CN108937915A - 一种动态心电图中早搏的识别方法 - Google Patents
一种动态心电图中早搏的识别方法 Download PDFInfo
- Publication number
- CN108937915A CN108937915A CN201810816929.XA CN201810816929A CN108937915A CN 108937915 A CN108937915 A CN 108937915A CN 201810816929 A CN201810816929 A CN 201810816929A CN 108937915 A CN108937915 A CN 108937915A
- Authority
- CN
- China
- Prior art keywords
- premature beat
- clapped
- heart
- ecg
- interphase
- 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
- A61B5/24—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
- A61B5/24—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
- A61B5/7235—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)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种动态心电图中早搏的识别方法，包括以下步骤：1)根据检测到的心拍位置提取九维特征inputFeature；2)从已有心拍类型标注的心电信号数据库中分别提取窦性、室上性早搏和室性早搏心拍的inputFeature，合并为训练数据；3)从待分析的动态心电图中的所有心拍提取其相应的inputFeature，合并为测试数据testData；4)采用监督学习算法将testData进行预分类，输出为相应的心拍类型，并提取出窦性心拍的位置信息；5)选择一定数量预分类的窦性心拍，取均值，得到一个窦性QRS复合波的模板；6)采用基于相似性度量、ECG形态和RR间期的专家系统进行室上性早搏和室性早搏的判断。本发明适用于动态心电图长时间心电数据的室性早搏和室上性早搏的识别，有效辅助医生快速进行相关诊断。
Description
技术领域
本发明涉及动态心电图的自动辅助检测技术领域，具体涉及一种动态心电图中室上性早搏和室性早搏的识别方法。
背景技术
动态心电图是一种长时间连续记录的体表心电图，比常规心电图包含更丰富的人体生理信息，可以更客观地反映和监测患者的身体状况。但同时由于其长程性，动态心电图包含大量的心拍和繁杂的类型，导致医生的工作量大大增加，这就使得动态心电图的自动辅助检测技术日益重要。
早搏，又称期前收缩，包括房性早搏，结性早搏和室性早搏。其中房性早搏和结性早搏又称室上性早搏。室上性早搏可以反映心房和房室结的异常，室性早搏涉及心室的异常，起源于心室，并且有潜在的可能发展会室颤甚至导致猝死。因此，能够准确识别出室上性早搏和室性早搏在动态心电图的自动检测中十分必要。
目前有多种方法进行早搏的检测和分类，包括基于ECG形态和心拍间期特征的分类方法、频域分析方法和神经网络方法等。由于实际的心电信号包含繁杂的心拍类型，如室上性早搏心拍、室性早搏心拍、室性融合心拍、起搏融合心拍和起搏心拍等异常心拍，仅利用一种分类算法无法完全涉及所有的异常心拍的训练和分类从而进行准确的检测。
发明内容
为了克服现有早搏测量方式的准确性较差的不足，本发明的目的在于提供一种动态心电图中室上性早搏和室性早搏的识别方法，首先基于监督学习方法将动态心电数据先预分类为正常窦性心拍、室上性早搏和室性早搏，然后将提取出的正常窦性心拍的QRS复合波作为心拍模板，最后利用基于逻辑的专家系统进行室上性早搏和室性早搏的识别。
本发明解决其技术问题所采用的技术方案是：
一种动态心电图中早搏的识别方法，所述方法包括以下步骤：
1)根据检测到的心拍位置提取与RR间期和QRS复合波形态相关的九维特征，记为inputFeature；
2)从已有心拍类型标注的心电信号数据库中多组不同的心电数据中分别提取窦性心拍、室上性早搏心拍和室性早搏心拍的inputFeature，合并成为训练数据，记为trainData；
3)从待分析的动态心电图中的所有心拍提取出其相应的inputFeature，合并成为测试数据，记为testData；
4)采用监督学习算法将testData进行预分类，输出为相应的心拍类型，并提取出窦性心拍的位置信息；
5)选择一定数量预分类的窦性心拍，将R峰及其前后各100ms的信号提取并取均值，得到一个窦性QRS复合波的模板；
6)最终采用基于相似性度量、ECG形态和RR间期的专家系统进行室上性早搏和室性早搏的判断。
进一步，所述步骤1)中，所述inputFeature包含的九维特征具体为：当前心拍的QRS时长；当前心拍的RR间期RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2；Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2，其中MeanRR是心电信号所有RR间期的均值。
所述步骤2)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库，数据库中需至少包含室上性早搏心拍、室性早搏心拍，及窦性心拍三类标签，同时确保trainData中上述三类心拍的数量基本相等。
所述步骤4)中，将trainData和testData一并进行标准化处理，对trainData采用二次判别法分析，并将训练好的模型对testData的每个样本进行窦性、室上性早搏和室性早搏的预分类，由于实际数据不止包含室上性早搏、室性早搏及窦性三类心拍，对于形态异常的其他类型心拍可能会被误判成室性早搏或者室上性早搏，所以此处只提取出窦性心拍的QRS波作为模板以进行后续分析。
所述步骤5)中，如果当前动态心电图数据不存在窦性心拍，则会采用预先训练好的相应导联的窦性心拍模板进行后续分析；
