CN105395185B - 基于多通道柔性融合的生理信号检测系统 - Google Patents
基于多通道柔性融合的生理信号检测系统 Download PDFInfo
- Publication number
- CN105395185B CN105395185B CN201510873447.4A CN201510873447A CN105395185B CN 105395185 B CN105395185 B CN 105395185B CN 201510873447 A CN201510873447 A CN 201510873447A CN 105395185 B CN105395185 B CN 105395185B
- Authority
- CN
- China
- Prior art keywords
- channel
- signal
- decision
- module
- bio
- 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
Abstract
本发明提供了一种基于多通道柔性融合的生理信号检测系统,其特征在于,包括n条生理信号检测通道,每一条生理信号检测通道均设置有单通道特征提取模块,在每个单通道特征提取模块的输出端连接有软判决证据生成模块,n个通道的软判决证据生成模块均连接至多通道信息融合模块中,在多通道信息融合模块的输出端连接有诊断决策模块。其效果是:解决了多通道二元检测存在的冲突性信息融合问题,实现了微弱电生理特征信号的鲁棒检测,在特征提取过程中,完整保留通道生理意义,符合医生判读习惯,临床上长期总结的经验阀值可在软判决过程中正常使用,对微弱电生理信号的多通道检测具有很强的通用性。
Description
技术领域
本发明涉及生物医电技术,具体涉及一种基于多通道柔性融合的生理信号检测系统。
背景技术
在远程医疗、生命体征监控等领域,检测分析脑电、心电、肌电等电生理特征信号是实现健康监护、预警及诊疗的基础技术。由于人体这类电生理特征信号通常十分微弱,易受多种噪声干扰,加之信号自身的非平稳性等原因,利用多条通道采集的数据进行空间冗余检测是电生理信号处理领域的通行做法。例如,临床12导联心电图检查产生8个独立采集通道,头皮脑电信号检测采用8*8电极阵列(64通道),心房心外膜标测采用128通道等等。由于心电、脑电等电生理信号的空间分布特性,采集电极通常配置于身体某些固定部位,因此采集通道具有特定的生理意义。通过长期的临床实践,医生通常在单一通道(即身体某个部位)上获得某些生理特征信号检测的判决阀值(例如心性猝死预警的T波交替信号、恶性室性心律失常相关的心室晚电位等)。
从检测过程看,这类特征信号的检测实质上属于二元随机信号状态的统计检测问题。如图1所示,常规的融合检测过程是首先从单通道数据中提取某种特征信号,为了避免通道间冲突性检测结果的融合问题,直接选取特征信号强度最大的通道代表多通道融合结果,再通过临床经验阀值判别,进而实现多通道组合检测。这种选取多个通道检测结果的最大值作为融合结果的方法,实质上是一种多通道相或的融合方法,可以看作是一种简单的决策级融合检测方法。尽管在单通道上进行特征提取,符合医生的诊疗习惯,保留了通道的生理意义,但通道数据利用率低,检测结果鲁棒性差。如图2所示,也有学者改进了多通道融合方法以充分利用电生理信号的空间特性,采用主元分析、周期元分析等矩阵分解法提取特征信号,再进行二元假设检验。这种基于矩阵分解的融合检测方法,在数据级上进行集中式融合,避免了通道间冲突性检测结果的融合问题,但丢失通道本身的生理意义,不符合临床医生从通道角度对相关病症进行分析判断的诊疗习惯。另一方面,如图3所示,上述融合检测方法,采用固定的经验阀值进行硬判决,只能给出存在与否的二值结果,不能表征“检测结果不确定”的情形,这实质上也属于人的主观理解和判断结果之一。
发明内容
针对上述多通道相或式融合方法不能处理冲突性检测结果的融合、数据利用率低,矩阵分解融合方法丢失通道生理意义的问题,本发明提出一种基于多通道柔性融合的生理信号检测系统,该系统首先根据临床上符合医生诊断习惯的检测方法在单一通道上提取特征信号,通过软判决获取通道检测证据,在不确定信息融合理论框架下柔性融合多通道证据,解决多通道二元检测存在的冲突性信息融合问题,实现微弱电生理特征信号的鲁棒检测,该系统在特征提取过程中,完整保留通道生理意义,符合医生判读习惯,临床上长期总结的经验阀值可在软判决过程中正常使用,并且各种现有的单一通道判定方法既可单独使用,也可同时使用,对微弱电生理信号的多通道检测具有很强的通用性。
为达到上述目的,本发明所采用的具体技术方案如下:
一种基于多通道柔性融合的生理信号检测系统,其关键在于,包括n条生理信号检测通道,n为大于或等于2的正整数,每一条生理信号检测通道均设置有单通道特征提取模块,所述单通道特征提取模块用于实现每个通道生理信号的预处理和特征提取,在每个单通道特征提取模块的输出端连接有软判决证据生成模块,所述软判决证据生成模块按照H0、H1、H2三个基本命题进行可信度分配,从而得到每个通道的证据,其中H0为预设特征信号确定不存在;H1为预设特征信号确定存在,H2为预设特征信号不确定存在/不存在;n个通道的软判决证据生成模块均连接至多通道信息融合模块中,所述多通道信息融合模块采用不确定信息柔性融合方法将多个通道的证据融合成一个证据,在所述多通道信息融合模块的输出端连接有诊断决策模块,该诊断决策模块根据所述多通道信息融合模块输出证据的信值分布得到最终的诊断决策。
基于上述设计,本发明从决策级信息融合角度,不改变符合医生习惯的单一通道判定方法,属于分布式融合检测系统,各个通道可以采用现有的各种单通道特征提取方法,通过经验阈值方法进行软判决获取通道证据,然后将各通道证据传送给融合中心,融合中心进行多通道证据融合,根据融合结果形成全局判决结果,由于不同通道之间噪声水平存在差异,并且特征信号自身在不同通道上能量也存在差异,这导致软判决生成的通道证据可能不相容,甚至完全冲突。这就需要一种柔性融合方法,解决冲突性证据融合问题,这种在决策级完成的分布式融合方法,充分利用电生理信号的空间分布特征,同时完整保留通道的生理意义。
根据不同的应用,所述n条生理信号检测通道为脑电信号检测通道、心电信号检测通道或肌电信号检测通道。
为了实现上述系统决策级融合检测,首先需要从单通道中提取信号特征,从而生成通道证据,由于通道间噪声水平差异以及电生理信号的动态变化等因素,通道间的检测结果,时常相互矛盾,这就需要采用一种相悖信息柔性融合方法。冲突性数据间的融合决策一直是现代信息处理领域面临的难题,Dezert和Smarandache等学者在经典DS证据理论(Dempster-Shafer evidential theory)基础上,提出了一种有效的证据冲突组合理论Dezert-Smarandache Theory(简称DSmT),近年来受到很大关注。与D-S证据理论相比,DSmT理论可以很好地解决证据矛盾时的证据组合问题。该理论将不同来源、不同格式、相互间可能存在冲突的数据统一表述为证据,通过冲突再分配的方法,最大限度利用冲突信息,进而实现合理的融合决策。基于此,本系统在DSmT理论框架下,将其应用于多通道微弱电生理特征信号柔性融合检测系统中,有效解决通道间冲突性检测结果的有效融合问题。
就微弱电生理信号检测而言,证据构造的数据来源可能具有不同的分辨率及信噪比等,甚至在某些情况下,证据可能会针对同一过程而具有不同的数据来源(比如心电信号、心动信号、心音信号等)。这些不同格式的数据由于受到复杂环境和噪声的影响,可能会具有不同的结论甚至会参数冲突,为了能够实现这些数据间的融合,需要对这些原始的单通道数据进行描述和格式上的统一,使这些证据能够参与DSmT融合与冲突的再分配过程。
因此,作为进一步描述,本系统针对第i条通道中的软判决证据生成模块而言,按照下式进行可信度分配:
其中,γ0为经验阀值,γs表示特征提取后获取的该通道阀值,k1、k2为正常数,且k1<k2,mi(H0)、mi(H1)、mi(H2)依次为第i条通道所得证据对应的H0、H1、H2三个基本命题的可信度。
采用软判决构造证据,是多通道柔性融合检测的前提条件,传统的电生理特征信号检测过程中,医生往往根据临床统计阀值进行二元判决,不能描述病症在某个通道上可能存在的不确定的情形,为此,本发明采用软判决思想,利用经验阀值,将观测空间划分四个部分,即确定存在、不确定存在、不确定不存在以及确定不存在,有效解决了二元判决所引起的参数冲突。
DSmT的另一个重点是冲突信质的重分配,针对不同的冲突环境,可以采用不同的冲突重分配准则(Proportional Conflict Redistribution Rule),其中PCR5是该领域提出的最有效、合理的冲突再分配原则之一。
因此,为了实现最有效、合理的冲突再分配,所述多通道信息融合模块按照以下原则进行信息融合:
其中,PPCR5(H0)、PPCR5(H1)、PPCR5(H2)分别为n条生理信号检测通道所得证据信息融合后对应的H0、H1、H2三个基本命题的可信度。
该系统采用基于DSmT的融合方法并未将冲突部分丢弃(即没有采用归一化方法),而是通过一定比例再分配的方式将冲突信质分配到参与冲突的各个命题当中,使得融合过程对输入信息的利用率更高,融合结果更为鲁棒、可靠。
针对融合后的证据,需要对其进行决策判断,以获得最终结论。传统的DSmT的决策包括DSmP,BetP等方式。然而对于本发明研究的电生理信号检测问题来说,由于其识别框架相对简单,因此直接对比m(H0)和m(H1)的取值即可获得最终的判决结果,即PPCR5(H0)和PPCR5(H1),而PPCR5(H2)则作为参考指标,指示了数据的利用程度及其可靠性。当PPCR5(H2)小于50%时,认为最终决策由大部分数据支持,是较为可靠的结论,当PPCR5(H2)大于50%时,虽然仍然可以得出最终结论,但由于最终个结论由小部分数据得出,因此这种情况往往被认为结论在可靠性上存疑,即根据本次采集数据尚不能进行有效诊断。
因此,本系统所述诊断决策模块根据PPCR5(H0)与PPCR5(H1)的值生成诊断决策,当PPCR5(H0)>PPCR5(H1),认定为预设特征信号不存在,反之,则认定为预设特征信号存在。
与现有技术相比,本发明的显著效果是:
本发明基于多通道柔性融合理论,针对心电、脉搏、脑电等微弱电生理特征信号的动态特征检测,具有广泛的应用前景,对其它生理信号检测也具有相当的借鉴意义,在该系统中,解决了多通道二元检测存在的冲突性信息融合问题,实现了微弱电生理特征信号的鲁棒检测,该系统在特征提取过程中,完整保留通道生理意义,符合医生判读习惯,临床上长期总结的经验阀值可在软判决过程中正常使用,对微弱电生理信号的多通道检测具有很强的通用性。
附图说明
图1为现有的电生理信号多通道相或式决策级融合检测系统原理框图;
图2为现有的电生理信号数据级融合检测检测系统原理框图;
图3为现有的硬判决检测原理图;
图4为本发明的电生理特征信号决策级柔性融合检测系统原理框图;
图5为本发明的软判决证据生成原理图;
图6为具体实施例中噪声环境下本系统的检测性能对比图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
本实施例以心电信号中的T波交替(T Wave Alternans,TWA)检测进行说明。目前,临床应用的TWA检测方法主要为谱分析方法(Spectral Method,SM)和修正滑动平均法(Modified Moving Average method,MMA)。其中SM方法通过将数字化后的心电信号分段,利用快速傅里叶变换对截取的连续多个ST-T段数据进行谱分析,在0.5cpb(cycle perbeat)处频率所对应的数值则代表着该段心电数据中TWA水平。而MMA方法是一种时域分析方法,其抗干扰的能力较弱,鲁棒性较差。
本文提出的一种基于多通道柔性融合的生理信号检查系统,采用计算机心脏学会2008年召开的TWA检测国际竞赛所采用的实验数据,选取了数据中由人工合成的32条心电图记录数据,其中30个心电数据中含有很微弱的TWA成分,2个数据是正常人的心电数据,每条数据记录包含12个通道数据,采样率500Hz,分辨率16bit,每条数据记录约2分钟。
由此得到图4所示的系统原理框图,系统包括n条生理信号检测通道,本例为心电信号检测通道且n=12,每一条生理信号检测通道均设置有单通道特征提取模块,所述单通道特征提取模块用于实现每个通道生理信号的预处理和特征提取,在每个单通道特征提取模块的输出端连接有软判决证据生成模块,12条通道的软判决证据生成模块均连接至多通道信息融合模块中,所述多通道信息融合模块采用不确定信息柔性融合方法将多个通道的证据融合成一个证据,在所述多通道信息融合模块的输出端连接有诊断决策模块。
如图5所示,所述软判决证据生成模块按照H0、H1、H2三个基本命题进行可信度分配,从而得到每个通道的证据,其中H0为预设特征信号确定不存在;H1为预设特征信号确定存在,H2为预设特征信号不确定存在/不存在;针对第i条通道中的软判决证据生成模块而言,按照下式进行可信度分配:
其中,γ0为经验阀值,γs表示特征提取后获取的该通道阀值,k1、k2为正常数,且k1<k2,本例中k1=0.5,k2=1.5,mi(H0)、mi(H1)、mi(H2)依次为第i条通道所得证据对应的H0、H1、H2三个基本命题的可信度。
当得到每条通道所得证据对应命题的可信度后,所述多通道信息融合模块按照以下原则进行信息融合:
其中,PPCR5(H0)、PPCR5(H1)、PPCR5(H2)分别为n条生理信号检测通道所得证据信息融合后对应的H0、H1、H2三个基本命题的可信度。
最后,所述诊断决策模块根据PPCR5(H0)与PPCR5(H1)的值生成诊断决策,当PPCR5(H0)>PPCR5(H1),认定为预设特征信号不存在,反之,则认定为预设特征信号存在。
采用上述系统对各条记录的12个通道数据进行融合检测,结果如表1所示。可见本发明提供的基于多通道柔性融合的生理信号检测系统,能够很好的对这32个数据进行TWA检测,准确率达到100%。表1中,syn表示含有TWA的心电数据(synthesized ECGs withTWA),sync表示不含有TWA的心电数据(synthesized ECGs without TWA)。m(H1)表示最终结果为阳性的概率,m(H0)表示最终结果为阴性的概率。m(H2)即表示融合结果的不确定性。该值越大,认为融合检测结果的可靠性越差。在最终的判决阶段,如果m(H0)>m(H1),则认为TWA探测结果为阳性,反之,则为阴性。
从表1可以发现,所有记录的融合检测结果中,仅有52号与81号记录检测结果m(H2)位于5%左右,其它记录的m(H2)普遍远小于1%。说明本系统对于数据的利用率非常高,得到的结论更加鲁棒,可靠性更高,对阈值的依赖和敏感度更低。
表1 TWA多通道柔性融合检测结果
为了进一步验证多种噪声环境下系统的有效性,利用TWA检测国际竞赛提供的实测数据,提取出真实的TWA波形作为原始信号,用以合成各种信噪比情况下的含TWA心电信号,样本数据记录1000条,每条记录分别包含12通道。考虑到动态监护环境,特别是高动态监护过程中,心电信号普遍存在强电极接触噪声与肌电噪声干扰,特别将仿真信号信噪比设置为-20dB。同时用高斯噪声与拉普拉斯噪声统一描述其它类型干扰。TWA信号特征提取,仍然采用现行的临床谱分析方法,保留通道的生理意义,不改变医生的诊疗习惯。为了与现有的多通道相或式决策级融合方法进行对比,图6给出了极低信噪比背景下的两种决策级融合检测方法的性能曲线,通道证据生成参数k1、k2取值保持不变。
图6中带标号的曲线表示本系统的柔性融合检测结果,不带标号的曲线表示多通道相或式融合检测结果,Ga、La、Ma、Em分别代表添加的四种噪声为高斯噪声、拉普拉斯噪声、肌电噪声与电极噪声,FPR(False Positive Rate)、TPR(True Positive Rate)表示误检概率与检测概率。从图中可以看出,在四种不同的噪声条件下,多通道柔性融合检测的性能均优于相或式的决策级检测方法。在误检率10%的情况下,可以获得80%以上的检测概率,较现有的相或式方法检测性能大约提升10%。可见,柔性融合检测方法具备更强的鲁棒性,更适用于高动态监护环境。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.一种基于多通道柔性融合的生理信号检测系统,其特征在于,包括n条生理信号检测通道,n为大于或等于2的正整数,每一条生理信号检测通道均设置有单通道特征提取模块,所述单通道特征提取模块用于实现每个通道生理信号的预处理和特征提取,在每个单通道特征提取模块的输出端连接有软判决证据生成模块,所述软判决证据生成模块按照H0、H1、H2三个基本命题进行可信度分配,从而得到每个通道的证据,其中H0为预设特征信号确定不存在;H1为预设特征信号确定存在,H2为预设特征信号不确定存在/不存在;n个通道的软判决证据生成模块均连接至多通道信息融合模块中,所述多通道信息融合模块采用不确定信息柔性融合方法将多个通道的证据融合成一个证据,在所述多通道信息融合模块的输出端连接有诊断决策模块,该诊断决策模块根据所述多通道信息融合模块输出证据的信值分布得到最终的诊断决策;
针对第i条通道中的软判决证据生成模块而言,按照下式进行可信度分配:
其中,γ0为经验阀值,γs表示特征提取后获取的该通道阀值,k1、k2为正常数,且k1<k2,mi(H0)、mi(H1)、mi(H2)依次为第i条通道所得证据对应的H0、H1、H2三个基本命题的可信度;
所述多通道信息融合模块按照以下原则进行信息融合:
其中,PPCR5(H0)、PPCR5(H1)、PPCR5(H2)分别为n条生理信号检测通道所得证据信息融合后对应的H0、H1、H2三个基本命题的可信度。
2.根据权利要求1所述的基于多通道柔性融合的生理信号检测系统,其特征在于,所述n条生理信号检测通道为脑电信号检测通道、心电信号检测通道或肌电信号检测通道。
3.根据权利要求1所述的基于多通道柔性融合的生理信号检测系统,其特征在于,所述诊断决策模块根据PPCR5(H0)与PPCR5(H1)的值生成诊断决策,当PPCR5(H0)>PPCR5(H1),认定为预设特征信号不存在,反之,则认定为预设特征信号存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873447.4A CN105395185B (zh) | 2015-12-03 | 2015-12-03 | 基于多通道柔性融合的生理信号检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873447.4A CN105395185B (zh) | 2015-12-03 | 2015-12-03 | 基于多通道柔性融合的生理信号检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105395185A CN105395185A (zh) | 2016-03-16 |
CN105395185B true CN105395185B (zh) | 2018-07-10 |
Family
ID=55461203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510873447.4A Expired - Fee Related CN105395185B (zh) | 2015-12-03 | 2015-12-03 | 基于多通道柔性融合的生理信号检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105395185B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109008964A (zh) * | 2018-06-27 | 2018-12-18 | 浏阳市安生智能科技有限公司 | 一种生理信号提取的方法及装置 |
CN109088923B (zh) * | 2018-07-25 | 2021-03-02 | 重庆邮电大学 | 远海岛礁环境监测系统及决策级融合方法 |
CN109674464B (zh) * | 2019-01-29 | 2021-04-30 | 郑州大学 | 一种多导联心电信号复合特征提取方法及对应监测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1304114A (zh) * | 1999-12-13 | 2001-07-18 | 中国科学院自动化研究所 | 基于多生物特征的身份鉴定融合方法 |
CN101779986A (zh) * | 2009-01-16 | 2010-07-21 | 张学海 | 数字化医学诊断集成系统 |
CN102176222A (zh) * | 2011-03-18 | 2011-09-07 | 北京科技大学 | 多传感器信息采集分析系统及自闭症儿童监护辅助系统 |
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN104462867A (zh) * | 2014-12-11 | 2015-03-25 | 中国人民解放军重庆通信学院 | T波动态建模与多通道融合估计方法 |
-
2015
- 2015-12-03 CN CN201510873447.4A patent/CN105395185B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1304114A (zh) * | 1999-12-13 | 2001-07-18 | 中国科学院自动化研究所 | 基于多生物特征的身份鉴定融合方法 |
CN101779986A (zh) * | 2009-01-16 | 2010-07-21 | 张学海 | 数字化医学诊断集成系统 |
CN102176222A (zh) * | 2011-03-18 | 2011-09-07 | 北京科技大学 | 多传感器信息采集分析系统及自闭症儿童监护辅助系统 |
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN104462867A (zh) * | 2014-12-11 | 2015-03-25 | 中国人民解放军重庆通信学院 | T波动态建模与多通道融合估计方法 |
Non-Patent Citations (2)
Title |
---|
基于多传感器数据融合的驾驶状态监控研究;李埃荣;《CNKI中国知网》;20070401;45-57 * |
多模态医学影像融合识别技术研究进展;周涛,等;《生物医学工程学杂志》;20131031;第30卷(第5期);1117-1122 * |
Also Published As
Publication number | Publication date |
---|---|
CN105395185A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
US11517212B2 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
Halford | Computerized epileptiform transient detection in the scalp electroencephalogram: Obstacles to progress and the example of computerized ECG interpretation | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
Yang et al. | 12-Lead ECG arrhythmia classification using cascaded convolutional neural network and expert feature | |
CN109411042A (zh) | 心电信息处理方法和心电工作站 | |
Liu et al. | Automatic diagnosis of premature ventricular contraction based on Lyapunov exponents and LVQ neural network | |
CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
Migliorelli et al. | SGM: a novel time-frequency algorithm based on unsupervised learning improves high-frequency oscillation detection in epilepsy | |
CN105395185B (zh) | 基于多通道柔性融合的生理信号检测系统 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
Yang et al. | Automated intra-patient and inter-patient coronary artery disease and congestive heart failure detection using EFAP-Net | |
Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
CN115956918A (zh) | 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统 | |
Zhang | Arrhythmias Classification Based on CNN and LSTM_ATTENTION Hybrid Model | |
Zhai et al. | User stress detection in human-computer interactions | |
Sharma et al. | Real-Time ECG signal acquisition and processing using LabVIEW | |
Trifonov et al. | Prediction of successful personal cognitive performance based on integrated characteristics of multichannel EEG | |
Schrumpf et al. | Similarity based hierarchical clustering of physiological parameters for the identification of health states-a feasibility study |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180710 Termination date: 20201203 |