CN109009143B - 一种通过人体步态预测心电信息的方法 - Google Patents

一种通过人体步态预测心电信息的方法 Download PDF

Info

Publication number
CN109009143B
CN109009143B CN201810763736.2A CN201810763736A CN109009143B CN 109009143 B CN109009143 B CN 109009143B CN 201810763736 A CN201810763736 A CN 201810763736A CN 109009143 B CN109009143 B CN 109009143B
Authority
CN
China
Prior art keywords
gait
pass filter
output
electrocardiosignals
information
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
Application number
CN201810763736.2A
Other languages
English (en)
Other versions
CN109009143A (zh
Inventor
王俊宏
金崇伟
曹九稳
王丹萍
张乐
薛安克
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.)
Hefei Hongkou Health Management Co ltd
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810763736.2A priority Critical patent/CN109009143B/zh
Publication of CN109009143A publication Critical patent/CN109009143A/zh
Application granted granted Critical
Publication of CN109009143B publication Critical patent/CN109009143B/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters

Abstract

本发明涉及一种通过人体步态预测心电信息的方法。本发明首先，通过三维动作分析系统及心电采集系统采集人体的步态信息和ECG信号；然后，对采集到的信息进行特征提取，提取过程中通过滤波器消除一些不必要的噪声；接着，将数据分成一个个小子集，建立数据样本集；最后，建立基于正则极限学习机（RELM）的预测模型，找出步态信息与ECG信号之间的关联性。本发明采用传统检测QRS波群的方法，计算量相对较小，便于实时检测心电信号。