所述步骤6)中，首先需将待测心拍与模板的皮尔森相关系数和设定的较小阈值作比较来判定是否室性早搏；若不能直接确定是室性早搏则同时将待测心拍的RR间期与窦性心拍的RR间期作比较，待测心拍下一心拍RR间期与待测心拍RR间期差值与窦性心拍的RR间期作比较，待测心拍的QRS波时长与窦性心拍的QRS波时长作比较来判定是否是早搏心拍，最终结合相关系数的较小阈值与较大阈值、代偿间歇是否完全以及QRS波形态综合判别室上性早搏和室性早搏。
本发明的有益效果主要表现在：基于监督学习分类算法和专家系统的早搏识别算法在动态心电图中可以有效避免其他多种异常心拍的影响。
附图说明
图1是一种动态心电图中早搏的识别方法的流程图。
图2是上述方法中步骤6)的具体操作流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种动态心电图中早搏的识别方法，首先利用已有心拍类型标注的心电信号数据库提取包含九种特征的训练数据，然后将待检测动态心电数据也提取出相应特征形成测试数据，采用监督学习分类算法将测试数据预分类为窦性心拍、室上性早搏心拍和室性早搏心拍，之后采用基于相似性度量、ECG形态和RR间期的专家系统进行室上性早搏和室性早搏的判断。
参照图2，上述基于专家系统进行室上性早搏和室性早搏的判断步骤，其具体操作为：首先计算待测心拍与模板心拍的皮尔森相关系数；再比较计算所得的皮尔森相关系数与较小阈值Thr2的大小关系，小于Thr2的心拍直接判断为室性早搏，其余心拍根据其RR间期与下一心拍RR间期的差值、RR间期时长以及QRS波长来判断是否早搏，若为早搏心拍则首先判断皮尔森相关系数是否大于Thr1，若成立则直接判断为室上性早搏，否则结合其代偿间歇和QRS波是否宽大畸形来判断是室上性还是室性早搏。
本实施方案中，主要针对动态心电图中早搏的自动检测和识别问题，提供了一种基于监督学习和专家系统的识别方法，包括以下步骤：
1)根据检测到的心拍位置提取与RR间期和QRS复合波形态相关的九维特征，记为inputFeature；
2)从已有心拍类型标注的心电信号数据库中多组不同的心电数据中分别提取窦性心拍、室上性早搏心拍和室性早搏心拍的inputFeature，合并成为训练数据，记为trainData；
3)从待分析的动态心电图中的所有心拍提取出其相应的inputFeature，合并成为测试数据，记为testData；
4)采用监督学习算法将testData进行预分类，输出为相应的心拍类型，并提取出窦性心拍的位置信息；
5)选择一定数量预分类的窦性心拍，将R峰及其前后各100ms的信号提取并取均值，得到一个窦性QRS复合波的模板；
6)最终采用基于相似性度量、ECG形态和RR间期的专家系统进行室上性早搏和室性早搏的判断。
进一步，步骤1)中所述inputFeature包含的九维特征具体为：当前心拍的QRS时长；当前心拍的RR间期RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2；Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2。其中MeanRR是心电信号所有RR间期的均值。
所述步骤2)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库，数据库中需至少包含室上性早搏心拍、室性早搏心拍，及窦性心拍三类标签，同时确保trainData中上述三类心拍的数量基本相等。上述满足标签要求的开源心电数据库有很多，例如MIT-BIH心律失常数据库及室上性心律失常数据库。为提高本算法的可靠性，应尽可能提高trainData中的心拍数据总量，例如包含室上性、室性和窦性心拍的心拍数据总数超过10000条的训练数据集。
所述步骤4)中，将trainData和testData一并进行标准化处理，对trainData采用二次判别法分析，并将训练好的模型对testData的每个样本进行窦性、室上性早搏和室性早搏的预分类，由于实际数据不止包含室上性早搏、室性早搏及窦性三类心拍，对于形态异常的其他类型心拍可能会被误判成室性早搏或者室上性早搏，所以此处只提取出窦性心拍的QRS波作为模板以进行后续分析。
所述步骤5)中，如果存在大量窦性心拍可以选择20个进行取均值处理，若小于20个则选择所有窦性心拍进行取均值获得模板。如果当前动态心电图数据不存在窦性心拍，则会采用预先训练好的相应导联的窦性心拍模板。
所述步骤6)中，构建基于皮尔森相关系数、ECG形态和RR间期的专家系统，操作步骤包括：
6-1)设置皮尔森相关系数的阈值Thr1和Thr2，Thr1>Thr2，小于Thr2的心拍直接判定为室性早搏；
6-2)获取窦性心拍的RR间期的均值，记为RRIntMean，窦性心拍QRS间期，记为QRSMean，计算下一RR间期与当前RR间期的差值，记为deltaRR，如果deltaRR大于0.2倍的RRIntMean或者当前RR间期小于0.9倍的RRIntMean，同时当前心拍的QRS间期大于1.2倍的QRSMean，判定当前心拍是早搏心拍；
6-3)针对6-2判定为早搏的心拍要继续判定其为室上性还是室性心拍，如果皮尔森相关系数大于Thr1直接判定为室上性心拍，如果皮尔森相关系数在Thr1和Thr2之间，则要结合代偿间歇是否完全和是否出现宽大畸形的QRS波来判别室性早搏和室上性早搏。其中代偿间歇完全即当前RR间期与下一RR间期的和等于两倍的窦性心拍的RR间期，如果成立则判定为室性早搏，相反，代偿间歇不完全是当前RR间期与下一RR间期的和小于两倍的窦性心拍的RR间期，若成立则判定为室上性早搏。出现宽大畸形的QRS波，判定为室性早搏，若QRS复合波形态与正常窦性心拍一致，则判定为室上性早搏。
以上所述的实施例，对本发明的技术方案进行了详细的说明，本发明可以在动态心电图的自动监测系统中准确地识别室上性早搏和室性早搏。以上实施方案仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都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权利要求范围。
Claims (6)
1.一种动态心电图中早搏的识别方法，其特征在于，所述方法包括以下步骤：
1)根据检测到的心拍位置提取与RR间期和QRS复合波形态相关的九维特征，记为inputFeature；
2)从已有心拍类型标注的心电信号数据库中多组不同的心电数据中分别提取窦性心拍、室上性早搏心拍和室性早搏心拍的inputFeature，合并成为训练数据，记为trainData；
3)从待分析的动态心电图中的所有心拍提取出其相应的inputFeature，合并成为测试数据，记为testData；
4)采用监督学习算法将testData进行预分类，输出为相应的心拍类型，并提取出窦性心拍的位置信息；
5)选择一定数量预分类的窦性心拍，将R峰及其前后各100ms的信号提取并取均值，得到一个窦性QRS复合波的模板；
6)最终采用基于相似性度量、ECG形态和RR间期的专家系统进行室上性早搏和室性早搏的判断。
2.如权利要求1所述的一种动态心电图中早搏的识别方法，其特征在于，所述步骤1)中，所述inputFeature包含的九维特征具体为：当前心拍的QRS时长；当前心拍的RR间期RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2；Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2，其中MeanRR是心电信号所有RR间期的均值。
3.如权利要求1或2所述的一种动态心电图中早搏的识别方法，其特征在于，所述步骤2)中，已有心拍类型标注的心电信号数据库可为开源心电数据库，可为自建心电数据库，也可为包含多来源心电数据的数据库，数据库中需至少包含室上性早搏心拍、室性早搏心拍，及窦性心拍三类标签，同时确保trainData中上述三类心拍的数量基本相等。
4.如权利要求1或2所述的一种动态心电图中早搏的识别方法，其特征在于，所述步骤4)中，将trainData和testData一并进行标准化处理，对trainData采用二次判别法分析，并将训练好的模型对testData的每个样本进行窦性、室上性早搏和室性早搏的预分类，由于实际数据不止包含室上性早搏、室性早搏及窦性三类心拍，对于形态异常的其他类型心拍可能会被误判成室性早搏或者室上性早搏，所以此处只提取出窦性心拍的QRS波作为模板以进行后续分析。
5.如权利要求1或2所述的一种动态心电图中早搏的识别方法，其特征在于，所述步骤5)中，如果当前动态心电图数据不存在窦性心拍，则会采用预先训练好的相应导联的窦性心拍模板进行后续分析。
6.如权利要求1或2所述的一种动态心电图中早搏的识别方法，其特征在于，所述步骤6)中，首先需将待测心拍与模板的皮尔森相关系数和设定的较小阈值作比较来判定是否室性早搏；若不能直接确定是室性早搏则同时将待测心拍的RR间期与窦性心拍的RR间期作比较，待测心拍下一心拍RR间期与待测心拍RR间期差值与窦性心拍的RR间期作比较，待测心拍的QRS波时长与窦性心拍的QRS波时长作比较来判定是否是早搏心拍，最终结合相关系数的较小阈值与较大阈值、代偿间歇是否完全以及QRS波形态综合判别室上性早搏和室性早搏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810816929.XA CN108937915B (zh) | 2018-07-24 | 2018-07-24 | 一种动态心电图中早搏的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810816929.XA CN108937915B (zh) | 2018-07-24 | 2018-07-24 | 一种动态心电图中早搏的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108937915A true CN108937915A (zh) | 2018-12-07 |
| CN108937915B CN108937915B (zh) | 2021-02-19 |
Family
ID=64463503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810816929.XA Active CN108937915B (zh) | 2018-07-24 | 2018-07-24 | 一种动态心电图中早搏的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108937915B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
| CN112587147A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种基于卷积神经网络的房性早搏目标检测方法 |
| CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| WO2022062992A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 检测早搏类型的方法、装置及介质 |
| CN114652323A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| CN114668401A (zh) * | 2022-03-11 | 2022-06-28 | 肇庆星网医疗科技有限公司 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
| CN115089192A (zh) * | 2022-05-27 | 2022-09-23 | 深圳邦健生物医疗设备股份有限公司 | 窦性与交界性异位心搏聚类方法、装置、设备和介质 |
| CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN115778402A (zh) * | 2022-12-02 | 2023-03-14 | 深圳华清心仪医疗电子有限公司 | 一种动态心电信号的伪差识别方法及系统 |
| CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070073176A1 (en) * | 2005-09-23 | 2007-03-29 | Jennifer Healey | Method and system for detecting premature ventricular contraction from a surface electrocardiogram |
| 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 |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
-
2018
- 2018-07-24 CN CN201810816929.XA patent/CN108937915B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070073176A1 (en) * | 2005-09-23 | 2007-03-29 | Jennifer Healey | Method and system for detecting premature ventricular contraction from a surface electrocardiogram |
| 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 |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
| CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| FEI-YAN ZHOU等: "Premature ventricular contraction detection combining deep neural networks and rules inference", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
| VESSELA KRASTEVA等: "Classification of supraventricular and ventricular beats by QRS template matching and decision tree", 《COMPUTING IN CARDIOLOGY》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109480825B (zh) * | 2018-12-13 | 2021-08-06 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
| CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
| WO2022062992A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 检测早搏类型的方法、装置及介质 |
| CN112587147A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种基于卷积神经网络的房性早搏目标检测方法 |
| CN112617850A (zh) * | 2021-01-04 | 2021-04-09 | 苏州大学 | 心电信号的早搏心拍检测方法 |
| CN112617850B (zh) * | 2021-01-04 | 2022-08-30 | 苏州大学 | 心电信号的早搏心拍检测系统 |
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| CN112842349B (zh) * | 2021-02-20 | 2022-03-11 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| CN114652323B (zh) * | 2022-02-25 | 2023-03-21 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| CN114652323A (zh) * | 2022-02-25 | 2022-06-24 | 苏州大学 | 一种心律失常的检测方法、装置及设备 |
| CN114668401A (zh) * | 2022-03-11 | 2022-06-28 | 肇庆星网医疗科技有限公司 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
| CN115089192A (zh) * | 2022-05-27 | 2022-09-23 | 深圳邦健生物医疗设备股份有限公司 | 窦性与交界性异位心搏聚类方法、装置、设备和介质 |
| CN115089192B (zh) * | 2022-05-27 | 2024-09-17 | 深圳邦健生物医疗设备股份有限公司 | 窦性与交界性异位心搏聚类方法、装置、设备和介质 |
| CN115486854A (zh) * | 2022-09-15 | 2022-12-20 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN115486854B (zh) * | 2022-09-15 | 2024-04-30 | 浙江好络维医疗技术有限公司 | 一种针对干电极采集的单导联心电图室性早搏识别方法 |
| CN115778402A (zh) * | 2022-12-02 | 2023-03-14 | 深圳华清心仪医疗电子有限公司 | 一种动态心电信号的伪差识别方法及系统 |
| CN116350199A (zh) * | 2023-05-31 | 2023-06-30 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
| CN116350199B (zh) * | 2023-05-31 | 2023-08-18 | 合肥心之声健康科技有限公司 | 一种动态心电图心搏模板生成方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108937915B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108937915A (zh) | 一种动态心电图中早搏的识别方法 | |
| Liu et al. | An open access database for evaluating the algorithms of electrocardiogram rhythm and morphology abnormality detection | |
| CN111657926B (zh) | 一种基于多导联信息融合的心律失常分类方法 | |
| US7120485B2 (en) | Method and system for detection of cardiac arrhythmia | |
| US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
| Rezgui et al. | ECG biometric recognition using SVM‐based approach | |
| Ye et al. | Combining general multi-class and specific two-class classifiers for improved customized ECG heartbeat classification | |
| Plesinger et al. | Automatic detection of atrial fibrillation and other arrhythmias in holter ECG recordings using rhythm features and neural networks | |
| Xu et al. | I-vector-based patient adaptation of deep neural networks for automatic heartbeat classification | |
| CN109303561A (zh) | 一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法 | |
| Xie et al. | Bidirectional recurrent neural network and convolutional neural network (BiRCNN) for ECG beat classification | |
| Carlson et al. | Classification of electrocardiographic P-wave morphology | |
| KR102632272B1 (ko) | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 | |
| Luz et al. | How the choice of samples for building arrhythmia classifiers impact their performances | |
| US8750973B2 (en) | Method and system for detecting P-waves in the surface ECG signal | |
| Silipo et al. | Classification of arrhythmic events in ambulatory electrocardiogram, using artificial neural networks | |
| Pathoumvanh et al. | Arrhythmias detection and classification base on single beat ECG analysis | |
| Afsar et al. | Detection of ST segment deviation episodes in ECG using KLT with an ensemble neural classifier | |
| Zhou et al. | Premature ventricular contraction detection from ambulatory ECG using recurrent neural networks | |
| Vollmer et al. | Can supervised learning be used to classify cardiac rhythms? | |
| Banerjee et al. | Non-invasive detection of coronary artery disease based on clinical information and cardiovascular signals: A two-stage classification approach | |
| Zimmerman et al. | A reconstructed phase space approach for distinguishing ischemic from non-ischemic ST changes using Holter ECG data | |
| KR102264569B1 (ko) | 클래스 확률 출력망 기반 심장 상태 분류 방법 및 장치 | |
| Llamedo et al. | Analysis of 12-lead classification models for ECG classification | |
| Yeh | An Analysis of ECG for Determining Heartbeat Case by Using the Principal Component Analysis and Fuzzy Logic. |
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 |