CN110037691A - 用于r波定位的改进卷积神经网络 - Google Patents

用于r波定位的改进卷积神经网络 Download PDF

Info

Publication number
CN110037691A
CN110037691A CN201910323618.4A CN201910323618A CN110037691A CN 110037691 A CN110037691 A CN 110037691A CN 201910323618 A CN201910323618 A CN 201910323618A CN 110037691 A CN110037691 A CN 110037691A
Authority
CN
China
Prior art keywords
wave
layer
neural networks
convolutional neural
value
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
CN201910323618.4A
Other languages
English (en)
Other versions
CN110037691B (zh
Inventor
朱俊江
杨潞潞
汪朝阳
孙皛
陈国亮
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.)
Shanghai Innovation Medical Technology Co Ltd
Original Assignee
Shanghai Innovation Medical Technology Co Ltd
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 Shanghai Innovation Medical Technology Co Ltd filed Critical Shanghai Innovation Medical Technology Co Ltd
Priority to CN201910323618.4A priority Critical patent/CN110037691B/zh
Publication of CN110037691A publication Critical patent/CN110037691A/zh
Application granted granted Critical
Publication of CN110037691B publication Critical patent/CN110037691B/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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Abstract

本申请涉及一种用于R波定位的改进卷积神经网络，将每条心电图信号以固定步长和长度的滑动窗截取心电图信号形成截取段，并将截取后截取段，再构造一表示是否具有R波及R波位置的矩阵Y，通过将充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号作为输入、矩阵Y作为输出训练改进卷积神经网络，从而获得用于R波定位的改进卷积神经网络。该改进卷积神经网络具有鲁棒性高，识别准确、快速的优点，且能够方便得到R波位置。

Description

用于R波定位的改进卷积神经网络
技术领域
本申请属于心电图处理技术领域，尤其是涉及一种基于改进卷积神经网络的R波定位方法和装置。
背景技术
QRS波群反映左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波。自QRS波群起点至QRS波群终点的时间为QRS时限。由于R波是QRS波群中波幅最大的波，因而，R波的检测是QRS波群定位的关键步骤。
CN 109009087A公开了一种心电信号R波的快速检测方法，包括以下步骤：获取原始ECG数据并进行滤波处理；针对滤波处理后的ECG数据，在设定的初始搜索区间内，查找最大值和最小值来计算R波搜索梯度因子k；将最大值对应的采样点标记为第一个R波波峰Peak0，将Peak0设定为当前R波波峰Peak_now；利用搜索梯度因子k，从Peak_now位置开始，对滤波后的ECG数据，按搜索梯度因子k下降搜索直至相交；从得到的相交点位置开始，对滤波后的ECG数据，继续往后查找出现的第一个极大值，将该极大值标记为新的R波波峰Peak_new；将Peak_new更新为Peak_now，再重复搜索直至搜索完所有滤波后的ECG数据；返回检测到的所有R波波峰。上述检测方法，由于需要找寻利用搜索梯度因子k不断查找R波波峰，因此需要较长时间。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种鲁棒性好、能够使查找迅速的用于R波定位的改进卷积神经网络。
本发明解决其技术问题所采用的技术方案是：
一种用于R波定位的改进卷积神经网络，由若干层网络组成，若干层网络中共有多个卷积层、多个池化层和1个全连接层，且全连接层的输出值为一矩阵Y，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，并能够输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值；
所述改进卷积神经网络通过包括以下训练步骤得到：
S1：获取充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为vi1,vi2…vim的连续的范围值的两个端点值，vi1',vi2'…vim'中与矩阵S中R波波峰发生的位置相对应的元素处的值为两个端点值中的最大值，vi1',vi2'…vim'中与矩阵S中无R波波峰发生的位置相对应的元素处的值为两个端点值中的最小值；
S4：将si＝{Ui1,Ui2…Uim}T作为改进卷积神经网络的输入，将yi'＝{vi1',vi2'…vim'}T作为改进卷积神经网络的输出对改进卷积神经网络进行训练，最终得到训练好的用于R波定位的改进卷积神经网络。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S1步骤中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S2步骤中长度为1s，步长为0.02s。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S1步骤中，获取的充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号的个数均在5000个以上。
优选地，本发明的基于改进卷积神经网络的R波定位方法，
训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500。
优选地，本发明的基于改进卷积神经网络的R波定位方法，两个池化层均采用maxpooling池化方法池化。
优选地，本发明的基于改进卷积神经网络的R波定位方法，全连接层的激励函数为sigmoid函数。
优选地，本发明的基于改进卷积神经网络的R波定位方法，对改进卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S1步骤中的心电信号来自12导联的心电图中的任一导联的心电图信号。
本发明的有益效果是：
本申请的用于R波定位的改进卷积神经网络，获取充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号，之后对心电图信号进行截取，形成矩阵S，S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，将矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为vi1,vi2…vim的连续的范围值的两个端点值，vi1',vi2'…vim'中与矩阵S中R波波峰发生的位置相对应的元素处的值为两个端点值中的最大值，vi1',vi2'…vim'中与矩阵S中无R波波峰发生的位置相对应的元素处的值为两个端点值中的最小值；将si＝{Ui1,Ui2…Uim}T作为改进卷积神经网络的输入，将yi'＝{vi1',vi2'…vim'}T作为改进卷积神经网络的输出对改进卷积神经网络进行训练，最终得到训练好的用于R波定位的改进卷积神经网络。本申请的用于R波定位的改进卷积神经网络具有鲁棒性高，识别准确、快速的优点，且能够方便得到R波位置。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的心电图信号截取和处理过程的示意图；
图2是本申请实施例的改进卷积神经网络的结构示意图；
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种用于R波定位的改进卷积神经网络(R波位置检测模型)，如图2所示，
由若干层网络组成，若干层网络中共有多个卷积层、多个池化层和1个全连接层，且全连接层的输出值为一矩阵Y，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，并能够输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值；卷积神经网络由8层网络组成。8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
所述改进卷积神经网络通过包括以下训练步骤得到：
S1：获取充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号，心电图信号为12导联的心电图中的任一导联的心电图信号，获取后还可对心电数据进行预处理，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz；训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为vi1,vi2…vim的连续的范围值的两个端点值，vi1',vi2'…vim'中与矩阵S中R波波峰发生的位置相对应的元素处的值为两个端点值中的最大值，vi1',vi2'…vim'中与矩阵S中无R波波峰发生的位置相对应的元素处的值为两个端点值中的最小值；比如两个端点值可以为1和0，与矩阵S中R波波峰发生的位置相对应的元素处的值为1，其余处为0(比如U14具有R波波峰，则V14’值为1)。
S4：将si＝{Ui1,Ui2…Uim}T作为改进卷积神经网络的输入，将yi'＝{vi1',vi2'…vim'}T作为改进卷积神经网络的输出对改进卷积神经网络进行训练，最终得到训练好的用于R波定位的改进卷积神经网络，其中，所使用的训练算法可以采用现有的任意训练算法均可。训练算法可以为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。
表1改进卷积神经网络(CNN)各网格层如下表所示：
用于R波定位的改进卷积神经网络的使用方法为：
获取待检测的心电图信号；
将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；将矩阵Si导入R波定位的改进卷积神经网络中进行判断，输出，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为S2步骤中截取的起始位置(在心电图上第一次截取的开始位置，如果截取开始位置就是心电图信号的首端，则为0)+a*步长+b/取样频率。比如Vab的值为波峰位置且大于0.5。
局部最大最小值采用遍历式搜索的方法实现，将一段心电图信号截取的所有的截取段以心电图信号的时间先后顺序导入R波位置检测模型中并输出结果，并形成以输出结果为纵坐标，截取段的顺序编号为横坐标形成图像，图像中出现的峰值即为局部最大值，该局部最大值大于0.5的，即表示有R波发生，且R波发生位置为对心电图信号中截取的起始位置+a*步长+b/取样频率。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (9)

1.一种用于R波定位的改进卷积神经网络，其特征在于，
由若干层网络组成，若干层网络中共有多个卷积层、多个池化层和1个全连接层，且全连接层的输出值为一矩阵Y，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，并能够输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值；
所述改进卷积神经网络通过包括以下训练步骤得到：
S1：获取充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为vi1,vi2…vim的连续的范围值的两个端点值，vi1',vi2'…vim'中与矩阵S中R波波峰发生的位置相对应的元素处的值为两个端点值中的最大值，vi1',vi2'…vim'中与矩阵S中无R波波峰发生的位置相对应的元素处的值为两个端点值中的最小值；
S4：将si＝{Ui1,Ui2…Uim}T作为改进卷积神经网络的输入，将yi'＝{vi1',vi2'…vim'}T作为改进卷积神经网络的输出对改进卷积神经网络进行训练，最终得到训练好的用于R波定位的改进卷积神经网络。
2.根据权利要求1所述的基于改进卷积神经网络的R波定位方法，其特征在于，S1步骤中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
3.根据权利要求1或2所述的基于改进卷积神经网络的R波定位方法，其特征在于，S2步骤中长度为1s，步长为0.02s。
4.根据权利要求1-3任一项所述的基于改进卷积神经网络的R波定位方法，其特征在于，S1步骤中，获取的充分多个具有R波且已知R波位置的心电图信号以及充分多个无R波的心电图信号的个数均在5000个以上。
5.根据权利要求4所述的基于改进卷积神经网络的R波定位方法，其特征在于，
训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500。
6.根据权利要求5所述的基于改进卷积神经网络的R波定位方法，其特征在于，两个池化层均采用maxpooling池化方法池化。
7.根据权利要求5所述的基于改进卷积神经网络的R波定位方法，其特征在于，全连接层的激励函数为sigmoid函数。
8.根据权利要求1-7任一项所述的基于改进卷积神经网络的R波定位方法，其特征在于，对改进卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
9.根据权利要求1-8任一项所述的基于改进卷积神经网络的R波定位方法，其特征在于，S1步骤中的心电信号来自12导联的心电图中的任一导联的心电图信号。
CN201910323618.4A 2019-04-22 2019-04-22 用于r波定位的改进卷积神经网络 Active CN110037691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910323618.4A CN110037691B (zh) 2019-04-22 2019-04-22 用于r波定位的改进卷积神经网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910323618.4A CN110037691B (zh) 2019-04-22 2019-04-22 用于r波定位的改进卷积神经网络

Publications (2)

Publication Number Publication Date
CN110037691A true CN110037691A (zh) 2019-07-23
CN110037691B CN110037691B (zh) 2020-12-04

Family

ID=67278393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910323618.4A Active CN110037691B (zh) 2019-04-22 2019-04-22 用于r波定位的改进卷积神经网络

Country Status (1)

Country Link
CN (1) CN110037691B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717415A (zh) * 2019-09-24 2020-01-21 上海数创医疗科技有限公司 基于特征选取的st段分类卷积神经网络及其使用方法
CN112098760A (zh) * 2020-09-21 2020-12-18 广东电网有限责任公司佛山供电局 基于卷积神经网络的电力故障信号检测方法
JP2021081915A (ja) * 2019-11-18 2021-05-27 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4589420A (en) * 1984-07-13 1986-05-20 Spacelabs Inc. Method and apparatus for ECG rhythm analysis
CN102779234A (zh) * 2012-06-28 2012-11-14 中国科学院苏州纳米技术与纳米仿生研究所 一种心电图分类处理方法及装置
KR20180052943A (ko) * 2016-11-11 2018-05-21 충북도립대학산학협력단 신경망을 이용한 심방세동 판별장치 및 심방세동 판별방법
CN108836316A (zh) * 2018-05-02 2018-11-20 湖北工业大学 一种基于bp神经网络的心电信号r波提取方法
CN109009087A (zh) * 2018-08-07 2018-12-18 四川智琢科技有限责任公司 一种心电信号r波的快速检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4589420A (en) * 1984-07-13 1986-05-20 Spacelabs Inc. Method and apparatus for ECG rhythm analysis
CN102779234A (zh) * 2012-06-28 2012-11-14 中国科学院苏州纳米技术与纳米仿生研究所 一种心电图分类处理方法及装置
KR20180052943A (ko) * 2016-11-11 2018-05-21 충북도립대학산학협력단 신경망을 이용한 심방세동 판별장치 및 심방세동 판별방법
CN108836316A (zh) * 2018-05-02 2018-11-20 湖北工业大学 一种基于bp神经网络的心电信号r波提取方法
CN109009087A (zh) * 2018-08-07 2018-12-18 四川智琢科技有限责任公司 一种心电信号r波的快速检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717415A (zh) * 2019-09-24 2020-01-21 上海数创医疗科技有限公司 基于特征选取的st段分类卷积神经网络及其使用方法
CN110717415B (zh) * 2019-09-24 2020-12-04 上海数创医疗科技有限公司 基于特征选取的st段分类卷积神经网络及其使用方法
JP2021081915A (ja) * 2019-11-18 2021-05-27 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
WO2021100266A1 (ja) * 2019-11-18 2021-05-27 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
JP7285763B2 (ja) 2019-11-18 2023-06-02 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
CN112098760A (zh) * 2020-09-21 2020-12-18 广东电网有限责任公司佛山供电局 基于卷积神经网络的电力故障信号检测方法

Also Published As

Publication number Publication date
CN110037691B (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN110037690A (zh) 基于改进卷积神经网络的r波定位方法和装置
CN110037691A (zh) 用于r波定位的改进卷积神经网络
CN106155522B (zh) 会话数据处理、知识库建立、优化、交互方法及装置
CN109543559A (zh) 基于孪生网络和动作选择机制的目标跟踪方法及系统
WO2021057328A1 (zh) 基于特征选取的st段分类卷积神经网络及其使用方法
CN108701219A (zh) 波形信号处理的方法及装置
CN109672221B (zh) 一种用于次同步振荡分析的直驱风电场动态等值方法
CN104283737B (zh) 数据流的处理方法和装置
CN105125199B (zh) 一种心率检测方法与装置
CN104398252A (zh) 一种心电信号处理方法及装置
CN107886085A (zh) 一种基于t‑SNE的电能质量扰动特征提取方法
CN110037687A (zh) 基于改进卷积神经网络的室性早搏心跳定位方法和装置
CN109009087B (zh) 一种心电信号r波的快速检测方法
CN110426191A (zh) 一种抗干扰旋转机械的故障诊断方法
CN104933296A (zh) 一种基于多维数据融合的大数据处理方法和设备
CN105790729B (zh) 使用线性调频z变换和自适应滤波的工频滤波方法和装置
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
Zhao et al. Bearing fault diagnosis based on inverted Mel-scale frequency cepstral coefficients and deformable convolution networks
CN109697676A (zh) 基于社交群的用户分析及应用方法和装置
CN108564264A (zh) 一种确定注水开发效果的数据处理方法及装置
CN102801173B (zh) 一种基于电气特点分解归并的电网分区方法
CN108303967A (zh) 时间序列数据处理装置及处理方法
CN106529425A (zh) 一种心电信号的r波提取方法及系统
CN110037686A (zh) 用于室早心跳定位的神经网络训练方法及卷积神经网络
CN106618552B (zh) 一种检测模型获取方法及装置

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