Description

一种通过人体步态预测心电信息的方法
技术领域
本发明涉及信号处理技术领域，涉及一种通过人体步态预测心电信息的方法。
背景技术
目前，步态分析系统包括运动学、动力学以及动态肌电图三部分。通过对这三部分数据的采集及处理，再结合运算公式就可以观测到人体在运动时的步态，各个关节的角度以及肌肉的收缩活动。但由于成本等原因，定性分析仍是目前最常用的评定手段。
由于QRS波群是心电图中最明显的一部分，并且，它体现了心室去极化过程的电位变化，所以在心电分析当中QRS波群检测至关重要。目前，传统的QRS波检测算法仍然能够很好的应用于实际，其基本步骤是：首先对心电图进行预处理，消除心电图中的各种噪声，再经过非线性处理放大QRS波，最后进行识别。近年来，基于小波变换的QRS波检测算法层出不穷，其可以在时域与频域两种域中得到表征信号局部特征的效果，并且适应性强，准确度高，但同时该种计算量也较大；还有人在QRS检测中运用神经网络算法，体现了良好的抗噪声能力。
发明内容
本发明针对现有技术的不足，提供了一种通过人体步态预测心电信息的方法。
本发明方法的步骤包括：
步骤(1).获取人体运动的三维动作数据及对应心电信号；具体是：通过三维动作分析系统实时捕捉人体在不同速度下运动的三维动作数据；同时对心电信号进行采集，并保证三维动作数据与心电信号在时间上的对应性。
步骤(2).计算步态特征参数。通过步骤(1)得到的去除噪声的三维动作数据，采用定量分析的方法求出步态特征参数，步态特征参数包括时间-距离参数、运动学参数和动力学参数。
步骤(3).通过采集的心电信号检测QRS波群。具体是：
1)通过级联低通滤波器和高通滤波器组成的整数带通滤波器来实现噪声抑制。首先，将采集到的心电信号通过低通滤波器进行滤波，低通滤波器的差分方程如下：
x2(nT)＝2x2(nT-T)-x2(nT-2T)+x1(nT)
-2x1(nT-6T)+x1(nT-12T) (1)
其中，T为采样周期，n为离散信号的序列数，x1(nT)为离散时间系统的输入序列，即步骤(1)采集到的心电信号，x2(nT)表示低通滤波器滤波后的信号，截止频率约为11Hz，增益为36，滤波处理延迟为6个采样周期。
高通滤波器的差分方程如下：
x3(nT)＝32x2(nT-16T)-[x3(nT-T)+x2(nT)
-x2(nT-32T)] (2)
上式中，x3(nT)为通过高通滤波器滤波后的信号，该滤波器的截止频率约为5Hz，增益为32，延迟为16个采样周期。
2)由带通滤波器滤波后，对心电信号进行微分处理。微分处理的差分方程为：
Figure BDA0001728512930000031
x4(nT)表示经过微分处理后的心电信号，处理后的心电信号可以获得QRS复数斜率信息。
3)利用非线性平方函数来放大QRS波群的高频特性。非线性平方函数如下式：
x5(nT)＝[x4(nT)]2 (4)
x5(nT)代表经过非线性平方函数得到的心电信号。
4)以步骤3)放大的结果，通过移动窗口积分来确定R波的斜率以及QRS波群的波形。移动窗口积分器的差分方程为：
Figure BDA0001728512930000032
y(nT)为利用移动窗口积分获得的心电信号，N为移动窗口中样本的数量。
5)最后设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息。
步骤(4).建立预测模型
1)通过步骤(2)和步骤(3)求出的步态特征参数和心电信号特征信息，将代表步态特征参数和心电信号特征信息数据以时间段分成一个个子集，子集中步态特征作为输入样本集，相对应的心电信号特征作为期望输出样本集。
2)将步态特征参数归一化至[-1,1]区间。利用正则化极限学习机算法对数据进行训练。正则化极限学习机算法的步骤如下：
a)随机确定输入与隐含层神经元之间连接权值矩阵ω及隐含层对应的偏置向量b。
b)选择合适的隐含层节点数目L和激活函数g(x)，建立数学模型如下：
Figure BDA0001728512930000041
式中，设xi＝(xi1,xi2,…,xin,)∈Rn和yi＝(yi1,yi2,…,yim)∈Rm分别为输入样本集和实际输出样本集，n和m分别为输入层和输出层神经元个数，ωi代表输入向量与第i个隐含层神经元之间连接权值向量，βi表示输出向量与第i个隐含层神经元之间连接权值向量，bi表示第i个隐含层对应的偏置。
c)将式(6)写成矩阵形式为：
Hβ＝T (7)
其中，
Figure BDA0001728512930000042
N为训练样本个数，
Figure BDA0001728512930000043
期望输出矩阵
Figure BDA0001728512930000044
d)在目标函数中引入正则项：
Figure BDA0001728512930000045
式中，γ为正则化系数，
Figure BDA0001728512930000051
为训练误差和，i＝1,2,…,N。
e)通过构造拉格朗日方程得到输出权值矩阵
Figure BDA0001728512930000052
Figure BDA0001728512930000053
f)将所求得的输出权值矩阵
Figure BDA0001728512930000054
代入式(6)中求得实际输出矩阵，即得到实际心电信息输出。
