CN104473629B - 基于核函数分类算法的心电电极错误放置自动检测方法 - Google Patents
基于核函数分类算法的心电电极错误放置自动检测方法 Download PDFInfo
- Publication number
- CN104473629B CN104473629B CN201410635044.1A CN201410635044A CN104473629B CN 104473629 B CN104473629 B CN 104473629B CN 201410635044 A CN201410635044 A CN 201410635044A CN 104473629 B CN104473629 B CN 104473629B
- Authority
- CN
- China
- Prior art keywords
- classification
- vector
- represent
- wave form
- variable
- 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
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
- A61B5/25—Bioelectric electrodes therefor
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- 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核函数分类算法的心电电极错误放置自动检测方法,使得不需采用额外辅助情况下实现设备智能检测手、足电极的错误位置布放,本发明方法将参考信号分为七个类别,通过采用基于核函数的分类器方法,对给定任意心电向量进行识别、分类。本方法能够准确甄别心脏疾病与位置错放导致的异常波形,大大提高心电图解读的正确率。
Description
技术领域
本发明涉及一种生物信号处理方法,属于信息科学与工程领域。
背景技术
心脏病是夺去人类生命的主要疾病之一,其引发的心源性猝死在短短几分钟内可以使病患离世,留给病患家属无尽的痛苦。当今社会快节奏、方方面面的压力巨大,心源性猝死更表现出多行业、年轻化的趋势,给国家和社会带来无法弥补的损失。
人体心电图作为心脏电活动在体表的综合表现,蕴涵着丰富的反应心脏节律及其电传导的生理和病理信息。自上世纪初荷兰莱顿大学的生理学家威廉.埃因托芬应用炫线式检流计描记心电过程开始,心电图应用于临床心脏病诊断,至今已有100多年。如今,心电图已经成为临床上重要的高效、无创和低价格检查手段。
由于心脏病的“一过性”等特征,广大心脏病患者和潜在病患急需便携式心电监测设备做到随时随地地监测心脏和心血管健康情况。目前在广大医疗器械厂家的不懈努力下,简易心电图监护仪设备,如一、三导联心电仪,已经开始进入千万寻常百姓家。简易单导、三导心电仪可以监测心率失常等心脏疾病,但非医学级心电监护仪。其在监测心脏病的广度和深度上远远不能达到医院常用12、18导联心电仪的水平。
心电仪采用12导联就可以拾取心脏电活动的全貌,不仅能从额面,也能从横面观察心脏电信息活动,已得到国际上的认可而在世界各国通用。更为重要的是经过60多年的时间活动,12导联体系已积累了丰富的临床资料。其所制定的测量方法、分析技术和标准,已被人们认为是“常规”的准绳,成为心电图学宝贵财富。其余120余种导联,尚无法与12导联体系媲美。但是,由于12导联需要在人体体表布放10个电极,分别是左手(LA)、右手(RA)、左足(LF)和右足(RF)和六个胸导联(V1—V6),在医疗实践中医护人员很容易把电极位置错误放置,从而导致检测结果不准确。各个电极放置的位置对后期心电信号的拾取和正确解读至关重要,如何简便精准地检测手、足心电电极的错误位置布放,从而甄别心脏疾病与位置错放导致的异常波形、提高心电图解读的正确率,在本领域一直是个难题。
发明内容
为了解决上述问题,保证用户能够在不需采用额外辅助情况下正确完成12、18导联心电测量,尤其是4个肢体电极的准确布放,本发明提供了一种基于核函数分类算法的心电电极错误放置自动检测方法,包括如下步骤:
步骤一:定义常规12导联心电波形特征向量x=[x1,x2,...x12]T,其中[.]T表示向量转置;
步骤二:根据肢体电极正确放置和可能的6种错误放置类别,测量并记录各种人群(不同年龄、性别、地区等)12导联心电数字信号波形,将心电数字信号波形分为上述的七个类别;
步骤三:由步骤一定义建立的心电波形特征向量数据集,并根据步骤二中的7种类别来明确每个心电波形特征向量的类别,每个心电向量x及其对应的类别构成输入输出对,即样本(sample)点。设共有m个样本点;
步骤四:步骤三中m个样本点构成训练数据集(training data set)并用于训练基于核函数的7个分类器(classifier),上述训练数据集包括所有7个类别心电信号。每个分类器以参数向量(parameter vector)θ标识,θ有m+1个成分(component),即θ=[θ0 θ1 θ2...θ m]T;
步骤五:对于任意未知类别心电向量t,应用步骤四中得到的7个分类器判别t的类别,判定t是正确布放肢体电极或者是6种错误布放之一。
进一步,上述心电波形特征向量x中的各成分代表:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)II导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏mV,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS波群电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,可正可负,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群幅值,该幅值相对于基线数值可正可负,单位为毫伏,QRS特征点1、2、3幅值分别以变量x7、x8、x9表示,若所述幅值与基线幅值没有明显差值(小于0.1mV)则以零值计算;
(8)II导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
(10)胸导联V1至V6的R波幅度递增平均值,即 以变量x12表示,其中AmpRi是胸导联Vi的R波幅度,i=1,2,...,6。
进一步,步骤二中的心电数字信号波形将分为如下7个类别:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放;
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:正常人心电波形,4个手、足电极均正确布放。
与现有技术相比,本发明通过采用基于核函数的分类器方法,使得检测手、足体表电极错误位置布放的敏感性和特异性大大得到改善。不仅仅可以检测常见的左右手电极交叉错误布放,还可以检测同侧与异测手、足电极的交叉错误布放。对容易混淆的心电疾病波形与因电极错误布放导致的异常波形能够进行有效区别。
附图说明
图1是QRS特征点群示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
步骤一:定义常规12导联心电波形特征向量x=[x1,x2,...x12]T,其中的各成分(component)x1,x2,...x12:代表的含义如下:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)II导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏mV,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS波群电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,可正可负,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群幅值,该幅值相对于基线数值可正可负,单位为毫伏,QRS特征点1、2、3幅值分别以变量x7、x8、x9表示,若所述幅值与基线幅值没有明显差值(小于0.1mV)则以零值计算(如图1所示);
(8)II导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
(10)胸导联V1至V6的R波幅度递增平均值,即 以变量x12表示,其中AmpRi是胸导联Vi的R波幅度,i=1,2,...,6;
步骤二:根据肢体电极正确放置和可能的6种错误放置类别,测量并记录各种人群(不同年龄、性别、地区等)12导联心电数字信号波形。本发明使用经过降噪、伪差被滤除的优质心电信号作为样本点输入,该样本信号分为7个类别:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放;
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:正常人心电波形,4个手、足电极均正确布放。
步骤三:由步骤一定义建立的心电波形特征向量数据集,并根据步骤二中的7种类别来明确每个心量的类别y(步骤二中7种类别之一),每个心电向量x及其对应的类别y构成输入输出对,即样本点。设步骤二中一共采集记录了m个心电向量,即x(1),x(2),...x(m),得到m个样本点{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}。举例说明,如果某个心电向量x(i)为类别7则y(i)=7。
步骤四:步骤三中m个样本点构成训练数据集并用于训练基于核函数的7个分类器,训练集包括所有7个类别心电信号。每个分离器以参数向量θ标识,θ有m+1个成分,即θ=[θ0 θ1 θ2 ... θm]T。以θ(1),θ(2),...,θ(7)标识7个分类器的参数向量。下面说明如何得到类别一分类器的参数向量θ(1)。类别二到七分类器的参数向量θ(2),...,θ(7)的计算过程雷同。
(1)重新处理m个样本点{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}。如果某个样本点x(i)的输出属于心电信号类别一,则标识y(i)为1,反之为0,记为y′i。这样得到处理后的数据集{(x(1),y′(1)),(x(2),y′(2)),...,(x(m),y′(m))};
(2)对于{x(1),x(2),...,x(m)}任意一心电向量x(i),由新数据集{(x(1),y′(1)),(x(2),y′(2)),...,(x(m),y′(m))}计算特征向量 其中i,j=1,2,...m。注意f0 (i)总是1。
(3)定义cost1函数,
(4)定义cost0函数,
(5)定义开销函数(cost function) m为训练数据集中样本点个数;
(6)调整参数C和σ2,采用梯度下降(gradient descent)法使(5)中开销函数最小化,得到参数向量θ最优值,即为类别一分类器的参数向量θ(1);
步骤五:对于任意未知类别心电向量t,应用步骤四中得到的7个分类器判别t的类别,可能为正确布放肢体电极也可能为6个错误布放之一。具体判别过程如下:
1.以θ(1),θ(2),...,θ(7)标识步骤四中7个分类器的参数向量;
2.给定某未知类别心电向量t,由步骤四中训练数据集中的m个样本点{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}计算特征向量f=[f0,f1,f2,…fm]T,其中j=1,2,...m。f0总是1。
3.分别计算向量θ(i)与未知类别心电向量t的特征向量f的内积, i=1,2,...7。注意f0总是总等于1。
4.比较各个((θ(i))T)·f计算结果,哪一个((θ(i))T)·f数值最大,则判定心电向量t为类别i。
5.心电向量t所属类别判定结束。
Claims (3)
1.一种基于核函数分类算法的心电电极错误放置自动检测方法,其特征在于,包括如下步骤:
定义常规12导联心电波形特征向量x=[x1,x2,...x12]T;
根据肢体电极正确放置和可能的六种错误放置类别,测量并记录抽样样本的12导联心电数字信号波形;
根据心电波形特征向量数据集,并依据上述肢体电极正确放置和可能的六种错误放置类别,来明确每个心电波形特征向量x的类别,将每个心电波形特征向量x及其对应的类别y构成输入输出对,即样本点,设共有m个样本点{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))};
将上述m个样本点构成训练数据集,用于训练基于核函数的七个分类器,上述训练数据集包括所有七个类别心电信号,每个分类器以参数向量θ标识,θ有m+1个成分,即θ=[θ0 θ1θ2 ... θm]T;
以θ(1),θ(2),...,θ(7)标识七个分类器的参数向量,其中类别一分类器的参数向量θ(1)的计算方法为:
(1)重新处理m个样本点
{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}
如果某个样本点x(i)的输出属于心电信号类别一,则标识y(i)为1,反之为0,记为y′i,得到处理后的新数据集
{(x(1),y′(1)),(x(2),y′(2)),...,(x(m),y′(m))};
(2)对于{x(1),x(2),...,x(m)}任意一心电向量x(i),由新数据集{(x(1),y′(1)),(x(2),y′(2)),...,(x(m),y′(m))}计算特征向量 其中 总是1;
(3)定义cost1函数,
(4)定义cost0函数,
(5)定义开销函数
m为训练数据集中样本点个数;
(6)调整参数C和σ2,最小化(5)中的开销函数,得到参数向量θ最优值,即为类别一分类器的参数向量θ(1);
类别二到七分类器的参数向量θ(2),...,θ(7)的计算过程与类别一分类器相同;
对于任意未知类别心电向量t,应用上述步骤中得到的七个分类器判别t的类别。
2.根据权利要求1所述的方法,其特征在于,所述心电波形特征向量x中的各成分代表:
(1)P波电轴,单位为弧度,若没有P波则以零值计算,以变量x1表示;
(2)II导联P波有效幅值,其中P、T波净幅值为最大正波峰幅值减去最大负波峰幅值的绝对值,单位为毫伏,若没有P波则以零值计算,以变量x2表示;
(3)V6导联P波有效幅值,单位为毫伏,若没有P波则以零值计算,以变量x3表示;
(4)QRS波群电轴,单位为弧度,以变量x4表示;
(5)I导联QRS波群面积,即QRS波群与基线间的面积,可正可负,单位为毫秒毫米,以变量x5表示;
(6)V6导联QRS波群面积,单位为毫秒毫米,以变量x6表示;
(7)I导联QRS波群特征点群幅值,该幅值相对于基线数值可正可负,单位为毫伏,QRS特征点1、2、3幅值分别以变量x7、x8、x9表示,若所述幅值与基线幅值的差值小于0.1mV,则以零值计算;
(8)II导联T波有效幅值,单位为毫伏,以变量x10表示;
(9)V6导联T波有效幅值,单位为毫伏,以变量x11表示;
(10)胸导联V1至V6的R波幅度递增平均值,即 以变量x12表示,其中AmpRi是胸导联Vi的R波幅度,i=1,2,...,6。
3.根据权利要求1或2所述的方法,其特征是,应用得到的七个分类器判别任意未知类别心电向量t的类别的具体过程为:
(1)以θ(1),θ(2),...,θ(7)标识所述七个分类器的参数向量;
(2)给定某未知类别心电向量t,由所述训练数据集中的m个样本点{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}计算特征向量f=[f0,f1,f2,…fm]T,其中f0总是1;
(3)分别计算向量θ(i)与未知类别心电向量t的特征向量f的内积, f0总是1;
(4)比较各个((θ(i))T)·f计算结果,哪一个((θ(i))T)·f数值最大,则判定心电向量t为该类别i;
(5)心电向量t所属类别判定结束;
所述肢体电极正确放置和可能的六种错误放置类别具体为:
类别1,正常人心电波形,仅左右手交叉错误布放;
类别2:正常人心电波形,左手与左足、右手与右足交叉错误布放;
类别3:正常人心电波形,仅左手与左足交叉错误布放;
类别4:正常人心电波形,仅右手与左足交叉错误布放;
类别5:正常人心电波形,仅左手与右足交叉错误布放;
类别6:正常人心电波形,仅右手与右足交叉错误布放;
类别7:正常人心电波形,4个手、足电极均正确布放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410635044.1A CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013105815521 | 2013-11-19 | ||
CN201310581552.1A CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN201410635044.1A CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104473629A CN104473629A (zh) | 2015-04-01 |
CN104473629B true CN104473629B (zh) | 2017-04-12 |
Family
ID=50697745
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310581552.1A Pending CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN201410635044.1A Active CN104473629B (zh) | 2013-11-19 | 2014-11-12 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310581552.1A Pending CN103800004A (zh) | 2013-11-19 | 2013-11-19 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN103800004A (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105411575B (zh) * | 2015-12-01 | 2016-08-17 | 浙江铭众科技有限公司 | 一种心电电极位置监控方法 |
CN105286854B (zh) * | 2015-12-01 | 2016-07-20 | 浙江铭众科技有限公司 | 一种远程心电监控方法 |
CN105310687B (zh) * | 2015-12-01 | 2016-08-17 | 浙江铭众科技有限公司 | 基于移动互联网的动态心电实时监控方法 |
CN105496392B (zh) * | 2015-12-11 | 2016-09-07 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
CN105877742B (zh) * | 2016-05-18 | 2019-03-22 | 四川长虹电器股份有限公司 | 一种针对心电信号ⅰ导联电极的错放检测方法 |
CN106963361B (zh) * | 2017-03-10 | 2019-10-01 | 深圳市理邦精密仪器股份有限公司 | 肢体导联错接的检测方法、检测装置及心电设备 |
CN107320095B (zh) * | 2017-06-30 | 2020-06-23 | 联想(北京)有限公司 | 一种心电监测方法和心电监测设备 |
US10687726B2 (en) | 2017-11-07 | 2020-06-23 | General Electric Company | System and method for processing ECG recordings from multiple patients |
US10930392B2 (en) | 2018-02-19 | 2021-02-23 | General Electric Company | System and method for processing ECG recordings from multiple patients for clinician overreading |
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 |
CN109589110B (zh) * | 2018-12-28 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
CN112401893B (zh) * | 2020-11-10 | 2023-10-13 | 安徽华米信息科技有限公司 | 心电图信号校正方法、装置、可穿戴设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482926A (zh) * | 2009-02-19 | 2009-07-15 | 北京大学 | 一种可伸缩的自适应多核分类方法 |
CN101789000A (zh) * | 2009-12-28 | 2010-07-28 | 青岛朗讯科技通讯设备有限公司 | 搜索引擎中的模式分类方法 |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9403950D0 (sv) * | 1994-11-16 | 1994-11-16 | Siemens Elema Ab | Analysapparat |
US7860558B2 (en) * | 2006-03-31 | 2010-12-28 | Koninklijke Philips Electronics N.V. | ECG lead misplacement detection and correction |
US8185485B2 (en) * | 2008-08-27 | 2012-05-22 | Lifeline Biotechnologies, Inc. | Device for analyzing thermal data based on breast surface temperature for the detection for use in determining cancerous conditions |
CN102068247B (zh) * | 2011-01-27 | 2013-04-03 | 深圳市理邦精密仪器股份有限公司 | 一种实现ecg导联脱落检测的方法和装置 |
CN102349828A (zh) * | 2011-10-13 | 2012-02-15 | 纳龙(苏州)信息技术有限公司 | 一种心电图导联纠错方法 |
CN102961131B (zh) * | 2012-11-26 | 2014-06-25 | 西安交大辰方科技有限公司 | 一种心电肢体电极脱落自动检测及转换方法 |
-
2013
- 2013-11-19 CN CN201310581552.1A patent/CN103800004A/zh active Pending
-
2014
- 2014-11-12 CN CN201410635044.1A patent/CN104473629B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482926A (zh) * | 2009-02-19 | 2009-07-15 | 北京大学 | 一种可伸缩的自适应多核分类方法 |
CN101789000A (zh) * | 2009-12-28 | 2010-07-28 | 青岛朗讯科技通讯设备有限公司 | 搜索引擎中的模式分类方法 |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机的组合核函数及模糊系统辩识研究;郭守团;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101015(第10期);I140-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN104473629A (zh) | 2015-04-01 |
CN103800004A (zh) | 2014-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104473629B (zh) | 基于核函数分类算法的心电电极错误放置自动检测方法 | |
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
Di Marco et al. | A wavelet-based ECG delineation algorithm for 32-bit integer online processing | |
US8892181B2 (en) | Non-invasive fetal monitoring | |
CN101815466B (zh) | 用于对动脉nadi脉搏波形进行定量检测的非侵入式设备nadi tarangini | |
US20130102856A1 (en) | Non-invasive detection of fetal or maternal illness | |
Liu et al. | A combination method of improved impulse rejection filter and template matching for identification of anomalous intervals in RR sequences | |
Bono et al. | Development of an automated updated selvester QRS scoring system using SWT-based QRS fractionation detection and classification | |
CN103637795B (zh) | 心电图机自动诊断功能检测方法 | |
Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN104095627A (zh) | 一种心电图数字化信号质量软判决方法和装置 | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
CN109009004A (zh) | 一种基于中医脉象分析的体质检测方法 | |
CN107837083B (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
CN110070013A (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
Johannesen et al. | A wavelet-based algorithm for delineation and classification of wave patterns in continuous Holter ECG recordings | |
US9474460B2 (en) | Non-invasive evaluation of cardiac repolarisation instability for risk stratification of sudden cardiac death | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
Bashir et al. | Highlighting the current issues with pride suggestions for improving the performance of real time cardiac health monitoring | |
Zhou et al. | A multidifferentiator-based approach to the reliable determination of T-wave offset in electrocardiograms | |
Adeluyi et al. | R-READER: A lightweight algorithm for rapid detection of ECG signal R-peaks | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning |
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 |