CN109602415B - 基于机器学习的心电设备导联倒置识别方法 - Google Patents
基于机器学习的心电设备导联倒置识别方法 Download PDFInfo
- Publication number
- CN109602415B CN109602415B CN201811340486.8A CN201811340486A CN109602415B CN 109602415 B CN109602415 B CN 109602415B CN 201811340486 A CN201811340486 A CN 201811340486A CN 109602415 B CN109602415 B CN 109602415B
- Authority
- CN
- China
- Prior art keywords
- data
- lead
- electrocardiosignal
- machine learning
- model
- 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
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
- A61B5/30—Input circuits therefor
- A61B5/303—Patient cord assembly, e.g. cable harness
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开基于机器学习的心电设备导联倒置识别方法,包括以下步骤:正常导联数据采集、生成倒置导联数据、数据预处理、特征提取、模型训练、模型预测;能够实现导联倒置的自动识别,该识别过程不依赖与医务人员的参与,而是根据已有的历史数据,建立机器学习模型,使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。
Description
技术领域
本发明涉及基于机器学习的识别方法,具体是基于机器学习的心电设备导联倒置识别方法。
背景技术
心电设备采集的心电信号数据,对正负极的位置有严格的规定。例如,便携式心电信号采集设备所采集的肢体I导联,要求正极接在左上肢,负极接在右上肢,并以此为采用标准的肢体I导联分析方法,进一步用模式识别的方法识别出P波、QRS波群、ST段、T波等特征波,最终给出诊断结论。
如果出现正负极接反了的情况,采集到的是导联倒置的波形,则P波、QRS波群、ST段、T波等特征波的形态都会倒置,这种情况下模式识别方法的识别精度会大幅度降低。该问题尤其会出现在无医务人员看护的场景下,例如便携式心电采集设备,用户若不仔细查看说明书,很容易出现该问题。
发明内容
本发明的目的在于提供基于机器学习的心电设备导联倒置识别方法,能够实现导联倒置的自动识别,该识别过程不依赖与医务人员的参与,而是根据已有的历史数据,建立机器学习模型,使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。
本发明的目的可以通过以下技术方案实现:
基于机器学习的心电设备导联倒置识别方法,其特征在于,该方法由以下组成:步骤一,正常导联数据采集,对于任意一条心电信号数据,记该数据为Xn∈Rn,其中n为该信号的数据长度,Xn[i]表示Xn的第i个电压值,Rn为n维实数空间,正常导联数据的分类标签Ln记为数值0,表示该数据“是倒置导联的概率为0”。
步骤二,生成倒置导联数据,对于任意一条正常导联心电信号数据Xn,生成倒置导联数据Xr,其中Xr[i]=-Xn[i],倒置导联数据的分类标签Lr记为数值1,表示该数据“是倒置导联的概率为1”。
步骤三,数据预处理,从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值,用X表示任意一条心电信号数据,L表示该心电信号数据的标签,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,即:其中其中u表示均值,σ表示方差,将和X归一化进行合并,原始的单通道心电信号数据转换为双通道的心电信号数据X双通道∈Rn×2。
步骤四,特征提取,在双通道的心电信号数据上提取双通道的特征X双通道∈Rn×2,每个通道的特征值的数量是36个,包括:最值:F最大值=max(X),F最小值=min(X),分位数:Fp分位数=percentile(X,p),跨度:Fp,q跨度=percentile(X,p)-percentile(X,q),将双通道的特征值组合为单个维度的特征向量D∈R72,每条原始导联数据对应固定维度的特征向量,基于特征向量构建机器学习模型,用H表示分类器模型,输入是心电信号提取的特征向量D,输出是该心电信号的预测结果,0表示为正常导联心电信号数据,1表示为倒置导联心电信号数据。
步骤五,模型训练,分类器的模型训练需要数据和标签两部分,对于导联倒置识别任务,数据是特征向量D,标签是L,模型训练过程与机器学习中分类器训练过程相同,保存训练完毕的分类器模型H,不需要保存原始的训练数据X、特征向量D和标签L。
步骤六,模型预测,在预测阶段,对于任意一条新到来的原始心电信号数据Xnew,经过同样的数据预处理、特征提取,得到特征向量Dnew∈R72,输入分类器模型H,计算得到预测结果Y。
进一步地,所述p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。
进一步地,所述(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。
进一步地,所述预测结果Y:若Y为0,表示Xnew是正常导联心电信号数据,若Y为1,表示Xnew是倒置导联心电信号数据。
进一步地,所述机器学习模型是一个分类器模型,任意一种分类器模型均可以实现导联倒置识别的目的。
本发明的有益效果:本发明方法能够实现导联倒置的自动识别,该识别过程不依赖与医务人员的参与,而是根据已有的历史数据,建立机器学习模型,使该模型能够自动判断采集的心电信号是正常导联还是倒置导联。
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。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
基于机器学习的心电设备导联倒置识别方法,包括:步骤一,正常导联数据采集;步骤二,生成倒置导联数据;步骤三,数据预处理;步骤四,特征提取;步骤五,模型训练;步骤六,模型预测。
步骤一,正常导联数据采集。不失一般性,这里假定使用便携式设备采集肢体I导联的情况,其他设备及所采集的导联,可以用同样的方式处理。对于任意一条心电信号数据,记该数据为Xn∈Rn,其中n为该信号的数据长度,Xn[i]表示Xn的第i个电压值,Rn为n维实数空间,正常导联数据的分类标签Ln记为数值0,表示该数据“是倒置导联的概率为0”。
步骤二,生成倒置导联数据。对于任意一条正常导联心电信号数据Xn,生成倒置导联数据Xr,其中Xr[i]=-Xn[i],倒置导联数据的分类标签Lr记为数值1,表示该数据“是倒置导联的概率为1”。
步骤三,数据预处理。从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值,用X表示任意一条心电信号数据,L表示该心电信号数据的标签,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,即:其中其中u表示均值,σ表示方差,将和X归一化进行合并,原始的单通道心电信号数据转换为双通道的心电信号数据X双通道∈Rn×2。
步骤四,特征提取。在双通道的心电信号数据上提取双通道的特征X双通道∈Rn×2;
每个通道的特征值的数量是36个,包括:
最值:F最大值=max(X),F最小值=min(X),分位数:Fp分位数=percentile(X,p),p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。
跨度:Fp,q跨度=percentile(X,p)-percentile(X,q),(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。
将双通道的特征值组合为单个维度的特征向量D∈R72,每条原始导联数据对应固定维度的特征向量,基于特征向量构建机器学习模型,特别地,该机器学习模型是一个分类器模型。任意一种分类器模型均可以实现导联倒置识别的目的,这里不做限制。用H表示分类器模型,输入是心电信号提取的特征向量D,输出是该心电信号的预测结果,0表示为正常导联心电信号数据,1表示为倒置导联心电信号数据。
步骤五,模型训练,分类器的模型训练需要数据和标签两部分,对于导联倒置识别任务,数据是特征向量D,标签是L,模型训练过程与机器学习中分类器训练过程相同,保存训练完毕的分类器模型H,不需要保存原始的训练数据X、特征向量D和标签L。
步骤六,模型预测,在预测阶段,在预测阶段,对于任意一条新到来的原始心电信号数据Xnew,经过同样的数据预处理、特征提取,得到特征向量Dnew∈R72,输入分类器模型H,计算得到预测结果Y:若Y为0,表示Xnew是正常导联心电信号数据,若Y为1,表示Xnew是倒置导联心电信号数据。
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 (5)
1.基于机器学习的心电设备导联倒置识别方法,其特征在于,该方法由以下组成:步骤一,正常导联数据采集,对于任意一条心电信号数据,记该数据为Xn∈Rn,其中n为该信号的数据长度,Xn[i]表示Xn的第i个电压值,Rn为n维实数空间,正常导联数据的分类标签Ln记为数值0,表示该数据“是倒置导联的概率为0”;
步骤二,生成倒置导联数据,对于任意一条正常导联心电信号数据Xn,生成倒置导联数据Xr,其中Xr[i]=-Xn[i],倒置导联数据的分类标签Lr记为数值1,表示该数据“是倒置导联的概率为1”;
步骤三,数据预处理,从正常导联心电信号数据和倒置导联心电信号数据集合中提取心电信号数据的特征值,用X表示任意一条心电信号数据,L表示该心电信号数据的标签,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,即:其中其中u表示均值,σ表示方差,将和X归-化进行合并,原始的单通道心电信号数据转换为双通道的心电信号数据X双通道∈Rn×2;
步骤四,特征提取,在双通道的心电信号数据上提取双通道的特征X双通道∈Rn×2,每个通道的特征值的数量是36个,包括:最值:F最大值=max(X),F最小值=min(X),分位数:Fp分位数=percentile(X,p),跨度:Fp,q跨度=percentile(X,p)-percentile(X,q),将双通道的特征值组合为单个维度的特征向量D∈R72,每条原始导联数据对应固定维度的特征向量,基于特征向量构建机器学习模型,用H表示分类器模型,输入是心电信号提取的特征向量D,输出是该心电信号的预测结果,0表示为正常导联心电信号数据,1表示为倒置导联心电信号数据;
步骤五,模型训练,分类器的模型训练需要数据和标签两部分,对于导联倒置识别任务,数据是特征向量D,标签是L,模型训练过程与机器学习中分类器训练过程相同,保存训练完毕的分类器模型H,不需要保存原始的训练数据X、特征向量D和标签L;
步骤六,模型预测,在预测阶段,对于任意一条新到来的原始心电信号数据Xnew,经过同样的数据预处理、特征提取,得到特征向量Dnew∈R72,输入分类器模型H,计算得到预测结果Y。
2.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于,所述p的取值有0.01、0.02、0.05、0.1、0.2、0.5、1、2、5、10、25、50、75、90、95、98、99、99.5、99.8、99.9、99.95、99.98、99.99。
3.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于,所述(p,q)的取值有(0.01,99.99),(0.02,99.98),(0.05,99.95),(0.1,99.9),(0.2,99.8),(0.5,99.5),(1,99),(2,98),(5,95),(10,90),(25,75)。
4.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于,所述预测结果Y:若Y为0,表示Xnew是正常导联心电信号数据,若Y为1,表示Xnew是倒置导联心电信号数据。
5.根据权利要求1所述的基于机器学习的心电设备导联倒置识别方法,其特征在于,所述机器学习模型是一个分类器模型,任意一种分类器模型均可以实现导联倒置识别的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340486.8A CN109602415B (zh) | 2018-11-12 | 2018-11-12 | 基于机器学习的心电设备导联倒置识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340486.8A CN109602415B (zh) | 2018-11-12 | 2018-11-12 | 基于机器学习的心电设备导联倒置识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109602415A CN109602415A (zh) | 2019-04-12 |
CN109602415B true CN109602415B (zh) | 2022-02-18 |
Family
ID=66004206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340486.8A Active CN109602415B (zh) | 2018-11-12 | 2018-11-12 | 基于机器学习的心电设备导联倒置识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109602415B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112401893B (zh) * | 2020-11-10 | 2023-10-13 | 安徽华米信息科技有限公司 | 心电图信号校正方法、装置、可穿戴设备及存储介质 |
CN116584951B (zh) * | 2023-04-23 | 2023-12-12 | 山东省人工智能研究院 | 一种基于弱监督学习的心电信号检测和定位方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102349828A (zh) * | 2011-10-13 | 2012-02-15 | 纳龙(苏州)信息技术有限公司 | 一种心电图导联纠错方法 |
CN103908244A (zh) * | 2014-04-03 | 2014-07-09 | 深圳市理邦精密仪器股份有限公司 | 一种对心电导联错接进行判断的方法和装置 |
CN104173043A (zh) * | 2014-09-04 | 2014-12-03 | 东莞理工学院 | 一种适合于移动平台的心电数据分析方法 |
WO2015030712A1 (en) * | 2013-08-26 | 2015-03-05 | Bodhi Technology Ventures Llc | Method of detecting the wearing limb of a wearable electronic device |
CN104473629A (zh) * | 2013-11-19 | 2015-04-01 | 邱磊 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN205683079U (zh) * | 2016-01-19 | 2016-11-16 | 井艳 | 一种心电图导联反接报警装置 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
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 |
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 |
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 |
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 |
CN108125678A (zh) * | 2017-12-01 | 2018-06-08 | 北京顺源开华科技有限公司 | 心电信号的方向检测方法、装置及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007535392A (ja) * | 2004-05-01 | 2007-12-06 | ビーエスピー バイオロジカル シグナル プロセッシング リミテッド | 高周波qrs群の分析のための装置および方法 |
EP1884777A1 (en) * | 2006-08-04 | 2008-02-06 | Medizinische Hochschule Hannover | Means and methods for assessing the risk of cardiac interventions based on GDF-15 |
US10912476B2 (en) * | 2013-01-16 | 2021-02-09 | University Of Vermont | Catheters, systems, and related methods for mapping, minimizing, and treating cardiac fibrillation |
EP2986204B1 (en) * | 2013-04-16 | 2018-08-22 | Alivecor, Inc. | Two electrode apparatus and methods for twelve lead ecg |
CN105877742B (zh) * | 2016-05-18 | 2019-03-22 | 四川长虹电器股份有限公司 | 一种针对心电信号ⅰ导联电极的错放检测方法 |
CN107688553B (zh) * | 2017-08-16 | 2020-11-10 | 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 |
CN107714023B (zh) * | 2017-11-27 | 2020-09-01 | 上海优加利健康管理有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN109394205B (zh) * | 2018-09-30 | 2022-06-17 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号分析方法 |
-
2018
- 2018-11-12 CN CN201811340486.8A patent/CN109602415B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102349828A (zh) * | 2011-10-13 | 2012-02-15 | 纳龙(苏州)信息技术有限公司 | 一种心电图导联纠错方法 |
WO2015030712A1 (en) * | 2013-08-26 | 2015-03-05 | Bodhi Technology Ventures Llc | Method of detecting the wearing limb of a wearable electronic device |
CN104473629A (zh) * | 2013-11-19 | 2015-04-01 | 邱磊 | 基于核函数分类算法的心电电极错误放置自动检测方法 |
CN103908244A (zh) * | 2014-04-03 | 2014-07-09 | 深圳市理邦精密仪器股份有限公司 | 一种对心电导联错接进行判断的方法和装置 |
CN104173043A (zh) * | 2014-09-04 | 2014-12-03 | 东莞理工学院 | 一种适合于移动平台的心电数据分析方法 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
CN205683079U (zh) * | 2016-01-19 | 2016-11-16 | 井艳 | 一种心电图导联反接报警装置 |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
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 |
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 |
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 |
CN108125678A (zh) * | 2017-12-01 | 2018-06-08 | 北京顺源开华科技有限公司 | 心电信号的方向检测方法、装置及电子设备 |
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 |
Non-Patent Citations (5)
Title |
---|
ECG acquisition errors due to arm leads placed on the chests;Greenfield, JC (Greenfield, Joseph C., Jr.)等;《JOURNAL OF ELECTROCARDIOLOGY》;20091231;第42卷(第3期);第235-237 页 * |
ECG-Based Classification of Resuscitation Cardiac Rhythms for Retrospective Data Analysis;Rad, AB (Rad, Ali Bahrami); Eftestol, T (Eftestol, Trygve)等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20170330;第64卷(第10期);第2411-2418 页 * |
临床实用心电图入门,第二讲 心电图导联、波形及临床价值;薛松维;《中国乡村医药杂志》;20110131;第18卷(第1期);第80-81页 * |
基于可穿戴设备的日常压力状态评估研究;赵湛,韩璐,方震,陈贤祥,杜利东,刘正奎;《电子与信息学报》;20171130;第39卷(第11期);全文 * |
统计方法在由心电图判别疾病中的应用;黄荣;《中国优秀硕士学位论文全文数据库》;20150415(第4期);第21-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109602415A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
Chen et al. | Smart heart monitoring: Early prediction of heart problems through predictive analysis of ECG signals | |
Yan et al. | A restricted Boltzmann machine based two-lead electrocardiography classification | |
Li et al. | Robust ECG biometrics using GNMF and sparse representation | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN109602415B (zh) | 基于机器学习的心电设备导联倒置识别方法 | |
CN110558975B (zh) | 一种心电信号分类方法及系统 | |
CN111631704A (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
CN112603330A (zh) | 心电信号识别分类方法 | |
Ullah et al. | An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal | |
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 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
Ganguly et al. | A non-invasive approach for fetal arrhythmia detection and classification from ecg signals | |
CN114384999A (zh) | 基于自适应学习的用户无关肌电手势识别系统 | |
Pao et al. | A comparative study of different weighting schemes on KNN-based emotion recognition in Mandarin speech | |
Liao et al. | Automatic classification of heartbeats using ECG signals via higher order hidden Markov model | |
Qayyum et al. | ECG heartbeat classification: A comparative performance analysis between one and two dimensional convolutional neural network | |
CN110192851B (zh) | 一种基于机器学习技术的心律失常分析系统 | |
CN112450944A (zh) | 标签相关性引导特征融合的心电图多分类预测系统与方法 | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
CN116172514A (zh) | 基于ts-bert神经网络模型架构的ecg信号分类方法 | |
CN115392296A (zh) | 一种异常脑电波类型识别方法、系统、存储介质及设备 | |
Chen et al. | Predictive modeling of biomedical signals using controlled spatial transformation |
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 |