CN110070013A - 一种ecg信号噪声污染程度与类别智能评估方法 - Google Patents
一种ecg信号噪声污染程度与类别智能评估方法 Download PDFInfo
- Publication number
- CN110070013A CN110070013A CN201910289994.6A CN201910289994A CN110070013A CN 110070013 A CN110070013 A CN 110070013A CN 201910289994 A CN201910289994 A CN 201910289994A CN 110070013 A CN110070013 A CN 110070013A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- ecg signal
- frequency
- noise pollution
- 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
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
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种ECG信号噪声污染程度与类别智能评估方法,包括以下步骤:S1,ECG信号预处理;S2,ECG信号分量特征数理统计计算;S3,ECG信号噪声污染程度判断;S4,低频基线漂移噪声污染程度判断;S5,高频分量噪声污染类别与污染程度判断;S6,ECG信号整体噪声污染程度及类别的综合评估。本发明所述评估方法融合M‑CEEMD信号分解以及SVC网络集群,准确完成ECG信号噪声污染程度评估以及污染类型自动分类。实现对可用ECG信号的筛选,为其选择有针对性的滤波方式提供依据,实现滤波效果提高的同时最大限度的保留原始ECG数据信息,降低了ECG智能诊断假阳性率,同时提高了诊断准确率,具有临床泛化性强,分类准确率高的特点。
Description
技术领域
本发明涉及人工智能技术以及智慧医疗技术领域,尤其涉及一种ECG信号噪声污染程度与类别智能评估方法
背景技术
心电图信号的监测与分析是降低心血管疾病死亡率的主要手段,2017年世界卫生组织报道,心血管类疾病(CVD)是全球的第一位死亡病因。据统计,我国心血管病患人数高达2.9 亿,其死亡率占居民疾病死亡原因的40%以上,远高于肿瘤及其他疾病。而随着我国的老龄化进程,CVD的发病率与死亡率亦逐年攀升。由于CVD类疾病具有慢性疾病短时间内迅速恶化的特点,因此必须对患者进行长期不间断的身体状况监测,以期尽早发现疾病恶化征兆,施加医疗干预,从而降低死亡率。由于心电图设备成本相对较低,监测较为方便,同时,相较于其他侵入性检测手段,心电图检测有着使用简单,对人体危害性低的特点,特别适用于对患者进行长期跟踪随访。因此,使用心电图对患者进行长期健康监测是目前预防CVD类疾病如心肌缺血、恶性心律失常以及心脏猝死的主要手段。
由于心电图(ECG)信号的分析过程复杂,对于临床医生的诊断水平与经验都有较高的要求,ECG信号的智能化诊断成为智慧医疗研究领域亟需解决的重大问题之一。然而,由于 ECG信号在采集过程中常夹杂大量的噪声干扰,其中主要包括三类噪声干扰:基线漂移噪声、肌电噪声以及工频干扰噪声。这些噪声的存在对ECG信号的智能化诊断造成了巨大的影响,不仅导致了诊断准确率的下降,也弱化了ECG信号智能诊断技术的实用价值。
作为ECG信号智能化分析的研究热点之一,ECG信号的预处理以及滤波技术有了较大的进步。然而现有的滤波技术大多针对特定的噪声才能获得较好的滤波效果,而在当前信号噪声污染程度,污染类别不明的条件下直接进行滤波处理,不仅无法获得良好的滤波结果,甚至可能导致ECG信号自身的波形发生形变,从而更加劣化ECG信号智能诊断结果。综上所述,在ECG信号进行滤波处理之前,对于当前所采集ECG信号进行噪声污染程度及污染类别的评估与分类有着十分重要的意义。
发明内容
本发明目的在于提供一种ECG信号原始采集数据中噪声污染程度与污染类别的智能评估与分类方法,为当前ECG信号选择合适的滤波方式以及是否适用于智能诊断提供指导。
为解决上述技术问题,本发明提供了一种ECG信号噪声污染程度与类别智能评估方法,能够对当前所采集的ECG信号的噪声污染程度进行智能评估,并对尚可使用的ECG信号数据中的噪声污染类别进行智能分类。
一种ECG信号噪声污染程度与类别智能评估方法,所述方法包括以下步骤:
ECG信号预处理;
ECG信号分量特征数理统计计算;
ECG信号噪声污染程度判断;
低频基线漂移噪声污染程度判断;
高频分量噪声污染类别与污染程度判断;
ECG信号整体噪声污染程度及类别的综合评估。
所述ECG信号预处理具体为:
通过修正互补集合经验模态分解(M-CEEMD)处理将ECG信号原始采集数据分解为多个本征模函数分量以及包含基线漂移噪声的信号残余成分(IMF1~IMFN),为后续噪声评价与分类提供数据基础。通过相邻电极ECG信号互相关计算获得极间信号互相关矩阵。
其中,ECG信号的M-CEEMD处理过程中,信号分量分解停止条件包括两点:①当前分解分量的过零检测计数小于设定阈值;②当前分解分量的振幅绝对值小于设定阈值。
所述ECG信号分量特征数理统计计算具体为:
首先提取经由M-CEEMD处理完成后的ECG信号的低频与高频部分,计算方式如下:①信号低频成分:信号M-CEEMD分解残余加上最后分解获得的IMF分量。②信号高频成分:信号最初分解获得的三个高频IMF分量之和。
其次,计算获得信号低频成分和高频成分的信号特征,对于信号低频成分计算下列信号特征:①信号低频能量与总能量比值E占比=E(低频成分)/②信号低频成分幅度绝对值。对于信号高频成分计算如下特征:①高频成分过零检测计数;②高频成分振幅绝对值;③高频成分自相关函数峰值能量占比。此外,为了增加信号是否可用的分类准确度,方法增加了ECG测量极间信号互相关矩阵特征值作为SVC1网络的输入特征。上述各信号特征计算完毕后,进行统一的归一化处理。
所述ECG信号噪声污染程度判断具体为:
使用SVC1网络根据ECG信号分量特征数理统计计算所得到的信号特征来评估所采集的 ECG信号噪声污染程度。本方法在进行ECG信号噪声污染程度的评估时,选用的信号特征如下:
①信号低频成分能量占比与低频成分幅度绝对值,用来表征基线漂移噪声对于采集信号的污染程度。
②高频成分过零检测计数、高频成分振幅绝对值、高频成分自相关函数峰值能量占比,用于描述当前采集信号受到肌电噪声、工频噪声干扰的严重程度,以及信号的高频信息保存完整性。
③极间互相关矩阵特征值,从采集信号的整体出发,对信号是否可被用于诊断进行评价,与高、低频信号特征提取形成互补。
SVC 1网络在收到上述输入特征后,对当前采集信号做出“可用/不可用”的二元判定,如果判定为“可用”,则方法进入噪声类别判定流程,反之,本段采集信号将被直接舍弃。
所述低频基线漂移噪声污染程度判断具体为:
根据ECG信号分量特征数理统计计算所得到的信号低频成分的信号特征中低频分量能量占比以及低频分量幅度绝对值与设定阈值进行比对,如果没超过设定阈值,则判定当前信号中的极限噪声漂移未达到影响信号诊断分析的程度,可以忽略,反之则表明当前信号基线漂移噪声严重,需要进行滤除。
所述高频分量噪声污染类别判断具体为:
使用SVC2与SVC3网络对高频肌电噪声以及高频工频干扰噪声的严重程度并行判断。 SVC2网络负责对高频分量中是否混有大量肌电噪声进行判断,其网络输入包括:①高频分量过零检测计数;②各高频分量幅值绝对值;③高频分量自相关函数峰值绝对值。输出为“肌电噪声污染/无肌电噪声污染”二元判定。SVC3网络对高频分量中是否混入大量工频噪声干扰进行判定,网络输入与SVC2相同,网络输出为“工频噪声干扰/无工频噪声干扰”。两个判别分类器网络并行计算,并将各自的判别结果输出到噪声污染综合评价模块中。
所述ECG信号整体噪声污染程度及类别的综合评估具体为:
根据SVC 1、基线漂移判定、SVC 2以及SVC 3网络的判定结果,对当前信号的噪声污染程度与类别进行综合评价,并将当前可用的信号分类为:①无噪声;②基线漂移噪声干扰;③工频噪声干扰;④肌电噪声干扰;⑤肌电+工频;⑥肌电+基线;⑦工频+基线;⑧肌电+工频+基线。
本发明提供的一种ECG信号噪声污染程度与类别智能评估方法,融合M-CEEMD信号分解以及SVC网络集群,准确完成ECG信号噪声污染程度评估以及污染类型自动分类。实现对可用ECG信号的筛选,以及为其选择合适的滤波方式,提高滤波效果的同时最大限度的保留原始ECG数据信息,从而降低了ECG智能诊断假阳性率,并提高了诊断准确率。在测试数据集中的验证结果表明,本发明具有临床泛化性强,分类准确率高的特点。
附图说明
图1为ECG信号噪声污染程度及污染类别智能评估方法的流程图。
图2为SVC1网络的输入输出关系。
图3a为SVC2网络的输入输出关系。
图3b为SVC3网络的输入输出关系。
图4为ECG信号噪声综合评估流程图。
图5a为信号噪声污染程度测试数据集样本组成直方图。
图5b为噪声污染类别测试数据集样本组成直方图。
图6为噪声污染程度智能评估结果直方图。
图7a为“无噪声”测试数据样本智能评估结果直方图。
图7b为“基线漂移噪声”测试数据样本智能评估结果直方图。
图7c为“肌电噪声”测试数据样本智能评估结果直方图。
图7d为“工频噪声”测试数据样本智能评估结果直方图。
图7e为“基线+肌电噪声”测试数据样本智能评估结果直方图。
图7f为“基线+工频噪声”测试数据样本智能评估结果直方图。
图7g为“工频+肌电噪声”测试数据样本智能评估结果直方图。
图7h为“基线+工频+肌电噪声”测试数据样本智能评估结果直方图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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。
如图1所示,本发明提供的一种ECG信号噪声污染程度与类别智能评估方法,所述方法包括以下步骤:ECG信号预处理,ECG信号分量特征数理统计计算,ECG信号噪声污染程度判断,低频基线漂移噪声污染程度判断,高频分量噪声污染类别判断以及ECG信号整体噪声污染程度及类别的综合评估。
为了将采集得到的ECG信号各分量与混入其中的噪声进行区分,以便于各信号特征的提取。ECG心电信号首先通过M-CEEMD进行分解。ECG信号的修正互补集合经验模态分解(M-CEEMD)过程如下:
①在ECG信号原始采集数据x(n)中加入k组辅助白噪声序列Nk(n),其标准差为ε,于是当前信号可以表示为
xk(n)=x(n)+Nk(n) (1)
②对于加入白噪声的k组信号序列x(n)+ε0Nk(n)进行CEEMD分解,对分解后的多组IMF1分量进行平均计算,获得第一组IMF1分量,即:
③计算M-CEEMD信号分解的残余量
④对残余量r1(n)再次加入白噪声,将r1[n]+ε1Nk(n)进行CEEMD分解,获得第一次EMD 分解量,并以此获取第二组IMF2分量,其中E1表示进行第一次EMD分解量
⑤以此类推,不断将信号分解后的残余信号作为新的信号,重复步骤④的计算,将信号一步步分解为多个信号分量,即:
其中,E表示对本阶段残余信号组成的新信号序列的EMD分解量。第i次分解过后的信号残余量可以表示为:
ri(n)=r(i-1)(n)-IMFi(n) (6)
⑥为每一层分解获得的信号分量序列计算幅度绝对值以及过零检测计数。
⑦重复上述计算步骤,直至本次分解获得的信号分量幅度绝对值以及过零检测计数均小于设定阈值。
当ECG信号经由M-CEEMD算法分解完成后,首先提取信号的低频与高频部分,计算方式如下:①信号低频成分:信号M-CEEMD分解残余加上最后分解获得的IMF分量。②信号高频成分:信号最初分解获得的三个高频IMF分量之和。
其次,计算获得信号低频成分和高频成分的信号特征,对于信号低频成分计算下列信号特征:①信号低频能量与总能量比值②信号低频成分幅度绝对值。对于信号高频成分计算如下特征:①高频成分过零检测计数;②高频成分振幅绝对值;③高频成分自相关函数峰值能量占比。此外,为了增加信号可用与否的分类准确度,方法增加了ECG测量极间信号互相关矩阵特征值作为SVC 1网络的输入特征。其计算过程如下:假设当前ECG测量设备拥有电极数目为l,当前时刻采集获得的ECG信号为s(1)...s(l),每段信号包含N个数据采样,则有如下信号矩阵构造:
当前ECG采集系统极间互相关矩阵则有:
计算R矩阵的特征值即为采集系统极间互相关矩阵特征值输入。
上述各信号特征计算完毕后,进行统一的归一化处理。
在ECG信号分量特征数理统计计算过程结束后,将由SVC1网络根据所采集ECG信号特征来判定当前信号是否适用于智能诊断。不同于单纯的信号信噪比评估,当前方法对ECG信号的噪声污染程度进行分析,评估信号的主要形态是否被噪声严重污染导致无法被人类医生或者智能诊断网络所读取,避免噪声混淆当前患者的临床表现。
图2为本发明中SVC1网络的输入输出关系。本方法在进行ECG信号的噪声污染程度评估时,选用的信号特征如下:
①信号低频成分能量占比与低频成分幅度绝对值:经过M-CEEMD分解之后的信号低频成分主要由极少量的低频信号以及大量的基线漂移噪声所组成。本特征用来表征基线漂移噪声对于采集信号的污染程度。
②高频成分过零检测计数、高频成分振幅绝对值、高频成分自相关函数峰值能量占比:上述三个特征描述当前采集信号受到肌电噪声、工频噪声干扰的严重程度,以及信号的高频信息保存完整性。
③极间互相关矩阵特征值:由于ECG采集系统各导联间的采集信号均为描述同一时刻的心脏肌电工作特征,若无噪声干扰,极间采集信号之间应具有很强的关联性。极间互相关矩阵特征值从采集信号的整体出发,对信号是否可被用于诊断进行评价。与高、低频信号特征提取形成互补。
SVC1网络在收到上述输入特征后,对当前采集信号做出“可用/不可用”的二元判定,如果判定为“可用”,则方法进入噪声类别判定流程,反之,本段采集信号将被直接舍弃。
在SVC1网络判定本段信号可用之后,方法进入噪声污染类别判定过程,本过程主要分为两个部分:低频基线噪声判定以及高频肌电噪声、工频噪声判定。
在低频基线漂移噪声污染程度判断中,如上所述,经过M-CEEMD处理的信号低频成分主要由大量的基线噪声干扰以及极少量的信号低频成分组成,所以基线噪声的干扰严重程度只需要根据信号低频成分的幅度绝对值进行判定即可。当信号的幅度绝对值大于设定阈值,则信号将被判定受到严重基线噪声干扰,反之则判定无严重基线噪声干扰。在本发明中,采用的判定阈值为0.1mV。
相较于低频基线漂移噪声的简单判定,高频噪声干扰因素以及表现则较为复杂。在信号高频分量噪声污染类别判断过程中,由于高频噪声的分类缺乏明确的判断阈值,所以本方法使用SVC2与SVC3网络对高频肌电噪声以及高频工频干扰噪声的严重程度并行判断。图3a 和图3b为本发明中SVC2、SVC3网络的输入输出关系。SVC2网络负责对高频分量中是否混有大量肌电噪声进行判断,其网络输入包括:①高频分量过零检测计数;②各高频分量幅值绝对值;③高频分量自相关函数峰值绝对值。输出为“肌电噪声污染/无肌电噪声污染”二元判定。SVC3网络对高频分量中是否混入大量工频噪声干扰进行判定,网络输入与SVC2相同,网络输出为“工频噪声干扰/无工频噪声干扰”。两个判别分类器网络并行计算,并将各自的判别结果输出到噪声污染综合评价模块中。
图4为本发明的ECG信号噪声综合评估流程图,在ECG信号整体噪声污染程度及类别的综合评估过程中,根据SVC 1、基线漂移判定、SVC 2以及SVC 3网络的判定结果,对当前信号的噪声污染程度与类别进行综合评价,并将当前可用的信号分类为:①无噪声;②基线漂移噪声干扰;③工频噪声干扰;④肌电噪声干扰;⑤肌电+工频;⑥肌电+基线;⑦工频+ 基线;⑧肌电+工频+基线。
表1方法测试过程中的各项性能指标及其计算方式
结合图5a、5b、6和图7a-7h以及表1可知,在1334个样本测试数据集的实验验证中,噪声污染程度判断整体准确率(Overall Accuracy,OA)在噪声细化分类测试中,另选用3630段包含不同种类噪声的数据对方法进行测试,整体分类准确率
因此,本发明所公布的一种ECG信号噪声污染程度与类别智能评估方法,具有临床泛化性强,分类准确率高的特点。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (7)
1.一种ECG信号噪声污染程度与类别智能评估方法,其特征在于,包括以下步骤:
S1,ECG信号预处理,
S2,ECG信号分量特征数理统计计算,
S3,ECG信号噪声污染程度判断,
S4,低频基线漂移噪声污染程度判断,
S5,高频分量噪声污染类别与污染程度判断,
S6,ECG信号整体噪声污染程度及类别的综合评估。
2.根据权利要求1所述的ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S1具体为:
通过M-CEEMD处理将ECG信号原始采集数据分解为多个本征模函数分量以及包含基线漂移噪声的信号残余成分,通过相邻电极ECG信号互相关计算获得极间信号互相关矩阵,
其中,ECG信号的M-CEEMD处理过程中,信号分量分解停止条件包括两点:①当前分解分量的过零检测计数小于设定阈值;②当前分解分量的振幅绝对值小于设定阈值。
3.根据权利要求1所述的ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S2具体为:
S21,提取经由M-CEEMD处理完成后的ECG信号的低频与高频部分,
计算方式如下:①信号低频成分:信号M-CEEMD分解残余加上最后分解获得的IMF分量,②信号高频成分:信号最初分解获得的三个高频IMF分量之和;
S22,计算获得信号低频成分和高频成分的信号特征以及极间互相关矩阵特征值;
对于信号低频成分计算下列信号特征:①信号低频能量与总能量比值②信号低频成分幅度绝对值,
对于信号高频成分计算下列信号特征:①高频成分过零检测计数;②高频成分振幅绝对值;③高频成分自相关函数峰值能量占比;
S23,所述各信号特征计算完毕后,进行归一化处理。
