CN110897633A - 基于深度神经网络的心电信号分割方法 - Google Patents
基于深度神经网络的心电信号分割方法 Download PDFInfo
- Publication number
- CN110897633A CN110897633A CN201911302052.3A CN201911302052A CN110897633A CN 110897633 A CN110897633 A CN 110897633A CN 201911302052 A CN201911302052 A CN 201911302052A CN 110897633 A CN110897633 A CN 110897633A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- deep neural
- electrocardiosignal
- wave
- 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.)
- Pending
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
- A61B5/24—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
-
- 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
- A61B5/7264—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
Abstract
本发明提出的一种基于深度神经网络的心电信号分割方法,包括:对样本数据进行人工标注,获得样本数据中每一个数据点在P波、PR间期、QRS波群、ST段、T波和TP间期之中的归属;然后结合样本数据训练深度神经网络F;将作为测试数据的标注数据格式的心电信号数据输入训练后的深度神经网络F,获得测试数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率;针对测试数据的每一个数据点,获取其最大概率对应的波形为其归属波形。本发明中,通过训练深度神经网络F对测试数据中的每一个数据进行标注,从而获得每一个数据点的归属波形,实现对测试数据的智能分割。
Description
技术领域
本发明涉及心电学技术领域,尤其涉及一种基于深度神经网络的心电信号分割方法。
背景技术
心电信号(Electrocardiogram,ECG)记录了心脏跳动的电生理信号,心脏信号的不同片段对应了心脏电生理信号的不同来源。例如,每一次心搏(Beat)可以依次分割为P波(P wave)、PR间期(PR interval)、QRS波群(QRS complex)、ST段(ST segment)、T波(Twave)和TP间期(TP interval)等,分别对应了心房、心室的除极、复极活动,以及跳动的间歇期。
心电信号的分割(ECG segmentation)是心电图解读(ECG interpretation)的第一步,只有正确识别出一整段ECG的不同片段,并把他们对应到相应的心脏活动上,才能进一步对心脏对健康状况进行分析。
传统的ECG分割采用模式识别方法,基于专家的领域知识,首先识别最为明显的QRS波群,再根据QRS波群的位置得到P波和T波的位置,再计算其他的片段分割点。例如,对于QRS波群,使用信号处理的相关手段,增强QRS波群位置附近的信号强度,减弱其他位置的信号强度,再采用阈值的手段筛选出QRS波群。这种方式具有如下缺陷。
1、QRS波群、P波、T波等形态多样,难以准确描述,模式识别方法很难考虑到所有可能出现的情况,一旦出现了未曾考虑的情况,精度就会出现严重下降。
2、QRS波群、P波、T波等形态多样,难以准确描述,模式识别方法很难考虑到所有可能出现的情况,一旦出现了未曾考虑的情况,精度就会出现严重下降。尤其是,不同健康状态下,人的QRS波群、P波、T波表现不同。例如,正常窦性心律的QRS波群较窄,而发生了室性早博的QRS波群会明显增宽。同时,不同人的心脏的位置、方向、活动强度也不一样,会导致各种波的形态在相同的导联上出现巨大差异,分割点也会产生位移。容易受到噪声的干扰。
3、采集过程中会遇到肢体移动、临近设备电干扰、肌肉电干扰等不同类型噪音,这些噪音叠加在ECG信号上就会使得形态发生改变,降低模式识别方法的精度。
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分割方法。
本发明提出的一种基于深度神经网络的心电信号分割方法,包括:
S1、首先设置标准数据格式,获得标准数据格式的心电信号数据作为样本数据,标准数据格式为导联数为c,采样率为预设频率;
S2、对样本数据进行人工标注,获得样本数据中每一个数据点在P波、PR间期、QRS波群、ST段、T波和TP间期之中的归属;
S3、然后结合样本数据训练深度神经网络F,深度神经网络F的输入为标准数据格式的心电信号数据,输出为输入的心电信号数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率;
S4、将作为测试数据的标注数据格式的心电信号数据输入训练后的深度神经网络F,获得测试数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率;
S5、针对测试数据的每一个数据点,获取其最大概率对应的波形为其归属波形。
优选的,对于智能硬件设备采集的单导联心电信号,导联数c为1;对于医院心电科采集的标准心电信号,导联数c为12。
优选的,预设频率为500Hz。
优选的,标准数据格式的心电信号数据的获取方式为:首先获得心电信号数据,然后通过信号重采样,将心电信号数据的采样率归一化为预设频率。
优选的,对于采样率不等于预设频率的心电信号数据,采用上采样或者下采样进行频率转换。
优选的,步骤S3具体包括以下步骤:
S31、构建深度神经网络F,其输入为心电信号数据Xi,输出为预测概率Pi,其中,矩阵Pi中第j行第k列的元素为心电信号数据Xi上第j个数据点归属于第k种波形的概率,k为P波、PR间期、QRS波群、ST段、T波和TP间期对应的序号;
S32、采用均值为0、方差为1的正态分布随机初始化深度神经网络F中的参数;
S33、定义目标函数Obj,度量真实标签Yi和预测概率Pi之间的差异;
S34、通过对目标函数Obj求最优解,使用随机梯度下降法对深度神经网络F中的参数进行迭代训练。
优选的,步骤S33中,目标函数为:
如果Yi,k[j]=1,CrossEntropy(Yi,k[j],Pi,k[j])=-log(Pi,k[j]);
如果Yi,k[j]=0,CrossEntropy(Yi,k[j],Pi,k[j])=-log(1-Pi,k[j]);
m为心电信号数据的数量,ni为第i条心电信号数据的长度,Yi,k[j]为心电信号数据Xi中第j个数据点属于第k种波形的真实概率,Pi,k[j]为深度神经网络F对心电信号数据Xi中第j个数据点属于第k种波形的预测概率。
优选的,步骤S34具体为:通过对目标函数Obj求最优解,使用随机梯度下降法,每次选取一批样本数据,通过前向传播和反向传播对神经网络模型F的参数进行梯度更新;记录目标函数的变化曲线,经过多轮的迭代,当目标函数的数值变化趋势小于或等于预设阈值时,保存网络模型参数,得到训练完毕的深度神经网络F。
优选的,深度神经网络F采用单层的循环神经网络(Recurrent Neural Network,RNN)、全连接神经网络(Fully Connected Neural Network,FCN)或者转换神经网络(Transformer Neural Network)。
优选的,深度神经网络F中采用短连接(Short Cut)和/或U连接(U-net)增加模型深度。
本发明提出的一种基于深度神经网络的心电信号分割方法,通过训练深度神经网络F对测试数据中的每一个数据进行标注,从而获得每一个数据点的归属波形,实现对测试数据的智能分割。
本发明中,建立基于人工智能的深度学习方法,依靠深度学习强大的数据学习能力和灵活的组成架构,进行ECG信号的自动分割,替代了传统的基于专家领域知识的模式识别分割方法,进一步提高了心电信号智能分割的精确度。
本发明提出的是一种基于深度学习的方法,其依赖于数据,而不依赖与规则,在医疗信息化快速发展并积累了大量数据的今天,具有更大的使用潜力和价值。
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分割方法流程图;
图2为图1中深度神经网络的训练流程图。
具体实施方式
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分割方法,包括以下步骤。
S1、首先设置标准数据格式,获得标准数据格式的心电信号数据作为样本数据,标准数据格式为导联数为c,采样率为预设频率。对于智能硬件设备采集的单导联心电信号,导联数c为1;对于医院心电科采集的标准心电信号,导联数c为12。
本实施方式中,首先获得心电信号数据,然后通过信号重采样,将心电信号数据的采样率归一化为预设频率。预设频率为500Hz。本实施方式中,如果原始心电信号的采样率不是500Hz,则可以用下采样或者上采样将采样率转换为500Hz。
S2、对样本数据进行人工标注,获得样本数据中每一个数据点在P波、PR间期、QRS波群、ST段、T波和TP间期之中的归属。
具体的,本实施方式中,对于样本数据Xi中每一个数据点,可采用6维二值向量进行人工标注,记作Yi[j]={0,1}6,表示样本数据Xi中第j个数据点的类别。具体的,Yi[j]={0,1}6中,第j个数据点所属波形对应的元素为1,其他元素为0。假设6维二值向量中,六列从前到后一次对应P波、PR间期、QRS波群、ST段、T波和TP间期,如果第j个数据点为P波,则Yi[j]={1,0,0,0,0,0}。
S3、然后结合样本数据训练深度神经网络F,深度神经网络F的输入为标准数据格式的心电信号数据,输出为输入的心电信号数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率。
具体的,本实施方式中深度神经网络F的输入记作其中,ni是第i条数据的长度,c为导联数;深度神经网络F的输出记作即Pi为ni×6的矩阵,矩阵中每一行对应心电信号数据Xi中的一个数据点,每一列对应P波、PR间期、QRS波群、ST段、T波和TP间期中的一种;Pi中每一个元素表示其对应的数据点归属于对应的波形类别的概率,具体为大于或等于0并小于或等于1的数值。
S4、将作为测试数据的标注数据格式的心电信号数据输入训练后的深度神经网络F,获得测试数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率。
S5、针对测试数据的每一个数据点,获取其最大概率对应的波形为其归属波形。
本实施方式中,通过训练深度神经网络F对测试数据中的每一个数据进行标注,从而获得每一个数据点的归属波形,实现对测试数据的智能分割。
如此,本实施方式中,建立基于人工智能的深度学习方法,依靠深度学习强大的数据学习能力和灵活的组成架构,进行ECG信号的自动分割,替代了传统的基于专家领域知识的模式识别分割方法,进一步提高了心电信号智能分割的精确度。
参照图2,本实施方式中,深度神经网络F的构建和训练具体包括以下步骤:
S31、构建深度神经网络F,其输入为心电信号数据Xi,输出为预测概率Pi,其中,矩阵Pi中第j行第k列的元素为心电信号数据Xi上第j个数据点归属于第k种波形的概率,k为P波、PR间期、QRS波群、ST段、T波和TP间期对应的序号、
本实施方式中,深度神经网络F采用单层的循环神经网络、全连接神经网络或者转换神经网络。具体实施时,深度神经网络F中还可采用短连接和/或U连接增加模型深度。
S32、采用均值为0、方差为1的正态分布随机初始化深度神经网络F中的参数。
S33、定义目标函数Obj,度量真实标签Yi和预测概率Pi之间的差异。具体的,本实施方式中,目标函数为:
如果Yi,k[j]=1,CrossEntropy(Yi,k[j],Pi,k[j])=-log(Pi,k[j]);
如果Yi,k[j]=0,CrossEntropy(Yi,k[j],Pi,k[j])=-log(1-Pi,k[j]);
m为心电信号数据的数量,ni为第i条心电信号数据的长度,Yi,k[j]为心电信号数据Xi中第j个数据点属于第k种波形的真实概率,Pi,k[j]为深度神经网络F对心电信号数据Xi中第j个数据点属于第k种波形的预测概率。
S34、通过对目标函数Obj求最优解,使用随机梯度下降法对深度神经网络F中的参数进行迭代训练。具体的,本步骤中,通过对目标函数Obj求最优解,使用随机梯度下降法,每次选取一批样本数据,通过前向传播和反向传播对神经网络模型F的参数进行梯度更新;记录目标函数的变化曲线,经过多轮的迭代,当目标函数的数值变化趋势小于或等于预设阈值时,保存网络模型参数,得到训练完毕的深度神经网络F。
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分割方法,其特征在于,包括:
S1、首先设置标准数据格式,获得标准数据格式的心电信号数据作为样本数据,标准数据格式为导联数为c,采样率为预设频率;
S2、对样本数据进行人工标注,获得样本数据中每一个数据点在P波、PR间期、QRS波群、ST段、T波和TP间期之中的归属;
S3、然后结合样本数据训练深度神经网络F,深度神经网络F的输入为标准数据格式的心电信号数据,输出为输入的心电信号数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率;
S4、将作为测试数据的标注数据格式的心电信号数据输入训练后的深度神经网络F,获得测试数据中每一个数据点分别归属P波、PR间期、QRS波群、ST段、T波和TP间期的概率;
S5、针对测试数据的每一个数据点,获取其最大概率对应的波形为其归属波形。
2.如权利要求1所述的基于深度神经网络的心电信号分割方法,其特征在于,对于智能硬件设备采集的单导联心电信号,导联数c为1;对于医院心电科采集的标准心电信号,导联数c为12。
3.如权利要求1所述的基于深度神经网络的心电信号分割方法,其特征在于,预设频率为500Hz。
4.如权利要求3所述的基于深度神经网络的心电信号分割方法,其特征在于,标准数据格式的心电信号数据的获取方式为:首先获得心电信号数据,然后通过信号重采样,将心电信号数据的采样率归一化为预设频率。
5.如权利要求4所述的基于深度神经网络的心电信号分割方法,其特征在于,对于采样率不等于预设频率的心电信号数据,采用上采样或者下采样进行频率转换。
8.如权利要求7所述的基于深度神经网络的心电信号分割方法,其特征在于,步骤S34具体为:通过对目标函数Obj求最优解,使用随机梯度下降法,每次选取一批样本数据,通过前向传播和反向传播对神经网络模型F的参数进行梯度更新;记录目标函数的变化曲线,经过多轮的迭代,当目标函数的数值变化趋势小于或等于预设阈值时,保存网络模型参数,得到训练完毕的深度神经网络F。
9.如权利要求6所述的基于深度神经网络的心电信号分割方法,其特征在于,深度神经网络F采用单层的循环神经网络、全连接神经网络或者转换神经网络。
10.如权利要求9所述的基于深度神经网络的心电信号分割方法,其特征在于,深度神经网络F中采用短连接和/或U连接增加模型深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302052.3A CN110897633A (zh) | 2019-12-17 | 2019-12-17 | 基于深度神经网络的心电信号分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302052.3A CN110897633A (zh) | 2019-12-17 | 2019-12-17 | 基于深度神经网络的心电信号分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110897633A true CN110897633A (zh) | 2020-03-24 |
Family
ID=69826173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911302052.3A Pending CN110897633A (zh) | 2019-12-17 | 2019-12-17 | 基于深度神经网络的心电信号分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110897633A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657921A (zh) * | 2020-07-01 | 2020-09-15 | 杭州脉流科技有限公司 | 心电异常实时监测方法、装置、计算机设备和存储介质 |
CN112115782A (zh) * | 2020-08-12 | 2020-12-22 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
CN112603328A (zh) * | 2020-12-24 | 2021-04-06 | 浙江大学温州研究院 | 一种基于深度学习的心电图波段标注系统 |
CN113133767A (zh) * | 2021-03-22 | 2021-07-20 | 浙江工业大学 | 一种结合波段提取和多特征融合的心电信号分类方法 |
CN113197583A (zh) * | 2021-05-11 | 2021-08-03 | 广元市中心医院 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
CN113274029A (zh) * | 2021-05-25 | 2021-08-20 | 安徽安凯汽车股份有限公司 | 一种客车驾驶员生命体征信息监测系统 |
CN114119968A (zh) * | 2021-12-16 | 2022-03-01 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
CN116421152A (zh) * | 2023-06-13 | 2023-07-14 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN117357130A (zh) * | 2023-12-07 | 2024-01-09 | 深圳泰康医疗设备有限公司 | 基于人工智能的心电图数字化曲线分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108324265A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心音特征定位分析心电图心音图的方法 |
US20190090774A1 (en) * | 2017-09-27 | 2019-03-28 | Regents Of The University Of Minnesota | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
-
2019
- 2019-12-17 CN CN201911302052.3A patent/CN110897633A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190090774A1 (en) * | 2017-09-27 | 2019-03-28 | Regents Of The University Of Minnesota | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks |
CN108324265A (zh) * | 2018-02-26 | 2018-07-27 | 河南善仁医疗科技有限公司 | 基于心音特征定位分析心电图心音图的方法 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657921A (zh) * | 2020-07-01 | 2020-09-15 | 杭州脉流科技有限公司 | 心电异常实时监测方法、装置、计算机设备和存储介质 |
CN112115782B (zh) * | 2020-08-12 | 2023-09-29 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
CN112115782A (zh) * | 2020-08-12 | 2020-12-22 | 安徽心之声医疗科技有限公司 | 一种基于深度哈希神经网络的心电信号身份识别的方法 |
CN112237431A (zh) * | 2020-09-08 | 2021-01-19 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
CN112603328A (zh) * | 2020-12-24 | 2021-04-06 | 浙江大学温州研究院 | 一种基于深度学习的心电图波段标注系统 |
CN113133767A (zh) * | 2021-03-22 | 2021-07-20 | 浙江工业大学 | 一种结合波段提取和多特征融合的心电信号分类方法 |
CN113197583A (zh) * | 2021-05-11 | 2021-08-03 | 广元市中心医院 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
CN113274029A (zh) * | 2021-05-25 | 2021-08-20 | 安徽安凯汽车股份有限公司 | 一种客车驾驶员生命体征信息监测系统 |
CN114119968B (zh) * | 2021-12-16 | 2022-05-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
CN114119968A (zh) * | 2021-12-16 | 2022-03-01 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
CN116421152A (zh) * | 2023-06-13 | 2023-07-14 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN116421152B (zh) * | 2023-06-13 | 2023-08-22 | 长春理工大学 | 一种睡眠分期结果确定方法、装置、设备及介质 |
CN117357130A (zh) * | 2023-12-07 | 2024-01-09 | 深圳泰康医疗设备有限公司 | 基于人工智能的心电图数字化曲线分割方法 |
CN117357130B (zh) * | 2023-12-07 | 2024-02-13 | 深圳泰康医疗设备有限公司 | 基于人工智能的心电图数字化曲线分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110897633A (zh) | 基于深度神经网络的心电信号分割方法 | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
Cox et al. | Digital analysis of the electroencephalogram, the blood pressure wave, and the electrocardiogram | |
KR100748184B1 (ko) | 신경망을 이용한 심전도 기반의 심장질환 진단장치 및방법 | |
WO2005107587A2 (en) | Signal analysis method | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
Gawande et al. | Heart diseases classification using convolutional neural network | |
JP2021186686A (ja) | コヒーレントアルゴリズムを使用したローカルノイズ識別 | |
Banerjee et al. | Deep neural network based missing data prediction of electrocardiogram signal using multiagent reinforcement learning | |
CN110403601A (zh) | 基于深度学习的心电信号qrs波群识别方法 | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
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 | |
CN110236529A (zh) | 一种基于modwt和lstm的多导联心律失常智能诊断方法 | |
CN115500841A (zh) | 一种融合时域与频域特征深度学习的室性早搏定位方法 | |
CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
Pawar et al. | Transition detection in body movement activities for wearable ECG | |
Phinyomark et al. | Applications of variance fractal dimension: A survey | |
Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
Sakhare et al. | An approach for ECG beats classification using adaptive neuro fuzzy inference system | |
CN115470832B (zh) | 一种基于区块链的心电信号数据处理方法 | |
Graja et al. | Multiscale hidden Markov model applied to ECG segmentation | |
CN110934579A (zh) | 一种基于深度学习的心电数据分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |