CN109602414A - 一种多视角转换的心电信号数据增强方法 - Google Patents
一种多视角转换的心电信号数据增强方法 Download PDFInfo
- Publication number
- CN109602414A CN109602414A CN201811340476.4A CN201811340476A CN109602414A CN 109602414 A CN109602414 A CN 109602414A CN 201811340476 A CN201811340476 A CN 201811340476A CN 109602414 A CN109602414 A CN 109602414A
- Authority
- CN
- China
- Prior art keywords
- angle
- ecg signal
- signal data
- view conversion
- view
- 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.)
- Granted
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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种多视角转换的心电信号数据增强方法,其特征在于,所述多视角转换的心电信号数据增强方法的描述中不失一般性,所述多视角转换的转换方式包括:均值平移、平方、截断、白化、累积求和、n阶差分、n阶滑动平均、滤波;本发明的目的在于提供一种多视角转换的心电信号数据增强方法,多视角转换可以扩充样本量,使得在原始数据量不足的情况下,也能够完成机器学习模型的训练过程;多视角转换可以增加原始心电信号的维度,从原始心电信号的多个视角提取出更多的通道;通过多视角转换,可以从干扰信号中分离出干净的心电信号,提升数据质量,提高分析精度;通过多视角转换,提取原始心电信号在不同频带上的成分信号。
Description
技术领域
本发明涉及一种数据增强方法,具体是一种多视角转换的心电信号数据增强方法。
背景技术
心电信号的数据采集过程比较复杂。一家三甲医院的心电科每天只能够采集几百例患者,产生的数据量也非常有限,数据量不足的情况下,难以满足现有的机器学习算法,特别是深度神经网络模型,没有大量的样本,网络无法收敛;心电信号采集的数据维度有限,特别是在便携式设备上,一般情况下仅仅能够采集单导联(一个通道)的心电信号数据,数据所承载的信息量十分有限,难以满足心电信号分析模型的训练和预测过程;心电信号的采集过程会受到各类型干扰,包括低频和高频两种,低频的干扰会造成心电信号的基线漂移,高频的干扰会增加心电信号的噪音,这些干扰都会对分析结果产生极大的影响;心电信号在时域上采集,导致基于时域数据的心电信号分析方法(例如深度神经网络),会忽略信号在频域上的信息。
发明内容
本发明的目的在于提供一种多视角转换的心电信号数据增强方法,多视角转换可以扩充样本量,使得在原始数据量不足的情况下,也能够完成机器学习模型的训练过程;多视角转换可以增加原始心电信号的维度,从原始心电信号的多个视角提取出更多的通道;通过多视角转换,可以从干扰信号中分离出干净的心电信号,提升数据质量,提高分析精度;通过多视角转换,提取原始心电信号在不同频带上的成分信号,基于时域数据的机器学习方法分析成分信号,也就只分析了该频带的信息,通过这种间接的方式在基于时域数据的心电信号分析方法中引入频域信息。
本发明的目的可以通过以下技术方案实现:
一种多视角转换的心电信号数据增强方法,单个导联对于任意一条心电信号数据,记改数据为其中n为该信号的数据长度,X[i]表示X的第i个电压值;
所述多视角转换的转换方式包括:
一、均值平移:
首先求出X的平均值μ,再将X中的所有电压值依次减去μ,得到
二、平方:
将X中的所有电压值依次取平方,得到
三、截断:
将X中的所有电压值,小于M低的值取为M低,大于M高的值取为M高,M低和M高是两个超参数,根据所获取的实际数据人为确定;
四、白化:
将X中的所有电压值归一化为均值等于0、方差等于1的正态分布;
五、累积求和:
将X中的所有电压值按时间顺序依次累计求和;
六、n阶差分:
将X中的所有相邻电压值求差值,n阶差分的结果基于n-1阶差分计算,0阶差分即为原始心电信号;
七、n阶滑动平均:
将X中的相邻n个电压值求平均;
八、滤波:
将X输入到带通滤波器,带通滤波器设置最低频率f低和最高频率f高,带通滤波器的输出只会保留f低至f高之间的信号成分,f低和f高是两个超参数,可以根据所获取的实际数据人为确定;
将上述多视角转换的数据合并成多个通道的心电信号数据,长度不变;最终的分析模型建立在多视角转换后的增强心电信号数据上,上述方法不依赖与心电信号分析的具体模型,采用任何一种心电信号分析模型,在增强后的心电信号上进行进一步的分析。
进一步的,所述步骤一中的均值平移采用以下公式,X均值[i]=X[i]-μ,其中
进一步的,所述步骤二中的平方采用以下公式,X平方[i]=X[i]2。
进一步的,所述步骤四中的白化采用以下公式,其中
进一步的,所述步骤五中的累积求和采用以下公式,
进一步的,所述步骤六中的n阶差分采用以下公式,Xn阶差分[i]=Xn-1阶差分[i]-Xn-1阶差分[i-1],其中X0阶差分=X。
进一步的,所述步骤七中的n阶滑动平均采用以下公式,
本发明的有益效果:
1、本发明多视角转换的心电信号数据增强方法,多视角转换可以扩充样本量,使得在原始数据量不足的情况下,也能够完成机器学习模型的训练过程;
2、本发明多视角转换的心电信号数据增强方法,多视角转换可以增加原始心电信号的维度,从原始心电信号的多个视角提取出更多的通道;
3、本发明多视角转换的心电信号数据增强方法,通过多视角转换,可以从干扰信号中分离出干净的心电信号,提升数据质量,提高分析精度;
4、本发明多视角转换的心电信号数据增强方法,通过多视角转换,可以从干扰信号中分离出干净的心电信号,提升数据质量,提高分析精度;通过多视角转换,提取原始心电信号在不同频带上的成分信号,基于时域数据的机器学习方法分析成分信号,也就只分析了该频带的信息,通过这种间接的方式在基于时域数据的心电信号分析方法中引入频域信息。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种多视角转换的心电信号数据增强方法,在对多视角转换的心电信号数据增强方法的描述中不失一般性,这里只考虑单个导联(单个通道)的数据,对于多个通道的数据,可以用同样的方法依次分析;对于任意一条心电信号数据,记改数据为其中n为该信号的数据长度,X[i]表示X的第i个电压值。
所述多视角转换的转换方式包括:
一、均值平移:
首先求出X的平均值μ,再将X中的所有电压值依次减去μ,得到X均值[i]=X[i]-μ,其中
使用均值平移的转换方式去除不同设备采集时产生的不同的零点电压值,即没有任何信号时的电压电压值。
二、平方:
将X中的所有电压值依次取平方,得到X平方[i]=X[i]2。
使用平方的转换方式将电压值统一为大于0的电压值,对X平方进行分析的模型会重点关注心电信号的幅度。
三、截断:
将X中的所有电压值,小于M低的值取为M低,大于M高的值取为M高,M低和M高是两个超参数,根据所获取的实际数据人为确定。
使用截断的转换方式消除采集过程中过大异常值和过小异常值对心电信号分析模型造成的影响。
四、白化:
将X中的所有电压值归一化为均值等于0、方差等于1的正态分布,其中
使用白化的转换方式将电压值归一化,将原始电压值转化为电压值的分布情况,对X白化进行分析的模型会重点关注心电信号的电压值分布情况,而不是原始电压值。
五、累积求和:
将X中的所有电压值按时间顺序依次累计求和,
使用累积求和的转换方式将电压值的历史信息累加,分析任何时刻的电压值都可以引入该时间点之前的电压值信息。
六、n阶差分:
将X中的所有相邻电压值求差值,n阶差分的结果基于n-1阶差分计算,0阶差分即为原始心电信号,Xn阶差分[i]=Xn-1阶差分[i]-Xn-1阶差分[i-1],其中X0阶差分=X。
n阶差分的转换方式提取了心电信号的电压值变化信息,对Xn阶差分进行分析的模型会重点关注心电信号的电压值的变化值,而不是原始电压值。
七、n阶滑动平均:
将X中的相邻n个电压值求平均,
n阶滑动平均的转换方式提取了心电信号的一段时间内(n个采样点)的电压值总体信息,对Xn阶滑动平均进行分析的模型会重点关注心电信号的电压值一段时间内的总体信息,而不是每个孤立采样点的电压值。
八、滤波:
将X输入到带通滤波器,带通滤波器设置最低频率f低和最高频率f高,带通滤波器的输出只会保留f低至f高之间的信号成分,f低和f高是两个超参数,可以根据所获取的实际数据人为确定。
滤波的转换方式提取了心电信号的在某个频带范围内的成分信号,对成分信号分别进行分析,使得基于时域的心电信号分析模型具有频域分析的能力。
将上述多视角转换的数据合并成多个通道的心电信号数据,长度不变;最终的分析模型建立在多视角转换后的增强心电信号数据上,所述方法不依赖与心电信号分析的具体模型,故可以采用任何一种心电信号分析模型,在增强后的心电信号上进行进一步的分析,均具有一定的提升效果。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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,本发明不受上述实施例的限制,上述实施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。
Claims (7)
1.一种多视角转换的心电信号数据增强方法,其特征在于,单个导联对于任意一条心电信号数据,记改数据为其中n为该信号的数据长度,X[i]表示X的第i个电压值;
所述多视角转换的转换方式包括:
一、均值平移:
首先求出X的平均值μ,再将X中的所有电压值依次减去μ,得到
二、平方:
将X中的所有电压值依次取平方,得到
三、截断:
将X中的所有电压值,小于M低的值取为M低,大于M高的值取为M高,M低和M高是两个超参数,根据所获取的实际数据人为确定;
四、白化:
将X中的所有电压值归一化为均值等于0、方差等于1的正态分布;
五、累积求和:
将X中的所有电压值按时间顺序依次累计求和;
六、n阶差分:
将X中的所有相邻电压值求差值,n阶差分的结果基于n-1阶差分计算,0阶差分即为原始心电信号;
七、n阶滑动平均:
将X中的相邻n个电压值求平均;
八、滤波:
将X输入到带通滤波器,带通滤波器设置最低频率f低和最高频率f高,带通滤波器的输出只会保留f低至f高之间的信号成分,f低和f高是两个超参数,可以根据所获取的实际数据人为确定;
将上述多视角转换的数据合并成多个通道的心电信号数据,长度不变;最终的分析模型建立在多视角转换后的增强心电信号数据上,上述方法不依赖与心电信号分析的具体模型,采用任何一种心电信号分析模型,在增强后的心电信号上进行进一步的分析。
2.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤一中的均值平移采用以下公式,X均值[i]=X[i]-μ,其中
3.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤二中的平方采用以下公式,X平方[i]=X[i]2。
4.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤四中的白化采用以下公式,其中
5.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤五中的累积求和采用以下公式,
6.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤六中的n阶差分采用以下公式,Xn阶差分[i]=Xn-1阶差分[i]-Xn-1阶差分[i-1],其中X0阶差分=X。
7.根据权利要求1所述的一种多视角转换的心电信号数据增强方法,其特征在于,所述步骤七中的n阶滑动平均采用以下公式,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340476.4A CN109602414B (zh) | 2018-11-12 | 2018-11-12 | 一种多视角转换的心电信号数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340476.4A CN109602414B (zh) | 2018-11-12 | 2018-11-12 | 一种多视角转换的心电信号数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109602414A true CN109602414A (zh) | 2019-04-12 |
CN109602414B CN109602414B (zh) | 2022-01-28 |
Family
ID=66004215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340476.4A Active CN109602414B (zh) | 2018-11-12 | 2018-11-12 | 一种多视角转换的心电信号数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109602414B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349792A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 基于多导联心电信号的分类方法、装置、设备及介质 |
Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5489782A (en) * | 1994-03-24 | 1996-02-06 | Imaging Laboratory, Inc. | Method and apparatus for quantum-limited data acquisition |
US5738104A (en) * | 1995-11-08 | 1998-04-14 | Salutron, Inc. | EKG based heart rate monitor |
US20060149160A1 (en) * | 2004-12-03 | 2006-07-06 | Aspect Medical Systems, Inc. | System and method for EEG imaging of cerebral activity using small electrode sets |
CN101461709A (zh) * | 2009-01-12 | 2009-06-24 | 复旦大学 | 基于斜率绝对值分布离散度的可电击复律心律识别算法 |
CN101919695A (zh) * | 2010-08-06 | 2010-12-22 | 李楚雅 | 一种基于小波变换的心电信号qrs波检测方法 |
CN102613970A (zh) * | 2012-02-13 | 2012-08-01 | 南京大学 | 对采集的多通道胎心电信号的通道数进行扩展的一种方法 |
CN102988042A (zh) * | 2012-08-30 | 2013-03-27 | 重庆电子工程职业学院 | 一种小波变换与支持向量机相融合的窦房结电图识别方法 |
US8416086B2 (en) * | 2010-08-31 | 2013-04-09 | Ut-Battelle, Llc | Methods for improved forewarning of condition changes in monitoring physical processes |
CN103099615A (zh) * | 2013-01-23 | 2013-05-15 | 深圳市理邦精密仪器股份有限公司 | 一种消除运动心电信号干扰的方法和装置 |
CN104127195A (zh) * | 2014-07-29 | 2014-11-05 | 杭州电子科技大学 | 一种融合脑电和心电信号的疲劳驾驶检测方法 |
CN104248434A (zh) * | 2014-09-18 | 2014-12-31 | 河海大学 | 一种胎儿心电图波形提取方法 |
CN104601143A (zh) * | 2014-12-26 | 2015-05-06 | 成都理工大学 | 时域内抗混叠滤波电路的数值分析方法 |
CN104736055A (zh) * | 2012-05-30 | 2015-06-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
CN104720794A (zh) * | 2015-04-13 | 2015-06-24 | 康泰医学系统(秦皇岛)股份有限公司 | 一种叠加检测心电波形r点的方法 |
CN105030228A (zh) * | 2015-06-29 | 2015-11-11 | 深圳市理邦精密仪器股份有限公司 | 在心电信号中确定其p波位置的方法及装置 |
CN105054941A (zh) * | 2015-09-11 | 2015-11-18 | 东北大学 | 一种基于体震信号的胎儿心率提取装置及方法 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106295225A (zh) * | 2016-08-26 | 2017-01-04 | 复旦大学 | 基于互信息网络的睡眠呼吸暂停综合征的检测系统 |
CN106951753A (zh) * | 2016-01-06 | 2017-07-14 | 北京三星通信技术研究有限公司 | 一种心电信号的认证方法和认证装置 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107550488A (zh) * | 2017-09-28 | 2018-01-09 | 武汉中旗生物医疗电子有限公司 | 心电伪迹消除方法及装置 |
CN107688553A (zh) * | 2017-08-16 | 2018-02-13 | 安徽心之声医疗科技有限公司 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
CN107693010A (zh) * | 2017-09-13 | 2018-02-16 | 南京理工大学 | 基于可编程逻辑平台fpga的qrs波检测系统 |
CN107736894A (zh) * | 2017-09-24 | 2018-02-27 | 天津大学 | 一种基于深度学习的心电信号情绪识别方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
US9949714B2 (en) * | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108143408A (zh) * | 2017-12-25 | 2018-06-12 | 广东工业大学 | 一种j波的识别提取方法、装置及介质 |
CN108256453A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于一维ecg信号提取二维cnn特征的方法 |
CN108537123A (zh) * | 2018-03-08 | 2018-09-14 | 四川大学 | 基于多特征提取的心电识别方法 |
CN108596142A (zh) * | 2018-05-09 | 2018-09-28 | 吉林大学 | 一种基于PCANet的心电特征提取方法 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于采样通道融合深度神经网络的自动心律失常分析方法 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
-
2018
- 2018-11-12 CN CN201811340476.4A patent/CN109602414B/zh active Active
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5489782A (en) * | 1994-03-24 | 1996-02-06 | Imaging Laboratory, Inc. | Method and apparatus for quantum-limited data acquisition |
US5738104A (en) * | 1995-11-08 | 1998-04-14 | Salutron, Inc. | EKG based heart rate monitor |
EP0861045A1 (en) * | 1995-11-08 | 1998-09-02 | Salutron, Inc. | Ekg based heart rate monitor |
US5876350A (en) * | 1995-11-08 | 1999-03-02 | Salutron, Inc. | EKG based heart rate monitor with digital filter and enhancement signal processor |
US20060149160A1 (en) * | 2004-12-03 | 2006-07-06 | Aspect Medical Systems, Inc. | System and method for EEG imaging of cerebral activity using small electrode sets |
CN101461709A (zh) * | 2009-01-12 | 2009-06-24 | 复旦大学 | 基于斜率绝对值分布离散度的可电击复律心律识别算法 |
CN101919695A (zh) * | 2010-08-06 | 2010-12-22 | 李楚雅 | 一种基于小波变换的心电信号qrs波检测方法 |
US8416086B2 (en) * | 2010-08-31 | 2013-04-09 | Ut-Battelle, Llc | Methods for improved forewarning of condition changes in monitoring physical processes |
CN102613970A (zh) * | 2012-02-13 | 2012-08-01 | 南京大学 | 对采集的多通道胎心电信号的通道数进行扩展的一种方法 |
CN104736055A (zh) * | 2012-05-30 | 2015-06-24 | 瑞思迈传感器技术有限公司 | 用于监控心肺健康的方法和设备 |
CN102988042A (zh) * | 2012-08-30 | 2013-03-27 | 重庆电子工程职业学院 | 一种小波变换与支持向量机相融合的窦房结电图识别方法 |
CN103099615A (zh) * | 2013-01-23 | 2013-05-15 | 深圳市理邦精密仪器股份有限公司 | 一种消除运动心电信号干扰的方法和装置 |
CN104127195A (zh) * | 2014-07-29 | 2014-11-05 | 杭州电子科技大学 | 一种融合脑电和心电信号的疲劳驾驶检测方法 |
CN104248434A (zh) * | 2014-09-18 | 2014-12-31 | 河海大学 | 一种胎儿心电图波形提取方法 |
CN104601143A (zh) * | 2014-12-26 | 2015-05-06 | 成都理工大学 | 时域内抗混叠滤波电路的数值分析方法 |
CN104720794A (zh) * | 2015-04-13 | 2015-06-24 | 康泰医学系统(秦皇岛)股份有限公司 | 一种叠加检测心电波形r点的方法 |
CN105030228A (zh) * | 2015-06-29 | 2015-11-11 | 深圳市理邦精密仪器股份有限公司 | 在心电信号中确定其p波位置的方法及装置 |
US9949714B2 (en) * | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN105054941A (zh) * | 2015-09-11 | 2015-11-18 | 东北大学 | 一种基于体震信号的胎儿心率提取装置及方法 |
CN105286857A (zh) * | 2015-09-29 | 2016-02-03 | 北京航空航天大学 | 一种可适应心电波形病理变化的r波快速检测方法 |
CN106951753A (zh) * | 2016-01-06 | 2017-07-14 | 北京三星通信技术研究有限公司 | 一种心电信号的认证方法和认证装置 |
CN106096579A (zh) * | 2016-06-22 | 2016-11-09 | 天津理工大学 | 一种心电信号预处理的方法 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
CN106295225A (zh) * | 2016-08-26 | 2017-01-04 | 复旦大学 | 基于互信息网络的睡眠呼吸暂停综合征的检测系统 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107688553A (zh) * | 2017-08-16 | 2018-02-13 | 安徽心之声医疗科技有限公司 | 基于小波变换和逻辑回归算法检测心电波形特征的方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN107693010A (zh) * | 2017-09-13 | 2018-02-16 | 南京理工大学 | 基于可编程逻辑平台fpga的qrs波检测系统 |
CN107736894A (zh) * | 2017-09-24 | 2018-02-27 | 天津大学 | 一种基于深度学习的心电信号情绪识别方法 |
CN107550488A (zh) * | 2017-09-28 | 2018-01-09 | 武汉中旗生物医疗电子有限公司 | 心电伪迹消除方法及装置 |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108090509A (zh) * | 2017-12-13 | 2018-05-29 | 四川大学 | 一种数据长度自适应的心电图分类方法 |
CN108143408A (zh) * | 2017-12-25 | 2018-06-12 | 广东工业大学 | 一种j波的识别提取方法、装置及介质 |
CN108256453A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于一维ecg信号提取二维cnn特征的方法 |
CN108537123A (zh) * | 2018-03-08 | 2018-09-14 | 四川大学 | 基于多特征提取的心电识别方法 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
CN108596142A (zh) * | 2018-05-09 | 2018-09-28 | 吉林大学 | 一种基于PCANet的心电特征提取方法 |
CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于采样通道融合深度神经网络的自动心律失常分析方法 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
Non-Patent Citations (10)
Title |
---|
ANDREOTTI, F (ANDREOTTI, FERNANDO)等: "Comparing Feature-Based Classifiers and Convolutional Neural Networks to Detect Arrhythmia from Short Segments of ECG", 《COMPUTING IN CARDIOLOGY CONFERENCE》 * |
HONG, SHENDA,WU, MENG,ZHOU, YUXI: "ENCASE: an ENsemble ClASsifiEr for ECG Classification Using Expert Features and Deep Neural Networks", 《COMPUTING IN CARDIOLOGY CONFERENCE》 * |
ZIHLMANN, MARTIN;PEREKRESTENKO, DMYTRO;TSCHANNEN, MICHAEL: "Convolutional Recurrent Neural Networks for Electrocardiogram Classification", 《COMPUTING IN CARDIOLOGY CONFERENCE》 * |
廖火根: "直接心室辅助装置及其心电同步控制研究", 《中国优秀硕士学位论文全文数据库》 * |
李倩倩: "无信息变量消除法在三种谱学方法中的定量分析研究", 《中国优秀硕士学位论文全文数据库》 * |
王国静 昂清 王卫东: "基于CC2530的心电数据采集存储系统的设计和实现", 《医疗卫生装备》 * |
石林: "基于Wi_Fi协议的人体多生理信采集及发送的关键技术的研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
陈舒,俞杰,吴惠芳,蒋晓天: "急诊儿科心律失常94例临床分析", 《南通医学院学报》 * |
陈舒,蒋晓天,赵建美,俞杰,苏建友,陆建明: "《急性有机氟杀鼠药中毒对儿童心肌损害的研究》", 《南通医学院学报》 * |
颜昊霖,安勇,王宏飞,牟荣增.: "基于深度信念网的心电自动分类", 《计算机工程与设计》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349792A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 基于多导联心电信号的分类方法、装置、设备及介质 |
CN113349792B (zh) * | 2021-05-31 | 2022-10-11 | 平安科技(深圳)有限公司 | 基于多导联心电信号的分类方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109602414B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105496363B (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
Liu et al. | A multistage, multimethod approach for automatic detection and classification of epileptiform EEG | |
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
CN101766509B (zh) | 一种基于单点采集肌音信号的假肢实时控制方法 | |
Deng et al. | Complexity extraction of electroencephalograms in Alzheimer's disease with weighted-permutation entropy | |
CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
CN103610460A (zh) | 一种基于自适应flann滤波器的胎儿心电信号提取方法 | |
Zhang et al. | The detection of crackles based on mathematical morphology in spectrogram analysis | |
CN106236080A (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
CN108420406A (zh) | 基于脉搏波睡眠分期的方法 | |
CN109893115A (zh) | 一种基于人体微弱生物电信号的处理分析方法 | |
CN108182415A (zh) | 基于自滤波变频经验模态分解获得时频分布的方法 | |
Husain et al. | An artificial neural network model for classification of epileptic seizures using Huang-Hilbert transform | |
Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
CN110598628B (zh) | 一种基于集成深度学习的肌电信号手部运动识别方法 | |
CN109602414A (zh) | 一种多视角转换的心电信号数据增强方法 | |
CN110192864B (zh) | 一种跨域心电图生物特征身份识别方法 | |
CN114732424A (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
CN110558980B (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN104778342B (zh) | 一种基于小波奇异熵的心音特征提取方法 | |
CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
Phinyomark et al. | Fractal analysis of surface electromyography (EMG) signal for identify hand movements using critical exponent analysis | |
Mustafa et al. | EEG spectrogram classification employing ANN for IQ application |
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 |