CN111528827A - 一种血流图识别方法 - Google Patents
一种血流图识别方法 Download PDFInfo
- Publication number
- CN111528827A CN111528827A CN202010446305.0A CN202010446305A CN111528827A CN 111528827 A CN111528827 A CN 111528827A CN 202010446305 A CN202010446305 A CN 202010446305A CN 111528827 A CN111528827 A CN 111528827A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- flow graph
- waveform
- point
- data
- 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
- 230000017531 blood circulation Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims description 14
- 210000004556 brain Anatomy 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000036541 health Effects 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000003862 health status Effects 0.000 abstract description 2
- 230000002490 cerebral effect Effects 0.000 abstract 2
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 abstract 1
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract 1
- 208000006011 Stroke Diseases 0.000 abstract 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000003727 cerebral blood flow Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000002565 arteriole Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/026—Measuring blood flow
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Hematology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了血流图识别算法的目的是将有效的血流图正确的识别出来，并进行分类标记，提取血流图参数用于脑血管健康状态的评估；血流图识别算法是将采集到的阻抗血流图数据，进行归一化，通过深度学习系统进行模型训练，将训练出来的模型用于血流图的实时识别，并对提取出的血流图进行参数提取；心脏每一次搏动的会使脑部电阻抗发生规律性的变化，对这种变化绘制出相应波形，不同的人因脑血管硬化程度不同，波形及波形指标也不同，通过与正常的波形比对，来判断用户的脑血管健康状态及中风风险。
Description
技术领域
本发明涉及血流图技术领域，更具体地说，涉及一种血流图识别方法。
背景技术
目前，对于电阻抗技术和脑血流图技术的应用都是相对独立的。市场上的产品是采用单一技术，而且产品体积都比较大，基本应用于专业医疗机构。
脑血流图技术，人体各组织结构导电性不同，包括各种体液导电性都不同，血液的导电性最好。在头颅两个部位之间施加微弱的高频电流，根据欧姆定律和容积导电的原理，观察两个检测电极之间电流或电压变化，可以了解该检测部位电场范围内血液流体动力学的瞬时变化情况。心脏每一次搏动的会使脑部电阻抗发生规律性的变化，对这种变化绘制出与时间相关的函数曲线，这个曲线与心脏活动(流入量)密切相关，反映血管紧张度与弹性的变化，受外周阻力(中、小动脉及微动脉口径)和血液黏度(流体性质)的影响。不同的人因脑血管健康状态程度不同，波形及波形指标也不同，通过与正常的波形比对，来判断用户的脑血管健康状态。为此，本发明提出了一种血流图识别方法。
发明内容
1.要解决的技术问题
对于电阻抗技术和脑血流图技术的应用都是相对独立的。血流图类型识别基本是基于医生经验判断。为此，我们提出了一种自动血流图识别方法。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种血流图识别方法，其特征在于，血流图识别算法的目的是将有效的血流图正确的识别出来，并进行分类标记，提取血流图参数用于脑血管健康状态的评估；血流图识别算法是将采集到的阻抗血流图数据，进行归一化，通过深度学习系统进行模型训练，将训练出来的模型用于血流图的实时识别，并对提取出的血流图进行参数提取；
具体按以下步骤操作：
1)将每相邻两个心跳特征点之间的波形T作为一个心跳周期的脑阻抗血流图数据，匹配神经网络输入数据接口标准，对脑阻抗血流图数据进行归一化处理。波形T中取得单个心跳周期波形数据X(值域不定，点数30～50之间)，幅值归一化处理后得到值域为(0～1)的波形数据M，周期归一化处理后得到100点波形数据N作为样本数据进行神经网络训练。
2)血流图标记：将生产环境血流图数据通过训练好的神经网络算法识别出该血流图的类别，并为该血流图做标记。
神经网络模型为BP神经网络模型，模型结构为：
输入层：输入归一化后脑阻抗血流图数据N；
隐含层：2层512个神经元网络、激活函数为relu函数；
输出层：输出各个类别标签，激活函数为softmax函数；
损失函数：交叉熵函数；
反向传播方式：梯度下降法。
3)经典脑阻抗血流图波形包括上升段C-S，下降段S-C’。由神经网络识别出符合经典特征的脑阻抗血流图波形后，对应到归一化之前的血流图数据进行参数提取。
其中参数分为幅度指标Y、时间指标X以及关系指标。
①幅度指标:
S点幅值Fs＝Tmax(即该心跳周期内T波形的最大值)
D点幅值Fd＝Thp(除Tmax外的极大值点的值)
②时间指标：
上升段时间Tcs＝Ts-Tc(Ts为T波形上S点相位即Tmax所在相位、Tc为T波形上c点相位，即每个心跳周期内的0相位)
下降时间Tsc’＝Tc’-Ts(Tc’为T波形上每个心跳周期的末尾的相位)
③关系指标：
上升角α：直线CS与CC’所成角α＝arctan(Fs/Tcs)
流入容积速度V：V＝Fs/Tcs
所述心跳周期内的血流图波形数据单独取出进行归一化处理，所述归一化处理包括幅值归一化与周期归一化。
①幅值归一化：
取X中最大值Xmax和最小值Xmin，得到值域R＝Xmax-Xmin；
波形中第i点Xi幅值归一化Mi＝(Xi-Xmin)/R；
②周期归一化：
取M包含点个数k，则在M中第1点相位为0.0，第i点相位为i-1,末尾点相位为k-1；
计算第i点映射到N中相位j,j＝(i-1)/(k-1)*100；(j为实数)；
以得到的Nj为基准点进行三次样条插值得到其余位于整数相位点N(i-1)；(i∈(1,2,3,...100))；
取N1～N100即归一化后波形数据N。
所述血流图波形数据为50Hz采样率下大概有30～50个点数据，其对应心率为100～60/min。
3.有益效果
相比于现有技术，本发明的优点在于：
本发明对血流图的识别更加自动化；通过大数据的处理，可以提高识别效率，减小识别误差，提高识别准确率；由于不同人群的波形不同，通过前期大数据的分析对比，可以进行自适应分类，具有高速寻找最优解的能力，包容个体性差异，并对不同人群的波形种类能作出相应的算法优化，对后期波形的提取有更好的参照；大数据对比也能更好的剔除非有效数据，精度更高；能有效提高开发效率，升级灵活，对代码部署方便，开发复杂度更低。
附图说明
图1为本发明的血流识别算法示意图；
图2为本发明血流参数提取示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，一种血流图识别方法，其特征在于，血流图识别算法的目的是将有效的血流图正确的识别出来，并进行标记，提取血流图参数用于脑血管健康状态的评估；血流图识别算法是将采集到的阻抗血流图数据，进行归一化，通过深度学习系统进行模型训练，将训练出来的模型用于血流图的实时识别，并对提取出的血流图进行参数提取；
具体按以下步骤操作：
1)将每相邻两个心跳特征点之间的波形T作为一个心跳周期的脑阻抗血流图数据，匹配神经网络输入数据接口标准，对脑阻抗血流图数据进行归一化处理。波形T中取得单个心跳周期波形数据X(值域不定，点数30～50之间)，幅值归一化处理后得到值域为(0～1)的波形数据M，周期归一化处理后得到100点波形数据N作为样本数据进行神经网络训练。
2)血流图标记：将生产环境血流图数据通过训练好的神经网络算法识别出该血流图的类别，并为该血流图做标记。
神经网络模型为BP神经网络模型，模型结构为：
输入层：输入归一化后脑阻抗血流图数据N；
隐含层：2层512个神经元网络、激活函数为relu函数；
输出层：输出各个类别标签，激活函数为softmax函数；
损失函数：交叉熵函数；
反向传播方式：梯度下降法。
3)经典脑阻抗血流图波形包括上升段C-S，下降段S-C’。由神经网络识别出符合经典特征的脑阻抗血流图波形后，对应到归一化之前的血流图数据进行参数提取。
其中参数分为幅度指标Y、时间指标X以及关系指标。
①幅度指标:
S点幅值Fs＝Tmax(即该心跳周期内T波形的最大值)
D点幅值Fd＝Thp(除Tmax外的极大值点的值)
②时间指标：
上升段时间Tcs＝Ts-Tc(Ts为T波形上S点相位即Tmax所在相位、Tc为T波形上c点相位，即每个心跳周期内的0相位)
下降时间Tsc’＝Tc’-Ts(Tc’为T波形上每个心跳周期的末尾的相位)
③关系指标：
上升角α：直线CS与CC’所成角α＝arctan(Fs/Tcs)
流入容积速度V：V＝Fs/Tcs
在本实施例中，所述心跳周期内的血流图波形数据单独取出进行归一化处理，所述归一化处理包括幅值归一化与周期归一化。
在本实施例中，①幅值归一化：
取X中最大值Xmax和最小值Xmin，得到值域R＝Xmax-Xmin；
波形中第i点Xi幅值归一化Mi＝(Xi-Xmin)/R；
②周期归一化：
取M包含点个数k，则在M中第1点相位为0.0，第i点相位为i-1,末尾点相位为k-1；
计算第i点映射到N中相位j,j＝(i-1)/(k-1)*100；(j为实数)；
以得到的Nj为基准点进行三次样条插值得到其余位于整数相位点N(i-1)；(i∈(1,2,3,...100))；
取N1～N100即归一化后波形数据N。
所述血流图波形数据为50Hz采样率下大概有30～50个点数据，其对应心率为100～60/min。
以上所述，仅为本发明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改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。
Claims (4)
1.一种血流图识别方法，其特征在于，血流图识别算法的目的是将有效的血流图正确的识别出来，并进行分类标记，提取血流图参数用于脑血管健康状态的评估；血流图识别算法是将采集到的阻抗血流图数据，进行归一化，通过深度学习系统进行模型训练，将训练出来的模型用于血流图的实时识别，并对提取出的血流图进行参数提取；
具体按以下步骤操作：
1)将每相邻两个心跳特征点之间的波形T作为一个心跳周期的脑阻抗血流图数据，匹配神经网络输入数据接口标准，对脑阻抗血流图数据进行归一化处理。波形T中取得单个心跳周期波形数据X(值域不定，点数30～50之间)，幅值归一化处理后得到值域为(0～1)的波形数据M，周期归一化处理后得到100点波形数据N作为样本数据进行神经网络训练。
2)血流图标记：将生产环境血流图数据通过训练好的神经网络算法识别出该血流图的类别，并为该血流图做标记。
神经网络模型为BP神经网络模型，模型结构为：
输入层：输入归一化后脑阻抗血流图数据N；
隐含层：2层512个神经元网络、激活函数为relu函数；
输出层：输出各个类别标签，激活函数为softmax函数；
损失函数：交叉熵函数；
反向传播方式：梯度下降法。
3)经典脑阻抗血流图波形包括上升段C-S，下降段S-C’。由神经网络识别出符合经典特征的脑阻抗血流图波形后，对应到归一化之前的血流图数据进行参数提取。
其中参数分为幅度指标Y、时间指标X以及关系指标。
①幅度指标:
S点幅值Fs＝Tmax(即该心跳周期内T波形的最大值)
D点幅值Fd＝Thp(除Tmax外的极大值点的值)
②时间指标：
上升段时间Tcs＝Ts-Tc(Ts为T波形上S点相位即Tmax所在相位、Tc为T波形上c点相位，即每个心跳周期内的0相位)
下降时间Tsc’＝Tc’-Ts(Tc’为T波形上每个心跳周期的末尾的相位)
③关系指标：
上升角α：直线CS与CC’所成角α＝arctan(Fs/Tcs)
流入容积速度V：V＝Fs/Tcs
2.如权利要求1所述的一种血流图识别方法，其特征在于，所述心跳周期内的血流图波形数据单独取出进行归一化处理，所述归一化处理包括幅值归一化与周期归一化。
3.如权利要求2所述的一种血流图识别方法，其特征在于，
①幅值归一化：
取X中最大值Xmax和最小值Xmin，得到值域R＝Xmax-Xmin；
波形中第i点Xi幅值归一化Mi＝(Xi-Xmin)/R；
②周期归一化：
取M包含点个数k，则在M中第1点相位为0.0，第i点相位为i-1,末尾点相位为k-1；
计算第i点映射到N中相位j,j＝(i-1)/(k-1)*100；(j为实数)；
以得到的Nj为基准点进行三次样条插值得到其余位于整数相位点N(i-1)；(i∈(1,2,3,...100))；
取N1～N100即归一化后波形数据N。
4.如权利要求1所述的一种血流图识别方法，其特征在于，所述血流图波形数据为50Hz采样率下大概有30～50个点数据，其对应心率为100～60/min。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010446305.0A CN111528827A (zh) | 2020-05-25 | 2020-05-25 | 一种血流图识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010446305.0A CN111528827A (zh) | 2020-05-25 | 2020-05-25 | 一种血流图识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111528827A true CN111528827A (zh) | 2020-08-14 |
Family
ID=71968475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010446305.0A Pending CN111528827A (zh) | 2020-05-25 | 2020-05-25 | 一种血流图识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528827A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990029A (zh) * | 2021-03-23 | 2021-06-18 | 桂林电子科技大学 | 一种评估静脉血管状态的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1114174A (zh) * | 1994-05-23 | 1996-01-03 | 姚雪祥 | 血流图自动分析诊断方法和装置 |
| CN103619244A (zh) * | 2011-04-12 | 2014-03-05 | 奥森医疗科技有限公司 | 用于监测颅内压和额外颅内血流动力学参数的装置和方法 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
| CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
-
2020
- 2020-05-25 CN CN202010446305.0A patent/CN111528827A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1114174A (zh) * | 1994-05-23 | 1996-01-03 | 姚雪祥 | 血流图自动分析诊断方法和装置 |
| CN103619244A (zh) * | 2011-04-12 | 2014-03-05 | 奥森医疗科技有限公司 | 用于监测颅内压和额外颅内血流动力学参数的装置和方法 |
| CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990029A (zh) * | 2021-03-23 | 2021-06-18 | 桂林电子科技大学 | 一种评估静脉血管状态的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CN108836302B (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
| Zhang et al. | ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix | |
| CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
| CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN101732033A (zh) | 一种人体波形中的特征参数的提取方法和装置 | |
| CN107680683A (zh) | 一种ai眼部健康评估方法 | |
| CN108647565A (zh) | 一种基于深度学习模型对心电信号分类的数据预处理方法 | |
| CN106214145A (zh) | 一种基于深度学习算法的心电图分类方法 | |
| CN109998529A (zh) | 一种基于高斯函数拟合的ecg信号中p波、t波检测方法 | |
| CN107928654A (zh) | 一种基于神经网络的脉搏波信号血压检测方法 | |
| CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
| CN106691402A (zh) | 一种基于脉搏特征的疲劳程度分析方法和装置 | |
| CN109106345A (zh) | 脉搏信号特征检测方法和装置 | |
| EP3954291A1 (en) | Detection of activation in electrograms using neural-network-trained preprocessing of intracardiac electrograms | |
| CN108577831B (zh) | 单导心贴数据长程监控诊断系统及其处理方法 | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| CN111528827A (zh) | 一种血流图识别方法 | |
| Zhou et al. | Premature ventricular contraction detection from ambulatory ECG using recurrent neural networks | |
| CN114052681B (zh) | 一种基于心电判读系统的血压监测方法及系统 | |
| CN110934579A (zh) | 一种基于深度学习的心电数据分类方法 | |
| CN106778561B (zh) | 一种穿戴式设备的身份识别方法及识别装置 | |
| CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
| CN108836312A (zh) | 一种新型基于人工智能的进行杂波剔除的方法及系统 | |
| Cene et al. | Upper-limb movement classification through logistic regression sEMG signal processing |
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: 20200814 |