CN104173043B - 一种适合于移动平台的心电数据分析方法 - Google Patents
一种适合于移动平台的心电数据分析方法 Download PDFInfo
- Publication number
- CN104173043B CN104173043B CN201410448511.XA CN201410448511A CN104173043B CN 104173043 B CN104173043 B CN 104173043B CN 201410448511 A CN201410448511 A CN 201410448511A CN 104173043 B CN104173043 B CN 104173043B
- Authority
- CN
- China
- Prior art keywords
- ripple
- data
- ecg
- point
- data point
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种适合于移动平台的心电数据分析方法,所述方法包括:对采集的心电信号数据进行原始ECG心电信号中值滤波;通过自适应双阀值算法检测与定位R波;检测R波前后的两个正向波,两个正向波为P波和T波;检测R波两边的两个负向波,负向波为Q波和S波;利用R波、P波、T波、Q波和S波起点与终点位置,计算波点间期心电特征值进行心电失常诊断。本发明对心率失常检测的准确度达92%以上,由于算法结构简洁,处理效率高,在Cortex A8/Android移动平台处理1分钟心电数据仅需12秒,适合开发基于移动平台的便携式心电测量仪。
Description
技术领域
本发明属于医疗器械、移动健康监测技术领域,尤其涉及一种适合于移动平台的心电数据分析方法。
背景技术
现有心血管疾病发病率越来越高,已成为危害人类身体健康的主要疾病之一,心电仪是检测、诊断和预防这类疾病的有效方法。传统心电仪是基于PC的监护仪,价格昂贵,体积庞大,只能由医院专业人员操作使用,人工分析患者心电图特征参数,难以在离开医院环境下给人们提供灵活的健康监测服务。随着嵌入式和网络通讯技术的飞速发展,克服传统的移动心电监测仪应运而生,它具有成本低、体积小、可靠性高、操作简单等优点,适合个人、家庭、中小型医疗机构。移动心电监护设备能够快速对动态心电信号进行实时检测分析,自动诊断心脏疾病,为使用者提供疾病预警、医学咨询甚至紧急救护服务。
传统的PC监护仪价格昂贵,体积庞大,不便移动且主要集中在医院,而无法实时监护患者的病情,给病人和医生带来很大不便。针对这些弊端,也随着嵌入式和网络通讯技术的飞速发展,克服传统的移动心电监测仪应运而生,它具有低成本、体积小、可靠性高、操作简单等优点,适用于个人,家庭,中小型医院和社区医疗单位。
开发移动心电监护设备的关键是心电数据处理与心电失常的自动诊断。近年来,人们对心电数据处理方法进行了大量的研究,提出了很多心电检测算法,如差分阈值法、模板匹配法、小波变换法和神经网络法等。差分阈值法算法简单,处理速度快,易于工程实现,但检测准确度不够理想;模板匹配法虽然原理简单,但对高频噪声和基线漂移很敏感;小波变换法具有良好的时频局域化特性,检测准确度高,但计算量较大,不适于实时处理;神经网络法能够实现很好的判别效果,但训练时间较长,实时性差。我们对传统阈值法进行改进,结合中值滤波、自适应、滑动窗口、斜率判断等手段,从定位R波入手,对QRS波群特征进行分析,精确定位Q、R、S、P、T波,进行心率特征参数计算,基于分支逻辑判断法进行心电失常自动诊断。
发明内容
为解决现有心电监测算法对移动平台环境下适用性不好的问题,本发明提出一套适合移动平台环境的心电信号滤波、波形检测与心电异常诊断算法,既要求波形检测准确性好,又要求数据处理效率高。
本发明的目的通过以下的技术方案来实现:
一种适合于移动平台的心电数据分析方法,包括:
对采集的心电信号数据进行原始ECG心电信号中值滤波;
通过自适应双阀值算法检测与定位R波;
检测R波前后的两个正向波,两个正向波为P波和T波;
检测R波两边的两个负向波,负向波为Q波和S波;
利用R波、P波、T波、Q波和S波起点与终点位置,计算波点间期心电特征值进行心电失常诊断。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
对本发明心率失常检测的准确度达92%以上,由于算法结构简洁,处理效率高,在Cortex A8/Android移动平台处理1分钟心电数据仅需12秒,适合开发基于移动平台的便携式心电测量仪。
附图说明
图1是适合于移动平台的心电数据分析方法流程图;
图2a是113号数据滤波前波形图;
图2b是118号数据滤波前波形图;
图2c是113号数据滤波后波形图;
图2d是118号数据滤波后波形图;
图3是R波重检逻辑流程图;
图4是心律失常诊断流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,为适合于移动平台的心电数据分析方法,该方法接收来自心电信号采集器的原始ECG心电信号,通过中值滤波去噪后,首先采用自适应双阀值算法检测R波,然后利用R波定位,检测P、T波与Q、S波,计算QRS、P、T波相关特征点,最后,采用分支逻辑判断法进行心电失常诊断,使使用者及时掌握其心电健康状况。具体包括如下步骤:
步骤10对采集的心电信号数据进行原始ECG心电信号中值滤波
心电数据处理第一步是中值滤波,过滤基线漂移等干扰,具体方法是:对于心电信号数据序列中每个点x(n),在其前后各取M个数据点,组成一个序列x(n-M)、x(n-1)、x(n)、x(n+1)、…、x(n+M)。
对这2M+1个数据点进行排序,取排序后中位数x(n’)作为基线漂移值,将心电信号值减去漂移值,得到y(n)=x(n)-x(n’),作为去除干扰后的心电数据值。
用MIT-BIH数据库为测试数据,经反复测试,发现当M=45时,滤波效果比较理想。
图2a、2b、2c和2d是MIT-BIH数据库中113、118两组数据滤波前后波形比较,可以看出,中值滤波对基线漂移和波形抖动都取得了较好的修正效果,并在一定程度上突出了特征波形。
步骤20通过自适应双阀值算法检测与定位R波;
算法用一个滑动窗口选择RR间期内连续多个数据点,基于动态可调的最大值阀值与最大斜率阀值比较,判定滑动窗口是否为R波上升沿,并通过滑动窗口的移动,定位R波波峰。如图3,该算法包括以下步骤:
(1)以经过滤波后的心电数据为输入,用长度略小于半个QRS间期、大小为HR+1的滑动窗口选取HR+1个连续数据点y(n)、y(n+1)、…、y(n+HR),对其中每个数据点y(n),计算其斜率y’(n)=y(n+1)-y(n)。
(2)计算整批心电数据的最大斜率max{y(n-1)-y(n)},乘以斜率阈值系数α,得到最大斜率阈值max{y(n+i+1)-y(n+i)}×α;计算整批心电数据的最大值max{y(n)},乘以最大值系数β,得到最大值阈值max{y(n)}×β。
(3)判断是否每个数据点的斜率是否都大于斜率最大斜率阈值,即检测
以下条件是否成立:
若成立,则表明这HR+1个连续数据点都位于某个波形上升沿,转(4),否则移动滑动窗口,置n←n+1,转(1);
(4)判断最大值数据点的数据值是否大于最大值阈值,即检测条件是否成立:
若成立,则表明这HR+1个连续数据点都位于R波上升沿,转到(5),否则移动滑动窗口,置n←n+1,转(1)
(5)移动滑动窗口,置n←n+1。
(6)若y(n+HR)>y(n+HR-1),则表明y(n+HR)比y(n+HR-1)更接近R波波峰或就是R波波峰,再转(5);否则y(n+HR-1)为R波波峰。
在以上算法步骤中,最大值阀值系数α与斜率阀值系数β可做动态调整,若步骤(3)或步骤(4)中滑动窗口移动次数超过RR间期长度,相应条件都不成立,则调整系数α与系数β,启动R波重检流程。
根据以MIT-BIH数据库为输入数据的测试结果,斜率阀值系数与最大值阀值系数的初值分别设置为α=0.55,β=0.7。
一些特殊的波形会出现R波倒置的情况,处理方法是:
(1)选取一个合理的时间间期(实验表明1.5s比较合适),对该时间内所有数据取均值,得出一个基线值。
(2)取该间期内的最大值和最小值,分别计算和基线值的绝对差值,假如最大值的绝对差值比最小值要大,则判断为没有倒置,否则判断为倒置。
(3)如果判断倒置,则将该最小值所在前后100ms的数据取绝对值处理。
(4)对该数据重复(2)、(3)步骤。
(5)数据修正后,直接调用图3方法寻找R波。
表1是MIT-BIH数据库中部分心电数据的R波检测结果,可以看出,大部分波形的R波检测都能达到100%的成功率,为后续其他波形的检测打下了坚实的基础。
表1
步骤30检测R波前后的两个正向波,两个正向波为P波和T波;
采用自适应和局域变换相结合的方法检测P、T波
R波的定位为P、T波检测提供了参考点,一般情况下,R波前后有两个正向波,一个P波、一个T波,P波在R波前,T波在R波后,有些失常心电存在两个P波。T波的检测方法是:
(1)首先,取一段R波波峰后一个数据点滑动窗口[n1,n2],该段数据保护T波。
(2)接着,求该段数据的基线值,分别判断最大值和最小值与该基线值的绝对值差,判断波形是否倒置,假如最大值的绝对差值比最小值要大,则判断为没有倒置,否则判断为倒置。
(3)然后,根据波形是否倒置,选择具有最大值或最小值的数据点y(nmax),在心电图中,连接y(nmax)与y(n1)、y(nmax)与y(n2)分别作直线L1与L2,用z1(n)、z2(n)分别表示数据点y(n)对应于直线L1与L2的函数值,记具有最大值|y(n)-z1(n)|、|y(n)-z2(n)|分别为点y(nstart)与y(nend)。
(4)最后,滑动、延长或缩短窗口[n1,n2],若得到的数据点y(nstart)与y(nend)位置不变,则y(nmax)为T波波峰(波波谷),y(nstart)与y(nend)分别为T波起点与终点,否则调整窗口[n1,n2],重复前面的处理。
若取R波波峰前的一个数据点滑动窗口[n1,n2]用上述方法进行处理,获得的是P波波峰、P波起点、P波终点。
表2是MIT-BIH数据库中部分心电数据P、T波检测结果,其准确率基本令人满意,106号数据的前半段和后半段有很大的不同,对P波的检测造成较大影响。118号数据存在大量T波倒置现象,但仍然能得到87%以上的检测率,119也存在个别T波倒置的现象,仍然能得到95%以上的检测率,可见该算法还是可以满足日常使用的。
表2
步骤30检测R波两边的两个负向波,负向波为Q波和S波;
基于斜率比较法检测Q波、S波,Q、S波是R波的两个小“山脚”,通常是负向波,具有振幅小、宽度窄的特点,所以不好检测。由于一般情况下Q、S波谷两边图像为近似直线,本发明采用基于斜率比较方法检测Q、S波。
Q波检测方法:将R波峰前的数值最小的数据点y(Q)看成Q波波谷,将Q波波谷前斜率超过阈值γ的第一个数据点y(Q1)作为Q波起点,Q波波谷后第一个数据值与y(Q1)相等的数据点y(Q2)作为Q波终点。若R波倒置,则寻找R波峰前第一个斜率小于斜率门限值的点视作Q点,在检测Q波起点、终点。
S波检测方法:将R波峰后的心电信号最小的数据点y(S)看成S波波谷,将S波波谷后斜率超过阈值γ的第一个数据点y(S1)作为S波起点,S波波谷后第一个心电信号与y(S1)相等的数据点y(S2)作为S波终点。
表3是MIT-BIH数据库中部分心电数据Q、S波检测结果,大多数选定心电数据检出率在100%,可以满足实际使用,并可从中准确计算QRS波宽和QT间期等关键心电参数。
表3
步骤50利用R波、P波、T波、Q波和S波起点与终点位置,计算波点间期心电特征值进行心电失常诊断
上述诊断基于分支逻辑判断法进行。
利用R、P、T、Q、S波的起点、终点位置,就可计算RR间期、PR间期、ST间期、ST段、QT段等心电特征值,为心电失常诊断提供可靠依据。
导致心电数据失常的心率症状和心脏病症种类繁多,诊断逻辑复杂,本发明以心率症状诊断为实例说明心电失常诊断方法。图4是心律失常诊断流程图,表4是心律模块诊断结果。与MIT-BIH数据库中给出的病症相比,在14组数据中,仅2组数据多检1个房性期前收缩,1组数据漏检1个室性期前收缩,检测准确率达到实用化要求,窦性停搏检测准确率达100%。
表4 心律模块诊断结果
编程实现和性能测试
将中值滤波、R波检测、P波与T波检测、Q波与S波检测、心电失常诊断等功能分别设计成6个模块,用Android语言实现,运行在Cortex A8/Android移动平台上,对1分钟心电数据处理进行效率测试,表5是测试结果,移动平台仅用12秒时间久完成了对数据的处理,表明本发明方法适合开发基于移动平台的便携式心电测量仪。
表5
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (5)
1.一种适合于移动平台的心电数据分析方法,其特征在于,所述方法包括:
对采集的心电信号数据进行原始ECG心电信号中值滤波;
通过自适应双阀值算法检测与定位R波;
检测R波前后的两个正向波,两个正向波为P波和T波;
检测R波两边的两个负向波,负向波为Q波和S波;
利用R波、P波、T波、Q波和S波起点与终点位置,计算波点间期心电特征值;
所述T波的检测方法包括:
选取一段R波波峰后一个数据点窗口[n1,n2];
求选取的R波波峰后一个数据点窗口[n1,n2]段数据的基线值,分别判断所选取数据点窗口最大值和最小值与该基线值的绝对值差,根据最大值与基线值的绝对值差和最小值判断波形是否倒置;
根据波形是否倒置,选择具有最大值或最小值的数据点y(nmax),在心电图中,连接y(nmax)与y(n1)、y(nmax)与y(n2)分别作直线L1与L2,用z1(n)、z2(n)分别表示数据点y(n)对应于直线L1与L2的函数值,记|y(n)-z1(n)|、|y(n)-z2(n)|具有最大值的点分别为y(nstart)与y(nend);
