CN109864737B - 一种心电信号中p波识别方法和系统 - Google Patents
一种心电信号中p波识别方法和系统 Download PDFInfo
- Publication number
- CN109864737B CN109864737B CN201910261636.4A CN201910261636A CN109864737B CN 109864737 B CN109864737 B CN 109864737B CN 201910261636 A CN201910261636 A CN 201910261636A CN 109864737 B CN109864737 B CN 109864737B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- neural network
- deep neural
- network model
- wave
- 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
Abstract
本发明公开了一种心电信号中P波识别方法和系统，包括：获取原始心电信号，并标记原始心电信号中P波的位置；采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置；构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型；将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置，如此，采用人工智能方法自动识别，替代传统基于模式识别的方法，使用更加灵活且精度更高。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种心电信号中P波识别方法和系统。
背景技术
心电信号记录了心脏跳动的电生理信号，反映在每一次心搏的图像上，表现为一系列特征波段，例如P波、QRS波、T波等，分别对应了心房除极活动、心室除极心房复极活动、心室复极活动。其中，P波代表了一次心脏活动的开始，也是心房电生理活动最明显的波段，P波的准确识别对于基于心电信号的分析起着至关重要的作用。
但是，P波的形态多样，难以准确描述，通常使用“高耸”、“倒置”、“不明显”等词语描述P波等形态，这些词语并没有具体描述“超过多少mV视为高耸”、“低于多少mV视为倒置”、“振幅小于多少算作不明显”，因此在模式识别方法中很难具体量化这些描述；其次，人群差异性大，每个人心脏的位置、方向、心脏活动强度都不一样，导致P波的形态千差万别，在模式识别方法中，对所有人群采用同一种模式识别P波，精度不高；P波容易受到噪声的干扰，采集过程中会遭到各种类型的噪音，例如肢体移动、其他仪器干扰、电流干扰等，这些也会造成P波形态的改变，降低模式识别方法的精度。
发明内容
基于背景技术存在的技术问题，本发明提出了一种心电信号中P波识别方法和系统；
本发明提出的一种心电信号中P波识别方法，包括：
S1、获取原始心电信号，并标记原始心电信号中P波的位置；
S2、采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置；
S3、构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型；
S4、将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置。
优选地，步骤S2，具体包括：
采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj＝1，否则，即设置Ti对应的标记数值Lj＝0。
优选地，步骤S3，具体包括：
构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；
定义目标函数
其中，m＝n/d，n为原始心电信号长度，d为滑动切分的步长，为预设值，若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；
再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型。
优选地，步骤S4，具体包括：
输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；
根据所述每次心搏的位置将X切分为连续的心搏片段信号B；
采用滑动切分将B切分为多条等长的小片段，记为Qi；
将Qi输入目标深度神经网络模型中，得到预测概率向量Y，取Y中概率最大对应的小片段的位置作为测试心电信号中P波的位置并输出。
一种心电信号中P波识别系统，包括：
标记模块，用于获取原始心电信号，并标记原始心电信号中P波的位置；
预处理模块，与标记模块连接，预处理模块用于采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置；
模型构建训练模块，与预处理模块连接，模型构建训练模块用于构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型；
位置预测模块，与模型构建训练模块连接，预测模块用于将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置。
优选地，所述预处理模块，具体用于：
采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj＝1，否则，即设置Ti对应的标记数值Lj＝0。
优选地，所述模型构建训练模块，具体用于：
构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；
定义目标函数
其中，m＝n/d，n为原始心电信号长度，d为滑动切分的步长，为预设值，若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；
再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型。
优选地，所述位置预测模块，具体用于：
输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；
根据所述每次心搏的位置将X切分为连续的心搏片段信号B；
采用滑动切分将B切分为多条等长的小片段，记为Qi；
将Qi输入目标深度神经网络模型中，得到预测概率向量Y，取Y中概率最大对应的小片段的位置作为测试心电信号中P波的位置并输出。
本发明获取原始心电信号，并标记所述心电信号中P波的位置，然后采用滑动切分将原始心电信号切分为多条等长的小片段，并对小片段进行标记数值设置，再构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型，最后将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置，如此，构建一个深度神经网络模型，输入一段心电信号，输出该心电信号中P波的位置，该深度神经网络是一个端到端的模型架构，不依赖领域专家制定具体的识别规则，采用人工智能方法自动识别，替代传统基于模式识别的方法，使用更加灵活且精度更高。
附图说明
图1为本发明提出的一种心电信号中P波识别方法的流程示意图；
图2为本发明提出的一种心电信号中P波识别系统的模块示意图。
具体实施方式
参照图1，本发明提出的一种心电信号中P波识别方法，包括：
步骤S1，获取原始心电信号，并标记原始心电信号中P波的位置。
在具体方案中，获取原始心电信号，原始心电信号采样率以500Hz为例，，原始心电信号信号长度为n，心电信号的长度不要求为固定长度，故n可以为任意数值；然后由工作人员(医疗专家)标记原始心电信号中的P波位置，每一条原始心电信号会标记若干个P波位置。
步骤S2，采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置。
本步骤具体包括：采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj＝1，否则，即设置Ti对应的标记数值Lj＝0。
在具体方案中，采用滑动切分对获取原始心电信号进行预处理，将每一条原始心电信号切分为多条等长的小片段，每个小片段长度为d，d是一个预定义的参数，由于正常P波的宽度不超过0.11秒，d可设为两倍的正常P波宽度0.11*2*500＝110个数据点，滑动的步长也为d，记每个小片段为Tj，根据步骤S1中标记的P波位置，对所有的小片段Tj进行标记，记标记数值为Lj∈{0,1}，若如果小片段Tj中有标记的P波，则Lj＝1，表示小片段Tj包含P波的概率为1，否则Lj＝0，表示小片段Tj包含P波的概率为0。
步骤S3，构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型。
本步骤具体包括：构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；定义目标函数
其中，m＝n/d，n为原始心电信号长度，d为滑动切分的步长，为预设值，若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型。
在具体方案中，构建深度神经网络F，输入Tj，输出该小片段包含P波的概率yj，本发明构建的深度神经网络由K个一维卷积层(1-D Convolution Layer)和1个全连接层(FullyConnected Layer)堆叠而成，一维卷积神经层是一种特殊的卷积层，其卷积核(Kernel)只在一个维度上滑动，而传统的卷积层的卷积核在两个维度上滑动，构建该层需要指定卷积核的大小(kernel_size)、卷积核的数量(filters)、卷积的步长(stride)等。这些参数的选择通常在实际数据集上，依据划分出的验证数据集调参得到，全连接层是最传统的网络连接方式，即网络上一层的所有节点与网络下一层的所有节点间均有连接，将全连接层的输出作为网络的输出，则该输出应该是一个取值0到1之间的数值，因此，该全连接层的输出节点个数为1，激活函数采用Sigmoid激活函数，Sigmoid(x)＝1/(1+ex)，x为未激活的输出值；
定义目标函数
度量真实标签l_i和预测概率y_i之间的差异，CrossEntropy为交叉熵损失函数，
若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；
求解目标函数为Loss的最优化，使用梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，在反向传播的过程中更新网络参数，经过多轮的迭代，得到稳定的目标深度神经网络模型。
步骤S4，将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置。
本步骤具体包括：输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；根据所述每次心搏的位置将X切分为连续的心搏片段信号B；采用滑动切分将B切分为多条等长的小片段，记为Qi；将Qi输入目标深度神经网络模型中，得到预测概率向量Y，取Y中概率最大对应的小片段的位置作为测试心电信号中P波的位置并输出。
在具体方案中，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置，然后根据心搏的位置将X切分为连续的心搏片段信号B，采用滑动切分将B切分为多条等长的小片段，然后将所有小片段输入目标深度神经网络模型中，由于所有小片段共同组成了一次心搏，因此它们当中只会存在一个P波，如此，取目标深度神经络模型输出的预测概率向量Y中最大的概率所对应的小片段，将作为测试心电信号中P波的位置，形式化表达为：k＝argmaxk(Y)，P波为Sk。
参照图2，本发明提出一种心电信号中P波识别系统，包括：
标记模块，用于获取原始心电信号，并标记原始心电信号中P波的位置。
在具体方案中，获取原始心电信号，原始心电信号采样率以500Hz为例，，原始心电信号信号长度为n，心电信号的长度不要求为固定长度，故n可以为任意数值；然后由工作人员(医疗专家)标记原始心电信号中的P波位置，每一条原始心电信号会标记若干个P波位置。
预处理模块，与标记模块连接，预处理模块用于采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置。
预处理模块具体用于：采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj＝1，否则，即设置Ti对应的标记数值Lj＝0。
在具体方案中，采用滑动切分对获取原始心电信号进行预处理，将每一条原始心电信号切分为多条等长的小片段，每个小片段长度为d，d是一个预定义的参数，由于正常P波的宽度不超过0.11秒，d可设为两倍的正常P波宽度0.11*2*500＝110个数据点，滑动的步长也为d，记每个小片段为Tj，根据标记模块中标记的P波位置，对所有的小片段Tj进行标记，记标记数值为Lj∈{0,1}，若如果小片段Tj中有标记的P波，则Lj＝1，表示小片段Tj包含P波的概率为1，否则Lj＝0，表示小片段Tj包含P波的概率为0。
模型构建训练模块，与预处理模块连接，模型构建训练模块用于构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型。
模型构建训练模块具体用于：构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；定义目标函数
其中，m＝n/d，n为原始心电信号长度，d为滑动切分的步长，为预设值，若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型。
在具体方案中，构建深度神经网络F，输入Tj，输出该小片段包含P波的概率yj，本发明构建的深度神经网络由K个一维卷积层(1-D Convolution Layer)和1个全连接层(FullyConnected Layer)堆叠而成，一维卷积神经层是一种特殊的卷积层，其卷积核(Kernel)只在一个维度上滑动，而传统的卷积层的卷积核在两个维度上滑动，构建该层需要指定卷积核的大小(kernel_size)、卷积核的数量(filters)、卷积的步长(stride)等。这些参数的选择通常在实际数据集上，依据划分出的验证数据集调参得到，全连接层是最传统的网络连接方式，即网络上一层的所有节点与网络下一层的所有节点间均有连接，将全连接层的输出作为网络的输出，则该输出应该是一个取值0到1之间的数值，因此，该全连接层的输出节点个数为1，激活函数采用Sigmoid激活函数，Sigmoid(x)＝1/(1+ex)，x为未激活的输出值；
定义目标函数
度量真实标签l_i和预测概率y_i之间的差异，CrossEntropy为交叉熵损失函数，
若Lj＝1，CrossEntropy(Lj,yj)＝-log(yj),若Lj＝0，CrossEntropy(Lj,yj)＝-log(1-yj)；
求解目标函数为Loss的最优化，使用梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，在反向传播的过程中更新网络参数，经过多轮的迭代，得到稳定的目标深度神经网络模型。
位置预测模块，与模型构建训练模块连接，预测模块用于将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置。
位置预测模块具体用于：输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；根据所述每次心搏的位置将X切分为连续的心搏片段信号B；采用滑动切分将B切分为多条等长的小片段，记为Qi；将Qi输入目标深度神经网络模型中，得到预测概率向量Y，取Y中概率最大对应的小片段的位置作为测试心电信号中P波的位置并输出。
在具体方案中，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置，然后根据心搏的位置将X切分为连续的心搏片段信号B，采用滑动切分将B切分为多条等长的小片段，然后将所有小片段输入目标深度神经网络模型中，由于所有小片段共同组成了一次心搏，因此它们当中只会存在一个P波，如此，取目标深度神经络模型输出的预测概率向量Y中最大的概率所对应的小片段，将作为测试心电信号中P波的位置，形式化表达为：k＝argmaxk(Y)，P波为Sk。
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 (2)
1.一种心电信号中P波识别方法，其特征在于，包括：
S1、获取原始心电信号，并标记原始心电信号中P波的位置；
S2、采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置；
步骤S2，具体包括：
采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj=1，否则，即设置Tj对应的标记数值Lj=0；
S3、构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型；
步骤S3，具体包括：构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；定义目标函数
，其中，m=n/d，n为原始心电信号长度，d为滑动切分的步长，m为预设值，若Lj=1，CrossEntropy(Lj,yj)＝-log(yj)，若Lj=0，CrossEntropy(Lj,yj)＝-log(1-yj)；再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型；
S4、将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置；
步骤S4，具体包括：
输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；
根据所述每次心搏的位置将X切分为连续的心搏片段信号B；
采用滑动切分将B切分为多条等长的小片段，记为Qi；
将不同的Qi分别输入目标深度神经网络模型中，得到不同的预测概率值，取最大概率值对应的小片段的位置作为测试心电信号中P波的位置并输出。
2.一种心电信号中P波识别系统，其特征在于，包括：
标记模块，用于获取原始心电信号，并标记原始心电信号中P波的位置；
预处理模块，与标记模块连接，预处理模块用于采用滑动切分将原始心电信号切分为多条等长的小片段，并对所述小片段进行标记数值设置；
模型构建训练模块，与预处理模块连接，模型构建训练模块用于构建深度神经网络模型，并输入标记数值设置后的小片段对深度神经网络模型进行训练，得到目标深度神经网络模型；
位置预测模块，与模型构建训练模块连接，预测模块用于将测试心电信号输入目标深度神经网络模型中，输出测试心电信号中P波的位置；
所述预处理模块，具体用于：
采用滑动切分将每一条原始心电信号切分为多条等长的小片段，记为Tj，若Tj中有P波位置标记，则设置Tj对应的标记数值Lj=1，否则，即设置Tj对应的标记数值Lj=0；
所述模型构建训练模块，具体用于：
构建深度神经网络模型F，输入Tj，输出Tj中包含P波的预测概率yj，yj为0或1；
定义目标函数
，其中，m=n/d，n为原始心电信号长度，d为滑动切分的步长，m为预设值，若Lj=1，CrossEntropy(Lj,yj)＝-log(yj)，若Lj=0，CrossEntropy(Lj,yj)＝-log(1-yj)；
再度量Lj和yj之间的差异，并求解Loss的最优化，通过梯度下降法优化深度神经网络模型参数，将计算的梯度反向传播，并在反向传播的过程中更新网络参数，以此对F进行多轮迭代训练，得到目标深度神经网络模型；
所述位置预测模块，具体用于：
输入测试心电信号X，根据QRS波群识别算法识别出测试心电信号中每次心搏的位置；
根据所述每次心搏的位置将X切分为连续的心搏片段信号B；
采用滑动切分将B切分为多条等长的小片段，记为Qi；
将不同Qi分别输入目标深度神经网络模型中，得到不同的预测概率值，取最大概率值对应的小片段的位置作为测试心电信号中P波的位置并输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261636.4A CN109864737B (zh) | 2019-04-02 | 2019-04-02 | 一种心电信号中p波识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910261636.4A CN109864737B (zh) | 2019-04-02 | 2019-04-02 | 一种心电信号中p波识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109864737A CN109864737A (zh) | 2019-06-11 |
| CN109864737B true CN109864737B (zh) | 2022-02-25 |
Family
ID=66921847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910261636.4A Active CN109864737B (zh) | 2019-04-02 | 2019-04-02 | 一种心电信号中p波识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109864737B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110558972B (zh) * | 2019-08-27 | 2022-04-12 | 安徽心之声医疗科技有限公司 | 一种心电信号深度学习模型的轻量化方法 |
| CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
| JP7458170B2 (ja) | 2019-11-18 | 2024-03-29 | 株式会社東海理化電機製作所 | 学習装置、学習方法、および測定装置 |
| CN111110228B (zh) * | 2020-01-17 | 2023-04-18 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
| CN112001481A (zh) * | 2020-08-14 | 2020-11-27 | 厦门纳龙科技有限公司 | 一种基于对抗学习的p波识别方法、终端设备及存储介质 |
| CN111956203A (zh) * | 2020-08-18 | 2020-11-20 | 广州视源电子科技股份有限公司 | 心电信号参数化方法、模型训练方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10426364B2 (en) * | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
-
2019
- 2019-04-02 CN CN201910261636.4A patent/CN109864737B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| P-QRS-T localization in ECG using deep learning;Abrishami等;《2018 IEEE EMBS International Conference on Biomedical & Health Informatics》;20180409;210-213 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109864737A (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109864737B (zh) | 一种心电信号中p波识别方法和系统 | |
| US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| Ozguven et al. | Automatic detection and classification of leaf spot disease in sugar beet using deep learning algorithms | |
| Ölmez et al. | Classification of heart sounds using an artificial neural network | |
| Javadi et al. | Improving ECG classification accuracy using an ensemble of neural network modules | |
| US11625603B2 (en) | Learning-type signal separation method and learning-type signal separation device | |
| Yang et al. | Classification of acoustic physiological signals based on deep learning neural networks with augmented features | |
| Malali et al. | Supervised ECG wave segmentation using convolutional LSTM | |
| CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
| CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
| CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
| Gupta et al. | Performance evaluation of various pre-processing techniques for R-peak detection in ECG signal | |
| KR101072452B1 (ko) | 심장질환 진단장치 및 방법 | |
| CN112971839B (zh) | 一种基于前馈卷积神经网络的心音分类方法 | |
| CN110269605B (zh) | 一种基于深度神经网络的心电信号噪声识别方法 | |
| Chen et al. | Heart sound segmentation via duration long–short term memory neural network | |
| Zhao et al. | Spectro-temporal ECG analysis for atrial fibrillation detection | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| 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 | |
| CN113855037A (zh) | 基于Transformer的房颤识别方法及装置 | |
| CN112185545B (zh) | 一种心音段完整性判断模型及心音自适应分段方法 | |
| CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
| CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
| CN115115038A (zh) | 一种基于单导联心电信号的模型构建方法及性别识别方法 | |
| Saini et al. | P-and T-wave delineation in ECG signals using support vector machine |
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 |