CN108836316A - 一种基于bp神经网络的心电信号r波提取方法 - Google Patents

一种基于bp神经网络的心电信号r波提取方法 Download PDF

Info

Publication number
CN108836316A
CN108836316A CN201810410514.2A CN201810410514A CN108836316A CN 108836316 A CN108836316 A CN 108836316A CN 201810410514 A CN201810410514 A CN 201810410514A CN 108836316 A CN108836316 A CN 108836316A
Authority
CN
China
Prior art keywords
wave
electrocardiosignal
window
marked
neural network
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
Application number
CN201810410514.2A
Other languages
English (en)
Other versions
CN108836316B (zh
Inventor
万相奎
吴海波
严岳文
王仲昊
杨辉
魏佳昕
危竞
刘翔宇
陈瑞
帅亮
李风从
丰励
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810410514.2A priority Critical patent/CN108836316B/zh
Publication of CN108836316A publication Critical patent/CN108836316A/zh
Application granted granted Critical
Publication of CN108836316B publication Critical patent/CN108836316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出了一种基于BP神经网络的心电信号R波提取方法。通过国际权威数据库选用已经标注R波的心电信号，对已经标注R波的心电信号进行带通滤波以及信号加窗的预处理，计算每个窗内预处理后已经标注R波的心电信号的采样方差以及每个窗内已经标注R波的心电信号的采样最大值；构建BP神经网络模型的输入层、隐藏层以及输出层，已经标注R波的心电信号作为BP神经网络模型的训练集，通过多次迭代训练得到训练后BP神经网络模型；将未标注R波的心电信号通过带通滤波以及信号加窗的预处理，并根据训练后BP神经网络模型进行检测以提取未标注R波的心电信号中R波。与现有技术相比，本发明的方法易于实现，准确率高。

Description

一种基于BP神经网络的心电信号R波提取方法
技术领域
本发明涉及心电信号的波形提取领域，具体地涉及一种基于BP神经网络的心电信号R波提取方法。
背景技术
心电图是一种以时间为单位记录心脏的电生理活动的诊疗技术。心脏跳动会引起心肌细胞做去极化变化，从而引起皮肤表面电学改变。因此，心电图是一种典型的生物电信号。医疗监护设备通过多导联的方式连续监测到心电活动情况，这样的心电图是诊断心电传导组织受损时心脏的节律异常以及由于电解质平衡失调引起的心脏节律的改变的最好方法。所以，心电图的研究在临床医学上进行心脏疾病的诊断和学术研究上非常重要。
随着人工智能技术的飞速发展，BP神经网络作为一门新兴的学科知识引起了学术界广泛关注。BP神经网络是“误差反向传播”的简称，它传播的过程包含两步：第一步是前向传播阶段，它将特征信息输送进网络以获得激励响应，并将激励响应同训练输入对应的目标输出求差，从而获得隐层和输出层的响应误差；第二阶段反向传播阶段，它将反向传播的权值和阈值来不断调整网络，使网络的误差平方和最小，使得损失函数最小化，这不断地提高了数据特征提取的准确度。因此，基于BP神经网络对心电信号R波提取方法是一种提取心电信号R波提取准确度较高的方法，这在心电信号的学术研究和心脏疾病的临床诊断及治疗具有非常重要的作用。
近年来，心电信号R波提取方法一直是研究热点，具体提取方法主要有差分阈值法、模板匹配法和小波变换法，但都存在着一些不足。差分阈值法是利用心电信号R波和该R波的二阶差分的极小值存在一定的位移关系，从而对R波进行定位提取，但是对于含有噪声干扰的信号提取效果并不理想；模板匹配法是一种基于统计识别的提取方法，即使用一个标准心电信号作为模板，将待检测信号与标准模板信号比对并计算相关系数，这种方法虽原理简单、便捷稳定，但是重复执行次数较多、效率低、实时性较差；小波变换法是利用心电信号R波的强奇异性，并进行心电信号相关性分析，然后将输入信号形状同小波模板函数对比，显然该提取方法过于复杂，计算量很大，实时性较差。
发明内容
为了解决上述技术问题，本发明提供了一种基于BP神经网络的心电信号R波提取方法。
本发明的技术方案为一种基于BP神经网络的心电信号R波提取方法，其特征在于包括以下步骤：
步骤1：通过国际权威数据库选用已经标注R波的心电信号，对已经标注R波的心电信号进行带通滤波以及信号加窗的预处理，计算每个窗内预处理后已经标注R波的心电信号的采样方差以及每个窗内已经标注R波的心电信号的采样最大值；
步骤2：构建BP神经网络模型的输入层、隐藏层以及输出层，已经标注R波的心电信号作为BP神经网络模型的训练集，通过多次迭代训练得到训练后BP神经网络模型；
步骤3：将未标注R波的心电信号通过步骤2中所述带通滤波以及信号加窗的预处理，并根据训练后BP神经网络模型进行检测以提取未标注R波的心电信号中R波。
作为优选，步骤1中所述带通滤波的频率范围为[fH-fL],通过低通滤波器与高通滤波器叠加进行滤波；
其中，低通滤波器的传递函数为H(z)L,低通滤波器的截止频率为fL,即通过低通滤波器将频率高于fL的信号滤除，低通滤波器的增益为AL，低通滤波器的过滤处理延迟DL个单位；
其中，高通滤波器的传递函数为H(z)H,高通滤波器的截止频率为fH即通过高通滤波器将频率低于fH的信号滤除，高通滤波器的增益为AH，高通滤波器的过滤处理延迟DH个单位；
步骤1中所述信号加窗为将通过带通滤波之后的已经标注R波的心电信号进行信号加窗；
步骤1中所述已经标注R波的心电信号通过带通滤波以及信号加窗的预处理后为：
X1，X2，…，XM
Xm＝［Xm，l，Xm，2，…，Xm，N](m∈[l，M])
其中，M为窗的数量，N为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，Nfs为已经标注R波的心电信号的采样频率，窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N；
步骤1所述每个窗内预处理后已经标注R波的心电信号的采样方差为：
其中，X1，X2，X3，…XN为各个采样点，M为窗的数量，D(X)为采样点的方差；
步骤1中所述预处理后已经标注R波的心电信号的采样最大值为MAX(Xm)(m∈[1，M])，MAX(Xm)为窗m内对已经标注R波的心电信号Xm，1，Xm，2，…，Xm，N中的最大值；
作为优选，步骤2中所述输入层为通过每个窗内心电信号的采样方差以及每个窗内心电信号的采样最大值作为BP神经网络模型输入层的特征；
步骤2中所述隐藏层为将工作信号正向传递子过程以及误差信号方向传递子过程作为BP神经网络模型的隐藏层；
步骤2中所述输出层为二分类层，用于判断是否存在R波，若步骤1中所述窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N中含有R波则窗m标记flagm＝1，否则窗m标记flagm＝0；
将步骤1中所述已经标注R波的心电信号作为BP神经网络模型的训练集；
作为优选，步骤3中所述未标注R波的心电信号通过步骤2中所述带通滤波以及信号加窗的预处理后为：
其中，M为窗的数量，N为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，Nfs为未标注R波的心电信号的采样频率，窗k未标注R波的心电信号为
步骤3中所述训练后BP神经网络模型进行检测为：
若窗k未标注R波的心电信号为则窗k标记否则窗k标记
步骤3中所述提取未标注R波的心电信号中R波为窗k未标注R波的心电信号中最大值点即为R波。
本发明的优点为BP神经网络模型由特征信息的正向传播和误差的反向传播两个子过程组成。循环往复的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止；本发明通过大量的训练数据不断调整和优化BP神经网络模型，大大提高R波检测的准确度，从而进一步提高了RR间期、QRS波群等提取准确度，具有非常重要的价值。
附图说明
图1：本发明方法流程图；
图2：测试集心电信号加窗标记；
图3：BP神经网络模型结构图；
图4：BP神经网络模型的训练过程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1至图4论述本发明实施例。本发明实施例的具体步骤包括以下步骤：
步骤1：通过国际权威数据库选用已经标注R波的心电信号，对已经标注R波的心电信号进行带通滤波以及信号加窗的预处理，计算每个窗内预处理后已经标注R波的心电信号的采样方差以及每个窗内已经标注R波的心电信号的采样最大值；
步骤1中所述带通滤波的频率范围为[fH-fL],通过低通滤波器与高通滤波器叠加进行滤波，fH＝8Hz,fL＝15Hz；
其中，低通滤波器的传递函数为低通滤波器的截止频率为fL＝15Hz即通过低通滤波器将频率高于fL＝15Hz的信号滤除，低通滤波器的增益为AL＝36，低通滤波器的过滤处理延迟DL＝6个单位；
其中，高通滤波器的传递函数为高通滤波器的截止频率为fH＝8Hz即通过高通滤波器将频率低于fH＝8Hz的信号滤除，高通滤波器的增益为AH＝32，高通滤波器的过滤处理延迟DH＝16个单位；。
步骤1中所述信号加窗为将通过带通滤波之后的已经标注R波的心电信号进行信号加窗；
步骤1中所述已经标注R波的心电信号通过带通滤波以及信号加窗的预处理后为：
X1，X2，…，XM
Xm＝[Xm，1，Xm，2，…，Xm，N](m∈[1，M])
其中，M＝6000为窗的数量，N＝108为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，α＝0.3，Nfs＝360为已经标注R波的心电信号的采样频率，窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N；
步骤1所述每个窗内预处理后已经标注R波的心电信号的采样方差为：
其中，X1，X2，X3，…XN为各个采样点，M＝6000为窗的数量，D(X)为采样点的方差；
步骤1中所述预处理后已经标注R波的心电信号的采样最大值为MAX(Xm)(m∈[1，M])，MAX(Xm)为窗m内对已经标注R波的心电信号Xm，1，Xm，2，…，Xm，N中的最大值；
步骤2：构建BP神经网络模型的输入层、隐藏层以及输出层，已经标注R波的心电信号作为BP神经网络模型的训练集，通过多次迭代训练得到训练后BP神经网络模型；
步骤2中所述输入层为通过每个窗内心电信号的采样方差以及每个窗内心电信号的采样最大值作为BP神经网络模型输入层的特征；
步骤2中所述隐藏层为将工作信号正向传递子过程以及误差信号方向传递子过程作为BP神经网络模型的隐藏层；
步骤2中所述输出层为二分类层，用于判断是否存在R波，若步骤1中所述窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N中含有R波则窗m标记flagm＝1，否则窗m标记flagm＝0；
将步骤1中所述已经标注R波的心电信号作为BP神经网络模型的训练集；
步骤3：将未标注R波的心电信号通过步骤2中所述带通滤波以及信号加窗的预处理，并根据训练后BP神经网络模型进行检测以提取未标注R波的心电信号中R波；
步骤3中所述未标注R波的心电信号通过通过步骤2中所述带通滤波以及信号加窗的预处理后为：
其中，M＝6000为窗的数量，N＝360为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，α＝0.3，Nfs＝108为未标注R波的心电信号的采样频率，窗k未标注R波的心电信号为
步骤3中所述训练后BP神经网络模型进行检测为：
若窗k未标注R波的心电信号为则窗k标记否则窗k标记
步骤3中所述提取未标注R波的心电信号中R波为窗k未标注R波的心电信号中最大值点即为R波。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于BP神经网络的心电信号R波提取方法，其特征在于，包括以下步骤：
步骤1：通过国际权威数据库选用已经标注R波的心电信号，对已经标注R波的心电信号进行带通滤波以及信号加窗的预处理，计算每个窗内预处理后已经标注R波的心电信号的采样方差以及每个窗内已经标注R波的心电信号的采样最大值；
步骤2：构建BP神经网络模型的输入层、隐藏层以及输出层，已经标注R波的心电信号作为BP神经网络模型的训练集，通过多次迭代训练得到训练后BP神经网络模型；
步骤3：将未标注R波的心电信号通过步骤2中所述带通滤波以及信号加窗的预处理，并根据训练后BP神经网络模型进行检测以提取未标注R波的心电信号中R波。
2.根据权利要求1所述的基于BP神经网络的心电信号R波提取方法，其特征在于：步骤1中所述带通滤波的频率范围为[fH-fL]，通过低通滤波器与高通滤波器叠加进行滤波；
其中，低通滤波器的传递函数为H(z)L，低通滤波器的截止频率为fL，即通过低通滤波器将频率高于fL的信号滤除，低通滤波器的增益为AL，低通滤波器的过滤处理延迟DL个单位；
其中，高通滤波器的传递函数为H(z)H，高通滤波器的截止频率为fH即通过高通滤波器将频率低于fH的信号滤除，高通滤波器的增益为AH，高通滤波器的过滤处理延迟DH个单位；
步骤1中所述信号加窗为将通过带通滤波之后的已经标注R波的心电信号进行信号加窗；
步骤1中所述已经标注R波的心电信号通过带通滤波以及信号加窗的预处理后为：
X1，X2，…，XM
Xm＝[Xm，1，Xm，2，…，Xm，N] (m∈[1，M])
其中，M为窗的数量，N为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，Nfs为已经标注R波的心电信号的采样频率，窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N；
步骤1所述每个窗内预处理后已经标注R波的心电信号的采样方差为：
其中，X1，X2，X3，…XN为各个采样点，M为窗的数量，D(X)为采样点的方差；
步骤1中所述预处理后已经标注R波的心电信号的采样最大值为MAX(Xm) (m∈[1，M])，MAX(Xm)为窗m内对已经标注R波的心电信号Xm，1，Xm，2，…，Xm，N中的最大值。
3.根据权利要求1所述的基于BP神经网络的心电信号R波提取方法，其特征在于：步骤2中所述输入层为通过每个窗内心电信号的采样方差以及每个窗内心电信号的采样最大值作为BP神经网络模型输入层的特征；
步骤2中所述隐藏层为将工作信号正向传递子过程以及误差信号方向传递子过程作为BP神经网络模型的隐藏层；
步骤2中所述输出层为二分类层，用于判断是否存在R波，若步骤1中所述窗m内已经标注R波的心电信号为Xm，1，Xm，2，…，Xm，N中含有R波则窗m标记flagm＝1，否则窗m标记flagm＝0；
将步骤1中所述已经标注R波的心电信号作为BP神经网络模型的训练集。
4.根据权利要求1所述的基于BP神经网络的心电信号R波提取方法，其特征在于：步骤3中所述未标注R波的心电信号通过步骤2中所述带通滤波以及信号加窗的预处理后为：
其中，M为窗的数量，N为窗的宽度即窗内已经标注R波的心电信号采样数量，N＝Nfs*α，Nfs为未标注R波的心电信号的采样频率，窗k未标注R波的心电信号为
步骤3中所述训练后BP神经网络模型进行检测为：
若窗k未标注R波的心电信号为则窗k标记否则窗k标记
步骤3中所述提取未标注R波的心电信号中R波为窗k未标注R波的心电信号中最大值点即为R波。
CN201810410514.2A 2018-05-02 2018-05-02 一种基于bp神经网络的心电信号r波提取方法 Active CN108836316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810410514.2A CN108836316B (zh) 2018-05-02 2018-05-02 一种基于bp神经网络的心电信号r波提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810410514.2A CN108836316B (zh) 2018-05-02 2018-05-02 一种基于bp神经网络的心电信号r波提取方法

Publications (2)

Publication Number Publication Date
CN108836316A true CN108836316A (zh) 2018-11-20
CN108836316B CN108836316B (zh) 2023-07-04

Family

ID=64212481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810410514.2A Active CN108836316B (zh) 2018-05-02 2018-05-02 一种基于bp神经网络的心电信号r波提取方法

Country Status (1)

Country Link
CN (1) CN108836316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110037691A (zh) * 2019-04-22 2019-07-23 上海数创医疗科技有限公司 用于r波定位的改进卷积神经网络
CN113712520A (zh) * 2021-09-08 2021-11-30 吉林大学 一种穿戴式心律失常检测装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593324A (zh) * 2009-06-17 2009-12-02 浙江师范大学 基于可信计算应用技术的网络多级审批方法及系统
CN101658425A (zh) * 2009-09-11 2010-03-03 西安电子科技大学 基于心率变异分析的注意力集中程度的检测装置及方法
US20120173470A1 (en) * 2006-09-19 2012-07-05 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
CN104161510A (zh) * 2014-08-27 2014-11-26 电子科技大学 一种多级导联心电信号qrs波形识别方法
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN107569227A (zh) * 2017-10-26 2018-01-12 太仓市同维电子有限公司 一种运动状态下心率的处理方法和监测装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120173470A1 (en) * 2006-09-19 2012-07-05 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
CN101593324A (zh) * 2009-06-17 2009-12-02 浙江师范大学 基于可信计算应用技术的网络多级审批方法及系统
CN101658425A (zh) * 2009-09-11 2010-03-03 西安电子科技大学 基于心率变异分析的注意力集中程度的检测装置及方法
CN104161510A (zh) * 2014-08-27 2014-11-26 电子科技大学 一种多级导联心电信号qrs波形识别方法
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN107569227A (zh) * 2017-10-26 2018-01-12 太仓市同维电子有限公司 一种运动状态下心率的处理方法和监测装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴建: "基于差分阈值与模板匹配的心电Ｒ波提取算法", 《重庆邮电大学学报》 *
吴建: "基于差分阈值与模板匹配的心电Ｒ波提取算法", 《重庆邮电大学学报》, vol. 27, no. 3, 30 June 2015 (2015-06-30), pages 372 - 376 *
熊平;徐敏;雷英俊;: "基于小波变换和BP神经网络的室性早搏(PVC)识别", 中国医学物理学杂志, no. 02 *
赵文哲;方滨;沈毅;王普;: "心电信号中R波检测方法的比较研究", 生物医学工程学杂志, no. 01 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110037691A (zh) * 2019-04-22 2019-07-23 上海数创医疗科技有限公司 用于r波定位的改进卷积神经网络
CN110037691B (zh) * 2019-04-22 2020-12-04 上海数创医疗科技有限公司 用于r波定位的改进卷积神经网络
CN113712520A (zh) * 2021-09-08 2021-11-30 吉林大学 一种穿戴式心律失常检测装置

Also Published As

Publication number Publication date
CN108836316B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN109907752B (zh) 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统
CN106108889B (zh) 基于深度学习算法的心电图分类方法
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN105147248B (zh) 基于生理信息的抑郁症评估系统及其评估方法
CN104173124B (zh) 一种基于生物信号的上肢康复系统
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN109745033A (zh) 基于时频二维图像和机器学习的动态心电质量评估方法
US20160256063A1 (en) Analyte assessment and arrhythmia risk prediction using physiological electrical data
CN111887858B (zh) 基于跨模态映射的心冲击图信号心率估计方法
CN109998522A (zh) 一种基于穿戴式动态心电的运动负荷检测装置及方法
CN108647565A (zh) 一种基于深度学习模型对心电信号分类的数据预处理方法
CN204931634U (zh) 基于生理信息的抑郁症评估系统
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
Gupta et al. R-peak detection for improved analysis in health informatics
CN111584029B (zh) 基于判别式对抗网络的脑电自适应模型及在康复中的应用
CN110353704B (zh) 基于穿戴式心电监测的情绪评估方法与装置
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN102129509B (zh) 心电监护与反向传播神经网络的冠心病自诊断系统
CN109222963A (zh) 一种基于卷积神经网络的心电异常识别分类方法
CN104840186A (zh) 一种充血性心力衰竭患者自主神经功能的评估方法
CN108830255A (zh) 一种基于小波去噪心电信号的r峰识别方法
CN113509186B (zh) 基于深度卷积神经网络的ecg分类系统与方法
CN107894965A (zh) 一种用于两组不同类型信号的耦合处理方法
CN108836316A (zh) 一种基于bp神经网络的心电信号r波提取方法
CN111557660A (zh) 一种亚群体深度学习框架下的心律失常识别方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wan Xiangkui

Inventor after: Chen Rui

Inventor after: Shuai Liang

Inventor after: Li Fengcong

Inventor after: Feng Li

Inventor after: Xu Jiale

Inventor after: Wu Haibo

Inventor after: Yan Yuewen

Inventor after: Wang Zhonghao

Inventor after: Yang Hui

Inventor after: Wei Jiaxin

Inventor after: Wei Jing

Inventor after: Liu Xiangyu

Inventor before: Wan Xiangkui

Inventor before: Shuai Liang

Inventor before: Li Fengcong

Inventor before: Feng Li

Inventor before: Wu Haibo

Inventor before: Yan Yuewen

Inventor before: Wang Zhonghao

Inventor before: Yang Hui

Inventor before: Wei Jiaxin

Inventor before: Wei Jing

Inventor before: Liu Xiangyu

Inventor before: Chen Rui