CN109117769A - 一种针对穿戴式心电采集的实时质量评估反馈方法 - Google Patents
一种针对穿戴式心电采集的实时质量评估反馈方法 Download PDFInfo
- Publication number
- CN109117769A CN109117769A CN201810857111.2A CN201810857111A CN109117769A CN 109117769 A CN109117769 A CN 109117769A CN 201810857111 A CN201810857111 A CN 201810857111A CN 109117769 A CN109117769 A CN 109117769A
- Authority
- CN
- China
- Prior art keywords
- real
- feedback method
- electrocardiogram acquisition
- wearing type
- signal
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明专利公开了一种针对穿戴式心电采集的实时质量评估反馈方法,通过判断信号类型、计算信号的特征向量并构建成特征矩阵,对每个特征向量标准化后,通过径向基核函数SVM分类器对矩阵进行分类,划分信号质量等级,不仅能够有效的判断心电信号质量的好坏,而且能够快速得到质量评估结果,提供有效直观的反馈信息。
Description
所属领域
本发明属于动态心电信号质量评估领域,具体涉及一种针对穿戴式心电采集的实时质量评估反馈方法。
背景技术
心电图(Electrocardiogram,ECG)是心脏兴奋的发生、传播及恢复过程的客观指标,是反应心脏兴奋的电活动过程,对于各种心律失常、心室心房肥大、心肌梗死、心肌缺血等病症检查以及在指导心脏手术进行及指示必要的药物处理上有重要的临床参考价值。
自从1885年荷兰生理学家W.Einthoven首次从体表记录到心电波形,由此开创了体表心电图记录的历史,经过100多年的发展,心电信号的记录日臻完善,同时心电信号也成为辨别许多心血管疾病的最常用的临床检测手段之一。
自从CinC2011起,心电信号质量评估就成了当前研究的热点之一,这也使得国内外的研究学者也都处于高度关注状态中。而研究学者们常使用的方法主要分为三大类:第一是基于信号波形属性的方法,第二是基于时域和频域的方法,第三是基于机器学习的方法。近年来,心电信号质量评估方法基本采用信号波形特征直接评估法和模式识别评估法来进行心电质量评估。与此同时,在使用便携穿戴式心电装置采集到的心电波形进行临床诊断时,需要去伪存真,去粗留精,把那些假报警,以及没有临床价值的心电信息提前去除,将相对清晰,具有临床诊断重要依据的ECG提供给医生作为诊断参考,从而提高诊断的效率和准确率。当前的一些计算机分析软件对于心电信号质量的评估环节重视不够,而心电信号波形是临床诊断的重要依据,心电信号质量评估更是医学中对心电信号进行解读分析的前提和先决条件,也是进行临床分析的必备过程。因此,探究更有效的心电信号质量评估方法势在必行。
从近期的一些论文和专利技术中可以看到,人们对于心电信号的质量问题越来越关注,越来越多的学者和研究人员加大了对心电质量技术的研究,但是这些研究大多都是基于特征点提取的,一般都是通过R波点,QRS序列的时间特征或是整段信号的功率谱进行简单判断。若单独使用R波和QRS序列的时间特征,当病人出现病理状态时,就很难获得真实的评价估计了,但若用整段信号的功率谱估计又会由于大量噪声的频谱和QRS波群信号频谱产生重叠而带来评估上的差错。同时,在这些研究中多是使用简单的特征进行质量评估,性能非常有限,很难获得心电信号质量的真实评估。也有研究者试图采用大量的复杂特征和分类算法来提高分类性能,但是由于其复杂度过高,在动态心电信号实时评估中也很难得到应用。因而,设计一种实时对心电信号质量进行评估反馈的方法就变得极为迫切和重要。
发明内容
本发明正是针对现有技术中的问题,提供了一种针对穿戴式心电采集的实时质量评估反馈方法,通过判断信号类型、计算信号的特征向量并构建成特征矩阵,对每个特征向量标准化后,通过径向基核函数SVM分类器对矩阵进行分类,划分信号质量等级,不仅能够有效的判断心电信号质量的好坏,而且能够快速得到质量评估结果,提供有效直观的反馈信息。
为了实现上述目的,本发明采用的技术方案是:.一种针对穿戴式心电采集的实时质量评估反馈方法,包括以下步骤:
S1,判断信号类型;
S2,计算信号的特征向量,所述特征向量至少包括R波匹配度、峰度值、功率谱密度比值、偏斜度及样本熵;
S3,将步骤S2中的特征向量构建成特征矩阵,并对每个特征向量标准化;
S4,通过径向基核函数SVM分类器对矩阵进行分类,划分信号质量等级。
作为本发明的一种改进,所述步骤S1中,通过信号频域和时域特征分析,判断是否为心电信号,若是,继续步骤S2;若非心电信号,输出信号类型,步骤结束。
作为本发明的一种改进,所述步骤S2中R波匹配度的计算包括:通过p&t 和wqrs两种算法同时对同一输入心电信号进行QRS波检测,所述R波匹配度M 的计算公式为:其中Nmatched是在150ms允许的误差范围内p&t算法和wqrs算法共同检测到的R波个数,Np&t是通过p&t算法检测到的 R波个数,Nwqrs是通过wqrs算法检测到的R波个数。
作为本发明的又一种改进,所述步骤S2中峰度值K为:其中μx表示为输入心电信号xi的均值,σ表示为输入心电信号xi的标准差,n为该段信号的采样点数。
作为本发明的又一种改进,所述步骤S2中功率谱密度比值P为:其中P(f)为心电信号功率谱密度函数。