本发明的有益效果：本发明采用传统检测QRS波群的方法，计算量相对较小，便于实时检测心电信号，同时，基于正则化的极限学习机通过步态特征数据检测心电信号的方法，建立预测模型，该算法可以产生良好的泛化性能，结构简单，克服了传统神经网络参数设置复杂的缺陷，能够比传统前馈神经网络算法快上数千倍。
具体实施方式
以下结合实施例对本发明作进一步说明。
本发明方法的步骤包括：
步骤(1).获取人体运动的三维动作数据及对应心电信号。具体方法是：首先通过三维动作分析系统实时捕捉人体在不同速度下运动的三维动作及各种数据，获得速度、加速度、动作时间、角度变化等参数，同时对心电信号进行采集，并保证三维动作数据与心电信号在时间上的对应性。
步骤(2).计算出其步态参数。由于所获得的三维数据会被一些噪声所影响，可以通过加权移动平均来去除噪声。对于步态分析可以采用定量分析的方法得到步态特征参数，设置动作起始点，并通过其输出的数据进行特征提取，求出时间-距离参数、运动学参数、动力学参数等步态特征参数。
步骤(3).QRS波群检测。QRS波检测是困难的，不仅因为QRS波群的生理变异性，而且还因为存在于心电信号中的各种类型的噪声，故采用一种实时的QRS检测算法，从而可以有效识别出QRS波群，具体实现步骤为：
1)通过级联低通滤波器和高通滤波器组成的整数带通滤波器来实现噪声抑制，即消除心电图中的工频干扰，呼吸波干扰造成的基线漂移等噪声干扰。低通滤波器的差分方程如下：
x2(nT)＝2x2(nT-T)-x2(nT-2T)+x1(nT)
-2x1(nT-6T)+x1(nT-12T) (1)
其中，T为采样周期，x1(nT)为离散时间系统的输入序列，即步骤(1)采集到的心电信号，x2(nT)表示低通滤波器滤波后的信号，截止频率约为11Hz，增益为36，滤波处理延迟为6个采样周期。高通滤波器的差分方程如下：
x3(nT)＝32x2(nT-16T)-[x3(nT-T)+x2(nT)
-x2(nT-32T)] (2)
上式中，x3(nT)为通过高通滤波器滤波后的信号，该滤波器的截止频率约为5Hz，增益为32，延迟为16个采样周期。
2)由带通滤波器滤波后，对信号进行微分处理以获得QRS复数斜率信息。微分处理的差分方程为：
Figure BDA0001728512930000061
x4(nT)表示经过微分处理后的心电信号
3)通过非线性平方函数来放大QRS波群的高频特性。平方函数如下式：
x5(nT)＝[x4(nT)]2 (4)
x5(nT)代表经过非线性平方函数得到的心电信号。
4)以步骤3)放大的结果，再通过移动窗口积分来确定R波的斜率以及波形的其他特征信息。移动窗口积分器的差分方程为：
Figure BDA0001728512930000071
y(nT)为利用移动窗口积分获得的心电信号，N为移动窗口中样本的数量。
5)最后设置自适应阈值，使得阈值得到周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号的心率等特征信息。
步骤(4).建立预测模型
1)通过步骤(2)和步骤(3)求出的步态特征和心电信号特征信息，将数据以时间段分成一个个小子集，子集中步态特征作为输入样本集，相对应的心电信号特征作为期望输出样本集。
2)为了避免训练过程中由于属性值小的贡献，步态特征参数被归一化为[-1,1]区间。由于正则化极限学习机算法具有结构简单，泛化性能高，且能有效防止过拟合现象等优点，于是利用正则化极限学习机算法对数据进行训练。基于上述原理实现的正则化极限学习机算法的步骤如下：
a)随机确定输入与隐含层神经元之间连接权值矩阵ω及隐含层对应的偏置向量b。
b)选择合适的隐含层节点数目L和激活函数g(x)，建立数学模型如下：
Figure BDA0001728512930000081
式中，设xi＝(xi1,xi2,…,xin,)∈Rn和yi＝(yi1,yi2,…,yim)∈Rm分别为输入样本集和实际输出样本集，n和m分别为输入层和输出层神经元个数，ωi代表输入向量与第i个隐含层神经元之间连接权值向量，βi表示输出向量与第i个隐含层神经元之间连接权值向量，bi表示第i个隐含层对应的偏置。
c)将式(6)写成矩阵形式为：
Hβ＝T (7)
其中，
Figure BDA0001728512930000082
N为训练样本个数，
Figure BDA0001728512930000083
期望输出矩阵
Figure BDA0001728512930000084
d)为了增强其泛化能力，并防止过拟合现象，在目标函数中引入正则项，目标函数可写成：
Figure BDA0001728512930000085
式中，γ为正则化系数，
Figure BDA0001728512930000086
为训练误差和，i＝1,2,…,N。
e)通过构造拉格朗日方程得到输出权值矩阵
Figure BDA0001728512930000087
Figure BDA0001728512930000088
f)将所求得的
Figure BDA0001728512930000089
代入式(6)中求得实际输出矩阵，即得到实际心电信息输出。
本实施例还可以将所求得的实际输出值与期望输出，使用均方根误差(RMSE)来评估预测模型的准确性和有效性。其函数如下式所示：
Figure BDA0001728512930000091
其中，s表示预测数据的数目，yi是实际预测数据值，ti代表期望输出。

Claims (2)

1.一种通过人体步态预测心电信息的方法，其特征在于该方法包括以下步骤：
步骤(1).获取人体运动的三维动作数据及对应心电信号；具体是：通过三维动作分析系统实时捕捉人体在不同速度下运动的三维动作数据；同时对心电信号进行采集，并保证三维动作数据与心电信号在时间上的对应性；对三维动作数据采用加权移动平均来去除噪声；
步骤(2).计算步态特征参数；通过步骤(1)得到的去除噪声的三维动作数据，采用定量分析的方法求出步态特征参数，包括时间-距离参数、运动学参数和动力学参数；
步骤(3).通过采集的心电信号检测QRS波群；具体是：
1)通过级联低通滤波器和高通滤波器组成的整数带通滤波器来实现噪声抑制；首先，将采集到的心电信号通过低通滤波器进行滤波，低通滤波器的差分方程如下：
x2(nT)＝2x2(nT-T)-x2(nT-2T)+x1(nT)-2x1(nT-6T)+x1(nT-12T) 1
其中，T为采样周期，n为离散信号的序列数，x1(nT)为离散时间系统的输入序列，即步骤(1)采集到的心电信号，x2(nT)表示低通滤波器滤波后的信号，截止频率为11Hz，增益为36，滤波处理延迟为6个采样周期；
高通滤波器的差分方程如下：
x3(nT)＝32x2(nT-16T)-[x3(nT-T)+x2(nT)-x2(nT-32T)] 2
式2中，x3(nT)为通过高通滤波器滤波后的信号，该滤波器的截止频率为5Hz，增益为32，延迟为16个采样周期；
2)由带通滤波器滤波后，对心电信号进行微分处理；微分处理的差分方程为：
Figure FDA0002838202430000021
x4(nT)表示经过微分处理后的心电信号，处理后的心电信号可以获得QRS复数斜率信息；
3)利用非线性平方函数来放大QRS波群的高频特性；非线性平方函数如下式：
x5(nT)＝[x4(nT)]2 4
x5(nT)代表经过非线性平方函数得到的心电信号；
4)以步骤3)放大的结果，通过移动窗口积分来确定R波的斜率以及QRS波群的波形；移动窗口积分器的差分方程为：
Figure FDA0002838202430000022
y(nT)为利用移动窗口积分获得的心电信号，N为移动窗口中样本的数量；
5)最后设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息；
步骤(4).建立预测模型
1)通过步骤(2)和步骤(3)求出的步态特征参数和心电信号特征信息，将代表步态特征参数和心电信号特征信息数据以时间段分成一个个子集，子集中步态特征作为输入样本集，相对应的心电信号特征作为期望输出样本集；
2)将步态特征参数归一化至[-1，1]区间；利用正则化极限学习机算法对数据进行训练；正则化极限学习机算法的步骤如下：
a)随机确定输入与隐含层神经元之间连接权值矩阵ω及隐含层对应的偏置向量b；
b)选择合适的隐含层节点数目L和激活函数g(x)，建立数学模型如下：
Figure FDA0002838202430000031
式中，设xi＝(xi1，xi2，...，xin，)∈Rn和yi＝(yi1，yi2，...，yim)∈Rm分别为输入样本集和实际输出样本集，n和m分别为输入层和输出层神经元个数，ωi代表输入向量与第i个隐含层神经元之间连接权值向量，βi表示输出向量与第i个隐含层神经元之间连接权值向量，bi表示第i个隐含层对应的偏置；
c)将式6写成矩阵形式为：
Hβ＝T 7
其中，
Figure FDA0002838202430000032
N为训练样本个数，
Figure FDA0002838202430000033
期望输出矩阵
Figure FDA0002838202430000034
d)在目标函数E中引入正则项：
Figure FDA0002838202430000041
式中，γ为正则化系数，
Figure FDA0002838202430000042
为训练误差和，i＝1，2，…，N；
e)通过构造拉格朗日方程得到输出权值矩阵
Figure FDA0002838202430000043
Figure FDA0002838202430000044
f)将所求得的输出权值矩阵
Figure FDA0002838202430000045
代入式6中求得实际输出矩阵，即得到实际心电信息输出。
2.根据权利要求1所述的一种通过人体步态预测心电信息的方法，其特征在于：步骤(4)还包括将所求得的实际输出值与期望输出，使用均方根误差来评估预测模型的准确性和有效性，其函数如下式所示：
Figure FDA0002838202430000046
其中，s表示预测数据的数目，yi是实际预测数据值，ti代表期望输出。
CN201810763736.2A 2018-07-12 2018-07-12 一种通过人体步态预测心电信息的方法 Active CN109009143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810763736.2A CN109009143B (zh) 2018-07-12 2018-07-12 一种通过人体步态预测心电信息的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810763736.2A CN109009143B (zh) 2018-07-12 2018-07-12 一种通过人体步态预测心电信息的方法

Publications (2)

Publication Number Publication Date
CN109009143A CN109009143A (zh) 2018-12-18
CN109009143B true CN109009143B (zh) 2021-01-29

Family

ID=64641418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810763736.2A Active CN109009143B (zh) 2018-07-12 2018-07-12 一种通过人体步态预测心电信息的方法

Country Status (1)

Country Link
CN (1) CN109009143B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110625A (zh) * 2019-04-24 2019-08-09 北方工业大学 Sar图像目标识别方法及装置
CN110236558A (zh) * 2019-04-26 2019-09-17 平安科技（深圳）有限公司 婴儿发育情况预测方法、装置、存储介质及电子设备
CN110215202A (zh) * 2019-05-14 2019-09-10 杭州电子科技大学 基于步态非线性特征的心电rr间隔预测关联方法
CN110236523A (zh) * 2019-06-17 2019-09-17 杭州电子科技大学 基于高斯回归的步态-心电rr间隔关联方法
CN111324880A (zh) * 2020-03-09 2020-06-23 深圳连心电子科技有限公司 一种指纹和心电特征双认证身份识别系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007510493A (ja) * 2003-11-12 2007-04-26 コンサルト イン メディスン ベスローテン フェンノートシャップ ヒト又は動物の心臓の虚血領域の存在を決定する方法及び装置
WO2009021147A1 (en) * 2007-08-08 2009-02-12 Dp Technologies, Inc. Human activity monitoring device with distance calculation
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
US20140275850A1 (en) * 2012-06-22 2014-09-18 Fitbit, Inc. Gps power conservation using environmental data
US20150272511A1 (en) * 2014-03-27 2015-10-01 The Arizona Board Of Regents On Behalf Of The University Of Arizona Method, device, and system for diagnosing and monitoring frailty
US20150359452A1 (en) * 2014-06-12 2015-12-17 PhysioWave, Inc. Impedance measurement devices, systems, and methods
US20160021117A1 (en) * 2014-07-18 2016-01-21 Ping Identity Corporation Devices and methods for threat-based authentication for access to computing resources
CN105361867A (zh) * 2015-10-30 2016-03-02 中国科学技术大学 一种康复数据处理系统
JP2018047230A (ja) * 2016-08-16 2018-03-29 アメリカン・リライアンス，インコーポレイテッド 診断信号の変換に基づいた疾病解析のための方法及びシステム
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007510493A (ja) * 2003-11-12 2007-04-26 コンサルト イン メディスン ベスローテン フェンノートシャップ ヒト又は動物の心臓の虚血領域の存在を決定する方法及び装置
WO2009021147A1 (en) * 2007-08-08 2009-02-12 Dp Technologies, Inc. Human activity monitoring device with distance calculation
US20140275850A1 (en) * 2012-06-22 2014-09-18 Fitbit, Inc. Gps power conservation using environmental data
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
US20150272511A1 (en) * 2014-03-27 2015-10-01 The Arizona Board Of Regents On Behalf Of The University Of Arizona Method, device, and system for diagnosing and monitoring frailty
US20150359452A1 (en) * 2014-06-12 2015-12-17 PhysioWave, Inc. Impedance measurement devices, systems, and methods
US20160021117A1 (en) * 2014-07-18 2016-01-21 Ping Identity Corporation Devices and methods for threat-based authentication for access to computing resources
CN105361867A (zh) * 2015-10-30 2016-03-02 中国科学技术大学 一种康复数据处理系统
JP2018047230A (ja) * 2016-08-16 2018-03-29 アメリカン・リライアンス，インコーポレイテッド 診断信号の変換に基づいた疾病解析のための方法及びシステム
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 (4)

* Cited by examiner, † Cited by third party
Title
A Fusion Health Monitoring Using ECG and Accelerometer sensors for Elderly Persons at Home;Wan-Young Chung等;《Proceedings of the 29th Annual International》;20071231;第3818-3821页 *
Analysis of Human Electrocardiogramfor Biometric Recognition;Yongjin Wang等;《EURASIP Journal on Advances in Signal Processing》;20081231;第1-11页 *
Ensemble-Based Risk Scoring with Extreme Learning Machine for Prediction of Adverse Cardiac Events;Nan Liu等;《Cogn Comput》;20171231;第9卷;第545-554页 *
可穿戴设备在疾病管理中的应用进展;王瑞 等;《中华护理杂志》;20180131;第53卷(第1期);第114-116页 *

Also Published As

Publication number Publication date
CN109009143A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109009143B (zh) 一种通过人体步态预测心电信息的方法
CN105919584B (zh) 用于可穿戴心率监测设备的心率估计方法及装置
CN110420019B (zh) 一种心冲击图信号的深度回归心率估计方法
CN102512157B (zh) 基于模型的动态心电图t波交替定量分析方法
CN110403600B (zh) 基于差值时间散点图的阵发性房颤智能分析方法及系统
CN107184198A (zh) 一种心电信号分类识别方法
Zhang et al. ECG signal classification with deep learning for heart disease identification
CN108113665B (zh) 一种心电信号自动降噪方法
Abbaspour et al. A novel approach for removing ECG interferences from surface EMG signals using a combined ANFIS and wavelet
CN113616213B (zh) 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质
CN108309284A (zh) 心电图t波终点检测方法和装置
CN114052744A (zh) 基于脉冲神经网络的心电信号分类方法
CN112244851A (zh) 一种肌肉运动识别方法及表面肌电信号采集装置
CN110338791B (zh) 基于样本熵和高斯模型的表面肌电信号活动段分割方法
Oo et al. Signal-to-noise ratio estimation in electromyography signals contaminated with electrocardiography signals
CN111110268B (zh) 基于随机向量功能连接网络技术的人体肌音信号预测方法
Priyadharsini et al. An Efficient method for the removal of ECG artifact from measured EEG Signal using PSO algorithm
Qiu et al. Elimination of power line interference from ECG signals using recurrent neural networks
CN111990991A (zh) 一种基于复杂网络的脑电信号分析方法及应用
CN108836316B (zh) 一种基于bp神经网络的心电信号r波提取方法
CN109002798B (zh) 一种基于卷积神经网络的单导视觉诱发电位提取方法
CN111887811A (zh) 基于脑电信号特征的大脑异常放电检测方法及系统
Insani et al. Investigation Reinforcement learning method for R-Wave detection on Electrocardiogram signal
CN115374815A (zh) 一种基于视觉Transformer的自动睡眠分期方法
Li et al. A High-Efficiency and Real-Time Method for Quality Evaluation of PPG Signals

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230104

Address after: Building 2, Phase 1, E-commerce Park, Jinggang Road, Economic Development Zone, Shushan District, Hefei City, Anhui Province, 230000

Patentee after: Hefei Hongkou Health Management Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University