CN110507313A - 一种腔内心电信号重建方法及装置 - Google Patents

一种腔内心电信号重建方法及装置 Download PDF

Info

Publication number
CN110507313A
CN110507313A CN201910811966.6A CN201910811966A CN110507313A CN 110507313 A CN110507313 A CN 110507313A CN 201910811966 A CN201910811966 A CN 201910811966A CN 110507313 A CN110507313 A CN 110507313A
Authority
CN
China
Prior art keywords
intracavitary
electrocardiosignals
electrocardiosignal
neural network
reconstruction
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
CN201910811966.6A
Other languages
English (en)
Other versions
CN110507313B (zh
Inventor
李毅
朱涛
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.)
WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd
Original Assignee
WUHAN ZONCARE BIO-MEDICAL ELECTRONICS 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 WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd filed Critical WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd
Priority to CN201910811966.6A priority Critical patent/CN110507313B/zh
Publication of CN110507313A publication Critical patent/CN110507313A/zh
Application granted granted Critical
Publication of CN110507313B publication Critical patent/CN110507313B/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]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及腔内心电信号技术领域，公开了一种腔内心电信号重建方法，包括以下步骤：采集体表心电信号和腔内心电信号作为样本数据；以体表心电信号作为输入样本数据，以腔内心电信号作为输出样本数据，对神经网络进行训练，得到重建模型；根据所述重建模型进行腔内心电信号的重建。本发明可根据体表心电信号推测腔内心电信号，克服了腔内心电信号获取时腔内定位难、腔内耗时长、对患者的损伤大的问题。

Description

一种腔内心电信号重建方法及装置
技术领域
本发明涉及腔内心电信号技术领域，具体涉及一种腔内心电信号重建方法及装置。
背景技术
现有的腔内心电图需要将一根探测电极通过X线指引，经静脉深入心脏内部，放置到记录部位，然后测量各个部位心电信号。目前腔内心电图获取的存在腔内定位难、腔内耗时长、对患者的损伤大的问题。
发明内容
本发明的目的在于克服上述技术不足，提供一种腔内心电信号重建方法及装置，解决现有技术中腔内心电图获取存在腔内定位难、腔内耗时长、对患者的损伤大的技术问题。
为达到上述技术目的，本发明的技术方案提供一种腔内心电信号重建方法，包括以下步骤：
采集体表心电信号和腔内心电信号作为样本数据；
以体表心电信号作为输入样本数据，以腔内心电信号作为输出样本数据，对神经网络进行训练，得到重建模型；
根据所述重建模型进行腔内心电信号的重建。
本发明还提供一种腔内心电信号重建装置，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现所述腔内心电信号重建方法。
本发明计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述腔内心电信号重建方法。
与现有技术相比，本发明的有益效果包括：本发明通过神经网络的训练，建立体表心电信号到腔内心电信号之间的映射关系，得到重建模型。建立重建模型后，采集体表心电信号，基于重建模型根据体表心电信号预测和重建腔内心电信号。从而不需要静脉穿刺、X线指引的条件下也可得到腔内心电信号，无需进行腔内定位，对患者无损伤。解决了目前腔内心电信号获取时腔内定位难、腔内定位耗时长、对患者的损伤大的问题。
附图说明
图1是本发明提供的一种腔内心电信号重建方法一实施方式的流程图；
图2是本发明中全连接网络一实施方式的结构示意图。
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仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的实施例1提供了一种腔内心电信号重建方法，包括以下步骤：
S1、采集体表心电信号和腔内心电信号作为样本数据；
S2、以体表心电信号作为输入样本数据，以腔内心电信号作为输出样本数据，对神经网络进行训练，得到重建模型；
S3、根据所述重建模型进行腔内心电信号的重建。
本实施例通过神经网络的训练，建立体表心电信号到腔内心电信号之间的映射关系，得到重建模型。建立重建模型后，采集体表心电信号，基于重建模型根据体表心电信号预测和重建腔内心电信号，从而实现在不需要静脉穿刺、X线指引的条件下得到腔内心电信号，以辅助临床医生进行决策。
具体的，在将体表心电信号输入重建模型前，优选进行滤波去噪等预处理，从而进一步提高腔内心电信号的预测精度；根据重建模型预测得到的腔内心电信号可采用显示器进行显示，或采用打印机进行打印，以便医生查看。
本发明通过建立重建模型，只需获取体表心电信号即可得到腔内心电信号，从而不需要静脉穿刺、X线指引的条件下也得到腔内心电信号，无需进行腔内定位，对患者无损伤。解决了目前腔内心电信号获取时腔内定位难、腔内定位耗时长、对患者的损伤大的问题。
优选的，所述神经网络为全连接网络。
本实施例所使用神经网络为全连接网络，以下以12导联标准心电体表信号重建希氏束电图(HBE)为例进行说明，全连接网络的结构如图2所示：
其中第一层C1为输入层，共12个神经元，分别接收12个导联的心电信号；
第二层C2为隐层，共32个神经元，用于提取第一层导联信号的特征；
第三层C3为隐层，共32个神经元，用于提取第二层隐层数据的特征；
第四层C4为输出层，共1个神经元，用于输出希氏束电图心电信号。
在训练阶段，全连接网络在大量真实心电数据中学习从12个标准导联心电信号到1个腔内导联心电信号的映射关系；在应用时，将采集到的12个标准导联心电信号输入重建模型，输出1个腔内导联心电信号，从而实现腔内导联心电信号的重建。
用于训练的样本数据集可通过两种方式获取：1.通过现有病历中的腔内心电信号和体表心电信号进行同步采集，2.通过可同步采集腔内心电信号和体表心电信号的采集设备进行临床采集。同步采集的体表心电信号与腔内心电信号相互对应，便于重建模型的建立。
优选的，还可将多个采样点的体表心电信号作为神经网络的输入，将一个采样点的腔内心电信号作为神经网络的输出，对神经网络进行训练，得到重建模型，从而使得重建模型描述了多个采样时刻的体表心电信号与一个采样时刻的腔内心电信号之间的映射关系，由于结合了多个采样时刻的体表心电信号进行重建，使得腔内心电信号重建的预测精度更高。
优选的，对所述神经网络进行训练具体包括，采用Xavier初始化方法对所述神经网络进行初始化，使得所述神经网络各层的权重参数的初始化均值呈正态分布。
本实施例中神经网络通过Xavier初始化方法进行初始化，Xavier初始化使得神经网络各层的权重参数的初始化均值呈正态分布，所述正态分布的均值为0，各层网络的权重方差满足如下公式：
其中，Var[Wi]为第i层网络的权重方差，ni为第i层网络的输入数量，ni+1为第i+1层网络的输入数量。
各层网络的权重方差呈正态分布可以很大程度上避免训练过程中出现的梯度消失或梯度爆炸现象，保证训练的稳定性。
优选的，根据所述重建模型进行腔内心电信号的重建还包括：采用adam优化算法对所述神经网络进行优化。
本实施例中神经网络的优化方法采用adam优化算法。adam优化算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，具有梯度对角缩放的不变性，适用于解决包含很高噪声或稀疏梯度的问题及，可以有效地离开局部鞍点，进入最优解。
优选的，对所述神经网络进行训练还包括：根据huber loss损失函数计算所述重建模型的损失值，如果损失值小于设定阈值则停止训练，并输出当前的重建模型，如果损失值没有不小于设定阈值，则继续进行训练。
本实施例选用huber loss损失函数作为评判标准，使导联扩展模型能够更快收敛、更加稳定。设定阈值的大小根据对重建模型的精度要求进行设定。
优选的，根据huber loss损失函数计算所述重建模型的损失值，具体为：
其中，H(x)为所述损失函数，f(x)为通过重建模型获取的腔内心电信号预测值，y为腔内心电信号实际值，δ为设定阈值。
本实施例中神经网络训练时所用的评判指标为huber方式。当|y-f(x)|小于事先指定的设定阈值δ时，变为平方损失，|y-f(x)|大于δ时，则变成类似于绝对值损失。huber损失函数将平方损失和绝对值损失进行融合，有效地解决了平方损失容易引起爆炸梯度和绝对值损失在零点处不可导的问题。huber损失函数在心电信号重建中的应用正常腔内心电信号的幅值范围在±5mv之间。综合考虑可见的异常心电和腔内心电信号预测值与实际值的差值，δ优选设置在0.5-2.5之间，最后结合训练过程中神经网络的收敛速度及验证集的表现，本实施例中δ设为2。
优选的，所述体表心电信号为十二导联心电信号、十五导联心电信号或十八导联心电信号。
具体的，本发明还可应用于根据15导联、18导联标准心电信号进行腔内心电信号的重建。
优选的，所述腔内心电信号为HRA腔静脉电图、CS腔静脉电图、RV腔静脉电图、LV腔静脉电图或食道心电图。
本发明可应用于腔内心电信号为HRA腔静脉电图、CS腔静脉电图、RV腔静脉电图、LV腔静脉电图及食道心电图的重建。全连接网络的网络层数还可为其他数量，隐层神经元个数还可为其他数量。神经网络还可采用RNN及其变种网络、LSTM及其变种网络、卷积神经网络或其变种网络。
实施例2
本发明的实施例2提供了腔内心电信号重建装置，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例提供的腔内心电信号重建方法。
具体的，腔内心电信号重建方法包括以下步骤：
采集体表心电信号和腔内心电信号构建样本数据库；
以体表心电信号作为输入，以腔内心电信号作为输出，对神经网络进行训练，得到重建模型；
根据所述重建模型进行腔内心电信号的重建。
本实施例提供的腔内心电信号重建装置，用于实现腔内心电信号重建方法，因此，上述腔内心电信号重建方法所具备的技术效果，腔内心电信号重建装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例提供的腔内心电信号重建方法。
具体的，腔内心电信号重建方法包括以下步骤：
采集体表心电信号和腔内心电信号构建样本数据库；
以体表心电信号作为输入，以腔内心电信号作为输出，对神经网络进行训练，得到重建模型；
根据所述重建模型进行腔内心电信号的重建。
本实施例提供的计算机存储介质，用于实现腔内心电信号重建方法，因此，上述腔内心电信号重建方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种腔内心电信号重建方法，其特征在于，包括以下步骤：
采集体表心电信号以及腔内心电信号作为样本数据；
以体表心电信号作为输入样本数据，以腔内心电信号作为输出样本数据，对神经网络进行训练，得到重建模型；
根据所述重建模型进行腔内心电信号的重建。
2.根据权利要求1所述的腔内心电信号重建方法，其特征在于，所述神经网络为全连接网络。
3.根据权利要求1所述的腔内心电信号重建方法，其特征在于，对所述神经网络进行训练具体包括，采用Xavier初始化方法对所述神经网络进行初始化，使得所述神经网络各层的权重参数的初始化均值呈正态分布。
4.根据权利要求1所述的腔内心电信号重建方法，其特征在于，根据所述重建模型进行腔内心电信号的重建还包括：采用adam优化算法对所述神经网络进行优化。
5.根据权利要求1所述的腔内心电信号重建方法，其特征在于，对所述神经网络进行训练还包括：根据huber loss损失函数计算所述重建模型的损失值，如果损失值小于设定阈值则停止训练，并输出当前的重建模型，如果损失值不小于设定阈值，则继续进行训练。
6.根据权利要求5所述的腔内心电信号重建方法，其特征在于，根据huber loss损失函数计算所述重建模型的损失值，具体为：
其中，H(x)为所述损失函数，f(x)为通过重建模型获取的腔内心电信号预测值，y为腔内心电信号实际值，δ为设定阈值。
7.根据权利要求1所述的腔内心电信号重建方法，其特征在于，所述体表心电信号为十二导联心电信号、十五导联心电信号或十八导联心电信号。
8.根据权利要求1所述的腔内心电信号重建方法，其特征在于，所述腔内心电信号为HRA腔静脉电图、CS腔静脉电图、RV腔静脉电图、LV腔静脉电图或食道心电图。
9.一种腔内心电信号重建装置，其特征在于，包括存储器以及处理器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的腔内心电信号重建方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的腔内心电信号重建方法。
CN201910811966.6A 2019-08-30 2019-08-30 一种腔内心电信号重建方法及装置 Active CN110507313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910811966.6A CN110507313B (zh) 2019-08-30 2019-08-30 一种腔内心电信号重建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910811966.6A CN110507313B (zh) 2019-08-30 2019-08-30 一种腔内心电信号重建方法及装置

Publications (2)

Publication Number Publication Date
CN110507313A true CN110507313A (zh) 2019-11-29
CN110507313B CN110507313B (zh) 2023-06-06

Family

ID=68629281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910811966.6A Active CN110507313B (zh) 2019-08-30 2019-08-30 一种腔内心电信号重建方法及装置

Country Status (1)

Country Link
CN (1) CN110507313B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110974217A (zh) * 2020-01-03 2020-04-10 苏州大学 基于卷积自编码器的双阶段心电信号降噪方法
CN113057646A (zh) * 2021-03-23 2021-07-02 天津工业大学 一种心电映射方法及系统
CN114781446A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于hin网络和梯度差损失的心电信号降噪方法
CN117398109A (zh) * 2023-09-01 2024-01-16 中山大学 基于密集体表电和躯干几何的心脏电生理成像模拟方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080114257A1 (en) * 2006-09-25 2008-05-15 Ela Medical S.A.S. Reconstruction of a surface electrocardiogram based upon an endocardial electrogram
CN101199416A (zh) * 2006-09-06 2008-06-18 韦伯斯特生物官能公司 心电图与体表测量的相关性
CN102525448A (zh) * 2011-12-28 2012-07-04 北京理工大学 根据体表胃电信号重建胃体表面浆膜胃电信号的方法
CN103211590A (zh) * 2013-04-24 2013-07-24 浙江理工大学 基于gpu加速的极限学习机的心脏电功能快速成像方法
CN107260159A (zh) * 2017-06-28 2017-10-20 浙江理工大学 一种基于卷积神经网络的心脏电功能成像方法
CN108509843A (zh) * 2018-02-06 2018-09-07 重庆邮电大学 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN108926341A (zh) * 2018-04-20 2018-12-04 平安科技（深圳）有限公司 Ecg信号的检测方法、装置、计算机设备和存储介质
WO2019071201A1 (en) * 2017-10-06 2019-04-11 Alivecor, Inc. CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101199416A (zh) * 2006-09-06 2008-06-18 韦伯斯特生物官能公司 心电图与体表测量的相关性
US20080114257A1 (en) * 2006-09-25 2008-05-15 Ela Medical S.A.S. Reconstruction of a surface electrocardiogram based upon an endocardial electrogram
CN102525448A (zh) * 2011-12-28 2012-07-04 北京理工大学 根据体表胃电信号重建胃体表面浆膜胃电信号的方法
CN103211590A (zh) * 2013-04-24 2013-07-24 浙江理工大学 基于gpu加速的极限学习机的心脏电功能快速成像方法
CN107260159A (zh) * 2017-06-28 2017-10-20 浙江理工大学 一种基于卷积神经网络的心脏电功能成像方法
WO2019071201A1 (en) * 2017-10-06 2019-04-11 Alivecor, Inc. CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE
CN108509843A (zh) * 2018-02-06 2018-09-07 重庆邮电大学 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN108926341A (zh) * 2018-04-20 2018-12-04 平安科技（深圳）有限公司 Ecg信号的检测方法、装置、计算机设备和存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110974217A (zh) * 2020-01-03 2020-04-10 苏州大学 基于卷积自编码器的双阶段心电信号降噪方法
CN113057646A (zh) * 2021-03-23 2021-07-02 天津工业大学 一种心电映射方法及系统
CN113057646B (zh) * 2021-03-23 2022-04-22 天津工业大学 一种心电映射方法及系统
WO2022198740A1 (zh) * 2021-03-23 2022-09-29 天津工业大学 一种心电映射方法及系统
CN114781446A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于hin网络和梯度差损失的心电信号降噪方法
CN117398109A (zh) * 2023-09-01 2024-01-16 中山大学 基于密集体表电和躯干几何的心脏电生理成像模拟方法

Also Published As

Publication number Publication date
CN110507313B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110507313B (zh) 一种腔内心电信号重建方法及装置
CN106214145B (zh) 一种基于深度学习算法的心电图分类方法
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN106725426A (zh) 一种心电信号分类的方法及系统
CN106108889A (zh) 基于深度学习算法的心电图分类方法
CN108968941B (zh) 一种心律失常检测方法、装置及终端
CN109259733A (zh) 一种睡眠中呼吸暂停检测方法、装置和检测设备
CN109009084B (zh) 多导联心电信号的qrs波群校验方法、装置及设备、介质
CN113470812B (zh) 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法
CN109009073A (zh) 房颤检测装置及存储介质
CN112617850B (zh) 心电信号的早搏心拍检测系统
CN109044348A (zh) 房颤检测装置及存储介质
CN109077720A (zh) 信号处理方法、装置、设备和存储介质
EP2793696B1 (en) Physiological status indicator apparatus
CN110200620A (zh) 多模态心脏数据检测方法、装置、存储介质及终端设备
Zhao et al. PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network
Zubair et al. Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks
Ghosal et al. Ecg beat quality assessment using self organizing map
CN103417208B (zh) 房颤检测装置
CN103445772B (zh) 便携式房颤检测装置
CN109044338A (zh) 房颤检测装置及存储介质
CN105943030A (zh) 一种用于实现多通道心电图qrs自动划定的智能终端
Ge Detecting myocardial infraction using VCG leads
Ramesh et al. Analysis of ECG Noise Cancellation and Abnormality Classification using Various Adaptive Algorithms
Nonyelu et al. Noise Mitigation in ECG Signal Using Unidirectional and Bidirectional Long Short-Term Memory (LSTM) Neural Network

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