CN111839505A - 一种基于心血管系统电-机械活动信息的房颤分级方法 - Google Patents
一种基于心血管系统电-机械活动信息的房颤分级方法 Download PDFInfo
- Publication number
- CN111839505A CN111839505A CN202010624789.3A CN202010624789A CN111839505A CN 111839505 A CN111839505 A CN 111839505A CN 202010624789 A CN202010624789 A CN 202010624789A CN 111839505 A CN111839505 A CN 111839505A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- feature
- signal
- cardiovascular system
- classification
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000694 effects Effects 0.000 title claims abstract description 23
- 210000000748 cardiovascular system Anatomy 0.000 title claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 2
- 230000035939 shock Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 8
- 230000000004 hemodynamic effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000001746 atrial effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000002861 ventricular 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
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Surgery (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于心血管系统电‑机械活动信息的房颤分级方法。本发明通过结合多路生理信号，并从中提取能够反映心房电活动以及心血管系统血流动力学变化的特征，从而实现对房颤等级的分类。具体流程包括：对多路生理信号进行降噪；对降噪后的生理信号进行特征点提取；根据特征点或者信号片段进行特征提取；利用机器学习算法构建房颤分级模型实现房颤的分级。本发明方法适用于基于心电、脉搏波、心冲击图等生理信号反映心血管系统电活动和机械活动的房颤分级方法，在信号处理研究领域和临床医学上均具有一定的应用价值。本发明方法的应用范围可推广至所有的单路或多路反映心血管系统电‑机械活动的信号分析研究。
Description
技术领域
本发明涉及生理信号的分析，具体涉及一种基于心血管系统电-机械活动信息的房颤分级方法。
背景技术
生理信号是一维的时序信号，用于获取人体各种生理参数，在健康检测和疾病诊断中扮演着重要角色。生理信号有多种类型，例如，心电信号能够反映正常和病理情况下心脏的电生理特性，可用于检测心律失常以及心肌缺血、心肌梗死等多种疾病；脉搏波信号能够表征心血管系统的血流动力学变化情况，为血压、血氧饱和度、心率等生理参数的测量提供了一种便捷的方法。
心房颤动(简称房颤)是21世纪全球心血管疾病领域面临的严峻挑战之一。在我国，房颤是因心律失常而住院的最常见原因。房颤同时也会导致许多其他并发症，如卒中、心力衰竭，严重时甚至会导致死亡。房颤的病理生理机制复杂，其临床评估和管理一直是心律失常研究领域的重点和难点。房颤的临床评估方法十分繁杂，常借助影像学检查的方法，如CT，MRI和X线胸片等，这些方法无疑会对患者造成极大的负担，临床操作也十分不便。因此，建立一种对房颤患者的疾病进程进行客观便捷评估的方法极其必要。
可穿戴技术以及机器学习方法在近年来得到了飞速的发展，通过可穿戴设备采集生理信号并结合信号处理和机器学习算法对疾病进行检测或预测已成为研究热点。然而关于房颤分级或者分类的研究却少有研究人员涉及。目前该领域大多基于单导联的心电信号，但心电信号无法反应心血管系统内血流动力学的变化情况。当房颤发作时，由于心动周期长短不一导致心室舒张期明显不同，进而使得不同心拍的心搏量明显差异。此外，房颤常伴随快速心室率，而这同样也会影响到心搏量。而心搏量的改变则会造成各级血管网内血流动力学参数的改变，如血压的变化。因此，在通过心电信号分析心脏电活动的基础上，结合能够反映心脏机械活动(血流动力学)信息的生理信号对房颤的进程进行全面综合的分级具有重要的科学研究和临床应用价值。
发明内容
本发明的目的在于提供一种基于心血管系统电-机械活动信息的房颤分级方法。本发明方法通过结合多路生理信号解决了仅通过心脏电活动对房颤分级带来的不足，同时充分利用了多源特征融合和拥有优异分类性能的机器学习方法。本发明方法通过同时采集可以反映心脏电活动和机械活动的生理信号，然后针对生理信号提取特征点进行数据层的特征融合得到一组特征向量。通过进一步对特征向量进行特征层的特征融合，最后利用机器学习方法实现对房颤进程的分级。
本发明提出了一种基于心血管系统电-机械活动信息的房颤分级方法，其具体步骤如下：
(1)对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声等的干扰，得到多路信号的一维信号片段；
(2)对于步骤(1)得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；
(3)对于每一路信号片段，根据步骤(2)中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；
(4)对步骤(3)得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；
(5)经过步骤(4)后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；
(6)利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤 (5)中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。
本发明中，步骤(1)中采集能够反映心血管系统电-机械活动的生理信号，所述生理信号为心电信号、脉搏波信号或心冲击信号中任一种。
本发明中，步骤(3)中对于多路生理信号特征点的特征提取和数据层的特征融合，所述方法包含如下三种：
a.针对每一路信号，选取该片段内所有特征点的幅值序列，然后计算幅值序列的统计量；
b.针对每一路信号，选取该片段内所有特征点与前一个特征点的时间差序列，然后计算序列的统计量；
c.对多路信号在同一心拍内的特征点进行数学运算获得时间序列，计算该时间序列的统计量。
本发明中，步骤(3)中的特征层的特征融合，所采用的方法包括主成分分析(PCA)、典型相关分析(CCA)、交替方向乘子法(ADMM)或线性特征依赖模型(LFDM)中任一种。
本发明中，步骤(6)中使用机器学习的方法对特征向量进行分类：其数据集由多路生理信号经过不同层次的特征融合后得到，然后将数据集划分为训练集与测试集。训练集用于训练机器学习算法建立的初始模型以获得房颤分级模型，测试集用于房颤分级模型在未知数据集上的房颤分级性能。
本发明具有以下有益效果：
1.本发明方法可无创便携地实现房颤进程的分级，有利于临床的可操作性；
2.本发明通过采集多路生理信号，实现房颤情况下的心脏电-机械活动的综合评估。相比于仅使用单路心电信号，可以进行更细致更准确地实现房颤的分级；
3.本发明通过对预处理后的多路生理信号进行数据层和特征层的特征融合，有效提高了分类器的性能；
4.本发明方法的应用范围可推广至所有基于心脏电-机械活动信号的房颤分级研究，以及其他心血管疾病的研究，在信号处理研究领域和临床医学上均具有一定的应用价值。
附图说明
图1是基于心电(ECG)与脉搏波(PPG)信号的房颤分级方法的总体流程图。
图2是实施例1采用的数据集划分方法以及样本分布的示意图。
图3是实施例1中两个类别对应的10s信号片段的示意图。其中第一列(a) 为等级1对应的10s ECG和PPG片段，第二列(b)为等级2对应的10s ECG 和PPG片段，第三列(c)为等级3对应的10s ECG和PPG片段。
图4是实施例1中基于阈值方法以及Pan Tompkins算法提取的PPG和ECG 信号的特征点(用圆圈表示)示意图，以及数据层中用于特征融合的特征示意图。
图5是实施例1中房颤分级模型在测试集数据上的混淆矩阵。
具体实施方式
下面结合附图和实施例对本发明方法及其应用做进一步详细说明。实施例仅用于对本发明进行说明，而非限定条件。在本发明技术方案的基础上，凡根据本发明原理对该实施例的各种变形或修正，均不应排除在本发明的保护范围之外。
实施例1：将本发明的心血管系统电-机械活动信息的房颤分级方法应用于同步采集的心电(ECG)和脉搏波(PPG)信号的分析。本实施例的数据是来自公开的MIMIC数据库和Queensland Vital Signs Dataset。工作流程如下：
(1)选择MIMIC数据库中的6个受试者数据和Queensland dataset中的1 个受试者数据。根据24小时的心电数据将受试者的房颤程度划分为三个等级，等级1为正常的窦性心律，等级2为该受试者的心电节律在24小时内房颤与窦性心律相互转变，等级3为该受试者的心电节律在24小时内持续房颤且未恢复到窦性心律。抽取10s的信号片段，并使用其中的ECG和PPG信号分别作为图 1算法流程的输入。由于这两个数据库都包含多通道生理信号，本实施例仅选择了II导联心电和PPG信号。图2为三种类别在数据集中的分布情况。图3为三种类别的原始信号片段。
(2)由于两个数据库的采样率分别为100Hz与125Hz，将步骤(1)中得到的包含ECG和PPG两个通道的10s片段重采样到125Hz。然后使用小波变换降噪。将降噪后的信号归一化到0和1之间。采用Matlab中的findpeaks函数对PPG 信号进行峰值检测。采用Pan Tompkins算法对ECG进行R波检测。最终的特征点检测结果如图4所示。
(3)由步骤(2)可获得每10s信号片段中心电信号的R波位置序列以及脉搏波峰值的位置序列。通过对R波的位置序列求一阶差分可获得RR间期序列；通过对脉搏波峰值的位置序列求一阶差分可获得脉搏波间隔PI序列；通过脉搏波峰值的位置获得脉搏波峰值幅度PA序列；通过计算同一心拍中R波和脉搏波峰值位置的相对时间差获得PAT序列，如图4所示。然后按照如下公式对这些序列计算统计量：
其中，MAD代表绝对值均值，STD代表标准差，RMS代表均方根，SE代表香农熵，CON代表对比度。按照上述公式，可以得到如下10个特征：RR_STD, RR_RMS,RR_MAD,PI_STD,PI_RMS,PA_STD,PA_RMS,PAT_STD,PAT_SE， PAT_CON，将这10个特征组成特征向量。
(4)基于步骤(3)生成的特征向量，采用主成分分析法(PCA)进行特征层的特征融合，选取9个主元，将原始的10维特征融合为9维特征。
(5)将所有10s信号片段对应的降维后的9维特征向量组成数据集，采用集成算法建立房颤分级模型。首先，将来自五个不同受试者的数据按照8:2的比例划分为训练集与测试集，同时为了验证房颤分级模型在未知数据集上的性能，在测试集中加入来自另外两个受试者的45个样本。将划分后的训练集输入到集成算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型。将测试集数据输入到房颤分级模型中以检验其分类准确率，其混淆矩阵结果表明房颤分级模型的总体准确率为91.23％，对等级1的灵敏度与特异性分别为100％和 90％，对等级2的灵敏度与特异性分别为91.89％和98.70％，对等级3的灵敏度与特异性分别为100％和89.77％。
Claims (5)
1.基于心血管系统电-机械活动信息的房颤分级方法，其特征在于具体步骤如下：
（1）对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到多路信号的一维信号片段；
（2）对于步骤（1）得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；
（3）对于每一路信号片段，根据步骤（2）中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；
（4）对步骤（3）得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；
（5）经过步骤（4）后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；
（6）利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤（5）中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。
2.根据权利要求1所述的方法，其特征在于步骤（1）采集能够反映心血管系统电-机械活动的生理信号，所述生理信号为心电信号、脉搏波信号或心冲击信号中任一种。
3.根据权利要求1所述的方法，其特征在于步骤（3）中对于多路生理信号特征点的特征提取和数据层的特征融合，所述方法包含如下三种：
a. 针对每一路信号，选取该片段内所有特征点的幅值序列，然后计算幅值序列的统计量；
b. 针对每一路信号，选取该片段内所有特征点与前一个特征点的时间差序列，然后计算序列的统计量；
c. 对多路信号在同一心拍内的特征点进行数学运算获得时间序列，计算该时间序列的统计量。
4.根据权利要求1所述的方法，其特征在于步骤（4）中的特征层的特征融合，所采用的方法为主成分分析、典型相关分析、交替方向乘子法或线性特征依赖模型中任一种。
5.根据权利要求1所述的方法，其特征在于步骤（6）中使用机器学习的方法对特征向量进行分类：其数据集由多路生理信号经过不同层次的特征融合后得到，然后将数据集划分为训练集与测试集，训练集用于训练机器学习算法建立的初始模型以获得房颤分级模型，测试集用于房颤分级模型在未知数据集上的房颤分级性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624789.3A CN111839505A (zh) | 2020-07-02 | 2020-07-02 | 一种基于心血管系统电-机械活动信息的房颤分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624789.3A CN111839505A (zh) | 2020-07-02 | 2020-07-02 | 一种基于心血管系统电-机械活动信息的房颤分级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111839505A true CN111839505A (zh) | 2020-10-30 |
Family
ID=72989410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624789.3A Pending CN111839505A (zh) | 2020-07-02 | 2020-07-02 | 一种基于心血管系统电-机械活动信息的房颤分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111839505A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113425272A (zh) * | 2021-08-02 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
| WO2023082402A1 (zh) * | 2021-11-11 | 2023-05-19 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117730A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图心房颤动实时判断方法、装置、系统及存储介质 |
| CN109171712A (zh) * | 2018-09-28 | 2019-01-11 | 东软集团股份有限公司 | 心房颤动识别方法、装置、设备及计算机可读存储介质 |
| CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
| CN110575161A (zh) * | 2019-08-27 | 2019-12-17 | 复旦大学 | 基于心脏标测激动序列图的房颤分析预测方法 |
| US20200155023A1 (en) * | 2018-11-16 | 2020-05-21 | Pacesetter, Inc. | Atrial flutter detection utilizing nonlinear dimension reduction |
-
2020
- 2020-07-02 CN CN202010624789.3A patent/CN111839505A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117730A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图心房颤动实时判断方法、装置、系统及存储介质 |
| CN109171712A (zh) * | 2018-09-28 | 2019-01-11 | 东软集团股份有限公司 | 心房颤动识别方法、装置、设备及计算机可读存储介质 |
| US20200155023A1 (en) * | 2018-11-16 | 2020-05-21 | Pacesetter, Inc. | Atrial flutter detection utilizing nonlinear dimension reduction |
| CN110327039A (zh) * | 2019-04-15 | 2019-10-15 | 四川大学 | 基于卷积神经网络的房颤分类方法 |
| CN110575161A (zh) * | 2019-08-27 | 2019-12-17 | 复旦大学 | 基于心脏标测激动序列图的房颤分析预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113425272A (zh) * | 2021-08-02 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
| CN113425272B (zh) * | 2021-08-02 | 2024-02-20 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
| WO2023082402A1 (zh) * | 2021-11-11 | 2023-05-19 | 中国科学院深圳先进技术研究院 | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
| Merdjanovska et al. | Comprehensive survey of computational ECG analysis: Databases, methods and applications | |
| CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
| US9131864B2 (en) | System and method for evaluating an electrophysiological signal | |
| JP7429371B2 (ja) | 生体物理信号における非同期ノイズを定量化し、かつ除去するための方法およびシステム | |
| JP3242981B2 (ja) | 限られた電極数でマッピング分析を行う方法及び装置 | |
| WO2022052300A1 (zh) | 一种基于深度学习的心电参数计算方法 | |
| US20070219454A1 (en) | ECG method and system for optimal cardiac disease detection | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
| Correa et al. | Identification of patients with myocardial infarction | |
| CN111839505A (zh) | 一种基于心血管系统电-机械活动信息的房颤分级方法 | |
| US20130035604A1 (en) | Frequency Analysis of 12-Lead Cardiac Electrical Signals to Detect and Identify Cardiac Abnormalities | |
| Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
| Matveev et al. | Possibilities of signal-averaged orthogonal and vector electrocardiography for locating and size evaluation of acute myocardial infarction with ST-elevation | |
| Liu et al. | Automatic Arrhythmia Detection Based on Convolutional Neural Networks. | |
| Murthy et al. | Ecg signal denoising and ischemic event feature extraction using daubechies wavelets | |
| Rashkovska et al. | Clustering of heartbeats from ECG recordings obtained with wireless body sensors | |
| JP5933138B2 (ja) | Ｅｃｇデータにおけるｑｒｓ群の発生を決定する装置及び方法 | |
| Hori et al. | Arrhythmia detection based on patient-specific normal ECGs using deep learning | |
| Mayapur | Detection and Processing of the R Peak | |
| Mondelo et al. | A channel-dependent algorithm for heart beats detection in ECG recordings | |
| Sanamdikar et al. | Using the GAN method, analysis several characteristics of the ECG signal in order to detect cardiac arrhythmia | |
| CN111265194B (zh) | 心室肥大的检测方法、装置、存储介质和处理器 | |
| Konstantin et al. | Noise-resilient Automatic Interpretation of Holter ECG Recordings |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |