CN109303559B - 一种基于梯度提升决策树的动态心电图心拍分类方法 - Google Patents
一种基于梯度提升决策树的动态心电图心拍分类方法 Download PDFInfo
- Publication number
- CN109303559B CN109303559B CN201811293012.2A CN201811293012A CN109303559B CN 109303559 B CN109303559 B CN 109303559B CN 201811293012 A CN201811293012 A CN 201811293012A CN 109303559 B CN109303559 B CN 109303559B
- Authority
- CN
- China
- Prior art keywords
- classification
- heartbeat
- beat
- heart beat
- training
- 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
Links
Images
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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于梯度提升决策树的动态心电图心拍分类方法,该方法可以在实际的动态心电图中依据是否有心律失常,以及心律失常的种类对心电信号中的单个心拍进行分类,具体的分类类别包括正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍五类,所述方法包括以下步骤:(1)获取训练数据;(2)心拍截取与特征提取;(3)特征选择与分类模型训练;(4)分类模型应用,其中步骤(3)采用了基于树模型的特征选择方法对特征进行选择,并采用梯度提升决策树分类方法训练分类模型。本发明适用于动态心电图的心律失常分类训练,以及不同类型心拍的分类识别,可辅助医生准确读取并分析心电图。
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,具体涉及一种基于梯度提升决策树的动态心电图心拍分类方法。
背景技术
随着人类生活节奏的不断加快,心脏疾病成为威胁人类健康的重要疾病,而多数心脏病人都伴有心律失常,因此准确的检测和诊断心律失常,对于心脏病的预防、监测、治疗、以及辅助医生诊断,提高医生的读取心电图的效率方面都具有重要的意义。
心律失常种类繁多,室上性异位搏动、室性异位搏动、心室搏动与正常心搏的融合、起搏器心搏不仅在心脏病人群中较为常见,而且室上性异位搏动、室性异位搏动在普通人群中也较为常见。
目前有多种方法进行心律失常的分类,包括直接识别、基于参数特征、统计学方法、变换域特征等,这些方法各有优缺点难以适应实际心电信号形态的多样性。
发明内容
为了克服现有心律失常的分类方式的无法适应实际心电信号形态的多样性的情况的不足,本发明提供一种基于梯度提升决策树的动态心电图心拍分类方法,在动态心电图中可以有效避免其他多种异常心拍的影响,准确的识别出心拍类型。
本发明解决其技术问题所采用的技术方案是:
一种基于梯度提升决策树的动态心电图心拍分类方法,所述方法包括以下步骤:
(1)获取训练数据:从已有心拍类型标签的心电信号数据库中选取心电信号数据作为训练数据记为trainData,trainData中需包含的心拍类型标签包括正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍;
(2)心拍截取与特征提取:根据trainData中已检测到的R峰值所在位置进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为trainFeature,再将每一心拍对应的心拍类型汇总并记为trainIndex;
(3)特征选择与分类模型训练:采用基于树模型的特征选择方法对训练数据特征trainFeature进行特征选择,并采用梯度提升决策树的分类方法,将选择后的特征和训练数据心拍类型trainIndex训练并保存得到分类识别模型;
(4)分类模型应用:将需要进行心拍分类的心电信号数据记为testData,识别出testData中的R峰值所在位置后进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为testFeature,再将testFeature输入步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex,至此完成本发明所述的分类方法。
进一步,所述步骤(1)中,训练数据集来自已有心拍类型标签的心电信号数据库,可为自建心电信号数据库、开源的心电信号数据库,也可为包含多来源心电信号的数据库;同时,数据库中需至少包含正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍的标签,且需保证trainData中上述五类心拍中的各类心拍数量相等。
所述步骤(2)中,所述的心拍截取方法为,以心电信号中已检测到的R峰值所在位置为中心,截取R峰左侧140ms与右侧280ms,共计420ms时长的心电信号作为单个心拍的数据。
所述步骤(2)中,所述的心拍特征集trainFeature汇总了每一个心拍的形态特征和变换域特征共计57维特征,形态特征共计6维,即:当前心拍的RR间期;心律变异特征HRV;QR间期特征;RS间期特征;R峰左右面积比Ratio1;R峰幅度差Diff,变换域特征共计51维,即:采用三次样条小波对心拍片段信号做4层小波分解,取其4层分解系数a4的14维特征,4层分解系数d4的14维特征,以及3层分解系数d3的23维特征作为变换域特征。
所述步骤(3)中,进行特征选择与分类模型训练,操作步骤如下:(3-1)采用基于树的特征选择方法计算trainFeature中57维特征各自的重要程度,得到的重要程度结果分别记为:s1、s2、s3、…s57;
(3-2)计算57维特征重要程度结果的均值,记为smean,同时将重要程度结果小于smean的特征剔除,剔除后剩余特征的维度记为n;
(3-3)采用梯度提升决策树的分类方法对降维后的n维特征以及对应的训练数据心拍类型trainIndex建立训练模型,建立训练模型中选择损失函数为对数损失,设置决策树的数量为N,设置学习率为α,设置基础决策树模型的最大深度为S,设置子采样为β;
(3-4)训练完成后保存并得到心拍分类识别模型。
所述步骤(4)中,分类模型应用的操作步骤如下:
(4-1)将需要进行心拍分类的心电信号数据记为testData,采用R峰识别方法识别出testData中心电信号的R峰值所在位置;
(4-2)采用与所述步骤(2)中相同的方法对testData进行心拍截取,并提取每一心拍的形态特征和变换域特征,汇总并记为testFeature;
(4-3)将testFeature输入本方法步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex,每一心拍的心拍类型输出结果对应本方法步骤(1)中所述五类心拍类型中的一类。
本发明的有益效果主要表现在:基于梯度提升决策树的动态心电图心拍分类方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,准确的识别出心拍类型。
附图说明
图1是一种基于梯度提升决策树的动态心电图心拍分类方法的流程图。
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1,一种基于梯度提升决策树的动态心电图心拍分类方法,该方法从已有心拍标记的数据库中获取五类心拍类型的心拍数据,截取心拍并获取各心拍的多维特征,经过特征选择,训练分类模型,最后根据分类模型输出测试数据的分类结果。
本实施方案中,主要针对动态心电图中心律失常心拍的自动识别问题,提供了一种基于梯度提升决策树的动态心电图心拍分类方法,包括以下步骤:
(1)获取训练数据:从已有心拍类型标签的心电信号数据库中选取心电信号数据作为训练数据记为trainData,trainData中需包含的心拍类型标签包括正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍;
(2)心拍截取与特征提取:根据trainData中已检测到的R峰值所在位置进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为trainFeature,再将每一心拍对应的心拍类型汇总并记为trainIndex;
(3)特征选择与分类模型训练:采用基于树模型的特征选择方法对训练数据特征trainFeature进行特征选择,并采用梯度提升决策树的分类方法,将选择后的特征和训练数据心拍类型trainIndex训练并保存得到分类识别模型;
(4)分类模型应用:将需要进行心拍分类的心电信号数据记为testData,识别出testData中的R峰值所在位置后进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为testFeature,再将testFeature输入步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex,至此完成本发明所述的分类方法。
进一步,所述步骤(1)中,训练数据集来自已有心拍类型标签的心电信号数据库,可为自建心电信号数据库、开源的心电信号数据库,也可为包含多来源心电信号的数据库。同时,数据库中需至少包含正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍的标签,且需保证trainData中上述五类心拍中的各类心拍数量相等。其他具有上述五类心拍标签的心电信号数据来源也应包含在本发明当中。
再进一步,所述步骤(2)中,所述的心拍截取方法为,以心电信号中已检测到的R峰值所在位置为中心,截取R峰左侧140ms与右侧280ms,共计420ms时长的心电信号作为单个心拍的数据。如有需要还可针对每个心拍的心电数据,采用如下方法做标准化处理:
其中,x为单心拍数据中的一个数据点幅值,mean(x)为单个心拍片段幅值的均值,std(x)为单个心拍片段幅值的标准差。
更进一步,所述步骤(2)中,所述的心拍特征集trainFeature汇总了每一个心拍的形态特征和变换域特征共计57维特征。形态特征共计6维,具体为:
1)当前心拍的RR间期,记为RRcur,即为当前心拍的R峰与后一相邻R峰之间的时间间期;
2)心律变异特征,记为HRV,计算方法为HRV=RRcur–RRpre,其中RRpre表示当前心拍前一心拍的RR间期;
3)QR间期特征,记为QRcur,即为当前心拍的Q波与R峰之间的时间间期;
4)RS间期特征,记为RScur,即为当前心拍的R峰与S波之间的时间间期;
5)R峰左右面积比Ratio1,计算方法为Ratio1=∑h(loc>peaks)/∑h(loc<peaks),其中h为对应点的幅值;
6)R峰幅度差Diff,计算方法为,以R峰为中心选取220ms时长内的幅度为h,计算Diff=max(h)-min(h);
变换域特征共计51维,具体为:采用三次样条小波对心拍片段信号做4层小波分解,取其4层分解系数a4的14维特征,4层分解系数d4的14维特征,以及3层分解系数d3的23维特征作为变换域特征。
进一步,所述步骤(3)中,进行特征选择与分类模型训练,操作步骤如下:
(3-1)采用基于树的特征选择方法计算trainFeature中57维特征各自的重要程度,得到的重要程度结果分别记为:s1、s2、s3、…s57;
(3-2)计算57维特征重要程度结果的均值,记为smean,同时将重要程度结果小于smean的特征剔除,剔除后剩余特征的维度记为n;
(3-3)采用梯度提升决策树的分类方法对降维后的n维特征以及对应的训练数据心拍类型trainIndex建立训练模型,建立训练模型中选择损失函数为对数损失,设置决策树的数量为N,设置学习率为α,设置基础决策树模型的最大深度为S,设置子采样为β,上述参数不同数值的组合选取方法也应包含在本发明当中;
(3-4)训练完成后保存并得到心拍分类识别模型。
进一步,所述步骤(4)中,分类模型应用的操作步骤如下:
(4-1)将需要进行心拍分类的心电信号数据记为testData,采用R峰识别方法识别出testData中心电信号的R峰值所在位置,不同类型的R峰识别方法都应包含在本发明当中;
(4-2)采用与本方法步骤(2)中相同的方法对testData进行心拍截取,并提取每一心拍的形态特征和变换域特征,汇总并记为testFeature;
(4-3)将testFeature输入本方法步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex,每一心拍的心拍类型输出结果对应本方法步骤(1)中所述五类心拍类型中的一类。
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出室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这些心律失常心拍。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 (4)
1.一种基于梯度提升决策树的动态心电图心拍分类方法,其特征在于,所述方法包括以下步骤:
(1)获取训练数据:从已有心拍类型标签的心电信号数据库中选取心电信号数据作为训练数据记为trainData,trainData中需包含的心拍类型标签包括正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍;
(2)心拍截取与特征提取:根据trainData中已检测到的R峰值所在位置进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为trainFeature,再将每一心拍对应的心拍类型汇总并记为trainIndex;
(3)特征选择与分类模型训练:采用基于树模型的特征选择方法对训练数据特征trainFeature进行特征选择,并采用梯度提升决策树的分类方法,将选择后的特征和训练数据心拍类型trainIndex训练并保存得到分类识别模型;
(4)分类模型应用:将需要进行心拍分类的心电信号数据记为testData,识别出testData中的R峰值所在位置后进行心拍截取,提取每一心拍的形态特征和变换域特征,汇总并记为testFeature,再将testFeature输入步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex;
所述步骤(2)中,所述的心拍特征集trainFeature汇总了每一个心拍的形态特征和变换域特征共计57维特征,形态特征共计6维,即:当前心拍的RR间期;心律变异特征HRV;QR间期特征;RS间期特征;R峰左右面积比Ratio1;R峰幅度差Diff,变换域特征共计51维,即:采用三次样条小波对心拍片段信号做4层小波分解,取其4层分解系数a4的14维特征,4层分解系数d4的14维特征,以及3层分解系数d3的23维特征作为变换域特征;
所述步骤(3)中,进行特征选择与分类模型训练,操作步骤如下:
(3-1)采用基于树的特征选择方法计算trainFeature中57维特征各自的重要程度,得到的重要程度结果分别记为:s1、s2、s3、…s57;
(3-2)计算57维特征重要程度结果的均值,记为smean,同时将重要程度结果小于smean的特征剔除,剔除后剩余特征的维度记为n;
(3-3)采用梯度提升决策树的分类方法对降维后的n维特征以及对应的训练数据心拍类型trainIndex建立训练模型,建立训练模型中选择损失函数为对数损失,设置决策树的数量为N,设置学习率为α,设置基础决策树模型的最大深度为S,设置子采样为β;
(3-4)训练完成后保存并得到心拍分类识别模型。
2.如权利要求1所述的一种基于梯度提升决策树的动态心电图心拍分类方法,其特征在于,所述步骤(1)中,所述心电信号数据库为自建心电信号数据库、开源的心电信号数据库或包含多来源心电信号的数据库;同时,数据库中需至少包含正常心拍、室上性异位搏动心拍、室性异位搏动心拍、心室搏动与正常心搏的融合心拍,以及起搏器心拍这五类心拍的标签,且需保证trainData中上述五类心拍中的各类心拍数量相等。
3.如权利要求1或2所述的一种基于梯度提升决策树的动态心电图心拍分类方法,其特征在于,所述步骤(2)中,所述的心拍截取方法为,以心电信号中已检测到的R峰值所在位置为中心,截取R峰左侧140ms与右侧280ms,共计420ms时长的心电信号作为单个心拍的数据。
4.如权利要求1或2所述的一种基于梯度提升决策树的动态心电图心拍分类方法,其特征在于,所述步骤(4)中,分类模型应用的操作步骤如下:
(4-1)将需要进行心拍分类的心电信号数据记为testData,采用R峰识别方法识别出testData中心电信号的R峰值所在位置;
(4-2)采用与所述步骤(2)中相同的方法对testData进行心拍截取,并提取每一心拍的形态特征和变换域特征,汇总并记为testFeature;
(4-3)将testFeature输入步骤(3)得到的分类识别模型中,输出每一心拍对应的心拍类型testIndex,每一心拍的心拍类型输出结果对应步骤(1)中所述五类心拍类型中的一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293012.2A CN109303559B (zh) | 2018-11-01 | 2018-11-01 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811293012.2A CN109303559B (zh) | 2018-11-01 | 2018-11-01 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109303559A CN109303559A (zh) | 2019-02-05 |
CN109303559B true CN109303559B (zh) | 2021-05-14 |
Family
ID=65222711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811293012.2A Active CN109303559B (zh) | 2018-11-01 | 2018-11-01 | 一种基于梯度提升决策树的动态心电图心拍分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109303559B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141214A (zh) * | 2019-04-23 | 2019-08-20 | 首都师范大学 | 一种心电图识别的标注方法及其应用 |
CN110115563A (zh) * | 2019-05-22 | 2019-08-13 | 成都中医药大学 | 一种中医证型预测系统 |
CN110226917A (zh) * | 2019-06-26 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备和存储介质 |
CN110226918B (zh) * | 2019-06-26 | 2022-06-28 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
CN110226919B (zh) * | 2019-06-26 | 2022-05-03 | 广州视源电子科技股份有限公司 | 心电信号类型检测方法、装置、计算机设备及存储介质 |
CN110420019B (zh) * | 2019-07-29 | 2021-04-20 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN110755065A (zh) * | 2019-10-14 | 2020-02-07 | 齐鲁工业大学 | 一种基于pso-elm算法的心电信号分类方法及系统 |
CN110720894B (zh) * | 2019-11-08 | 2022-11-15 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
CN111557659B (zh) * | 2020-05-22 | 2023-04-28 | 郑州大学 | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103876734A (zh) * | 2014-03-24 | 2014-06-25 | 北京工业大学 | 一种基于决策树的脑电信号特征选择方法 |
WO2016034203A1 (de) * | 2014-09-01 | 2016-03-10 | Schiller Ag | Verfahren und vorrichtung zur automatischen klassifikation von herzschlägen, computerprogrammprodukt und ekg-gerät zur durchführung des verfahrens |
CN106037714A (zh) * | 2016-05-24 | 2016-10-26 | 华中科技大学 | 一种心搏监测装置 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
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 |
-
2018
- 2018-11-01 CN CN201811293012.2A patent/CN109303559B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103876734A (zh) * | 2014-03-24 | 2014-06-25 | 北京工业大学 | 一种基于决策树的脑电信号特征选择方法 |
WO2016034203A1 (de) * | 2014-09-01 | 2016-03-10 | Schiller Ag | Verfahren und vorrichtung zur automatischen klassifikation von herzschlägen, computerprogrammprodukt und ekg-gerät zur durchführung des verfahrens |
CN106037714A (zh) * | 2016-05-24 | 2016-10-26 | 华中科技大学 | 一种心搏监测装置 |
CN106108880A (zh) * | 2016-06-28 | 2016-11-16 | 吉林大学 | 一种心拍自动识别方法及系统 |
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109303559A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109303559B (zh) | 一种基于梯度提升决策树的动态心电图心拍分类方法 | |
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
CN108836302B (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109480825B (zh) | 心电数据的处理方法及装置 | |
CN108937915B (zh) | 一种动态心电图中早搏的识别方法 | |
EP3251594A1 (en) | Method for the detecting electrocardiogram anomalies and corresponding system | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
CN110751131B (zh) | 一种心律失常检测装置 | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN111743531A (zh) | 心电节律和形态异常识别及装置 | |
CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
Chouhan et al. | Delineation of QRS-complex, P and T-wave in 12-lead ECG | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
Kharshid et al. | Classification of short-time single-lead ECG recordings using deep residual CNN | |
US20240215901A1 (en) | Method and apparatus for correcting electrocardiogram reading | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
Khamis et al. | Detection of atrial fibrillation from RR intervals and PQRST morphology using a neural network ensemble | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 |
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 |