4.根据权利要求1所述的ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S3具体为:
将步骤S2中所得到的信号特征作为SVC1网络的输入特征,SVC1网络根据所述输入特征来评估所采集的ECG信号噪声污染程度;
所述输入特征包括:低频成分能量占比、低频成分幅度绝对值、高频成分过零检测计数、高频成分振幅绝对值、高频成分自相关函数峰值能量占比,以及极间互相关矩阵特征值;
SVC1网络在收到上述输入特征后,对当前采集信号做出“可用/不可用”的二元判定,若判定为“可用”,则进入步骤S4,反之,舍弃当前采集信号。
5.根据权利要求1所述的一种ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S4具体为:
将信号的低频成分幅度绝对值与设定阈值进行比对,
若不超过设定阈值,则判定当前信号中的极限噪声漂移未达到影响信号诊断分析的程度,无严重基线噪声干扰,反之则表明当前信号基线漂移噪声严重,需要进行滤除。
6.根据权利要求1所述的一种ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S5具体为:
使用SVC2与SVC3网络对高频肌电噪声以及高频工频噪声干扰的严重程度并行判断:
SVC2网络对高频分量中是否混有大量肌电噪声进行判断,其网络输入包括:①高频分量过零检测计数;②各高频分量幅值绝对值;③高频分量自相关函数峰值绝对值;网络输出为“肌电噪声污染/无肌电噪声污染”二元判定;
SVC3网络对高频分量中是否混入大量工频噪声干扰进行判定,网络输入与SVC2相同,网络输出为“工频噪声干扰/无工频噪声干扰”二元判定;
SVC2网络与SVC3网络并行计算,并将各自的判定结果输出到步骤S6中。
7.根据权利要求1所述的一种ECG信号噪声污染程度与类别智能评估方法,其特征在于,步骤S6具体为:
根据SVC1网络、低频基线漂移噪声污染程度、SVC2网络以及SVC3网络的判定结果,对当前采集信号的噪声污染程度与类别进行综合评价,并将当前可用的信号分类为:①无噪声;②基线漂移噪声干扰;③工频噪声干扰;④肌电噪声干扰;⑤肌电+工频;⑥肌电+基线;⑦工频+基线;⑧肌电+工频+基线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289994.6A CN110070013B (zh) | 2019-04-11 | 2019-04-11 | 一种ecg信号噪声污染程度与类别智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289994.6A CN110070013B (zh) | 2019-04-11 | 2019-04-11 | 一种ecg信号噪声污染程度与类别智能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070013A true CN110070013A (zh) | 2019-07-30 |
CN110070013B CN110070013B (zh) | 2021-06-18 |
Family
ID=67367492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289994.6A Active CN110070013B (zh) | 2019-04-11 | 2019-04-11 | 一种ecg信号噪声污染程度与类别智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070013B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111641572A (zh) * | 2020-05-22 | 2020-09-08 | Oppo广东移动通信有限公司 | 一种噪声功率评估方法及装置、存储介质 |
CN113449255A (zh) * | 2021-06-15 | 2021-09-28 | 电子科技大学 | 一种改进的稀疏约束下环境分量相位角估计方法、设备及存储介质 |
CN114795241A (zh) * | 2022-03-31 | 2022-07-29 | 深圳华清心仪医疗电子有限公司 | 一种心电信号的噪声检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102038497A (zh) * | 2010-12-02 | 2011-05-04 | 广东宝莱特医用科技股份有限公司 | 一种心电信号噪声分析方法 |
CN103431856A (zh) * | 2013-08-30 | 2013-12-11 | 深圳市理邦精密仪器股份有限公司 | 在多导联同步心电信号中选择心电导联的方法及装置 |
CN105212918A (zh) * | 2015-11-19 | 2016-01-06 | 中科院微电子研究所昆山分所 | 一种基于压电信号的心率测量方法及系统 |
US20160287166A1 (en) * | 2015-04-03 | 2016-10-06 | Bao Tran | Personal monitoring system |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN106388825A (zh) * | 2016-10-14 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
CN106999042A (zh) * | 2014-08-13 | 2017-08-01 | 芬埃普有限公司 | 记录和分析体表心电图(ecg)以区分生理信号与噪声的设备 |
CN107693000A (zh) * | 2017-10-23 | 2018-02-16 | 山东大学 | 基于心电和脉搏信号融合的心率估计方法、装置和系统 |
CN108024750A (zh) * | 2015-08-25 | 2018-05-11 | 皇家飞利浦有限公司 | Ecg导联信号的高/低频信号质量评价 |
-
2019
- 2019-04-11 CN CN201910289994.6A patent/CN110070013B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102038497A (zh) * | 2010-12-02 | 2011-05-04 | 广东宝莱特医用科技股份有限公司 | 一种心电信号噪声分析方法 |
CN103431856A (zh) * | 2013-08-30 | 2013-12-11 | 深圳市理邦精密仪器股份有限公司 | 在多导联同步心电信号中选择心电导联的方法及装置 |
CN106999042A (zh) * | 2014-08-13 | 2017-08-01 | 芬埃普有限公司 | 记录和分析体表心电图(ecg)以区分生理信号与噪声的设备 |
US20160287166A1 (en) * | 2015-04-03 | 2016-10-06 | Bao Tran | Personal monitoring system |
CN108024750A (zh) * | 2015-08-25 | 2018-05-11 | 皇家飞利浦有限公司 | Ecg导联信号的高/低频信号质量评价 |
CN105212918A (zh) * | 2015-11-19 | 2016-01-06 | 中科院微电子研究所昆山分所 | 一种基于压电信号的心率测量方法及系统 |
CN106388825A (zh) * | 2016-10-14 | 2017-02-15 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN107693000A (zh) * | 2017-10-23 | 2018-02-16 | 山东大学 | 基于心电和脉搏信号融合的心率估计方法、装置和系统 |
Non-Patent Citations (7)
Title |
---|
J. KUŽÍLEK等: ""Data driven approach to ECG signal quality assessment using multistep SVM classification"", 《2011 COMPUTING IN CARDIOLOGY》 * |
U. SATIJA等: ""Automated ECG Noise Detection and Classification System for Unsupervised Healthcare Monitoring"", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
余娇等: ""ECG信号去噪分析与评估"", 《信息通信》 * |
张亚涛: ""移动心电信号质量评估的分析与研究"", 《中国博士学位论文全文数据库·信息科技辑》 * |
方积乾等编著: "《医学统计学手册》", 31 May 2018, 北京:中国统计出版社 * |
贾红红等: ""心电信号质量评估与去噪方法的研究与实现"", 《中国优秀硕士学位论文全文数据库·医药卫生科技辑》 * |
黄威威: ""基于互补自适应噪声的集合经验模式分解算法研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111641572A (zh) * | 2020-05-22 | 2020-09-08 | Oppo广东移动通信有限公司 | 一种噪声功率评估方法及装置、存储介质 |
CN113449255A (zh) * | 2021-06-15 | 2021-09-28 | 电子科技大学 | 一种改进的稀疏约束下环境分量相位角估计方法、设备及存储介质 |
CN114795241A (zh) * | 2022-03-31 | 2022-07-29 | 深圳华清心仪医疗电子有限公司 | 一种心电信号的噪声检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110070013B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
US11783924B2 (en) | ECG information processing method and ECG workstation | |
CN104473629B (zh) | 基于核函数分类算法的心电电极错误放置自动检测方法 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN110070013A (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
CN109117769A (zh) | 一种针对穿戴式心电采集的实时质量评估反馈方法 | |
CN107788969A (zh) | 一种心电信号中qrs波群的自动检测方法 | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
CN103637795B (zh) | 心电图机自动诊断功能检测方法 | |
CN110148466A (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
CN107080545B (zh) | 一种基于脑电的测谎系统 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN107595249A (zh) | 基于脉搏波的怀孕女性筛查方法 | |
CN110123304A (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
CN115083604A (zh) | 一种术后不良事件预测模型的构建方法、系统和预测装置 | |
CN115804575A (zh) | 一种基于脉搏信号的个性化生理状态聚类判别系统 | |
Jiang et al. | Visualization deep learning model for automatic arrhythmias classification | |
CN109662727A (zh) | 基于模糊聚类算法的胎儿心率检测方法与系统 | |
Wang et al. | MS-MLP: Multi-scale sampling MLP for ECG classification | |
Wang et al. | Automatic classification of ECG data quality for each channel | |
Ma et al. | Decision Tree-based Model for Signal Quality Scanning in Wearable ECG | |
Lu et al. | A real-time, automatic MCG signal quality evaluation method using the magnetocardiography and electrocardiography | |
CN110292388A (zh) | 一种认知负荷与心理压力的测量方法及终端 |
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 |