CN107296600A - 一种快速十二导联心电信号质量评估方法 - Google Patents
一种快速十二导联心电信号质量评估方法 Download PDFInfo
- Publication number
- CN107296600A CN107296600A CN201710348768.1A CN201710348768A CN107296600A CN 107296600 A CN107296600 A CN 107296600A CN 201710348768 A CN201710348768 A CN 201710348768A CN 107296600 A CN107296600 A CN 107296600A
- Authority
- CN
- China
- Prior art keywords
- lead
- feature
- signal
- electrocardiosignal
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- 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)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种快速十二导联心电信号质量评估方法,其步骤为:(1)将心电信号质量评估结果分为可接受与不可接受;(2)用户自主选择质量评估方法;(3)对十二导联心电信号进行特征提取;(4)如果质量评估方法是阈值法,则直接基于特征与阈值的大小关系得到评估结果,跳转到步骤(8);(5)如果质量评估方法是机器学习方法,则对提取的特征进行变换;(6)重复步骤(3)和(5),获得大量心电信号的特征数据,对信号进行类别标记,构建学习与分类系统;(7)对新的心电测试信号,重复步骤(3)和(5),获取特征,进行分类;(8)将评估结果反馈给用户。本发明拥有较高的准确率、很好的鲁棒性,并且方法简单、成本低廉。
Description
技术领域
本发明涉及一种心电信号质量的评估方法,尤其涉及一种快速十二导联心电信号质量评估方法。
背景技术
据世界卫生组织(WHO)估计,世界上目前每年有3600万人死于心血管疾病、糖尿病、呼吸系统疾病和恶性肿瘤等非传染性疾病,占全球死亡总数的三分之二。其中,心血管疾病是全球范围内第一位致死、致残原因。国家心血管病中心公布的《中国心血管病报告2014》显示:中国心血管病患病率处于持续上升阶段,目前,估计全国有心血管病患者2.9亿,每5个成人中有1人患心血管病。临床中的研究表明,心血管疾病是一种可以控制和预防的疾病。因此,对心血管疾病的预防、诊断以及治疗具有非常重要的意义和研究价值。
心电图(Electrocardiogram,ECG)作为心脏电活动在体表的一种综合表现,蕴涵着丰富的反映心脏节律及其电传导的生理和病理信息,在一定程度上可以客观反映心脏各部位的生理状况,目前已成为心血管疾病无创性检查诊断的重要方法之一。因此,检测病人的心电信号是诊断心血管疾病的最主要也是最直接的一种方法。
随着移动通讯技术的发展,移动医疗已经成为一种趋势,例如可穿戴设备和手机为那些远离医疗中心的人们提供了方便。然而要获得满足诊断条件的心电图需要技巧,临床中医护人员大部分都是经过训练后才进行操作的。获取符合诊断标准的心电图需要一些基本的要求:适当的皮肤接触、电极的正确定位和减少干扰等。然而,现实生活中利用手机或者可穿戴设备获取心电信号的用户大都是未经过训练的人员,由于他们对心电信号的采集方法和采集环境不甚了解以及受采集过程中其他因素的干扰,他们获取到的心电信号中往往包含着很多噪声,导致心电信号出现质量问题。如果把这些有质量问题的心电信号发送给医生,不仅增加了医生的工作量,而且还会影响医生的诊断结果。
当普通用户或者患者使用心电采集设备获取心电信号时,如果设备可以对心电图的质量进行实时评估,并告知用户该心电信号的质量是否可以接受,这将会非常有意义。特别是当信号质量很差时,如果能够及时提醒用户重新测量,或检查电极的连接,或检查其他因素造成的影响,这将让使用者大大受益,并且可以提高医生的诊断效率。
从最近一些论文中可以查阅到有关对心电信号质量评估方法的研究,但是这些研究大都只采用一些简单特征进行评估,其性能极其有限。也有研究者试图采用大量的复杂特征及分类算法来提高性能,但由于复杂度过高,往往难以在计算资源有限的移动设备上应用。如何有效的平衡算法的复杂度与检测精度就成为了一个非常重要的问题。
发明内容
针对心电采集设备对心电信号进行质量评估问题,本发明提出了一种快速十二导联心电信号质量评估方法。利用本方法对十二导联心电信号质量评估时,可以快速得到评估结果,并且有较高的准确率,具有很高的性价比。
本发明的目的是通过以下技术方案实现的:
一种快速十二导联心电信号质量评估方法,包括如下步骤:
(1)将心电信号质量评估结果分为可接受与不可接受两类;
(2)基于心电信号处理设备硬件资源的配置和处理速度,用户自主选择质量评估方法;
(3)基于单个导联内部特性和不同导联间相关特性对十二导联心电信号进行特征提取,得到导联脱落特征X1、信号幅值的平均值X2、导联电极接反特征X3、邻近导联交叉点的数量X4;
(4)如果用户选择的质量评估方法是基于阈值法,则直接基于特征与阈值的大小关系得到评估结果,然后跳转到步骤(8);
(5)如果用户选择的质量评估方法是基于机器学习方法,则对步骤(3)中提取的特征进行处理,得到48维的特征向量;
(6)重复步骤(3)和步骤(5),获得大量心电信号的特征数据,对信号进行类别标记,标记为可接受与不可接受两个类别,基于机器学习方法构建学习与分类系统;
(7)对新的心电测试信号,重复步骤(3)和步骤(5),获取新的心电测试信号特征,然后基于步骤(6)中训练好的分类系统进行分类;
(8)将评估结果反馈给用户。
本发明具有如下优点:
1、本发明采用阈值法和机器学习两种方法对心电信号进行质量评估,用户根据设备的硬件配置自己选择合适的方法。这两种方法都基于同一组原始特征,可以快速得到评估结果。其中:阈值法的好处是无需进行样本训练,可以快速构建分类系统,分类速度快;机器学习法的好处是可以取得更高的分类精度。
2、本发明针对十二导联心电信号采集设备,提取简单高效的多种特征,并基于不同的信号处理设备特性提出两种分类方法,从而使得算法性能与硬件设备之间达到较好的匹配,提高性价比。
3、本发明提出的方法拥有较高的准确率、很好的鲁棒性,并且具有方法简单、成本低廉等优点。
附图说明
图1为快速十二导联心电信号质量评估方法的流程图;
图2为十二导联心电信号显示图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种快速十二导联心电信号质量评估方法,如图1所示,具体实施步骤如下:
(1)将心电信号质量评估结果分为可接受与不可接受两类,即信号质量只有两个等级。
(2)检查设备硬件资源的配置和处理速度,用户自主选择质量评估方法,即阈值法和机器学习法。当硬件的配置比较低但对处理速度有要求时,用户可以选择基于阈值法对心电信号质量进行评估;当硬件的配置比较高并且对处理精度有要求时,用户可以选择基于机器学习方法对质量进行评估。
(3)对十二导联心电信号进行原始特征提取,提取时基于单个导联内部特性(特征1、特征2和特征3)和不同导联间相关特性(特征4)这两大类特征,具体提取步骤如下:
特征1:导联脱落特征
对单个导联心电信号幅值保持不变的区间进行跟踪,得到其长度;对一条导联进行上述处理,可以得到多个这样的区间,将最长的一段的值进行保存,定义为X1。
特征2:信号幅值的平均值
提取单个导联的信号幅值的绝对值的平均值,定义为X2。
特征3:导联电极接反特征
一个心电图记录中,把单个导联分成不同的区间,每一个区间的长度均为L秒(如L=1)。如果在某一区间内出现最小幅值小于某个阈值(如-1mV),最大幅值小于某个阈值(如250μV),并且最小幅值的绝对值大于最大幅值的绝对值,则将该区间定义为异常区间。统计单条导联中以上异常区间的数量,定义为X3。
特征4:邻近导联交叉点的数量
一种常见的显示十二导联心电图信号的方法是将多个导联进行纵向排列(如图2所示)。使用这种视图,一个导联的信号可能会与邻近的其他导联交叠,尤其是当心电图中导联存在明显的基线漂移时。在这种情况下,不仅对漂移的导联很难分析,其他的邻近导联也会被掩盖。
这里采用不同导联信号之间交叉点的个数来表达信号交叠的严重程度。在输出的十二导联心电图上,邻近导联的纵向间距是固定值。基于一个固定的参考点,将各条导联的信号幅值加上所处位置的偏移量就将十二条导联输出在了同一个图上。将邻近两条导联的信号值相减,从而得到一条新曲线S。在正常情况下(邻近导联不交叠),曲线S的值应该全部为正数或者全部为负数,这里的正负特性取决于邻近两条导联相减的顺序。如果正常情况下曲线S的信号值应全部为正数,则所有小于0的点均为交叉点;反之如果正常情况下曲线S的信号值应全部为负数,则所有大于0的点均为交叉点。定义单条导联上的交叉点数量值为X4。对于任何一条导联,分别计算其与上面邻近导联的交叉点X41及与下面邻近导联的交叉点X42,并定义X4为这两者中的较大者。
(4)如果用户选择的是阈值法,则针对步骤(3)中的4种特征分别设定4个阈值,即T1、T2、T3、T4。依次对每条导联进行如下判定:若X1>T1或X2>T2或X3>T3或X4>T4,则判定该导联信号为不可接受信号,否则即为可接受信号。十二导联信号中任何一条导联判定为不可接受,则整个十二导联信号都判定为不可接受,并跳转到步骤(8)。
(5)如果用户选择机器学习方法,则要对步骤(3)中提取的特征基于下面的公式进行处理:
这里,i=1,2,3,4,Xi表示第i个原始特征,Ti表示第i个原始特征的阈值参数,Fi表示第i个原始特征经过处理后的特征。
对每个导联提取上述的4个特征,当12导联的特征都提取完后,把所有特征按顺序依次排列,从而构成48维的特征向量。
(6)重复步骤(3)和步骤(5),获得大量心电信号特征数据,对信号进行类别标记(可接受与不可接受,两个类别),基于支持向量机的机器学习方法构建学习与分类系统。
(7)对新的心电测试信号,重复步骤(3)和步骤(5),获取特征,然后基于步骤(6)中训练好的分类系统进行分类。
(8)将评估结果反馈给用户。
Claims (4)
1.一种快速十二导联心电信号质量评估方法,其特征在于所述方法步骤如下:
(1)将心电信号质量评估结果分为可接受与不可接受两类;
(2)基于心电信号处理设备硬件资源的配置和处理速度,用户自主选择质量评估方法;
(3)基于单个导联内部特性和不同导联间相关特性对十二导联心电信号进行特征提取,得到导联脱落特征X1、信号幅值的平均值X2、导联电极接反特征X3、邻近导联交叉点的数量X4四个特征;
(4)如果用户选择的质量评估方法是基于阈值法,则直接基于步骤(3)中得到的特征与阈值的大小关系得到评估结果,然后跳转到步骤(8);
(5)如果用户选择的质量评估方法是基于机器学习方法,则对步骤(3)中提取的特征进行处理,得到48维的特征向量;
(6)重复步骤(3)和步骤(5),获得大量心电信号的特征数据,对信号进行类别标记,标记为可接受与不可接受两个类别,基于机器学习方法构建学习与分类系统;
(7)对新的心电测试信号,重复步骤(3)和步骤(5),获取新的心电测试信号特征,然后基于步骤(6)中训练好的分类系统进行分类;
(8)将评估结果反馈给用户。
2.根据权利要求1所述的快速十二导联心电信号质量评估方法,其特征在于所述步骤(3)的具体步骤如下:
特征1:导联脱落特征
对单个导联心电信号幅值保持不变的区间进行跟踪,得到其长度;对一条导联进行上述处理,得到多个心电信号幅值保持不变的区间,将最长的一段的值进行保存,定义为X1;
特征2:信号幅值的平均值
提取单个导联的信号幅值的绝对值的平均值,定义为X2;
特征3:导联电极接反特征
一个心电图记录中,把单个导联分成不同的区间,每一个区间的长度均为L秒,如果在某一区间内出现最小幅值小于某个阈值,最大幅值小于某个阈值,并且最小幅值的绝对值大于最大幅值的绝对值,则将该区间定义为异常区间,统计单条导联中以上异常区间的数量,定义为X3;
特征4:邻近导联交叉点的数量
在输出的十二导联心电图上,邻近导联的纵向间距是固定值,基于一个固定的参考点,将各条导联的信号幅值加上所处位置的偏移量将十二条导联输出在同一个图上;将邻近两条导联的信号值相减,从而得到一条新曲线S;如果正常情况下曲线S的信号值应全部为正数,则所有小于0的点均为交叉点;反之,如果正常情况下曲线S的信号值应全部为负数,则所有大于0的点均为交叉点;定义单条导联上的交叉点数量值为X4,对于任何一条导联,分别计算其与上面邻近导联的交叉点X41及与下面邻近导联的交叉点X42,并定义X4为这两者中的较大者。
3.根据权利要求1所述的快速十二导联心电信号质量评估方法,其特征在于所述步骤(4)的具体步骤如下:如果用户选择的是阈值法,则设定X1、X2、X3、X4的阈值分别为T1、T2、T3、T4;依次对每条导联进行如下判定:若X1>T1或X2>T2或X3>T3或X4>T4,则判定该导联信号为不可接受信号,否则即为可接受信号;十二导联信号中任何一条导联判定为不可接受,则整个十二导联信号都判定为不可接受,并跳转到步骤(8)。
4.根据权利要求1所述的快速十二导联心电信号质量评估方法,其特征在于所述步骤(5)中,对步骤(3)中提取的特征基于下面的公式进行处理:
式中,i=1,2,3,4,Xi表示第i个原始特征,Ti表示第i个原始特征的阈值参数,Fi表示第i个原始特征经过处理后的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710348768.1A CN107296600A (zh) | 2017-05-17 | 2017-05-17 | 一种快速十二导联心电信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710348768.1A CN107296600A (zh) | 2017-05-17 | 2017-05-17 | 一种快速十二导联心电信号质量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107296600A true CN107296600A (zh) | 2017-10-27 |
Family
ID=60137603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710348768.1A Pending CN107296600A (zh) | 2017-05-17 | 2017-05-17 | 一种快速十二导联心电信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107296600A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108523877A (zh) * | 2018-03-23 | 2018-09-14 | 南京中医药大学 | 一种心电信号质量辨识方法及其心电分析方法 |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN109497989A (zh) * | 2018-12-14 | 2019-03-22 | 上海荒岛科技有限公司 | 一种心电检测系统 |
CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN110874652A (zh) * | 2018-08-14 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
CN111588371A (zh) * | 2020-05-20 | 2020-08-28 | Oppo(重庆)智能科技有限公司 | 测试智能心电设备的方法、装置、设备、系统和存储介质 |
CN111789574A (zh) * | 2020-07-02 | 2020-10-20 | 山东省人工智能研究院 | 一种ecg信号质量评估方法 |
CN113317795A (zh) * | 2020-02-29 | 2021-08-31 | 华为技术有限公司 | 信号测量方法及装置 |
CN113712563A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 动态心电图分析方法、心电监测设备以及存储介质 |
TWI752798B (zh) * | 2020-01-17 | 2022-01-11 | 長佳智能股份有限公司 | 心律分類模型建立方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607945A (zh) * | 2011-05-23 | 2014-02-26 | Shl远程医药国际有限公司 | 心电图监测系统及方法 |
US20140066795A1 (en) * | 2012-09-05 | 2014-03-06 | Vital Connect, Inc. | Continuous assesment of ecg signal quality |
CN103735259A (zh) * | 2013-12-27 | 2014-04-23 | 深圳市理邦精密仪器股份有限公司 | 一种心电信号质量判断指示的方法及系统 |
CN105611872A (zh) * | 2013-10-09 | 2016-05-25 | 皇家飞利浦有限公司 | 用于评估多通道ecg信号的装置和方法 |
CN105726013A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种具有心电信号质量判别功能的心电监测系统 |
WO2016156534A1 (en) * | 2015-03-31 | 2016-10-06 | Koninklijke Philips N.V. | Automatic detection/classification of ecg cable interchange for different ecg lead systems |
-
2017
- 2017-05-17 CN CN201710348768.1A patent/CN107296600A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607945A (zh) * | 2011-05-23 | 2014-02-26 | Shl远程医药国际有限公司 | 心电图监测系统及方法 |
US20140066795A1 (en) * | 2012-09-05 | 2014-03-06 | Vital Connect, Inc. | Continuous assesment of ecg signal quality |
CN105611872A (zh) * | 2013-10-09 | 2016-05-25 | 皇家飞利浦有限公司 | 用于评估多通道ecg信号的装置和方法 |
CN103735259A (zh) * | 2013-12-27 | 2014-04-23 | 深圳市理邦精密仪器股份有限公司 | 一种心电信号质量判断指示的方法及系统 |
WO2016156534A1 (en) * | 2015-03-31 | 2016-10-06 | Koninklijke Philips N.V. | Automatic detection/classification of ecg cable interchange for different ecg lead systems |
CN105726013A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种具有心电信号质量判别功能的心电监测系统 |
Non-Patent Citations (1)
Title |
---|
张亚涛: "移动心电信号质量评估的分析与研究", 《山东大学博士学位论文》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108523877B (zh) * | 2018-03-23 | 2021-02-09 | 南京中医药大学 | 一种心电信号质量辨识方法及其心电分析方法 |
CN108523877A (zh) * | 2018-03-23 | 2018-09-14 | 南京中医药大学 | 一种心电信号质量辨识方法及其心电分析方法 |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN110874652A (zh) * | 2018-08-14 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
CN110874652B (zh) * | 2018-08-14 | 2023-10-27 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109602415B (zh) * | 2018-11-12 | 2022-02-18 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN109497989A (zh) * | 2018-12-14 | 2019-03-22 | 上海荒岛科技有限公司 | 一种心电检测系统 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
TWI752798B (zh) * | 2020-01-17 | 2022-01-11 | 長佳智能股份有限公司 | 心律分類模型建立方法 |
CN113317795A (zh) * | 2020-02-29 | 2021-08-31 | 华为技术有限公司 | 信号测量方法及装置 |
CN113317795B (zh) * | 2020-02-29 | 2022-11-22 | 华为技术有限公司 | 信号测量方法及装置 |
CN113712563A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 动态心电图分析方法、心电监测设备以及存储介质 |
CN111588371A (zh) * | 2020-05-20 | 2020-08-28 | Oppo(重庆)智能科技有限公司 | 测试智能心电设备的方法、装置、设备、系统和存储介质 |
CN111789574A (zh) * | 2020-07-02 | 2020-10-20 | 山东省人工智能研究院 | 一种ecg信号质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107296600A (zh) | 一种快速十二导联心电信号质量评估方法 | |
Zhai et al. | Automated ECG classification using dual heartbeat coupling based on convolutional neural network | |
US11234629B2 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US20190059763A1 (en) | Method of detecting abnormalities in ecg signals | |
EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
CN1301080C (zh) | 检测急性心脏局部缺血症状的缩减导联组 | |
Xia et al. | A novel wearable electrocardiogram classification system using convolutional neural networks and active learning | |
EP3803709B1 (en) | Detecting abnormalities in ecg signals | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US20200015695A1 (en) | Method and device for identifying arrhythmia, and computer readable medium | |
Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
Johannesen | Assessment of ECG quality on an Android platform | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
Luz et al. | How the choice of samples for building arrhythmia classifiers impact their performances | |
CN110751131B (zh) | 一种心律失常检测装置 | |
Billeci et al. | Detection of AF and other rhythms using RR variability and ECG spectral measures | |
Noponen et al. | Electrocardiogram quality classification based on robust best subsets linear prediction error | |
Dong et al. | A remote diagnosis service platform for wearable ECG monitors | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Satija et al. | Low-complexity detection and classification of ECG noises for automated ECG analysis system | |
US10285613B2 (en) | Apparatus and method for determining the occurrence of a QRS complex in ECG data | |
Gadaleta et al. | On the effectiveness of deep representation learning: the atrial fibrillation case | |
Lin et al. | Explainable deep neural network for identifying cardiac abnormalities using class activation map | |
CN115414049A (zh) | 一种基于深度神经网络的可穿戴心电图实时诊断系统 | |
He et al. | Recognition of premature ventricular contraction beat from 12Lead ECG based on a novel detection function of QRS onset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |
|
RJ01 | Rejection of invention patent application after publication |