CN109303561A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109303561A
CN109303561A CN201811293950.2A CN201811293950A CN109303561A CN 109303561 A CN109303561 A CN 109303561A CN 201811293950 A CN201811293950 A CN 201811293950A CN 109303561 A CN109303561 A CN 109303561A
Authority
CN
China
Prior art keywords
heart
clapped
data
artifact
ecg
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
Application number
CN201811293950.2A
Other languages
English (en)
Inventor
陈蒙
谢寒霜
钟舟
钟一舟
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.)
Hangzhou Proton Technology Co Ltd
Original Assignee
Hangzhou Proton Technology Co Ltd
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 Proton Technology Co Ltd filed Critical Hangzhou Proton Technology Co Ltd
Priority to CN201811293950.2A priority Critical patent/CN109303561A/zh
Publication of CN109303561A publication Critical patent/CN109303561A/zh
Pending legal-status Critical Current

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

一种基于误分类和监督学习的伪差心拍与多种异常心拍的识别算法，包括以下步骤：1)采用已有心拍类型标注的心电信号数据库的心电数据，识别R峰并提取心拍特征；2)与数据库标注的R峰进行对比，将误识别的R峰和数据库标注的噪声心拍归类为伪差心拍；3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的心拍特征，作为训练数据；4)用监督学习的方法将训练数据训练出一个八分类模型；5)提取实时动态心电数据中的测试数据，输入分类模型得到心拍分类结果。本发明适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别。

Description

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
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伪差心拍和其他异常心拍的识别方法。
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。
心电图中凡不是由心脏电活动造成的波形改变的现象称为伪差，多为各种干扰所致，如导联脱落、电极接触不良、皮肤高电阻、患者肌颤等，而依靠滤波去噪算法并不能完全去除干扰影响。伪差可以造成伪差性心律失常，使医生误诊，导致采取错误的治疗。因此，能够准确识别出伪差心拍在动态心电图的自动检测中十分必要。
目前识别伪差的方法基本都是针对某种单一的伪差，如基于高阶统计量的运动伪差识别方法、基于形态学模板聚类的运动伪差识别等。由于实际的心电信号可能包含多种类型的伪差，如基线漂移伪差心拍、运动伪差心拍和肌电伪差心拍等多种伪差心拍，仅利用一种算法无法完全涉及所有的伪差心拍的训练和分类从而进行准确地检测。
发明内容
为了克服现有技术的无法适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别的不足，本发明的目的在于提供一种动态心电图中伪差心拍和其他多种异常心拍的识别方法，本首先基于误分类，将已标注心电数据库多检出的心拍归类为伪差心拍，然后采用监督学习方法将伪差心拍与其他多种异常心拍进行分类，适用于动态心电图长时间心电数据伪差心拍和其他多种异常心拍的识别，有效辅助医生快速进行相关诊断。
本发明解决其技术问题所采用的技术方案是：
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，包括以下步骤：
1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；
2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；
3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；
4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；
5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。
进一步，所述步骤1)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，对于多分类模型，数据库中需至少包含室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等多种异常心拍。
再进一步，所述步骤1)beatFeature包含的13种特征具体为：
当前心拍的QRS复合波时长；
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，MeanRR是所有RR间期的均值；
Ratio1、Ratio2和Ratio3的均值MRatio；
R峰前后各100ms数据的Lempel-Ziv复杂度；
R峰前后各100ms数据的熵；
R峰前后各100ms数据的Hjorth复杂度；
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。
再进一步，所述步骤4)中的监督学习方法为各种不同类型的分类模型算法，模型训练之前需采用重采样的方法使每种类型心拍的数量达成一致，且采用不同的监督学习方法需对应不同的数据预处理方式：如采用与决策树相关的分类和回归树、随机森林、梯度提升决策树等方法时，不需要进行特征的归一化；如采用K-近邻法、神经网络、支持向量机等方法时，则需要进行特征的归一化。
本发明的有益效果主要表现在：基于误分类和监督学习的伪差心拍和其他多种异常心拍分类方法在动态心电图中可以有效识别多种干扰造成的伪差，保证异常心律形成的心拍的准确识别。
附图说明
图1是一种基于误分类和监督学习的伪差心拍和其他多种异常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1，一种动态心电图中伪差心拍和其他异常心拍的识别方法，首先利用已有心拍类型标注的心电信号数据库提取包含13种特征八类心拍的训练数据，其中的伪差心拍包括R峰识别算法中误识别的心拍以及心拍类型标记为类QRS的伪迹，然后将待检测动态心电数据采用同样的R峰识别算法提取QRS复合波，并提取出同样的13种心拍特征形成测试数据，最终采用监督学习分类算法将参与测试的每个心拍分为伪差心拍、正常心拍、室上性早搏心拍、室性早搏心拍、室性逸搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍中的一类。
本实施方案中，主要针对动态心电图中伪差心拍和其他类型异常心拍的自动检测和识别问题，提供了一种基于误分类和监督学习的识别方法，包括以下步骤：
1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；
2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；
3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；
4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；
5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。
进一步，所述步骤1)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，对于多分类模型，数据库中需至少包含室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等多种异常心拍。本实施例中选用的数据库是开源心电数据库MIT-BIHArrythmia Database中的所有数据。
再进一步，所述步骤1)中，本实施例采用的心电数据预处理方法包括去除工频干扰、去除基线漂移、去除一定频段的高频和低频干扰；本实施例采用的QRS波群识别方法为PanTompkins算法。
更进一步，所述步骤1)中的beatFeature包含的13种特征具体为：
当前心拍的QRS复合波时长，即Q波至S波的时间间隔；
当前心拍的RR间期RR0，即前一心拍R峰与当前心拍R峰之间的时间间隔；
上一心拍的RR间期RR1，即当前心拍前两心拍R峰之间的时间间隔；
下一心拍的RR间期RR2，即当前心拍R峰与后一心拍R峰之间的时间间隔；
Ratio1＝RR0/RR1；
Ratio2＝RR0/RR2；
Ratio3＝RR0/MeanRR，MeanRR是所有RR间期的均值；
Ratio1、Ratio2和Ratio3的均值MRatio；
R峰前后各100ms数据的Lempel-Ziv复杂度；
R峰前后各100ms数据的熵，熵的计算公式为：entropy＝-sum(p*log2(p))；
R峰前后各100ms数据的Hjorth复杂度，计算公式为：Hjorth complexity＝mobility(dy(t)/d(t))/mobility(y(t))，其中mobility＝sqrt(var(dy(t))/var(y(t)))；
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。
进一步，所述步骤4)中的监督学习方法可为各种不同类型的分类模型算法，模型训练之前需采用重采样的方法使每种类型心拍的数量达成一致，且采用不同的监督学习方法需对应不同的数据预处理方式：如采用与决策树相关的分类和回归树、随机森林、梯度提升决策树等方法时，不需要进行特征的归一化；如采用K-近邻法、神经网络、支持向量机等方法时，则需要进行特征的归一化。在本实施例中，步骤4)先后采用了降采样和升采样的方法分别对MIT-BIH Arrythmia Database中的八类心拍进行处理，使其数量达到一致。随后使用随机森林模型，无需将特征预先归一化，采用10折交叉验证，针对训练数据进行八分类，得到分类模型。
再进一步，所述步骤5)中，本实施例选用MIT-BIH Arrythmia Database中未参与模型训练的心拍数据输入到训练模型中得到分类结果，8类心拍的分类结果如表1所示，分别用精确度、召回率，和F1分数指标进行评估，总体分类效果的F1值为0.95。
表1
以上所述的实例，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伪差心拍和其他多种异常心拍。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)

1.一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法，其特征在于，所述方法包括以下步骤：
1)采用已有心拍类型标注的心电信号数据库的心电数据，经过心电数据预处理之后，利用R峰识别算法RpeakDetect识别每条数据的QRS复合波，并以每个QRS复合波为一个心拍提取每个心拍的13种特征记为beatFeature；
2)将通过算法RpeakDetect识别出的R峰与数据库标注的R峰进行对比，将算法误识别的R峰归类为伪差心拍，同时将数据库标注的孤立的类QRS伪迹也归类为伪差心拍；
3)提取数据库中所有伪差心拍、正常心拍、室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等八类心拍的beatFeature，作为训练数据trainData；
4)用监督学习方法训练对训练数据trainData进行训练，得到一个八分类模型，记为multiclassificationModel；
5)对需进行心拍分类识别的实时动态心电数据进行预处理，并采用RpeakDetect算法识别每个心拍，提取每个心拍的beatFeature特征构成测试数据testData，最终将testData输入multiclassificationModel得到心拍分类结果。
2.如权利要求1所述的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，其特征在于，所述步骤1)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，对于多分类模型，数据库中需至少包含室性早搏心拍、室性逸搏心拍、室上性早搏心拍、室上性逸搏心拍、室性融合心拍和起搏心拍等多种异常心拍。
3.如权利要求1或2所述的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，其特征在于，所述步骤1)beatFeature包含的13种特征具体为：
当前心拍的QRS复合波时长；
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，MeanRR是所有RR间期的均值；
Ratio1、Ratio2和Ratio3的均值MRatio；
R峰前后各100ms数据的Lempel-Ziv复杂度；
R峰前后各100ms数据的熵；
R峰前后各100ms数据的Hjorth复杂度；
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。
4.如权利要求1或2所述的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，其特征在于，所述步骤4)中的监督学习方法为各种不同类型的分类模型算法，模型训练之前需采用重采样的方法使每种类型心拍的数量达成一致，且采用不同的监督学习方法需对应不同的数据预处理方式：如采用与决策树相关的分类和回归树、随机森林、梯度提升决策树等方法时，不需要进行特征的归一化；如采用K-近邻法、神经网络、支持向量机等方法时，则需要进行特征的归一化。
CN201811293950.2A 2018-11-01 2018-11-01 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 Pending CN109303561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811293950.2A CN109303561A (zh) 2018-11-01 2018-11-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811293950.2A CN109303561A (zh) 2018-11-01 2018-11-01 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

Publications (1)

Publication Number Publication Date
CN109303561A true CN109303561A (zh) 2019-02-05

Family

ID=65222754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811293950.2A Pending CN109303561A (zh) 2018-11-01 2018-11-01 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

Country Status (1)

Country Link
CN (1) CN109303561A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110226918A (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、计算机设备及存储介质
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
CN112137611A (zh) * 2020-10-14 2020-12-29 山东平伟医疗技术有限公司 心电信号波形的检测研究方法
CN113080996A (zh) * 2021-04-08 2021-07-09 大同千烯科技有限公司 一种基于目标检测的心电图分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164359A1 (en) * 2013-12-15 2015-06-18 Lifewatch Technologies Ltd. Patient specific qrs complex classification for arrythmia detection
CN105997054A (zh) * 2016-06-22 2016-10-12 天津理工大学 一种心电信号预分析的方法
CN106805965A (zh) * 2016-12-19 2017-06-09 深圳先进技术研究院 一种心电信号分类方法及装置
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
CN107785066A (zh) * 2016-08-26 2018-03-09 深圳市理邦精密仪器股份有限公司 修改心搏类型的方法、装置及系统
CN108491769A (zh) * 2018-03-08 2018-09-04 四川大学 基于rr间期和多特征值的房颤分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150164359A1 (en) * 2013-12-15 2015-06-18 Lifewatch Technologies Ltd. Patient specific qrs complex classification for arrythmia detection
CN105997054A (zh) * 2016-06-22 2016-10-12 天津理工大学 一种心电信号预分析的方法
CN107785066A (zh) * 2016-08-26 2018-03-09 深圳市理邦精密仪器股份有限公司 修改心搏类型的方法、装置及系统
CN106805965A (zh) * 2016-12-19 2017-06-09 深圳先进技术研究院 一种心电信号分类方法及装置
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
CN108491769A (zh) * 2018-03-08 2018-09-04 四川大学 基于rr间期和多特征值的房颤分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110226918A (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、计算机设备及存储介质
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
CN112137611A (zh) * 2020-10-14 2020-12-29 山东平伟医疗技术有限公司 心电信号波形的检测研究方法
CN113080996A (zh) * 2021-04-08 2021-07-09 大同千烯科技有限公司 一种基于目标检测的心电图分析方法及装置

Similar Documents

Publication Publication Date Title
Izci et al. Cardiac arrhythmia detection from 2d ecg images by using deep learning technique
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
Da Silva et al. Finger ECG signal for user authentication: Usability and performance
Wahabi et al. On evaluating ECG biometric systems: Session-dependence and body posture
WO2019100566A1 (zh) 基于人工智能自学习的静态心电图分析方法和装置
Biel et al. ECG analysis: a new approach in human identification
Silva et al. ECG biometrics: Principles and applications
Rezgui et al. ECG biometric recognition using SVM‐based approach
CN106214145A (zh) 一种基于深度学习算法的心电图分类方法
CN108937915A (zh) 一种动态心电图中早搏的识别方法
CN108514414A (zh) 一种信号处理设备、人体心电信号处理及疾病预测方法
Altan et al. A multistage deep belief networks application on arrhythmia classification
CN109363670A (zh) 一种基于睡眠监测的抑郁症智能检测方法
Henzel et al. Atrial fibrillation episodes detection based on classification of heart rate derived features
Rabhi et al. Biometric personal identification system using the ECG signal
Nahak et al. A fusion based classification of normal, arrhythmia and congestive heart failure in ECG
Kaveh et al. Temporal and spectral features of single lead ECG for human identification
Smíšek et al. SVM based ECG classification using rhythm and morphology features, cluster analysis and multilevel noise estimation
Kutlu et al. Arrhythmia classification using waveform ECG signals
Chandrashekhar et al. Pulse ID: the case for robustness of ECG as a biometric identifier
Altan et al. A multistage deep learning algorithm for detecting arrhythmia
Tziakouri et al. Classification of AF and other arrhythmias from a short segment of ECG using dynamic time warping
Khamis et al. Detection of atrial fibrillation from RR intervals and PQRST morphology using a neural network ensemble
Jekova et al. Arrhythmia classification via time and frequency domain analyses of ventricular and atrial contractions
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统

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: 20190205

RJ01 Rejection of invention patent application after publication