CN109730672B - 一种用于多导联心电信号的特征提取方法及对应监测系统 - Google Patents
一种用于多导联心电信号的特征提取方法及对应监测系统 Download PDFInfo
- Publication number
- CN109730672B CN109730672B CN201910095801.3A CN201910095801A CN109730672B CN 109730672 B CN109730672 B CN 109730672B CN 201910095801 A CN201910095801 A CN 201910095801A CN 109730672 B CN109730672 B CN 109730672B
- Authority
- CN
- China
- Prior art keywords
- energy
- wavelet packet
- node
- lead
- matrix
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012806 monitoring device Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000003750 conditioning effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于多导联心电信号的特征提取方法及对应监测系统,涉及心电信号分析技术领域,方法为:获取单导联心电信号,并进行j尺度最大离散小波包(MODWPT)分解,得到第j层的2j个节点的最大离散小波包系数矩阵;计算该尺度下第j层每个节点中小波包系数的能量和所有节点的总能量,对各节点小波系数的能量进行归一化,得到各小波包系数的能量概率分布后计算各节点的能量熵值;将第j层所有节点的能量熵值融合组成能量熵特征矩阵;计算其余所有单导联心电信号对应的能量熵特征矩阵并融合。方法对应的监测系统包含信号采集装置和信号监测装置。本发明能够捕捉心电信号中持续时间短幅值小的异常变化,准确识别心电信号正常状态和异常状态。
Description
技术领域
本发明涉及心电信号分析技术领域,具体涉及一种用于多导联心电信号的特征提取方法及对应监测系统。
背景技术
心电信号(electrocardiosignal)是心脏有规律收缩和舒张过程中,心肌细胞产生的动作电位综合而成的电信号,是心脏电活动在体表的综合反映。在采集心电信号过程中,可知其动态变化具有持续时间短、易受干扰和特征不明显等特点。心电信号的自动分类技术主要依赖于其特征提取方法,各种特征如时域特征、小波特征、熵特征等已经被用于提取心电信号的特征,通过提升心电信号的特征表达能力能进一步提高其自动分析的准确性。
例如,公开号为CN104367317A的专利公开了一种多尺度特征融合的心电图心电信号分类方法,其技术方案为:首先读取数据库中所有的心电信号,并去除心电信号中的基线和高频噪声。接着对心电信号进行分割,计算心电信号的小波包分解,得到第四层小波包分解系数,作为提取的心电信号特征。然后将提取的心电信号特征排列为一个M维体数据,基于M维体数据得到解混合矩阵。再输入一个待测试心跳信号,得到测试心跳信号融合特征。最后通过应用分类器对测试心跳信号融合特征进行分类,得到正常及多种非正常心电信号的分类结果。该方法可提高正常及多种非正常心跳信号的分类精度、减少分类时间,但该方法时频分解能力弱并且依赖于心电信号的长度,不易发现心电信号中微小短促的异常变化。
发明内容
本发明的目的在于:为解决现有的心电信号特征提取方法不易捕捉心电信号中持续时间短、幅度小的异常变化,导致心电信号自动分类准确率较低的问题,提供了一种用于多导联心电信号的特征提取方法及对应监测系统。通过将最大离散小波包分解(MODWPT)和能量熵相结合,不但可以通过时频分析放大心电信号的局部特性,而且能够捕捉心电信号中持续时间短、幅度小的异常变化,从而增强心电信号的特征表达能力,进一步提高心电信号的自动分析性能。
本发明采用的技术方案如下:
一种用于多导联心电信号的特征提取方法,包括以下步骤:
步骤1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,...,N},对该单导联心电信号进行j尺度最大离散小波包MODWPT分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,MODWPT分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值;
步骤2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
步骤3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn;
步骤4:将第j层所有节点的能量熵值融合,组成能量熵特征矩阵B1;
步骤5:重复步骤1至4,计算其余所有单导联心电信号所包含的节点的能量熵特征矩阵,将所有得到的能量熵特征矩阵融合,组成新特征矩阵C。
进一步地,所述步骤1中,最大离散小波包系数矩阵A的表达式如下:
gl和hl分别表示MODWPT下的尺度滤波器{gl:l=0,1,...,L-1}和小波滤波器 {hl:l=0,1,...,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数;若n除以4 的余数为0或3,则rn,t=gl;若n除以4的余数为1或2,则rn,t=hl。
进一步地,所述步骤2中,最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点在j尺度下的总能量En的计算表达式如下:
En,t=|Wn,t|2
n表示单导联心电信号中第j层的第n个节点,且1≤n≤2j,t表示第n个节点中各小波包系数的索引值。
进一步地,所述步骤3中,小波包系数的能量概率分布Pn,t及各节点的能量熵值SEn的计算表达式如下:
进一步地,所述步骤4中,能量熵特征矩阵B1的表达式如下:
其中,能量熵特征矩阵B1为1行2j列矩阵。
进一步地,所述步骤5中,新特征矩阵C的表达式如下:
C=[B1,B2,...,BM]
其中,M表示多导联心电信号中包含的单导联心电信号个数,新特征矩阵C为1行M*2j列矩阵。
进一步地,还包括:
步骤6:训练基于径向基核函数的支持向量机模型,将特征矩阵C放入所述模型中,输出分类结果。
一种用于多导联心电信号的特征提取的监测系统,包括信号采集装置和与信号采集装置连接的信号监测装置,所述信号采集装置用于采集信号、调理信号和发送信号,所述信号监测装置用于接收信号、分离信号、提取信号特征和识别信号,所述信号监测装置包括用于表征局部微小短促动态变化的小波能量熵特征的特征提取模块,所述特征提取模块包括:
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联局部微小短促动态变化波形的小波能量熵特征;
特征融合单元,用于融合提取的特征获取所有导联的局部微小短促动态变化的小波能量熵特征。
进一步地,所述特征提取单元包括:
MODWPT分解单元,用于对该单导联心电信号进行j尺度最大离散小波包MODWPT分解,获取第j层的2j个节点对应的最大离散小波包系数矩阵A;
节点能量计算单元,用于计算最大离散小波包系数矩阵A中每个节点对应的小波包系数的能量En,t和所有节点在j尺度下的总能量En;
能量熵值计算单元,用于归一化各节点对应的小波包系数的能量后得到各小波包系数对应的能量概率分布Pn,t,并根据能量概率分布Pn,t计算各个节点对应的能量熵值SEn即单节点小波能量熵特征;
小波能量熵特征计算单元,用于将第j层所有节点的能量熵值融合构建为特征矩阵即小波能量熵特征。
进一步地,所述信号监测装置还包括无线通信模块A、信号分离模块、特征识别模块和显示模块,所述无线通信模块A、信号分离模块和特征提取模块依次连接,用于获取单导联心电信号的特征;所述特征提取模块、特征识别模块和显示模块依次连接,用于识别多导联特征和显示识别结果。
进一步地,所述信号采集装置包括依次连接的信号采集传感器、信号调理电路、信号转换电路、处理器和无线通信模块B,实现信号采集、调理、转换;所述信号调理电路包括依次连接的隔离电路、放大电路和滤波电路;所述无线通信模块A和无线通信模块B无线连接,实现信号无线传输。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,在MODWPT通过时频分析放大心电信号局部特性的基础上,能量熵能够在不同尺度下通过能量的概率分布反映心电微小异常变化。基于此,MODWPT分解加上能量熵特征提取方法十分适合多导联心电信号的特征分析,能够发现心电信号中持续时间短幅值小的异常变化,增强信号的特征表达能力,进而提高心电信号自动分类准确率。
2、本发明中,MODWPT能够对心电信号高频部分进一步细化分解,且不同尺度下的近似系数和细节系数具有平移不变性,同时不依赖于心电信号序列长度,每个分解尺度与原信号具有相同的时间分辨率,信号几乎不损失信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明方法的流程图;
图2为本发明实施例中方法的流程图;
图3为本发明实施例中基于三尺度MODWPT的单导联心电信号时频图;
图4为本发明实施例中样本数据中正常记录和异常记录的12导联心电信号;
图5为本发明信号监测装置的系统框图;
图6为本发明信号采集装置的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
一种用于多导联心电信号的特征提取方法,如图1和2所示,包括以下步骤:
步骤1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,...,N},对该单导联心电信号进行j尺度MODWPT分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,MODWPT分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值。本实施例中,分解尺度j的取值为3。
公式(1)为获取到的单导联心电信号在j尺度下,其包含的第j层的2j个节点对应的和该单导联心电信号具有相同时间分辨率的最大离散小波包系数矩阵A。
公式(1-2)、(1-3)中,gl和h l 分别表示MODWPT下的尺度滤波器{gl:l=0,1,...,L-1}和小波滤波器{h l :l =0 ,1 ,... ,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数。若n除以4的余数为0或3,则rn,t=gl;若n除以4的余数为1或2,则rn,t=hl。
步骤2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
En,t=|Wn,t|2 (2)
其中,n表示单导联心电信号中第j层的第n个节点,且1≤n≤2j,t表示第n个节点中各小波包系数的索引值。
步骤3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn。
步骤4:将第j层的所有节点对应的能量熵值融合,组成能量熵特征矩阵B1。
其中,能量熵特征矩阵B1为1行2j列矩阵。
步骤5:重复步骤1至4,在相同的分解尺度下,计算其余所有单导联心电信号所包含的节点的能量熵特征矩阵,将所有得到的能量熵特征矩阵融合,组成新特征矩阵C。
C=[B1,B2,...,BM] (7)
其中,M表示多导联心电信号中包含的单导联心电信号个数,新特征矩阵C为1行M*2j列矩阵。本实施例中,单导联心电信号个数M的取值为12。
步骤6:训练基于径向基核函数的支持向量机(SVM)模型,将特征矩阵C放入所述模型中,输出分类结果。具体为:
获取PTB数据库(公开的心电数据库)中正常和异常12导联心电信号样本数据,样本数据的12导联心电信号如图4所示。针对上述样本,按照数据比为6:4的比例划分训练集和验证集。此时,验证集中分类的平均准确率、平均敏感度和平均精度分别为99.51%、99.13%和99.09%。此外,SVM分类器可由反向传播神经网络、K近邻、集成学习、决策树、随机森林等方法替换。
用于多导联心电信号的特征提取方法及对应监测系统包括信号采集装置和与信号采集装置连接的信号监测装置,信号采集装置用于采集信号、调理信号和发送信号,信号监测装置用于接收信号、分离信号、提取信号特征和识别信号。信号监测装置包括用于表征局部微小短促动态变化的小波能量熵特征的特征提取模块,特征提取模块包括:
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联局部微小短促动态变化波形的小波能量熵特征;
特征融合单元,用于融合提取的特征获取所有导联的局部微小短促动态变化的小波能量熵特征。
其中,特征提取单元包括:
MODWPT分解单元,用于对各导联心电数字信号进行j尺度MODWPT分解,获取第j 层的2j个节点对应的最大离散小波包系数矩阵A;
节点能量计算单元,用于计算最大离散小波包系数矩阵A中每个节点对应的小波包系数的能量En,t和所有节点在j尺度下的总能量En;
能量熵值计算单元,用于归一化各节点对应的小波包系数的能量后得到各小波包系数对应的能量概率分布Pn,t,并根据能量概率分布Pn,t计算各个节点对应的能量熵值SEn即单节点小波能量熵特征;
小波能量熵特征计算单元,用于将第j层所有节点的能量熵值融合构建为特征矩阵即小波能量熵特征。
如图5所示,信号监测装置还包括无线通信模块A、信号分离模块、特征识别模块和显示模块,无线通信模块A、信号分离模块和特征提取模块依次连接,用于获取单导联心电信号的特征;特征提取模块、特征识别模块和显示模块依次连接,用于识别多导联特征和显示识别结果。
如图6所示,信号采集装置包括依次连接的信号采集传感器、信号调理电路、信号转换电路、处理器和无线通信模块B,实现信号采集、调理、转换;信号调理电路包括依次连接的隔离电路、放大电路和滤波电路;无线通信模块A和无线通信模块B无线连接,实现信号无线传输。
实施型号:信号采集传感器采用医疗双面导电硅胶和柔性电路板采集信号,处理器型号为MSP430F5529,无线通信模块型号为CC2430,信号转换电路、隔离电路、放大电路和滤波电路采用本领域通用电路实现,通过确定型号和通用型号的电路确定本申请的采集装置对应的电路连接,本领域技术人员通过本申请的记载可以清楚、完整地实现本申请的技术方案。
效果分析:MODWPT能够对心电信号高频部分进一步细化分解,且不同尺度下的近似系数和细节系数具有平移不变性,同时不依赖于心电信号序列长度,每个分解尺度与原信号具有相同的时间分辨率,信号几乎不损失信息,且MODWPT通过时频分析放大心电信号局部特性的基础上,能量熵能够在不同尺度下通过能量的概率分布反映心电微小异常变化。基于此,MODWPT分解加上能量熵特征提取方法十分适合多导联心电信号的特征分析,能够发现心电信号中持续时间短幅值小的异常变化,准确识别心电信号的正常/异常状态,达到了提高分析的准确度,实现高效准确的监测效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于多导联心电信号的特征提取方法,其特征在于,包括以下步骤:
步骤1:获取多导联心电信号中的一单导联心电信号{X(t),t=1,...,N},对该单导联心电信号进行j尺度MODWPT分解,得到第j层的2j个节点对应的最大离散小波包系数矩阵A;其中,MODWPT分解的第j层包含2j个节点,每个节点均对应N个小波包系数,t表示小波包系数相应的索引值;
步骤2:计算最大离散小波包系数矩阵A中每个节点包含的小波包系数的能量En,t和所有节点的总能量En;
步骤3:对各个节点中的小波包系数的能量进行归一化处理,得到各小波包系数对应的能量概率分布Pn,t,根据能量概率分布Pn,t计算各个节点的能量熵值SEn;
步骤4:将第j层所有节点的能量熵值融合,组成能量熵特征矩阵B1;
步骤5:重复步骤1至4,计算其余所有单导联心电信号所包含的节点的能量熵特征矩阵,将所有得到的能量熵特征矩阵融合,组成新特征矩阵;
所述步骤1中,最大离散小波包系数矩阵A的表达式如下:
gl和hl分别表示MODWPT下的尺度滤波器{gl:l=0,1,...,L-1}和小波滤波器{hl:l=0,1,...,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数;若n除以4的余数为0或3,则rn,t=gl;若n除以4的余数为1或2,则rn,t=hl。
5.根据权利要求1所述的一种用于多导联心电信号的特征提取方法,其特征在于,所述步骤5中,新特征矩阵C的表达式如下:
C=[B1,B2,...,BM]
其中,M表示多导联心电信号中包含的单导联心电信号个数,新特征矩阵C为1行M*2j列矩阵。
6.一种基于权利要求1-5任一所述方法的用于多导联心电信号的特征提取的监测系统,包括信号采集装置和与信号采集装置连接的信号监测装置,所述信号采集装置用于采集信号、调理信号和发送信号,所述信号监测装置用于接收信号、分离信号、提取信号特征和识别信号,其特征在于,所述信号监测装置包括用于表征局部微小短促动态变化的小波能量熵特征的特征提取模块,所述特征提取模块包括:
动态链接库,用于封装特征提取单元;
特征提取单元,用于调用动态链接库提取各导联局部微小短促动态变化波形的小波能量熵特征;
特征融合单元,用于融合提取的特征获取所有导联的局部微小短促动态变化的小波能量熵特征;
所述特征提取单元包括:
MODWPT分解单元,用于对各导联心电数字信号进行j尺度MODWPT分解,获取第j层的2j个节点对应的最大离散小波包系数矩阵A;
节点能量计算单元,用于计算最大离散小波包系数矩阵A中每个节点对应的小波包系数的能量En,t和所有节点在j尺度下的总能量En;
能量熵值计算单元,用于归一化各节点对应的小波包系数的能量后得到各小波包系数对应的能量概率分布Pn,t,并根据能量概率分布Pn,t计算各个节点对应的能量熵值SEn即单节点小波能量熵特征;
小波能量熵特征计算单元,用于将第j层所有节点的能量熵值融合构建为特征矩阵即小波能量熵特征;
最大离散小波包系数矩阵A的表达式如下:
gl和hl分别表示MODWPT下的尺度滤波器{gl:l=0,1,...,L-1}和小波滤波器{hl:l=0,1,...,L-1},Vj,t和Wj,t分别表示MODWPT下的近似系数和细节系数;若n除以4的余数为0或3,则rn,t=gl;若n除以4的余数为1或2,则rn,t=hl。
7.根据权利要求6所述的用于多导联心电信号的特征提取的监测系统,其特征在于,所述信号监测装置还包括无线通信模块A、信号分离模块、特征识别模块和显示模块,所述无线通信模块A、信号分离模块和特征提取模块依次连接,用于获取单导联心电信号的特征;所述特征提取模块、特征识别模块和显示模块依次连接,用于识别多导联特征和显示识别结果。
8.根据权利要求7所述的用于多导联心电信号的特征提取的监测系统,其特征在于,所述信号采集装置包括依次连接的信号采集传感器、信号调理电路、信号转换电路、处理器和无线通信模块B,实现信号采集、调理、转换;所述信号调理电路包括依次连接的隔离电路、放大电路和滤波电路;所述无线通信模块A和无线通信模块B无线连接,实现信号无线传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095801.3A CN109730672B (zh) | 2019-01-29 | 2019-01-29 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910095801.3A CN109730672B (zh) | 2019-01-29 | 2019-01-29 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109730672A CN109730672A (zh) | 2019-05-10 |
CN109730672B true CN109730672B (zh) | 2022-02-11 |
Family
ID=66366874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910095801.3A Active CN109730672B (zh) | 2019-01-29 | 2019-01-29 | 一种用于多导联心电信号的特征提取方法及对应监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109730672B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031151A1 (zh) * | 2019-08-21 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 基于ecg的疾病预测方法、装置及电子设备 |
CN117672457B (zh) * | 2023-12-15 | 2024-08-30 | 山东奥洛瑞医疗科技有限公司 | 一种微感反馈的智能膝盖康复护理方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105320969A (zh) * | 2015-11-20 | 2016-02-10 | 北京理工大学 | 基于多尺度Renyi熵的心率变异性特征分类方法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233972B2 (en) * | 2010-02-12 | 2012-07-31 | Siemens Medical Solutions Usa, Inc. | System for cardiac arrhythmia detection and characterization |
-
2019
- 2019-01-29 CN CN201910095801.3A patent/CN109730672B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105320969A (zh) * | 2015-11-20 | 2016-02-10 | 北京理工大学 | 基于多尺度Renyi熵的心率变异性特征分类方法 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
Non-Patent Citations (2)
Title |
---|
Wavelet entropy: a new tool for analysis of short duration brain electrical signals;Osvaldo A. Rosso等;《Journal of Neuroscience Methods》;20010612;第65-75页 * |
基于多尺度小波熵的阵发性房颤识别方法;陈煜等;《航天医学与医学工程》;20131031;第26卷(第5期);第352-355页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109730672A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7018133B2 (ja) | 人工知能に基づく心電図心拍自動識別分類方法 | |
CN109998525B (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
CN109674464B (zh) | 一种多导联心电信号复合特征提取方法及对应监测系统 | |
CN104970789B (zh) | 心电图分类方法及系统 | |
CN100418480C (zh) | 基于心音分析的心脏病自动分类系统及其心音分段方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN109730672B (zh) | 一种用于多导联心电信号的特征提取方法及对应监测系统 | |
CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
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 | |
CN104970820A (zh) | 一种智能听诊系统及检测方法 | |
CN114048773B (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
Tang et al. | ECG de-noising based on empirical mode decomposition | |
CN116439730A (zh) | 一种基于脑连接特征和领域自适应的睡眠分期方法和装置 | |
CN114330422A (zh) | 一种实时估计脑电情感特征的跨被试迁移学习方法 | |
CN111938691B (zh) | 一种基础心音识别方法及设备 | |
CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
Li et al. | A novel abnormal ECG beats detection method | |
CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
CN110507299B (zh) | 一种心率信号检测装置及方法 | |
CN116636856A (zh) | 心电分类方法、系统、电子设备及存储介质 | |
CN116807496A (zh) | 癫痫间期脑电波异常信号的定位方法、装置、设备及介质 | |
CN114469137B (zh) | 基于空时特征融合模型的跨领域脑电情感识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |