CN104398256A - 一种通过计算机实现的心电波形的检测方法及装置 - Google Patents

一种通过计算机实现的心电波形的检测方法及装置 Download PDF

Info

Publication number
CN104398256A
CN104398256A CN201410640514.3A CN201410640514A CN104398256A CN 104398256 A CN104398256 A CN 104398256A CN 201410640514 A CN201410640514 A CN 201410640514A CN 104398256 A CN104398256 A CN 104398256A
Authority
CN
China
Prior art keywords
heart
wave data
bunch
bat
clap
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
CN201410640514.3A
Other languages
English (en)
Other versions
CN104398256B (zh
Inventor
侯桂文
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.)
BEIJING HAISIMIN MEDICAL TECHNOLOGY Co Ltd
Original Assignee
BEIJING HAISIMIN MEDICAL TECHNOLOGY 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 BEIJING HAISIMIN MEDICAL TECHNOLOGY Co Ltd filed Critical BEIJING HAISIMIN MEDICAL TECHNOLOGY Co Ltd
Priority to CN201410640514.3A priority Critical patent/CN104398256B/zh
Publication of CN104398256A publication Critical patent/CN104398256A/zh
Application granted granted Critical
Publication of CN104398256B publication Critical patent/CN104398256B/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
    • A61B5/24—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
    • 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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供了一种通过计算机实现的心电波形的检测方法及装置，该方法包括：获取M个心拍波形数据，M为正整数；根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；基于选取的第一簇生成标准心拍模板。该装置包括：获取单元，用于获取M个心拍波形数据，M为正整数；第一聚类单元，用于根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；第一选取单元，用于从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；生成单元，用于基于选取的第一簇生成标准心拍模板。本发明通过计算机自动地生成标准心拍模板，并且具有较好的准确性。

Description

一种通过计算机实现的心电波形的检测方法及装置
技术领域
本发明涉及心电波形处理，尤其涉及一种心电波形的检测方法及装置。
背景技术
心律失常是一种常见的心脏病，动态心电信可以帮助诊断心律失常的早期诊断。由于动态心电图记录的数据量大，不可能由人工来完成分析，因而心电图的自动分析显得尤为重要，已经成为了当前信号处理领域的研究热点。
心电波形是一个时域周期信号，每个周期由一个心跳的节拍波形组成。图1为典型的心跳节拍波形的示意图。
如图1所示，心电图的波形周期划分为P波、P-R段、QRS复合波、S-T段和T波，每个部分都代表着相应的生理意义。如果心脏产生病理性变化，则心电信号将在波形周期和形态上发生畸变。
现有技术中选用心电波形的前N拍生成心拍模板。在模板没有生成前，通过第一个QRS复合波中的R点和第二个QRS复合波的R点之间的间隔判断心拍是否正常。
通过上述方法判断正常的心拍会导致以下问题：即使第一个QRS复合波中的R点和第二个QRS复合波的R点之间的间隔正常，由于噪音或其他因素，以此波形作为模板与其他的波形对比，会产生误差。
发明内容
本发明的实施例提供一种心电波形的检测方法及装置，通过采用聚类的方法得到标准心拍模板，从而通过计算机处理在波形分类中自动地、较准确地生成标准心拍模板。
为达到上述目的，本发明的实施例采用如下技术方案：
一种通过计算机实现的心电波形的检测方法，所述方法包括：
获取M个心拍波形数据，M为正整数；
根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；
从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；
基于选取的第一簇生成标准心拍模板。
一种心电波形的检测装置，所述装置包括：
获取单元，用于获取M个心拍波形数据，M为正整数；
第一聚类单元，用于根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；
第一选取单元，用于从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；
生成单元，用于基于选取的第一簇生成标准心拍模板。
本发明实施例提供的心电波形的检测方法和装置，根据聚类方法将趋于正常的心拍波形数据聚类到一起，从而根据聚类得到的包括心拍个数最多的簇来生成标准心拍模板，并且通过计算机自动地生成标准心拍模板，具有较好的准确性。
附图说明
图1为典型的心跳节拍波形的示意图；
图2为本发明实施例提供的通过计算机实现的心电波形的检测方法流程图；
图3为本发明实施例提供的心电波形的检测装置示意图。
具体实施方式
心跳节拍的正常波形是相似的，而异常波形是千差万别的。同时，由于心电图因人而异，很难取得一个固定的模板。因此，在分析病人的心电图之前，通过对心电波形的分析确定正常的心拍模板，可有效去除心电图分析中的个体差异。本发明提出一种通过聚类分析算法对心电波形进行聚类，以将趋于正常的波形汇聚到一起，从而生成标准心拍模板的技术方案。
聚类分析是指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析的目标就是在相似的基础上收集数据来分类。
传统的聚类算法可以被分为五类：划分方法、层次方法、基于密度方法、基于网格方法和基于模型方法。
在本申请中，仅以基于密度的聚类方法为例对本发明的心电波形的检测方法和装置进行描述。但是，本领域的普通技术人员可以理解，本发明提出的心电波形的检测技术不限于通过基于密度的聚类方法对心电波形进行分析和聚类，而是可以通过任何基于心电波形的特征进行聚类的算法对心电波形进行聚类。
下面结合附图对本发明实施例提供的心电波形的检测方法和装置进行详细描述。
图2为本发明实施例提供的心电波形的检测方法流程图。如图2所示，该方法包括以下步骤：
步骤S201，获取M个心拍波形数据，M为正整数。
这里，从心电波形图中获取连续的M个心拍波形数据。
步骤S202，根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇。稍后将具体说明步骤S202的处理。
步骤S203，从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇。
步骤S204，基于选取的第一簇生成标准心拍模板。
以下将详细描述根据本发明的示例性实施例在步骤S202的处理。
基于密度的聚类算法(Density-Based Spatial Clustering ofApplication with Noise，DBSCAN)它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，可在噪声的空间数据库中发现任意形状的簇。
根据本发明的示例性实施例，步骤S202包括两轮聚类处理：
首先，遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇，以此将波形相近(密度可达)的心拍波形数据初步聚类到一起；
其次，再次遍历所述M个心拍波形数据，根据所述M个心拍波形数据当中的各心拍与所述至少一个第二簇中的各心拍之间的距离将所述至少一个第二簇进一步聚类成至少一个第一簇，从而由已被聚类的心拍波形数据通过心拍间的距离进行扩展，将密度相连的心拍波形数据也聚类到一起。
具体地，前述遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇的处理包括，重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述M个心拍波形数据当中选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内(即密度可达)的心拍波形数据，并且标记所述选取的心拍波形数据；
如果所述选取的心拍波形数据的个数大于预定的阈值，则将所述当前的心拍波形数据和选取的心拍波形数据聚类成一个第二簇。
这里，通过计算的距离是否满足预定的条件来判定心拍波形数据间是否满足密度可达的条件。
此外，如果通过前述处理后，在从任一心拍波形数据聚类得到的心拍波形数据的个数不大于预定的阈值，也就是说，初步聚类得到的心拍波形数据的个数相对少，则将所述聚类得到的心拍波形数据作为噪音处理，丢弃所述心拍波形数据。
为了再次对所述M个心拍波形数据进行遍历，将所述M个心拍波形数据去除标记。然后，执行前述再次遍历的处理，包括，重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述至少一个第二簇选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，将选取的心拍波形数据聚类到当前的心拍波形数据所在的第二簇内，并且标记所述选取的心拍波形数据。
通过所述再次遍历的处理，可从初步聚类得到的至少一个第二簇当中的所有心拍波形数据通过心拍间的距离条件进行扩展，从而将自第二簇密度相连的心拍波形数据进一步聚类到一起。
这里所述的心拍间的距离可以是，但不限于，心拍波形数据之间的欧几里得距离、马氏距离、闵可夫斯基距离、余弦相似度、皮尔逊相关系数等。
可例如，通过以下方式计算所述心拍间的距离。以图1中QRS波形中的特征点(如R点)为中心，左边按照等距离取预定个数的点(如取12个点)，右边按照等距离取预定个数的点(如取23个点)，再加上所述特征点(如R点)，由此为每个心拍波形数据建立多维向量(如前述的36维向量)。为了计算两个心拍间的距离，以X＝(X1，X2，…Xn)T，Y＝(Y1，Y2，…Yn)T分别表示两个心拍的高维向量，然后可根据任何公知的距离计算公式来计算所述两个心拍间的距离。
本领域的普通技术人员可以理解，以上计算心拍间的距离的方式仅是示例性的，计算使用的变量不仅限于以R点为中心的36个点，而可以是其他可用于比较心拍波形数据相似性的指标。
在通过步骤S201～S203的处理后，获得了可代表正常心拍的簇。根据基于密度的聚类方法，在聚类的簇中处于密度核心的心拍波形数据可认为是最标准的心拍波形数据。因此，根据本发明的优选实施例，步骤S204包括：从所述选取的第一簇选取从密度上处于核心的心拍波形数据，并且将所述处于核心的心拍波形数据作为所述标准心拍模板。
根据本发明的可选实施例，在步骤S204，对所述选取的第一簇当中的心拍波形数据的各个指标求平均，并且基于求得的平均值生成所述标准心拍模板。
本发明实施例提供的心电波形的检测方法根据聚类方法将趋于正常的心拍波形数据聚类到一起，并且根据聚类得到的包括心拍个数最多的簇来生成标准心拍模板，从而通过计算机自动地生成标准心拍模板，并且具有较好的准确性。
图3为本发明实施例提供的心电波形的检测装置示意图。如图3所示，该装置包括：获取单元100、第一聚类单元200、第一选取单元300和生成单元400。
获取单元100，用于获取M个心拍波形数据，M为正整数；
第一聚类单元200，用于根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；
第一选取单元300，用于从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；
生成单元400，用于基于选取的第一簇生成标准心拍模板。
具体地，第一聚类单元200可进一步包括第二聚类单元210和第二聚类单元220。
第二聚类单元210用于遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇；
第三聚类单元220用于遍历所述M个心拍波形数据，根据所述M个心拍波形数据当中的各心拍与所述至少一个第二簇中的各心拍之间的距离将所述至少一个第二簇进一步聚类成至少一个第一簇。
根据本发明的示例性实施例，第二聚类单元210用于重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述M个心拍波形数据当中选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，并且标记所述选取的心拍波形数据；
如果所述选取的心拍波形数据的个数大于预定的阈值，则将所述当前的心拍波形数据和选取的心拍波形数据聚类成一个第二簇。
根据本发明的示例性实施例，第三聚类单元220用于将所述M个心拍波形数据去除标记，然后重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述至少一个第二簇选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据。
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，将选取的心拍波形数据聚类到当前的心拍波形数据所在的第二簇内，并且标记所述选取的心拍波形数据。
根据本发明的示例性实施例，生成单元400进一步包括：
第二选取单元(未示出)，用于从所述选取的第一簇选取从密度上处于核心的心拍波形数据。
第一确定单元(未示出)，将所述处于核心的心拍波形数据作为所述标准心拍模板。
根据本发明的另一示例性实施例，生成单元400包括：
平均单元(未示出)，用于对所述选取的第一簇当中的心拍波形数据的各个指标求平均。
第二确定单元(未示出)，用于基于求得的平均值生成所述标准心拍模板。
本发明实施例提供的心电波形的检测方法和装置，根据聚类方法将趋于正常的心拍波形数据聚类到一起，并且根据聚类得到的包括心拍个数最多的簇来生成标准心拍模板，从而通过计算机自动地生成标准心拍模板，并且具有较好的准确性。
需要指出，根据实施的需要，可将本申请中描述的各个步骤拆分为更多步骤，也可将两个或多个步骤或者步骤的部分操作组合成新的步骤，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种通过计算机实现的心电波形的检测方法，其特征在于，所述方法包括：
获取M个心拍波形数据，M为正整数；
根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；
从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；
基于选取的第一簇生成标准心拍模板。
2.根据权利要求1所述的方法，其特征在于，所述根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇的处理包括：
遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇；
遍历所述M个心拍波形数据，根据所述M个心拍波形数据当中的各心拍与所述至少一个第二簇中的各心拍之间的距离将所述至少一个第二簇进一步聚类成至少一个第一簇。
3.根据权利要求2所述的方法，其特征在于，所述遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇的处理包括，重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述M个心拍波形数据当中选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，并且标记所述选取的心拍波形数据；
如果所述选取的心拍波形数据的个数大于预定的阈值，则将所述当前的心拍波形数据和选取的心拍波形数据聚类成一个第二簇。
4.根据权利要求3所述的方法，其特征在于，所述遍历所述M个心拍波形数据，根据所述M个心拍波形数据当中的各心拍与所述至少一个第二簇中的各心拍之间的距离将所述至少一个第二簇进一步聚类成至少一个第一簇的处理包括，将所述M个心拍波形数据去除标记，然后重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述至少一个第二簇选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，将选取的心拍波形数据聚类到当前的心拍波形数据所在的第二簇内，并且标记所述选取的心拍波形数据。
5.根据权利要求1～4中任一项所述的方法，其特征在于，所述基于选取的第一簇生成标准心拍模板的处理包括：
从所述选取的第一簇选取从密度上处于核心的心拍波形数据；
将所述处于核心的心拍波形数据作为所述标准心拍模板。
6.根据权利要求1～4中任一项所述的方法，其特征在于，所述基于选取的第一簇生成标准心拍模板的处理包括：
对所述选取的第一簇当中的心拍波形数据的各个指标求平均；
基于求得的平均值生成所述标准心拍模板。
7.一种心电波形的检测装置，其特征在于，所述装置包括：
获取单元，用于获取M个心拍波形数据，M为正整数；
第一聚类单元，用于根据聚类方法将所述M个心拍波形数据聚类成至少一个第一簇；
第一选取单元，用于从所述至少一个第一簇当中选取心拍波形数据的个数最多的第一簇；
生成单元，用于基于选取的第一簇生成标准心拍模板。
8.根据权利要求7所述的装置，其特征在于，所述第一聚类单元包括：
第二聚类单元，用于遍历所述M个心拍波形数据，根据心拍间的距离将所述M个心拍波形数据聚类成至少一个第二簇；
第三聚类单元，用于遍历所述M个心拍波形数据，根据所述M个心拍波形数据当中的各心拍与所述至少一个第二簇中的各心拍之间的距离将所述至少一个第二簇进一步聚类成至少一个第一簇。
9.根据权利要求8所述的装置，其特征在于，所述第二聚类单元用于重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述M个心拍波形数据当中选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，并且标记所述选取的心拍波形数据；
如果所述选取的心拍波形数据的个数大于预定的阈值，则将所述当前的心拍波形数据和选取的心拍波形数据聚类成一个第二簇。
10.根据权利要求9所述的装置，其特征在于，所述第三聚类单元用于将所述M个心拍波形数据去除标记，然后重复执行以下处理，直至全部所述M个心拍波形数据都已被标记为止：
从所述至少一个第二簇选取任一尚未被标记的心拍波形数据作为当前的心拍波形数据，并且标记当前的心拍波形数据；
从尚未被标记的心拍波形数据当中选取与所述当前的心拍波形数据的距离在预定的距离阈值内的心拍波形数据，将选取的心拍波形数据聚类到当前的心拍波形数据所在的第二簇内，并且标记所述选取的心拍波形数据。
CN201410640514.3A 2014-11-13 2014-11-13 一种通过计算机实现的心电波形的检测方法及装置 Active CN104398256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410640514.3A CN104398256B (zh) 2014-11-13 2014-11-13 一种通过计算机实现的心电波形的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410640514.3A CN104398256B (zh) 2014-11-13 2014-11-13 一种通过计算机实现的心电波形的检测方法及装置

Publications (2)

Publication Number Publication Date
CN104398256A true CN104398256A (zh) 2015-03-11
CN104398256B CN104398256B (zh) 2017-01-11

Family

ID=52635972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410640514.3A Active CN104398256B (zh) 2014-11-13 2014-11-13 一种通过计算机实现的心电波形的检测方法及装置

Country Status (1)

Country Link
CN (1) CN104398256B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106618552A (zh) * 2016-12-30 2017-05-10 清华大学 一种检测模型获取方法及装置
CN107590508A (zh) * 2017-08-25 2018-01-16 漫迪医疗仪器（上海）有限公司 一种心磁信号自适应处理方法及系统
CN109330585A (zh) * 2018-11-16 2019-02-15 山东大学 一种基于nmf的心电信号身份识别、评价方法及装置
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法
RU2752707C1 (ru) * 2018-01-31 2021-07-30 Закрытое Акционерное Общество "Ес-Лизинг" Медицинская система удаленного мониторинга, анализа и прогнозирования состояния пациента по последовательности электрокардиограмм сердца первого отведения и компьютеризированный способ мониторинга, анализа и прогнозирования состояния пациента

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101485569A (zh) * 2008-09-26 2009-07-22 厦门大学 基于自适应模糊逻辑的中医多功能智能诊断仪
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法
CN102835954A (zh) * 2012-09-07 2012-12-26 深圳市邦健电子有限公司 一种心拍波形模板生成、室性早搏检测处理方法及装置
CN103064086A (zh) * 2012-11-04 2013-04-24 北京工业大学 一种基于深度信息的车辆跟踪方法
CN103337189A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 一种基于路段动态划分的车辆路径诱导方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101485569A (zh) * 2008-09-26 2009-07-22 厦门大学 基于自适应模糊逻辑的中医多功能智能诊断仪
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法
CN102835954A (zh) * 2012-09-07 2012-12-26 深圳市邦健电子有限公司 一种心拍波形模板生成、室性早搏检测处理方法及装置
CN103064086A (zh) * 2012-11-04 2013-04-24 北京工业大学 一种基于深度信息的车辆跟踪方法
CN103337189A (zh) * 2013-06-08 2013-10-02 北京航空航天大学 一种基于路段动态划分的车辆路径诱导方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张如意，等: "心电节拍自动分类算法的研究", 《集成技术》 *
林泽涛，等: "心律失常的聚类分析研究", 《生物医学工程学杂志》 *
鄢羽: "基于聚类分析的心电节拍分类算法", 《计算机应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106618552A (zh) * 2016-12-30 2017-05-10 清华大学 一种检测模型获取方法及装置
CN106618552B (zh) * 2016-12-30 2019-08-09 清华大学 一种检测模型获取方法及装置
CN107590508A (zh) * 2017-08-25 2018-01-16 漫迪医疗仪器（上海）有限公司 一种心磁信号自适应处理方法及系统
RU2752707C1 (ru) * 2018-01-31 2021-07-30 Закрытое Акционерное Общество "Ес-Лизинг" Медицинская система удаленного мониторинга, анализа и прогнозирования состояния пациента по последовательности электрокардиограмм сердца первого отведения и компьютеризированный способ мониторинга, анализа и прогнозирования состояния пациента
CN109330585A (zh) * 2018-11-16 2019-02-15 山东大学 一种基于nmf的心电信号身份识别、评价方法及装置
CN110367969A (zh) * 2019-07-05 2019-10-25 复旦大学 一种改进的心电信号快速聚类分析方法

Also Published As

Publication number Publication date
CN104398256B (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN104398256B (zh) 一种通过计算机实现的心电波形的检测方法及装置
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
US9968303B2 (en) System and method of adaptive interpretation of ECG waveforms
KR102451795B1 (ko) 심전도 신호의 검출 방법
Jekova et al. Assessment and comparison of different methods for heartbeat classification
WO2016205993A1 (zh) 基于gpu的并行心电信号分析方法
Udhayakumar et al. Approximate entropy profile: a novel approach to comprehend irregularity of short-term HRV signal
CN111091116B (zh) 一种用于判断心律失常的信号处理方法及系统
CN107890348A (zh) 一种基于深度学习法心电节拍特征自动化提取及分类方法
CN104367317A (zh) 多尺度特征融合的心电图心电信号分类方法
Andersen et al. A novel approach for automatic detection of Atrial Fibrillation based on Inter Beat Intervals and Support Vector Machine
CN111345816A (zh) 多导联qrs波群检测方法、装置、设备及存储介质
KR20180137386A (ko) 커뮤니티 검출 방법 및 커뮤니티 검출 프레임워크 장치
Venton et al. Signal to image to classification: Transfer learning for ecg
Xie et al. Intelligent analysis of premature ventricular contraction based on features and random forest
Padmavathi et al. Detection of atrial fibrillation using autoregressive modeling
John et al. Binary classifiers for data integrity detection in wearable IoT edge devices
Shantha Selva Kumari et al. Classification of cardiac arrhythmias based on morphological and rhythmic features
CN115486849A (zh) 心电信号质量评估方法、装置及设备
Gkirtzou et al. fMRI Analysis with Sparse Weisfeiler-Lehman Graph Statistics
Saini et al. Detection of QRS-complex using K-nearest neighbour algorithm
KR102168657B1 (ko) Ｒ 피크 검출을 위한 심전도 장치 및 방법
Huang et al. Arrhythmia classification with attention-based res-BiLSTM-net
Salah et al. Cardiac arrhythmia classification by wavelet transform
bin Sinal et al. Effective Computational Modeling for Early Arrhythmia Symptom Classification by Using Decision Tree Approach

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant