CN111803060B - 一种心电伪迹信号去除方法及装置 - Google Patents
一种心电伪迹信号去除方法及装置 Download PDFInfo
- Publication number
- CN111803060B CN111803060B CN202010676579.9A CN202010676579A CN111803060B CN 111803060 B CN111803060 B CN 111803060B CN 202010676579 A CN202010676579 A CN 202010676579A CN 111803060 B CN111803060 B CN 111803060B
- Authority
- CN
- China
- Prior art keywords
- artifact
- electrocardiosignals
- electrocardiosignal
- signal
- original
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (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
本发明涉及心电信号处理技术领域,公开了一种心电伪迹信号去除方法,包括以下步骤:S1、采集原始心电信号,识别所述原始心电信号上的特征点;S2、根据所述特征点进行拟合得到伪迹信号,利用所述原始心电信号减去所述伪迹信号得到去伪迹后的心电信号;S3、判断去伪迹后的心电信号的质量参数是否满足预设条件,如果是,则转S4,否则对所述特征点进行修正,然后转S2;S4、以原始心电信号作为输入,以去伪迹后的心电信号作为标签,送入神经网络进行训练,得到伪迹去除模型;S5、根据所述伪迹去除模型对待处理心电信号进行伪迹去除。本发明具有伪迹去除后不会导致信号失真,且伪迹去除精度高的技术效果。
Description
技术领域
本发明涉及心电信号处理技术领域,具体涉及一种心电伪迹信号去除方法、装置以及计算机存储介质。
背景技术
心电信号中的运动伪迹因为变化幅度大、频率跨度范围大等原因直接影响心电报告的可读性及医生的诊断。又因为心电信号中的运动伪迹与有效心电信号在频域重叠而导致在技术上很难去除心电信号中的运动伪迹。
常见的去除心电信号中的运动伪迹方法有:
频域滤波法。设计滤波器去除低频运动伪迹信号,这种方法同时也会去除正常心电信号中的相应频段,使得处理后的心电信号失真。特别是对PQ段和ST段,因为临近变化剧烈的QRS波群而受影响较大。
时域消减法。该方法主要通过在时域寻找若干特征点,然后对特征点进行曲线拟合得到运动伪迹信号,最后用原信号减去拟合得到的运动伪迹信号来实现。这种方法在一定程度上减少了频域滤波法所带来的一些问题,但这种方法对算法本身所计算出的特征点是否准确依赖较大,而一些较小的特征点(如QRS起始点)因为在其附近通常伴有一些噪声,可能会导致特征点识别的偏差较大,导致最后结果仍然有运动伪迹信号。
发明内容
本发明的目的在于克服上述技术不足,提供一种心电伪迹信号去除方法、装置以及计算机存储介质,解决现有技术中心电信号伪迹去除会导致信号失真,且去除精度较低的技术问题。
为达到上述技术目的,本发明的技术方案提供一种心电伪迹信号去除方法,包括以下步骤:
S1、采集原始心电信号,识别所述原始心电信号上的特征点;
S2、根据所述特征点进行拟合得到伪迹信号,利用所述原始心电信号减去所述伪迹信号得到去伪迹后的心电信号;
S3、判断去伪迹后的心电信号的质量参数是否满足预设条件,如果是,则转S4,否则对所述特征点进行修正,然后转S2;
S4、以原始心电信号作为输入,以去伪迹后的心电信号作为标签,送入神经网络进行训练,得到伪迹去除模型;
S5、根据所述伪迹去除模型对待处理心电信号进行伪迹去除。
本发明还提供一种心电伪迹信号去除装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述心电伪迹信号去除方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现所述心电伪迹信号去除方法。
与现有技术相比,本发明的有益效果包括:本发明首先对原始心电信号进行伪迹去除,然后基于神经网络的训练,得到能够实现伪迹去除的模型。由于神经网络是一种非线性网络,其每层输出都有非线性激活函数,因此通过神经网络训练得到的模型可以解决线性滤波带来的信号失真的问题。同时,由于模型的识别准确率依赖于样本信号中特征点的识别准确度,因此在对样本信号进行伪迹信号去除时,通过对伪迹信号后心电信号进行质量评估,实现对特征点准确度的评估,进而对特征点进行修正,生成符合质量要求的去伪迹后的心电信号,保证心电信号的去伪迹准确度。
附图说明
图1是本发明提供的心电伪迹信号去除方法一实施方式的流程图;
图2是本发明提供的神经网络一实施方式的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本发明的实施例1提供了心电伪迹信号去除方法,包括以下步骤:
S1、采集原始心电信号,识别所述原始心电信号上的特征点;
S2、根据所述特征点进行拟合得到伪迹信号,利用所述原始心电信号减去所述伪迹信号得到去伪迹后的心电信号;
S3、判断去伪迹后的心电信号的质量参数是否满足预设条件,如果是,则转S4,否则对所述特征点进行修正,然后转S2;
S4、以原始心电信号作为输入,以去伪迹后的心电信号作为标签,送入神经网络进行训练,得到伪迹去除模型;
S5、根据所述伪迹去除模型对待处理心电信号进行伪迹去除。
本实施例要进行伪迹去除模型的建立,因此需要先搜集有伪迹信号的原始心电信号,原始心电信号的来源可以是:心电图机采集的信号、采集的动态心电信号、从一段心电信号中截取的部分心电信号等。搜集完心电信号后,需要对心电信号进行标定和校准,生成去除伪迹后的心电信号。首先找出心电信号的特征点,特征点包括Q波、R波、S波等。识别Q波、R波以及S波的过程可以采用差分阈值法、模板匹配法、神经网络、小波变换法等实现。找出特征点后,根据找出的特征点生成伪迹信号。然后用原始心电信号减去伪迹信号得到去伪迹后的信号。查验去伪迹后的信号质量,如果达不到要求,则需要对特征点进行调整,调整特征点的方法包括增加特征点,移动特征点和删除特征点。根据修正后的特征点重新生成伪迹信号,并去除原始心电信号中伪迹信号,再次判断去除伪迹后的心电是否符合质量要求,重复修改特征点直到心电信号的质量符合要求为止。在对去除伪迹后的心电信号的质量参数进行判断后,优选再次通过人工查验的方式对心电信号的质量进行人工校验,直至去除伪迹后心电信号的质量参数符合预设条件,且人工查验合格为止。人工查验合格的标准可以设定为:两个不同的标定人员均认为去伪迹后心电信号符合质量要求。
对采集的原始心电信号进行了符合质量要求的去除伪迹过程后,即建立好了用于神经网络训练的样本数据集。以原始心电信号作为输入,以去伪迹后的心电信号作为标签信号,对神经网络进行训练,即可得到用于心电伪迹去除的伪迹去除模型。
本发明实施例提供的心电伪迹去除方法属于一种非线性去噪方法,本方法能够解决频域滤波法中线性滤波会衰减有用心电信号中相应频段,从而导致信号失真问题。同时,与时域消减法相比,本实施例只在构建训练的样本数据集时需要对样本数据的特征点进行提取,在利用模型去除伪迹时不需要提取特征点,取而代之的是通过神经网络高维空间的运算和反复的逼近迭代求解,得到基于大量心电样本数据的通用去伪迹方法。
优选的,根据所述特征点进行拟合得到伪迹信号,具体为:
在每相邻的两个特征点之间构造一个拟合函数,根据各所述特征点求解各所述拟合函数的参数;
结合各所述拟合函数得到所述伪迹信号。
具体的,拟合函数可以是二项式函数、多项式函数。
优选的,在每相邻的两个特征点之间构造一个拟合函数,根据各所述特征点求解各所述拟合函数的参数,具体为:
在每相邻两个特征点之间构造一个二项式函数:
f(x)=w1x+w2x2+b
其中,f(x)为二项式函数值,即心电信号的信号值,x为心电信号的采样时间,w1、w2、b均为二项式函数的参数;
将与二项式函数相关的两个特征点的采样时间以及信号值代入所述二项式函数,同时,基于相邻的两个拟合函数在公共特征点上的一阶导数相等,建立方程组;
求解所述方程组得到二项式函数的参数值。
本实施例选用二项式函数作为拟合函数,设原始心电信号中识别的特征点为[t1,t2,t3,...,tn],拟合的目标是:
1)、每个相邻特征点之间构造一个二项式函数f(x)=w1x+w2x2+b,使得相邻特征点处此二项式成立;
2)、同一特征点左右两个二项式在此特征点的一阶导数相等。
以上所有二项式的集合便构成了拟合后的伪迹信号。
在本实施例中,设定边界特征点t1和tn处的一阶导为0,便可以求解出所有二项式的唯一解。
优选的,判断去伪迹后的心电信号的质量参数是否满足预设条件,具体为:
判断所述心电信号的振幅波动范围是否超过预设范围,如果是,则判定满足预设条件,否则不满足预设条件。
去除伪迹后的心电信号质量主要通过振幅的波动幅度来体现。预设范围可以设置为:-1mv-2mv。
优选的,判断去伪迹后的心电信号的质量参数是否满足预设条件,具体为:
判断所述心电信号的低频能量是否超过预设值,如果是,则判定满足预设条件,否则不满足预设条件。
去除伪迹后的心电信号质量还可以通过低频能量来体现,低频能量与振幅相关。
优选的,对所述特征点进行修正,具体为:
筛选出振幅波动范围不在预设范围内的心电信号段,对所述心电信号段内的特征点进行修正。
对特征点的修正可以采用与上一次特征点识别不同的识别方法进行特征点的重新识别。同时还可以对上一次识别的特征点进行增加、移动、删除等操作。
采集的原始心电信号标定完成后,将采集到的原始心电信号作为神经网络的输入数据,经过标定和校准的去除伪迹信号后的心电信号作为神经网络的标签数据,对神经网络进行训练。
优选的,所述神经网络包括两层全连接层,两个所述全连接层之间包括三层LSTM层。
具体的,如图2所示,本实施例选用的神经网络包括两层全连接层,即全连接层FC1和全连接层FC3,FC1和FC3之间包裹3层LSTM层组成的融合网络。FC1用于将原始心电信号变为更多维度的数据;LSTM1、LSTM2、LSTM3组成时序网络组,用以更好地记忆之前时刻的心电信号,有助于学习不同频率运动伪迹的特性;FC3用于将时序网络组的输出转换为最终需要的心电信号。
应该理解的,本实施例提供的网络结构仅为一种实施方式,其它结构的神经网络(例如全连接网络、卷积网络、时序网络、这三种网络之间的组合等)同样可以实现相应效果。
优选的,以原始心电信号作为输入,以去伪迹后的心电信号作为标签信号,对神经网络进行训练,得到伪迹去除模型,具体为:
将所述原始心电信号输入所述神经网络得到预测心电信号,将预测心电信号与标签信号进行比对,生成损失值,根据所述损失值修正神经网络各层的偏差和权重值;
判断损失值是否小于设定值,如果是,则输出修正后的神经网络得到所述伪迹去除模型,否则转上一步进行下一次训练。
本实施例中神经网络训练具体为:
从步骤2已标定好的原始心电信号中随机选取一个批次的原始心电信号,例如100份原始心电信号,并从每份原始心电信号中随机选取100个点送入神经网络,神经网络经过前向推导后输出最终的预测心电信号;
将步骤a生成的预测心电信号与标定后的去除伪迹的标签信号进行比对,生成损失值;
根据步骤c的损失值修正神经网络各层的偏差和权重值
判断损失值是否小于0.01,如果小于,则输出修正后的神经网络,否则更换下一个批次的原始心电信号并重复步骤a。
损失值的计算方式为huber loss损失函数;利用损失值修正神经网络各层内部的偏差和权重值的方式为通过adam方式将误差反向传播进行优化。
神经网络训练好后,即可进行实际应用,实现待处理心电信号中伪迹信号的去除。
实际应用中去伪迹处理的具体实现流程为:
采集到的一帧待处理心电信号送入伪迹去除模型,伪迹去除模型将待处理心电信号转换为去除伪迹后的心电信号并输出;
对去除伪迹后的心电信号进行显示或打印,实现结果的可视化。
本实施例采用的神经网络每层输出都有非线性激活函数,这样使得网络整体是一种非线性网络,通过不断学习大量的样本信号,使神经网络在高维空间的运算和反复的逼近迭代求解,得到基于大量心电数据的通用去伪迹方法,解决线性滤波会衰减有用心电信号中相应频段,从而导致信号失真问题。同时,模型训练完成后,进行伪迹去除时,无需再进行特征点的提取识别,避免了提取识别特征点而带来的偏差问题。
同时,本发明在标定原始心电信号时,由于采用了自动识别特征点,然后自动判断信号质量并进行调整的方式,从而大大减少标定的工作量。传统的标定方法需要人工对每个特征点进行重新调整。而本发明通过质量判断,找到特征点标定存在问题的具体位置,从而减少了特征点修正的范围,不需要分析整段波形,可以直接关注于波形细部,从而只需要在相应范围内调整有限的几个特征点来对去伪迹后的信号进行标定,大大降低标定工作量。
实施例2
本发明的实施例2提供了心电伪迹信号去除装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现实施例1提供的心电伪迹信号去除方法。
本发明实施例提供的心电伪迹信号去除装置,用于实现心电伪迹信号去除方法,因此,心电伪迹信号去除方法所具备的技术效果,心电伪迹信号去除装置同样具备,在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1提供的心电伪迹信号去除方法。
本发明实施例提供的计算机存储介质,用于实现心电伪迹信号去除方法,因此,心电伪迹信号去除方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (6)
1.一种心电伪迹信号去除方法,其特征在于,包括以下步骤:
S1、采集原始心电信号,识别所述原始心电信号上的特征点;
S2、根据所述特征点进行拟合得到伪迹信号,利用所述原始心电信号减去所述伪迹信号得到去伪迹后的心电信号;
S3、判断去伪迹后的心电信号的质量参数是否满足预设条件,如果是,则转S4,否则对所述特征点进行修正,然后转S2;
S4、以原始心电信号作为输入,以去伪迹后的心电信号作为标签信号,对神经网络进行训练,得到伪迹去除模型;
S5、根据所述伪迹去除模型对待处理心电信号进行伪迹去除;
判断去伪迹后的心电信号的质量参数是否满足预设条件,具体为:
判断所述心电信号的振幅波动范围是否超过预设范围,或,判断所述心电信号的低频能量是否超过预设值,如果是,则判定满足预设条件,否则不满足预设条件;
对所述特征点进行修正,具体为:
筛选出振幅波动范围不在预设范围内的心电信号段,对所述心电信号段内的特征点进行修正;
以原始心电信号作为输入,以去伪迹后的心电信号作为标签,送入神经网络进行训练,得到伪迹去除模型,具体为:
将所述原始心电信号输入所述神经网络得到预测心电信号,将预测心电信号与标签信号进行比对,生成损失值,根据所述损失值修正神经网络各层的偏差和权重值;
判断损失值是否小于设定值,如果是,则输出修正后的神经网络得到所述伪迹去除模型,否则转上一步进行下一次训练。
2.根据权利要求1所述的心电伪迹信号去除方法,其特征在于,根据所述特征点进行拟合得到伪迹信号,具体为:
在每相邻的两个特征点之间构造一个拟合函数,根据各所述特征点求解各所述拟合函数的参数;
结合各所述拟合函数得到所述伪迹信号。
4.根据权利要求1所述的心电伪迹信号去除方法,其特征在于,所述神经网络包括两层全连接层,两个所述全连接层之间包括三层LSTM层。
5.一种心电伪迹信号去除装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-4任一所述的心电伪迹信号去除方法。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现如权利要求1-4任一所述的心电伪迹信号去除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676579.9A CN111803060B (zh) | 2020-07-14 | 2020-07-14 | 一种心电伪迹信号去除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676579.9A CN111803060B (zh) | 2020-07-14 | 2020-07-14 | 一种心电伪迹信号去除方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111803060A CN111803060A (zh) | 2020-10-23 |
CN111803060B true CN111803060B (zh) | 2022-12-06 |
Family
ID=72865004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676579.9A Active CN111803060B (zh) | 2020-07-14 | 2020-07-14 | 一种心电伪迹信号去除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111803060B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705354B (zh) * | 2021-07-30 | 2024-04-05 | 西安交通大学 | 一种混合式心电信号运动伪迹去除方法、系统、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105246400A (zh) * | 2013-03-15 | 2016-01-13 | 佐尔医药公司 | 用于去除车辆运动伪影的ecg降噪系统 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
CN107550488A (zh) * | 2017-09-28 | 2018-01-09 | 武汉中旗生物医疗电子有限公司 | 心电伪迹消除方法及装置 |
CN109907752A (zh) * | 2019-03-04 | 2019-06-21 | 王量弘 | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 |
CN110141243A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 一种心电图身份识别处理方法 |
CN110664390A (zh) * | 2019-10-11 | 2020-01-10 | 南京航空航天大学 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
US10593021B1 (en) * | 2019-09-11 | 2020-03-17 | Inception Institute of Artificial Intelligence, Ltd. | Motion deblurring using neural network architectures |
WO2020081471A1 (en) * | 2018-10-17 | 2020-04-23 | Bodyport Inc. | Cardiovascular signal acquisition, fusion, and noise mitigation |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070156190A1 (en) * | 2005-12-30 | 2007-07-05 | Can Cinbis | Subcutaneous ICD with motion artifact noise suppression |
EP2792297B1 (en) * | 2013-04-15 | 2016-03-02 | Stichting IMEC Nederland | System and method for the analysis of biopotential signals using motion artifact removal techniques |
US10782378B2 (en) * | 2018-05-16 | 2020-09-22 | Siemens Healthcare Gmbh | Deep learning reconstruction of free breathing perfusion |
CN110327031A (zh) * | 2018-11-29 | 2019-10-15 | 武汉中旗生物医疗电子有限公司 | 一种去除心电信号运动伪迹的方法 |
CN110584649B (zh) * | 2019-09-09 | 2021-01-15 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
CN110840445B (zh) * | 2019-12-12 | 2021-07-20 | 山东省计算中心(国家超级计算济南中心) | 一种动态心电信号的自动降噪方法 |
-
2020
- 2020-07-14 CN CN202010676579.9A patent/CN111803060B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105246400A (zh) * | 2013-03-15 | 2016-01-13 | 佐尔医药公司 | 用于去除车辆运动伪影的ecg降噪系统 |
CN106580307A (zh) * | 2015-10-13 | 2017-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图的质量判断方法及质量判断系统 |
CN107550488A (zh) * | 2017-09-28 | 2018-01-09 | 武汉中旗生物医疗电子有限公司 | 心电伪迹消除方法及装置 |
WO2020081471A1 (en) * | 2018-10-17 | 2020-04-23 | Bodyport Inc. | Cardiovascular signal acquisition, fusion, and noise mitigation |
CN109907752A (zh) * | 2019-03-04 | 2019-06-21 | 王量弘 | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 |
CN110141243A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 一种心电图身份识别处理方法 |
US10593021B1 (en) * | 2019-09-11 | 2020-03-17 | Inception Institute of Artificial Intelligence, Ltd. | Motion deblurring using neural network architectures |
CN110664390A (zh) * | 2019-10-11 | 2020-01-10 | 南京航空航天大学 | 基于腕带式ppg和深度学习的心率监测系统及方法 |
Non-Patent Citations (3)
Title |
---|
A Cascaded Convolutional Neural Network for Assessing Signal Quality of Dynamic ECG;Qifei Zhang等;《Computational and Mathematical Methods in Medicine》;20191020;第1-12页 * |
可穿戴心电信号监测中运动伪影消除技术研究;吴金奖 等;《信号处理》;20141130;第1388-1393页 * |
面向智能服装的心率变异性分析方法研究;陈伟浩;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315;I137-408 * |
Also Published As
Publication number | Publication date |
---|---|
CN111803060A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9364160B2 (en) | Systems and methods for ECG monitoring | |
CN110226920B (zh) | 心电信号识别方法、装置、计算机设备和存储介质 | |
Wang et al. | ECG signal denoising based on deep factor analysis | |
CN108113665B (zh) | 一种心电信号自动降噪方法 | |
CN105212922A (zh) | 面向fpga实现心电信号r波自动检测的方法及系统 | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN110680308A (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
Satija et al. | Noise‐aware dictionary‐learning‐based sparse representation framework for detection and removal of single and combined noises from ECG signal | |
CN108009122B (zh) | 一种改进的hht方法 | |
CN110432895B (zh) | 训练数据处理、心电波形检测方法及电子设备 | |
CN111803060B (zh) | 一种心电伪迹信号去除方法及装置 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN114129171B (zh) | 一种基于改进的残差密集网络的心电信号降噪方法 | |
CN116712056B (zh) | 心电图数据的特征图像生成与识别方法、设备及存储介质 | |
CN112101089A (zh) | 信号降噪方法、装置、电子设备及存储介质 | |
Zhou et al. | Denoising and baseline correction of ECG signals using sparse representation | |
CN113726318A (zh) | 基于wm的局部放电白噪声自适应抑制方法 | |
CN112200232B (zh) | Qrs识别方法及电子设备 | |
CN116977227B (zh) | 基于局部结构变差的图像平滑方法及装置 | |
CN116369936B (zh) | 一种心电信号处理方法、系统、装置及存储介质 | |
Guo et al. | Sparse ECG denoising with generalized entropy penalty | |
Alla et al. | A robust ECG signal enhancement technique through optimally designed adaptive filters | |
Saliha et al. | Extraction of Myopotentials in ECG Signal Using Median Filter via Adaptive Wavelet Weiner Filter | |
CN116955929A (zh) | 光电容积波信号盲切分段预处理方法、装置和计算机设备 | |
Manjula et al. | ECG Denoising Using Multiple Approaches |
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 |