数的输入权重因子，使得在当前输入空间I输入情况下，能够经过问题求解机制空间T，得到修正结果。修改支持向量机算法，可以视为SVM算法的“自学习”过程。在心律失常分析机器出厂前后及后续实际应用中，可以“学习”大量各年龄段心电信号检测样本，极大了提高了心律失常分析的准确率，降低了误判率和漏判率。
步骤S146，保存调节后的支持向量机传递函数的输入权重因子。
保存调节后的支持向量机传递函数的输入权重因子，在后续的心律失常分析过程中，SVM算法传递函数采用该调节后的输入权重因子。
本实施例提供的心律失常分析方法，根据异常特征波形参数，利用支持向量机算法计算心律失常分析结果，能够满足一般人群心电信号检测样本的心律失常分析的准确性要求，当遇到特殊人群的检测样本时，心律失常分析结果如有偏差，根据输入的修正结果，修改支持向量机算法，从而实现心电信号检测样本“自学习”功能，当再次检测到类似检测样本时就能输出正确的修正结果，从而降低了心律失常分析的误判率和漏判率。
参见图5，是本发明的一个实施例提供的一种心律失常分析系统20。
本实施例提供的一种心律失常分析系统20，包括：异常特征波形参数获取模块21、心律失常分析模块22、算法修改模块23、以及分析结果输入/输出模块24。
异常特征波形参数获取模块21用于获取被检测者心电信号样本中的异常特征波形参数，其工作原理具体可以参见图1中实施例的步骤S11。
心律失常分析模块22用于根据异常特征波形参数，利用支持向量机算法计算心律失常分析结果。分析结果输入/输出模块24用于输出显示心律失常分析结果，上述模块的工作原理具体可以参见图1中实施例的步骤S12。
分析结果输入/输出模块24还用于判断是否接收到心律失常分析结果的修正参数，若是，则输出显示修正结果。算法修改模块23，用于根据修正参数以及异常特征波形参数修改支持向量机算法。上述模块的工作原理具体可以参见 图1中实施例的步骤S13和S14。
具体的，参见图6，是图5中实施例提供的一种心律失常分析系统中的异常特征波形参数获取模块21的结构示意图。
本实施例中的异常特征波形参数获取模块21包括：特征波形参数提取单元211、参数阀值对比修正单元212、以及异常特征波形参数保存单元213。
特征波形参数提取单元211用于提取被检测者心电信号样本中的特征波形参数。
参数阀值对比修正单元212用于将特征波形参数与预先设置的参数阀值对比，根据特征波形参数超出参数阀值的频率，判断是否需要修正参数阀值，以及在需要修正参数阀值时，修正参数阀值。
异常特征波形参数保存单元213用于根据预先设置的参数阀值或修正后的参数阀值，将超出参数阀值的特征波形参数作为异常特征波形参数。
具体的，参见图7，为图5中实施例提供的一种心律失常分析系统中的心律失常分析模块22的结构示意图。
心律失常分析模块22包括：
异常特征波形参数输入单元221，用于输入异常特征波形参数。
传递函数分析单元222，用于将异常特征波形参数作为输入，根据支持向量机的传递函数计算出心律失常分析结果。
心律失常分析结果传输单元223，用于将心律失常分析结果传输到分析结果输入/输出模块24，以供分析结果输入/输出模块24显示心律失常分析结果。
具体的，参见图8，为图5中实施例提供的一种心律失常分析系统中的算法修改模块23的结构示意图。
算法修改模块23包括：
修正信息获取单元231，用于获取修正结果以及异常特征波形参数。
传递函数修改单元232，用于根据修正结果以及异常特征波形参数，调节支持向量机传递函数的输入权重因子。
传递函数保存单元233，用于保存调节后的传递函数的输入权重因子。
本实施例提供的一种心律失常分析系统，实现了实施例1中的心律失常分 析方法，其工作原理不再详细赘述。
本实施例提供的心律失常分析系统，根据异常特征波形参数，利用支持向量机算法计算心律失常分析结果，能够满足一般人群心电信号检测样本的心律失常分析的准确性要求，当遇到特殊人群的检测样本时，心律失常分析结果如有偏差，根据输入的修正结果，修改支持向量机算法，从而实现心电信号检测样本“自学习”功能，当再次检测到类似检测样本时就能输出正确的修正结果，从而降低了心律失常分析的误判率和漏判率。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种心律失常分析系统，其特征在于，包括：
异常特征波形参数获取模块，用于获取被检测者心电信号样本中的异常特征波形参数；
心律失常分析模块，用于根据所述异常特征波形参数，利用支持向量机算法计算心律失常分析结果；
分析结果输入/输出模块，用于输出显示所述心律失常分析结果，所述分析结果输入/输出模块还用于判断是否接收到所述心律失常分析结果的修正参数，若是，所述分析结果输入/输出模块还用于输出显示修正结果；
算法修改模块，用于根据所述修正参数以及所述异常特征波形参数修改所述支持向量机算法。
2.根据权利要求1所述的心律失常分析系统，其特征在于，所述异常特征波形参数获取模块包括：特征波形参数提取单元、参数阈值对比修正单元以及异常特征波形参数保存单元；
所述特征波形参数提取单元用于提取所述被检测者心电信号样本中的特征波形参数；
参数阈值对比修正单元用于将所述特征波形参数与预先设置的参数阈值对比，根据所述特征波形参数超出所述参数阈值的频率，判断是否需要修正所述参数阈值，以及在需要修正所述参数阈值时，修正参数阈值；
异常特征波形参数保存单元用于根据预先设置的参数阈值或修正后的参数阈值，将超出参数阈值的特征波形参数作为异常特征波形参数。
3.根据权利要求1所述的心律失常分析系统，其特征在于，所述心律失常分析模块包括：
异常特征波形参数输入单元，用于输入所述异常特征波形参数；
传递函数分析单元，用于将异常特征波形参数作为输入，根据支持向量机传递函数计算出心律失常分析结果；
心律失常分析结果传输单元，用于将所述心律失常分析结果传输到分析结果输入/输出模块，以供所述分析结果输入/输出模块显示所述心律失常分析结果。
4.根据权利要求1所述的心律失常分析系统，其特征在于，所述算法修改模块包括：
修正信息获取单元，用于获取所述修正结果以及所述异常特征波形参数；
传递函数修改单元，用于根据所述修正结果以及所述异常特征波形参数，调节支持向量机传递函数的输入权重因子；
传递函数保存单元，用于保存调节后的传递函数的输入权重因子。
CN201310136210.9A 2013-04-18 2013-04-18 心律失常分析系统 Active CN103251405B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201310136210.9A CN103251405B (zh) 2013-04-18 2013-04-18 心律失常分析系统
PCT/CN2013/085178 WO2014169595A1 (zh) 2013-04-18 2013-10-14 心律失常分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310136210.9A CN103251405B (zh) 2013-04-18 2013-04-18 心律失常分析系统

Publications (2)

Publication Number Publication Date
CN103251405A CN103251405A (zh) 2013-08-21
CN103251405B true CN103251405B (zh) 2015-04-08

Family

ID=48955885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310136210.9A Active CN103251405B (zh) 2013-04-18 2013-04-18 心律失常分析系统

Country Status (2)

Country Link
CN (1) CN103251405B (zh)
WO (1) WO2014169595A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103251405B (zh) * 2013-04-18 2015-04-08 深圳市科曼医疗设备有限公司 心律失常分析系统
TWI522958B (zh) * 2014-06-11 2016-02-21 國立成功大學 生理訊號分析方法及其系統與內儲生理訊號分析程式之電腦程式產品
CN104573403B (zh) * 2015-02-05 2019-03-08 上海越光医疗科技有限公司 一种检测事件处理方法
CN105411567B (zh) * 2015-12-15 2018-04-24 北京世纪今科医疗器械有限公司 一种心电图数据分析方法及系统
CN105912879B (zh) * 2016-06-03 2021-04-13 广州馨瑞艾特科技有限公司 一种胎心率曲线修正方法及其装置
EP3558097B1 (en) 2016-12-22 2023-08-02 Cardiac Pacemakers, Inc. Learning techniques for cardiac arrhythmia detection
CN107944372B (zh) * 2017-11-17 2020-04-07 珠海市多泰吉智能技术有限公司 一种信号有效性识别的方法和设备以及计算机存储介质
WO2019140604A1 (zh) * 2018-01-18 2019-07-25 深圳迈瑞生物医疗电子股份有限公司 心律失常实时分析方法、心电监护设备及存储介质
CN110226928B (zh) * 2018-03-06 2022-07-01 深圳市理邦精密仪器股份有限公司 房颤伴室早和房颤伴差传的识别方法和装置
CN109091139B (zh) * 2018-07-13 2021-04-30 希蓝科技（北京）有限公司 一种修正阵发性心律失常事件的方法及装置
CN109637610A (zh) * 2018-11-19 2019-04-16 深圳市理邦精密仪器股份有限公司 心电报告的配置方法、终端设备及介质
TW202021528A (zh) 2018-12-05 2020-06-16 宏碁股份有限公司 基於光電容積描記圖訊號取得心律不整資訊的方法及檢測心律不整的裝置
CN110751131B (zh) * 2019-11-16 2022-09-02 李汭傧 一种心律失常检测装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
CN101546556A (zh) * 2008-03-28 2009-09-30 展讯通信（上海）有限公司 用于音频内容识别的分类系统
CN102129069A (zh) * 2010-12-17 2011-07-20 浙江大学 基于多fpga的波束形成器输出数据带宽控制装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008007236A2 (en) * 2006-06-07 2008-01-17 Koninklijke Philips Electronics N.V. Atrial fibrillation detection
ES2334309B2 (es) * 2008-04-15 2012-07-05 Universidad Rey Juan Carlos Sistema y metodo para la reconstruccion y visualizacion de la activacion electrica cardiaca.
CN102274020B (zh) * 2011-06-30 2014-02-05 东北大学 一种低功耗的动态心电监护仪及其控制方法
CN102961129B (zh) * 2012-10-26 2015-11-25 上海交通大学无锡研究院 一种远程医疗的异常心电张量分析方法
CN103251405B (zh) * 2013-04-18 2015-04-08 深圳市科曼医疗设备有限公司 心律失常分析系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1951320A (zh) * 2006-11-16 2007-04-25 上海交通大学 基于超完备特征的异常心电识别方法
CN101546556A (zh) * 2008-03-28 2009-09-30 展讯通信（上海）有限公司 用于音频内容识别的分类系统
CN102129069A (zh) * 2010-12-17 2011-07-20 浙江大学 基于多fpga的波束形成器输出数据带宽控制装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Support Vector Machine-Based Expert System for Reliable Heartbeat Recognition;Stanislaw Osowski et al;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20040430;第51卷(第4期);582-589 *
心律失常智能诊断系统的研究与实现;宋宇宁;《中国优秀硕士学位论文全文数据库》;20130315(第03期);正文第41、61页 *

Also Published As

Publication number Publication date
CN103251405A (zh) 2013-08-21
WO2014169595A1 (zh) 2014-10-23

Similar Documents

Publication Publication Date Title
CN103251405B (zh) 心律失常分析系统
Maharaj et al. Discriminant analysis of multivariate time series: Application to diagnosis based on ECG signals
Ghaffari et al. A robust wavelet-based multi-lead electrocardiogram delineation algorithm
CN104173043A (zh) 一种适合于移动平台的心电数据分析方法
US10602944B2 (en) Detecting artifacts in a signal
Kelwade et al. Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series
Krasteva et al. Real-time arrhythmia detection with supplementary ECG quality and pulse wave monitoring for the reduction of false alarms in ICUs
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
CN102670188A (zh) 一种用于单导胎儿心率检测的鲁棒自适应估计方法
Ghaffari et al. High resolution ambulatory holter ECG events detection-delineation via modified multi-lead wavelet-based features analysis: Detection and quantification of heart rate turbulence
CN111358459A (zh) 一种心律失常识别方法、装置、设备和存储介质
WO2010051162A4 (en) System and method for improving data management between implantable medical devices and external devices
RU2017110814A (ru) Обратная связь от пользователя для управления экг-алгоритмом мониторинга ишемии
Ranjan et al. A unified approach of ECG signal analysis
Sadr et al. Reducing false arrhythmia alarms in the ICU using multimodal signals and robust QRS detection
WO2011126643A3 (en) Detection of t-wave alternans phase reversal for arrhythmia prediction and sudden cardiac death risk stratification
US20130274623A1 (en) System for Cardiac Condition Detection Using Heart Waveform Area Associated Analysis
US20220202344A1 (en) Apparatus and Method for Electrocardiogram (ECG) Signal Analysis and Heart Block Detection
Othman et al. A new semantic mining approach for detecting ventricular tachycardia and ventricular fibrillation
CN106308791B (zh) 心电信号记录系统的辅助数据远程传输方法和装置
US20190015051A1 (en) Automatic classification/intepretation of ecg waves for non-athletes/athletes
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
CN205031255U (zh) 微伏级t波交替实时检测系统
Jekova et al. Arrhythmia classification via time and frequency domain analyses of ventricular and atrial contractions
US10058261B2 (en) Noninvasive atrial activity estimation system and method

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