CN110584652B - 一种心电散点图三维图像增强方法 - Google Patents

一种心电散点图三维图像增强方法 Download PDF

Info

Publication number
CN110584652B
CN110584652B CN201910954403.2A CN201910954403A CN110584652B CN 110584652 B CN110584652 B CN 110584652B CN 201910954403 A CN201910954403 A CN 201910954403A CN 110584652 B CN110584652 B CN 110584652B
Authority
CN
China
Prior art keywords
dimensional
scatter diagram
electrocardiogram
scatter
image
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
Application number
CN201910954403.2A
Other languages
English (en)
Other versions
CN110584652A (zh
Inventor
汪中旭
杨德乾
付明磊
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910954403.2A priority Critical patent/CN110584652B/zh
Publication of CN110584652A publication Critical patent/CN110584652A/zh
Application granted granted Critical
Publication of CN110584652B publication Critical patent/CN110584652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation

Landscapes

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

Abstract

一种心电散点图三维图像增强方法，包括以下步骤：步骤1：心电波形图数据预处理；步骤2：建立二维心电散点图；步骤3：统计相同坐标散点的频次；步骤4：建立三维心电散点图；步骤5：三维心电散点图切分；步骤6：二维切分图像滤波；步骤7：三维心电散点图重建。本发明将传统二维心电散点图中大量在同一位置重复的点进行统计，并将其出现频次作为判定疾病的标准之一，可以把传统散点图中被忽略的数据进行更加有效的利用，以达到后期图像识别准确率的提升。

Description

一种心电散点图三维图像增强方法
技术领域
本发明涉及心电图像分析领域，特别是一种心电散点图三维图像增强方法。
背景技术
心电散点技术是随着计算机的大量普及以及处理大数据方面的优秀表现而逐渐涌现出来的技术。这也是心电图技术与数学统计学，物理混沌理论以及计算机机器学习共同催生出的一门新的研究方法。
在混沌理论与心电学的结合过程中，初始阶段就有人试图建立疾病的数学模型，而第一次邂逅是在研究心律失常的过程中，实验是在具有自律性的胚胎鸡心肌细胞团上，通过插入细胞内的微电级给与电脉冲刺激，当电脉冲改变时，心搏模式出现了混沌特征，倍周期分岔现象：同时Kitney和Rompelman以及AkseIrod等人描述了心率的多变性。有人对于健康年轻人，健康老人以及房颤老人的RR间期序列的相关维和最大Lyapunov指数研究发现，年轻人组是7～8维，健康老人是6～6.5维，房颤是4～4.5维，Lyapunov指数在年轻人中为0.19～0.23，健康老人是0.12～0.16，房颤老人为0.083～0.123。相关数据表明这三者的RR间期(RR interval of ECG，心电信号中相邻两个R波之间的时间间隔)序列均具有混沌特征。
李方洁所著的《心电散点图》在心电图领域首次引进了国外心电散点图的分析方法，并致力于制作分析软件进行大数据分析。提出了利用海量数据分析的概念。但在心电散点图上，更多的提出了诊断“四要素”、“B线斜率”、“心电吸引子”等概念，并没有注重心电数据的海量以及坐标轴的有限从而带来的数据浪费现象。
戴张印的《心电散点图的自动分析研究》中提出了对二维心电散点图进行聚类分析，研究并比较了传统聚类算法K-means、DBSCAN算法和新型基于密度的聚类算法，加上搜索窗算法探测心电散点图的边缘点集，可以更好地对二维心电散点图的边缘进行构建，最后对MIT-BIH的数据进行了测试，并实现了对窦性心律、窦性心律过速、室上性早搏、室性早搏、房扑和房颤的自动分析。
胡敏，江成璠，王素霞的《三维心电散点图吸引子的析取和识别》中利用三个RR间期数据组成三维散点图中每一个点的坐标，并利用散点位置的同质性特征析取吸引子，其中利用三个RR间期数据的做法由于增加了额外的信息，减少了吸引子的重叠。对于识别不同联律类型的心律失常，以及鉴别房性和室性早搏方面均有较好的效果。
辛怡，赵一璋，母远慧所写的《基于散点图和符号动力学的分析方法》中，将所得散点图通过散点在图像上的分区计算数据的信息熵，并对RR间期进行重编码，得到整个RR间期数据的信息熵，接着用所得信息熵获取相应的特征向量，从而进行心电信号的分析。对于每一张图像数据大量重叠的问题同样没有过多的关注。
到目前为止，心电散点图是利用计算机大数据分析动态心电图海量心电数据的非线性方法，能够从不同的形态中反应不同的心率变化轨迹，从中区分出正常人和心脏病患者。具有协助诊断的临床价值。心电散点图需要海量的连续RR间期数据，而处理一个小时的RR间期数据需要处理几千次心搏数据，在现代计算机技术的支撑下，使得动态心电分析图像更加得容易，也更加方便。但由于坐标范围较小而海量数据对数据量的要求较大，二维心电散点图会对数据信息造成极大的浪费。所以如何充分利用海量数据，对心脏病实现更高精度的识别是需要进一步探索的。
发明内容
为了克服常规的心电散点图中出现大量重复叠加的散点导致数据浪费的不足，本发明提出一种心电散点图三维图像增强方法，对不同重复频次的散点进行统计，在常规二维心电散点图的基础上将散点的频次作为第三个维度，获得扩维后的三维心电散点图，从而提升心电散点图识别率。
为了解决上述技术问题，本发明提供的技术方案如下：
一种心电散点图三维图像增强方法，包括以下步骤：
步骤1：心电波形图数据预处理
在心电波形图原始数据中，提取其中的RR间期数据，并储存在一维数组[X1,X2,……,Xi,……,Xn]，其中，Xi表示第i个RR间期数据，0<i≤n；
步骤2：建立二维心电散点图
建立维度为m*m的二维心电散点图平面坐标系，横轴为X，纵轴为Y，其中坐标轴维度m的取值为：
Figure GDA0003517761720000031
且m≥200，其上的散点为{P1(x1,y1),P2(x2,y2),……Pj(xj,yj),……Pn-1(xn-1,yn-1)}，其中Pj(xj,yj)表示第j个二维散点，yj＝xj+1，0<j≤n-1；
步骤3：统计相同坐标散点的频次
对所述二维心电散点图中相同坐标散点P(xj,yj)的出现频次进行统计，并记录为f(P(xj,yj))，其中f(P(xj,yj))表示所述相同坐标散点P(xj,yj)的出现频次；
步骤4：建立三维心电散点图
所述三维心电散点图用如下点阵表示：
Figure GDA0003517761720000032
其中，NP(xj,yj,f(P(xj,yj)))表示三维心电散点图中的一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))的Z坐标，0<j≤n-1；
步骤5：三维心电散点图切分
由于所述的三维心电散点图难以进行滤波处理，将三维心电散点图在X坐标轴沿着YOZ所成平面做m次切分，获得m份二维切分图像，每一份二维切分图像保留第三维的频次信息，其中O表示坐标原点；
步骤6：二维切分图像滤波
对所述二维切分图像进行图像滤波处理，所采用的滤波优化公式为：
Figure GDA0003517761720000041
其中，Y表示优化函数，min表示取最小值，代表着输入图像与输出图像的信息值之差尽可能的小，u代表输入的图像,g代表输出的图像，下标p代表像素点的空间位置，ax，p(g)，ay，p(g)代表平滑项的权重，λ代表拉格朗日乘数；
步骤7：三维心电散点图重建
使用步骤4中的排列方式将步骤6中经过滤波的m张二维切分图像进行重建，重建后组成点阵如下：
Figure GDA0003517761720000042
使用NP(xj,yj,f(P(xj,yj)))*表示滤波后的某一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))*的Z坐标，0<j≤n-1。
本发明的有益效果表现在：将传统二维心电散点图中大量在同一位置重复的点进行统计，并将其出现频次作为判定疾病的标准之一，可以把传统散点图中被忽略的数据进行更加有效的利用，以达到后期图像识别准确率的提升。
附图说明
图1为一种心电散点图三维图像增强方法流程图。
图2为二维心电散点图实例。
图3为滤波前三维心电散点图实例。
图4为三维散点图图像滤波效果图实例。
图5为滤波后三维心电散点图实例。
具体实施方式
下面结合附图对本发明进行进一步的阐述。
参照图1～图5，一种心电散点图三维图像增强方法，以心力衰竭的NYHA分类为例，所述心力衰竭是指在心脏的舒张或收缩过程发生障碍时，心脏无法将静脉血液排出心脏，从而导致静脉血液堵塞，动脉血液不足。心力衰竭不属于一类病症，而是心脏病末期的一种生理现象。1964年纽约心脏学会根据诱发心力衰竭症状所需的活动量将心功能分为4级以评定患者的心力衰竭程度，通过对患者心力衰竭程度进行诊断，可以对症下药，提升诊疗效率。
本实施例的心电散点图三维图像增强方法包括以下步骤：
步骤1：心电波形图数据预处理
从美国麻省理工学院提供的MIT-BIH心电数据库中提取心力衰竭患者的心电数据，结合所收集到的数据，包括四个级别(NYHA＝1,2,3,4)24小时的心力衰竭的心电数据。在心电波形图原始数据中，提取其中的RR间期数据，并储存在一维数组[X1,X2,……,Xi,……,Xn]。本例选取20000个RR间期数据作为一组绘制图像；
其中，xi表示第i个RR间期数据，n表示RR间期数据个数，0<i≤20000；
步骤2：建立二维心电散点图
建立维度为m*m的二维心电散点图平面坐标系，横轴为X，纵轴为Y，其中m＝200，其上的散点为{P1(x1,y1),P2(x2,y2),……Pj(xj,yj),……P19999(x19999,y20000)}，Pj(xj,yj)表示第j个二维散点，yj＝xj+1，0<j≤19999；
如图2所示为二维心电散点图实例。
步骤3：统计相同坐标散点的频次
对所述二维心电散点图中相同坐标散点P(xj,yj)的出现频次进行统计，并记录为f(P(xj,yj))，其中f(P(xj,yj))表示所述相同坐标散点P(xj,yj)的出现频次；
步骤4：建立三维心电散点图
所述心电散点图用如下点阵表示：
Figure GDA0003517761720000061
其中，NP(xj,yj,f(P(xj,yj)))表示三维心电散点图中的一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))的Z坐标，0<j≤19999；
如图3所示为三维心电散点图实例。
步骤5：三维散点图切分
由于所述的三维散点图难以进行滤波处理，于是考虑将三维散点图按照X坐标轴沿着YOZ所成平面切分，由于坐标轴大小为200*200，则共可以将三维图像分割为200份二维图像，每一份图像保留第三维的频次信息；
步骤6：二维散点图图像滤波
对所述三维心电散点图进行图像滤波处理，所采用的滤波条件为：
Figure GDA0003517761720000062
其中，u代表输入的图像，g代表输出的图像，下标p代表像素点的空间位置，Y表示优化函数，min表示取最小值，Y需要取最小值，代表着输入图像与输出图像的信息值尽可能的小；ax，p(g)和ay，p(g)代表平滑项的权重，利用了拉格朗日数乘法，λ是拉格朗日乘数，对图像坐标点的x，y坐标分别求偏导是拉格朗日函数建立的前提；
其中参数ax，p(g)取值为：
Figure GDA0003517761720000063
参数ay，p(g)取值为：
Figure GDA0003517761720000064
如图4所示为三维散点图图像滤波效果图实例。
步骤7：三维散点图重建
使用原点阵的排列方式将步骤6中经过滤波的200张二维图像进行排列连接，重新组成点阵如下：
Figure GDA0003517761720000071
使用NP(xj,yj,f(P(xj,yj)))*表示滤波后的某一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))*的Z坐标，0<j≤19999。使用matlab软件即可做出图像。
如图5所示为最终的三维散点图效果图。

Claims (1)

1.一种心电散点图三维图像增强方法，其特征在于，所述方法包括以下步骤：
步骤1：心电波形图数据预处理
在心电波形图原始数据中，提取其中的RR间期数据，并储存在一维数组[X1,X2,……,Xi,……,Xn]，其中，Xi表示第i个RR间期数据，n表示第n个RR间期数据个数，0<i≤n；
步骤2：建立二维心电散点图
建立维度为m*m的二维心电散点图平面坐标系，横轴为X，纵轴为Y，其中坐标轴维度m的取值为：
Figure FDA0003469750200000011
且m≥200，其上的散点为{P1(x1,y1),P2(x2,y2),……Pj(xj,yj),……Pn-1(xn-1,yn-1)}，其中Pj(xj,yj)表示第j个二维散点，yj＝xj+1，0<j≤n-1；
步骤3：统计相同坐标散点的频次
对所述二维心电散点图中相同坐标散点P(xj,yj)的出现频次进行统计，并记录为f(P(xj,yj))，其中f(P(xj,yj))表示所述相同坐标散点P(xj,yj)的出现频次；
步骤4：建立三维心电散点图
所述三维心电散点图用如下点阵表示：
Figure FDA0003469750200000012
其中，NP(xj,yj,f(P(xj,yj)))表示三维心电散点图中的一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))的Z坐标，0<j≤n-1；
步骤5：三维心电散点图切分
由于所述的三维心电散点图难以进行滤波处理，将三维心电散点图在X坐标轴沿着YOZ所成平面做m次切分，获得m份二维切分图像，每一份二维切分图像保留第三维的频次信息，其中O表示坐标原点；
步骤6：二维切分图像滤波
对所述二维切分图像进行图像滤波处理，所采用的滤波优化公式为：
Figure FDA0003469750200000021
其中，Y表示优化函数，min表示取最小值，代表着输入图像与输出图像的信息值之差尽可能的小，u代表输入的图像,g代表输出的图像，下标p代表像素点的空间位置，ax，p(g)，ay，p(g)代表平滑项的权重，λ代表拉格朗日乘数；
步骤7：三维心电散点图重建
使用步骤4中的排列方式将步骤6中经过滤波的m张二维切分图像进行重建，重建后组成点阵如下：
Figure FDA0003469750200000022
使用NP(xj,yj,f(P(xj,yj)))*表示滤波后的某一个三维散点，其中f(P(xj,yj)表示NP(xj,yj,f(P(xj,yj)))*的Z坐标，0<j≤n-1。
CN201910954403.2A 2019-10-09 2019-10-09 一种心电散点图三维图像增强方法 Active CN110584652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910954403.2A CN110584652B (zh) 2019-10-09 2019-10-09 一种心电散点图三维图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910954403.2A CN110584652B (zh) 2019-10-09 2019-10-09 一种心电散点图三维图像增强方法

Publications (2)

Publication Number Publication Date
CN110584652A CN110584652A (zh) 2019-12-20
CN110584652B true CN110584652B (zh) 2022-05-03

Family

ID=68866128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910954403.2A Active CN110584652B (zh) 2019-10-09 2019-10-09 一种心电散点图三维图像增强方法

Country Status (1)

Country Link
CN (1) CN110584652B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1539372A (zh) * 2003-10-24 2004-10-27 �Ϻ���ͨ��ѧ 基于高频心电波形的心脏疾病早期诊断的方法及装置
CN108403105A (zh) * 2017-02-09 2018-08-17 深圳市理邦精密仪器股份有限公司 一种心电散点的展示方法及展示装置
CN110090012A (zh) * 2019-03-15 2019-08-06 上海图灵医疗科技有限公司 一种基于机器学习的人体疾病检测方法及检测产品

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011084636A2 (en) * 2009-12-16 2011-07-14 The Johns Hopkins University Novel methodology for arrhythmia risk stratification by assessing qt interval instability
US20110307079A1 (en) * 2010-04-29 2011-12-15 Board Of Trustees Of Michigan State University, The Multiscale intra-cortical neural interface system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1539372A (zh) * 2003-10-24 2004-10-27 �Ϻ���ͨ��ѧ 基于高频心电波形的心脏疾病早期诊断的方法及装置
CN108403105A (zh) * 2017-02-09 2018-08-17 深圳市理邦精密仪器股份有限公司 一种心电散点的展示方法及展示装置
CN110090012A (zh) * 2019-03-15 2019-08-06 上海图灵医疗科技有限公司 一种基于机器学习的人体疾病检测方法及检测产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
心电三维RR间期散点图的构建及识别;胡敏等;《中国心脏起搏与心电生理杂志》;20161031(第05期);全文 *

Also Published As

Publication number Publication date
CN110584652A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
Wang et al. Deep multi-scale fusion neural network for multi-class arrhythmia detection
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
Mincholé et al. Machine learning in the electrocardiogram
CN106725428B (zh) 一种心电信号分类方法及装置
CN110890155A (zh) 一种基于导联注意力机制的多类心律失常检测方法
Sugimoto et al. Detection and localization of myocardial infarction based on a convolutional autoencoder
CN104840186A (zh) 一种充血性心力衰竭患者自主神经功能的评估方法
CN112906748A (zh) 基于残差网络的12导联ecg心律失常检测分类模型构建方法
Feng et al. Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection
Agrawal et al. ECG-iCOVIDNet: Interpretable AI model to identify changes in the ECG signals of post-COVID subjects
Khan et al. Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia
Ma et al. An effective data enhancement method for classification of ECG arrhythmia
Huang et al. A multiview feature fusion model for heartbeat classification
Dhyani et al. Analysis of ECG-based arrhythmia detection system using machine learning
Yang et al. A novel approach for heart ventricular and atrial abnormalities detection via an ensemble classification algorithm based on ECG morphological features
Meqdad et al. Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG
Mohamad et al. Principal component analysis and arrhythmia recognition using elman neural network
CN110584652B (zh) 一种心电散点图三维图像增强方法
De Marco et al. Identification of morphological patterns for the detection of premature ventricular contractions
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks
Roland et al. An automated system for arrhythmia detection using ECG records from MITDB
Fan et al. Disease identification method based on graph features between pulse cycles
Rayavarapu et al. Synthesis of ECG signals using Generative Adversarial Networks
Alagarsamy et al. Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels
Shaik et al. Arrhythmia Detection Using ECG-Based Classification with Prioritized Feature Subset Vector-Associated Generative Adversarial 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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191220

Assignee: Hangzhou Ruiboqifan Enterprise Management Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2022330000903

Denomination of invention: A method for 3d image enhancement of ecg scattergram

Granted publication date: 20220503

License type: Common License

Record date: 20221228

Application publication date: 20191220

Assignee: Zhejiang Yu'an Information Technology Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2022330000897

Denomination of invention: A method for 3d image enhancement of ecg scattergram

Granted publication date: 20220503

License type: Common License

Record date: 20221228

Application publication date: 20191220

Assignee: Hangzhou Yuxuansheng Lighting Technology Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2022330000929

Denomination of invention: A method for 3d image enhancement of ecg scattergram

Granted publication date: 20220503

License type: Common License

Record date: 20221229

Application publication date: 20191220

Assignee: Hangzhou Anfeng Jiyue Cultural Creativity Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2022330000901

Denomination of invention: A method for 3d image enhancement of ecg scattergram

Granted publication date: 20220503

License type: Common License

Record date: 20221228

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191220

Assignee: ZHEJIANG JINERTAI TOYS Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2023980037362

Denomination of invention: A Method for 3D Image Enhancement of Electrocardiogram Scatter Map

Granted publication date: 20220503

License type: Common License

Record date: 20230704

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191220

Assignee: Hangzhou Tianyin Computer System Engineering Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2023980054814

Denomination of invention: A three-dimensional image enhancement method for electrocardiogram scatter plots

Granted publication date: 20220503

License type: Common License

Record date: 20240102

Application publication date: 20191220

Assignee: Hangzhou Youshu Cloud Travel Information Technology Co.,Ltd.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2023980054817

Denomination of invention: A three-dimensional image enhancement method for electrocardiogram scatter plots

Granted publication date: 20220503

License type: Common License

Record date: 20240102

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20191220

Assignee: HANGZHOU YONGGUAN NETWORK TECHNOLOGY CO.,LTD.

Assignor: JIANG University OF TECHNOLOGY

Contract record no.: X2024980000361

Denomination of invention: A three-dimensional image enhancement method for electrocardiogram scatter plots

Granted publication date: 20220503

License type: Common License

Record date: 20240109