作为本发明的另一种改进,所述步骤S2中偏斜度S为:其中xi表示该段信号的n采样点数,μ表示为输入心电信号的均值,σ表示为输入心电信号xi的标准差。
作为本发明的另一种改进,所述步骤S2中样本熵SampEn为:其中m表示x按顺序重构成向量的维数,r表示为相似容忍度,B表示为对于n-m+1个m维矢量,统计不包含向量xi在内的n-m个向量中与元素xi的距离max|xi+k-xj+k|≤r×SD(,k=0,1,…,m-1;i,j=1,2,…,n-m+1) 的数目与距离总数(n-m)的比值。
作为本发明的更进一步改进,所述步骤S2样本熵的计算中,x=1or 2,r =0.1~0.25×SD,其中SD为心电信号的标准差。
作为本发明的更进一步改进,所述功率谱密度比值为计算5~15Hz频段的功率谱密度占5~45Hz频段的功率谱密度的比值。
作为本发明的更进一步改进,所述步骤S3中特征向量标准化的方法为:每个特征向量减去中值并除以标准差。
与现有技术相比,本发明专利的有益效果:
1、首先步骤1可以将非心电信号和没有临床价值的心电信息提前去除,将相对清晰,具有临床意义的心电信号提供给医生作为诊断参考,提高诊断的效率和准确率,为患者负责,为后续的信号解读和分析以及疾病的判断提供有效的条件;
2、能够对于采集到的数据进行实时、长时且有效的区分是否为心电信号,并将心电信号进行质量评估,划分为非心电信号、质量好的心电信号和质量差的心电信号,为用户提供了更加直观有效的反馈;
3、能够实现在动态行为下实时心电监控,克服了穿戴式心电采集设备易发生数据误差,不能实时监控的弊端,对动态心电监测有一定的指导作用。
附图说明
图1是本发明一种针对穿戴式心电采集的实时质量评估反馈方法流程示意图;
图2是本发明对非心电信号的评估结果;
图3是本发明对质量好的心电信号的评估结果;
图4是本发明对质量差的心电信号的评估结果。
具体实施方式
以下将结合附图和实施例,对本发明进行较为详细的说明,本发明所有信号分析处理均采用固定10s的分析窗口进行分析。
实施例1
一种针对穿戴式心电采集的实时质量评估反馈方法,包括以下步骤:
S1,判断信号类型;
对输入的信号进行分析,通过信号频域和时域特征分析,首先确定信号是否为明显的非心电信号。若非心电信号,输出信号类型,步骤结束,此种判断可以将非心电信号和没有临床价值的心电信息提前去除,将相对清晰,具有临床意义的心电信号提供给医生作为诊断参考,提高诊断的效率和准确率,为患者负责,为后续的信号解读和分析以及疾病的判断提供有效的条件。在时域特征分析时,主要采取频谱分布特征和信号峰值,斜率等来探测,如:探测到的信号为直线,有可能由于导联脱落引起;探测到的是方波,正弦波,三角波信号等,均为非心电信号,如图2所示;若是心电信号,继续步骤S2;
S2,计算信号的特征向量,所述特征向量至少包括R波匹配度、峰度值、功率谱密度比值、偏斜度及样本熵;
其中R波匹配度的计算包括:通过p&t和wqrs两种算法同时对同一输入心电信号进行QRS波检测,所述R波匹配度M的计算公式为:
其中Nmatched是在150ms允许的误差范围内p&t算法和wqrs算法共同检测到的R 波个数,Np&t是通过p&t算法检测到的R波个数,Nwqrs是通过wqrs算法检测到的R波个数。
峰度是反应信号表征概率密度分布曲线在平均值处峰值高低的特征数,峰度值K的计算公式为:
其中μx表示为输入心电信号xi的均值,σ表示为输入心电信号xi的标准差,n为该段信号的采样点数。一般来说,高斯分布的K值为3,肌电干扰的K值为5左右,正常窦性心律的K值大于5,基线漂移和50Hz工频干扰的K值均小于5。
功率谱密度比值P为:其中P(f)为心电信号功率谱密度函数,所述功率谱密度比值为计算5~15Hz频段的功率谱密度占5~45Hz频段的功率谱密度的比值。
偏斜度表示心电信号分布的三次方(偏斜度),定义倾斜度S的计算公式为:
其中xi表示该段信号的n采样点数,μ表示为输入心电信号的均值,σ表示为输入心电信号xi的标准差。
样本熵是用来衡量时间序列复杂度,定义样本熵SampEn为:
其中m表示x按顺序重构成向量的维数,通常取值为1或者2,r表示为相似容忍度,通常取值为r=0.1~0.25×SD,其中SD为心电信号的标准差。B表示为对于n-m+1个m维矢量,统计不包含向量xi在内的n-m个向量中与元素xi的距离 max|xi+k-xj+k|≤r×SD(,k=0,1,…,m-1;i,j=1,2,…,n-m+1)的数目与距离总数(n-m)的比值。
S3,将步骤S2中的特征向量构建成特征矩阵F:F=[M,K,P,S,SampEn],对每个特征向量标准化,所述特征向量标准化的方法为:每个特征向量减去中值并除以标准差。
S4,通过径向基核函数SVM分类器对矩阵进行分类,划分信号质量等级:
支持向量机利用核函数支持向量机(Kernel support vector machine,KSVM) 解决非线性分类,其基本原理是用核函数把非线性训练样本映射到可以进行线性分类的高维空间,求出能把样本分开的最优分类超平面,从数学的角度,等价于求解一个凸二次规划问题。
式中,αi拉格朗日乘子,只有少数的αi等于0,这些不为0的αi所对应的样本就是支持向量,K(xi,xj)=φ(xi·φ(xj)称为核函数。
KSVM分类机的训练过程,就是代入样本xi,求得相应的αi和b,训练完毕,则得到分类决策函数,在决策函数中代入测试数据,就得到分类结果。决策函数如下:
式中,xi是第i个支持向量,K是核函数,x是待分类数据,n是支持向量个数,αi和b通过训练计算可得。
如图3为经过本发明方法得到的质量比较好的心电信号的评估结果,其对应标准化特征矩阵为[0.7154 0.2699 1.2549 -1.5152 0.6262],图4是本发明对质量差的心电信号的评估结果,其对应标准化特征矩阵为[-1.6362 -0.2127 -0.4023 1.0589 -0.9672]。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,包括以下步骤:
S1,判断信号类型;
S2,计算信号的特征向量,所述特征向量至少包括R波匹配度、峰度值、功率谱密度比值、偏斜度及样本熵;
S3,将步骤S2中的特征向量构建成特征矩阵,并对每个特征向量标准化;
S4,通过径向基核函数SVM分类器对矩阵进行分类,划分信号质量等级。
2.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于所述步骤S1中,通过信号频域和时域特征分析,判断是否为心电信号,若是,继续步骤S2;若非心电信号,输出信号类型,步骤结束。
3.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于所述步骤S2中R波匹配度的计算包括:通过p&t和wqrs两种算法同时对同一输入心电信号进行QRS波检测,所述R波匹配度M的计算公式为:
其中Nmatched是在150ms允许的误差范围内p&t算法和wqrs算法共同检测到的R波个数,Np&t是通过p&t算法检测到的R波个数,Nwqrs是通过wqrs算法检测到的R波个数。
4.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于:所述步骤S2中峰度值K为:
其中μx表示为输入心电信号xi的均值,σ表示为输入心电信号xi的标准差,n为该段信号的采样点数。
5.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于所述步骤S2中功率谱密度比值P为:
其中P(f)为心电信号功率谱密度函数。
6.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,所述步骤S2中偏斜度S为:
其中xi表示该段信号的n采样点数,μ表示为输入心电信号的均值,σ表示为输入心电信号xi的标准差。
7.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,所述步骤S2中样本熵SampEn为:
其中m表示x按顺序重构成向量的维数,r表示为相似容忍度,B表示为对于n-m+1个m维矢量,统计不包含向量xi在内的n-m个向量中与元素xi的距离max|xi+k-xj+k|≤r×SD(,k=0,1,…,m-1;i,j=1,2,…,n-m+1)的数目与距离总数(n-m)的比值。
8.如权利要求7所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,所述步骤S2样本熵的计算中,x=1 or 2,r=0.1~0.25×SD,其中SD为心电信号的标准差。
9.如权利要求5所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,所述功率谱密度比值为计算5~15Hz频段的功率谱密度占5~45Hz频段的功率谱密度的比值。
10.如权利要求1所述的一种针对穿戴式心电采集的实时质量评估反馈方法,其特征在于,所述步骤S3中特征向量标准化的方法为:每个特征向量减去中值并除以标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810857111.2A CN109117769A (zh) | 2018-07-31 | 2018-07-31 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810857111.2A CN109117769A (zh) | 2018-07-31 | 2018-07-31 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117769A true CN109117769A (zh) | 2019-01-01 |
Family
ID=64863838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810857111.2A Pending CN109117769A (zh) | 2018-07-31 | 2018-07-31 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117769A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN113796873A (zh) * | 2021-10-26 | 2021-12-17 | 山东建筑大学 | 穿戴式动态心电信号分类方法及系统 |
CN113907765A (zh) * | 2021-10-10 | 2022-01-11 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
CN114176519A (zh) * | 2021-12-09 | 2022-03-15 | 复旦大学 | 一种非接触式心电信号质量分类方法 |
WO2023108331A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102613969A (zh) * | 2012-04-28 | 2012-08-01 | 深圳市理邦精密仪器股份有限公司 | 一种导联脱落判断方法与装置 |
CN102755161A (zh) * | 2012-03-30 | 2012-10-31 | 浙江好络维医疗技术有限公司 | 一种用于心电监测的导联脱落检测装置及其检测方法 |
