CN111329455A - 一种非接触式的心血管健康评估方法 - Google Patents
一种非接触式的心血管健康评估方法 Download PDFInfo
- Publication number
- CN111329455A CN111329455A CN202010191926.9A CN202010191926A CN111329455A CN 111329455 A CN111329455 A CN 111329455A CN 202010191926 A CN202010191926 A CN 202010191926A CN 111329455 A CN111329455 A CN 111329455A
- Authority
- CN
- China
- Prior art keywords
- beat
- bcg
- data
- cardiac cycle
- ecg
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种非接触式的心血管健康评估方法,包括以下步骤:S101:数据获取及预处理;S102:提取HRV特征;S103:设计迁移学习分类器对数据进行测试。对已有的BCG、ECG信号分别提取HRV特征,再通过迁移学习分类器建立模型,待测病人的BCG、ECG信号输入到迁移学习分类器中,经过迁移学习分类器产生健康判别结果,检测方便、结果准确度较高。
Description
技术领域
本发明涉及医学领域,具体涉及一种非接触式的心血管健康评估方法。
背景技术
心血管疾病已经严重影响到人们的生命健康,截至到2018年,中国有2.9亿心血管疾病患者,且患病率处于持续上升阶段。因此心血管健康的日常监测、评价和疾病诊断有十分重要的意义。
目前常规的心血管健康状况监测方式包括心电图(Electrocardiograph,即ECG),心阻抗图、超声心动图、心音图等,都需要使用电极等与皮肤接触来进行监测,并且对监测环境、条件以及操作人员都有一定的要求。这些限制都会给使用者造成身体上的不适和生活上的不便,不适用于长期的日常监测。
心冲击信号(Ballistocardiogram,即BCG)是一种无创、无接触式的心血管功能监测手段。它主要是由血液循环过程中造成的人体重力的变化引起的。与其他心血管检测技术相比,它具有无创、无直接接触和检测方便等优势,特别适合进行长期监测。
使用BCG信号计算心率变异性(HeartRateVariability,即HRV)进而去评估用户健康状况是一种可行的方案。心率变异性产生于自主神经系统对心脏窦房结的调节,反映了心脏本身窦性心律不齐的程度以及神经体液因素与窦房结之间相互作用的平衡关系。
想要正确地使用通过BCG所计算的HRV进行心脏健康状况的判别,需要大量的数据支持。但目前BCG信号缺少较为完善的大型数据库且采集带有用户心脏健康状况标签的BCG数据较为繁琐。
目前网络上存在较多ECG的带有标签的高质量的数据库,而ECG与BCG具有同源性,因此两者所计算的HRV具有很大的相关性,但同时由于BCG的产生滞后于ECG,两者计算所得HRV又有一定的差别,故ECG不能直接用于BCG的分析。
综上,需要一种可靠的适用于BCG信号的用户心脏健康状况辅助诊断方法,用于非接触式对用户尤其是心血管疾病高风险人群的心脏健康状况日常监测。
发明内容
为了克服现有技术中的不足,本发明提供一种非接触式的心血管健康评估方法,用于非接触式地对用户心脏状况健康与否的辅助诊断。
为了实现上述目的,本发明的一种非接触式的心血管健康评估方法,包括以下步骤:S101:数据获取及预处理;S102:提取HRV特征;S103:设计迁移学习分类器对数据进行测试。
进一步的,所述S101中包括以下步骤:S1011:采集用户的BCG数据,从数据库下载ECG数据;S1012:将BCG数据进行信号解混,将ECG进行噪音去除;S1013:计算BCG数据逐拍心动周期,计算ECG数据逐拍心动周期;S1014:去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值。
进一步的,所述S102中包括以下步骤:S1021:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV时域特征;S1022:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV频域特征;S1023:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV非线性特征;S1024:对HRV的时域特征、频域特征和非线性特征进行归一化和筛选。
进一步的,所述S103中包括以下步骤:S1031:设置分类器的参数;S1032:将BCG的时域特征、频域特征和非线性特征分为训练集和测试集;将ECG的时域特征、频域特征和非线性特征传入迁移学习模型;S1033:使用BCG的时域特征、频域特征和非线性特征的测试集进行测试;对分类器参数二次调参。
进一步的,在S1012中使用IIR滤波器进行信号解混和噪音去除。
进一步的,在S1013中,使用模板匹配法计算BCG信号逐拍心率,使用PT算法计算ECG逐拍心率。
进一步的,在S1031中,分类器的种类为决策树或SVM,所述分类器的迭代次数N为50。
进一步的,在S1032中,采用随机的方式将训练集和测试集按4:1的比例分配。
有益效果:本发明提供的一种非接触式的心血管健康评估方法,利用BCG与ECG的同源性,使用迁移学习的方法提取海量的ECG数据库中的有用信息,用于对BCG数据进行分类判别,可用于用户对心脏健康状况的日常监测、评估和追踪,且为基于BCG的心率变异性分析用于日常健康评估提供可行方案。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明的流程图;
图2是本发明实施例提供的采集BCG信号图与使用模板匹配算法标记特征点的效果图。
图3为本发明实施例提供的数据库ECG信号图与使用PT算法标记特征点的效果图。
图4是本发明实施例提供的Tradaboost迁移学习的框图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
本实施例提供了一种非接触式的心血管健康评估方法,如图1所示,包括以下步骤:S101:数据获取及预处理;S102:提取HRV特征;S103:设计迁移学习分类器对数据进行测试。
步骤S101中,具体的操作为步骤S1011:采集用户BCG数据。具体是通过光纤、压电陶瓷、压电薄膜或者视频、毫米波雷达等现有方式获取心血管疾病患者样本和健康人样本静息状态下20分钟以上的BCG信号。
本实施例具体采用置于床垫下方的压电陶瓷传感器采集心血管疾病患者和健康人BCG样本数据各50例,每例样本30分钟,压电陶瓷传感器的型号无限定。
同时,从数据库中下载ECG数据,具体是从具有一定权威性的公共数据集中下载带有样本标签(即带有心血管疾病患者和健康人标签)的原始ECG数据。所下载患病样本和健康样本尽量同等数据量,样本例数都应在50例以上,数据总时长需大于50小时。本实施例选择了Physionet数据库中的NSR1、NSR2、INCART、SHAREE、CHF等5个数据集中下载了心血管类疾病患者和健康人群样本各50例共116小时时长的数据。
步骤S1012中:将采集的BCG数据进行信号解混,将下载的ECG进行噪音去除。
具体的,其中BCG信号使用IIR滤波器进行信号解混,是通过使用合适通带频率的IIR滤波器将BCG信号中的呼吸成分和噪声成分等滤除,留下较为纯净的BCG中的心跳震动的成分。除了IIR滤波器,其他可选现有的方法还有小波分解、经验模式分解等。本实施例中,选用通带频率为8Hz-24Hz的6阶巴特沃斯带通滤波器对BCG进行滤波。
其中ECG信号使用IIR滤波器进行噪声去除,是使用合适频率的IIR滤波器将ECG信号中的噪声和基线漂移等去除,得到质量更高的ECG信号。除了IIR滤波器,其他现有可选方法还有滑动平均滤波、小波分解等。本实施例选择0.2Hz-45Hz的6阶巴特沃斯滤波器对ECG进行滤波去除噪音。
步骤S1013,使用模板匹配法计算BCG信号逐拍心动周期,使用PT算法计算ECG逐拍心动周期。
使用现有技术的模板匹配法计算BCG信号逐拍心动周期,具体是使用模板匹配的方式寻找BCG信号特征点,进而结合采样频率计算心动周期。图2展示了本实施例使用模板匹配标记BCG的J波位置的效果,即BCG信号逐拍心动周期。
模板匹配是一种使用模板去跟待处理的对象进行对比计算相似度的思想。常用于图像处理中进行图像相似度的检测,常用于图像相似度的对比,也用于信号处理的领域,进行信号波形相似度的检测。本专利中,先利用初始的BCG信号产生模板,再使用该模板与在后生成的模板(后来收集的BCG信号生成的模板)进行比较,该比较的过程就是模板匹配。
上述J波位置为图2中标记点在时间横轴上点的位置。
使用PT算法计算ECG逐拍心动周期,是通过PT算法的带通滤波、微分、平方、滑窗积分等步骤,较为精准地标记出每拍心跳的R波位置。图3展示了本实施例中使用PT算法标记ECG的R波位置的效果,相邻R波的间隔即为ECG逐拍心动周期。
PT算法是心电处理中特别常用的标记R点的信号处理算法,在专利公开号CN109770920A的基于穿戴式心电信号的紧张情绪判别方法及其系统公开了该PT算法。
上述R波位置为图3中标记点在时间横轴上的位置。
步骤S1014:去除BCG、ECG的逐拍心动周期中的异常值,去除的方法为3δ原则、箱型图分析等,去除因检测错误或发生早搏等引起的异常的心动周期数值点。以便随后计算心率变异性。本实施例采用3δ原则:在正态分布中σ代表标准差,μ代表均值。x=μ即为图像的对称轴3σ原则。数值分布在(μ-σ,μ+σ)中的概率为0.6826数值分布在(μ-2σ,μ+2σ)中的概率为0.9544,数值分布在(μ-3σ,μ+3σ)中的概率为0.9974,可以认为,BCG、ECG的逐拍心动周期的取值几乎全部集中在(μ-3σ,μ+3σ)]区间内,超出这个范围的可能性仅占不到0.3%。超出该范围的即为异常值。
步骤S102包括以下步骤:
步骤S1021:从BCG、ECG逐拍心动周期中提取HRV时域特征,是指从经过步骤S101计算得到得BCG、ECG逐拍心动周期中提取HRV时域特征。提取HRV时域特征的方式包括平均值、标准差、均方根差、峰值、中位数、差分标准差等。
步骤S1022,提取HRV频域特征的方式可以为求解逐拍心动周期序列各频率段的功率等。
步骤S1023,提取HRV非线性特征的方式为求庞加莱图轴长、交感神经指数及各种熵值。
步骤S1024,对各HRV特征进行归一化和筛选,是对HRV进行特征归一化以便分类器使用,然后使用卡方检验、随机森林等方式对各特征的重要性进行排序,根据效果,保留重要程度较高的若干维特征。本实施例经过特征筛选,选择了各类HRV特征共30维。归一化就是把数据变成(0,1)或者(1,1)之间的小数,例如对于一个采样频率为500hz的系统,400hz的归一化频率就为400/500=0.8。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
步骤S103包括以下步骤:
步骤S1031:设置迁移学习分类器的参数,是指设置一些迁移学习分类器的超参数。迁移学习模型种类为特征映射迁移学习模型、样本权重迁移学习模型等。本实施例采用了一种样本权重迁移的分类器Tradaboost:
在本步骤超参数分别设置如下:基分类器种类为决策树或者SVM、迭代次数N为50(数值可根据情况可调)。
步骤S1032:将BCG的HRV特征随机按4:1分为训练集(源域训练数据)和测试集,将BCG的HRV特征训练集作为迁移学习分类器的目标域特征传入迁移学习分类器,将ECG的HRV特征(辅助域训练数据)作为迁移学习分类器的辅助域特征传入迁移学习模型。将ECG中计算得到的HRV特征作为辅助域特征的好处在于:从数据量较大的ECG数据中学习有助于提高目标域数据分类准确性和泛化能力的信息,以提高分类器性能。
步骤S1033,训练迁移学习分类器并使用BCG的HRV测试集进行测试,对迁移学习分类器参数进行二次调参,生成最终分类器。本发明的整体步骤流程图如图1所示,本发明与步骤流程图对应的迁移学习流程图如图4所示。
本实施例使用的Tradaboost分类器是从一种Boosting集成学习分类模型Adaboost算法修改而来,当辅助域样本分类错误时,降低此样本数据采用以下公式调整权重:
βt=∈t/(1-∈t)
其中,βt与β分别为目标域样本和辅助域样本所用的权重调整系数,∈t是上一轮迭代中分类器在目标域上的错误率,n为目标域样本数目,N为总迭代次数。是第t轮迭代中第i个样本的权重。ht(xi)、c(xi)分别为分类器对第i个样本的估计值和其实际值,取值为1或0。
对于新的、需检测的BCG样本(即待分类的BCG样本)进行预处理和特征提取并使用分类器对其进行分类。使用迁移学习训练好的分类器可用于对从BCG数据计算的HRV的分类,从BC6中计算HRV的步骤如S101、S102所示。将从待分类的BCG数据中计算得的HRV特征输入分类器模型,分类器模型输出判别结果:心血管疾病样本、健康样本,并给出可信度估计。
本发明的非接触式的心血管健康评估方法,对已有的BCG、ECG信号分别提取HRV特征,再通过迁移学习分类器建立模型,待测病人的BCG、ECG信号输入到迁移学习分类器中,经过迁移学习分类器产生健康判别结果,检测方便、结果准确度较高。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (9)
1.一种非接触式的心血管健康评估方法,其特征在于,包括以下步骤:
S101:数据获取及预处理;
S102:提取HRV特征;
S103:设计迁移学习分类器对数据进行测试。
2.根据权利要求1所述的一种非接触式的心血管健康评估方法,其特征在于,所述S101中包括以下步骤:
S1011:采集用户的BCG数据,从数据库下载ECG数据;
S1012:将BCG数据进行信号解混,将ECG进行噪音去除;
S1013:计算BCG数据逐拍心动周期,计算ECG数据逐拍心动周期;
S1014:去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值。
3.根据权利要求1所述的一种非接触式的心血管健康评估方法,其特征在于,所述S102中包括以下步骤:
S1021:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV时域特征;
S1022:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV频域特征;
S1023:从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV非线性特征;
S1024:对HRV的时域特征、频域特征和非线性特征进行归一化和筛选。
4.根据权利要求3所述的一种非接触式的心血管健康评估方法,其特征在于,所述S103中包括以下步骤:
S1031:设置分类器的参数;
S1032:将BCG的时域特征、频域特征和非线性特征分为训练集和测试集;将ECG的时域特征、频域特征和非线性特征传入迁移学习模型;
S1033:使用BCG的时域特征、频域特征和非线性特征的测试集进行测试;对分类器参数二次调参。
5.根据权利要求2所述的一种非接触式的心血管健康评估方法,其特征在于,在S1012中使用IIR滤波器进行信号解混和噪音去除。
6.根据权利要求2所述的一种非接触式的心血管健康评估方法,其特征在于,在S1013中,使用模板匹配法计算BCG信号逐拍心率,使用PT算法计算ECG逐拍心率。
7.根据权利要求4所述的一种非接触式的心血管健康评估方法,其特征在于,在S1031中,分类器的种类为决策树或者SVM。
8.根据权利要求4所述的一种非接触式的心血管健康评估方法,所述迁移学习模型为特征映射迁移学习模型、样本权重迁移学习模型。
9.根据权利要求4所述的一种非接触式的心血管健康评估方法,其特征在于,在S1032中,采用随机的方式将训练集和测试集按4:1的比例分配。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675572.XA CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
CN202010191926.9A CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
PCT/CN2020/081533 WO2021184410A2 (zh) | 2020-03-18 | 2020-03-27 | 一种非接触式的心血管健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191926.9A CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675572.XA Division CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111329455A true CN111329455A (zh) | 2020-06-26 |
Family
ID=71174685
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191926.9A Pending CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
CN202110675572.XA Active CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675572.XA Active CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN111329455A (zh) |
WO (1) | WO2021184410A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN114052692A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
WO2022257187A1 (zh) * | 2021-06-11 | 2022-12-15 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995772B (zh) * | 2022-08-08 | 2022-10-21 | 南京三百云信息科技有限公司 | 客户数据迁移存储方法及装置 |
CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
CN116211315B (zh) * | 2023-04-10 | 2023-08-04 | 济南大学 | 一种单导联心电信号辅助诊断方法及诊断终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567780B (zh) * | 2018-12-07 | 2021-01-15 | 中国科学院电子学研究所 | 逐拍心率计算方法、装置、电子设备及存储介质 |
CN110148466B (zh) * | 2019-05-15 | 2022-11-25 | 东北大学 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
-
2020
- 2020-03-18 CN CN202010191926.9A patent/CN111329455A/zh active Pending
- 2020-03-18 CN CN202110675572.XA patent/CN114010171B/zh active Active
- 2020-03-27 WO PCT/CN2020/081533 patent/WO2021184410A2/zh active Application Filing
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336310A (zh) * | 2020-11-04 | 2021-02-09 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN112336310B (zh) * | 2020-11-04 | 2024-03-08 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
WO2022257187A1 (zh) * | 2021-06-11 | 2022-12-15 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN114052692A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
CN114052692B (zh) * | 2021-10-26 | 2024-01-16 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021184410A2 (zh) | 2021-09-23 |
CN114010171B (zh) | 2023-10-20 |
CN114010171A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
CN111329455A (zh) | 一种非接触式的心血管健康评估方法 | |
Sansone et al. | Electrocardiogram pattern recognition and analysis based on artificial neural networks and support vector machines: a review | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Henzel et al. | Atrial fibrillation episodes detection based on classification of heart rate derived features | |
Lai et al. | An automatic system for real-time identifying atrial fibrillation by using a lightweight convolutional neural network | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
Yu et al. | Automatic detection of atrial fibrillation from ballistocardiogram (BCG) using wavelet features and machine learning | |
Kutlu et al. | Arrhythmia classification using waveform ECG signals | |
Xie et al. | Discrete Biorthogonal Wavelet Transform Based Convolutional Neural Network for Atrial Fibrillation Diagnosis from Electrocardiogram. | |
Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
Chumrit et al. | Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine | |
Tyagi et al. | A review on heartbeat classification for arrhythmia detection using ecg signal processing | |
Yesudasu et al. | A Review on Analysis of Cardiac Arrhythmia from Heart Beat Classification | |
Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
Anbalagan et al. | A novel deep learning approach for detection of sleep apnea from ECG signal | |
Belgacem et al. | ECG based human identification using random forests | |
Kandukuri et al. | Constant Q-transform-based deep learning architecture for detection of obstructive sleep apnea | |
Jose | Review on obstructive sleep apnea detection using ecg signals | |
Shaik et al. | Arrhythmia Detection Using ECG-Based Classification with Prioritized Feature Subset Vector-Associated Generative Adversarial Network | |
Taha et al. | A Survey on Classification of ECG Signal Study | |
Lee et al. | Multiscale sample entropy based on discrete wavelet transform for clinical heart rate variability recognition | |
Tropeano et al. | Arrhythmia detection and classification through the analysis of human ECG signal | |
Tecelão et al. | Automated P-wave quality assessment for wearable sensors |
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: 20200626 |