CN106108880A - 一种心拍自动识别方法及系统 - Google Patents
一种心拍自动识别方法及系统 Download PDFInfo
- Publication number
- CN106108880A CN106108880A CN201610486684.XA CN201610486684A CN106108880A CN 106108880 A CN106108880 A CN 106108880A CN 201610486684 A CN201610486684 A CN 201610486684A CN 106108880 A CN106108880 A CN 106108880A
- Authority
- CN
- China
- Prior art keywords
- heart
- signal
- claps
- electrocardiosignal
- classification
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心拍自动识别方法,包括以下步骤:S1,对心电信号进行预处理,得到纯净心电信号;将所得纯净心电信号分割为待分类的心拍信号,并存储待用;S2,读取数据集中选取的已知类别的心拍信号,设置训练集;S3,抽取并存储各个类别的心拍信号,对存储的信号进行分层合并且训练;存储训练得到的分类器;S4,将待分类的心拍进行分类识别。一种心拍自动识别系统,包括储存程序的存储器和一处理器,所述处理器用于运行所述程序以执行所述的方法。本发明减少了心拍多分类所需支持向量机数目,降低了运算复杂度,提高分类实用价值。广泛应用于医学信号处理领域。
Description
技术领域
本发明涉及医学信号处理领域,具体为一种通过医疗设备进行自动心拍识别的方法及系统。
背景技术
ECG:electrocardiogram的缩写,心电图。
心电图是心脏活动信号的记录。其中,心拍的类别是诊断心脏疾病的重要依据。根据《中华人民共和国医药行业标准:医用电器设备,第二部分,动态心电图系统安全和基本性能专用要求》(YY0885-2013),动态心电图设备应具有自动识别心拍类别的功能。心拍自动识别的技术途径是通过提取表征了心电图有效信息的特征向量,输入到分类器算法得到心拍的类别。其中分类器的运算复杂度和分类精度直接关系到心拍自动识别系统的实用价值。目前常用的方法和系统是基于支持向量机的多分类方法,如一对多算法、一对一算法。然而这些分类方法存在运算复杂度高、忽略分类代价的问题,分类器尽管可以具有很高的分类准确率,但是随着分类类别的增加,需要设计的支持向量机数目迅速增加,运算复杂度大大提高,对实际产生很大影响。因此,减少支持向量机数目是降低运算复杂度和增加分类使用价值的关键。
发明内容
为了解决上述技术问题,本发明的目的是提供一种运算复杂度较低的心拍自动识别方法及系统。
本发明所采用的技术方案是:
一种心拍自动识别方法,包括以下步骤:
S1,对心电信号进行预处理,得到纯净心电信号;
将所得纯净心电信号分割为待分类的心拍信号,并存储待用;
S2,读取数据集中选取的已知类别的心拍信号,设置训练集;
S3,抽取并存储各个类别的心拍信号,对存储的信号进行分层合并且训练;存储训练得到的分类器;
S4,将待分类的心拍进行分类识别。
作为该技术方案的改进,所述步骤S1包括:
对采样频率为f的心电图,将心电信号分别输入50×f/250阶中值滤波器,然后将所述滤波器的输出信号再输入到150×f/250阶中值滤波器,得到信号的基线;
原始信号与基线相减得到去基线漂移噪声的纯净心电信号。
作为该技术方案的改进,所述步骤S1包括:
将所得纯净心电信号分割出多个RR段,并存储待用;
将经分割的信号重采样,连接得到采样后的心电信号;
截取采样后的心电信号中的所有心拍信号,存储所有待分类的心拍信号。
作为该技术方案的改进,所述步骤S2包括:
随机选取数据集中已知类别标签的心拍信号作为训练集,并存储;
对N种心拍类别分别进行编号并存储。
进一步地,所述步骤S3包括:
抽取并存储各个类别的心拍信号;
将所存储的心拍信号合并并转存,得到各层分类器训练集。
作为该技术方案的进一步改进,所述步骤S3包括:根据各层分类器训练集训练得到N-1个分类器。
作为该技术方案的进一步改进,所述步骤S4包括以下步骤:
将待测心拍信号依次输入分类器中逐级进行类别判定,经分类器判断输出特定的心拍种类;否则进入下一层分类器进行判定。
另一方面,本发明还提供一种心拍自动识别系统,包括储存程序的存储器和一处理器,所述处理器用于运行所述程序以执行所述的方法。
本发明的有益效果是:本发明所提供的心拍自动识别方法和系统,减少了心拍多分类所需支持向量机数目,降低了运算复杂度,提高分类实用价值。本发明所述的方法与现有的多分类方法相比,在保证分类准确率的前提下,减少所需支持向量机的数目,从而降低了运算复杂度。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一实施例的流程图;
图2是本发明的另一实施例的示意图;
图3是本发明的一实施例的步骤流程图;
图4是本发明的心拍判定的一实施例的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明是为减少心拍多分类所需支持向量机数目,减少运算复杂度,提高分类实用价值的一种心拍多分类方法。更确切的说,是一种可通过计算机程序进行实施,自动识别出心电图中正常心拍、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏、起搏心跳共六种类型心拍的技术方案。
所述的技术方案不受其实施设备的影响,不加创造性的将本发明所公开的技术方案通过包括并不限于下述方式进行实施而产生的设备或系统,应视为未超出本发明的保护范围:可在具有运算功能的心电图机上直接实施本方案,如将心电图导出到通用计算机上实施本方案,将心电图传输到服务器上实施本方案。
参照图1至图3,一种心拍自动识别方法,包括以下步骤:
S1,对心电信号进行预处理,得到纯净心电信号;
将所得纯净心电信号分割为待分类的心拍信号,并存储待用;
S2,读取数据集中选取的已知类别的心拍信号,设置训练集;
S3,抽取并存储各个类别的心拍信号,对存储的信号进行分层合并且训练;存储训练得到的分类器;
S4,将待分类的心拍进行分类识别。
作为该技术方案的改进,所述步骤S1包括:
对采样频率为f的心电图,将心电信号分别输入50×f/250阶中值滤波器,然后将所述滤波器的输出信号再输入到150×f/250阶中值滤波器,得到信号的基线;
原始信号与基线相减得到去基线漂移噪声的纯净心电信号。
作为该技术方案的改进,所述步骤S1包括:
将所得纯净心电信号分割出多个RR段,并存储待用;
将经分割的信号重采样,连接得到采样后的心电信号;
截取采样后的心电信号中的所有心拍信号,存储所有待分类的心拍信号。
作为该技术方案的改进,所述步骤S2包括:随机选取数据集中已知类别标签的心拍信号作为训练集,并存储;对N种心拍类别分别进行编号并存储。
作为该技术方案的改进,所述步骤S3包括:抽取并存储各个类别的心拍信号;将所存储的心拍信号合并并转存,得到各层分类器训练集。
作为该技术方案的改进,所述步骤S3包括:根据各层分类器训练集训练得到N-1个分类器,分别为1号分类器、2号分类器···N-1号分类器。
作为本发明一实施例,所述步骤S4包括以下步骤:将待测心拍信号依次输入分类器中逐级进行类别判定,经分类器判断输出特定的心拍种类;否则进入下一层分类器进行判定。
参照图4,为本发明的心拍判定的一实施例的流程图。当N=6时,
对于房性早搏、起搏心跳、左束支传导阻滞、右束支传导阻滞、正常心跳和室性早搏的心拍识别,步骤S4包括以下步骤:
将待测心拍输入1号分类器执行判定,
若输出-1,则心拍识别为房性早搏;若输出+1,则输入2号分类器执行判定,
若输出-1,则心拍识别为起搏心跳;若输出+1,则输入3号分类器执行判定,
若输出-1,则心拍识别为右束支传导阻滞;若输出+1,则输入4号分类器执行判定,
若输出-1,则心拍识别为正常心跳;若输出+1,则输入5号分类器执行判定,
若输出-1,则心拍识别为左束支传导阻滞;若输出+1,则心拍识别为室性早搏。
1.对心电信号进行预处理
(1)除去心电信号中的噪声。
对于采样频率为f的心电图,将心电信号分别输入50×f/250阶中值滤波器,然后将滤波器的输入信号再输入到150×f/250阶中值滤波器,得到信号的基线,以上参数四舍五入取整,原始信号与基线相减得到去基线漂移噪声的纯净心电信号
(2)将心电信号分割为待分类的心拍信号
将上述获得的纯净信号输入波形限制探测器,如由R.Jané发明的,得到每个心拍的R波顶点。定义任意两个相邻R波顶点之间的信号为RR间期信号,分离心电信号中的所有RR间期信号;将所有RR间期信号重采样到如300采样点长度;将重采样后的RR间期信号按照其在心电图中的原有顺序连接起来得到重采样后的心电信号;定义任意一个R波顶点向前和向后各取150采样点的信号为一个待分类的心拍信号,截取采样后的心电信号中的所有心拍信号,所有待分类的心拍信号存储为一个矩阵s,其中s(i,j)表示待分类的心拍信号中第i个心拍信号的第j个采样点。其中,对于每一条心电信号,第一个R波顶点和最后一个R波顶点不构成心拍信号。
(3)设置训练集
从已公开的MIT-BIH-AHA数据集中随机选取已知类别标签的心拍信号为训练集,其中训练集必须包含每个类别大于50个心拍信号。选取的训练集存储为一个矩阵t,其中矩阵t的第i行j列表示训练集内第i个心拍信号的第j个采样点,记为t(i,j)。
读取数据集中的已知心拍类别,按照表1所示对心拍类别进行编号,每个心拍信号的类别编号存储为一个向量b,其中b的第i个元素表示训练集内第i个心拍信号的类别编号,记为b(i)。其中b(i)为对应t(i,:)的类别标签,t(i,:)表示矩阵t的第i行。
表1
2.对分类器进行训练
a.抽取并转存各个类别的心拍信号
i从1到6循环,执行遍历b的所有元素b(j),判断b(j)中是否与i相等,若相等,则抽取对应矩阵t第j行的向量t(j,:),若不相等则不执行抽取。遍历后,所有被抽取的向量存储为6个矩阵x1,x2,x3,x4,x5,x6,其中xi表示存储了类别标号为i的所有心拍信号,存储格式与t相同。
b.对类别进行分层合并
读取步骤a存储的矩阵x1,x2,x3,x4,x5,x6;转存[x4,x2,x1,x3,x6]为xp1,x5为xn1;转存[x4,x2,x1,x3]为xp2,x6为xn2;转存[x4,x2,x1]为xp3;转存x3为xn3;转存[x4,x2]为xp4;转存x1为xn4;转存x4为xp5;转存x2为xn5。其中,符号[]表示将矩阵按行首尾相接。
c.对分类节点进行训练
利用Libsvm工具包,执行5次训练,得到5个两分类svm分类器。5次训练均采用svc工作方式,参数采用默认参数,训练中采用的正样本标签号设置为+1,负样本标签号设置为-1,第一次训练采用xp1为正样本,xn1为负样本,对训练得到的分类器进行存储并定义为1号分类器;第二次训练采用xp2为正样本,xn2为负样本,对训练得到的分类器进行存储并定义为2号分类器;第三次训练采用xp3为正样本,xn3为负样本,对训练得到的分类器进行存储并定义为3号分类器;第四次训练采用xp4为正样本,xn4为负样本,对训练得到的分类器进行存储并定义为4号分类器;第五次训练采用xp5为正样本,xn5为负样本,对训练得到的分类器进行存储并定义为5号分类器。
3.将待分类的心拍进行分类
读取步骤“将心电信号分割为待分类的心拍信号”中所存储的矩阵s,i从1至s的最大行数进行循环,执行:
将s(:,i)输入1号分类器执行判定,若得到标号-1,则s(:,i)存储的心拍识别为房性早搏,反之则继续执行下一步骤,其中s(:,i)表示s的第i行;
将s(:,i)输入2号分类器执行判定,若得到标号-1,则s(:,i)存储的心拍识别为起搏心跳,反之则继续执行下一步骤,
将s(:,i)输入3号分类器执行判定,若得到标号-1,则s(:,i)存储的心拍识别为右束支传导阻滞,反之则继续执行下一步骤,
将s(:,i)输入4号分类器执行判定,若得到标号-1,则s(:,i)存储的心拍识别为正常心跳,反之则继续执行下一步骤,
将s(:,i)输入5号分类器执行判定,若得到标号-1,则s(:,i)存储的心拍识别为左束支传导阻滞,反之则识别为室性早搏。
采用国际通行心电图数据库MIT-BIH-AHA,并通过医生手动标注的其中六种心拍作为效果评估依据,包括正常心拍、起搏心跳、房性早搏、室性早搏、左束支、右束支和起搏心跳。在本实例中,通过工作在计算机上的软件系统和Matlab仿真环境进行实现。
作为上述的实施例的进一步扩展,其步骤如下:
心电图预处理:
1)去除心电信号噪声
根据已知心电图的采样频率250Hz和公式50×f/250和150×f/250,计算得到第一个滤波器为50阶,第二个滤波器为150阶。利用Matlab内建程序medfilt1,产生50阶中值滤波器和150阶中值滤波器。按照所述过程,对每条心电图执行50阶中值滤波器滤波;然后对上述运算的输出结果执行150阶中值滤波器滤波;心电信号减去150阶中值滤波器的输出结果,即可得到纯净信号。将每条ECG所得的纯净信号储存待用。
2)将心电信号分割为待分类的心拍信号
在计算机程序中,输入上述参数并执行计算机程序,如可利用计算机程序“ecgpuwave”,得到R波监测点,将每条ECG所得的R波检测点储存待用。
读入上述步骤中存储待用的纯净信号及存储待用的R波顶点,将纯净心电信号按照R波顶点分割出多个RR段,存储待用。
读入之前存储待用的RR段,通过Matlab内建程序“rsmp”选择重采样点数为300,所得重采样RR段存储待用。
读入上述存储待用的重采样后RR段信号,取某一RR段的前150采样点与其前一RR段信号的后150采样点构成一个心拍信号,获得所需心拍,存储待用。
3).读入上述得到的心拍,对其按照类别进行归类,类别归属参照MIT-BIH-AHA给出的类别标签。从中选取各类心拍作为训练集,选取过程通过matlab内建函数ranperm得到随机选取的心拍的标号,从心拍数据矩阵中选取这些心拍。
2.对分类器进行训练
1)抽取并转存各个类别的心拍信号
i从1到6循环,执行:
遍历b的所有元素b(j),判断b(j)中是否与i相等,若相等,则抽取对应矩阵t第j行的向量t(j,:),若不相等则不执行抽取。遍历后,所有被抽取的向量存储为6个矩阵x1,x2,x3,x4,x5,x6,其中xi表示存储了类别标号为i的所有心拍信号,存储格式与t相同。
2)读取上述存储的矩阵x1,x2,x3,x4,x5,x6;转存[x4,x2,x1,x3,x6]为xp1,x5为xn1;转存[x4,x2,x1,x3]为xp2,x6为xn2;转存[x4,x2,x1]为xp3;转存x3为xn3;转存[x4,x2]为xp4;转存x1为xn4;转存x4为xp5;转存x2为xn5。其中,符号[]表示将矩阵按行首尾相接。
3)采用Libsvm工具箱,通过执行svmtrain函数即可完成分类器训练。
共计执行5次训练,得到5个两分类svm分类器。5次训练均采用svc工作方式,参数采用默认值,训练中采用的正样本标签号设置为+1,负样本标签号设置为-1,第一次训练采用xp1为正样本,xn1为负样本,对训练得到的分类器进行存储并定义为1号分类器,将svmtrain函数的输出model存储;第二次训练采用xp2为正样本,xn2为负样本,对训练得到的分类器进行存储并定义为2号分类器,将svmtrain函数的输出model存储;第三次训练采用xp3为正样本,xn3为负样本,对训练得到的分类器进行存储并定义为3号分类器,将svmtrain函数的输出model存储;第四次训练采用xp4为正样本,xn4为负样本,对训练得到的分类器进行存储并定义为4号分类器,将svmtrain函数的输出model存储;第五次训练采用xp5为正样本,xn5为负样本,对训练得到的分类器进行存储并定义为5号分类器,将svmtrain函数的输出model存储。
3.将待分类的心拍进行分类
读取上述步骤所存储的矩阵s,i从1至s的最大行数进行循环,执行:
使用Libsvm工具箱中的svmpredict函数,将s(:,i),与对应于1号分类器的model作为svmpredict函数的输入,执行svmpredict,判定输出结果,若为-1,则s(:,i)存储的心拍识别为房性早搏,反之则继续执行下一步骤,其中s(:,i)表示s的第i行;
使用Libsvm工具箱中的svmpredict函数,将s(:,i),与对应于2号分类器的model作为svmpredict函数的输入,执行svmpredict,判定输出结果,若为-1,则s(:,i)存储的心拍识别为起搏心跳,反之则继续执行下一步骤;
使用Libsvm工具箱中的svmpredict函数,将s(:,i),与对应于3号分类器的model作为svmpredict函数的输入,执行svmpredict,判定输出结果,若为-1,则s(:,i)存储的心拍识别为右束支传导阻滞,反之则继续执行下一步骤;
使用Libsvm工具箱中的svmpredict函数,将s(:,i),与对应于4号分类器的model作为svmpredict函数的输入,执行svmpredict,判定输出结果,若为-1,则s(:,i)存储的心拍识别为正常心跳,反之则继续执行下一步骤;
使用Libsvm工具箱中的svmpredict函数,将s(:,i),与对应于5号分类器的model作为svmpredict函数的输入,执行svmpredict,判定输出结果,若为-1,则s(:,i)存储的心拍识别为左束支传导阻滞,反之则识别为室性早搏。
为了检验本发明提出的一种心拍多分类方法的性能,通过分类过程进行检验。
其中心拍标记如上述表1所示;按照如下表2所示的数量,随机抽取所有心拍中的一部分作为实施例的分类训练集;在剩余的心拍中,除去训练集以外的所有心拍作为测试集。
表2
通过层次支持向量机进行分类后,未设置误分类代价时分类结果如表3所示。
表3
心拍类别 | 测试集准确分类数量 | 分类准确率 |
正常心拍 | 73433 | 99.05% |
左束支传导阻滞 | 7283 | 91.36% |
右束支传导阻滞 | 6741 | 93.99% |
室性早搏 | 5339 | 76.36% |
房性早搏 | 1327 | 52.80% |
起搏心跳 | 4767 | 97.70% |
经统计,最终分类准确率为95.8%,但上述实验中存在明显的样本不均衡问题,对于占有绝大部分比例的正常心拍具有良好的分类准确率,而对少数量的部分病变心拍则分类准确率不足,尽管就实验结果而言,心拍多分类准确率很高,但这样显然不能满足实际诊断的需求。因此在实际操作过程中需根据实际需要设计层次支持向量机的误分类代价,使其在训练过程更倾向区分误分类代价高的心拍,即病变心拍,提高此类心拍的分类准确率,从而更加满足实际需求。
另一方面,本发明还提供一种心拍自动识别系统,包括储存程序的存储器和一处理器,所述处理器用于运行所述程序以执行所述的方法。
与现有技术相比,本发明的有益效果是:本发明所述的一种心拍多分类方法与现有的多分类方法相比,在保证分类准确率的前提下,减少所需支持向量机的数目,从而降低了运算复杂度。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种心拍自动识别方法,其特征在于,包括以下步骤:
S1,对心电信号进行预处理,得到纯净心电信号;
将所得纯净心电信号分割为待分类的心拍信号,并存储待用;
S2,读取数据集中选取的已知类别的心拍信号,设置训练集;
S3,抽取并存储各个类别的心拍信号,对存储的信号进行分层合并且训练;存储训练得到的分类器;
S4,将待分类的心拍进行分类识别。
2.根据权利要求1所述的一种心拍自动识别方法,其特征在于,所述步骤S1包括:
对采样频率为f的心电图,将心电信号分别输入50×f/250阶中值滤波器,然后将所述滤波器的输出信号再输入到150×f/250阶中值滤波器,得到信号的基线;
原始信号与基线相减得到去基线漂移噪声的纯净心电信号。
3.根据权利要求1或2所述的一种心拍自动识别方法,其特征在于,所述步骤S1包括:
将所得纯净心电信号分割出多个RR段,并存储待用;
将经分割的信号重采样,连接得到采样后的心电信号;
截取采样后的心电信号中的所有心拍信号,存储所有待分类的心拍信号。
4.根据权利要求3所述的一种心拍自动识别方法,其特征在于,所述步骤S2包括:
随机选取数据集中已知类别标签的心拍信号作为训练集,并存储;对N种心拍类别分别进行编号并存储。
5.根据权利要求4所述的一种心拍自动识别方法,其特征在于,所述步骤S3包括:
抽取并存储各个类别的心拍信号;
将所存储的心拍信号合并并转存,得到各层分类器训练集。
6.根据权利要求5所述的一种心拍自动识别方法,其特征在于,所述步骤S3包括:根据各层分类器训练集训练得到N-1个分类器。
7.根据权利要求6所述的一种心拍自动识别方法,其特征在于,所述步骤S4包括以下步骤:
将待测心拍信号依次输入分类器中逐级进行类别判定,经分类器判断输出特定的心拍种类;否则进入下一层分类器进行判定。
8.一种心拍自动识别系统,包括储存程序的存储器和一处理器,其特征在于:所述处理器用于运行所述程序以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610486684.XA CN106108880B (zh) | 2016-06-28 | 2016-06-28 | 一种心拍自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610486684.XA CN106108880B (zh) | 2016-06-28 | 2016-06-28 | 一种心拍自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106108880A true CN106108880A (zh) | 2016-11-16 |
CN106108880B CN106108880B (zh) | 2020-10-16 |
Family
ID=57266949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610486684.XA Active CN106108880B (zh) | 2016-06-28 | 2016-06-28 | 一种心拍自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106108880B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107397547A (zh) * | 2017-08-01 | 2017-11-28 | 深圳大学 | 一种ecg典型心拍模板生成方法及系统 |
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
CN109065145A (zh) * | 2018-07-24 | 2018-12-21 | 西安蓝港数字医疗科技股份有限公司 | 心电数据处理方法、装置及存储介质 |
CN109303559A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110200623A (zh) * | 2018-02-28 | 2019-09-06 | 深圳市理邦精密仪器股份有限公司 | 心电图的参数显示方法、装置、终端设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5224486A (en) * | 1992-02-28 | 1993-07-06 | Hewlett-Packard Company | Method and apparatus for classifying heartbeat waveforms |
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 |
CN101810476A (zh) * | 2009-12-22 | 2010-08-25 | 李顶立 | 一种动态心电图的心拍模板分类方法 |
WO2012025815A1 (en) * | 2010-08-25 | 2012-03-01 | Diacoustic Medical Devices (Pty) Ltd | A system and method for classifying a heart sound |
CN102379692A (zh) * | 2011-09-02 | 2012-03-21 | 东莞中山大学研究院 | 一种面向区端网络的远程心电监护系统及方法 |
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 |
CN103006210A (zh) * | 2013-01-11 | 2013-04-03 | 山东师范大学 | 基于分段线性化的窦性心率震荡趋势检测方法 |
CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
CN104240720A (zh) * | 2013-06-24 | 2014-12-24 | 北京大学深圳研究生院 | 一种基于多重分形和信息融合的语音情感识别方法 |
CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
CN105550659A (zh) * | 2015-12-25 | 2016-05-04 | 四川大学 | 基于随机投影的实时心电分类方法 |
CN107193836A (zh) * | 2016-03-15 | 2017-09-22 | 腾讯科技(深圳)有限公司 | 一种识别方法及装置 |
-
2016
- 2016-06-28 CN CN201610486684.XA patent/CN106108880B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5224486A (en) * | 1992-02-28 | 1993-07-06 | Hewlett-Packard Company | Method and apparatus for classifying heartbeat waveforms |
CN101810476A (zh) * | 2009-12-22 | 2010-08-25 | 李顶立 | 一种动态心电图的心拍模板分类方法 |
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 |
WO2012025815A1 (en) * | 2010-08-25 | 2012-03-01 | Diacoustic Medical Devices (Pty) Ltd | A system and method for classifying a heart sound |
CN102379692A (zh) * | 2011-09-02 | 2012-03-21 | 东莞中山大学研究院 | 一种面向区端网络的远程心电监护系统及方法 |
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 |
CN103006210A (zh) * | 2013-01-11 | 2013-04-03 | 山东师范大学 | 基于分段线性化的窦性心率震荡趋势检测方法 |
CN104240720A (zh) * | 2013-06-24 | 2014-12-24 | 北京大学深圳研究生院 | 一种基于多重分形和信息融合的语音情感识别方法 |
CN103815897A (zh) * | 2014-02-28 | 2014-05-28 | 吉林大学 | 一种心电图特征提取方法 |
CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
CN105550659A (zh) * | 2015-12-25 | 2016-05-04 | 四川大学 | 基于随机投影的实时心电分类方法 |
CN107193836A (zh) * | 2016-03-15 | 2017-09-22 | 腾讯科技(深圳)有限公司 | 一种识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈学琴: "基于心电图分析的心律失常分类", 《中国优秀硕士学位论文全文数据》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107397547A (zh) * | 2017-08-01 | 2017-11-28 | 深圳大学 | 一种ecg典型心拍模板生成方法及系统 |
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108090509B (zh) * | 2017-12-13 | 2021-10-08 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN110200623A (zh) * | 2018-02-28 | 2019-09-06 | 深圳市理邦精密仪器股份有限公司 | 心电图的参数显示方法、装置、终端设备及介质 |
CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
CN108875575B (zh) * | 2018-05-12 | 2021-05-11 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
CN109065145A (zh) * | 2018-07-24 | 2018-12-21 | 西安蓝港数字医疗科技股份有限公司 | 心电数据处理方法、装置及存储介质 |
CN109303559A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
CN109303559B (zh) * | 2018-11-01 | 2021-05-14 | 杭州质子科技有限公司 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN106108880B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106108880A (zh) | 一种心拍自动识别方法及系统 | |
Li et al. | Inter-patient arrhythmia classification with improved deep residual convolutional neural network | |
CN103815897B (zh) | 一种心电图特征提取方法 | |
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
De Lannoy et al. | Weighted conditional random fields for supervised interpatient heartbeat classification | |
Park et al. | Hierarchical support vector machine based heartbeat classification using higher order statistics and hermite basis function | |
Ye et al. | Combining general multi-class and specific two-class classifiers for improved customized ECG heartbeat classification | |
CN109063552A (zh) | 一种多导联心电信号分类方法和系统 | |
WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN109805924A (zh) | 基于cnn的心电信号处理方法及心律不齐检测系统 | |
Chu et al. | A novel two-lead arrhythmia classification system based on CNN and LSTM | |
Jones et al. | Improving ECG classification interpretability using saliency maps | |
Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
EP4041073A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Waseem et al. | Using evolutionary algorithms for ECG Arrhythmia detection and classification | |
CN114224355A (zh) | 心电信号分类训练方法、分类方法、装置及存储介质 | |
CN111449646B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
CN115105084A (zh) | 基于深度学习的心搏定位分类方法、系统、介质及设备 | |
Qureshi et al. | Multiclass Heartbeat Classification using ECG Signals and Convolutional Neural Networks | |
Priya et al. | Classification of Arrhythmia Disease using Machine Learning Techniques |
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 |