滑动、延长或缩短窗口[n1,n2],若得到的数据点y(nstart)与y(nend)位置不变,则y(nmax)为T波波峰,y(nstart)与y(nend)分别为T波起点与终点,否则调整数据点窗口[n1,n2]的大小与位置,再次进行P波和T波的检测;
如果最大值的绝对差值比最小值大,则判断为没有倒置,否则判断为倒置。
2.根据权利要求1所述的适合于移动平台的心电数据分析方法,其特征在于,对所述原始ECG心电信号中值滤波的计算方法是:在心电数据序列中每个点x(n)的前后各取M个数据点,其中M为45,对2M+1个数据点进行排序,取其中位数x(n’),计算y(n)=x(n)-x(n’),作为滤波后的数据值。
3.根据权利要求1所述的适合于移动平台的心电数据分析方法,其特征在于,通过自适应双阀值对R波检测算法包括:
以经过滤波后的心电数据为输入,用长度小于半个QRS间期、大小为HR+1的滑动窗口选取HR+1个连续数据点y(n)、y(n+1)、…、y(n+HR),计算数据点y(n)的斜率y’(n)=y(n+1)-y(n);
计算整批心电数据的最大斜率乘以斜率阈值系数,得到最大斜率阈值,计算整批心电数据的最大值乘以最大值系数,得到最大值阈值;
判断每个数据点的斜率是否大于最大斜率阈值,是,则HR+1个连续数据点都位于某波形上升沿,否则,置n递增1;
判断HR+1个数据点中最后数据点的数据值是否大于最大值阈值,是,则HR+1个连续数据点都位于R波上升沿,否则,置n递增1;
若最后数据点y(n+HR)大于次最后数据点y(n+HR-1),则表明最后数据点更接近R波波峰或就是R波波峰,置n递增1;否则次最后数据点即为R波波峰。
4.根据权利要求1所述的适合于移动平台的心电数据分析方法,其特征在于,将所述数据点窗口[n1,n2]设置成位于RR间期前半区间,以检测T波波峰、T波起点与T波终点,将所述数据点窗口[n1,n2]设置成位于RR间期后半区间,检测P波波峰、P波起点与P波终点。
5.根据权利要求1所述的适合于移动平台的心电数据分析方法,其特征在于,Q波和S波的检测方法包括:
将R波峰前的心电信号最小的数据点y(Q)看成Q波波谷,将Q波波谷前斜率超过阈值γ的第一个数据点y(Q1)作为Q波起点,Q波波谷后第一个心电信号与y(Q1)相等的数据点y(Q2)作为Q波终点;
将R波峰后的心电信号最小的数据点y(S)看成S波波谷,将S波波谷前斜率超过阈值γ的第一个数据点y(S1)作为S波起点,S波波谷后第一个心电信号与y(S1)相等的数据点y(S2)作为S波终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448511.XA CN104173043B (zh) | 2014-09-04 | 2014-09-04 | 一种适合于移动平台的心电数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448511.XA CN104173043B (zh) | 2014-09-04 | 2014-09-04 | 一种适合于移动平台的心电数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104173043A CN104173043A (zh) | 2014-12-03 |
CN104173043B true CN104173043B (zh) | 2017-02-15 |
Family
ID=51954583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410448511.XA Expired - Fee Related CN104173043B (zh) | 2014-09-04 | 2014-09-04 | 一种适合于移动平台的心电数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104173043B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9901276B2 (en) * | 2015-02-18 | 2018-02-27 | Medtronic, Inc. | Method and apparatus for identifying sick sinus syndrome in an implantable cardiac monitoring device |
CN105078447B (zh) * | 2015-07-08 | 2017-12-05 | 上海师范大学 | 一种心电信号r波定位方法 |
EP3334340B1 (en) * | 2015-08-10 | 2024-06-05 | Koninklijke Philips N.V. | Simplified display of end-tidal co2 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
FR3043902B1 (fr) * | 2015-11-19 | 2018-02-23 | @Health | Procede et systeme d'acquisition et d'analyse de donnees physiologiques |
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 |
CN105662375B (zh) * | 2016-03-17 | 2019-01-29 | 广州中科新知科技有限公司 | 非接触式检测生命体征信号的方法和装置 |
CN105997054B (zh) * | 2016-06-22 | 2019-07-09 | 天津理工大学 | 一种心电信号预分析的方法 |
CN106361325B (zh) * | 2016-08-30 | 2019-03-01 | 任勇 | 一种便携式心电仪所测单导联心电图的筛查识别系统 |
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 |
CN106974637B (zh) * | 2017-04-11 | 2019-12-10 | 西南大学 | 心率实时计算方法及装置 |
TWI635852B (zh) * | 2017-06-09 | 2018-09-21 | 國立臺灣科技大學 | 應用於多感測器偵測手掌脈搏的訊號處理方法 |
CN109009071A (zh) * | 2018-07-11 | 2018-12-18 | 上海夏先机电科技发展有限公司 | 一种识别心电波图像特征点的方法和装置 |
CN109602415B (zh) * | 2018-11-12 | 2022-02-18 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109820501B (zh) * | 2018-11-12 | 2023-11-28 | 浙江清华柔性电子技术研究院 | 一种心电信号r波的识别方法、装置、计算机设备 |
CN109171711A (zh) * | 2018-11-14 | 2019-01-11 | 中国计量大学 | 一种基于极值法的快速p波检测方法 |
CN109620214B (zh) * | 2018-12-07 | 2020-09-25 | 上海数创医疗科技有限公司 | 基于人工智能技术的心电信号st段自动判断方法及装置 |
CN110742599B (zh) * | 2019-11-01 | 2022-05-10 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN111325472A (zh) * | 2020-02-28 | 2020-06-23 | 北京思特奇信息技术股份有限公司 | 一种异常数据检测方法和系统 |
CN111513706B (zh) * | 2020-04-20 | 2022-09-27 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN114617563A (zh) * | 2020-12-12 | 2022-06-14 | 河南华南医电科技有限公司 | 一种基于包络线斜率的多导联心电信号特征检测技术 |
CN113786202B (zh) * | 2021-08-17 | 2023-12-26 | 广东省科学院健康医学研究所 | 一种心电图特征起点和终点检测方法、系统、装置及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7463921B2 (en) * | 2001-08-13 | 2008-12-09 | University Of Rochester | Method and system for analyzing an electrocardiographic signal |
EP2895063B8 (en) * | 2012-09-11 | 2019-03-27 | Drägerwerk AG & Co. KGaA | A system and method for detecting the presence of a p-wave in an ecg waveform |
CN103654770B (zh) * | 2013-12-03 | 2015-11-18 | 上海理工大学 | 移动心电信号qrs波实时波检测方法及装置 |
-
2014
- 2014-09-04 CN CN201410448511.XA patent/CN104173043B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104173043A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104173043B (zh) | 一种适合于移动平台的心电数据分析方法 | |
US7578793B2 (en) | Sleep staging based on cardio-respiratory signals | |
CN114376564B (zh) | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 | |
CN110897631B (zh) | 孕产实时监测装置及方法 | |
CN101422362A (zh) | 具有运动伪差消除功能的无线心电监护系统 | |
CN110236508A (zh) | 一种无创血压连续监测方法 | |
WO2016168979A1 (zh) | 一种生命体征分析方法与系统 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN103040524B (zh) | 减少生理活动对医学成像或测量结果干扰的装置及方法 | |
CN109498022A (zh) | 一种基于光电容积脉搏波的呼吸频率提取方法 | |
C. Dela Cruz et al. | Deriving heart rate and respiratory rate from ecg using wavelet transform | |
KR101048763B1 (ko) | 신호 검출 장치 및 방법 | |
Hugeng et al. | Development of the ‘Healthcor’system as a cardiac disorders symptoms detector using an expert system based on arduino uno | |
CN113069091A (zh) | 一种ppg信号的脉象分类装置及方法 | |
CN109394206B (zh) | 基于穿戴式心电信号中早搏信号的实时监测方法及其装置 | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
CN113243898B (zh) | 一种脑卒中数据处理设备及方法 | |
CN107280650B (zh) | 生命体特征参数获取方法及装置 | |
CN112006657B (zh) | 一种麻醉深度监测方法及装置 | |
Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
Shama et al. | Hamming filter design for ECG signal detection and processing using co-simulation | |
CN109350006B (zh) | 糖尿病并发症视网膜病变数据检测方法、仪器及医疗设备 | |
CN108511037A (zh) | 腹部的肌电信号的分析方法及系统 | |
Wang et al. | AN EFFICIENT ALGORITHM FOR R PEAKS DETECTION OF ELECTROCARDIOGRAM SIGNALS | |
Taji | Signal Quality Assessment in Wearable ECG Devices |
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: 20170215 Termination date: 20190904 |
|
CF01 | Termination of patent right due to non-payment of annual fee |