CN104840186A - 一种充血性心力衰竭患者自主神经功能的评估方法 - Google Patents
一种充血性心力衰竭患者自主神经功能的评估方法 Download PDFInfo
- Publication number
- CN104840186A CN104840186A CN201510228873.2A CN201510228873A CN104840186A CN 104840186 A CN104840186 A CN 104840186A CN 201510228873 A CN201510228873 A CN 201510228873A CN 104840186 A CN104840186 A CN 104840186A
- Authority
- CN
- China
- Prior art keywords
- sequence
- autonomic nervous
- chf
- nervous function
- heart rate
- 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.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种充血性心力衰竭患者自主神经功能的评估方法,步骤包括:首先对采集到的6小时体表心电信号,逐拍提取心跳间期构成心率变异性序列,并对该序列进行三个特征参数的提取;然后将采集到的样本每一等级随机分成等量的两组,分别作为训练组和测试组,将训练组样本对应的三个特征参数作为分类器SVM的输入,建立CHF患者自主神经功能的评估模型;最后将测试组样本对应的三个特征参数输入评估模型,获得对于CHF患者自主神经功能的评估结果。本发明用无创采集的人体心电信号实现对于CHF患者自主神经系统功能的评估,对于CHF患者的状态不作严格的限制,在正常的日常生理生活状态(即无剧烈运动)下采集6小时数据并进行分析,即可适用于本方法。
Description
技术领域
本发明涉及一种基于心率变异性的充血性心力衰竭患者自主神经功能的评估方法。
背景技术
充血性心力衰竭(congestive heart failure, 简称CHF)是一种目前较为常见的慢性心血管疾病,致死率较高。在临床及生活中,常见CHF患者的各种心血管突发事件(心律失常、心脏性猝死等),这与CHF患者心脏自主神经系统(ANS)功能受到明显损伤有关。目前,随着心率变异性研究的广泛展开,及人们对于CHF患者自主神经系统的更多了解,发现心率变异性(heart rate variability, 简称HRV)的差异与调节心脏的自主神经功能活动密切相关,即心率变异性指标对于评估CHF患者的突发事件发生概率有重要价值。建立基于心率变异性的CHF患者自主神经功能评估模型,对于临床上预防CHF患者各种突发事件提供一定的参考依据。
在现有技术中,申请号为201210159006.4的中国专利申请公开了一种基于心率变异性非线性特性的充盈性心衰自动诊断方法,该方法具有如下三方面:1)其基于心率变异性序列提取的特征参数是样本熵SE4、分布差异熵DE4、标准差SD;2)其目的是提供一种基于心率变异性序列的CHF自动诊断方法;3)其是基于HRV非线性特性来实现CHF自动诊断。该方法有如下不足:1)其基于心率变异性序列提取的特征参数不能反映在时间段内患者的自主神经功能变化状况;2)其只对心率衰竭患者做了筛查,而没有对患者的疾病严重状况(疾病严重状况对应着不同的自主神经功能等级)作分析。
发明内容
本发明的目的在于针对上述存在问题和不足,提供一种所采用的三种特征能够反映在一定时间段内被测试者的自主神经系统的波动性,以及旨在通过基于心率变异性特征分析的充血性心力衰竭患者自主神经功能的评估方法。
本发明的技术方案是这样实现的:
本发明所述的充血性心力衰竭患者自主神经功能的评估方法,其特点是包括以下步骤:
1)采集CHF患者6小时体表心电信号,并对采集到的体表心电信号逐拍提取心跳间期构成心率变异性序列{RRi,i=1,2,…N},并对该序列进行三个特征参数的提取;
2)将心率变异性序列的每一等级随机分成等量的两组,分别作为训练组和测试组,并将训练组对应的三个特征参数作为分类器SVM的输入,建立CHF患者自主神经功能的评估模型;
3)将测试组对应的三个特征参数输入评估模型,获得对于CHF患者自主神经系统功能的评估结果。
其中,上述步骤1)中提取的三个特征参数如下:
第一个特征参数为:对心率变异性序列{RRi,i=1,2,…N}计算6小时获得的总功率TP;
第二个特征参数为:对心率变异性序列{RRi,i=1,2,…N}按5分钟分段后计算均值构成序列{AVERGi,i=1,2,…M},计算序列{AVERGi,i=1,2,…M}获得的模糊熵 fuzzyAV;
第三个特征参数为:对心率变异性序列{RRi,i=1,2,…N}按5分钟分段后计算低高频功率之比构成序列{WS_ratioi,i=1,2,…M},计算序列{WS_ratioi,i=1,2,…M}获得的模糊熵 fuzzyLH。
上述第二个特征参数的提取,包括以下步骤:
a1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
a2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的均值,构成一维序列{AVERGi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyAV。
上述第三个特征参数的提取,包括以下步骤:
b1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
b2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的高低频小波熵之比,构成一维序列{WS_ratioi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyLH。
上述步骤2)中将训练组对应的三个特征参数作为分类器SVM的输入,其输入特征向量I=(TP,fuzzyAV, fuzzyLH)。
上述步骤3)中获得的CHF患者自主神经系统功能的评估结果由分类器SVM输出,且分类器SVM的输出标签值“1,2,3,4”代表CHF患者的自主神经功能状态,且用于对应不同的CHF疾病程度及突发事件发生概率:“1”代表自主神经功能为I级,对应无CHF疾病,突发事件发生概率极低;“2”代表自主神经功能为II级,对应CHF疾病程度I,突发事件发生概率低;“3”代表自主神经功能为III级,对应CHF疾病程度II,突发事件发生概率高;“4”代表自主神经功能为IV级,对应CHF疾病程度III-IV,突发事件发生概率较高。
本发明由于采用了分类器SVM用于构建基于心率变异性特征参数的心力衰竭患者自主神经功能的评估模型,对于每个样本提取的三个特征参数均构成一个三维的特征空间,用于描述该样本的心率变异性,从而确定对应的自主神经功能所在程度,由于分类器SVM是通过学习训练组的特征空间而建立不同自主神经功能等级的模型,且基于该模型可以将测试组区分为四个类别:自主神经功能I级、自主神经功能II级、自主神经功能III级及自主神经功能IV级,因此利用SVM的机器学习能力,可以构建一个复杂的模型来实现对于CHF患者自主神经功能的评估,达到评估准确度高的目的。同时,本发明中的三个特征参数不对HRV序列作平稳性假设,因此本发明不限定数据采集过程中受试者必须处于静息状态,只要是正常的日常生理生活状态(即无剧烈运动)下采集6小时的体表心电信号,即可应用本发明的方法。同时,由于本发明设计的运算较为简单,分类器常见,因此在实现方面较为可行。
下面结合附图对本发明作进一步的说明。
附图说明
图1是本发明的原理框图。
图2是本发明的实验流程框图。
图3是本发明分类器SVM的原理框图。
图4是本发明自主神经功能I、II、III和IV级CHF患者的HRV波形图。
具体实施方式
如图1-图2所示,本发明所述的充血性心力衰竭患者自主神经功能的评估方法,包括以下步骤:
1)通过心电采集设备采集CHF患者6小时体表心电信号(ECG),并对采集到的体表心电信号(ECG)逐拍提取R峰峰值计算R-R间期获取HRV序列{RRi,i=1,2,…N},并对该序列进行三个特征参数的提取,且提取的第一个特征参数为:6小时的总功率TP;第二个特征参数为:均值序列的模糊熵 fuzzyAV;第三个特征参数为:高低频小波熵之比序列的模糊熵 fuzzyLH;
2)将心率变异性序列的每一等级随机分成等量的两组,分别作为训练组和测试组,并将训练组对应的三个特征参数作为分类器SVM的输入,建立CHF患者自主神经功能的评估模型,其中分类器SVM的原理如图3所示;
3)将测试组对应的三个特征参数输入评估模型,获得对于CHF患者自主神经系统功能的评估结果。
也就是说,该方法的原理是基于正常日常生理生活状态(不限定静息状态,无剧烈运动)下在患者体表采集心电信号(ECG),经寻找每次心跳的R峰位置逐拍提取心跳间期(RR间期)构成HRV序列,提取其特征参数构成特征向量,然后通过分类器SVM由训练组建立评估模型,实现对CHF患者自主神经功能的评估。
其中,所述步骤1)中各特征参数的计算方法分别如下:
1.1)6小时的总功率TP的计算:
1.2)均值序列的模糊熵fuzzyAV的计算:
a1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
a2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的均值,构成一维序列{AVERGi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyAV。
1.3)高低频小波熵之比序列的模糊熵fuzzyAV的计算:
b1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
b2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的高低频小波熵之比,构成一维序列{WS_ratioi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyLH。
模糊熵的具体计算步骤如下:
对序列{AVERGi,i=1,2,…M}构建二维模板,得到二维矢量序列:
X(j)=( AVERGj, AVERGj+1),j=1,2,…,M-1
计算序列X(j)=( AVERGj, AVERGj+1),j=1,2,…,M-1中每两个矢量X(i)和X(j)之间的间距d:
d=d[X(i), X(j)]=max(X(i)-X(j))
设定阈值r=0.2×std(AVERG),对间距做模糊化处理u=exp(-dn/r),求所得各u的均值,即为矢量相同概率;
将模板维度加1,重复上述步骤,求;
最后,计算模糊熵。
所述步骤2)中,将心率变异性序列的每一等级随机分为等量的两组:训练组和测试组,将步骤1)中计算得到的训练组的三个特征参数作为分类器SVM的输入,构建CHF患者自主神经功能的评估模型。所述步骤3)中,运用步骤2)获得的评估模型对测试组进行分类评估,评估结果由分类器SVM输出,而且分类器SVM的输出分类标签值“1,2,3,4”的结果代表CHF患者自主神经功能的等级,且用于对应不同的CHF疾病程度及突发事件发生概率,其中:“1”代表自主神经功能为I级,对应无CHF疾病,突发事件发生概率极低;“2”代表自主神经功能为II级,对应CHF疾病程度I,突发事件发生概率低,“3”代表自主神经功能为III级,对应CHF疾病程度II,突发事件发生概率高,“4”代表自主神经功能为IV级,对应CHF疾病程度III-IV,突发事件发生概率较高。如图4所示,为自主神经功能I、II、III和IV级CHF患者的HRV波形图。
本发明中,特征参数提取包括总功率TP、均值序列的模糊熵fuzzyAV、高低频小波熵之比的模糊熵fuzzyLH。评估CHF患者自主神经功能,实际就是关注心脏动力系统。心脏动力系统是一个典型的多输入的非线性系统,在研究心脏控制系统时,不仅要关注其随时间的微小波动状况,同时也要注意其非线性的复杂度的特性。在以往的研究中,熵指标在不同等级的CHF患者间存在较显著差异,在本发明中,对数据作了分时段平均处理,加强了差异性。传统频域HRV指标在区分CHF患者等级间具有较显著的区分度。因此,本发明中,将这三种指标组合在一起,能够利于构建更好的自主神经功能评估模型。对于自主神经功能的评估结果,可以作为CHF患者突发事件发生概率的辅助指标,自主神经功能等级与突发事件发生概率正相关,为减少CHF患者的致死率提供一定的参考。
本发明中,分类器SVM用于构建基于心率变异性特征参数的心力衰竭患者自主神经功能评估模型。对于每个样本提取的三个特征参数均构成一个三维的特征空间,用于描述该样本的自主神经功能状态,确定对应的自主神经功能程度。而且,分类器SVM通过学习训练组的特征空间,可以建立不同自主神经功能等级的模型,基于该模型可以将测试组区分为四个类别:“1”代表自主神经功能为I级,对应CHF疾病程度I;“2”代表自主神经功能为II级,对应CHF疾病程度II;“3”代表自主神经功能为III级,对应CHF疾病程度III;“4”代表自主神经功能为IV级,对应CHF疾病程度IV。因此,利用SVM的机器学习能力,可以构建一个复杂的模型来实现对于CHF患者自主神经功能的评估。
本发明中的三个特征参数不对HRV序列作平稳性假设,因此本发明不限定数据采集过程中受试者必须处于静息状态,只要是正常的日常生理生活状态(即无剧烈运动)下采集6小时的体表心电信号,即可应用本发明的方法。同时,因为本发明设计的运算较为简单,分类器常见,所以在实现方面较为可行。
本发明旨在通过分类器SVM构建基于心率变异性的心力衰竭患者自主神经功能评估模型,但是并不限定于本发明。本发明所述技术领域具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动和润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种充血性心力衰竭患者自主神经功能的评估方法,其特征在于包括以下步骤:
1)采集CHF患者6小时体表心电信号,并对采集到的体表心电信号逐拍提取心跳间期构成心率变异性序列{RRi,i=1,2,…N},并对该序列进行三个特征参数的提取;
2)将心率变异性序列的每一等级随机分成等量的两组,分别作为训练组和测试组,并将训练组对应的三个特征参数作为分类器SVM的输入,建立CHF患者自主神经功能的评估模型;
3)将测试组对应的三个特征参数输入评估模型,获得对于CHF患者自主神经系统功能的评估结果。
2.根据权利要求1所述充血性心力衰竭患者自主神经功能的评估方法,其特征在于上述步骤1)中提取的三个特征参数如下:
第一个特征参数为:对心率变异性序列{RRi,i=1,2,…N}计算6小时获得的总功率TP;
第二个特征参数为:对心率变异性序列{RRi,i=1,2,…N}按5分钟分段后计算均值构成序列{AVERGi,i=1,2,…M},计算序列{AVERGi,i=1,2,…M}获得的模糊熵 fuzzyAV;
第三个特征参数为:对心率变异性序列{RRi,i=1,2,…N}按5分钟分段后计算低高频功率之比构成序列{WS_ratioi,i=1,2,…M},计算序列{WS_ratioi,i=1,2,…M}获得的模糊熵 fuzzyLH。
3.根据权利要求2所述充血性心力衰竭患者自主神经功能的评估方法,其特征在于上述第二个特征参数的提取,包括以下步骤:
a1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
a2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的均值,构成一维序列{AVERGi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyAV。
4.根据权利要求2所述充血性心力衰竭患者自主神经功能的评估方法,其特征在于上述第三个特征参数的提取,包括以下步骤:
b1、对心率变异性序列{RRi,i=1,2,…N}按5分钟时间长度分段,得到分段矩阵序列{RRi,j,i=1,2,…M;j=1,2,…N},该分段矩阵序列每一行是一个5分钟时段内的RR间期值;
b2、计算{RRi,j,i=1,2,…M;j=1,2,…N}每行的高低频小波熵之比,构成一维序列{WS_ratioi,i=1,2,…M},计算该一维序列的模糊熵,即为fuzzyLH。
5.根据权利要求1所述充血性心力衰竭患者自主神经功能的评估方法,其特征在于上述步骤2)中将训练组对应的三个特征参数作为分类器SVM的输入,其输入特征向量I=(TP,fuzzyAV, fuzzyLH)。
6.根据权利要求1所述充血性心力衰竭患者自主神经功能的评估方法,其特征在于上述步骤3)中获得的CHF患者自主神经系统功能的评估结果由分类器SVM输出,且分类器SVM的输出标签值“1,2,3,4”代表CHF患者的自主神经功能状态,且用于对应不同的CHF疾病程度及突发事件发生概率:“1”代表自主神经功能为I级,对应无CHF疾病,突发事件发生概率极低;“2”代表自主神经功能为II级,对应CHF疾病程度I,突发事件发生概率低;“3”代表自主神经功能为III级,对应CHF疾病程度II,突发事件发生概率高;“4”代表自主神经功能为IV级,对应CHF疾病程度III-IV,突发事件发生概率较高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228873.2A CN104840186A (zh) | 2015-05-07 | 2015-05-07 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228873.2A CN104840186A (zh) | 2015-05-07 | 2015-05-07 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104840186A true CN104840186A (zh) | 2015-08-19 |
Family
ID=53840464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510228873.2A Pending CN104840186A (zh) | 2015-05-07 | 2015-05-07 | 一种充血性心力衰竭患者自主神经功能的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104840186A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106264499A (zh) * | 2016-08-26 | 2017-01-04 | 中山大学 | 一种量化心肺系统交互作用的分析方法 |
CN106539580A (zh) * | 2016-11-21 | 2017-03-29 | 西安交通大学 | 一种自主神经系统动态变化的连续监测方法 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
CN107346541A (zh) * | 2017-06-02 | 2017-11-14 | 华南理工大学 | 一种基于超声射频时间序列小波分析的组织定征方法 |
CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
WO2019062595A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市岩尚科技有限公司 | 光电容积脉搏波的质量评估方法 |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN110490257A (zh) * | 2019-08-21 | 2019-11-22 | 四川长虹电器股份有限公司 | 一种基于去趋势项的生理电信号熵分析方法 |
CN112842303A (zh) * | 2020-11-23 | 2021-05-28 | 南京市中医院 | 自主神经系统筛查方法及系统 |
CN115662629A (zh) * | 2022-10-11 | 2023-01-31 | 珠海弘昕医疗科技有限公司 | 一种心力衰竭监测系统及其预测评估方法 |
CN115778403A (zh) * | 2022-06-13 | 2023-03-14 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428128A (zh) * | 2001-12-27 | 2003-07-09 | 丽台科技股份有限公司 | 评估自主神经系统功能的自动远端控制方法及系统 |
CN1559341A (zh) * | 2004-02-26 | 2005-01-05 | 炯 阮 | 一种心率变异性的预测度指标检测分析方法及仪器 |
CN101642368A (zh) * | 2008-08-04 | 2010-02-10 | 南京大学 | 自主神经功能信号的处理方法、装置和测试系统 |
CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
US20150057512A1 (en) * | 2011-11-16 | 2015-02-26 | Rijuven Corporation | Wearable heart failure monitor patch |
CN104382582A (zh) * | 2014-11-10 | 2015-03-04 | 哈尔滨医科大学 | 一种对动态心电数据进行分类的装置 |
-
2015
- 2015-05-07 CN CN201510228873.2A patent/CN104840186A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428128A (zh) * | 2001-12-27 | 2003-07-09 | 丽台科技股份有限公司 | 评估自主神经系统功能的自动远端控制方法及系统 |
CN1559341A (zh) * | 2004-02-26 | 2005-01-05 | 炯 阮 | 一种心率变异性的预测度指标检测分析方法及仪器 |
CN101642368A (zh) * | 2008-08-04 | 2010-02-10 | 南京大学 | 自主神经功能信号的处理方法、装置和测试系统 |
US20150057512A1 (en) * | 2011-11-16 | 2015-02-26 | Rijuven Corporation | Wearable heart failure monitor patch |
CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
CN104382582A (zh) * | 2014-11-10 | 2015-03-04 | 哈尔滨医科大学 | 一种对动态心电数据进行分类的装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN105411565B (zh) * | 2015-11-20 | 2018-12-04 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN106264499A (zh) * | 2016-08-26 | 2017-01-04 | 中山大学 | 一种量化心肺系统交互作用的分析方法 |
CN106264499B (zh) * | 2016-08-26 | 2023-04-25 | 中山大学 | 一种量化心肺系统交互作用的分析方法 |
CN106539580B (zh) * | 2016-11-21 | 2021-01-22 | 西安交通大学 | 一种自主神经系统动态变化的连续监测方法 |
CN106539580A (zh) * | 2016-11-21 | 2017-03-29 | 西安交通大学 | 一种自主神经系统动态变化的连续监测方法 |
CN107346541A (zh) * | 2017-06-02 | 2017-11-14 | 华南理工大学 | 一种基于超声射频时间序列小波分析的组织定征方法 |
CN107346541B (zh) * | 2017-06-02 | 2020-02-18 | 华南理工大学 | 一种基于超声射频时间序列小波分析的组织定征方法 |
CN107137077A (zh) * | 2017-06-14 | 2017-09-08 | 西南大学 | 自主神经恢复检测方法、装置及电子设备 |
WO2019062595A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市岩尚科技有限公司 | 光电容积脉搏波的质量评估方法 |
CN109598180A (zh) * | 2017-09-30 | 2019-04-09 | 深圳市岩尚科技有限公司 | 光电容积脉搏波的质量评估方法 |
CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
CN109394188B (zh) * | 2018-11-27 | 2022-03-08 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
CN110490257A (zh) * | 2019-08-21 | 2019-11-22 | 四川长虹电器股份有限公司 | 一种基于去趋势项的生理电信号熵分析方法 |
CN112842303A (zh) * | 2020-11-23 | 2021-05-28 | 南京市中医院 | 自主神经系统筛查方法及系统 |
CN115778403A (zh) * | 2022-06-13 | 2023-03-14 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
CN115778403B (zh) * | 2022-06-13 | 2023-12-22 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
CN115662629A (zh) * | 2022-10-11 | 2023-01-31 | 珠海弘昕医疗科技有限公司 | 一种心力衰竭监测系统及其预测评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
US8233972B2 (en) | System for cardiac arrhythmia detection and characterization | |
CN107811626A (zh) | 一种基于一维卷积神经网络和s变换的心律失常分类方法 | |
Orhan | Real-time CHF detection from ECG signals using a novel discretization method | |
Zhu et al. | Classification of cardiac abnormalities from ECG signals using SE-ResNet | |
CN109303559A (zh) | 一种基于梯度提升决策树的动态心电图心拍分类方法 | |
Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN108514414A (zh) | 一种信号处理设备、人体心电信号处理及疾病预测方法 | |
CN108256453A (zh) | 一种基于一维ecg信号提取二维cnn特征的方法 | |
CN110751131B (zh) | 一种心律失常检测装置 | |
CN109044348A (zh) | 房颤检测装置及存储介质 | |
US9549681B2 (en) | Matrix-based patient signal analysis | |
Yang et al. | Heartbeat classification using discrete wavelet transform and kernel principal component analysis | |
CN112971800B (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
CN108403107A (zh) | 一种心律失常判别方法及系统 | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
Zeng et al. | Deep arrhythmia classification based on SENet and lightweight context transform | |
CN109044338A (zh) | 房颤检测装置及存储介质 | |
CN103948387B (zh) | 一种基于大数据实现异常心电模板的多态重构及优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150819 |