CN111783851A - 一种基于中枢点的时间序列趋势动态分段方法 - Google Patents
一种基于中枢点的时间序列趋势动态分段方法 Download PDFInfo
- Publication number
- CN111783851A CN111783851A CN202010550472.XA CN202010550472A CN111783851A CN 111783851 A CN111783851 A CN 111783851A CN 202010550472 A CN202010550472 A CN 202010550472A CN 111783851 A CN111783851 A CN 111783851A
- Authority
- CN
- China
- Prior art keywords
- trend
- point
- points
- interval
- time sequence
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于中枢点的时间序列趋势动态分段方法,针对时间序列数据库建立有效的索引,能更好地对时序进行分类。在模式分类领域,对心电图中心跳正常和异常等情形进行自动区分,需定性研究时间序列的趋势特性,在保留数据的总体趋势和测量误差的基础上,动态确定时间序列趋势分段结果。首先,根据时间序列的参数变化规律,获得有效中枢点;再根据中枢点的生成方式,获得时间序列的动态分段,确定分段的起始、终止位置和区间趋势特性;最后,每段时间序列的趋势索引连接,建立趋势段索引表。本发明在快速分段的基础上建立时序索引,并对段内的区间趋势进行有效描述,给模式分类挖掘中的相似性模式匹配研究提供具有全局能力的索引表。
Description
技术领域
本发明属于人工智能中模式分类领域,具体涉及一种基于中枢点的时间序列趋势动态分段方法。
背景技术
采用模式分类算法,对心电图中心跳正常和心跳异常进行区分。首先进行心跳采集获得心电图,提取每个心跳的时间序列,使用插值方法确保每个心跳时间序列等长。对时间序列进行分析,挖掘其中的相似性模式,需要定性研究时间序列的趋势特性。时间序列中的数据随会时间推移而发生相应的变化。直接对原始序列进行挖掘建模计算复杂度高,获得的结果准确性不高。时间序列的趋势特征分析是相似性模式挖掘的重要组成部分,对趋势特征进行分析的方法包括频域表示法,符号化表示,奇异值分解法,经验模态分解法和分段线性表示法等。
分段线性(piecewise linear representation,PLR)表示法是采用最多的时序数据特征表示方法,形式直观、时间尺度多、维数约简快。经典的PLR算法如自底向上的分段线性化方法、时间序列PAA分段表示算法等,均采用单一的拟合误差对原始数据分段,拟合效果一般。
为了提高算法本身的通用性、降低时间复杂度,出现了许多相应的算法,基本都采用关键点,特征点和趋势转折点进行分段线性表示等,这些方法对时间序列的趋势提取、数据压缩具有一定的作用,但是其中特征点及其评价函数均使用区间内相邻多点的相互关系进行确认,属于局部分析方法,无法反映整体趋势,算法性能受输入参数的影响较大,结果不稳定。
发明内容
时间序列的分段线性方法,可以对时序快速分段,形式直观,计算复杂度低。主要采用端点连接的方式进行曲线形态表示,步长选择采用机械等长方法,获得相应的分段结果。但端点直接的方法,忽略时序的变化过程,在区间内数据发生较大幅度变化时,无法有效表示,会造成相应的计算精度损失。
需要结合时间序列的实际趋势和特征来设立相应转折点,同时对区间内局部变化进行标注,最终获得明确的时间序列分段表示结果。
本发明所要解决的技术问题在于针对现有方法的不足,提出一种基于中枢点的时间序列趋势动态分段方法,采用非相邻线段延长线相交的方式计算中枢点,根据中枢点的有效性获得有效区间分段,根据区间起始点终止点与区间内极值的关系,获得相应的区间步长并确定相应的区间趋势类型。
为解决上述技术问题,本发明采用的技术方案是:
一种基于中枢点的时间序列趋势动态分段方法,其特征在于,包括以下步骤:
S1:记录心跳期间的电活动,进行心跳采集,提取每次心跳的时间序列,使用插值方法确保每个心跳的时间序列成为等长时序;
S2:连接所述时间序列中的相邻点,得到多个线段及其延长线,再计算中枢点备选集;
S3:对于给定的时间序列的中枢点备选集,获得中枢点,确定中枢点有效性;
S4:连接产生有效中枢点的相关时序点,获得有效的分段区间;
S5:根据区间极值和区间端点的相对位置,获得所述分段区间的区间步长,并得到区间趋势特性,获得趋势分段结果;
进一步地,步骤S2中所述的中枢点备选集的计算过程包括:
S21:对于给定区间内的时间序列数值点,定义并连接所有相邻点,按时间顺序对所有相邻点采用线性方式依次连接,获得多个线段及延长线;
S22:所有线段及延长线相交产生的交点,组成中枢点备选集。
进一步地,步骤S3中获得中枢点的方法为:对于给定的时间序列的中枢点备选集,非相邻线段在由起点到终点的趋势方向上产生交叉,形成相交点,得到的这类相交点为中枢点。
进一步地,所述中枢点沿着起点到终点方向所形成的的坐标轴的正向方向。
进一步地,步骤S3中获得的中枢点,确定其有效性的具体操作步骤为:
S31:两个所述中枢点相关的时序点发生重叠,取时序左侧点,忽略右侧点;
S32:所述中枢点落在同向右侧延长线上;
S33:所述中枢点纵向值不超出时序的纵向区间;
S34:满足S31-S33所有条件的中枢点视为有效中枢点。
进一步地,步骤S5中所述的区间极值包括最大值和最小值,且区间端点包括起点和终点,均用于判定趋势特性。
进一步地,步骤S5中所述的获得趋势分段结果的方法为:自左至右依次连接起点、所有的有效中枢点相关的时序点、终点,获得趋势分段。
本发明与现有技术相比具有以下优点:
第一、本发明提供的趋势动态分段方法,首先从相邻数据点所形成的线段出发,将延长线所形成的数据趋势向终止点处延伸,确保了初期的数据趋势可以和后期新数据趋势进行有效合并;
其次,延长线相交所获得的中枢点是可以被明确标记的,相关的时序点与极值结合以后,可以有效对时序进行区间划分;
最后,与传统的定长分段方法比较,所获得的重要分界点都由计算生成,不依靠事先设定,结果更为客观。
第二、本发明中的中枢点可以代表两条以上线段的趋势交点,因此中枢点只要满足不在线段内相交生成即可,这样非相邻的线段间的趋势可以被直接表示,不受连线相交的影响,适应范围广,实用性强。
第三、本发明可以在获得分段的同时,还能获得相应的线段索引表,其计算复杂度低,整体计算的时间要求低,大大降低了曲线拟合过程的工作运算量和识别时间。
第四、本发明中的基于中枢点的时间序列趋势动态分段方法是将相邻点的变化趋势用相交点的方式表示出来,随着时间进程,当原有的趋势与新的趋势产生相交,形成中枢点,该点代表着原有趋势和现有趋势产生趋同的情况,中枢点就是趋势得到数据的一致性认证。考虑极值点的同时,最终获得区间内的转折点,得到基于趋势段的分段表示。本发明不受时序参数的单位和采样间隔的影响,在时序的分段和模式分类中具有很强的延拓能力。可以确保分段结果有效反映数据的波动性,更准确的趋势化特征,并且在获得分段的同时,对每段时间序列进行特征标识,建立相关的趋势段索引表,给人工智能领域中的模式分类提供具有全局能力的索引表,确保时间序列的高效搜索。
附图说明
图1是本发明的获得趋势分段以及最终建立趋势段索引表的流程图。
图2是本发明中枢点的生成示意图。
图3是本发明趋势分段的形成过程。
图4是ECG200中心跳正常和异常的对比图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明作进一步详细说明。
一种基于中枢点的时间序列趋势动态分段方法,其获得分段以及最终建立趋势段索引表的流程图如附图1所示,主要包括以下步骤:
步骤一、在相邻时序点连线和延长线相交的基础上,对时间序列进行中枢点备选集计算和有效中枢点的确认。对所有相邻点先采用线性方式连接,获得多个线段及延长线及线性方程。所有线段相交及延长线相交产生的交点,作为中枢点备选集。
步骤二、对于给定的时间序列的中枢点备选集,非相邻时间线段的线性方程从起点到终点的趋势方向上产生交叉获得相交点,这类相交点成为中枢点;
第一、所述中枢点落在同向右侧延长线上;
第二,当两个中枢点相关的时序点发生重叠,取时序左侧点,右侧点忽略;
第三,所述中枢点纵向值不超出时序的纵向区间;
满足以上三点的中枢点称为有效中枢点。
步骤三、连接产生有效中枢点的时序点,获得有效的分段区间。
步骤四、根据区间极值和区间端点的相对位置,获得所述分段区间的区间步长,并得到区间趋势特性,获得趋势分段结果;
其中,区间极值包括最大值和最小值,区间端点指区间的起点和终点;
再依据两者之间的相对位置,按时间顺序,后值点减前值点,获得分段相应的动态步长,确定区间趋势特性;
再自左至右依次连接起点、所有的有效中枢点相关的时序点、终点,获得趋势分段结果;
区间极值分布在端点连线的两侧,极值与端点不重合,趋势特性为4特征点区间;区间极值中有一个点与端点重合,趋势特性为3特征点区间;区间极值中两个极值都与端点重合,区间呈线性状态,趋势特性为2特征点区间;
在趋势段确立以后,用符号法对区间进行特征索引标识。区间结束点值高于初始点值,为正向区间,即上升区间;区间结束点值低于初始点值,为负向区间,即下降区间。
步骤五、连接特征索引,对特征进行排序,最终建立趋势段索引表。趋势段索引表内容包括区间长度,区间正负性,特征点数,形成相应的时间序列分段索引表。
参考附图2中的中枢点的生成示意图,某段区间内的时间序列数值点P1,P2,P3,P4,P5,P6,P7和P8,依次连接P1和P2,P2和P3,P3和P4,P4和P5,P5和P6,P6和P7,P7和P8,连接非相邻线段的延长线,产生交点,获得Q1,Q2,Q3,Q4,Q5,Q6,Q7中枢点(仅以延长线相交为例)。
参考附图3中的趋势分段形成过程图中,AB是时间序列区间内由最值P3和P8形成的区间,P2,P4,P5点形成的中枢点Q1、Q3、Q4均在AB区间最值范围内,点和趋势线都在固定区间内,视为有效。其中,Q1由P1-P2和P4-P5线段生成,Q3的线段由P3-P4和P5-P6组成,Q4由P5-P6和P7-P8线段生成。生成Q3和Q4共同使用P5-P6组成,两线段发生部分重叠,取时间段在后的Q4点。最终Q1和Q4为有效中枢点。
相应的Q2、Q5、Q6和Q7纵向值超过区间内端点的最值,这些中枢点视为无效,对整体趋势不起到影响,视为无效中枢点。获得Q1时间最右侧点为P5,获得Q4时间最右侧点为P8。连接起点P1,P5,P8和终点P8,[P1-P8]区间形成[P1-P5],[P5-P8]两个区间。对两个区间,用右侧点位置值减去左侧点的位置值,获得相应的动态步长。
[P1-P5]形成的趋势段索引表[4,-1,3],依次表示长度为4,区间为负,特征点数为3。[P5-P8]形成的趋势段索引表[3,-1,3],依次表示长度为3,区间为负,特征点数为3。最终索引表为[4,-1,3],[3,-1,3],将时序分为二个区间。
实施例
首先,进行心跳采集获得心电图,提取相应的的时间序列,使用插值方法确保每个心跳时间序列等长。
其次,将心跳时间序列中的相邻点连接,得到线段以及其延长线,所有线段和延长线产生的交点组成中枢点备选集。
再次,在上述中枢点备选集中,计算中枢点,并获得有效中枢点,连接有效中枢点的相关时序点,得到分段区间。
再次,在得到的分段区间内,根据区间极值和区间端点,确定区间趋势,获得趋势分段结果,同时得到区间步长。
最后,根据对区间进行特征索引标识,并连接特征索引,对特征进行排序,最终建立趋势段索引表,具体参考表1。其中,ECG200是公认数据集。
表1:基于中枢点分段的ECG200心电图表动态分段索引表
分段 | 正常1 | 异常-1 |
1 | [A1,1,C1] | [A1,1,C1] |
2 | [A2,-1,C2] | [A2,-1,C2] |
3 | [A3,1,C3] | [A3,1,C3] |
4 | [A4,-1,C4] | [A4,-1,C4] |
5 | [A5,1,C5] | |
6 | [A6,-1,C6] |
其中,A和C依次表示区间步长和特征点数。结合附图4对心跳正常和心跳异常的进行分析,其中,图4(a)表示正常心跳,图4(b)表示异常心跳。
正常心跳的第三个波动段生成的中枢点备选集,该中枢点有效,形成相应分段区间点。图4(a)正常心跳分段具体见表1。图4(b)异常心跳第三个波动段消失或幅度过小,无法产生有益的分段结果,分段索引的结果与正常明显不同。
通过上述步骤,可以快速的确定心跳曲线中的异常时序,完成正常心跳和异常心跳的模式分类。
综上所述,利用本方法进行模式分类过程中,对于心电图进行分类时,能够对心电图中心跳正常、异常进行区分,可以更准确的定位心跳正常的分段特征,获得更优的分段结果;同时利用基于中枢点的时间序列趋势动态分段方法对心电图的时间序列的描述更加全面,且本发明采用非相邻线段延长线相交的方式计算中枢点,根据中枢点的有效性获得有效区间分段,根据区间起始点终止点与区间内极值的关系,获得相应的区间步长并确定相应的区间趋势类型,获得趋势分段;并在趋势段确定以后,对每段时间序列进行特征标识,还能建立相关的趋势段索引表,利用趋势段索引表可以对时间序列进行类型区分,例如在心电图异常识别领域(不仅限于此领域),可以用于不同类型心跳的划分。其与机械等长方法比较,所获得的结果更加客观,适应范围广,实用性强;
本发明所述方法可以在获得自由分段点的基础上,获得时序总体的特征索引结果,确保相应的区间分类结果的准确性,整体计算的时间要求低,大大降低了心电图异常识别过程中,采用点对点运算的工作运算量和识别时间;而且中枢点动态分段方法是通过计算的方法,最终获得时序的整体趋势,可以形成对时序趋势的最终评价;本发明不受时序长度、度量单位和采样频率的影响,在时序特征提取和分类表示领域中具有很强的延拓能力。
以上所述,仅是本发明的较佳实施实例,并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化,均仍属于本发明技术方案的保护范围内。
Claims (7)
1.一种基于中枢点的时间序列趋势动态分段方法,其特征在于,包括以下步骤:
S1:记录心跳期间的电活动,进行心跳采集,提取每次心跳的时间序列,使用插值方法确保每个心跳的时间序列成为等长时序;
S2:连接所述时间序列中的相邻点,得到多个线段及其延长线,再计算中枢点备选集;
S3:对于给定的时间序列的中枢点备选集,获得中枢点,确定中枢点有效性;
S4:连接产生有效中枢点的相关时序点,获得有效的分段区间;
S5:根据区间极值和区间端点的相对位置,获得所述分段区间的区间步长,并得到区间趋势特性,获得趋势分段结果。
2.根据权利要求1所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于:步骤S2中所述的中枢点备选集的计算过程包括:
S21:对于给定区间内的时间序列数值点,定义并连接所有相邻点,按时间顺序对所有相邻点采用线性方式依次连接,获得多个线段及延长线;
S22:所有线段及延长线相交产生的交点,组成中枢点备选集。
3.根据权利要求1所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于,步骤S3中获得中枢点的方法为:对于给定的时间序列的中枢点备选集,非相邻线段在由起点到终点的趋势方向上产生交叉,形成相交点,得到的这类相交点为中枢点。
4.根据权利要求3所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于,所述中枢点沿着起点到终点方向所形成的的坐标轴的正向方向。
5.根据权利要求1所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于:步骤S3中获得的中枢点,确定其有效性的具体操作步骤为:
S31:两个所述中枢点相关的时序点发生重叠,取时序左侧点,忽略右侧点;
S32:所述中枢点落在同向右侧延长线上;
S33:所述中枢点纵向值不超出时序的纵向区间;
S34:满足S31-S33所有条件的中枢点视为有效中枢点。
6.根据权利要求1所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于,步骤S5中所述的区间极值包括最大值和最小值,且区间端点包括起点和终点,均用于判定趋势特性。
7.根据权利要求1所述的一种基于中枢点的时间序列趋势动态分段方法,其特征在于:步骤S5中所述的获得趋势分段结果的方法为:自左至右依次连接起点、所有的有效中枢点相关的时序点、终点,获得趋势分段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550472.XA CN111783851B (zh) | 2020-06-16 | 2020-06-16 | 一种基于中枢点的时间序列趋势动态分段方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550472.XA CN111783851B (zh) | 2020-06-16 | 2020-06-16 | 一种基于中枢点的时间序列趋势动态分段方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783851A true CN111783851A (zh) | 2020-10-16 |
CN111783851B CN111783851B (zh) | 2023-08-11 |
Family
ID=72755952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010550472.XA Active CN111783851B (zh) | 2020-06-16 | 2020-06-16 | 一种基于中枢点的时间序列趋势动态分段方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783851B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970630A (zh) * | 2022-06-01 | 2022-08-30 | 中国人民解放军63796部队 | 一种时序数据多尺度分段的模型训练方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006210A (zh) * | 2013-01-11 | 2013-04-03 | 山东师范大学 | 基于分段线性化的窦性心率震荡趋势检测方法 |
US20140073864A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on fast start parameters |
CN106960059A (zh) * | 2017-04-06 | 2017-07-18 | 山东大学 | 一种基于分段线性表示的时间序列流数据降维与简化表示方法 |
CN108492871A (zh) * | 2018-02-06 | 2018-09-04 | 广东思派康电子科技有限公司 | 一种计算机可读存储介质及应用该介质的心率分析仪 |
CN110019421A (zh) * | 2018-07-27 | 2019-07-16 | 山东大学 | 一种基于数据特征片段的时间序列数据分类方法 |
CN110236571A (zh) * | 2019-04-30 | 2019-09-17 | 深圳六合六医疗器械有限公司 | 疲劳状态检测方法、装置、设备及存储介质 |
US20190298183A1 (en) * | 2014-05-05 | 2019-10-03 | Scanadu Incorporated | Portable device with multiple integrated sensors for vital signs scanning |
CN110647647A (zh) * | 2019-09-03 | 2020-01-03 | 西安外事学院 | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
-
2020
- 2020-06-16 CN CN202010550472.XA patent/CN111783851B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073864A1 (en) * | 2012-09-11 | 2014-03-13 | Nellcor Puritan Bennett Llc | Methods and systems for determining physiological information based on fast start parameters |
CN103006210A (zh) * | 2013-01-11 | 2013-04-03 | 山东师范大学 | 基于分段线性化的窦性心率震荡趋势检测方法 |
US20190298183A1 (en) * | 2014-05-05 | 2019-10-03 | Scanadu Incorporated | Portable device with multiple integrated sensors for vital signs scanning |
CN106960059A (zh) * | 2017-04-06 | 2017-07-18 | 山东大学 | 一种基于分段线性表示的时间序列流数据降维与简化表示方法 |
CN108492871A (zh) * | 2018-02-06 | 2018-09-04 | 广东思派康电子科技有限公司 | 一种计算机可读存储介质及应用该介质的心率分析仪 |
CN110019421A (zh) * | 2018-07-27 | 2019-07-16 | 山东大学 | 一种基于数据特征片段的时间序列数据分类方法 |
CN110236571A (zh) * | 2019-04-30 | 2019-09-17 | 深圳六合六医疗器械有限公司 | 疲劳状态检测方法、装置、设备及存储介质 |
CN110647647A (zh) * | 2019-09-03 | 2020-01-03 | 西安外事学院 | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
Non-Patent Citations (7)
Title |
---|
GARCIA, AJS等: ""Estimation of Time-to-Contact for Navigation of Autonomous Robots Using Parallel Processing"", 《PROCEEDINGS 2016 INTERNATIONAL CONFERENCE ON MECHATRONICS, ELECTRONICS, AND AUTOMOTIVE ENGINEERING, (ICMEAE 2016)》, pages 26 - 31 * |
H. D. HESAR: "\"A Multi Rate Marginalized Particle Extended Kalman Filter for P and T Wave Segmentation in ECG Signals\"", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》, vol. 23, no. 1, pages 112 - 122, XP011695766, DOI: 10.1109/JBHI.2018.2794362 * |
廖俊: ""基于趋势转折点的时间序列分段线性表示"", 《计算机工程与应用》, vol. 46, no. 30, pages 50 - 53 * |
梁建海: ""基于极值分段特征标识的时间序列分类方法"", 《控制工程》, vol. 29, no. 8, pages 1528 - 1536 * |
滕飞: "\"大规模时间序列分析框架的研究与实现\"", 《计算机学报》, vol. 43, no. 7, pages 1279 - 1292 * |
蔡红苹: ""基于二维DCT和分段编码的ECG信号压缩方法"", 《中国图象图形学报》, vol. 8, no. 12, pages 1406 - 1411 * |
邱璇: ""结合图像增强技术的血管内超声中—外膜边缘检测"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2013, pages 138 - 1301 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970630A (zh) * | 2022-06-01 | 2022-08-30 | 中国人民解放军63796部队 | 一种时序数据多尺度分段的模型训练方法 |
CN114970630B (zh) * | 2022-06-01 | 2024-04-19 | 中国人民解放军63796部队 | 一种时序数据多尺度分段的模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111783851B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8290575B2 (en) | Biomedical signal morphology analysis method | |
Koski et al. | Syntactic recognition of ECG signals by attributed finite automata | |
US7941209B2 (en) | Signal analysis method | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
CN101828918B (zh) | 基于波形特征匹配的心电信号r波峰检测方法 | |
WO2018195040A1 (en) | Electroanatomical mapping tools facilitated by activation waveforms | |
Wróbel et al. | Improving fetal heart rate signal interpretation by application of myriad filtering | |
CN103006210B (zh) | 基于分段线性化的窦性心率震荡趋势检测方法 | |
CN104834921B (zh) | 心电正/异常大数据处理方法及装置 | |
CN101810476A (zh) | 一种动态心电图的心拍模板分类方法 | |
Manju et al. | Classification of cardiac arrhythmia of 12 lead ecg using combination of smoteenn, xgboost and machine learning algorithms | |
CN107714033A (zh) | 识别具有相同形态的ecg信号 | |
CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
CN108052628A (zh) | 道岔启动电流检测方法、系统及终端设备 | |
CN105205111A (zh) | 一种挖掘时序数据故障模式的系统及方法 | |
CN111783851A (zh) | 一种基于中枢点的时间序列趋势动态分段方法 | |
CN109887595A (zh) | 基于深度学习技术的心搏异常识别算法 | |
CN109241077A (zh) | 基于相似性的生产指标变化趋势可视化查询系统及方法 | |
Lyle et al. | Beyond HRV: Analysis of ECG signals using attractor reconstruction | |
CN106096316A (zh) | 基于实时医学数据流分析的重症及手术监测预警方法和系统 | |
WO2019090869A1 (zh) | 心电图分析系统及其数据分析算法的学习更新方法 | |
CN103948387B (zh) | 一种基于大数据实现异常心电模板的多态重构及优化方法 | |
CN114254854A (zh) | 一种基于离群值监测的配网线损异常判断方法及系统 | |
Huang et al. | A new application of rough set to ECG recognition | |
CN103473458B (zh) | 一种折线对比分析相似度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |