CN104680186A - 一种心电信号中st段形态的自动分类方法 - Google Patents
一种心电信号中st段形态的自动分类方法 Download PDFInfo
- Publication number
- CN104680186A CN104680186A CN201510117116.8A CN201510117116A CN104680186A CN 104680186 A CN104680186 A CN 104680186A CN 201510117116 A CN201510117116 A CN 201510117116A CN 104680186 A CN104680186 A CN 104680186A
- Authority
- CN
- China
- Prior art keywords
- point
- section
- curvature
- type
- value
- 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
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种心电信号中ST段形态的自动分类方法,其特征在于:采集人体各导联的ECG信号;将ECG信号中ST段的形态分类为五种:水平型、上斜型、下斜型、凹型和凸型;利用曲率尺度空间技术的多尺度分析方法,定位ST段并获取ST段中曲率绝对值最大值所对应的点,即ST段弯曲程度最大的点;根据曲率的性质,利用ST段中弯曲程度最大的点判断ST段的形态。本发明通过引入曲率尺度空间的方法,不仅有效减少了噪声的影响,而且能准确识别出ST段的形态,对心肌缺血的预警有着重要的使用价值。
Description
技术领域
本发明涉及生物医学工程技术领域,具体涉及一种用于心肌缺血预警的ST段形态自动分类方法。
背景技术
冠状动脉粥样硬化导致的冠脉狭窄或闭塞是引起心肌缺血最主要、最常见的病因,严重则导致心肌缺血缺氧,由此引发冠心病。心肌缺血严重危害中老年人的健康,目前在我国平均患病率约为6.49%。但随着我国人民生活水平的提高,动脉粥样硬化逐步呈现年轻化的趋势,导致心肌缺血的患病率逐年上升,严重危害了我国人民的身体健康。因此,精确有效地检测心肌缺血性变化在临床中有着重要意义。
目前市面大多数自动心电图机仅包含ST段水平测量结果,影响对心肌缺血的精确评估。而临床研究表明,在缺血性症状发生时,ST段形态特征的变化与ST段水平变化具有同样的诊断价值。ST段的形态特征不仅能从非缺血性ST段变化中区分出真正的缺血性ST段变化,并且能为检测心肌缺血的严重程度提供参考。因此,实现对ST段变化(包括ST段水平变化和形态变化)的自动检测,有助于内科医师临床评估心肌缺血,具有重要的临床使用价值。
发明内容
本发明是为避免上述现有技术的不足之处,提供一种基于曲率尺度空间对心电信号中ST段形态的自动分类方法,以期为临床自动检测心肌缺血提供新的参考,所要解决的是临床中计算机对ST段的定位不精确以及ST段形态分类不准确的技术问题。
本发明为解决技术问题采用如下方案:
本发明心电信号中ST段形态的自动分类方法,其特点在于:利用曲率尺度空间技术自动判断心电信号中ST段形态的类别;所述ST段形态类别包括直线型和弓背型,所述直线型包括水平型和斜直型,所述弓背型包括凹形和凸型;所述斜直型包括上斜型和下斜型。
本发明心电信号中ST段形态的自动分类方法,包括如下步骤:
(1)利用心电电极同步采集人体各导联的心电信号,即ECG信号;
(2)利用曲率尺度空间技术识别ECG信号中ST段弯曲程度最大的点:
2a、对ECG信号进行平滑处理得到ECG平滑信号C(t,σ),其中σ为尺度因子;
2b、利用曲率尺度空间技术计算C(t,σ)中各点的曲率值k(t,σ),获得C(t,σ)对应的曲率曲线,并根据所述曲率曲线、利用顶点选择法在ECG信号中定位ST段的起点EcgSTonset和ST段的终点EcgSToffset;
2c、寻找ST段中弯曲程度最大的点:
2c1、在高尺度因子下,计算ST段中各点的曲率绝对值中的最大值kmax,并寻找ST段中曲率绝对值大于1/2kmax的点,记为Point(i),存入序列CurMaxPoint(i)中,其中i=1,2…;
2c2、在第二尺度因子下,依次判断各个Point(i)所在的局部区域内各点的曲率绝对值中的最大值所对应的点Point(i)',若Point(i)'与Point(i)为同一点,则将Point(i)继续保留在序列CurMaxPoint(i)中,否则,则将Point(i)从序列CurMaxPoint(i)中移除;
2c3、在最低尺度因子下,按步骤c2相同的方法对序列CurMaxPoint(i)中保留的点Point(i)再次筛选,仍保留下来的Point(i)即为ST段的拐点;
2d、在最低尺度因子下,判断ST段各拐点中曲率绝对值最大的点,该点即为ST段中弯曲程度最大的点,记为STCurMaxPoint;
(3)根据STCurMaxPoint在最低尺度因子下的曲率绝对值判断ST段的形态类别:
3a、若STCurMaxPoint在最低尺度因子下的曲率绝对值>第一阈值τ,则ST段为弓背型:
若STCurMaxPoint在最低尺度因子下的曲率值>0时,则ST段为曲线型中的凸型;
若STCurMaxPoint在最低尺度因子下的曲率值<0时,则ST段为曲线型中的凹型;
3b、若STCurMaxPoint在最低尺度因子下的曲率绝对值≤第一阈值τ时,则ST段为直线型:
计算ST段所在直线与水平线的夹角所对应的弧度,即为ST段的坡脚;
若ST段的坡脚<第二阈值θ,则ST段为直线型中的水平型,否则ST段为斜直型;
对于斜直型的ST段,若ST段终点EcgSToffset的心电幅值大于ST段起点EcgSTonset的心电幅值,则ST段为斜直型中的上斜型;若ST段终点EcgSToffset的心电幅值小于ST段起点EcgSTonset的心电幅值,则ST段为斜直型中的下斜型。
步骤2b中根据所述利用曲率曲线及顶点选择法定位ST段的起点EcgSTonset和ST段的终点EcgSToffset的步骤为:
2b1、定位曲率曲线上各极值点中幅值最大的点,即为R波峰值点,记为Rpeak;
定位距离R波峰值点后[1/4RR间期,3/4RR间期]内各极值点中幅值最大的点,即为T波峰值点;
2b2、选择曲率曲线中R波峰值点后[Rpeak+40ms,Rpeak+80ms]的区间内曲率绝对值最小的点所对应的ECG信号中的点,即为ECG信号中ST段的起点EcgSTonset,将ST段的起点EcgSTonset在ECG平滑信号C(t,σ)中所对应的点记为CSTonset;
2b3、利用补充顶点选择法定位ST段的终点EcgSToffset:
2b31、在ECG平滑信号中,将CSTonset后20ms处的点记为点A,T波峰值点所对应的ECG平滑信号中的点记为点B;
2b32、在ECG平滑信号中位于AB段内的各点到直线AB的距离最大的点记为点C;若点C到直线AB的距离≤第三阈值Dth时,则点C在ECG信号上所对应的点即为ST段的终点EcgSToffset;若点C到直线AB的距离>阈值Dth,则进行步骤2b33;
2b33、以点C替换点B,继续进行步骤2b32。
本发明基于曲率尺度空间对心电信号中ST段形态的自动分类方法的特点也在于:本发明方法适用于人体不同导联心电信号中ST段形态的分析,通过对各个导联的心电信号同步采集,结合各个导联心电信号中ST段的形态,可以为缺血类疾病的诊断及严重程度的判断提供参考。
步骤2c中尺度因子的选择方式:高尺度因子的范围为[8,14],要求在高尺度下,噪声信号被平滑且保留反应ST段形态信息的特征拐点;第二尺度因子及第三尺度因子的选取,是在高尺度因子下依次递减,尺度每次递减的大小约为2。
所述Point(i)所在的局部区域为[Point(i)-10ms,Point(i)+10ms]。
所述第一阈值τ的选择范围为[0.02,0.35];
所述第二阈值θ的获取方式:根据心脏病专家建议,ST段的坡脚变化不大于0.02rad(约1.15°),即第二阈值θ≤0.02rad;
所述第三阈值Dth的值是根据文献[Tae-Hun Kim,Se-Yun Kim,Jeong-Hong Kim.et.al.CurvatureBased ECG Signal Compression for Effective Communication on WPAN.Journal of communications andnetworks.2012,14(1):21-26]中计算心电信号的均方根差的百分比获取得到。
与已有技术相比,本发明的有益效果体现在:
(1)本发明采用三个不同尺度的追踪ST段中特征拐点,在避免噪声干扰的同时,也保证了特征拐点定位的准确性和计算机分析的实时性;
(2)本发明提出的利用曲率尺度空间技术对ST段形态进行自动分类的方法,通过计算ST段中弯曲程度最大点的曲率,可简单准确地对ST段形态进行分类;
(3)本发明采用曲率尺度空间技术对ECG信号进行预处理,对噪声干扰具有很好的鲁棒性,解决了ST段由于各种频率的噪声而难以检测和分类的问题,具有很好的应用前景;
附图说明
图1为本发明对ST段形态预分类的五种形态;
图2为本发明对ST段形态分类方法的总流程图;
图3为本发明对ST段特征点识别的实验效果图,其中图3(a)表示ECG平滑信号,图3(b)表示ECG平滑信号对应的曲率曲线,图中标注了R峰值点、T波峰值点以及R-T之间的拐点;
图4为本发明采用的补充顶点选择法定位T波起点的原理图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明实施例作进一步详细的说明。
如图1所示,本实施例首先将ST段预分类为五种形态,包括:水平型、上斜型、下斜型、凹型和凸型;
如图2所示,本实施例基于曲率尺度空间对ST段形态进行分类的方法是按如下步骤进行:
1、利用时间变量t将原ECG信号表示为O(t)=(s(t),v(t)),利用高斯低通滤波器(LPF)获得ECG平滑信号C(t,σ)=(S(t,σ),V(t,σ)),如图3(a)所示;
2、如图3(b)所示,利用公式(1)计算出ECG平滑信号各点的曲率值k(t,σ),并获得曲率曲线,公式(1)如下所示:
其中
上式中是卷积符号,g(t,σ)是方差为σ的高斯函数,σ又称为尺度因子。
3、如图3(b)所示,利用基于曲率尺度空间的顶点选择法在曲率曲线中定位ST段的特征点,即ST段起点EcgSTonset和ST段终点EcgSToffset,获得ST段并记为ySTσ,具体实现如下:
(1)选择曲率曲线中电压值最大的局部极值点,该点即为R波峰值点Rpeak,如图3(b)所示,记为R;在距离R波峰值点后[1/4RR间期,3/4RR间期]的范围内寻找电压值最大的局部极值点,该点即为T波峰值点Tpeak,如图3(b)所示,记为T;
(2)本发明选择[Rpeak+40ms,Rpeak+80ms]区间内曲率绝对值最小的点J所对应的ECG信号中的点,即为ECG信号中ST段的起点EcgSTonset,如图3(b)所示,其在ECG平滑信号C(t,σ)中所对应的点记为CSTonset;
(3)如图3(b)中所示,ST段终点处对应的顶点并不明显,因此本发明利用补充顶点选择法定位T波起点位置。如图4所示,在ECG平滑信号中,选择(CSTonset+20ms)处的点记为A,选择T波峰值点所对应的ECG平滑信号中的点记为B,在ECG平滑信号中位于AB段内的各点到直线AB的距离最大的点记为点C;若点C到直线AB的距离≤阈值Dth时,则点C在ECG信号上所对应的点即为ST段的终点EcgSToffset;若点C到直线AB的距离>阈值Dth,则以点C替换点B,在AC段内继续上述步骤。本发明中Dth取值为0.017;此步骤以ECG平滑信号进行处理,而非ECG信号,可以极大的减少计算量,解决时间。
4、在步骤3中获取的ST段ySTσ的基础上,利用基于曲率尺度空间的顶点选择法识别ST段中弯曲程度最大的点,具体实现如下:
(1)在高尺度因子σhigh∈[8,10]下,计算ST段中各点的曲率绝对值中的最大值kmax,并寻找ST段中曲率绝对值大于1/2kmax的点,记为Point(i),存入序列CurMaxPoint(i)中,其中i=1,2…;
(2)降低尺度至σlow∈[5,6.5],在[Point(i)-15ms,Point(i)+15ms]的区间内,判断曲率绝对值中的最大值所对应的点Point(i)',若Point(i)'与Point(i)为同一点,则将Point(i)继续保留在序列CurMaxPoint(i)中,否则,则将Point(i)从序列CurMaxPoint(i)中移除;
(3)继续降低尺度至最低σlowest=4,按步骤(2)相同方法对序列CurMaxPoint(i)中保留的点Point(i)再次筛选,仍保留下来的Point(i)即为ST段的拐点;
(4)在σlowest=4下,计算序列CurMaxPoint(i)(i=1,2…)中曲率绝对值的最大值所对应的点,记为STCurMaxPoint,该点即为当前ST段中弯曲程度最大的点;
5、利用ST段中弯曲程度最大的点STCurMaxPoint,计算σlowest=4时,点STCurMaxPoint处的曲率绝对值|k(tcurmax)|,并判断当前ST段的形态:
(1)根据STCurMaxPoint的曲率值绝对值|k(tcurmax)|判断ST段的形态类别:
若|k(tcurmax)|>第一阈值τ时,则ST段为弓背型:
若STCurMaxPoint的曲率值k(tcurmax)>0时,则ST段为曲线型中的凸型;
若STCurMaxPoint的曲率值k(tcurmax)<0时,则ST段为曲线型中的凹型;其中τ∈[0.02,0.35]
(2)若|k(tcurmax)|≤第一阈值τ时,则ST段为直线型:
计算ST段所在直线与水平线的夹角所对应的弧度,即为ST段的坡脚α;
若α<0.02rad时,则ST段为直线型中的水平型,否则ST段为斜直型;计算ST段起点和ST段终点的心电电压值,分别记为x(STonset)和x(SToffset),若x(STonset)-x(SToffset)<0,则ST段为斜直型中的上斜型;若x(STonset)-x(SToffset)>0,则ST段为斜直型中的下斜型。
Claims (3)
1.一种心电信号中ST段形态的自动分类方法,其特征在于:利用曲率尺度空间技术自动判断心电信号中ST段形态的类别;所述ST段形态类别包括直线型和弓背型,所述直线型包括水平型和斜直型,所述弓背型包括凹形和凸型;所述斜直型包括上斜型和下斜型。
2.根据权利要求1所述的心电信号中ST段形态的自动分类方法,其特征在于包括如下步骤:
(1)利用心电电极同步采集人体各导联的心电信号,即ECG信号;
(2)利用曲率尺度空间技术识别ECG信号中ST段弯曲程度最大的点:
2a、对ECG信号进行平滑处理得到ECG平滑信号C(t,σ),其中σ为尺度因子;
2b、利用曲率尺度空间技术计算C(t,σ)中各点的曲率值k(t,σ),获得C(t,σ)对应的曲率曲线,并根据所述曲率曲线、利用顶点选择法在ECG信号中定位ST段的起点EcgSTonset和ST段的终点EcgSToffset;
2c、寻找ST段中弯曲程度最大的点:
2c1、在高尺度因子下,计算ST段中各点的曲率绝对值中的最大值kmax,并寻找ST段中曲率绝对值大于1/2kmax的点,记为Point(i),存入序列CurMaxPoint(i)中,其中i=1,2…;
2c2、在第二尺度因子下,依次判断各个Point(i)所在的局部区域内各点的曲率绝对值中的最大值所对应的点Point(i)',若Point(i)'与Point(i)为同一点,则将Point(i)继续保留在序列CurMaxPoint(i)中,否则,则将Point(i)从序列CurMaxPoint(i)中移除;
2c3、在最低尺度因子下,按步骤c2相同的方法对序列CurMaxPoint(i)中保留的点Point(i)再次筛选,仍保留下来的Point(i)即为ST段的拐点;
2d、在最低尺度因子下,判断ST段各拐点中曲率绝对值最大的点,该点即为ST段中弯曲程度最大的点,记为STCurMaxPoint;
(3)根据STCurMaxPoint在最低尺度因子下的曲率绝对值判断ST段的形态类别:
3a、若STCurMaxPoint在最低尺度因子下的曲率绝对值>第一阈值τ,则ST段为弓背型:
若STCurMaxPoint在最低尺度因子下的曲率值>0时,则ST段为曲线型中的凸型;
若STCurMaxPoint在最低尺度因子下的曲率值<0时,则ST段为曲线型中的凹型;
3b、若STCurMaxPoint在最低尺度因子下的曲率绝对值≤第一阈值τ时,则ST段为直线型:
计算ST段所在直线与水平线的夹角所对应的弧度,即为ST段的坡脚;
若ST段的坡脚<第二阈值θ,则ST段为直线型中的水平型,否则ST段为斜直型;
对于斜直型的ST段,若ST段终点EcgSToffset的心电幅值大于ST段起点EcgSTonset的心电幅值,则ST段为斜直型中的上斜型;若ST段终点EcgSToffset的心电幅值小于ST段起点EcgSTonset的心电幅值,则ST段为斜直型中的下斜型。
3.根据权利要求2所述的心电信号中ST段形态的自动分类方法,其特征在于:
步骤2b中根据所述利用曲率曲线及顶点选择法定位ST段的起点EcgSTonset和ST段的终点EcgSToffset的步骤为:
2b1、定位曲率曲线上各极值点中幅值最大的点,即为R波峰值点,记为Rpeak;
定位距离R波峰值点后[1/4RR间期,3/4RR间期]内各极值点中幅值最大的点,即为T波峰值点;
2b2、选择曲率曲线中R波峰值点后[Rpeak+40ms,Rpeak+80ms]的区间内曲率绝对值最小的点所对应的ECG信号中的点,即为ECG信号中ST段的起点EcgSTonset,将ST段的起点EcgSTonset在ECG平滑信号C(t,σ)中所对应的点记为CSTonset;
2b3、利用补充顶点选择法定位ST段的终点EcgSToffset:
2b31、在ECG平滑信号中,将CSTonset后20ms处的点记为点A,T波峰值点所对应的ECG平滑信号中的点记为点B;
2b32、在ECG平滑信号中位于AB段内的各点到直线AB的距离最大的点记为点C;若点C到直线AB的距离≤第三阈值Dth时,则点C在ECG信号上所对应的点即为ST段的终点EcgSToffset;若点C到直线AB的距离>阈值Dth,则进行步骤2b33;
2b33、以点C替换点B,继续进行步骤2b32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117116.8A CN104680186B (zh) | 2015-03-17 | 2015-03-17 | 一种心电信号中st段形态的自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117116.8A CN104680186B (zh) | 2015-03-17 | 2015-03-17 | 一种心电信号中st段形态的自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680186A true CN104680186A (zh) | 2015-06-03 |
CN104680186B CN104680186B (zh) | 2017-09-26 |
Family
ID=53315203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510117116.8A Active CN104680186B (zh) | 2015-03-17 | 2015-03-17 | 一种心电信号中st段形态的自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680186B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451417A (zh) * | 2017-09-08 | 2017-12-08 | 北京蓬阳丰业医疗设备有限公司 | 动态心电分析智能诊断系统及方法 |
CN108618777A (zh) * | 2017-03-20 | 2018-10-09 | 深圳市理邦精密仪器股份有限公司 | 心电信号中st段信号的处理方法及装置、心电监测设备 |
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 |
CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
CN109875550A (zh) * | 2019-04-02 | 2019-06-14 | 东北大学 | 一种心室除极关键点检测方法 |
CN109998523A (zh) * | 2019-03-27 | 2019-07-12 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号分类方法和单导心电信号分类系统 |
CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
CN114283569A (zh) * | 2022-01-24 | 2022-04-05 | 北京鼎好鑫源科技有限公司 | 一种大数据特征参量预警装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228305A1 (en) * | 2002-07-04 | 2005-10-13 | Shinya Nagata | Electocardiogram analysis device and method thereof |
CN101766484A (zh) * | 2010-01-18 | 2010-07-07 | 董军 | 用于心电图识别与分类的方法和设备 |
-
2015
- 2015-03-17 CN CN201510117116.8A patent/CN104680186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228305A1 (en) * | 2002-07-04 | 2005-10-13 | Shinya Nagata | Electocardiogram analysis device and method thereof |
CN101766484A (zh) * | 2010-01-18 | 2010-07-07 | 董军 | 用于心电图识别与分类的方法和设备 |
Non-Patent Citations (2)
Title |
---|
毛玲等: "心电图ST段形态分析方法研究", 《信号处理》 * |
靳永刚等: "基于曲率尺度空间的轮廓线匹配方法", 《山东大学学报(理学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108618777A (zh) * | 2017-03-20 | 2018-10-09 | 深圳市理邦精密仪器股份有限公司 | 心电信号中st段信号的处理方法及装置、心电监测设备 |
CN107451417A (zh) * | 2017-09-08 | 2017-12-08 | 北京蓬阳丰业医疗设备有限公司 | 动态心电分析智能诊断系统及方法 |
CN107451417B (zh) * | 2017-09-08 | 2021-07-06 | 北京蓬阳丰业科技有限公司 | 动态心电分析智能诊断系统及方法 |
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 |
CN109998523A (zh) * | 2019-03-27 | 2019-07-12 | 苏州平稳芯跳医疗科技有限公司 | 一种单导心电信号分类方法和单导心电信号分类系统 |
CN109770858A (zh) * | 2019-03-28 | 2019-05-21 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
CN109770858B (zh) * | 2019-03-28 | 2021-07-13 | 广州视源电子科技股份有限公司 | 一种心电图的异常检测方法、装置、设备和存储介质 |
CN109875550A (zh) * | 2019-04-02 | 2019-06-14 | 东北大学 | 一种心室除极关键点检测方法 |
CN109875550B (zh) * | 2019-04-02 | 2020-08-04 | 东北大学 | 一种心室除极关键点检测方法 |
CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
CN114283569A (zh) * | 2022-01-24 | 2022-04-05 | 北京鼎好鑫源科技有限公司 | 一种大数据特征参量预警装置及方法 |
CN114283569B (zh) * | 2022-01-24 | 2023-09-15 | 北京鼎好鑫源科技有限公司 | 一种大数据特征参量预警装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680186B (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680186A (zh) | 一种心电信号中st段形态的自动分类方法 | |
CN101828918B (zh) | 基于波形特征匹配的心电信号r波峰检测方法 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN103989462B (zh) | 一种脉搏波形第一特征点和第二特征点的提取方法 | |
CN102319063A (zh) | 一种提高胎心率数据加速识别准确性的装置和方法 | |
CN102319064B (zh) | 一种提高胎心率数据减速识别准确性的装置和方法 | |
CN105030228A (zh) | 在心电信号中确定其p波位置的方法及装置 | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN108294745A (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN102368290A (zh) | 一种基于手指高级特征的手势识别方法 | |
CN104535586A (zh) | 带钢边部缺陷检测识别方法 | |
CN101634705B (zh) | 基于方向信息测度的sar图像目标变化检测方法 | |
CN109745035B (zh) | 心电信号波形检测方法 | |
CN106228170A (zh) | 一种指针式仪表的指针位置提取方法 | |
CN103584854A (zh) | 心电信号r波的提取方法 | |
CN102938062A (zh) | 一种基于内容的文档图像倾斜角估计方法 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN106537415A (zh) | 基于指纹的压力检测方法及装置 | |
CN101425140A (zh) | 基于骨架特征的脑血管瘤图像识别检测方法 | |
CN106137184B (zh) | 基于小波变换的心电信号qrs波检测方法 | |
Lyle et al. | Beyond HRV: Analysis of ECG signals using attractor reconstruction | |
CN113679419A (zh) | 一种可调节的多普勒频谱包络线参数计算方法 | |
JP6191328B2 (ja) | 超音波診断装置、超音波画像解析方法、およびプログラム | |
CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
CN101866423B (zh) | 一种动脉压信号逐拍分割方法 |
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 |