CN110269605A - 一种基于深度神经网络的心电信号噪声识别方法 - Google Patents
一种基于深度神经网络的心电信号噪声识别方法 Download PDFInfo
- Publication number
- CN110269605A CN110269605A CN201910451563.5A CN201910451563A CN110269605A CN 110269605 A CN110269605 A CN 110269605A CN 201910451563 A CN201910451563 A CN 201910451563A CN 110269605 A CN110269605 A CN 110269605A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- noise
- sample
- electrocardiosignal
- 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
- 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
- A61B5/72—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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出的一种基于深度神经网络的心电信号噪声识别方法，对深度神经网络进行模型训练的方式具体包括：将深度神经网络中相邻两层之间所连接的边的权值进行初始化，使初始化后的边的权值满足标准正态分布；然后通过每一个样本对深度神经网络进行训练，获取各样本对应的预测噪声概率yi；根据各样本的实际噪声概率li和预测噪声概率yi之间的差异程度对深度神经网络进行计算，并更新深度神经网络中的参数，获取收敛后的深度神经网络作为噪声识别模型并输出。本发明，降低了心电信号数据中的噪声对输出的预测噪声概率的影响，提高了心电信号数据本身对于预测噪声概率的输出的比重，从而有利于提高心电信号数据的噪声预测的精确程度。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于深度神经网络的心电信号噪声识别方法。
背景技术
心电信号可以记录了心脏跳动的电生理活动，可以反映出心脏跳动的状态是否出现了异常。作为一种方便且无创的心脏检查方法，被广泛应用于医院临床检查、家庭智能硬件等场景中。然而，心脏电信号的强度十分微弱，很容易受到人体自身(例如肌肉产生的电流)和外部(例如手表、手环、临近电子设备)等电流的干扰，导致心电信号出现噪声，对进一步的读图产生干扰，甚至可能会导致误诊。因此，正确识别并标记出心电信号中的噪声波段，对提高心电信号诊断的精度，提高医疗服务水平，具有重大的现实意义。
噪声的定义十分宽泛，难以用语言准确描述，也很难制定量化的规则进行识别。例如，肢体的大幅度移动会使得心电信号同样产生整体上大幅度的“波动”，这种噪声的时间跨度较长，通常被称为“低频”噪声；接触其他电子设备会使得心电信号产生低幅度的“毛刺”，这种噪声的时间跨度较短，通常被称为“高频”噪声。
人群差异性大。不同的人群由于身高、体重、年龄、心脏方向等体征不同，产生的噪声在心电信号上的表现也不同。在这种情况下，基于男性心电信号分析得到的噪声识别算法可能并不适用于女性，而针对老人心电信号分析得到的噪声识别算法可能并不适用于儿童。
个体差异性大。即使是同一个人，在不同时间、不同地点、穿的衣服、动作等都会使得产生的噪声在心电信号上的表现出现差异。在这种情况下，即使只针对某一个人构建噪声识别模型，也需要花费大量的精力，分析他在上述场景中各种组合情况的数据。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度神经网络的心电信号噪声识别方法。
本发明提出的一种基于深度神经网络的心电信号噪声识别方法，首先构建输入为心电信号数据X，输出为心电信号数据的噪声概率y的深度神经网络y＝F(X)，且0≦y≦1；然后对深度神经网络进行模型训练以获取噪声识别模型；
对深度神经网络进行模型训练的方式具体包括：
S1、将深度神经网络中每相邻两层之间所连接的边的权值作为进行初始化，使初始化后的边的权值满足标准正态分布；
S2、然后通过每一个样本对深度神经网络进行训练，获取各样本对应的预测噪声概率yi；
S3、根据各样本的实际噪声概率li和预测噪声概率yi之间的差异程度对深度神经网络进行迭代计算并更新深度神经网络中的参数，获取收敛后的深度神经网络作为噪声识别模型并输出；各样本的实际噪声概率li由人工标注。
优选的，步骤S3具体包括：
S31、定义训练的目标函数，目标函数的输出值与各样本的实际噪声概率li和预测噪声概率yi之间的差异程度的总和呈正比；
S32、根据随机梯度下降法优化深度神经网络的参数，使目标函数收敛到最小值；
S33、获取最终输出的深度神经网络作为噪声识别模型。
优选的，目标函数为：
优选的，构建深度神经网络包括：构建深度神经网络包括：对样本进行预处理和标注，有噪声的样本标注为1，没有噪声的样本标注为0；根据样本和标注构建深度神经网络。
优选的，对样本进行预处理的方式为：将收集的心电信号原始数据的采样率进行统一后，从心电信号原始数据中随机截取信号长度为预设值d的心电信号数据作为样本；将收集的心电信号原始数据的采样率进行统一的具体方式为：设置采样阈值；采用线性插值的重采样算法将采样率大于采样阈值或者小于采样阈值的心电信号原始数据的采样率规整为采样阈值。
优选的，截取样本时，对于长度小于d的心电信号原始数据，通过补0使截取的心电信号数据的长度达到d。
优选的，5s≦d≦20s。
优选的，d为10s。
优选的，构建的深度神经网络由K个一维卷积层和1个全连接层顺次相接组成，K≧2。
优选的，还包括步骤S4：将测试心电信号数据输入噪声识别模型，获取预测噪声概率并与预设的概率阈值比较，并根据比较结果预测输入的测试心电信号数据中是否存在噪声。
本发明提出的一种基于深度神经网络的心电信号噪声识别方法，在深度深度神经网络训练时，降低了心电信号数据中的噪声对输出的预测噪声概率的影响，提高了心电信号数据本身对于预测噪声概率的输出的比重，从而有利于提高心电信号数据的噪声预测的精确程度。
本发明中的深度神经网络在进行训练时，只需要人工标注有噪声或者无噪声，不需要指出噪声的具体位置，也不需要归纳总结噪声类型，操作简单快捷。根据本发明中的噪声识别模型可自动判别输入的心电信号数据的有噪声概率，降低了心电信号数据去噪所需的人力成本，使得应用场景更加灵活，适应范围广。
附图说明
图1为本发明提出的一种基于深度神经网络的心电信号噪声识别方法流程图；
图2为本发明提出的另一种基于深度神经网络的心电信号噪声识别方法流程图；
图3为本发明提出的又一种基于深度神经网络的心电信号噪声识别方法流程图。
具体实施方式
实施例1
参照图1，本发明提出的一种基于深度神经网络的心电信号噪声识别方法，首先构建输入为心电信号数据X，输出为心电信号数据的噪声概率y的深度神经网络y＝F(X)，且0≦y≦1；然后对深度神经网络进行模型训练以获取噪声识别模型。
对深度神经网络进行模型训练的方式具体包括：
S1、将深度神经网络中每相邻两层之间所连接的边的权值进行初始化，使初始化后的边的权值满足标准正态分布，即均值为0，方差为1的正态分布。
S2、然后通过每一个样本对深度神经网络进行训练，获取各样本对应的预测噪声概率yi。
S3、根据各样本的实际噪声概率li和预测噪声概率yi之间的差异程度对深度神经网络进行迭代计算并更新深度神经网络中的参数，获取收敛后的深度神经网络作为噪声识别模型并输出；各样本的实际噪声概率li通过人工标注，有噪声的样本的实际噪声概率标注为1，将没有噪声的样本的实际噪声概率标注为0。具体的，各样本从获取的心电信号原始数据中截取获得并具有相同的采样率。
本实施方式中，获得的噪声识别模型可直接用于预测输入的测试心电信号数据的预测噪声概率，具体可根据以下步骤进行预测。
S4、将测试心电信号数据输入噪声识别模型，获取预测噪声概率并与预设的概率阈值比较，并根据比较结果预测输入的测试心电信号数据中是否存在噪声。
本实施方式中，在深度深度神经网络训练时，通过边的权值初始化，降低了心电信号数据中的噪声对输出的预测噪声概率的影响，提高了心电信号数据本身对于预测噪声概率的输出的比重，从而有利于提高心电信号数据的噪声预测的精确程度。
如此，本实施方式中的深度神经网络在进行训练时，只需要人工标注有噪声或者无噪声，不需要指出噪声的具体位置，也不需要归纳总结噪声类型，操作简单快捷。根据本实施方式中的噪声识别模型可自动判别输入的心电信号数据的有噪声概率，降低了心电信号数据去噪所需的人力成本，使得应用场景更加灵活，适应范围广。
实施例2
本实施例中，步骤S3具体包括：
S31、定义训练的目标函数，目标函数的输出值与各样本的实际噪声概率li和预测噪声概率yi之间的差异程度的总和呈正比。
具体的，本实施例中，可设置目标函数为：
其中，CrossEntropy为交叉熵损失函数。
S32、根据随机梯度下降法优化深度神经网络的参数，使目标函数收敛到最小值。
具体的，本实施方式中，目标函数Loss输出最小值时，表示通过深度神经网络获取的各样本的预测噪声概率与对应的实际噪声概率之间差异程度的平均值最小，即表示通过优化后的深度神经网络进行心电信号数据噪声预测时的效果最好。
本实施方式中，使用随机梯度下降法(Stochastic Gradient Descent，SGD)优化深度神经网络的参数，每一轮迭代中计算一批样本正向传播到输出层节点的数据，计算得到梯度再进行反向传播，并在反向传播的过程中更新网络模型参数。经过多轮的迭代，最终得到稳定的模型参数，表示深度神经网络的训练过程已经收敛。
S33、获取最终输出的深度神经网络作为噪声识别模型。
实施例3
本实施例中，构建深度神经网络具体包括：将收集的心电信号原始数据的采样率进行统一后，从心电信号原始数据中随机截取信号长度为预设值d的心电信号数据作为样本，并将有噪声的样本的实际噪声概率标注为1，将没有噪声的样本的实际噪声概率标注为0。根据获取的样本和对应的实际噪声概率构建深度神经网络。
具体的，本实施例中获取的样本还用于对深度神经网络进行训练，获取的样本数量大于m或者等于m。同时，本实施例中，根据所有的样本和对应的标注构建深度神经网络，或者根据部分样本和对应的标注构建神经网络。
具体的，本实施例中，将收集的心电信号原始数据的采样率进行统一的具体方式为：设置采样阈值，对于采样率大于采样阈值或者小于采样阈值的心电信号原始数据，采用线性插值的重采样算法将采样率规整为采样阈值。具体的，假设采样阈值为500Hz为例，如果某个心电信号原始数据的采样率不为500Hz，则采用线性插值的重采样算法将该心电信号原始数据的采样率规整为500Hz。
本实施例中，通过将心电信号原始数据的采样率进行规整，避免了由于个体差异造成的噪声识别错误。
本实施例中，截取样本时，对于长度小于d的心电信号原始数据，通过补0使截取的心电信号数据的长度达到d。如此，可避免心电信号原始数据的长度限制样本截取，从而保证样本的全面和多样性。同理，本实施例中，获取的心电信号原始数据来源多样，数据丰富。
本实施例中，5s≦d≦20s，具体可取值，d为10s。
实施例4
本实施例中，构建的深度神经网络为由K个一维卷积层(1-D Convolution Layer)和1个全连接层(ully Connected Layer)顺次相接组成，K≧2，具体可取值K＝3。
一维卷积层建立了心电信号数据上多个通道间的局部连接，可以用于自动学习并提取心电信号的局部特征。由于噪声心电信号与干净心电信号在局部会表现出肉眼可以识别的差异，这种差异被一维卷积层提取后就可以用于度量噪声的程度，区分噪声心电信号与干净心电信号。此外，K个一维卷积层的顺次连接，可以学习到多个层级的心电信号特征。例如，若将第一层一维卷积层学习到的视为“局部特征”，那么第二层一维卷积层学习到的就可以视为“局部特征的局部特征”，其粒度就比第一层的粒度更加广阔，并最终得到整段心电信号数据的“整体特征”。构建一维卷积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验证数据集上调参得到。
在整段心电信号的“整体特征”上，构建特征之间的线性组合以得到最终的输出。使用全连接层实现这种线性组合，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，最后采用Sigmoid函数作为激活函数，将线性组合得到的结果归一化到取值范围在0到1之间的数值yi，则该网络的输出可以被视为输入心电信号存在噪声信号的概率。
x为未激活的输出值。
以上所述，仅为本发明涉及的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 (10)
1.一种基于深度神经网络的心电信号噪声识别方法，其特征在于，首先构建输入为心电信号数据X，输出为心电信号数据的噪声概率y的深度神经网络y＝F(X)，且0≦y≦1；然后对深度神经网络进行模型训练以获取噪声识别模型；
对深度神经网络进行模型训练的方式具体包括：
S1、将深度神经网络中每相邻两层之间所连接的边的权值进行初始化，使初始化后的边的权值满足标准正态分布；
S2、然后通过每一个样本对深度神经网络进行训练，获取各样本对应的预测噪声概率yi；
S3、根据各样本的实际噪声概率li和预测噪声概率yi之间的差异程度对深度神经网络进行计算，并更新深度神经网络中的参数，获取收敛后的深度神经网络作为噪声识别模型并输出；各样本的实际噪声概率li由人工标注。
2.如权利要求1所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，步骤S3具体包括：
S31、定义训练的目标函数，目标函数的输出值与各样本的实际噪声概率li和预测噪声概率yi之间的差异程度的总和呈正比；
S32、根据随机梯度下降法优化深度神经网络的参数，使目标函数收敛到最小值；
S33、获取最终输出的深度神经网络作为噪声识别模型。
3.如权利要求2所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，目标函数为：
4.如权利要求1所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，构建深度神经网络包括：对样本进行预处理和标注，有噪声的样本标注为1，没有噪声的样本标注为0；根据样本和标注构建深度神经网络。
5.如权利要求4所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，对样本进行预处理的方式为：将收集的心电信号原始数据的采样率进行统一后，从心电信号原始数据中随机截取信号长度为预设值d的心电信号数据作为样本；将收集的心电信号原始数据的采样率进行统一的具体方式为：设置采样阈值；采用线性插值的重采样算法将采样率大于采样阈值或者小于采样阈值的心电信号原始数据的采样率规整为采样阈值。
6.如权利要求4所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，截取样本时，对于长度小于d的心电信号原始数据，通过补0使截取的心电信号数据的长度达到d。
7.如权利要求6所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，5s≦d≦20s。
8.如权利要求7所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，d为10s。
9.如权利要求1所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，构建的深度神经网络由K个一维卷积层和1个全连接层顺次相接组成，K≧2。
10.如权利要求9所述的基于深度神经网络的心电信号噪声识别方法，其特征在于，还包括步骤S4：将测试心电信号数据输入噪声识别模型，获取预测噪声概率并与预设的概率阈值比较，并根据比较结果预测输入的测试心电信号数据中是否存在噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451563.5A CN110269605B (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度神经网络的心电信号噪声识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451563.5A CN110269605B (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度神经网络的心电信号噪声识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110269605A true CN110269605A (zh) | 2019-09-24 |
| CN110269605B CN110269605B (zh) | 2022-02-25 |
Family
ID=67959083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451563.5A Active CN110269605B (zh) | 2019-05-28 | 2019-05-28 | 一种基于深度神经网络的心电信号噪声识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110269605B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
| CN113469218A (zh) * | 2021-06-02 | 2021-10-01 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号危急值处理方法、系统及介质 |
| CN113990499A (zh) * | 2021-10-22 | 2022-01-28 | 安徽心之声医疗科技有限公司 | 一种心脏年龄评估方法、装置、电子设备及存储介质 |
| CN116172522A (zh) * | 2023-05-04 | 2023-05-30 | 江南大学附属医院 | 一种基于神经网络的麻醉深度监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105534517A (zh) * | 2016-02-29 | 2016-05-04 | 浙江铭众科技有限公司 | 一种去除三导联心电信号中车辆运动噪声的方法 |
| CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
| CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
| US20190059763A1 (en) * | 2017-08-25 | 2019-02-28 | Cambridge Heartwear Limited | Method of detecting abnormalities in ecg signals |
| CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
-
2019
- 2019-05-28 CN CN201910451563.5A patent/CN110269605B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105595990A (zh) * | 2016-01-27 | 2016-05-25 | 浙江铭众科技有限公司 | 一种用于心电信号质量评估判别的智能终端设备 |
| CN105725966A (zh) * | 2016-01-27 | 2016-07-06 | 浙江铭众科技有限公司 | 一种基于神经网络模型的心电信号质量判别方法 |
| CN105534517A (zh) * | 2016-02-29 | 2016-05-04 | 浙江铭众科技有限公司 | 一种去除三导联心电信号中车辆运动噪声的方法 |
| US20190059763A1 (en) * | 2017-08-25 | 2019-02-28 | Cambridge Heartwear Limited | Method of detecting abnormalities in ecg signals |
| CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
| CN113469218A (zh) * | 2021-06-02 | 2021-10-01 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号危急值处理方法、系统及介质 |
| CN113990499A (zh) * | 2021-10-22 | 2022-01-28 | 安徽心之声医疗科技有限公司 | 一种心脏年龄评估方法、装置、电子设备及存储介质 |
| CN116172522A (zh) * | 2023-05-04 | 2023-05-30 | 江南大学附属医院 | 一种基于神经网络的麻醉深度监测方法 |
| CN116172522B (zh) * | 2023-05-04 | 2023-06-30 | 江南大学附属医院 | 一种基于神经网络的麻醉深度监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110269605B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110269605A (zh) | 一种基于深度神经网络的心电信号噪声识别方法 | |
| CN108629380B (zh) | 一种基于迁移学习的跨场景无线信号感知方法 | |
| CN108319928B (zh) | 一种基于多目标微粒群算法优化的深度学习方法及系统 | |
| Kim et al. | Recurrent neural networks with missing information imputation for medical examination data prediction | |
| KR101779800B1 (ko) | 기계학습 기반 다면적 성장 평가 방법 및 시스템 | |
| CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
| CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
| CN109328380A (zh) | 具有噪声模型适配的递归噪声功率估计 | |
| CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| CN110520935A (zh) | 从无线电信号学习睡眠阶段 | |
| CN114566282B (zh) | 一种基于超声心动图检测报告的治疗决策系统 | |
| CN112401905B (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
| CN112604186A (zh) | 一种呼吸运动预测方法 | |
| CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
| CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
| CN111160443A (zh) | 一种基于深度多任务学习的活动和用户识别方法 | |
| CN106618499A (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
| CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
| Morshed et al. | Automated heart valve disorder detection based on PDF modeling of formant variation pattern in PCG signal | |
| CN116747495A (zh) | 一种动作计数方法、装置、终端设备及可读存储介质 | |
| 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 | |
| CN111053579A (zh) | 盆底状态的分类方法、系统、超声设备及计算机存储介质 | |
| CN115293210A (zh) | 一种基于脑电波的指令预测输出控制方法 |
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 |