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 |
CN104473633A (zh) * | 2014-12-31 | 2015-04-01 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN105224083A (zh) * | 2015-09-25 | 2016-01-06 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
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 |
CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
US20160242664A1 (en) * | 2013-10-09 | 2016-08-25 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
CN107296600A (zh) * | 2017-05-17 | 2017-10-27 | 哈尔滨工业大学(威海) | 一种快速十二导联心电信号质量评估方法 |
-
2018
- 2018-07-31 CN CN201810857111.2A patent/CN109117769A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755161A (zh) * | 2012-03-30 | 2012-10-31 | 浙江好络维医疗技术有限公司 | 一种用于心电监测的导联脱落检测装置及其检测方法 |
CN102613969A (zh) * | 2012-04-28 | 2012-08-01 | 深圳市理邦精密仪器股份有限公司 | 一种导联脱落判断方法与装置 |
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 |
US20160242664A1 (en) * | 2013-10-09 | 2016-08-25 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
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 |
CN104473633A (zh) * | 2014-12-31 | 2015-04-01 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN105224083A (zh) * | 2015-09-25 | 2016-01-06 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
CN107296600A (zh) * | 2017-05-17 | 2017-10-27 | 哈尔滨工业大学(威海) | 一种快速十二导联心电信号质量评估方法 |
Non-Patent Citations (2)
Title |
---|
Q LI等: "Robust heart rate estimation from multiple asynchronous noisy sources using signal quality indices and a Kalman filter", 《PHYSIOL MEAS》 * |
张本禹等: "基于脑电情绪识别的研究现状", 《中央民族大学学报(自然科学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141218A (zh) * | 2019-06-17 | 2019-08-20 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
CN110141218B (zh) * | 2019-06-17 | 2022-02-18 | 东软集团股份有限公司 | 一种心电信号分类方法、装置及程序产品、存储介质 |
CN111067508B (zh) * | 2019-12-31 | 2022-09-27 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN111067508A (zh) * | 2019-12-31 | 2020-04-28 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN112869752B (zh) * | 2021-02-10 | 2022-02-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN113907765A (zh) * | 2021-10-10 | 2022-01-11 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
CN113907765B (zh) * | 2021-10-10 | 2024-02-23 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
CN113796873A (zh) * | 2021-10-26 | 2021-12-17 | 山东建筑大学 | 穿戴式动态心电信号分类方法及系统 |
CN113796873B (zh) * | 2021-10-26 | 2024-05-03 | 山东建筑大学 | 穿戴式动态心电信号分类方法及系统 |
CN114176519A (zh) * | 2021-12-09 | 2022-03-15 | 复旦大学 | 一种非接触式心电信号质量分类方法 |
WO2023108331A1 (zh) * | 2021-12-13 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
CN116407133A (zh) * | 2023-06-02 | 2023-07-11 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
CN116407133B (zh) * | 2023-06-02 | 2023-08-29 | 中国医学科学院阜外医院 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117769A (zh) | 一种针对穿戴式心电采集的实时质量评估反馈方法 | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
Madeiro et al. | An innovative approach of QRS segmentation based on first-derivative, Hilbert and Wavelet Transforms | |
Beritelli et al. | A novel training method to preserve generalization of RBPNN classifiers applied to ECG signals diagnosis | |
CN103690156B (zh) | 一种心率获取方法及心电信号的处理方法 | |
WO2019161610A1 (zh) | 心电信息处理方法和心电工作站系统 | |
Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
CN103610447B (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
Jung et al. | An arrhythmia classification method in utilizing the weighted KNN and the fitness rule | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
Xu et al. | Rule-based method for morphological classification of ST segment in ECG signals | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
CN110123304A (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
Ansari et al. | Noise detection in electrocardiography signal for robust heart rate variability analysis: A deep learning approach | |
Ranjan et al. | A unified approach of ECG signal analysis | |
Ghaffari et al. | High resolution ambulatory holter ECG events detection-delineation via modified multi-lead wavelet-based features analysis: Detection and quantification of heart rate turbulence | |
Ramasamy et al. | Detection of cardiac arrhythmias from ECG signals using FBSE and Jaya optimized ensemble random subspace K-nearest neighbor algorithm | |
Jiang et al. | Visualization deep learning model for automatic arrhythmias classification | |
Zhang et al. | Method of diagnosing heart disease based on deep learning ECG signal | |
Moghadam et al. | Automatic diagnosis and localization of myocardial infarction using morphological features of ECG signal | |
CN110070013A (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
Kishore et al. | An innovative machine learning approach for classifying ECG signals in healthcare devices |
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: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |