CN111419213A - 一种基于深度学习的ecg心电信号生成方法 - Google Patents
一种基于深度学习的ecg心电信号生成方法 Download PDFInfo
- Publication number
- CN111419213A CN111419213A CN202010167627.1A CN202010167627A CN111419213A CN 111419213 A CN111419213 A CN 111419213A CN 202010167627 A CN202010167627 A CN 202010167627A CN 111419213 A CN111419213 A CN 111419213A
- Authority
- CN
- China
- Prior art keywords
- ecg
- dimensional
- electrocardiosignal
- deep learning
- ecg electrocardiosignal
- 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
- 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
- A61B5/7203—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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度学习的ECG心电信号生成方法,涉及一种ECG心电信号生成技术,为了解决现有带标签的ECG心电信号数据库数据量不足以及数据质量不齐,无法为ECG预测心脏疾病算法提供足够有效的训练数据的问题。本发明通过从数据库中筛选获取原始带标注的ECG心电信号,对ECG心电信号进行数据预处理;使用短时傅里叶变换将经过预处理的ECG心电信号转化成二维信号;使用改进的生成对抗网络对二维信号进行训练,并生成新的二维ECG心电信号时频图谱;使用Griffin Lim相位重构算法还原二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号。有益效果为极大的扩充ECG心电信号数据库,从而推动心电疾病诊断算法的发展,最终为临床心脏疾病诊断提供有效的辅助和支持。
Description
技术领域
本发明涉及一种ECG心电信号生成技术。
背景技术
心电图(Electrocardiogram,ECG)已经成为了协助医生预测诊断心脏疾病的有效工具;最近几年,越来越多的研究人员通过设计高效的算法来提取有用的ECG信息从而实现疾病的自动诊断。目前针对ECG的相关算法研究通常是在现有的数据库例如Physionetdatabase,上进行算法训练和测试,来得到一个具有指导意义的结果,从而评估该算法的可行性,准确率等。
然而,一方面,由于信息量的指数激增,同时数据标注又是一项费时、费力、费钱的工作,所以大量的带有标签的数据十分难以获得,因而现有数据库的数量是有限的和不足的;另一方面,不同的临床条件采集到的数据,会受到环境的影响,比如噪声的程度,采样的频率等等;这些差异会对疾病诊断算法有很大的影响,导致诊断算法的使用范围受限或者诊断效果极差,使其得不到广泛的应用。
因此,获得逼真的人造ECG信号对于提高算法在心电信号处理领域的性能具有重要意义。
发明内容
本发明的目的是为了解决现有带标签的ECG心电信号数据库数据量不足以及数据质量不齐,无法为ECG预测心脏疾病算法提供足够有效的训练数据的问题,提出了一种基于深度学习的ECG心电信号生成方法。
本发明所述的一种基于深度学习的ECG心电信号生成方法是通过以下步骤实现的:
步骤一、从数据库中筛选获取原始带标注的ECG心电信号;
步骤二、对步骤一获取的ECG心电信号进行数据预处理;
步骤三、使用短时傅里叶变换将经过步骤二预处理的ECG心电信号转化成二维信号,该二维信号用以作为深度学习网络的输入信号;
步骤四、使用改进的生成对抗网络对步骤三得到的二维信号进行训练,并生成新的二维ECG心电信号时频图谱;
步骤五、使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号。
本发明的有益效果是本发明使用了近年来发展迅速的深度学习的方法来生成ECG心电信号,用以辅助提高心电诊断算法的准确度和适应性;本发明只需使用少量的原始ECG信号,结合短时傅里叶变换的方法,通过把进行了短时傅里叶变换后的时频图输入到一个由卷积操作和转置卷积操作构成的生成对抗网络进行训练,然后通过Griffin Lim相位重构算法获得心电信号;生成的心电信号可具有多种心拍类型,且不需要进行人工标注,可以极大的扩充ECG心电信号数据库,从而推动心电疾病诊断算法的发展,最终为临床心脏疾病诊断提供有效的辅助和支持。
附图说明
图1为具体实施方式一所述的一种基于深度学习的ECG心电信号生成方法的流程图;
图2为具体实施方式二中使用的不同类型的心拍原始数据示意图;其中,(a)正常搏动(Normal beat,N)心拍类型;(b)左束支传导阻滞(Left bundle branch block beat,L)心拍类型;(c)右束支传导阻滞(Right bundle branch block beat,R)心拍类型;
图3为具体实施方式四中改进的生成对抗网络的原理示意图;
图4为具体实施方式四中人工生成的基于短时傅里叶变换结合改进的生成对抗网络生成的新心拍时频谱图:(a)正常搏动(Normal beat,N)心拍类型;(b)左束支传导阻滞(Left bundle branch block beat,L)心拍类型;(c)右束支传导阻滞(Right bundlebranch block beat,R)心拍类型;
图5为具体实施方式五中人工生成的基于短时傅里叶变换结合改进的生成对抗网络生成的ECG信号图:(a)正常搏动(Normal beat,N)心拍类型;(b)左束支传导阻滞(Leftbundle branch block beat,L)心拍类型;(c)右束支传导阻滞(Right bundle branchblock beat,R)心拍类型。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述的一种基于深度学习的ECG心电信号生成方法该心电信号生成方法是通过以下步骤实现的:
步骤一、从数据库中筛选获取原始带标注的ECG心电信号;
步骤二、对步骤一获取的ECG心电信号进行数据预处理;
步骤三、使用短时傅里叶变换将经过步骤二预处理的ECG心电信号转化成二维信号,该二维信号用以作为深度学习网络的输入信号;
步骤四、使用改进的生成对抗网络对步骤三得到的二维信号进行训练,并生成新的二维ECG心电信号时频图谱;
步骤五、使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号。
在本实施方式中,步骤一从数据库中筛选获取原始带标注的ECG心电信号的具体方法为:使用数据库Physionet Database上的MIT-BIH Arrhythmia Database;筛选取其中含有正常搏动(Normal beat,N),左束支传导阻滞(Left bundle branch block beat,L),右束支传导阻滞(Right bundle branch block beat,R)心拍类型的数据。例如,MIT-BIH心律不齐数据库中的七条记录(#106,#114,#203,#213,#221,#222,#228)由于它们含有太多其他类型的心拍(例如,房性早搏心拍)而被排除,剩下四条记录(#102,#104,#107,#217)由于只含有起搏心搏而被排除;选取剩余数据中MLII导联的数据作为原始ECG心电信号数据;
具体实施方式二:结合图2说明本实施方式,本实施方式是对具体实施方式一所述的一种基于深度学习的ECG心电信号生成方法进一步限定,在本实施方式中,步骤二中对ECG心电信号进行数据预处理的方法包括QRS波检测、数据分割和数据过滤。
在本实施方式中,利用Pan-Tompkin算法对ECG心电信号记录进行QRS波检测,从中将不同类型心拍的QRS波截取出来;截取的方法是以R波波峰为中心,截取它的前100个采样点和后150个采样点,也就是总共250个采样点作为一个数据段,这一个数据段相当于一个心拍;每一个数据段需要被分配一个标签,该标签表示这个数据段是那种类型的心拍数据段。当一个数据段中只包含N类型的心拍时,就把它标记为一个N类型的数据段;当一个数据段中只包含L类型的心拍时,就把它标记为一个L类型的数据段;当一个数据段中只包含R类型的心拍时,就把它标记为一个R类型的数据段;数据分段之后将每一个数据段通过一个0.1-100Hz的带通滤波器进行滤波,去除噪声。不同心拍类型原始数据示意图如图2所示。
具体实施方式三:本实施方式是对具体实施方式一所述的一种基于深度学习的ECG心电信号生成方法进一步限定,在本实施方式中,步骤三中使用短时傅里叶变换将经过预处理的ECG心电信号转化成二维信号的具体方法为:
步骤1、使用短时傅里叶变换将预处理的ECG心电信号转化成二维矩阵;短时傅里叶变换定义的公式为:
其中,g(t-u)是以时间u为中心的窗口函数,通常是以零为中心的汉明窗口或高斯窗口;f(t)为预处理的ECG心电信号;
步骤2、对步骤1中得到的二维矩阵进行归一化,将它们归一化到[0,1],获得二维信号。
具体实施方式四:结合图3和图4说明本实施方式,本实施方式是对具体实施方式一所述的一种基于深度学习的ECG心电信号生成方法进一步限定,在本实施方式中,步骤四中改进的生成对抗网络包括生成器和判别器;
生成器包括4个转置卷积层;前三个使用的是实例归一化层和Relu激活函数层;最后一个为Sigmoid函数层;生成器接受一个服从正态分布的100x1的随机噪声作为输入;
判别器包括4层卷积操作;前三层使用的均为后面都带有一层实例归一化层和LeakyRelu激活函数层;最后一层卷积操作为Sigmoid函数层;
使用梯度惩罚的方法来改进的生成对抗网络原始的损失函数,其计算定义如下:
在本实施方式中,训练结束后可以输入随机向量生成如图4所示二维ECG时频谱图。
具体实施方式五:结合图5说明本实施方式,本实施方式是对具体实施方式一所述的一种基于深度学习的ECG心电信号生成方法进一步限定,在本实施方式中,步骤五中使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号的具体方法为:先利用一个随机生成的信号,得到它的相位谱信息和幅值谱信息,然后通过不断迭代来修改这个随机信号的幅值谱使其与二维ECG心电信号时频图谱接近,在这个过程中,随机信号的相位谱也会根据随机信号的幅值谱的修改而进行调整,直到达到规定的迭代次数,此时由调整后的相位谱和调整后的幅值谱重构得到的信号为一维ECG心电信号。
在本实施方式中,生成的不同类型心拍信号如图5所示。
Claims (5)
1.一种基于深度学习的ECG心电信号生成方法,其特征在于,该心电信号生成方法是通过以下步骤实现的:
步骤一、从数据库中筛选获取原始带标注的ECG心电信号;
步骤二、对步骤一获取的ECG心电信号进行数据预处理;
步骤三、使用短时傅里叶变换将经过步骤二预处理的ECG心电信号转化成二维信号,该二维信号用以作为深度学习网络的输入信号;
步骤四、使用改进的生成对抗网络对步骤三得到的二维信号进行训练,并生成新的二维ECG心电信号时频图谱;
步骤五、使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号。
2.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法,其特征在于,步骤二中对ECG心电信号进行数据预处理的方法包括QRS波检测、数据分割和数据过滤。
4.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法,其特征在于,步骤四中改进的生成对抗网络包括生成器和判别器;
生成器包括4个转置卷积层;前三个使用的是实例归一化层和Relu激活函数层;最后一个为Sigmoid函数层;生成器接受一个服从正态分布的100x1的随机噪声作为输入;
判别器包括4层卷积操作;前三层使用的均为后面都带有一层实例归一化层和LeakyRelu激活函数层;最后一层卷积操作为Sigmoid函数层;
使用梯度惩罚的方法来改进的生成对抗网络原始的损失函数,其计算定义如下:
5.根据权利要求1所述的一种基于深度学习的ECG心电信号生成方法,其特征在于,步骤五中使用Griffin Lim相位重构算法还原步骤四得到的二维ECG心电信号时频图谱,得到自动生成的一维ECG心电信号的具体方法为:先利用一个随机生成的信号,得到它的相位谱信息和幅值谱信息,然后通过不断迭代来修改这个随机信号的幅值谱使其与二维ECG心电信号时频图谱接近,在这个过程中,随机信号的相位谱也会根据随机信号的幅值谱的修改而进行调整,直到达到规定的迭代次数,此时由调整后的相位谱和调整后的幅值谱重构得到的信号为一维ECG心电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167627.1A CN111419213A (zh) | 2020-03-11 | 2020-03-11 | 一种基于深度学习的ecg心电信号生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167627.1A CN111419213A (zh) | 2020-03-11 | 2020-03-11 | 一种基于深度学习的ecg心电信号生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111419213A true CN111419213A (zh) | 2020-07-17 |
Family
ID=71547742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167627.1A Pending CN111419213A (zh) | 2020-03-11 | 2020-03-11 | 一种基于深度学习的ecg心电信号生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111419213A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803062A (zh) * | 2020-07-22 | 2020-10-23 | 江苏正心智能科技有限公司 | 一种基于深度学习的房颤事件检测方法 |
CN111901267A (zh) * | 2020-07-27 | 2020-11-06 | 重庆大学 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
CN112932499A (zh) * | 2021-01-28 | 2021-06-11 | 晨思(广州)医疗科技有限公司 | 网络训练和单导联心电数据处理方法、计算机装置和介质 |
CN114041801A (zh) * | 2021-11-15 | 2022-02-15 | 哈尔滨工业大学 | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9504258D0 (sv) * | 1995-11-28 | 1995-11-28 | Pacesetter Ab | Device and method for generating a synthesized ECG |
CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
CN109002686A (zh) * | 2018-04-26 | 2018-12-14 | 浙江工业大学 | 一种自动生成样本的多牌号化工过程软测量建模方法 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
CN110610156A (zh) * | 2019-09-12 | 2019-12-24 | 河海大学 | 基于生成对抗网络的高光谱影像分类方法 |
-
2020
- 2020-03-11 CN CN202010167627.1A patent/CN111419213A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE9504258D0 (sv) * | 1995-11-28 | 1995-11-28 | Pacesetter Ab | Device and method for generating a synthesized ECG |
CN108714026A (zh) * | 2018-03-27 | 2018-10-30 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
CN109002686A (zh) * | 2018-04-26 | 2018-12-14 | 浙江工业大学 | 一种自动生成样本的多牌号化工过程软测量建模方法 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
CN110610156A (zh) * | 2019-09-12 | 2019-12-24 | 河海大学 | 基于生成对抗网络的高光谱影像分类方法 |
Non-Patent Citations (4)
Title |
---|
ISHAAN GULRAJANI;AHMED, FARUK;ARJOVSKY, MARTIN: "Improved Training of Wasserstein GANs", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
乌兰娜仁: "基于深度生成式网络的ECG信号生成算法研究", 《中国优秀硕士学位论文全文数据库》 * |
戚银城,郎静宜,赵振兵: "结合注意力机制的相对GAN螺栓图像生成", 《电测与仪表》 * |
李天成,何嘉: "一种基于生成对抗网络的图像修复算法", 《计算机应用与软件》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803062A (zh) * | 2020-07-22 | 2020-10-23 | 江苏正心智能科技有限公司 | 一种基于深度学习的房颤事件检测方法 |
CN111901267A (zh) * | 2020-07-27 | 2020-11-06 | 重庆大学 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
CN111901267B (zh) * | 2020-07-27 | 2021-07-02 | 重庆大学 | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 |
CN112932499A (zh) * | 2021-01-28 | 2021-06-11 | 晨思(广州)医疗科技有限公司 | 网络训练和单导联心电数据处理方法、计算机装置和介质 |
CN114041801A (zh) * | 2021-11-15 | 2022-02-15 | 哈尔滨工业大学 | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 |
CN114041801B (zh) * | 2021-11-15 | 2024-03-08 | 哈尔滨工业大学 | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
Abibullaev et al. | A new QRS detection method using wavelets and artificial neural networks | |
CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
Zeng et al. | Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
Zeng et al. | A novel technique for the detection of myocardial dysfunction using ECG signals based on hybrid signal processing and neural networks | |
US20230225663A1 (en) | Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Suhail et al. | Cardiac disease detection from ECG signal using discrete wavelet transform with machine learning method | |
Rajput et al. | On arrhythmia detection by deep learning and multidimensional representation | |
Wang et al. | QRS detection in ECG signal based on residual network | |
CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN110916645A (zh) | 一种结合小波变换和图像分割网络的qrs波识别方法 | |
CN111803062B (zh) | 一种基于深度学习的房颤事件检测方法 | |
CN114027847A (zh) | 一种基于时频分析的心电信号分析方法 | |
Shafaatfar et al. | Improving the Efficiency of Automatic Cardiac Arrhythmias Classification by a Novel Patient-Specific Feature Space Mapping | |
US11337635B2 (en) | Automatic cardiovascular disease diagnostic system and method | |
CN116570295B (zh) | 一种心电图低电压t波终点定位方法 | |
CN117421678B (zh) | 一种基于知识蒸馏的单导联房颤识别系统 | |
Fitri et al. | A review of methods for myocardial infarction detection using of electrocardiographic features |
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: 20200717 |