CN108056773A - 基于改进变分模态分解的心电信号qrs波群检测算法 - Google Patents
基于改进变分模态分解的心电信号qrs波群检测算法 Download PDFInfo
- Publication number
- CN108056773A CN108056773A CN201711307029.4A CN201711307029A CN108056773A CN 108056773 A CN108056773 A CN 108056773A CN 201711307029 A CN201711307029 A CN 201711307029A CN 108056773 A CN108056773 A CN 108056773A
- Authority
- CN
- China
- Prior art keywords
- signal
- algorithms
- vmd
- decomposition
- detection
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Molecular Biology (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)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于改进变分模态分解的心电信号QRS波群检测算法,它是为了解决传统识别方法抗干扰能力不强以及识别率不高的问题。一种基于改进变分模态分解的心电信号QRS波群检测算法核心思想是:以变分模态分解为基础,对该算法中重要参数K值进行自适应选取,使待处理信号分解最优化,进而选取合适的BIMF分量进行下一步研究,对该分量归一化并平方处理,通过阈值法对处理后的信号进行R点定位,获取索引位置,在原始信号上进行标定,最后在原始信号上使用斜率突变法标定Q和S波,这样即可完成心电信号QRS波群检测。本发明可以自适应确定VMD算法中重要参数K,最终使QRS特征波检测具有较高的抗干扰能力和识别率。
Description
技术领域
本发明涉及生命体征信号处理技术领域,具体来说是一种心电信号QRS波群检测算法。
背景技术
心血管系统疾病是威胁人类身体健康的重大疾病,已成为我国乃至全世界重大的公共卫生问题。心电信号中蕴含着丰富的生理病理信息,对这些信息的提取和处理在心脏疾病的预防、诊断和治疗等方面具有重要的意义。
目前,工业自动化大势所趋,心电自动分析系统可以提高医疗人员的工作效率,为疾病的及时诊断提供保障。然而心电信号自动分析系统在临床应用中所占比例还不是很大,其原因主要在于自动分析系统的准确性与临床心电专家相比还有一定差距。心电图分析是否可靠,很大程度上取决于特征信息是否能够准确提取,这就需要我们深入的研究。
心电波形的特征检测是心电信号处理中涉及的一个重要问题,它是实现心电自动分析系统的关键。其中QRS波群的检测是ECG信号分析诊断的前提,只有在R波标定后,才可能完成计算心率,正确区分心律失常以及后续的心率变异性分析等事件。目前,已有很多方法应用于QRS波群的识别。相关算法主要分为以下几类:
1)实时检测方法:目前,QRS波群实时检测主要包括峰值检测法和可变斜率阈值法,但是这些检测方法易受噪声影响,抗干扰能力不强。
2)模型检测方法:QRS波群模型检测方法包括小波分析法、神经网络法以及模板匹配法等,然而这些方法要么复杂度较高,要么在心电波形变异较大时,检测率不高。
3)数学形态学检测方法:数学形态学是基于集合论方法,已广泛运用在信号处理方面,对于心电信号来说,可以增强波峰和波谷,但是处理后淹没了心电信号中很多有用成分。
总之,已有的心电信号分析方法仍存在着效果不佳的问题,在理论研究以及临床应用上还有很大的改进空间。这就需要我们深入的研究。本文立足于前人研究的基础之上,在心电信号特征波检测方面开展研究工作,对心电信号分析的临床应用以及研制新型心电分析系统提供帮助。
近年来,从事心电信号处理方法的研究人员,主要将精力集中在Huang等人于1998年提出的经验模态分解(EmpiricalModeDecomposition,EMD)算法,它能将复杂信号分解为一组内禀模态函数(IntrinsicModeFunction,IMF)之和,然而这种算法对信号分解后经常存在模态混叠问题。
为了克服EMD算法分解后存在的模态混叠问题,WuZH等提出了集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)方法,该方法的基本原理是在原始信号上加入若干次辅助白噪声,把信噪混合体作为一个待分解信号,当原始信号加入均匀分布的白噪声背景时,不同时间尺度的信号将映射到合适的参考尺度上,然后再分别对该信噪混合体进行EMD分解处理,最后求取平均值便可以得到逼近的真实模态。虽然EEMD算法在抑制模态混叠方面取得了不错的效果,但是EEMD算法引入了高斯白噪声,损害了原信号的纯洁性。
虽然EEMD算法在信号处理方面取得了一定的效果,但是它是在EMD算法的基础上做的改进,并没有从本质上解决模态混叠的问题。
KonstantinDragomiretskiy于2014年提出了一种可预设尺度的非平稳信号处理方法—变分模态分解(VariationalModeDecomposition,VMD)方法,它能够将复杂的信号分解为预设尺度数K个调幅调频(AM-FM)信号。VMD方法不但具有良好的信噪分离效果,而且K可以根据信号本身预先设定,若K选取恰当,就能够有效地抑制模态混叠现象。
VMD作为一种新的自适应信号处理方法,在工程应用方面应用还不多见。由于VMD是一种新提出的信号处理方法,在确定VMD算法的参数方面有待完善,并且将其应用到其他信号处理中还需进一步深入研究和实践。本章提出了一种简单有效的方法确定VMD参数,将其引入心电信号特征提取中,并通过实验验证其有效性,基于VMD的信号特征提取研究具有实际工程应用背景和重要的现实意义。
随着科学技术的进步,新的信号处理技术将会不断涌现,就能更加有效地提取有用信息,这也就意味着信号特征提取的准确性也将逐渐提高,相信在不久的将来就能够实现信号的高效智能识别。
发明内容
为了解决心电信号特征波检测过程中抗干扰能力不强和识别率不高的问题,本发明提出了一种基于改进VMD的心电信号QRS波群检测方法。算法总体框图见附图1:
一种基于改进VMD的QRS波群检测算法,本发明提出的方法主要包括以下几个步骤:
步骤一、VMD参数的确定。VMD算法中K作为一个重要的参数,如果K设置小了,则信号欠分解,K值大了,则会发生过分解,这里根据信号自身特点,通过本文算法自适应确定K值,使信号分解后能够满足要求;
步骤二、VMD分解。根据上述方法,对待处理信号进行分析确定K值,使对信号进行VMD分解;
步骤三、提取有效BIMF分量。信号经VMD分解后,确定分解后模态的中心频率,选定符合心电信号QRS波群频率的BIMF分量作为有效BIMF分量;
步骤四、对该有效BIMF分量进行预处理。对提取的有效BIMF分量进行归一化并平方处理,便于后续信号特征波提取;
步骤五、心电信号R波定位。对处理后的BIMF分量使用阈值法进行特征波定位,定位R波。
步骤六、心电信号Q和S波识别。在R点正确识别的基础上,使用斜率突变在原始信号上定位Q和S点,这样就完成了心电信号QRS波群的定位工作。
本发明的有益效果主要在于提高抗干扰能力和提高特征波识别率两个方面。具体如下:
1.提高抗干扰能力
对心电信号频谱图分析可知,QRS波群能量集中在3-40Hz,而心电信号主要噪声源的频谱主要是低频的基线偏移干扰和高频的工频干扰、肌电干扰等。通过本文改进VMD算法可以经心电信号和噪声叠加的待处理信号分解到不同的模态上,然后选择有效的BIMF(Band-Limited IntrinsicModeFunction,BIMF)进行分析,去除噪声影响,具有较强的抗干扰能力,最终体现为提高含噪信号特征波识别率。
2.提高特征波识别率
经验模态分解是一种适用于非平稳、非线性信号的分析方法。由于心电信号自身的特性,EMD是一种有效的信号分析手段。然而EMD存在模态混叠现象,为了解决EMD的模态混叠现象,这里使用改进VMD方法对信号进行处理,若K值选择恰当,可以很好的消除模态混叠,为信号后续的特征波识别奠定坚实的基础,从而提高心电信号特征波识别率。
附图说明
附图1为本发明的心电信号QRS波群检测算法总体框图。
附图2为“MIT-BIHArrhythmiaDatabase”数据库中的103信号(MLII导联,取5000个数据点);
附图3为103信号经改进VMD分解后的模态分量;
附图4为有效分量BIMF3经归一化并平方处理后的波形图;
附图5为103信号的R波识别图,图中用红点标定;
附图6为信号使用斜率突变法识别Q波解析图;
附图7为信号使用斜率突变法识别Q波流程图(S波类似);
附图8为信号使用斜率突变法识别S波解析图;
附图9为103信号的R、S波识别图,图中用红点标定;
附图10为103信号的QRS波群识别图,图中用红点标定;
具体实施方式
本发明提供了一种基于改进VMD的QRS波群检测算法,其核心思想是:以变分模态分解为基础,对该算法中重要参数K值进行自适应选取,使待处理信号分解最优化,进而选取合适的BIMF分量进行下一步研究,对该分量归一化并平方处理,通过阈值法对处理后的信号进行R点定位,获取索引位置,在原始信号上进行标定,最后在原始信号上使用斜率突变法标定Q和S波,这样即可完成心电信号QRS波群检测。
下面结合附图对本发明实施方式进行详细描述。
一种基于改进VMD的QRS波群检测算法,其具体步骤如下:
步骤一、VMD参数的确定。VMD算法中有两个重要的参数:K和 采用VMD默认值2000,这里主要确定K值。VMD算法中K作为一个重要的参数,K值选择是否恰当,直接决定算法的性能。如果K设置小了,则信号会发生欠分解,K值大了,则会发生过分解,即发生模态混叠现象。这里根据信号自身特点,通过下列方法自适应确定K值,使信号分解后能够满足要求;
中心频率作为VMD算法模态分量的主要区分,这里通过观察不同K值下中心频率的变化来确定K。取不同的K值,分解后BIMF分量的中心频率相近时,则说明信号发生了过分解,这时取前一个K值,循环判断,最终确定K值,中心频率是否相近可以通过观察该类信号的分解情况来设置一个阈值。下面通过一个仿真信号进行分析。
仿真信号f=0.5cos(2*pi*2*t)+0.25cos(2*pi*24*t)+0.2cos(2*pi*288*t)+η;η是强度为0.1的加性高斯白噪声。使用改进VMD方法对上述信号进行分解,得到BIMF分量的中心频率如表所示:
上表可以看出,当K=5时,出现了过分解现象,其中BIMF3和BIMF4中心频率基本相同,所以应该取K=4。通过上述方式验证了确定K值方法的有效性。下面使用MIT-BIH数据库中的103号心电信号(附图2为103心电信号波形)进行分析,可以通过上述方法确定K=4。
步骤二、VMD分解。根据上述方法,确定K值后,使对MIT-BIH数据库103号信号进行VMD分解,附图3是103号心电信号经VMD分解后的模态图。;
function[u,u_hat,omega]=VMD(signal,alpha,tau,K,DC,init,tol)是matlab中VMD分解函数,signal为103信号,K=4,其它参数使用VMD算法中的默认值。
这里103信号取K=4进行分解,得到4个分解后的BIMF分量,针对心电信号的特点BIMF3(用u_3表示)适合后续的研究。
步骤三、提取有效BIMF分量。信号经VMD分解后,确定分解后模态的中心频率,选定符合心电信号QRS波群频率(范围在3-40之间)的BIMF分量作为待处理的信号。BIMF3(u_3)为有效BIMF分量,这里选取BIMF3做后续的研究。
步骤四、对有效分量进行预处理。对选取的有效分量BIMF3进行归一化并平方处理,便于后续特征波定位,附图4为有效分量预处理后的结果;
通过上述选取BIMF3(u_3)作为有效分量后,对其做归一化处理和平方处理,归一化即使用模态3信号除以模态3信号最大值,即u_3_norm=u_3/max(u_3),然后平方处理u_3_squa=u_3_norm*u_3_norm,平方处理后能够缩小小的值,放大大的值,便于后续的处理。
步骤五、对处理后的有效分量u_3_squa使用阈值法进行特征波定位,定位R波,附图5为定位后的结果。
这步可以使用多种方法进行R点的定位,这里使用固定阈值法进行定位R波,选取归一化后信号最小值的平方作为阈值,进行R波定位。从而可以得到R波信号的索引位置,确定原始信号103的R点所在位置。具体步骤如下:
1)取归一化信号序列最小值的平方作为阈值;
2)使用序列u_3_squa进行R波检测,若u_3_squa(i)>b,则标记为R波,否则判断下一个点;
3)排除误检,若是两个R波的距离小于0.25秒,则舍去较小的那个R点;
4)在原始信号上标定R波位置;
5)计算R点个数,与生理网对比计算识别率。
步骤六、心电信号Q和S波识别。在R点正确识别的基础上,使用斜率突变在原始信号上定位Q和S点,这样就完成了心电信号QRS波群的定位工作,附图10为QRS波群定位结果。
具体步骤如下:
(一)Q波识别。
1):正确识别出QRS波群频域中的R波,记录波峰点为R点;
2):在R波的左侧,记录QRS波频域中的波谷点为Q点,连接R和Q两点,基于QRS波形的特征,则RQ直线的斜率大于0;
3):从R点开始,连接其左侧与之相邻的点A1,并计算直线RA1的斜率若则继续计算在A1点左侧并与之相邻的A2点与其连线的斜率若则按照以上步骤继续进行,直到计算出第n个点斜率THn<0,此时斜率产生突变,则An-1点对应的就是R点左侧的第一个极值点,此点就是Q波所对应的点。附图6为Q波的识别解析图,附图7为Q波识别的流程图。
(二)S波识别。
1):此步骤与Q波的识别步骤1相同;
2):在R波的左侧,记录QRS波频域中的波谷点为Q点,连接R和Q两点,基于QRS波形的特征,则RQ直线的斜率大于0;
3):从R点开始,连接其右侧与之相邻的点B1,并计算直线RB1的斜率若则继续计算在A1点左侧并与之相邻的B2点与其连线的斜率若则按照以上步骤继续进行,直到计算出第n个点的斜率THn>0,此时斜率产生突变,则Bn-1点对应的就是R点右侧的第一个极值点,此点就是频域S波所对应的点。附图8为S波的识别解析图。
这样便完成了心电信号QRS波群的检测,最后通过与生理网对比分析本文算法特征波识别率及误诊率,即定量分析。
Claims (3)
1.一种基于改进变分模态分解的心电信号QRS波群检测算法,其特征在于:所述检测算法通过以下步骤实现:
步骤一、VMD参数的确定。VMD算法中K作为一个重要的参数,如果K设置小了,则信号欠分解,K值大了,则会发生过分解,这里根据信号自身特点,通过本文算法自适应确定K值,使信号分解后能够满足要求;
步骤二、VMD分解。根据上述方法,对待处理信号进行分析确定K值,使对信号进行VMD分解;
步骤三、提取有效BIMF分量。信号经VMD分解后,确定分解后模态的中心频率,选定符合心电信号QRS波群频率的BIMF分量作为有效BIMF分量;
步骤四、对该有效BIMF分量进行预处理。对提取的有效BIMF分量进行归一化并平方处理,便于后续信号特征波提取;
步骤五、心电信号R波定位。对处理后的BIMF分量使用阈值法进行特征波定位,定位R波。
步骤六、心电信号Q和S波识别。在R点正确识别的基础上,使用斜率突变在原始信号上定位Q和S点,这样就完成了心电信号QRS波群的定位工作。
2.根据权利要求1所述一种基于改进变分模态分解的心电信号QRS波群检测算法其特征在于,步骤一具体过程为:
步骤一一、选择较大的K值对信号进行VMD分解,获得K个模态分量;
步骤一二、求得各个模态分量中心频率,对比相邻模态中心频率;
步骤一三、根据判定式|OMEGA(i)-OMEGA(i+1)|<a,若满足,则使K=K-1,再次重复步骤一二;
步骤一三、若满足条件|OMEGA(i)-OMEGA(i+1)|>=a,则获得K值。
3.根据权利要求1所述一种基于改进变分模态分解的心电信号QRS波群检测算法其特征在于,步骤五具体过程为:
步骤五一、取归一化信号序列最小值的平方作为阈值;
步骤五二、使用序列u_3_squa进行R波检测,若u_3_squa(i)>b,则标记为R波,否则判断下一个点;
步骤五三、排除误检,若是两个R波的距离小于0.25秒,则舍去幅度较小的那个R点;
步骤五四、在原始信号上标定R波位置;
步骤五五、计算R波个数,与生理网对比计算识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307029.4A CN108056773A (zh) | 2017-12-11 | 2017-12-11 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307029.4A CN108056773A (zh) | 2017-12-11 | 2017-12-11 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108056773A true CN108056773A (zh) | 2018-05-22 |
Family
ID=62135444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711307029.4A Pending CN108056773A (zh) | 2017-12-11 | 2017-12-11 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108056773A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009084A (zh) * | 2018-06-08 | 2018-12-18 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN109199366A (zh) * | 2018-10-12 | 2019-01-15 | 山东理工大学 | 基于变分模态分解的心电信号qrs波检测方法 |
CN109589137A (zh) * | 2018-11-02 | 2019-04-09 | 深圳市理邦精密仪器股份有限公司 | 胎动识别的方法、装置、终端和计算机可读存储介质 |
CN109633566A (zh) * | 2019-01-25 | 2019-04-16 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
CN109820499A (zh) * | 2018-12-24 | 2019-05-31 | 杨爽 | 基于视频的高抗干扰心率检测方法、电子设备及存储介质 |
CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109998524A (zh) * | 2019-03-29 | 2019-07-12 | 山东理工大学 | 一种基于变分模态分解理论和k最近邻算法的心电信号分类方法 |
CN110146281A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110432891A (zh) * | 2019-07-30 | 2019-11-12 | 天津工业大学 | 一种自动化提取心电节拍的特征提取和分类方法 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN111513706A (zh) * | 2020-04-20 | 2020-08-11 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN111956210A (zh) * | 2020-08-27 | 2020-11-20 | 重庆邮电大学 | 一种基于eemd和信号结构分析的心电信号r波识别方法 |
CN113229826A (zh) * | 2020-11-25 | 2021-08-10 | 联想(北京)有限公司 | 一种qrs波检测方法、装置及电子设备 |
CN113499082A (zh) * | 2020-03-23 | 2021-10-15 | 疆域康健创新医疗科技成都有限公司 | Qrs波群检测方法、心电检测装置及可读存储介质 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005071895A1 (en) * | 2004-01-15 | 2005-08-04 | Koninklijke Philips Electronics, N.V. | Intermediate distribution frame (idf) for medical data by using a smart ip emulating detection ap |
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
CN106019271A (zh) * | 2016-04-27 | 2016-10-12 | 南京理工大学 | 一种基于变分模态分解的多人穿墙时变呼吸信号检测方法 |
KR20170018233A (ko) * | 2015-08-07 | 2017-02-16 | 엠텍비젼 주식회사 | 커패시티브 통신에서 m-phy의 모든 신호레벨을 전달하기 위한 시스템 |
CN107184203A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于自适应集合经验模态分解的心电信号特征点识别方法 |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
-
2017
- 2017-12-11 CN CN201711307029.4A patent/CN108056773A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005071895A1 (en) * | 2004-01-15 | 2005-08-04 | Koninklijke Philips Electronics, N.V. | Intermediate distribution frame (idf) for medical data by using a smart ip emulating detection ap |
KR20170018233A (ko) * | 2015-08-07 | 2017-02-16 | 엠텍비젼 주식회사 | 커패시티브 통신에서 m-phy의 모든 신호레벨을 전달하기 위한 시스템 |
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
CN106019271A (zh) * | 2016-04-27 | 2016-10-12 | 南京理工大学 | 一种基于变分模态分解的多人穿墙时变呼吸信号检测方法 |
CN107184203A (zh) * | 2017-07-03 | 2017-09-22 | 重庆大学 | 基于自适应集合经验模态分解的心电信号特征点识别方法 |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009084B (zh) * | 2018-06-08 | 2021-03-23 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN109009084A (zh) * | 2018-06-08 | 2018-12-18 | 广州视源电子科技股份有限公司 | 多导联心电信号的qrs波群校验方法、装置及设备、介质 |
CN109199366A (zh) * | 2018-10-12 | 2019-01-15 | 山东理工大学 | 基于变分模态分解的心电信号qrs波检测方法 |
CN109589137A (zh) * | 2018-11-02 | 2019-04-09 | 深圳市理邦精密仪器股份有限公司 | 胎动识别的方法、装置、终端和计算机可读存储介质 |
CN109589137B (zh) * | 2018-11-02 | 2021-10-22 | 深圳市理邦精密仪器股份有限公司 | 胎动识别的方法、装置、终端和计算机可读存储介质 |
CN109820499A (zh) * | 2018-12-24 | 2019-05-31 | 杨爽 | 基于视频的高抗干扰心率检测方法、电子设备及存储介质 |
CN109633566A (zh) * | 2019-01-25 | 2019-04-16 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
CN109633566B (zh) * | 2019-01-25 | 2023-08-15 | 西安电子科技大学 | 基于vmd算法的电子侦察信号预处理方法 |
CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109893119B (zh) * | 2019-03-24 | 2022-01-04 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109998524A (zh) * | 2019-03-29 | 2019-07-12 | 山东理工大学 | 一种基于变分模态分解理论和k最近邻算法的心电信号分类方法 |
CN110292374A (zh) * | 2019-05-31 | 2019-10-01 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110292374B (zh) * | 2019-05-31 | 2022-05-17 | 辽宁师范大学 | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 |
CN110146281A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
CN110432891A (zh) * | 2019-07-30 | 2019-11-12 | 天津工业大学 | 一种自动化提取心电节拍的特征提取和分类方法 |
CN110742599A (zh) * | 2019-11-01 | 2020-02-04 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN110742599B (zh) * | 2019-11-01 | 2022-05-10 | 广东工业大学 | 一种心电信号特征提取分类方法及系统 |
CN113499082A (zh) * | 2020-03-23 | 2021-10-15 | 疆域康健创新医疗科技成都有限公司 | Qrs波群检测方法、心电检测装置及可读存储介质 |
CN113499082B (zh) * | 2020-03-23 | 2023-12-19 | 疆域康健创新医疗科技成都有限公司 | Qrs波群检测方法、心电检测装置及可读存储介质 |
CN111513706A (zh) * | 2020-04-20 | 2020-08-11 | 重庆邮电大学 | 一种针对含有异常r波的心电信号的检测方法和装置 |
CN111956210A (zh) * | 2020-08-27 | 2020-11-20 | 重庆邮电大学 | 一种基于eemd和信号结构分析的心电信号r波识别方法 |
CN111956210B (zh) * | 2020-08-27 | 2022-06-03 | 重庆邮电大学 | 一种基于eemd和信号结构分析的心电信号r波识别方法 |
CN113229826A (zh) * | 2020-11-25 | 2021-08-10 | 联想(北京)有限公司 | 一种qrs波检测方法、装置及电子设备 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
CN114027853B (zh) * | 2021-12-16 | 2022-09-27 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
Yang et al. | Arrhythmia recognition and classification using combined parametric and visual pattern features of ECG morphology | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Javadi et al. | Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
Patro et al. | Effective feature extraction of ECG for biometric application | |
CN104887220B (zh) | 一种由腹壁心电信号提取胎儿心电信号的方法及系统 | |
CN105212919B (zh) | 生理信号分析系统 | |
Ali et al. | Evaluation of electrocardiogram signals classification using CNN, SVM, and LSTM algorithm: A review | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN103284702A (zh) | 心电图和脉搏波关系分析及融合分析的方法和装置 | |
CN110269600A (zh) | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN103083013A (zh) | 基于形态学与小波变换的心电信号qrs复波检测方法 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN109276242A (zh) | 心电信号类型识别的方法和装置 | |
Wu et al. | Extracting deep features from short ECG signals for early atrial fibrillation detection | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN106874872A (zh) | 工频噪声滤除装置与方法 | |
CN106137185A (zh) | 一种基于模板构造小波的癫痫特征波检测方法 | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Yang et al. | Automated intra-patient and inter-patient coronary artery disease and congestive heart failure detection using EFAP-Net |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180522 |