CN109492659B - 一种用于心电、脑电波形对比的计算曲线相似度的方法 - Google Patents
一种用于心电、脑电波形对比的计算曲线相似度的方法 Download PDFInfo
- Publication number
- CN109492659B CN109492659B CN201811113762.7A CN201811113762A CN109492659B CN 109492659 B CN109492659 B CN 109492659B CN 201811113762 A CN201811113762 A CN 201811113762A CN 109492659 B CN109492659 B CN 109492659B
- Authority
- CN
- China
- Prior art keywords
- curve
- path
- similarity
- quantization
- curves
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种用于心电、脑电波形对比的计算曲线相似度的方法,包括以下步骤:根据实现曲线绘制比例可获得图纸坐标纵轴增益G mm/mV,走纸速度为W mm/s,以单位分割距离为c,单位量化值为q,把曲线A和曲线B的采样值除以单位量化值得到曲线量化值,根据曲线实际情况来确定分割系数N,根据实际情况设置相似度阈值Gx和Gy,计算两条曲线的路径量化集合中相似的位置坐标个数,两条曲线的相似度为相似坐标个数与单条曲线位置坐标总数之比。通过该算法计算采样系统中信号曲线相似度,其具有实现方式简易,运算速度快,而且计算精度高的特点,解决了常规计算方法偏差较大、复杂度高、计算量庞大的问题,使用方便。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种用于心电、脑电波形对比的计算曲线相似度的方法。
背景技术
目前,时间序列数据在现实世界中具有广泛的应用,而对由时间序列数据构成的曲线的相似度分析是采用系统中经常会使用到的操作。
从计算原理的角度分类,目前主要由3大类:基于距离的方式、基于斜率的方式、基于面积的方式。
基于距离的方式,有欧式距离法[1],该方法实现简单,运算快速,但对于时序的偏移比较敏感,时序的偏差容易造成较大的结果偏差。而基于距离方式的改进型算法,如动态时间规整(Dynamic Time Warping,DTW)算法,降低了由时序的偏差造成的敏感,但增加了算法的复杂度,增加了系统计算量。而基于斜率的方式,该方式在斜率正负变化点容易增大结果的偏离度,且曲线维度较多情况下使得计算的偏离度会稳定在某范围里。基于面积的方式也会增加算法实现和运算的复杂度。
假设某采样系统以固定采样频率对某一信号进行数据采集,以采样时间为横轴、以采样值为纵轴构成二维平面坐标,按照预定的比例把采集到的信号值绘制在该平面上构成曲线。曲线相似度对比在智能医疗中的心电、脑电等波形对比中具有非常重要的意义。
现有的曲线的路径表示方法计算精度差、运算比较复杂、准确率低。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种用于心电、脑电波形对比的计算曲线相似度的方法,其能解决曲线路径相似度计算复杂、精度差的问题。
本发明的目的之一采用如下技术方案实现:
一种用于心电、脑电波形对比的计算曲线相似度的方法,包括以下步骤:
数据提取:根据实现曲线绘制比例可获得图纸坐标纵轴增益Gmm/mV,走纸速度为Wmm/s;
数值确认:把曲线A和曲线B的采样值除以单位量化值得到曲线量化值;
求出量化集合:根据曲线实际情况来确定分割系数N,设定单位量化坐标(i,aci)和(i+1,ac(i+1)),代入以下公式并求出待对比的两条曲线的路径量化集合:Li=(i-1)*N;Hi=[max(aci,ac(i+1))]*N;Ai_Path=[Li+1,Hi],[Li+1,Hi-1],…,[Li+1,Hi-(di-1)],[Li+2,(Hi-di)],[Li+2,(Hi-di)-1],…,[Li+2,(Hi-di)-(di-1)],[Li+N,(Hi-(N-1)*di)],[Li+N,(Hi-(N-1)*di)-1],…,[Li+N,(Hi-(N-1)*di)-(di-1)]};
曲线对比:根据实际情况设置相似度阈值Gx和Gy,设定位置坐标为[X1,Y1]和[X2,Y2],代入公式:|X1-X2|≤Gx(Gx为0或正整数);|Y1-Y2|≤Gy(Gy为0或正整数);计算两条曲线的路径量化集合中相似的位置坐标个数,两条曲线的相似度为相似坐标个数与单条曲线位置坐标总数之比。
进一步地,在步骤求出量化集合中,曲线A的路径量化集合A_Path={A1_Path,A2_Path,…,Ai_Path,…,An_Path};曲线B的路径量化集合B_Path={B1_Path,B2_Path,…,Bi_Path,…,Bm_Path}。
进一步地,当满足|X1-X2|≤Gx(Gx为0或正整数),|Y1-Y2|≤Gy(Gy为0或正整数)时,Gx和Gy称为相似度阀值。
进一步地,以集合A={a1,a2,....,ai,…,an}为采样系统中以Fs频率采样曲线A得到时间序列数据,以ai为采集到的第i个采样值,将A中所有的采样值均除以量化因子q,结算结果进行向上取整处理,则得到新的集合Ac={ac1,ac2,....,aci,…,acn},其中aci=ceil(ai/q),即为单位量化值,坐标(i,aci)称为单位量化坐标。
进一步地,在步骤求出量化集合中,在网格坐标系中,以(i,aci)坐标点表示第i采样点的梯度值为aci,第(i+1)个采样点的坐标为(i+1,ac(i+1))。直线连接第i点和第(i+1)点所连成的直线段,代入公式:di=|aci-ac(i+1)|(即两者之差的绝对值);mi=max(aci,ac(i+1))(即取最大值);约定位置坐标[i,0]用于表示该直线与横坐标交叉位置。
进一步地,以(i,aci)和(i+1,ac(i+1))连成的直线段,设定其路径为:{[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)]}。
进一步地,设定曲线A的采样点为n个,曲线A的路径由(n-1)条直线段的路径来表示,曲线A的路径量化成集合:A_Path={[1,m1],[1,m1-1],[1,m1-2],…,[1,m1–(d1-1)],[2,m2],[2,m2-1],[2,m2-2],…,[2,m2–(d2-1)],[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)],[n,mn],[n,mn-1],[n,mn-2],…,[n,mn–(dn-1)]}。
进一步地,在步骤数据提取中,以Fs固定的采样频率对信号进行采样,则纵轴增益G mm/mV,走纸速度为W mm/s为:
进一步地,以(1/Fs)为连续的相邻两个采样点的时间间隔,时间轴上以(横轴)每间隔(W/Fs)mm长度进行取点。
相比现有技术,本发明的有益效果在于:
根据实现曲线绘制比例可获得图纸坐标纵轴增益G mm/mV,走纸速度为W mm/s,以单位分割距离为c,及单位量化值为q,把曲线A和曲线B的采样值除以单位量化值得到曲线量化值,根据曲线实际情况来确定分割系数N,设定单位量化坐标(i,aci)和(i+1,ac(i+1)),根据实际情况设置相似度阈值Gx和Gy,设定位置坐标为[X1,Y1]和[X2,Y2],计算两条曲线的路径量化集合中相似的位置坐标个数,两条曲线的相似度为相似坐标个数与单条曲线位置坐标总数之比。每采集到两个连续时间序列数据,即可通过公式计算这两个采样点连成的直线段,而通过曲线A与曲线B的相似度S来对比,即可预先计算曲线的局部相似度。由此可见,通过该算法计算采样系统中信号曲线相似度,其具有实现方式简易,运算速度快,而且计算精度高的特点,解决了常规计算方法偏差较大、复杂度高、计算量庞大的问题,使用方便。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为网格坐标图;
图2为单位量化坐标示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
一种用于心电、脑电波形对比的计算曲线相似度的方法,包括以下步骤:
数据提取:根据实现曲线绘制比例可获得图纸坐标纵轴增益Gmm/mV,走纸速度为Wmm/s;
以Fs固定的采样频率对信号进行采样,则纵轴增益G mm/mV,走纸速度为W mm/s为:
请参阅图1,以(1/Fs)为连续的相邻两个采样点的时间间隔,时间轴上以(横轴)每间隔(W/Fs)mm长度进行取点,则每个点对应“第1个,第2个,第3个,…,第n个采样点”。如果该二维坐标平面以(W/Fs)的长度从原点开始对分割横坐标和纵坐标,则整个二维坐标平面变成了一个网格坐标。纵坐标的每一条分割线表示一个梯度,从原点开始以“1,2,3,…,n”来标记每一个梯度值。根据公式可以看出横坐标的每一条分割线表示一个采样点,从原点开始以“1,2,3,…,n”来标记每一条分割线,即对应“第1个,第2个,第3个,…,第n个采样点”。若以横坐标和纵坐标的分割点作为坐标系的单位长度,则可以构建一个新坐标系,该坐标系称为网格坐标系,且该坐标系横坐标只能取正整数值,而纵坐标为非0整数。
数据计算:单位分割距离为c,以c作为间隔分割出来的分割线称为单位分割线,单位分割线围成的正方形称为单位方格;在纵轴上(W/Fs)mm长度可表示{W/Fs)/G}mV采样值,即纵坐标中一个单位长度对应{(W/Fs)/G}mV采样值。记单位量化值为q,q称为单位量化因子,采样值被量化因子整除后得到的数值称为单位量化值。
记集合A={a1,a2,....,ai,…,an}为采样系统中以Fs频率采样曲线A得到时间序列数据,ai为采集到的第i个采样值。如果将A中所有的采样值均除以量化因子q,结算结果进行向上取整处理,则得到新的集合Ac={ac1,ac2,....,aci,…,acn},其中aci=ceil(ai/q),即为单位量化值,坐标(i,aci)称为单位量化坐标。
由上面的推导,可以看出集合Ac中的元素“aci”用来表示“第i个采样点所在的梯度值”,由集合Ac绘制出来的曲线完全可以等同于集合A绘制出来的曲线。
数值确认:把曲线A和曲线B的采样值除以单位量化值得到曲线量化值;
在网格坐标系中,用[i,j]用来表示从原点开始第i排的第j个网格的坐标位置,称为位置坐标,如图1。单位方格a的位置坐标为[1,1],单位方格b的位置坐标为[2,3],单位方格c的位置坐标为[3,-2]。在网格坐标系中,可用方格位置坐标来描述曲线的路径,如图1中有点M和点N连成的线段路经过的路径可描述为曲线MN经过[2,2],[2,1],[2,-1],[2,-2]这几个单位方格,所以曲线MN的路径在数学上可表示为集合{[2,2],[2,1],[2,-1],[2,-2]}。这个过程建立了曲线路径的数据模型,而且这个模型计算直线段的路径非常简单。
求出量化集合:根据曲线实际情况来确定分割系数N,设定单位量化坐标(i,aci)和(i+1,ac(i+1)),代入以下公式并求出待对比的两条曲线的路径量化集合:Li=(i-1)*N;Hi=[max(aci,ac(i+1))]*N;Ai_Path=[Li+1,Hi],[Li+1,Hi-1],…,[Li+1,Hi-(di-1)],[Li+2,(Hi-di)],[Li+2,(Hi-di)-1],…,[Li+2,(Hi-di)-(di-1)],[Li+N,(Hi-(N-1)*di)],[Li+N,(Hi-(N-1)*di)-1],…,[Li+N,(Hi-(N-1)*di)-(di-1)]};
请参阅图2,在步骤求出量化集合中,曲线A的路径量化集合A_Path={A1_Path,A2_Path,…,Ai_Path,…,An_Path};曲线B的路径量化集合B_Path={B1_Path,B2_Path,…,Bi_Path,…,Bm_Path}。当满足|X1-X2|≤Gx(Gx为0或正整数),|Y1-Y2|≤Gy(Gy为0或正整数)时,Gx和Gy称为相似度阀值。
优选的,在步骤求出量化集合中,在网格坐标系中,以(i,aci)坐标点表示第i采样点的梯度值为aci,第(i+1)个采样点的坐标为(i+1,ac(i+1))。直线连接第i点和第(i+1)点所连成的直线段,代入公式:di=|aci-ac(i+1)|(即两者之差的绝对值);mi=max(aci,ac(i+1))(即取最大值);约定位置坐标[i,0]用于表示该直线与横坐标交叉位置。以(i,aci)和(i+1,ac(i+1))连成的直线段,设定其路径为:{[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)]}。设定曲线A的采样点为n个,曲线A的路径由(n-1)条直线段的路径来表示,曲线A的路径量化成集合:A_Path={[1,m1],[1,m1-1],[1,m1-2],…,[1,m1–(d1-1)],[2,m2],[2,m2-1],[2,m2-2],…,[2,m2–(d2-1)],[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)],[n,mn],[n,mn-1],[n,mn-2],…,[n,mn–(dn-1)]}。
曲线对比:根据实际情况设置相似度阈值Gx和Gy,设定位置坐标为[X1,Y1]和[X2,Y2],代入公式:|X1-X2|≤Gx(Gx为0或正整数);|Y1-Y2|≤Gy(Gy为0或正整数);计算两条曲线的路径量化集合中相似的位置坐标个数,两条曲线的相似度为相似坐标个数与单条曲线位置坐标总数之比。在步骤曲线对比中:当A_Path共有a个位置坐标,其中有b个位置坐标在集合B_Path中找到与其相似的位置坐标,以S为曲线A与曲线B的相似度,则
优选的,以集合A={a1,a2,....,ai,…,an}为采样系统中以Fs频率采样曲线A得到时间序列数据,以ai为采集到的第i个采样值,将A中所有的采样值均除以量化因子q,结算结果进行向上取整处理,则得到新的集合Ac={ac1,ac2,....,aci,…,acn},其中aci=ceil(ai/q),即为单位量化值,坐标(i,aci)称为单位量化坐标。
每采集到两个连续时间序列数据,即可通过公式计算这两个采样点连成的直线段,而通过曲线A与曲线B的相似度S来对比,即可预先计算曲线的局部相似度。由此可见,通过该算法计算采样系统中信号曲线相似度,其具有实现方式简易,运算速度快,而且计算精度高的特点,解决了常规计算方法偏差较大、复杂度高、计算量庞大的问题,使用方便。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (8)
1.一种用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于,包括以下步骤:
数据提取:根据实现曲线绘制比例可获得心电或脑电波形的图纸坐标纵轴增益G mm/mV,走纸速度为W mm/s;
数值确认:把曲线A和曲线B的采样值除以单位量化值得到曲线量化值ac1,ac2,…,aci,…,acn;
求出量化集合:根据曲线实际情况来确定分割系数N,设定单位量化坐标(i,aci)和(i+1,ac(i+1)),代入以下公式并求出待对比的两条曲线的路径量化集合:设定位置坐标为[X1,Y1]和[X2,Y2],
Li=(i-1)*N;
Hi=[max(aci,ac(i+1))]*N;
Ai_Path={[Li+1,Hi],[Li+1,Hi-1],…,[Li+1,Hi-(di-1)],[Li+2,(Hi-di)],[Li+2,(Hi-di)-1],…,[Li+2,(Hi-di)-(di-1)],[Li+N,(Hi-(N-1)*di)],[Li+N,(Hi-(N-1)*di)-1],…,[Li+N,(Hi-(N-1)*di)-(di-1)]};在步骤求出量化集合中,曲线A的路径量化集合A_Path={A1_Path,A2_Path,…,…,An_Path};曲线B的路径量化集合B_Path={B1_Path,B2_Path,…,…,Bm_Path};当满足|X1-X2|≤Gx,Gx为0或正整数,|Y1-Y2|≤Gy,Gy为0或正整数时,Gx和Gy称为相似度阀值;
曲线对比:根据实际情况设置相似度阈值Gx和Gy,代入公式:
|X1-X2|≤Gx,Gx为0或正整数;
|Y1-Y2|≤Gy,Gy为0或正整数;
计算两条曲线的路径量化集合中相似的位置坐标个数,两条曲线的相似度为相似坐标个数与单条曲线位置坐标总数之比,用于表达心电或脑电波形的曲线相似度。
3.如权利要求1所述的用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于:以集合A={a1,a2,....,ai,…,an}为采样系统中以Fs频率采样曲线A得到时间序列数据,以ai为采集到的第i个采样值,将A中所有的采样值均除以量化因子q,结算结果进行向上取整处理,则得到新的集合Ac={ac1,ac2,....,aci,…,acn},其中aci=ceil(ai/q),即为单位量化值,坐标(i,aci)称为单位量化坐标。
4.如权利要求1所述的用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于:在步骤求出量化集合中,在网格坐标系中,以(i,aci)坐标点表示第i采样点的梯度值为aci,第i+1个采样点的坐标为(i+1,ac(i+1)),直线连接第i点和第i+1点所连成的直线段,代入公式:
di=|aci-ac(i+1)|,即两者之差的绝对值;
mi=max(aci,ac(i+1)),即取最大值;
约定位置坐标[i,0]用于表示该直线与横坐标交叉位置。
5.如权利要求4所述的用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于:以(i,aci)和(i+1,ac(i+1))连成的直线段,设定其路径为:{[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)]}。
6.如权利要求5所述的用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于:设定曲线A的采样点为n个,曲线A的路径由n-1条直线段的路径来表示,曲线A的路径量化成集合:
A_Path={[1,m1],[1,m1-1],[1,m1-2],…,[1,m1–(d1-1)],[2,m2],[2,m2-1],[2,m2-2],…,[2,m2–(d2-1)],[i,mi],[i,mi-1],[i,mi-2],…,[i,mi–(di-1)],[n,mn],[n,mn-1],[n,mn-2],…,[n,mn–(dn-1)]}。
8.如权利要求7所述的用于心电、脑电波形对比的计算曲线相似度的方法,其特征在于:以1/Fs为连续的相邻两个采样点的时间间隔,时间轴上以横轴每间隔W/Fs mm长度进行取点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113762.7A CN109492659B (zh) | 2018-09-25 | 2018-09-25 | 一种用于心电、脑电波形对比的计算曲线相似度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811113762.7A CN109492659B (zh) | 2018-09-25 | 2018-09-25 | 一种用于心电、脑电波形对比的计算曲线相似度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492659A CN109492659A (zh) | 2019-03-19 |
CN109492659B true CN109492659B (zh) | 2021-10-01 |
Family
ID=65689912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811113762.7A Active CN109492659B (zh) | 2018-09-25 | 2018-09-25 | 一种用于心电、脑电波形对比的计算曲线相似度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492659B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029547A9 (en) * | 2000-10-02 | 2005-03-17 | Hewlett Packard Co | Apparatus and method for text segmentation based on coherent units |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
CN102749381A (zh) * | 2012-06-16 | 2012-10-24 | 中南大学 | 线性扫描极谱曲线重叠峰分离方法 |
CN103336953A (zh) * | 2013-07-05 | 2013-10-02 | 深圳市中视典数字科技有限公司 | 一种基于体感设备动作评判的方法 |
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
JP5688662B2 (ja) * | 2012-02-08 | 2015-03-25 | 日本電信電話株式会社 | コンテンツ不正使用判定装置及び方法及びプログラム |
CN107240128A (zh) * | 2017-05-09 | 2017-10-10 | 北京理工大学 | 一种基于轮廓特征的x线片和彩色照片配准方法 |
CN108120653A (zh) * | 2017-12-13 | 2018-06-05 | 安徽中烟工业有限责任公司 | 一种评价批次间成品卷烟质量稳定性的方法 |
-
2018
- 2018-09-25 CN CN201811113762.7A patent/CN109492659B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029547A9 (en) * | 2000-10-02 | 2005-03-17 | Hewlett Packard Co | Apparatus and method for text segmentation based on coherent units |
CN101694743A (zh) * | 2009-08-25 | 2010-04-14 | 北京世纪高通科技有限公司 | 预测路况的方法和装置 |
JP5688662B2 (ja) * | 2012-02-08 | 2015-03-25 | 日本電信電話株式会社 | コンテンツ不正使用判定装置及び方法及びプログラム |
CN102749381A (zh) * | 2012-06-16 | 2012-10-24 | 中南大学 | 线性扫描极谱曲线重叠峰分离方法 |
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN103336953A (zh) * | 2013-07-05 | 2013-10-02 | 深圳市中视典数字科技有限公司 | 一种基于体感设备动作评判的方法 |
CN103714281A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 一种基于心电信号的身份识别方法 |
CN107240128A (zh) * | 2017-05-09 | 2017-10-10 | 北京理工大学 | 一种基于轮廓特征的x线片和彩色照片配准方法 |
CN108120653A (zh) * | 2017-12-13 | 2018-06-05 | 安徽中烟工业有限责任公司 | 一种评价批次间成品卷烟质量稳定性的方法 |
Non-Patent Citations (2)
Title |
---|
"纸质心电图数字化信息提取的关键问题研究";史国洁;《纸质心电图数字化信息提取的关键问题研究》;20121015;正文30-45页 * |
I Andreou等."Computing, explaining and visualizing shape similarity in content-based image retrieval".《Information Processing and Management》.2004, * |
Also Published As
Publication number | Publication date |
---|---|
CN109492659A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097014B (zh) | 一种基于测量轨迹的量子比特读取信号处理方法 | |
CN107943757B (zh) | 一种基于稀疏分量分析模态识别中的阶数确定方法 | |
CN109727446A (zh) | 一种用电数据异常值的识别与处理方法 | |
CN109461095A (zh) | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 | |
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN108345033A (zh) | 一种微地震信号时频域初至检测方法 | |
CN111181634B (zh) | 一种分布式光纤振动信号快速定位方法 | |
CN111290053B (zh) | 一种基于卡尔曼滤波的雷暴路径预测方法 | |
CN115840120A (zh) | 一种高压电缆局放异常监测及预警方法 | |
CN111190049B (zh) | 主分量分析的混沌系统检测纳伏级微弱正弦信号的方法 | |
CN109359604A (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN113252960A (zh) | 一种适用于直流配电网电流传感器的外磁场干扰抑制方法 | |
CN109492659B (zh) | 一种用于心电、脑电波形对比的计算曲线相似度的方法 | |
CN114048792A (zh) | 一种基于低精度随机采样数据的轨迹相似度匹配方法 | |
CN110045250B (zh) | 一种电力电缆的绝缘状态判断方法及系统 | |
CN110009035B (zh) | 一种基于图像匹配的测风站群空间聚类方法 | |
CN103438886A (zh) | 基于粗精姿态关系模型的自旋稳定气象卫星姿态确定方法 | |
CN110632563A (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN106886856B (zh) | 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法 | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN111121827B (zh) | 一种基于卡尔曼滤波的tmr磁编码器系统 | |
CN104850740A (zh) | 基于动态时间弯曲的数据流模式匹配方法 | |
CN105468919B (zh) | 数字信号数据位宽截位方法 | |
CN106092492A (zh) | 一种滤波去噪方法 | |
CN108733812B (zh) | 基于全局信息的时间序列数据中异常数据点的识别方法 |
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 |
Effective date of registration: 20220825 Address after: 310000 6-1004, 6-1005, 501, 2 Baiyang street, Qiantang New District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Weiling Medical Technology Co.,Ltd. Address before: Room b3117, 3rd floor, building 1 (North), 368 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province, 310051 Patentee before: Weiling (Hangzhou) Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |