CN110688414B - 时序数据的处理方法、装置和计算机可读存储介质 - Google Patents
时序数据的处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110688414B CN110688414B CN201910936511.7A CN201910936511A CN110688414B CN 110688414 B CN110688414 B CN 110688414B CN 201910936511 A CN201910936511 A CN 201910936511A CN 110688414 B CN110688414 B CN 110688414B
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- base pattern
- time
- base
- 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
Links
- 238000000034 method Methods 0.000 title claims description 59
- 230000006870 function Effects 0.000 claims description 62
- 230000015654 memory Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000718 qrs complex Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002763 arrhythmic effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- 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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种时序数据的处理方法、装置和计算机可读存储介质,该处理方法包括:按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化;对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;将所述至少一个数据片段作为更新时序片段;按照目标函数,将更新时序片段划分为多个更新数据片段;将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式;以及利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式。
Description
技术领域
本公开涉及一种时序数据的处理方法、装置和计算机可读存储介质。
背景技术
时序数据是指按时间顺序记录的数据列。典型的时序数据包括:心电数据、呼吸检测数据、人口变化数据和经济变化数据等。通常需要对时序数据进行分析以确定在该段时间内的数据的统计特性和变化规律。例如,对患者的心电数据的分析可以帮助医生确定患者的心脏健康状况。
为确定时序数据的统计特性和变化规律,需要在时序数据中识别出特定时序片段。例如,心电数据中的特定时序片段可以是心脏收缩时(又称为心拍)的数据。目前,由于时序数据可能是取值连续、噪声成分复杂并且高度数据偏斜的,因此对这样的时序数据进行分割并在其中识别特定时序片段仍存在困难。
发明内容
本公开的实施例提供了一种时序数据的处理方法、装置和计算机可读存储介质。本公开的实施例可以在取值连续、噪声成分复杂并且数据偏斜严重的时序数据中,自动并准确地分割该时序数据和识别其中的特定时序片段。
本公开的实施例提供了一种时序数据的处理方法,包括:按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化;对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;将该数据片段作为更新时序片段;按照目标函数,将更新时序片段划分为多个更新数据片段;将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式;以及利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式。
本公开的实施例提供了一种时序数据的处理装置,包括:初始化电路,用于按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化;迭代电路,用于对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;将该数据片段作为更新时序片段;按照目标函数,将更新时序片段划分为多个更新数据片段;将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式,和输出电路,用于利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式。
本公开的实施例提供了一种处理时序数据的电子设备,包括:处理器;存储器,存储器存储有计算机指令,该计算机指令被处理器执行时实现上述时序数据的处理方法。
本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现上述时序数据的处理方法。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。下面描述中的附图仅仅是本公开的示例性实施例。
图1是示出时序数据的处理方法的示意图。
图2A是示出根据本公开实施例的时序数据的处理方法的流程图。
图2B是示出根据本公开实施例的时序数据的处理方法的示意图。
图3A是示出根据本公开的实施例的时序数据的处理方法的又一流程图。
图3B是示出根据本公开的实施例的时序数据的处理方法的又一示意图。
