CN111631683B - 心电数据或脑电数据的处理及检测方法、存储介质 - Google Patents
心电数据或脑电数据的处理及检测方法、存储介质 Download PDFInfo
- Publication number
- CN111631683B CN111631683B CN202010377916.4A CN202010377916A CN111631683B CN 111631683 B CN111631683 B CN 111631683B CN 202010377916 A CN202010377916 A CN 202010377916A CN 111631683 B CN111631683 B CN 111631683B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- namely
- index set
- training
- 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
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种心电数据或脑电数据的处理及检测方法、存储介质,针对心电或脑电的监测数据的缺失的情况进行补全,使用k近邻算法找到缺失的最短距离并制作指标集,通过向前筛选找到该指标集的下一时刻以及下一时刻的指标集,并将二者取交集,作为下一时刻的指标集,并对下一时刻的缺失值进行更新并得到新的样本数据。最后通过池化计算网络对该样本数据训练得到回归模型,可以对疾病进行打分。
Description
技术领域
本发明涉及数据处理领域,尤其涉及心电数据或脑电数据的处理及检测方法、存储介质。
背景技术
我国心血管疾病罹患人数高达2.9亿,死亡率居首位,占居民疾病死亡的40%以上。进而临床上的诊断与治疗就尤为重要。在这个过程中,心电图是一种基本的诊断工具,而计算机辅助诊断在过去的50年间得到了显著的进步,从过去的仅能识别某些特定指标,到现在利用人工智能算法进行智能诊断。但是,这种方法目前仍旧有许多问题,临床上也只是将该方法作为辅助手段,能给到医生的参考建议也有限,并且采集的到的心电原始数据噪声严重,会影响后续的判定工作。
可穿戴设备获取的数据会由于外部环境影响而不稳定,临床上采集的心电或电脑信号也会因头动等原因产生一些异常值。如何在有缺失数据的情况下还原原始数据就成了关键性的一环。对于动态数据缺失的问题一直以来都是重要的研究课题。
发明内容
本发明提供一种心电数据或脑电数据的处理及检测方法,包括:获取步骤,获取第一时间序列的初始监测数据,所述监测数据包括心电数据或脑电数据;初始化步骤,将所述第一时间序列的初始监测数据进行补全得到第一时间序列的监测数据;更新步骤,选取t时刻的监测数据,找出距离t时刻最短的k个点作为该时刻指标集,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集,计算所述交集中的平均值并对t+1时刻监测数据的缺失值进行更新得到第一时间序列的样本数据,t时刻与t+1时刻皆包含于所述第一时间序列。
进一步地,所述更新步骤具体包括:
选取步骤,对所有时刻t=1,2,…T,根据给定的距离度量,在所有监测数据中找出与Xt距离最短的k个点,记选取k个点的数据值的指标集为Nt,其中,Nt={τ1,τ2,…,τk},Xt为t时刻的监测数据;
第一筛选步骤,筛选出t时刻指标集的下一时刻N+1 t={τ1+1,τ2+1,…,τk+1};
第二筛选步骤,筛选出t+1时刻指标集Nt+1={(τ+1)1,(τ+2)2,…,(τ+1)k};
取交集步骤,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集为t+1时刻的指标集,所述交集
更新步骤,计算所述交集的平均值并对Xt+1的缺失值进行更新,计算公式为:
其中,l表示导联信号;
计算步骤,计算更新后的均方根误差RMSE,计算公式为:
收敛步骤,重复所述选取步骤至所述更新步骤直至所述均方根误差收敛。
进一步地,所述选取步骤中,所述距离度量包括:欧式距离、曼哈顿距离或切比雪夫距离。
进一步地,所述心电数据或脑电数据的处理及检测方法还包括:
分类步骤,将所述第一时间序列的样本数据划分为训练样本以及测试样本;
训练步骤,将所述训练样本及相应的分类标签进行池化计算训练得到所述多标签分类器。
应用步骤,将原始的监测数据输入至训练好的回归模型得到分类结果。
进一步地,所述训练步骤具体包括:
生成步骤,成固定节点数的随机动态储备池,将此网络与输入层、输出层连接;
初始化步骤,初始化所有网络参数矩阵W,Win,Wout;
计算存储步骤,计算并储存训练样本{xt},其中,xt+1=f(Wxt+Winx+b);
训练参数步骤,将序列{xt}写为矩阵X,输出原始数据为S,利用岭回归训练输出层参数Wout=SRT(RRT+βI)-1并得到一回归模型。
进一步地,所述训练步骤还包括:
优化步骤,分别将测试样本输入至所述回归模型中得到测试结果,根据所述测试结果对所述多标签分类器进行优化。
进一步地,所述优化步骤具体包括:
输入测试样本步骤,输入X个测试样本至初级模型,获取X个预测结果;
比对步骤,将所述X个预测结果与所述X个测试样本的X个实际结果比较,统计与所实际结果差异超过一定阈值的预测结果的个数Y;
计算步骤,计算预测的错误率,对模型进行评估,计算Y与测试样本的样本数X的比值。
进一步地,所述池化计算包括:
数据输入层,用以接受所有训练样本,并进行归一化处理;
中间层,由RNN网络构成,该网络有较为稀疏的特点;
输出层,在模型最后加入输出层,将数据进行分类,最终输出每一种分类结果的概率。
进一步地,所述心电数据包括:3导联的心电数据或8导联的心电数据;和/或,所述脑电数据包括:90导联的脑电数据;和/或,所述训练样本与所述测试样本为8:2。
本发明还提供一种存储介质,该存储介质存储一计算机程序,该计算机程序用以执行所述的心电数据或脑电数据的处理及检测方法。
本发明的有益效果是:本发明提供了一种心电数据或脑电数据的处理及检测方法,针对心电或脑电的监测数据的缺失的情进行补全,使用k近邻算法找到缺失的最短距离并制作指标集,通过向前筛选找到该指标集的下一时刻以及下一时刻的指标集,并将二者取交集,作为下一时刻的指标集,并对下一时刻的缺失值进行更新并得到新的样本数据。最后通过池化计算对该样本数据训练得到回归模型,可以对疾病进行分类打分。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其它有益效果显而易见。
图1为本发明提供的心电数据或脑电数据的处理及检测方法的流程图。
图2为本发明提供的更新步骤的流程图。
图3为本发明提供的训练步骤的流程图。
图4为本发明提供的优化步骤的流程图。
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,本领域技术人员在没有作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。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示,本发明提供一种心电数据或脑电数据的处理及检测方法,包括。
S1、获取步骤,获取第一时间序列的初始监测数据,所述监测数据包括心电数据或脑电数据。
数据采集可由多种渠道进行,在临床上通常用大型设备采集较为精准的数据,在日常生活中可由便携式设备,采集被试单导联或多导联心电或是脑电信号。采集后的数据为时间序列数据。对于心电数据而言,由临床心电监测仪采集到的信号为短时的8导联信号,时常大约30秒左右;由便携式设备或可穿戴设备采集的信号由不同型号会产生采集不同导联数的信号,常见的有单导联、3导联、8导联,信号时常会较长,通常能不间断采集信号几十小时以上。对于脑电数据而言,采集到的信号维数较高,常见的为90维脑电信号,时长大约几分钟到一小时不等。
S2、初始化步骤,将所述第一时间序列的初始监测数据进行补全得到第一时间序列的监测数据。
补全方法可用插值法等简单静态手段,得到一个完整的高维时间序列数据。
S3、更新步骤,选取t时刻的监测数据,使用k近邻算法找出距离t时刻最短的k个点作为该时刻指标集,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集,计算所述交集中的平均值并对t+1时刻监测数据的缺失值进行更新得到第一时间序列的样本数据,t时刻与t+1时刻皆包含于所述第一时间序列。
如图2所示,所述更新步骤具体包括。
S301、选取步骤,对所有时刻t=1,2,…T,根据给定的距离度量,在所有监测数据中找出与Xt距离最短的k个点,记选取k个点的数据值的指标集为Nt,其中,Nt={τ1,τ2,…,τk},Xt为t时刻的监测数据。
所述选取步骤中,所述距离度量包括:欧式距离、曼哈顿距离或切比雪夫距离。
S302、第一筛选步骤,筛选出t时刻指标集的下一时刻N+1 t={τ1+1,τ2+1,…,τk+1}。
S303、第二筛选步骤,筛选出t+1时刻指标集Nt+1={(τ+1)1,(τ+2)2,…,(τ+1)k}。
S304、取交集步骤,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集为t+1时刻的指标集,所述交集
S305、更新步骤,计算所述交集的平均值并对Xt+1的缺失值进行更新,计算公式为:其中,l表示导联信号;
S306、计算步骤,计算更新后的均方根误差RMSE,计算公式为:
S307、收敛步骤,重复所述选取步骤至所述更新步骤直至所述均方根误差收敛。
S4、分类步骤,将所述第一时间序列的样本数据划分为训练样本以及测试样本。
S5、训练步骤,将所述训练样本及相应的分类标签进行池化计算训练得到所述多标签分类器。
如图3所示,所述训练步骤具体包括。
S501、生成步骤,成固定节点数的随机动态储备池,将此网络与输入层、输出层连接。
S502、初始化步骤,初始化所有网络参数矩阵W,Win,Wout。
S503、计算存储步骤,计算并储存训练样本{xt},其中,xt+1=f(Wxt+Winx+b)。
S504、训练参数步骤,将序列{x t}写为矩阵X,输出原始数据为S,利用岭回归训练输出层参数Wout=SRT(RRT+βI)-1并得到所述回归模型。
S505、优化步骤,分别将测试样本输入至所述多标签分类器中得到测试结果,根据所述测试结果对所述回归模型进行优化。
如图4所示,所述优化步骤具体包括。
S5051、输入测试样本步骤,输入X个测试样本至所述初级模型,获取X个预测结果;
S5052、比对步骤,将所述X个预测结果与所述X个测试样本的X个实际结果比较,统计与所实际结果差异超过一定阈值的预测结果的个数Y;
S5053、计算步骤,计算预测的错误率,对模型进行评估,计算Y与测试样本的样本数X的比值。
所述池化计算包括:数据输入层,用以接受所有训练样本,并进行归一化处理;中间层,由RNN网络构成,该网络有较为稀疏的特点;输出层,在模型最后加入输出层,将数据进行分类,最终输出每一种分类结果的概率。
所述心电数据包括:3导联的心电数据或8导联的心电数据;和/或,所述脑电数据包括:90导联的脑电数据;和/或,所述训练样本与所述测试样本为8:2。
本发明还提供一种存储介质,该存储介质存储一计算机程序,该计算机程序用以执行所述的心电数据或脑电数据的处理及检测方法。
本发明提供了一种心电数据或脑电数据的处理及检测方法,针对监测数据的缺失的情进行补全,使用k近邻算法找到缺失的最短距离并制作指标集,通过向前筛选找到该指标集的下一时刻以及下一时刻的指标集,并将二者取交集,作为下一时刻的指标集,对下一时刻的缺失值进行更新并得到新的样本数据。最后通过池化计算对该样本数据训练得到回归模型,可以对疾病进行打分。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。
Claims (10)
1.一种心电数据或脑电数据的处理及检测方法,其特征在于,包括:
获取步骤,获取第一时间序列的初始监测数据,所述监测数据包括心电数据或脑电数据;
初始化步骤,将所述第一时间序列的初始监测数据进行补全得到第一时间序列的监测数据;
更新步骤,选取t时刻的监测数据,使用k近邻算法找出距离t时刻最短的k个点作为该时刻指标集,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集,计算所述交集中的平均值并对t+1时刻监测数据的缺失值进行更新得到第一时间序列的样本数据,t时刻与t+1时刻皆包含于所述第一时间序列。
2.如权利要求1所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述更新步骤具体包括:
选取步骤,对所有时刻t=1,2,…T,根据给定的距离度量,在所有心电数据中找出与Xt距离最短的k个点,记选取k个点的数据值的指标集为Nt,其中,
Nt={τ1,τ2,…,τk},Xt为t时刻的监测数据;
第一筛选步骤,筛选出t时刻指标集的下一时刻N+1 t={τ1+1,τ2+1,…,τk+1};
第二筛选步骤,筛选出t+1时刻指标集Nt+1={(τ+1)1,(τ+2)2,…,(τ+1)k};
取交集步骤,并取t+1时刻的指标集与t时刻指标集的下一时刻的交集为t+1时刻的指标集,所述交集
更新步骤,计算所述交集的平均值并对Xt+1的缺失值进行更新,计算公式为:
其中,l表示导联信号;
计算步骤,计算更新后的均方根误差RMSE,计算公式为:
收敛步骤,重复所述选取步骤至所述更新步骤直至所述均方根误差收敛。
3.如权利要求2所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述选取步骤中,所述距离度量包括:欧式距离、曼哈顿距离或切比雪夫距离。
4.如权利要求1所述的心电数据或脑电数据的处理及检测方法,其特征在于,还包括:
分类步骤,将所述第一时间序列的样本数据划分为训练样本以及测试样本;
训练步骤,将所述训练样本及相应的分类标签进行池化计算训练得到回归模型。
5.如权利要求4所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述训练步骤具体包括:
生成步骤,成固定节点数的随机动态储备池,将此网络与输入层、输出层连接;
初始化步骤,初始化所有网络参数矩阵W,Win,Wout;
计算存储步骤,计算并储存训练样本{xt},其中,xt+1=f(Wxt+Winx+b);
训练参数步骤,将序列{xt}写为矩阵X,输出原始数据为S,利用岭回归训练输出层参数Wout=SRT(RRT+βI)-1并得到一回归模型。
6.如权利要求5所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述训练步骤还包括:
优化步骤,分别将测试样本输入至所述回归模型中得到测试结果,根据所述测试结果对所述回归模型进行优化。
7.如权利要求6所述的心电数据或脑电数据的处理及检测方法,其特征在于
所述优化步骤具体包括:
输入测试样本步骤,输入X个测试样本至初级模型,获取X个预测结果;
比对步骤,将所述X个预测结果与所述X个测试样本的X个实际结果比较,统计与所实际结果差异超过一定阈值的预测结果的个数Y;
计算步骤,计算预测的错误率,对模型进行评估,计算Y与测试样本的样本数X的比值。
8.如权利要求4所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述池化计算包括:
数据输入层,用以接受所有训练样本,并进行归一化处理;
中间训练步骤,由RNN网络构成,该网络有较为稀疏的特点;
输出步骤,在模型最后加入输出层,将数据进行分类,最终输出每一种分类结果的概率。
9.如权利要求4所述的心电数据或脑电数据的处理及检测方法,其特征在于,
所述心电数据包括:3导联的心电数据或8导联的心电数据;和/或,
所述脑电数据包括:90导联的脑电数据;和/或,
所述训练样本与所述测试样本为8:2。
10.一种存储介质,该存储介质存储一计算机程序,该计算机程序用以执行如权利要求1~9任一项所述的心电数据或脑电数据的处理及检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377916.4A CN111631683B (zh) | 2020-05-07 | 2020-05-07 | 心电数据或脑电数据的处理及检测方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377916.4A CN111631683B (zh) | 2020-05-07 | 2020-05-07 | 心电数据或脑电数据的处理及检测方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111631683A CN111631683A (zh) | 2020-09-08 |
CN111631683B true CN111631683B (zh) | 2023-10-17 |
Family
ID=72324504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377916.4A Active CN111631683B (zh) | 2020-05-07 | 2020-05-07 | 心电数据或脑电数据的处理及检测方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111631683B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598787B (zh) * | 2021-09-07 | 2022-06-17 | 四川大学 | 一种基于多视图进行心电信号重点区域检测的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273234A (zh) * | 2017-05-26 | 2017-10-20 | 中国航天系统科学与工程研究院 | 一种基于eemd的时间序列数据异常值检测和校正方法 |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
WO2020002519A1 (en) * | 2018-06-29 | 2020-01-02 | Mybrain Technologies | Multiclass classification method for the estimation of eeg signal quality |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428130A (zh) * | 2001-12-27 | 2003-07-09 | 泷泽清 | 诊断方法及其装置,诊断程序 |
-
2020
- 2020-05-07 CN CN202010377916.4A patent/CN111631683B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273234A (zh) * | 2017-05-26 | 2017-10-20 | 中国航天系统科学与工程研究院 | 一种基于eemd的时间序列数据异常值检测和校正方法 |
WO2020002519A1 (en) * | 2018-06-29 | 2020-01-02 | Mybrain Technologies | Multiclass classification method for the estimation of eeg signal quality |
CN109582706A (zh) * | 2018-11-14 | 2019-04-05 | 重庆邮电大学 | 基于Spark大数据平台的邻域密度不平衡数据混合采样方法 |
CN110338786A (zh) * | 2019-06-28 | 2019-10-18 | 北京师范大学 | 一种癫痫样放电的识别与分类方法、系统、装置和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111631683A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A high-precision arrhythmia classification method based on dual fully connected neural network | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN113095302B (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 | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
WO2022077888A1 (zh) | 一种光体积描计信号的散点图分类方法和装置 | |
JP2023544242A (ja) | 心イベントを検出及び/又は予測するための、心電図処理システム | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN113274031A (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
CN111631683B (zh) | 心电数据或脑电数据的处理及检测方法、存储介质 | |
Liang et al. | A neuromorphic model with delay-based reservoir for continuous ventricular heartbeat detection | |
CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
Ye et al. | Explainable prediction of cardiac arrhythmia using machine learning | |
Meng et al. | Biosignal Classification Based on Multi-Feature Multi-Dimensional WaveNet-LSTM Models. | |
Liu et al. | FGSQA-Net: A weakly supervised approach to fine-grained electrocardiogram signal quality assessment | |
CN108399369B (zh) | 基于分布式计算和深度学习的心电节拍分类方法 | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
Riyaz et al. | Ensemble learning for coronary heart disease prediction | |
Wijaya et al. | Logistic Regression based Feature Selection and Two-Stage Detection for EEG based Motor Imagery Classification. | |
Zhong et al. | Automatic arrhythmia detection with multi-lead ECG signals based on heterogeneous graph attention networks | |
DÜDÜKÇÜ et al. | ECG DATA ANOMALIES DETECTION WITH STACKED AUTOENCODER ON LOW-POWER AND LOW-MEMORY MICROCONTROLLERS | |
Zavoyskih et al. | The electrocardiogram signal morphology analysis based on convolutional neural network |
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 |