CN109662689A - 一种医院基于心电图的健康预警系统 - Google Patents

一种医院基于心电图的健康预警系统 Download PDF

Info

Publication number
CN109662689A
CN109662689A CN201811522801.9A CN201811522801A CN109662689A CN 109662689 A CN109662689 A CN 109662689A CN 201811522801 A CN201811522801 A CN 201811522801A CN 109662689 A CN109662689 A CN 109662689A
Authority
CN
China
Prior art keywords
data
carries out
early warning
electrocardiogram
warning system
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
Application number
CN201811522801.9A
Other languages
English (en)
Other versions
CN109662689B (zh
Inventor
姜炜炜
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811522801.9A priority Critical patent/CN109662689B/zh
Publication of CN109662689A publication Critical patent/CN109662689A/zh
Application granted granted Critical
Publication of CN109662689B publication Critical patent/CN109662689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；S3，对S2中除噪后的信号进行误差补偿消除。本发明通过对切割后的图像数据进行小波交换进而完全除噪工作，对除噪后的图像数据进行误差反馈，逐级补偿使其恢复无失真的图像，再对获得的图像数据进行特征提取，获得方向、相邻间隔、变化幅度等信息，与案例数据库中的数据进行参照对比，案例数据库中的数据可为用户过往的心电图数据，也可为与其相类似的心电图数据，当分析对比后其差距较大时，将信号传递至外部报警单元，外部报警单元进行工作进行提示。

Description

一种医院基于心电图的健康预警系统
技术领域
本发明涉及医疗预警技术技术领域，尤其涉及一种医院基于心电图的健康预警系统。
背景技术
心电图是指心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。
心电监测是心血管患者病情观察及诊疗的一项重要措施，可以实时监测有无心律失常、心脏搏动的频率等，并根据心电活动采取及时有效的措施。目前一般采用心电图进行心电监测，虽然市场上大多数的动态心电图分析软件都可以对数据进行自动分析但在临床工作中，心电图检测记录过程中易受多种影响出现干扰现象，导致获取数据无效或不准确。
发明内容
基于背景技术存在的技术问题，本发明提出了一种医院基于心电图的健康预警系统。
本发明提出一种医院基于心电图的健康预警系统，包括以下步骤：
S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；
S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；
S3，对S2中除噪后的信号进行误差补偿消除；
S4，对S3中的数据进行进行特征提取，并与案例数据库的数据进行分析对比；
S5，对S4中对比后的信号进行分析，之后传递至外部报警单元。
优选地，所述小波交换分解采用wavedec2函数。
优选地，所述信号除噪通过多分辨率分析进行处理。
优选地，所述特征提取采用灰度共生矩阵进行图像数据的提取分析。
优选地，所述小波交换分解采用wrcoef2函数。
优选地，所述小波交换分解采用detcoef函数。
本发明通过对切割后的图像数据进行小波交换进而完全除噪工作，对除噪后的图像数据进行误差反馈，逐级补偿使其恢复无失真的图像，再对获得的图像数据进行特征提取，获得方向、相邻间隔、变化幅度等信息，与案例数据库中的数据进行参照对比，案例数据库中的数据可为用户过往的心电图数据，也可为与其相类似的心电图数据，当分析对比后其差距较大时，将信号传递至外部报警单元，外部报警单元进行工作进行提示。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例一
本发明提出的一种医院基于心电图的健康预警系统，如图1所示，包括以下步骤：
S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；
S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；
S3，对S2中除噪后的信号进行误差补偿消除；
S4，对S3中的数据进行进行特征提取，并与案例数据库的数据进行分析对比；
S5，对S4中对比后的信号进行分析，之后传递至外部报警单元。
Graph Cut算法是一种直接基于图切算法的图像分割技术，它仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。
小波交换分解采用wavedec2函数，wavedec2是多层二维离散小波变换函数，用来对图像img进行多级小波分解。经过小波分解之后得到的所有图像都被称为小波系数，有近似系数，水平细节系数，垂直细节系数，对角细节系数。其调用形式为：
（1） [c,s] = wavedec2(img,N,’wname’);
（2） [c,s] = wavedec2(X,N,Lo_D,Hi_D) 。
参数说明：在matlab中输入：
img：要进行小波分解的图像；
N ：指定分解的层数；
wname：指定用什么小波基进行分解，c：为各层分解系数； s: 各层分解系数长度，也就是大小。
信号除噪通过多分辨率分析进行处理，多分辨率分析通过小波变换把图像分解到不同分辨率上,然后用误差反馈的方法进行逐级补偿。由于所有前级分辨率的编码误差都可以得到补偿,因而可以恢复无失真的图像。
误差分离技术的核心是将有用信号与误差信号进行分离，它有两种方式：基于信号源变换和基于模型参数估计的误差信号分离。基于信号源变换的误差分离技术要建立误差信号与有用信号的确定函数关系，然后再经相应信号处理，进而达到将有用信号与误差信号分离的目的。基于模型参数估计的误差分离技术是在确切掌握了误差作用规律并建立了相应数学模型后，对模型进行求解或估计。
误差修正技术可分为基于修正量预先获取型和基于实时测量型误差修正技术，其核心是通过某种方式获取误差修正量，再从测量数据中消除误差分量，还可通过误差抑制进行误差的进一步消除，误差抑制技术是在掌握误差作用规律的情况下在测量系统中预先加入随误差源变量变化而自动调控输入输出，从而达到使误差抵消或消除的目的。一般可分为直接抑制型和反馈抑制型。
特征提取采用灰度共生矩阵进行图像数据的提取分析。
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。
一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：
P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝
其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。
共生矩阵的一个计算，其中（a）为原始图像的灰度值，（b）为从左到右方向上的共生矩阵，θ=0，（c）为从左下到右上方向上的共生矩阵，θ=45，（d）为从下到上方向共生矩阵，θ=90，（e）为从右下到左上方向上的共生矩阵，θ=135，相邻间隔d=1。
纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的,因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。
对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。
实施例二
本发明提出的一种医院基于心电图的健康预警系统，如图1所示，包括以下步骤：
S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；
S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；
S3，对S2中除噪后的信号进行误差补偿消除；
S4，对S3中的数据进行进行特征提取，并与案例数据库的数据进行分析对比；
S5，对S4中对比后的信号进行分析，之后传递至外部报警单元。
Graph Cut算法是一种直接基于图切算法的图像分割技术，它仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。
小波交换分解采用wrcoef2函数，wrcoef2函数是用来重建一幅图像的系数，其实就是根据小波分解之后的系数c来重建其对应的图像。重建好的图像的尺度与原始图像一致。即无论你要重构哪个层的系数，最终它的维度都是和原始图像的尺度一致。其调用形式如下：
（1） X = wrcoef2(‘type’,c,s,’wname’,N)
（2） X = wrcoef2(‘type’,c,s,Lo_R,Hi_R,N)
（3） X = wrcoef2(‘type’,c,s,’wname’)
（4） X = wrcoef2(‘type’,c,s,Lo_R,Hi_R)
其中第一种调用形式的参数说明：
type ：指定要进行重构的小波系数，如a-近似图像 ;h-水平高频分量;v-垂直高频分量;d-对角高
c: 是小波分解函数wrcoef2分解的小波系数；
s: 是wrcoef2分解形成的尺度；
wname ：指定小波基；
N ：指定重构的小波系数所在的层。
信号除噪通过多分辨率分析进行处理，多分辨率分析通过小波变换把图像分解到不同分辨率上,然后用误差反馈的方法进行逐级补偿。由于所有前级分辨率的编码误差都可以得到补偿,因而可以恢复无失真的图像。
误差分离技术的核心是将有用信号与误差信号进行分离，它有两种方式：基于信号源变换和基于模型参数估计的误差信号分离。基于信号源变换的误差分离技术要建立误差信号与有用信号的确定函数关系，然后再经相应信号处理，进而达到将有用信号与误差信号分离的目的。基于模型参数估计的误差分离技术是在确切掌握了误差作用规律并建立了相应数学模型后，对模型进行求解或估计。
误差修正技术可分为基于修正量预先获取型和基于实时测量型误差修正技术，其核心是通过某种方式获取误差修正量，再从测量数据中消除误差分量，还可通过误差抑制进行误差的进一步消除，误差抑制技术是在掌握误差作用规律的情况下在测量系统中预先加入随误差源变量变化而自动调控输入输出，从而达到使误差抵消或消除的目的。一般可分为直接抑制型和反馈抑制型。
特征提取采用灰度共生矩阵进行图像数据的提取分析。
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。
一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：
P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝
其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。
共生矩阵的一个计算，其中（a）为原始图像的灰度值，（b）为从左到右方向上的共生矩阵，θ=0，（c）为从左下到右上方向上的共生矩阵，θ=45，（d）为从下到上方向共生矩阵，θ=90，（e）为从右下到左上方向上的共生矩阵，θ=135，相邻间隔d=1。
纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的,因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。
对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。
实施例三
实施例一
本发明提出的一种医院基于心电图的健康预警系统，如图1所示，包括以下步骤：
S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；
S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；
S3，对S2中除噪后的信号进行误差补偿消除；
S4，对S3中的数据进行进行特征提取，并与案例数据库的数据进行分析对比；
S5，对S4中对比后的信号进行分析，之后传递至外部报警单元。
Graph Cut算法是一种直接基于图切算法的图像分割技术，它仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。
对图像用小波进行层小波分解，小波交换分解采用detcoef函数：
[c,s]=wavedec2(X,2,'bior3.7')；
提取小波分解结构中的一层的低频系数和高频系数
cal=appcoef2(c,s,'bior3.7',1)；
水平方向
ch1=detcoef2('h',c,s,1)；
垂直方向
cv1=detcoef2('v',c,s,1)；
斜线方向
cd1=detcoef2('d',c,s,1)；。
信号除噪通过多分辨率分析进行处理，多分辨率分析通过小波变换把图像分解到不同分辨率上,然后用误差反馈的方法进行逐级补偿。由于所有前级分辨率的编码误差都可以得到补偿,因而可以恢复无失真的图像。
误差分离技术的核心是将有用信号与误差信号进行分离，它有两种方式：基于信号源变换和基于模型参数估计的误差信号分离。基于信号源变换的误差分离技术要建立误差信号与有用信号的确定函数关系，然后再经相应信号处理，进而达到将有用信号与误差信号分离的目的。基于模型参数估计的误差分离技术是在确切掌握了误差作用规律并建立了相应数学模型后，对模型进行求解或估计。
误差修正技术可分为基于修正量预先获取型和基于实时测量型误差修正技术，其核心是通过某种方式获取误差修正量，再从测量数据中消除误差分量，还可通过误差抑制进行误差的进一步消除，误差抑制技术是在掌握误差作用规律的情况下在测量系统中预先加入随误差源变量变化而自动调控输入输出，从而达到使误差抵消或消除的目的。一般可分为直接抑制型和反馈抑制型。
特征提取采用灰度共生矩阵进行图像数据的提取分析。
共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。
一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为：
P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝
其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。
共生矩阵的一个计算，其中（a）为原始图像的灰度值，（b）为从左到右方向上的共生矩阵，θ=0，（c）为从左下到右上方向上的共生矩阵，θ=45，（d）为从下到上方向共生矩阵，θ=90，（e）为从右下到左上方向上的共生矩阵，θ=135，相邻间隔d=1。
纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的,因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。
对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。
通过对切割后的图像数据进行小波交换进而完全除噪工作，对除噪后的图像数据进行误差反馈，逐级补偿使其恢复无失真的图像，再对获得的图像数据进行特征提取，获得方向、相邻间隔、变化幅度等信息，与案例数据库中的数据进行参照对比，案例数据库中的数据可为用户过往的心电图数据，也可为与其相类似的心电图数据，当分析对比后其差距较大时，将信号传递至外部报警单元，外部报警单元进行工作进行提示。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种医院基于心电图的健康预警系统，其特征在于，包括以下步骤：
S1，用于心电图采集单元获取用户数据，采集用于实时心电图数据；
S2，对S1中获取的用户数据通过Graph Cut算法进行切割，对切割后的多段数据进行小波交换分解；
S3，对S2中除噪后的信号进行误差补偿消除；
S4，对S3中的数据进行进行特征提取，并与案例数据库的数据进行分析对比；
S5，对S4中对比后的信号进行分析，之后传递至外部报警单元。
2.根据权利要求1所述的一种医院基于心电图的健康预警系统，其特征在于，所述小波交换分解采用wavedec2函数。
3.根据权利要求1所述的一种医院基于心电图的健康预警系统，其特征在于，所述信号除噪通过多分辨率分析进行处理。
4.根据权利要求1所述的一种医院基于心电图的健康预警系统，其特征在于，所述特征提取采用灰度共生矩阵进行图像数据的提取分析。
5.根据权利要求1所述的一种医院基于心电图的健康预警系统，其特征在于，所述小波交换分解采用wrcoef2函数。
6.根据权利要求1所述的一种医院基于心电图的健康预警系统，其特征在于，所述小波交换分解采用detcoef函数。
CN201811522801.9A 2019-03-07 2019-03-07 一种医院基于心电图的健康预警系统 Active CN109662689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811522801.9A CN109662689B (zh) 2019-03-07 2019-03-07 一种医院基于心电图的健康预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811522801.9A CN109662689B (zh) 2019-03-07 2019-03-07 一种医院基于心电图的健康预警系统

Publications (2)

Publication Number Publication Date
CN109662689A true CN109662689A (zh) 2019-04-23
CN109662689B CN109662689B (zh) 2021-07-27

Family

ID=66145089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811522801.9A Active CN109662689B (zh) 2019-03-07 2019-03-07 一种医院基于心电图的健康预警系统

Country Status (1)

Country Link
CN (1) CN109662689B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491500A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监测与分析的身份识别系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101617947A (zh) * 2009-07-17 2010-01-06 重庆医科大学 一种基于斑点跟踪技术的心肌纹理自动分析方法
CN201414795Y (zh) * 2009-02-06 2010-03-03 陈跃军 模糊心电图智能在线分析仪系统
CN101983611A (zh) * 2010-11-25 2011-03-09 北京悦琦创通科技有限公司 一种基于小波变换的脉搏波传导速度的计算方法
CN102129509A (zh) * 2011-02-22 2011-07-20 郑州大学 心电监护与反向传播神经网络的冠心病自诊断系统
CN102347944A (zh) * 2011-07-22 2012-02-08 哈尔滨工业大学深圳研究生院 基于小波算法的心电信号传输方法和系统
CN102488963A (zh) * 2011-12-08 2012-06-13 天津大学 一种功能性电刺激膝关节角度控制方法
CN104799882A (zh) * 2014-01-28 2015-07-29 三星麦迪森株式会社 用于显示与感兴趣区域相应的超声图像的方法和超声设备
CN106570830A (zh) * 2016-09-29 2017-04-19 北京联合大学 一种基于GrabCut改进的图像分割方法
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
US20180092606A1 (en) * 2016-10-04 2018-04-05 National Kaohsiung University Of Applied Sciences Heart Sound Processing Method and System for Detecting Cardiopathy
CN107928660A (zh) * 2017-10-25 2018-04-20 厦门传芯健康科技有限公司 一种基于心电图的健康预警系统
CN109117729A (zh) * 2018-07-11 2019-01-01 上海夏先机电科技发展有限公司 心电图室性逸搏实时判断方法、装置、系统及存储介质
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201414795Y (zh) * 2009-02-06 2010-03-03 陈跃军 模糊心电图智能在线分析仪系统
CN101617947A (zh) * 2009-07-17 2010-01-06 重庆医科大学 一种基于斑点跟踪技术的心肌纹理自动分析方法
CN101983611A (zh) * 2010-11-25 2011-03-09 北京悦琦创通科技有限公司 一种基于小波变换的脉搏波传导速度的计算方法
CN102129509A (zh) * 2011-02-22 2011-07-20 郑州大学 心电监护与反向传播神经网络的冠心病自诊断系统
CN102347944A (zh) * 2011-07-22 2012-02-08 哈尔滨工业大学深圳研究生院 基于小波算法的心电信号传输方法和系统
CN102488963A (zh) * 2011-12-08 2012-06-13 天津大学 一种功能性电刺激膝关节角度控制方法
CN104799882A (zh) * 2014-01-28 2015-07-29 三星麦迪森株式会社 用于显示与感兴趣区域相应的超声图像的方法和超声设备
CN106570830A (zh) * 2016-09-29 2017-04-19 北京联合大学 一种基于GrabCut改进的图像分割方法
US20180092606A1 (en) * 2016-10-04 2018-04-05 National Kaohsiung University Of Applied Sciences Heart Sound Processing Method and System for Detecting Cardiopathy
CN107122788A (zh) * 2017-03-09 2017-09-01 吉林大学 一种基于心电信号的身份识别方法及装置
CN107928660A (zh) * 2017-10-25 2018-04-20 厦门传芯健康科技有限公司 一种基于心电图的健康预警系统
CN109117729A (zh) * 2018-07-11 2019-01-01 上海夏先机电科技发展有限公司 心电图室性逸搏实时判断方法、装置、系统及存储介质
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491500A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监测与分析的身份识别系统及方法

Also Published As

Publication number Publication date
CN109662689B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
Dey et al. Analysis of P-QRS-T components modified by blind watermarking technique within the electrocardiogram signal for authentication in wireless telecardiology using DWT
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
US11471090B2 (en) Method and system to assess pulmonary hypertension using phase space tomography and machine learning
US11475570B2 (en) Computational simulations of anatomical structures and body surface electrode positioning
US20100266188A1 (en) Chest x-ray registration, subtraction and display
Lokesh et al. CNN based deep learning methods for precise analysis of cardiac arrhythmias
US20030039405A1 (en) Image position matching apparatus and image processing apparatus
KR20110128197A (ko) 심장 ｍ-모드 뷰들의 자동 분석
Heyde et al. Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings
US20230394670A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri for scar segmentation and clinical feature extraction
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
EP1360649A2 (en) Registration reliability measure
Tharun et al. Image enhancement of cardiac mr motion image for high-quality segmentation using combined fuzzy pooling layer in convolutional neural networks
CN109662689A (zh) 一种医院基于心电图的健康预警系统
CN107067387A (zh) 基于3d复数剪切波变换域广义统计相关模型的医学图像融合方法
CN115861172A (zh) 基于自适应正则化光流模型的室壁运动估计方法及装置
Zhou et al. Automated estimation of the upper surface of the diaphragm in 3-D CT images
CN115363594A (zh) 一种基于循环神经网络的实时心脏疾病筛查方法
Ting et al. Multiview 3-d echocardiography image fusion with mutual information neural estimation
Karhe et al. Arrhythmia detection using one dimensional convolutional neural network
CN118396850B (zh) 一种基于对抗生成模型的三维超声视频拼接方法及系统
Lorsakul et al. Parameterization of real-time 3D speckle tracking framework for cardiac strain assessment
CN110638433B (zh) 一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统
Gifani et al. Noise reduction of echocardiography images using Isomap algorithm
Szilágyi et al. Volumetric analysis of the heart using echocardiography

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