CN106510619B - 基于复杂网络的心电信号分析方法及在智能穿戴上的应用 - Google Patents
基于复杂网络的心电信号分析方法及在智能穿戴上的应用 Download PDFInfo
- Publication number
- CN106510619B CN106510619B CN201610888617.0A CN201610888617A CN106510619B CN 106510619 B CN106510619 B CN 106510619B CN 201610888617 A CN201610888617 A CN 201610888617A CN 106510619 B CN106510619 B CN 106510619B
- Authority
- CN
- China
- Prior art keywords
- time window
- electrocardiosignal
- limited
- complex network
- node
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
基于复杂网络的心电信号分析方法及在智能穿戴上的应用：构建时间窗有限穿越可视图复杂网络，并提取网络特征指标：获得长度为Q的心电信号，对心电信号进行时间窗划分，从而获得N组长度为M的时间窗心电信号；对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络；计算每一个时间窗有限穿越可视图复杂网络的特征指标；结合单因素方差分析和T检验检验不同类型心电信号的时间窗有限穿越可视图复杂网络在同一指标下的显著性差异。本发明应用于智能穿戴设备，实现对使用者心脏状态的实时监测，并可提供必要的预警。本发明实现对健康心电信号与患病心电信号准确辨识以及不同类型心脏病的区分，在心脏疾病分析及心脏疾病发作远程报警方面有很大的应用潜力。
Description
技术领域
本发明涉及一种心电信号分析方法。特别是涉及一种基于复杂网络的心电信号分析方法及在智能穿戴上的应用。
背景技术
现代社会，随着老龄化的不断增加，越来越多的人们被心脏疾病所困扰。心脏疾病不仅会引起心悸，呼吸困难，胸痛，水肿，心律失常等问题，突发性心脏疾病甚至可以突然夺取患者的生命。近年来，众多的智能穿戴设备在市场上涌现，它们可以对用户的各项数据进行实时监测，例如肌电图、眼电图、心电图、脑电图和心率等。使用智能穿戴记录使用者的心电数据并检测使用者的心脏状态已经成为越来越多人的需求。本发明使用复杂网络心电信号分析方法实现对健康心电信号与患病心电信号有效辨识以及不同类型心脏病的区分，可应用于智能穿戴中实时监测使用者的心脏状态。
可视图理论从其被创立之初至今已在多领域得到广泛应用，与之相比有限穿越可视图具有更好的抗噪能力，其已被广泛用于实测信号分析。
发明内容
本发明所要解决的技术问题是，提供一种能够与智能穿戴相结合实现对心脏状态监测的基于复杂网络的心电信号分析方法及在智能穿戴上的应用。
本发明所采用的技术方案是：一种基于复杂网络的心电信号分析方法，包括如下步骤：
1)构建时间窗有限穿越可视图复杂网络，并提取网络特征指标，包括如下步骤：
(1)获得长度为Q的心电信号对所述心电信号进行时间窗划分，从而获得N组长度为M的时间窗心电信号
yn,j＝x((n-1)M+j)
其中，yn,j表示第n个时间窗心电信号的第j个节点，M表示设定的时间窗长度， 表示对取整；
(2)对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络；
2)计算每一个时间窗有限穿越可视图复杂网络的特征指标，包括：
计算全局聚集系数C：
计算局部聚集系数均值
计算聚集系数熵EC：
其中，τ△表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τj表示一个可视图网络中以节点j为中心的开三元组数目，τj,△表示的是一个可视图网络中以节点j为中心的闭三元组数目，C(j)表示的是节点j的聚集系数，M表示网络的节点数；
计算节点度值的偏差值Kstd：
其中，kj表示节点j的度值，即节点j的连边数，M表示网络的节点数；
3)结合单因素方差分析和T检验检验不同类型心电信号的时间窗有限穿越可视图复杂网络在同一指标下的显著性差异。
根据步骤1)和步骤2)得到三类心电数据，即：五个健康人一天时间的心电数据、五个患有充血性心衰心脏疾病的患者一天时间的心电数据和五个患有心房颤动疾病的患者一天时间的心电数据的时间窗有限穿越可视图复杂网络的四个指标，所述四个指标包括全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用单因素方差分析评估不同类型心电数据同一指标的显著性差异P值，当P<0.05时，表示不同类型心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异，然后，再使用T检验两两验证不同心电数据所构建的时间窗有限穿越可视图复杂网络在同一指标上的显著性差异P值，当P<0.05时，表示两两验证中的两类心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异；
4)采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，是将步骤2)中得到的每一个时间窗有限穿越可视图复杂网络的全局聚集系数C、局部聚集系数均值C、聚集系数熵EC和节点度值的偏差值Kstd构成一个四维指标向量，采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，即依次将一个四维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的四维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的四维指标向量的分类结果。
步骤1)中的第(2)步所述的构建有限穿越可视图复杂网络，包括对每一个长度为M的时间窗心电信号完成如下过程：
(2)对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络，所述的构建有限穿越可视图复杂网络，包括对每一个长度为M的时间窗心电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个时间窗心电信号节点yn,a和节点yn,b之间的所有节点，对所有节点中的每一个yn,c进行判断是否满足条件：yn,a表示第n个时间窗心电信号的第a个节点，yn,b表示第n个时间窗心电信号的第b个节点,yn,c表示第n个时间窗心电信号的第c个节点，当不满足所述条件的节点数小于等于L个，则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间存在连边，否则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间不存在连边；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到时间窗有限穿越可视图邻接矩阵。
一种基于复杂网络的心电信号分析方法在智能穿戴上的应用，基于智能穿戴获取的使用者心电信号，通过时间窗分割心电数据，构建时间窗有限穿越可视图复杂网络，并提取全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用时间窗分割心电数据，结合基于复杂网络的心电信号分析方法实时分析心电数据，如判断使用者的心电信号出现异常，则通过智能穿戴设备进行远程求救、联系家人的活动，降低心脏病的危害。
本发明的基于复杂网络的心电信号诊断方法及在智能穿戴上的应用，结合时间窗有限穿越可视图理论，单因素方差分析、T检验及机器学习，实现对健康心电信号与患病心电信号准确辨识以及不同类型心脏病的区分，在心脏疾病分析及心脏疾病发作远程报警方面有很大的应用潜力。本发明可应用于智能穿戴设备，实现对使用者心脏状态的实时监测，并可提供必要的预警。
附图说明
图1是本发明的基于复杂网络的心电信号诊断方法的流程图；
具体实施方式
下面结合实施例和附图对本发明的基于复杂网络的心电信号诊断方法及在智能穿戴上的应用做出详细说明。
本发明的基于复杂网络的心电信号诊断方法，通过时间窗划分可得相同长度的R-R间隔心电信号，构建时间窗有限穿越可视图复杂网络，提取复杂网络特征指标，结合单因素方差分析及机器学习实现对心脏状态的辨识与分类。
本发明的基于复杂网络的心电信号诊断方法，如图1所示，包括如下步骤：
1)构建时间窗有限穿越可视图复杂网络，并提取网络特征指标，包括如下步骤：
(1)获得长度为Q的心电信号对所述心电信号进行时间窗划分，从而获得N组长度为M的时间窗心电信号
yn,j＝x((n-1)M+j)
其中，yn,j表示第n个时间窗心电信号的第j个节点，M表示设定的时间窗长度， 表示对取整，本实例中取M＝2000；
(2)对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络，所述的构建有限穿越可视图复杂网络，包括对每一个长度为M的时间窗心电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个时间窗心电信号节点yn,a和节点yn,b之间的所有节点，对所有节点中的每一个yn,c进行判断是否满足条件：yn,a表示第n个时间窗心电信号的第a个节点，yn,b表示第n个时间窗心电信号的第b个节点,yn,c表示第n个时间窗心电信号的第c个节点，当不满足所述条件的节点数小于等于L个，则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间存在连边，否则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间不存在连边；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到时间窗有限穿越可视图邻接矩阵。
2)计算每一个时间窗有限穿越可视图复杂网络的特征指标，包括：
计算全局聚集系数C：
计算局部聚集系数均值
计算聚集系数熵EC：
其中，τ△表示的是一个可视图网络中闭三元组的数目，一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τj表示一个可视图网络中以节点j为中心的开三元组数目，τj,△表示的是一个可视图网络中以节点j为中心的闭三元组数目，C(j)表示的是节点j的聚集系数，M表示网络的节点数；
计算节点度值的偏差值Kstd：
其中，kj表示节点j的度值，即节点j的连边数，M表示网络的节点数；
3)结合单因素方差分析和T检验检验不同类型心电信号的时间窗有限穿越可视图复杂网络在同一指标下的显著性差异
根据步骤1)和步骤2)得到三类心电数据，即：五个健康人一天时间的心电数据、五个患有充血性心衰心脏疾病的患者一天时间的心电数据和五个患有心房颤动疾病的患者一天时间的心电数据的时间窗有限穿越可视图复杂网络的四个指标，所述四个指标包括全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用单因素方差分析评估不同类型心电数据同一指标的显著性差异P值，当P<0.05时，表示不同类型心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异，然后，再使用T检验两两验证不同心电数据所构建的时间窗有限穿越可视图复杂网络在同一指标上的显著性差异P值，当P<0.05时，表示两两验证中的两类心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异；所得到的显著性差异P值如表1所示。
表1
4)采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，是将步骤2)中得到的每一个时间窗有限穿越可视图复杂网络的全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd构成一个四维指标向量，采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，即依次将一个四维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的四维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的四维指标向量的分类结果。
本发明的基于复杂网络的心电信号诊断方法在智能穿戴上的应用，其应用在于，现在有很多智能穿戴设备可以实时记录输出人类的心电信号，基于智能穿戴获取的使用者心电信号，通过智能穿戴芯片实现基于复杂网络的心电信号分析方法，通过时间窗分割心电数据，构建时间窗有限穿越可视图复杂网络，并提取全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用时间窗分割心电数据，结合基于复杂网络的心电信号分析方法实时分析心电数据，如判断使用者的心电信号出现异常，则通过智能穿戴设备进行远程求救、联系家人的活动，降低心脏病的危害。
下面给出具体实例
从15个人中采集三类心电数据，分别为(1)五个健康人大约一天时间的心电数据；(2)五个患有充血性心衰心脏疾病的患者大约一天时间的心电数据；(3)五个患有心房颤动疾病的患者大约一天时间的心电数据，分别对这三类15个人的心电数据进行时间窗分割，可以得到43个健康人时间窗心电数据，41个患有充血性心衰心脏疾病的患者时间窗心电数据，56个患有心房颤动心脏疾病的患者时间窗心电数据，对于所得到的三类心电数据，分别构建每个时间窗心电数据的有限穿越可视图复杂网络，其中有限穿越视距L＝1，计算复杂网络的节点度值偏差，聚集系数熵值，局部聚集系数均值，全局聚集系数。采用单因素方差分析分别评估不同类型心电数据同一指标的显著性差异P值，P<0.05时，表示不同类型心电数据所得到的时间窗有限穿越可视图复杂网络指标差异显著，在有限穿越视距L＝1时，本发明能够以P<10-4实现对健康人、患有充血性心衰心脏疾病的患者和患有心房颤动疾病的患者的每一个指标的准确辨识；经单因素方差分析确定不同类型心电数据构建的时间窗有限穿越可视图复杂网络的特征指标存在显著差异后，再采用T检验验证任意两组心电数据所得到的时间窗有限穿越可视图复杂网络指标的显著性差异，在有限穿越视距L＝1时，本发明能够以P<10-4实现对任意两组心电数据的准确区分。采用留一法交叉验证和随机森林分类器对三种不同类型的心电数据分类，分类准确率可达93.5％。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。
Claims (3)
1.一种基于复杂网络的心电信号分析方法，其特征在于，包括如下步骤：
1)构建时间窗有限穿越可视图复杂网络，并提取网络特征指标，包括如下步骤：
(1)获得长度为Q的心电信号对所述心电信号进行时间窗划分，从而获得N组长度为M的时间窗心电信号
yn,j＝x((n-1)M+j)
其中，yn,j表示第n个时间窗心电信号的第j个节点，M表示设定的时间窗长度， 表示对取整；
(2)对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络；
2)计算每一个时间窗有限穿越可视图复杂网络的特征指标，包括：
计算全局聚集系数C：
计算局部聚集系数均值
计算聚集系数熵EC：
其中，τΔ表示的是一个可视图网络中闭三元组的数目，闭三元组指一个三角由三个封闭的三元组构成，τ表示一个可视图网络中的开三元组数目，开三元组即为三个节点由两条连边连接，τj表示一个可视图网络中以节点j为中心的开三元组数目，τj,Δ表示的是一个可视图网络中以节点j为中心的闭三元组数目，Cj表示的是节点j的聚集系数，M表示网络的节点数；
计算节点度值的偏差值Kstd：
其中，kj表示节点j的度值，即节点j的连边数，M表示网络的节点数；
3)结合单因素方差分析和T检验检验不同类型心电信号的时间窗有限穿越可视图复杂网络在同一指标下的显著性差异；
根据步骤1)和步骤2)得到三类心电数据，即：五个健康人一天时间的心电数据、五个患有充血性心衰心脏疾病的患者一天时间的心电数据和五个患有心房颤动疾病的患者一天时间的心电数据的时间窗有限穿越可视图复杂网络的四个指标，所述四个指标包括全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用单因素方差分析评估不同类型心电数据同一指标的显著性差异P值，当P＜0.05时，表示不同类型心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异，然后，再使用T检验两两验证不同心电数据所构建的时间窗有限穿越可视图复杂网络在同一指标上的显著性差异P值，当P＜0.05时，表示两两验证中的两类心电数据所得到的时间窗有限穿越可视图复杂网络在同一指标上存在显著性差异；
4)采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，是将步骤2)中得到的每一个时间窗有限穿越可视图复杂网络的全局聚集系数C、局部聚集系数均值C、聚集系数熵EC和节点度值的偏差值Kstd构成一个四维指标向量，采用留一法交叉验证和随机森林分类器，对所有的四维指标向量进行分类，即依次将一个四维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的四维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的四维指标向量的分类结果。
2.根据权利要求1所述的基于复杂网络的心电信号分析方法，其特征在于，步骤1)中的第(2)步所述的构建有限穿越可视图复杂网络，包括对每一个长度为M的时间窗心电信号完成如下过程：
(2)对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络，所述的构建有限穿越可视图复杂网络，包括对每一个长度为M的时间窗心电信号完成如下过程：
(ⅰ)设置有限穿越视距为L；
(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个时间窗心电信号节点yn,a和节点yn,b之间的所有节点，对所有节点中的每一个yn,c进行判断是否满足条件：yn,a表示第n个时间窗心电信号的第a个节点，yn,b表示第n个时间窗心电信号的第b个节点， yn,c表示第n个时间窗心电信号的第c个节点，当不满足所述条件的节点数小于等于L个，则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间存在连边，否则认定在有限穿越视距为L的时间窗有限穿越可视图复杂网络中节点yn,a和节点yn,b之间不存在连边；
(ⅲ)所有相邻的节点对之间都存在连边；
(ⅳ)得到时间窗有限穿越可视图邻接矩阵。
3.一种权利要求1所述的基于复杂网络的心电信号分析方法在智能穿戴上的应用，其特征在于，基于智能穿戴获取的使用者心电信号，通过时间窗分割心电数据，构建时间窗有限穿越可视图复杂网络，并提取全局聚集系数C、局部聚集系数均值聚集系数熵EC和节点度值的偏差值Kstd，采用时间窗分割心电数据，结合基于复杂网络的心电信号分析方法实时分析心电数据，如判断使用者的心电信号出现异常，则通过智能穿戴设备进行远程求救、联系家人的活动，降低心脏病的危害。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610888617.0A CN106510619B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的心电信号分析方法及在智能穿戴上的应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610888617.0A CN106510619B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的心电信号分析方法及在智能穿戴上的应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106510619A CN106510619A (zh) | 2017-03-22 |
| CN106510619B true CN106510619B (zh) | 2019-04-05 |
Family
ID=58332057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610888617.0A Active CN106510619B (zh) | 2016-10-11 | 2016-10-11 | 基于复杂网络的心电信号分析方法及在智能穿戴上的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106510619B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107714029A (zh) * | 2017-11-20 | 2018-02-23 | 北京工业大学 | 一种心电远程监护系统 |
| CN108433722A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 便携式脑电采集设备及其在ssvep和运动想象中的应用 |
| CN108426349B (zh) * | 2018-02-28 | 2020-04-17 | 天津大学 | 基于复杂网络与图像识别的空调个性化健康管理方法 |
| CN108320810A (zh) * | 2018-04-11 | 2018-07-24 | 平安科技（深圳）有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
| CN108577823B (zh) * | 2018-04-27 | 2021-02-02 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
| CN108960037B (zh) * | 2018-04-28 | 2021-08-06 | 天津大学 | 基于邻居可视长度熵的不同生理状态脑电信号识别方法 |
| CN108629671B (zh) * | 2018-05-14 | 2021-10-29 | 浙江工业大学 | 一种融合用户行为信息的餐馆推荐方法 |
| CN109100142B (zh) * | 2018-06-26 | 2019-09-13 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
| CN109065145B (zh) * | 2018-07-24 | 2021-12-14 | 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 |
| CN109634405A (zh) * | 2018-11-07 | 2019-04-16 | 湖北汽车工业学院 | 一种基于脑电信号的情绪分类方法、装置和存储介质 |
| CN109697718A (zh) * | 2018-12-25 | 2019-04-30 | 电子科技大学 | 一种基于图论的自闭症检测方法及装置 |
| CN110558974B (zh) * | 2019-09-06 | 2020-11-03 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号分析方法 |
| CN111541848B (zh) * | 2020-05-31 | 2021-12-17 | 天津大学 | 基于便携式脑电采集设备的脑控智能自动拍照系统及方法 |
| CN113261973B (zh) * | 2021-04-13 | 2022-09-02 | 山东师范大学 | 加权多尺度有限穿越可视图辨识房颤心电信号方法及系统 |
| CN113413158B (zh) * | 2021-05-28 | 2022-08-02 | 中国矿业大学 | 基于多路可视图的健康与心脏疾病患者ecg信号识别方法 |
| CN117503153B (zh) * | 2024-01-05 | 2024-03-15 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102389302A (zh) * | 2011-07-20 | 2012-03-28 | 哈尔滨工业大学深圳研究生院 | 一种心电信号动力特征分析方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
-
2016
- 2016-10-11 CN CN201610888617.0A patent/CN106510619B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102389302A (zh) * | 2011-07-20 | 2012-03-28 | 哈尔滨工业大学深圳研究生院 | 一种心电信号动力特征分析方法 |
| CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
| CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测系统及检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106510619A (zh) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106510619B (zh) | 基于复杂网络的心电信号分析方法及在智能穿戴上的应用 | |
| US11147463B2 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
| EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
| CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
| CN106473736B (zh) | 基于复杂网络的脑电信号分析方法及应用 | |
| CN111053549A (zh) | 一种智能生物信号异常检测方法及系统 | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| CN111898580B (zh) | 针对戴口罩人群的体温和呼吸数据采集系统、方法及设备 | |
| CN105550653B (zh) | 心电导联智能选择方法和系统 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN105139029B (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
| CN108577830A (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
| CN105996993A (zh) | 一种智能视频生命体征监测系统及方法 | |
| CN103038772A (zh) | 预测患者的存活性的方法 | |
| CN102973266A (zh) | 用于自动痉挛监测的方法、设备和计算机程序产品 | |
| CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
| CN107252313A (zh) | 一种安全驾驶的监测方法及系统、汽车、可读存储介质 | |
| CN110051337A (zh) | 一种离床状态智能监测床垫及监测方法 | |
| Chang et al. | AF detection by exploiting the spectral and temporal characteristics of ECG signals with the LSTM model | |
| CN105380643A (zh) | 一种三导联心电电极的连接判别方法 | |
| Jenny et al. | Automated classification of normal and premature ventricular contractions in electrocardiogram signals | |
| CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
| CN109686446A (zh) | 一种基于双机器学习的血液透析治疗方案分析方法及系统 | |
| CN113096819A (zh) | 一种基于神经卷积网络的疫情防控筛查预警系统 | |
| Liu et al. | Persistence landscape-based topological data analysis for personalized arrhythmia classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201221 Address after: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin Patentee after: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd. Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210908 Address after: 300000 Vanke times center, building 1, Huike building, intersection of Anshan West Road and Baidi Road, Nankai District, Tianjin Patentee after: Junsheng (Tianjin) Technology Development Co.,Ltd. Address before: No.4, Keji Avenue, Daqiuzhuang Industrial Park, Jinghai District, Tianjin Patentee before: TIANJIN FURUILONG METAL PRODUCTS Co.,Ltd. |
|
| TR01 | Transfer of patent right |