图4A是示出根据本公开的实施例的时序数据的处理方法的又一流程图。
图4B是示出根据本公开的实施例的时序数据的处理方法的又一示意图。
图4C是示出根据本公开的实施例的时序数据的处理方法的再一示意图。
图5是示出根据本公开实施例的时序数据的处理装置的结构图。
图6是示出根据本公开实施例的处理时序数据的电子设备的结构图。
具体实施方式
为了使得本公开的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
在本说明书和附图中,具有基本上相同或相似步骤和元素用相同或相似的附图标记来表示,且对这些步骤和元素的重复描述将被省略。同时,在本公开的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性或排序。
为便于描述本公开,以下介绍与本公开有关的概念。
图1是示出时序数据的处理方法100的示意图。
参考图1,时序数据的处理方法100对时序数据101进行处理,以提取出特定时序片段102、103、104和105。时序数据可以是任何按时间顺序记录的数据列,例如心电数据、呼吸检测数据、人口变化数据和经济变化数据等。特定时序片段102、103、104和105的时长可能相同也可能不同。这些特定时序片段的组合方式可以用于表征该时序数据的统计特性和变化规律。例如在图1中的时序数据中,特定时序片段总是以时序片段102、103、104、105这样的组合方式重复出现。
通常情况下,时序数据是包含噪声的并且数据高度偏斜的。数据偏斜是指特定的数据非均匀的分布在整个样本数据中的情况。以心电数据为例。心电数据是包含噪声的。具体地,心电数据通常是连续采集的,并且所采集的心电信号通常较弱且不可避免地包括各种噪声,诸如工频干扰、电极接触噪声、人体运动、肌电干扰、基线漂移和呼吸时心电振幅变化、设备和仪器噪声等。此外,心电数据也是数据高度偏斜的数据。对于心脏病患者而言,有意义的数据是心率失常时刻的数据。然而,心电数据中的大部分数据都是正常节律,心率失常并非频繁长期发作的。为处理这样的时序数据,提出了包括基于阈值的方法、小波变换法、主成分分析方法、基于复合模型的方法等。
其中,基于阈值的方法采用基于阈值的数字滤波器来衰减时序数据中的噪声和消除波动基线。基于阈值的数字滤波器包括Savitsky-Golay平滑滤波器(SGSF)、高通滤波器和微分器等。小波变换方法是基于多分辨率小波来识别上述的特定时序片段102、103、104和105。该方法利用时序数据的基本小波的特征来识别各个时序片段。然而,在该方法中,一旦确定了基本小波,就必须使用该基本小波进行所有的信号分析,这使得小波变换方法不能广泛的适用于不同种类的时序数据。主成分分析(PCA)方法线性地将时序数据转换成一个新的坐标系统,该方法可以在保留信息数据的同时进行模式识别和降维。基于复合模型的方法将隐马尔可夫模型(HMM)与阈值相结合,并将其应用于特定时序片段的识别。
然而,上述时序数据处理方法中模型的超参数是固定的,其对于时序数据的处理效果主要依赖于超参数的选择。因此,这些方法将无法自适应地应用于不同种类的时序数据的处理。同时,这些方法主要是应用于均匀分布的数据并且很难自适应地处理噪声扰动,因此,对于噪声高度复杂并且数据偏斜严重的时序数据(例如心电数据),这些方法并不能取得理想的效果。
因此,本公开提出了一种改进的时序数据处理方法,该方法通过自动地提取时序数据的时序基模式,并据此构造时序基模式库,然后利用该时序基模式库对于待识别时序数据进行特定时序片段的识别,能够显著地提高时序数据的分析处理的效果,尤其是在取值连续、噪声成分复杂并且数据偏斜严重的时序数据中识别特定时序片段,根据本公开的时序数据处理方法可以取得明显的效果。
图2A是示出根据本公开实施例的时序数据的处理方法200的流程图。图2B是示出根据本公开实施例的时序数据的处理方法200的示意图。
根据本公开的实施例的时序数据的处理方法200可以应用于任何的电子设备中,例如智能手机、平板电脑、台式计算机、多核计算机、服务器等。该方法还可以通过该电子设备的中央处理单元或图像处理单元配合相应的计算机程序代码来执行。
首先,在步骤S201,按照目标函数,将时序数据划分为多个数据片段。其中,目标函数使多个数据片段之间的相似度最大化。
通常,时序数据包括多个帧的数据,每帧数据表示在某个时间点的采样值。每个数据片段包括时序数据中的连续多个帧。上述的目标函数可以采用多种方式来实现。例如,目标函数可以通过两两比较根据不同划分方式所划分的数据片段之间的相似度,来确定哪一种划分方式能够使得多个数据片段之间的相似度最大化。假设时序数据中包括1000帧的数据,并要将该时序数据划分为2个数据片段。对于该时序数据则存在1000种划分方式。例如,第一种划分方式可以是将该时序数据划分为前300帧为一个数据片段,后700帧为一个数据片段。第二种划分方式还可以把该时序数据划分为前500帧为一个数据片段,后500帧为一个数据片段。此时,目标函数将计算每种划分方式所获得的数据片段之间的相似度。例如,目标函数将计算前300帧的数据片段和后700帧的数据片段之间相似度。在计算了所有划分方式的数据片段之间的相似度后,目标函数可以通过排序,从而获得能够使数据片段之间的相似度最大化的划分方式。当然,目标函数还可以通过其他的方式来获得使多个数据片段之间的相似度最大化的时序数据划分方式,本公开不对目标函数的具体实现方式进行限制,只要能实现获得相似度最大化的多个数据片段即可。
目标函数还可以将时序数据分成3个或更多个数据片段。本公开不对数据片段的数量进行限制。但由于分成的数据片段越多,目标函数所需要的计算资源越多。因此,可以根据电子设备的计算资源来确定数据片段的数量。通常情况下,为提高运算效率,在每次迭代中,目标函数可以仅将时序数据分成两个或三个数据片段。参照图2B,此时,目标函数将时序数据划分成了两个数据片段X{xi}和Y{yj},其中,xi和yj分别表示数据片段X和Y中的任意一帧。
可选地,被划分而成的数据片段需满足一定的条件,以保证数据片段的可读性。例如,对于心电数据而言,每一个心拍可以被划分为P波、Q波、R波、S波、T波。对于一个心拍而言最有意义的是由Q波、R波和S波共同组成的QRS波群。对于成人而言,QRS波群通常持续0.06-0.1s,而小孩的QRS波群的持续时间通常更短。因此为了识别QRS波群,心电数据所划分而成的数据片段的最短时长通常不低于0.005s。对于其他的时序数据,也可以采用类似的方式设置数据片段的时长阈值。例如,对于股票数据,时长阈值可能不小于1小时。
可选地,目标函数可以通过相似度函数来计算数据片段之间的相似度。相似度计算函数可以是以下函数中的任一项:余弦相似度计算函数、欧几里得距离计算函数、曼哈顿距离计算函数、明可夫斯基距离计算函数、皮尔森相关系数计算函数。相似度计算函数还可以是通过上述函数中的一个或多个函数计算所得到的相似度的平均值。其中,余弦相似度计算函数是指将数据片段中作为向量空间中的两个向量,并计算两个向量夹角的余弦值。余弦值越接近于1,则说明这两个数据片段越相似。欧几里得距离计算函数、曼哈顿距离计算函数、明可夫斯基距离计算函数分别指计算多个数据片段之间的欧几里得距离、曼哈顿距离和明可夫斯基距离,并将这些距离作为数据片段之间的相似度衡量标准。
在步骤S202,对于所述多个数据片段中的至少一个数据片段,进行迭代操作。具体地,迭代操作包括步骤S2021至S2024。
在步骤S2021,将上述的至少一个数据片段作为更新时序片段。在步骤S2022,按照目标函数,将更新时序片段划分为多个更新数据片段。
参照图2B,假设在步骤S201中将时序数据分成了两个数据片段X{xi}和Y{yj}。则在步骤S2021中则将数据片段X{xi}和Y{yj}分别作为更新时序片段进行下一步分割。此时,如果数据片段X此时已经满足了迭代停止条件,则可以不对数据片段X进行迭代操作。假设数据片段X和数据片段Y均不满足迭代停止条件,则继续执行步骤S2022-S2024。
在步骤S2022中,采用步骤S201中的目标函数来对更新时序片段进行分割。例如,参见图2B,利用目标函数,数据片段X可以继续被分为两个相似度最大化的两个更新数据片段X1和X2。数据片段Y则可以继续被分为两个相似的更新数据片段Y1和Y2,或三个相似的更新数据片段Y1’、Y2’和Y3’。
在步骤S2023中,将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分。在步骤S2024中,将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式。
迭代停止条件可以有多种,并且可以根据时序数据的特性的不同而不同。本公开不对迭代停止条件的设置进行进一步的限制,只要获得的时序基模式库能满足该时序数据的分析要求即可。例如,对于心电数据而言,迭代停止条件可以是获得了满足了时长阈值的更新数据片段。例如,在图2B中,假设时序数据是心电数据,并且在某次迭代过程中,获得了更新数据片段Z1和Z2。此时,假设Z1满足了迭代停止条件(例如,Z1的时长已经满足时长阈值),此时将不再对Z1进行继续划分,此时Z1可以作为时序基模式。而假设Z2未满足迭代停止条件(例如,Z2的时长仍大于0.06s),则需要将Z2作为更新时序片段,并按照目标函数进行下一次划分,直至满足迭代停止条件为止。
在步骤S203,利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式。
例如,在图2B中,Z1已经满足了时序基模式的要求,可以将Z1加入时序基模式库。
时序基模式库中存储了所有来自时序数据的时序基模式,这些时序基模式可以用于识别与时序数据具有相似特征的待识别时序数据。可选地,时序基模式库中的时序基模式可以是两两不同的。因此,在构建时序基模式库时可以采用各种方式来保证其中的时序基模式的唯一性。例如,如果时序基模式库中已存在与候选时序数据基模式Z1相同的时序基模式,则不将时序基模式Z1加入至时序基模式库中,而是直接将Z1抛弃。例如,还可以在完成所有的数据片段的迭代后,将所有的时序基模式加入时序基模式库中,然后再删除重复的时序基模式。
可选地,还可以向时序基模式添加基模式标识。例如,对于心电数据而言,可以向波形与P波类似的时序基模式添加P波标识。类似地,可以向其他时序基模式添加Q波标识、R波标识、S波标识和T波标识中的任意一个。
上述的时序基模式库可以用于与时序数据相同类型的数据的识别。例如,假设使用一个心率失常的患者的心电数据构建了用于检测心率失常的特定时序片段的时序基模式库。这样的时序基模式库可以用于识别其他心率失常的患者的心电数据。
方法200可以直接利用任意时序数据来构建该类型的时序数据的基模式库,而不需要构建超参数固定的模型。相比于通常的时序数据处理方法,方法200的适应性和鲁棒性更高,可以自适应地应用于各种不同种类的时序数据的处理。方法200中的多个时序基模式可能对应于同一个基模式标识,因此,对于一个特定时序片段,方法200自适应地构建了可用于识别特定时序片段的多个时序基模式,其可以更准确地、更全面地识别与该时序数据类似的待识别时序数据中的类似特定时序片段。
图3A是示出根据本公开的实施例的时序数据的处理方法200的又一流程图。图3B是示出根据本公开的实施例的时序数据的处理方法200的又一示意图。
参见图3A和图3B,可选地,时序数据的处理方法200还包括步骤S301。
在步骤S301中,按照时序基模式的时长,对时序基模式库中不同时长的时序基模式进行排序。在步骤S302中,按照时序基模式的数值,对时序基模式库中同一时长的时序基模式进行排序。
在图3B中,假设在方法200的步骤S203之后,已经构建了时序基模式库A。此时,时序基模式库A中的时序基模式是无序排列的。为了更方便地使用时序基模式库A,可以将时序基模式库A的时序基模式以字典序进行排列。字典序是指将时长短的时序基模式排在时序长的时序基模式之前,并将数值较小的时序基模式排在数值较大的时序基模式之前。具体地,假设时序基模式库中包括时序基模式A{“3454”、“44”、“11”、“779”、“132”、“12”},则将时序基模式库A排序后形成的时序基模式库B可以是{“11”、“12”、“44”、“132”、“779”、“3454”}。通过这样的排序方式,不仅可以将时长较短时序基模式排在靠前的位置,还可以将相似度较高的时序基模式排在相互靠近的位置,更便于向时序基模式添加基模式标识。经排序后,可以获得时序基模式库B。时序基模式库B将更便于时序数据中的特定时序片段的识别。
可选地,时序数据的处理方法200还包括步骤S303-S305,其可以用于对时序基模式库进行去噪。
在步骤S303中,从时序基模式库选取第一时序基模式和第二时序基模式。其中,第一时序基模式的时长小于第二时序基模式的时长。在步骤S304中,从第二时序基模式中获取目标基模式片段。在目标基模式片段与第一时序基模式的相似度大于等于相似度阈值的情况下,在步骤S305中,将所述时序基模式库中的第二时序基模式更新为所述目标基模式片段。在目标基模式片段与第一时序基模式的相似度小于相似度阈值的情况下,不更新第二时序基模式。
由于在通常情况下,时序数据是包含噪声的。因此,根据时序数据而构建的时序基模式中也是包含噪声的。相比于时长较短的时序基模式,时长较长的时序基模式(包括较多数据的时序基模式)中更可能包括了更多的噪声。例如,在图3B中,假设已排序的时序基模式库B(或未排序的时序基模式库A)中包括时长较短的第一时序基模式和时长较长的第二时序基模式。第二时序基模式中包括与第一时序基模式相似的时序片段(例如,第二时序基模式中的灰色的目标基模式片段)。这样的第一时序基模式和第二时序基模式都可能被添加相同的基模式标识。在这样的情况下,仅通过第二时序数据中的灰色片段就可以向第二时序片段添加基模式标识,而不需要白色片段的数据。据此,第二时序基模式中的白色片段可以被认定为噪声。据此,可以将第二时序基模式替换为灰色的目标基模式片段,以实现对第二时序基模式去噪的目的。
当然,如果第二时序基模式中不包括与第一时序基模式相似的片段,则可以不更新第二时序基模式。此时,可以从时序基模式库中选取第三时序基模式。第三时序基模式的时长短于第二时序基模式。然后可以类似地将第三时序基模式与第二时序基模式相比较,以确定第二时序基模式是否包括与第三时序基模式相似的片段。在所有时长短于第二时序基模式的时序基模式与第二时序基模式都不相似的情况下,可以确定第二时序基模式中的噪声较少,可不再对第二时序基模式去噪。
具体地,可以采用上述的相似度函数中的任意一个来衡量目标基模式片段与第一时序基模式之间的相似度,并且还可以预先设置相似度阈值。
在上述的步骤S303-S306中,较长时长的时序基模式被替换成了较短时长的时序基模式,从而减少了较长时长的时序基模式中的噪声。同时,减少了时序基模式库的整体大小,起到对时序基模式库的压缩作用。
相比于在未排序的时序基模式库A,在已排序的时序基模式库B中执行步骤S303-S306的效率更高。因为可以始终使用排序靠前的时序基模式作为第一时序基模式,并将这些时序基模式与排序靠后的时序基模式进行比较。由此,当在第二时序基模式中已经剔除了与第一时序基模式不相似的片段(噪声),将可以不再使用其他时长短于第二时序基模式的时序基模式与第二基模式进行比较,提高整个压缩降噪的过程的效率。
可选地,方法200还可以包括步骤S307。在步骤S307,在存在重复的时序基模式的情况下,删除重复的时序基模式。通过删除重复的时序基模式可以更进一步压缩时序基模式库的大小,以避免使用重复的时序基模式进行特定时序片段的识别,进而提高了特定时序片段的识别的效率。
图4A是示出根据本公开的实施例的时序数据的处理方法的又一流程图。图4B是示出根据本公开的实施例的时序数据的处理方法的又一示意图。图4C是示出根据本公开的实施例的时序数据的处理方法的再一示意图。
参考图4A、图4B和图4C,可以使用利用时序数据构建的时序基模式库来识别待识别时序数据中的特定时序片段。
可选地,时序数据的处理方法200还包括步骤S401至步骤S404。
在步骤S401,获取待识别时序数据。图4B中示例性地示出了时序数据和待识别时序数据。时序数据和待识别时序数据的统计特性和变化趋势大体上是近似的。因此,通过上述的时序基模式库可以用于识别待识别时序数据的特定时序片段。
在步骤S402,按照时序基模式库中的时序基模式,将待识别时序数据划分为多个待识别数据段。在步骤S403,对于多个待识别数据段中的至少一个待识别数据段,将该待识别数据段转换为与其对应的基模式标识。
具体地,可以按照基模式时长顺序和/或基模式数值顺序选择所述时序基模式库中的时序基模式。根据所选的时序基模式,在待识别时序数据中划分待识别数据段。其中,待识别数据段与时序基模式之间的相似度大于等于相似度阈值。
例如,假设时序基模式库是以上述的字典序排序的时序基模式库B。则可以按时序基模式库B中的时序基模式的排序方式,一一选取时序基模式来与待识别时序数据进行比较。假设待识别时序数据包括1000帧,时序基模式库B中最短的时序基模式为30帧,次短的时序基模式为35帧。则可以将待识别时序数据的前30帧数据作为待识别数据段。待识别数据段将与30帧长的时序基模式一一进行比较,如果找到相似度大于相似度阈值的时序基模式,则将待识别数据段转换为与该时序基模式对应的基模式标识。然后继续划分接下来的970帧数据,直至待识别时序数据中的所有数据均被转换完成。所有数据均转换完成之后,即可得到由基模式标识组成的数列-基模式标识数列。如果没有找到相似度大于相似度阈值的时序基模式,则可以将待识别时序数据的前35帧重新划分为待识别数据段,然后再与时序基模式库中时长为35帧的时序基模式进行比较。以此类推,直至完成整个时序基模式库的遍历。
假设遍历了整个时序基模式库B仍不能找到与待识别数据段相似度大于相似度阈值的时序基模式,则可以抛弃当前未识别的第一帧数据,从第二帧数据开始重新划分待识别数据段,直至找到相似度大于相似度阈值的时序基模式。
图4C示出了待识别时序数据被转换成基模式标识数列的一个示例。经过上述步骤,待识别时序数据从第一帧到最后一帧,被划分成了多个待识别数据段,并经过与时序基模式库相比较之后,多个待识别数据段中的全部或部分待识别数据段被转换成了基模式标识。这些基模式标识根据时序顺序组成了基模式标识数列。例如,心电数据就可以被转化为“PQRSTNNPQRST…”(N标识表示心脏未收缩时的数据)这样的基模式标识数列。正如上所述,心电数据中的特定时序片段是“QRS”标识的组合。因此,在基模式标识数列识别特定的基模式标识组合是有意义的。
经过步骤S401-S403,待识别数据被转换为由基模式标识组成的基模式标识数列。基模式标识组合是由部分基模式标识组合而成的,例如,其可以是以特定顺序排列的多个基模式标识(例如心电数据中的“QRS”基模式标识组合)。基模式标识组合也可以包括特定数量的某些基模式标识,例如,在5个连续的基模式标识中存在3个相同的基模式标识。
由上可知,特定的基模式标识组合可以表示特定时序片段。例如,在心电数据中,由Q波、R波和S波组成的时序片段通常是心脏收缩的时刻。因此,如果上述的基模式标识数列中包括足够多的基模式标识组合-“Q波-R波-S波”的组合,则可以判断成功识别了待识别数据中的特定时序片段。
然而,由于待识别数据和时序数据通常是在不同条件下针对不同对象采集的,因此待识别数据和时序数据之间可能存在数据整体特性上的不同。例如,如图4B所示,待识别数据的幅度值整体上小于时序数据的幅度值。假设图4B中的时序数据和待识别数据都是心电数据。其中,时序数据的波峰-波谷值波动区间为10,并基于这样的时序数据构建了时序基模式库。待识别数据的波峰-波谷值波动区间为2,且待识别数据中包括多个心拍。此时,直接使用时序基模式库可能将待识别数据中的心拍部分仍识别为噪声,或者将心拍中的R波识别成P波,进而只能识别出多个心拍中的少量心拍。例如,假设波峰-波谷值波动区间为2的待识别数据应当被转化为基模式标识数列“PQRSTNNNNPQRSTNNN”(包括两个“QRS”标识组合)。如果使用波峰-波谷值波动区间为10的时序数据来构建时序基模式库,则待识别数据可能会被转化为基模式标识数列“NNPNNNNNNPNNNNNN”(包括零个“QRS”标识组合)。这样被转化而成的基模式标识数列并没有包括足够多的“QRS”标识。可见,直接使用时序基模式库可能无法很好的匹配待识别数据。因此,需要对待识别数据进行预处理以取得更好的效果。
在步骤S404,将待识别时序数据转化为基模式标识数列,在该基模式标识数列识别的基模式标识组合不满足预定条件的情况下,则使用一个或多个超参数更新待识别时序数据。
可选地,预定条件可以是没有识别到足够多个数的特定时序片段。预定条件还可以是识别出的特定时序片段不够准确。本公开不对预定条件进行限制,只要能够获得良好的待识别时序数据的特定时序片段的识别效果即可。
再次以心电数据为例进行说明。心电数据分析领域存在两个对心电数据分析影响较大的超参数:能量阈值T和R波-R波之间的间隔周期R。可以使用这两个超参数来更新待识别时序数据。以图4B为例,由于待识别时序数据的幅值小于时序数据,因此需要对待识别时序数据的幅值进行调整。此时,可以以初始T和初始R来调整待识别时序数据。例如,假设待识别数据中的最大值为X。则可以将待识别数据中的每帧的数据值k调整为k1=k*T/X。由此,可以保证待识别数据中每帧的数据值不超过初始阈值T。然后可以将调整后的待识别时序数据进行再次识别。如果仍不能获得足够多的基模式标识组合,则可以调整初始T。例如,使用收缩系数c将初始T调整为T1=T*c。然后再将待识别数据中的每帧的数据值k调整为k2=k*T1/X。以此类推,直至获得足够的基模式标识组合。
以下示出了以在心电数据中检测出QRS波段的示例算法。
在该算法中的输入为待识别时序数据-初始ECG记录X以及收缩系数c。该算法的输出为QRS波段的起始波段-Q波的索引。获取Q波的索引的函数为BasicQRSDetector(X,T,R)。在BasicQRSDetector(X,T,R)函数中,初始ECG记录X在经过T和R调整之后与时序基模式库进行比较,从而获取其QRS波段中的Q波的索引位置。通过这样的方式,实现了特定时序片段QRS波段的分割和识别。
通过使用收缩系数的方式,根据本公开实施例的时序数据的处理方法200不需要固定模型超参数,而是通过一次次地递归地更新超参数的值,从而将待识别时序数据调整到最能识别出足够特定时序片段的状态,进而可以消除大部分由于设备采样条件不同、采样对象不同造成的影响,进一步提高了识别特定时序片段的准确性。
图5是示出根据本公开实施例的时序数据的处理装置500的结构图。
如图5所示,时序数据的处理装置500,包括:初始化电路501、迭代电路502和输出电路503。
初始化电路501用于按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化。
迭代电路502用于对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;将至少一个数据片段作为更新时序片段;按照目标函数,将更新时序片段划分为多个更新数据片段;将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式。
输出电路503用于利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式。
具体地,上述初始化电路501、迭代电路502和输出电路503可以用执行计算机指令的处理器实现也可以用电路实现。举例来说,初始化电路501、迭代电路502和输出电路503可以是包括计算机指令的一个或多个物理块或者逻辑块,举例来说,其中的计算机指令可以被构建为对象、过程或函数。尽管如此,初始化电路501、迭代电路502和输出电路503中的计算机指令无需物理地位于一起,而是可以包括存储在不同物理块上的不同的计算机指令。本领域技术人员可以搭建与上述计算机指令对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。上述电路还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
参见图6,处理时序数据的电子设备600可以包括处理器601和存储器602。处理器601和存储器602可以通过总线603相连。
处理器601可以根据存储在存储器602中的程序执行各种动作和处理。具体地,处理器601可以是一种集成电路芯片,具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以是X86架构或ARM架构的。
存储器602存储有计算机指令,在计算机指令被处理器601执行时实现上述时序数据的处理方法200。存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意,本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本公开还提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现时序数据的处理方法200。类似地,本公开实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。应注意,本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本公开实施例的基于时序数据的处理方法、装置、计算机可读存储介质,可以解决目前的时序数据分析技术在面对噪声高度复杂并且数据偏斜严重的时序数据无法取得良好的分析效果等技术问题,提高了时序数据处理的准确性。
需要说明的是,附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
一般而言,本公开的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。
在上面详细描述的本发明的示例实施例仅仅是说明性的,而不是限制性的。本领域技术人员应该理解,在不脱离本发明的原理和精神的情况下,可对这些实施例或其特征进行各种修改和组合,这样的修改应落入本发明的范围内。
Claims (11)
1.一种时序数据的处理方法,包括:
按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化;
对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;
将所述至少一个数据片段作为更新时序片段;
按照目标函数,将更新时序片段划分为多个更新数据片段;
将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;
将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式;
利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式;
在所述时序基模式库选取第一时序基模式和第二时序基模式,其中,第一时序基模式的时长小于第二时序基模式的时长;
从所述第二时序基模式中获取目标基模式片段;
在目标基模式片段与第一时序基模式的相似度大于等于相似度阈值的情况下,将所述第二时序基模式更新为所述目标基模式片段;以及
在目标基模式片段与第一时序基模式的相似度小于相似度阈值的情况下,不更新所述第二时序基模式。
2.如权利要求1所述的时序数据的处理方法,还包括:
按照时序基模式的时长,对时序基模式库中不同时长的时序基模式进行排序;
按照时序基模式的数值,对时序基模式库中同一时长的时序基模式进行排序。
3.如权利要求1所述的时序数据的处理方法,其中,利用候选时序数据基模式构造时序基模式库,还包括:删除重复的时序基模式。
4.如权利要求1所述的时序数据的处理方法,其中,
所述相似度是通过相似度函数计算的,所述相似度函数为以下函数中的任一项:余弦相似度计算函数、欧几里得距离计算函数、曼哈顿距离计算函数、明可夫斯基距离计算函数、皮尔森相关系数计算函数。
5.如权利要求1-4任一项所述的时序数据的处理方法,还包括:
对所述时序基模式库中的每一个时序基模式,添加基模式标识。
6.如权利要求5所述的时序数据的处理方法,还包括:
获取待识别时序数据;
按照时序基模式库中的时序基模式,将所述待识别时序数据划分为多个待识别数据段;以及
对于所述多个待识别数据段中的至少一个待识别数据段,将所述待识别数据段转换为与其对应的基模式标识。
7.如权利要求6所述的时序数据的处理方法,其中,按照时序基模式库中的时序基模式,将所述待识别时序数据划分为多个待识别数据段包括:
按照基模式时长顺序和/或基模式数值顺序选择所述时序基模式库中的时序基模式;
根据所选的时序基模式,在待识别时序数据中划分待识别数据段,所述待识别数据段与所述时序基模式之间的相似度大于等于相似度阈值。
8.如权利要求6所述的时序数据的处理方法,还包括:
将待识别时序数据转换为基模式标识数列,所述基模式标识数列由基模式标识组成;
在从所述基模式标识数列中识别的基模式标识组合不满足预定条件的情况下,则使用一个或多个超参数更新待识别时序数据。
9.一种时序数据的处理装置,包括:
初始化电路,用于按照目标函数,将时序数据划分为多个数据片段,其中,所述目标函数使所述多个数据片段之间的相似度最大化;
迭代电路,用于对于所述多个数据片段中的至少一个数据片段,进行以下迭代操作;
将所述至少一个数据片段作为更新时序片段;
按照目标函数,将更新时序片段划分为多个更新数据片段;
将所述多个更新数据片段中未满足迭代停止条件的更新数据片段作为更新时序片段以继续进行划分;
将所述多个更新数据片段中满足迭代停止条件的更新数据片段作为时序基模式,和
输出电路,用于利用时序基模式构造时序基模式库,其中,所述时序基模式库包括多个时序基模式,
所述输出电路在所述时序基模式库选取第一时序基模式和第二时序基模式,其中,第一时序基模式的时长小于第二时序基模式的时长;从所述第二时序基模式中获取目标基模式片段;在目标基模式片段与第一时序基模式的相似度大于等于相似度阈值的情况下,将所述第二时序基模式更新为所述目标基模式片段;以及在目标基模式片段与第一时序基模式的相似度小于相似度阈值的情况下,不更新所述第二时序基模式。
10.一种处理时序数据的电子设备,包括:
处理器;
存储器,存储器存储有计算机指令,该计算机指令被处理器执行时实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-8中的任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936511.7A CN110688414B (zh) | 2019-09-29 | 2019-09-29 | 时序数据的处理方法、装置和计算机可读存储介质 |
US17/605,278 US20220218261A1 (en) | 2019-09-29 | 2020-09-28 | Method, apparatus and electronic device for processing time series data |
PCT/CN2020/118489 WO2021058007A1 (zh) | 2019-09-29 | 2020-09-28 | 时序数据的处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936511.7A CN110688414B (zh) | 2019-09-29 | 2019-09-29 | 时序数据的处理方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688414A CN110688414A (zh) | 2020-01-14 |
CN110688414B true CN110688414B (zh) | 2022-07-22 |
Family
ID=69111076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910936511.7A Active CN110688414B (zh) | 2019-09-29 | 2019-09-29 | 时序数据的处理方法、装置和计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220218261A1 (zh) |
CN (1) | CN110688414B (zh) |
WO (1) | WO2021058007A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688414B (zh) * | 2019-09-29 | 2022-07-22 | 京东方科技集团股份有限公司 | 时序数据的处理方法、装置和计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271501A (zh) * | 2018-09-19 | 2019-01-25 | 北京容联易通信息技术有限公司 | 一种音频数据库的管理方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8417344B2 (en) * | 2008-10-24 | 2013-04-09 | Cyberonics, Inc. | Dynamic cranial nerve stimulation based on brain state determination from cardiac data |
CN103729528B (zh) * | 2012-10-15 | 2017-06-16 | 富士通株式会社 | 对序列进行处理的装置和方法 |
CN103853749B (zh) * | 2012-11-30 | 2017-04-26 | 国际商业机器公司 | 基于模式的音频检索方法和系统 |
CN104714953A (zh) * | 2013-12-12 | 2015-06-17 | 日本电气株式会社 | 时序数据的模体识别方法和装置 |
US9361329B2 (en) * | 2013-12-13 | 2016-06-07 | International Business Machines Corporation | Managing time series databases |
JP6596924B2 (ja) * | 2014-05-29 | 2019-10-30 | 日本電気株式会社 | 音声データ処理装置、音声データ処理方法、及び、音声データ処理プログラム |
CN107480135B (zh) * | 2017-07-31 | 2022-01-07 | 京东方科技集团股份有限公司 | 数据处理方法、医学用语处理系统和医学诊疗系统 |
CN108680181B (zh) * | 2018-04-23 | 2021-04-23 | Oppo广东移动通信有限公司 | 无线耳机、基于耳机检测的计步方法及相关产品 |
CN109800217B (zh) * | 2018-12-28 | 2023-06-06 | 南京天溯自动化控制系统有限公司 | 一种连续异常能耗数据的修复方法、装置及电子设备 |
CN110188180B (zh) * | 2019-05-31 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 相似问题的确定方法、装置、电子设备及可读存储介质 |
CN110688414B (zh) * | 2019-09-29 | 2022-07-22 | 京东方科技集团股份有限公司 | 时序数据的处理方法、装置和计算机可读存储介质 |
-
2019
- 2019-09-29 CN CN201910936511.7A patent/CN110688414B/zh active Active
-
2020
- 2020-09-28 WO PCT/CN2020/118489 patent/WO2021058007A1/zh active Application Filing
- 2020-09-28 US US17/605,278 patent/US20220218261A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271501A (zh) * | 2018-09-19 | 2019-01-25 | 北京容联易通信息技术有限公司 | 一种音频数据库的管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220218261A1 (en) | 2022-07-14 |
WO2021058007A1 (zh) | 2021-04-01 |
CN110688414A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al Rahhal et al. | Deep learning approach for active classification of electrocardiogram signals | |
Oh et al. | Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats | |
Liu et al. | Real-time multilead convolutional neural network for myocardial infarction detection | |
Zhang et al. | Automated detection of myocardial infarction using a gramian angular field and principal component analysis network | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
Mahmud et al. | Deeparrnet: An efficient deep cnn architecture for automatic arrhythmia detection and classification from denoised ecg beats | |
CN111150387B (zh) | 心电图模板匹配方法、装置、计算机设备及存储介质 | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
WO2021249493A1 (zh) | T波起点的确定方法、装置、存储介质及计算机程序产品 | |
Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
Dhyani et al. | Arrhythmia disease classification utilizing ResRNN | |
CN110688414B (zh) | 时序数据的处理方法、装置和计算机可读存储介质 | |
Lee et al. | Abnormal beat detection from unreconstructed compressed signals based on linear approximation in ECG signals suitable for embedded IoT devices | |
Keshtkar et al. | Discriminant analysis between myocardial infarction patients and healthy subjects using Wavelet Transformed signal averaged electrocardiogram and probabilistic neural network | |
CN112818315B (zh) | 一种融合多特征信息的心电信号身份识别方法及系统 | |
Marasović et al. | Cardiac arrhythmia detection using DCT based compressive sensing and random forest algorithm | |
CN110786847A (zh) | 心电信号的建库方法和分析方法 | |
KR20230147911A (ko) | 심장 진단을 위한 심전도 신호의 qrs 검출 방법 및 장치 | |
Lee et al. | Comparative neural network based on template cluster for automated abnormal beat detection in electrocardiogram signals | |
Hameed et al. | Electrocardiogram ECG For Human Identification Based on Machine Learning Techniques and deep learning | |
Nasim et al. | An Evolutionary-Neural Mechanism for Arrhythmia Classification With Optimum Features Using Single-Lead Electrocardiogram | |
CN116350199B (zh) | 一种动态心电图心搏模板生成方法及系统 | |
Xie et al. | Model based sparse feature extraction for biomedical signal classification | |
Nallikuzhy et al. | Spatial enhancement of ECG using multiple joint dictionary learning | |
Gregg et al. | Finding similar ECGs in a large 12-lead ECG database |
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 |