CN110755062B - 基于符号转移熵的生理器官网络非平衡性量化分析方法 - Google Patents
基于符号转移熵的生理器官网络非平衡性量化分析方法 Download PDFInfo
- Publication number
- CN110755062B CN110755062B CN201911034910.0A CN201911034910A CN110755062B CN 110755062 B CN110755062 B CN 110755062B CN 201911034910 A CN201911034910 A CN 201911034910A CN 110755062 B CN110755062 B CN 110755062B
- Authority
- CN
- China
- Prior art keywords
- organ
- physiological
- information
- network
- inflow
- 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
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
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
-
- 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
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/389—Electromyography [EMG]
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Mathematical Analysis (AREA)
- Epidemiology (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开一种基于符号转移熵的生理器官网络非平衡性量化分析方法,应用于生理网络构建和非平衡性分析领域,针对现有技术中缺少对生理器官网络进行表征以及量化分析网络整体的非平衡性的有效方法,本发明首先利用符号转移熵构建有向加权的生理器官信息交换网络,然后利用器官网络节点信息流入和流出的概率分布差异性量化生理网络的非平衡性,生理器官信号的统计信息流入和流出量反映了该器官信息量增减状态,可有效地表征器官的平衡性特征,生理器官网络整体的信息量的出入差异性是衡量动态生理网络的非平衡有效指标。
Description
技术领域
本发明属于生理网络构建和非平衡性分析领域,特别涉及一种生理器官非平衡性的量化分析技术。
背景技术
当前的生理系统研究已经从器官、组织到细胞甚至分子等微观层面给与了大量的精力和关注,然而对于生理系统之间整体性的关联性研究并不多。人体是一个不同层次复杂生理系统的综合体,多器官交互作用实现复杂的生理功能,因此从网络角度对各个器官之间的交互关系进行分析能够更加全面地展现人体整体性的特征。
网络科学借助图论和统计物理为研究自然界中复杂系统演化机制、规律等提供了新的视角和方法。网络分析通常包含两部分,一是网络模型的构建,二是网络特征提取。生理网络的构建一方面是基于解剖学的结构性网络分析,另外则是利用生理器官产生的信号进行统计关联性分析。由于生理信号采集方式的发展,各类生理信号从各个角度对生理运行特点进行了有效的记录,因此在生理信号的分析中发挥了重要的作用。在生理特征提取分析中,通常包括平均路径长度、聚类系数和网络度分布三个基本参数,在有向网络中还可以考虑节点的出度、入度等统计指标,而加权网络则可以利用节点权重、边权重等参数进行描述。然而对于复杂多变的生理系统而言,系统结构复杂、并且不断演化,甚至每个节点本身都可能是一个非线性系统,有时需要更加有针对性参数用以描述生理网络特征,其中如何衡量网络平衡性便是动态生理网络中重要的研究内容。
对于时间序列而言,非平衡性指标主要指序列涨落的差异性,系统平衡是指序列随着时间或是幅度的反转而表现出来的统计特性不变的性能。在复杂系统分析中,系统非平衡性是系统能量的吸收和释放差异性的指标。对于生理器官网络而言,采用何种方式表征以及量化分析网络整体的非平衡性是一个亟需解决的问题。
发明内容
为解决上述技术问题,本发明提出一种基于符号转移熵的生理器官网络非平衡性量化分析方法,通过生理器官网络整体的信息量的出入差异性表征动态生理网络的非平衡特性。
本发明采用的技术方案为:一种基于符号转移熵的生理器官网络非平衡性量化分析方法,包括:
S1、对采集的各器官生理电信号进行排列符号化,得到各器官生理电信号对应的生理符号序列;
S2、计算生理符号序列之间的转移熵,并根据计算得到的转移熵生成信息转移矩阵;
S3、根据步骤S2的信息转移矩阵计算各器官的信息流入量和流出量以及生理网络的信息交换总量;
S4、根据步骤S3得到的各器官的信息流入量和流出量以及生理网络的信息交换总量,计算各器官信息流入量和流出量的概率分布;
S5、根据步骤S4得到的各器官信息流入量和流出量的概率分布,计算生理网络的非平衡性。
进一步地,步骤S1包括以下分步骤:
S11、将当前器官生理电信号进行相空间重构,得到对应的多维向量;
S12、将多维向量中的元素按照从小到大排序,根据排序后向量中元素坐标构建初始排列类型;
S13、若向量中存在等值元素,则按照等值元素出现的次序进行排列,得到该器官生理电信号对应的符号序列。
进一步地,步骤S2所述的生理符号序列之间的转移熵计算式为:
其中,TY→X表示器官Y转移至器官X的统计信息量,器官Y的生理电信号对应的符号序列表示为{yt},器官X的生理电信号对应的符号序列表示为{xt},xt+1表示{xt}在t+1时刻的元素,表示{xt}在当前时刻t长度为k的元素,表示{yt}在当前时刻t长度为l的元素,表示xt+1、的联合概率,表示在以及条件下xt+1的条件概率,表示在条件下xt+1的条件概率。
进一步地,步骤S3所述器官的信息流入量计算式为:
所述器官的信息流出量计算式为:
其中,Ti out表示器官i的信息流入量,Ti,j表示器官i转移至器官j的统计信息量;
生理网络的信息交换总量计算式为:
进一步地,步骤S4所述器官信息流入量的概率分布为该器官对应的信息流入量与生理网络的信息交换总量的比值;所述器官信息流出量的概率分布为该器官对应的信息流出量与生理网络的信息交换总量的比值。
进一步地,步骤S5包括以下分步骤:
S51、计算各器官信息流入量与流出量的概率差异性:
S52、根据各器官信息流入量与流出量的概率差异性,计算生理网络的非平衡性:
本发明的有益效果:本发明为了解决生理器官网络的非平衡性分析,利用符号转换熵构建了有向加权的信息关联网络,然后利用不同生理信号之间信息交换的概率分布差异性量化了生理网络的非平衡性。转移熵对数据模型没有限制,有助于特性未知且非线性的生理信号之间的关联性分析,并且能够通过节点之间信息交换的非对称性有效地检测因果关系。利用排列符号法简化生理信号转移熵的联合概率计算,有效地提高了生理网络构建的效率。利用不同生理器官之间信息交换的概率分布的差异性有效地量化了生理网络的非平衡性,并且表征了不同生理状态下的生理网络的非平衡性特征。
附图说明
图1为本发明的方案流程图;
图2为本发明实施例提供的睡眠状态与清醒状态下的生理器官之间的信息交换量;
其中,图2(a)为清醒状态下的生理器官之间的信息交换量,图2(b)为睡眠状态下的生理器官之间的信息交换量;
图3为本发明实施例提供的睡眠状态与清醒状态下的生理器官的信息流入流出量;
其中,图3(a)为清醒状态下的生理器官流入信息量,图3(b)为睡眠状态下的生理器官流入信息量,图3(c)为清醒状态下的生理器官流出信息量,图3(d)为睡眠状态下的生理器官流出信息量;
图4为本发明实施例提供的睡眠状态与清醒状态下的生理器官网络的非平衡性;
其中,图4(a)为m=3时睡眠状态与清醒状态下的生理器官网络的非平衡性,图4(b)为m=4时睡眠状态与清醒状态下的生理器官网络的非平衡性。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图1-4对本发明内容进一步阐释。
如图1所示,本发的基于符号转移熵的生理器官网络非平衡型量化分析方法,包括以下步骤:
S1、假设N个生理电信号D={d1,d2,…,dN},每组信号表示为dn={e(1),e(2),…,e(L)}
其中,L为长度,对所有生理信号进行排列符号化。
需要注意的是,为了方便表示,本实施例在步骤S1中假定所有通道信号长度为统一的L,实际应用中不同通道信号长度可以不同,这并不影响符号化和转移熵的计算。
上述步骤S1具体包括以下分步骤
S12、将多维向量中的元素按照从小至大的顺序进行排序,e(j1)≤e(j2)≤…≤e(jm),其中若有等值元素,按照其出现的次序进行排列,排列类型表示为π={j1,j2,…,jm}。由此得到N组生理符号序列S={s1,s2,…,sN},其中每组符号序列表示为sn={π(1),π(2),…,π(L-(m-1)τ)}。
S2、假定第i和第j组符号序列si和sj分别表示为{yt}和{xt},则si至sj的转移熵表示为Ti,j=Ti→j,转移熵公式如下,式中表示Y转移至X的统计信息量。
TY→X表示器官Y转移至器官X的统计信息量,器官Y的生理电信号对应的符号序列表示为{yt},器官X的生理电信号对应的符号序列表示为{xt},xt+1表示{xt}在t+1时刻的元素,表示{xt}在当前时刻t长度为k的元素,表示{yt}在当前时刻t长度为l的元素,表示xt+1、的联合概率,表示在以及条件下xt+1的条件概率,表示在条件下xt+1的条件概率。
根据不同生理器官之间的转移信息量Ti,j构建生理信号之间信息转移矩阵TN*N,式中n为第n个生理器官。
以下结合具体数据对本发明的效果进行说明:
本发明选用了MIT-BIH公共数据库中睡眠数据,其中生理信号采样频率为250Hz,仿真实验在Windows操作系统中的matlab2017a软件(本发明分析结果并不会受到操作系统以及matlab软件版本的影响)。我们从数据集中提取了18组清醒和睡眠(睡眠II期)多导生理信号,每组时长1分钟,包含6个生理活动信号,分别是ECG(Electrocardiogram)、EEG(Electroencephalogram)、BP(Blood Pressure)、RESP(Respiration)、EOG(Electro-Oculogram)和EMG(Electromyography),并进一步将EEG分为δ(0.5-3.9Hz)、θ(4-7.9Hz)、α(8-12.9Hz)、σ(13-15.9Hz)和β(16-25Hz)五个波段作为单独生理时间序列进行分析。睡眠信号中的伪迹已被手动删除,并根据AASM的睡眠标准对睡眠生理信号进行了滤波处理。
在现实生理系统分析中,当前元素往往和前一个时刻元素存在关联性,因此转移熵的参数设为k=l=1,并将排列符号化的参数m选为2至4,τ选为1至5。首先看一下生理器官的信息转移矩阵。以m=3、τ=3为例,10个器官之间的信息交换如图2所示,从中可以看出,相比于如图2(b)所示的睡眠状态,如图2(a)所示的清醒状态下的生理器官之间的有更高的信息交换量。清醒和睡眠状态下生理器官信息交换网络如图3所示,图中网络节点直径的大小和该节点信息流的总量相关,如图3(a)中节点直径越大,则该器官信息流入总量越大。由图3(a)所示的清醒状态器官流入信息量,图3(b)所示的睡眠状态器官流入信息量,图3(c)所示的清醒状态器官流出信息量,以及图3(d)所示的睡眠状态器官流出信息量可知,不同器官之间的信息流入流出量存在较大的差异性。由符号转移熵表征的任意器官之间的双向信息流是不同,因此我们可以根据器官信息流入流出的概率分布差异性对生理网络的非平衡性进行量化分析。
下面对生理器官信息流入流出总量进行统计,然后计算其概率分布差异性。当m=2时,排列序列中只有(12)和(21)两种排列类型,对不同睡眠状态的没有有效识别效果,当m=3和4时,排列类型数量分别增加至6和24个,此时睡眠生理网络非平衡性能够实现一致的识别。清醒和睡眠状态下生理器官网络的非平衡性如图4所示,从图4(a)中可以看出,当m=3时,清醒状态生理信息网络的非平衡性低于睡眠状态(p<0.05)。由于现实生理信号的结构化特征未知,排列符号化的参数往往采用枚举和试错的方式进行选择,通过对结果的对比分析发现,在本发明中m=3具有最佳的生理网络非平衡性分析效果。结合图2和图3中的结果可知,虽然清醒状态下个生理器官之间的信息交换量高于睡眠状态,但是生理器官网络信息流入和流出的差异性低于睡眠,即睡眠生理网络有更高的非平衡性。总之,本发明提出的基于符号转移熵的生理器官网络非平衡性量化分析方法能够有效地反映不同生理状态下的生理信息交换网络。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种基于符号转移熵的生理器官网络非平衡性量化分析方法,包括:
S1、对采集的各器官生理电信号进行排列符号化,得到各器官生理电信号对应的生理符号序列;
S2、计算生理符号序列之间的转移熵;其特征在于,包括:
S21、根据计算得到的转移熵生成信息转移矩阵;
S3、根据步骤S21的信息转移矩阵计算各器官的信息流入量和流出量以及生理网络的信息交换总量;
S4、根据步骤S3得到的各器官的信息流入量和流出量以及生理网络的信息交换总量,计算各器官信息流入量和流出量的概率分布;
S5、根据步骤S4得到的各器官信息流入量和流出量的概率分布,计算生理网络的非平衡性。
2.根据权利要求1所述的一种基于符号转移熵的生理器官网络非平衡性量化分析方法,其特征在于,步骤S1包括以下分步骤:
S11、将当前器官生理电信号进行相空间重构,得到对应的多维向量;
S12、将多维向量中的元素按照从小到大排序,根据排序后向量中元素坐标构建初始排列类型;
S13、若向量中存在等值元素,则按照等值元素出现的次序进行排列,得到该器官生理电信号对应的符号序列。
5.根据权利要求1所述的一种基于符号转移熵的生理器官网络非平衡性量化分析方法,其特征在于,步骤S4所述器官信息流入量的概率分布为该器官对应的信息流入量与生理网络的信息交换总量的比值;所述器官信息流出量的概率分布为该器官对应的信息流出量与生理网络的信息交换总量的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034910.0A CN110755062B (zh) | 2019-10-29 | 2019-10-29 | 基于符号转移熵的生理器官网络非平衡性量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034910.0A CN110755062B (zh) | 2019-10-29 | 2019-10-29 | 基于符号转移熵的生理器官网络非平衡性量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110755062A CN110755062A (zh) | 2020-02-07 |
CN110755062B true CN110755062B (zh) | 2020-07-07 |
Family
ID=69334178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034910.0A Active CN110755062B (zh) | 2019-10-29 | 2019-10-29 | 基于符号转移熵的生理器官网络非平衡性量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110755062B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368244B (zh) * | 2020-03-05 | 2023-05-26 | 湖南大学 | 浮动平台振动响应同步性判定方法及其灾变预测方法 |
CN113656906B (zh) * | 2021-07-29 | 2023-10-03 | 浙江大学 | 一种面向燃气轮机的非平稳多变量因果关系分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014167460A1 (en) * | 2013-04-12 | 2014-10-16 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods to monitor consciousness |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CN110210003A (zh) * | 2019-05-31 | 2019-09-06 | 中国科学院海洋研究所 | 一种基于符号转移熵数据统计分析方法 |
-
2019
- 2019-10-29 CN CN201911034910.0A patent/CN110755062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014167460A1 (en) * | 2013-04-12 | 2014-10-16 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods to monitor consciousness |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CN110210003A (zh) * | 2019-05-31 | 2019-09-06 | 中国科学院海洋研究所 | 一种基于符号转移熵数据统计分析方法 |
Non-Patent Citations (2)
Title |
---|
基于改进的符号转移熵的生理电信号耦合网络研究;吴莎;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20150515;全文 * |
基于符号转移熵和平均能量耗散的睡眠分期分析;井晓茹;《中国优秀硕士学位论文全文数据库(电子期刊)医药卫生科技辑》;20120715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110755062A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement | |
Wang et al. | A global and updatable ECG beat classification system based on recurrent neural networks and active learning | |
Acharya et al. | Classification of heart rate data using artificial neural network and fuzzy equivalence relation | |
Wang et al. | From time series to complex networks: The phase space coarse graining | |
Liu et al. | Energy efficient telemonitoring of physiological signals via compressed sensing: A fast algorithm and power consumption evaluation | |
Cai et al. | A graph-temporal fused dual-input convolutional neural network for detecting sleep stages from EEG signals | |
CN110755062B (zh) | 基于符号转移熵的生理器官网络非平衡性量化分析方法 | |
CN102831288B (zh) | 生理参数指标运算系统及方法 | |
CN103989485A (zh) | 基于脑电波的人体疲劳度评价方法 | |
Ibaida et al. | Cloud enabled fractal based ECG compression in wireless body sensor networks | |
Verma et al. | An accurate missing data prediction method using LSTM based deep learning for health care | |
Catley et al. | Extending CRISP-DM to incorporate temporal data mining of multidimensional medical data streams: A neonatal intensive care unit case study | |
Moses et al. | A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data | |
CN105574322A (zh) | 生理参数指标运算系统及方法 | |
Jin et al. | Classification of normal and abnormal ECG records using lead convolutional neural network and rule inference | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Murali et al. | An efficient adaptive filter architecture for improving the seizure detection in EEG signal | |
Feng et al. | Building and training a deep spiking neural network for ECG classification | |
Li et al. | Identification of emotion using electroencephalogram by tunable Q-factor wavelet transform and binary gray wolf optimization | |
CN111816270B (zh) | 大规模肝脏电子病历病变分类的属性并行约简Spark方法 | |
Tian et al. | Confidence interval estimation of a common correlation coefficient | |
Chou et al. | Age-related alterations in the sign series entropy of short-term pulse rate variability | |
Qiu et al. | HFS‐LightGBM: A machine learning model based on hybrid feature selection for classifying ICU patient readmissions | |
Abdali-Mohammadi | 12 lead electrocardiography signals compression by a new genetic programming based mathematical modeling algorithm | |
Chen et al. | A profile likelihood approach for longitudinal data analysis |
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 |