CN112022125A - 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 - Google Patents

一种基于CNN-BiGRU模型和PPG的智能血压预测方法 Download PDF

Info

Publication number
CN112022125A
CN112022125A CN202011041494.XA CN202011041494A CN112022125A CN 112022125 A CN112022125 A CN 112022125A CN 202011041494 A CN202011041494 A CN 202011041494A CN 112022125 A CN112022125 A CN 112022125A
Authority
CN
China
Prior art keywords
cnn
model
data
bigru
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.)
Pending
Application number
CN202011041494.XA
Other languages
English (en)
Inventor
尹武涛
张辉
张丹
陈永毅
李家兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Bozhixin Technology Co ltd
Original Assignee
Wuxi Bozhixin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Bozhixin Technology Co ltd filed Critical Wuxi Bozhixin Technology Co ltd
Priority to CN202011041494.XA priority Critical patent/CN112022125A/zh
Publication of CN112022125A publication Critical patent/CN112022125A/zh
Pending legal-status Critical Current

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
    • A61B5/02—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
    • 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
    • A61B5/7235—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Human Resources & Organizations (AREA)
  • Cardiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)

Abstract

本发明公开了一种基于CNN‑BiGRU模型和PPG的智能血压预测方法，采集受试者的PPG信号作为原始数据集，采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据；将训练数据和测试数据进行归一化处理，对PPG数据进行了下采样；构建CNN‑BiGRU深度神经网络模型，将训练样本输入到CNN‑BiGRU模型中进行训练；将测试样本数据输入到训练好的CNN‑BiGRU模型中进行收缩压和舒张压的预测。本发明通过将CNN模型和BiGRU模型有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，并能够有效且准确的实现人体收缩压和舒张压的预测。

Description

一种基于CNN-BiGRU模型和PPG的智能血压预测方法
技术领域
本发明涉及收缩压和舒张压预测技术领域，具体为一种基于CNN-BiGRU模型和PPG的智能血压预测方法。
背景技术
高血压是全世界死亡的一个主要原因，也是增加严重疾病风险的一个关键因素，包括中风和心力衰竭等心血管疾病。血压是心血管疾病早期发现、预防和治疗的主要生命体征，必须定期监测。传统的血压测量技术要么是侵入式的，要么是基于袖口的，这是不切实际的，而且对病人来说不舒服。在过去的几十年里，人们研究了几种使用光电容积脉搏波(PPG)的间接方法，即脉冲传输时间、脉冲波传播速度、脉冲到达时间和脉搏波分析，试图利用PPG来估计血压。同时信号处理技术也得到了新的发展，包括机器学习和人工智能，也为基于PPG的无袖带持续血压检测开辟了新的领域。
鉴于最近信号处理技术的进步，以及深度学习的兴起，基于数据驱动的血压预测方法吸引了全世界许多研究小组的关注。通过深度学习技术，已经建立了许多不同的BP估计模型，这些深度神经网络模型相比于一些传统的方法，不再是单单的通过数学公式推导，而是一种更趋向于智能的预测方法。尽管基于深度学习的BP预测已经取得了一些进展，但要更好地实现BP预测，肯定还需要做更多的工作。
为了克服现有技术的不足，本发明的目的在于针对收缩压和舒张压这两个重要健康指标，提供了一种基于深度学习和PPG信号的收缩压和舒张压预测方法。该方法中的组合模型将卷积神经网络(convolution neural networks,CNN)和双向门控循环单元(bidirectional gate recurrent unit,BiGRU)有机结合，将数据的特征提取和预测任务集成在一起，提高了整个预测模型的关联性和预测精度，并能够有效且准确的实现收缩压和舒张压的预测。
发明内容
为实现上述目的，本发明提供如下技术方案：一种基于CNN-BiGRU模型和PPG的智能血压预测方法，该方法包括以下步骤：
首先，采集受试者的PPG信号作为原始数据集，对PPG数据进行预处理，消除持续时间不足的数据，然后，采用现有研究中观察到的具有75％重叠的8秒窗口来进行数据分割，该窗口被认为足以捕获心脏活动的有用信息。此外，从数据集中排除了不可靠的信号，例如丢失数据，非常高/很低的BP和HR值，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
Figure BDA0002706787990000021
其中Α为伸缩因子，B为平移因子，
Figure BDA0002706787990000022
为子波，是对母小波υ(t)的缩放和位移。
将训练数据和测试数据进行归一化处理，用来提升模型训练时的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，对PPG数据进行下采样；
构建CNN-BiGRU深度神经网络模型，该模型包括两层CNN和两层BiGRU层，为了提高训练速度和网络泛化能力，采用了批归一化层，其中，CNN的卷积操作如式(2)所示：
Figure BDA0002706787990000023
其中
Figure BDA0002706787990000024
为第(n-1)层的第d个特征图的输出值；
Figure BDA0002706787990000025
为卷积核；
Figure BDA0002706787990000026
为第n层的第m个特征图所对应的阈值；Nm为输入的特征图集合；
Figure BDA0002706787990000027
为第n层的第m个特征图的输出值；f(·)为激活函数；
CNN-BiGRU模型构建完成后，将训练样本输入到CNN-BiGRU模型中进行训练，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiGRU模型中进行收缩压和舒张压的预测。
再进一步，CNN-BiGRU模型训练的方法采用的是Adam梯度下降方法，损失函数采用mean square error，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiGRU模型参数不变。
与现有技术相比，本发明的有益效果是：该基于CNN-BiGRU模型和PPG的智能血压预测方法：本发明采用CNN-BiGRU模型实现了对PPG信号的特征提取和血压预测，该组合模型借助CNN较好的提取空间局部特征能力与BiLSTM在处理非线性时间序列时独到的优势，将数据的特征提取和预测任务集成在一个模型中，提高了整个预测模型的关联性和预测精度，能够有效且准确的实现受试者收缩压和舒张压的预测。
附图说明
图1是本发明基于卷积神经网络和双向长短期记忆网络的血压预测方法流程图；
图2是本发明所提供的实例数据通过滑动窗口获取样本的示意图；
图3是CNN-BiGRU深度神经网络模型结构图；
图4是本发明的DBP和SBP预测结果图，其中，(a)DBP预测结果，(b)SBP预测结果。
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1-4，本发明提供一种技术方案：一种基于CNN-BiGRU模型和PPG的智能血压预测方法，包括以下步骤：
首先，采集受试者的PPG信号作为原始数据集，对PPG数据进行预处理，消除持续时间不足的数据，然后，采用现有研究中观察到的具有75％重叠的8秒窗口来进行数据分割，该窗口被认为足以捕获心脏活动的有用信息，如图2所示，此外，从数据集中排除了不可靠的信号，例如丢失数据，非常高/很低的BP和HR值，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
Figure BDA0002706787990000041
其中α为伸缩因子，β为平移因子，
Figure BDA0002706787990000042
为子波，是对母小波
Figure BDA0002706787990000043
的缩放和位移。
将训练数据和测试数据进行归一化处理，提升模型的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，对PPG数据进行了下采样；
构建CNN-BiGRU深度神经网络模型，该模型包括两层CNN和两层BiGRU层，为了提高训练速度和网络泛化能力，采用了批归一化层，其中，CNN的卷积操作如式(2)所示：
Figure BDA0002706787990000044
其中
Figure BDA0002706787990000045
为第(n-1)层的第d个特征图的输出值；
Figure BDA0002706787990000046
为卷积核；
Figure BDA0002706787990000047
为第n层的第m个特征图所对应的阈值；Nm为输入的特征图集合；
Figure BDA0002706787990000051
为第n层的第m个特征图的输出值；f(·)为激活函数；
CNN-BiGRU模型构建完成后，将训练样本输入到CNN-BiGRU模型中进行训练，CNN-BiGRU模型训练的方法采用的是Adam梯度下降方法，损失函数采用mean square error，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiGRU模型参数不变，其中，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiGRU模型中进行收缩压和舒张压预测。
最后，我们采用英国高血压学会(British Hypertension Society,BHS)标准对本发明的DBP和SBP的预测结果进行了分级，如表1所示，DBP达到了A级，SBP达到了B级。
表1为本发明中DBP和SBP的预测结果与BHS标准进行比较分析
Figure BDA0002706787990000052
表1
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于CNN-BiGRU模型和PPG的智能血压预测方法，所述方法包括以下步骤；
首先，采集受试者的PPG信号作为原始数据集，对PPG数据进行预处理，消除持续时间不足的数据，然后，采用现有研究中观察到的具有75％重叠的8秒窗口来进行数据分割，该窗口被认为足以捕获心脏活动的有用信息。此外，从数据集中排除了不可靠的信号，例如丢失数据，非常高/很低的BP和HR值，同时采用小波分解的方法对原始数据集进行去噪处理，并将其分为训练数据和测试数据，小波分解过程如下：
Figure FDA0002706787980000011
其中Α为伸缩因子，B为平移因子，
Figure FDA0002706787980000012
为子波，是对母小波υ(t)的缩放和位移。
将训练数据和测试数据进行归一化处理，用来提升模型训练时的收敛速度。此外，为了降低深度神经网络模型的计算复杂度，对PPG数据进行下采样；
构建CNN-BiGRU深度神经网络模型，该模型包括两层CNN和两层BiGRU层，为了提高训练速度和网络泛化能力，采用了批归一化层，其中，CNN的卷积操作如式(2)所示：
Figure FDA0002706787980000013
其中
Figure FDA0002706787980000014
为第(n-1)层的第d个特征图的输出值；
Figure FDA0002706787980000015
为卷积核；
Figure FDA0002706787980000016
为第n层的第m个特征图所对应的阈值；Nm为输入的特征图集合；
Figure FDA0002706787980000017
为第n层的第m个特征图的输出值；f(·)为激活函数；
CNN-BiGRU模型构建完成后，将训练样本输入到CNN-BiGRU模型中进行训练，为了防止训练过程中出现严重的过拟合现象，还在模型中加入了dropout层；
将测试样本数据输入到训练好的CNN-BiGRU模型中进行收缩压和舒张压的预测。
2.如权利要求1所述的一种基于CNN-BiGRU模型和PPG的智能血压预测方法，其特征在于，所述步骤(4)中，CNN-BiGRU模型训练的方法采用的是Adam梯度下降方法，损失函数采用mean square error，批量大小为100，迭代次数为200，训练完成后，保持CNN-BiGRU模型参数不变。
CN202011041494.XA 2020-09-28 2020-09-28 一种基于CNN-BiGRU模型和PPG的智能血压预测方法 Pending CN112022125A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011041494.XA CN112022125A (zh) 2020-09-28 2020-09-28 一种基于CNN-BiGRU模型和PPG的智能血压预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011041494.XA CN112022125A (zh) 2020-09-28 2020-09-28 一种基于CNN-BiGRU模型和PPG的智能血压预测方法

Publications (1)

Publication Number Publication Date
CN112022125A true CN112022125A (zh) 2020-12-04

Family

ID=73574640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011041494.XA Pending CN112022125A (zh) 2020-09-28 2020-09-28 一种基于CNN-BiGRU模型和PPG的智能血压预测方法

Country Status (1)

Country Link
CN (1) CN112022125A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112706001A (zh) * 2020-12-23 2021-04-27 重庆邮电大学 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法
CN113456042A (zh) * 2021-06-30 2021-10-01 浙江师范大学 一种基于3d cnn的无接触面部血压测量方法
CN113688770A (zh) * 2021-09-02 2021-11-23 重庆大学 高层建筑长期风压缺失数据补全方法及装置
CN113693575A (zh) * 2021-08-06 2021-11-26 武汉理工大学 一种基于轻量级神经网络的ppg血压检测方法
CN114098681A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于tcn模型和ppg信号的智能血压预测方法
CN114224303A (zh) * 2021-10-19 2022-03-25 安徽大学 一种无创血压预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322962A (zh) * 2019-07-03 2019-10-11 重庆邮电大学 一种自动生成诊断结果的方法、系统及计算机设备
US20200046244A1 (en) * 2018-08-08 2020-02-13 Tata Consultancy Services Limited Parallel implementation of deep neural networks for classifying heart sound signals
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111248882A (zh) * 2020-02-21 2020-06-09 乐普（北京）医疗器械股份有限公司 一种预测血压的方法和装置
CN111248880A (zh) * 2020-02-21 2020-06-09 乐普（北京）医疗器械股份有限公司 一种基于光体积变化描记图法信号的血压预测方法和装置
CN111358455A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种多数据源的血压预测方法和装置
CN111657926A (zh) * 2020-07-08 2020-09-15 中国科学技术大学 一种基于多导联信息融合的心律失常分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200046244A1 (en) * 2018-08-08 2020-02-13 Tata Consultancy Services Limited Parallel implementation of deep neural networks for classifying heart sound signals
CN110322962A (zh) * 2019-07-03 2019-10-11 重庆邮电大学 一种自动生成诊断结果的方法、系统及计算机设备
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111248882A (zh) * 2020-02-21 2020-06-09 乐普（北京）医疗器械股份有限公司 一种预测血压的方法和装置
CN111248880A (zh) * 2020-02-21 2020-06-09 乐普（北京）医疗器械股份有限公司 一种基于光体积变化描记图法信号的血压预测方法和装置
CN111358455A (zh) * 2020-03-17 2020-07-03 乐普（北京）医疗器械股份有限公司 一种多数据源的血压预测方法和装置
CN111657926A (zh) * 2020-07-08 2020-09-15 中国科学技术大学 一种基于多导联信息融合的心律失常分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
常昊，等: "嵌入改进SENet 的卷积神经网络连续血压预测", 《计算机工程与应用 网络首发论文》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112706001A (zh) * 2020-12-23 2021-04-27 重庆邮电大学 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法
CN113456042A (zh) * 2021-06-30 2021-10-01 浙江师范大学 一种基于3d cnn的无接触面部血压测量方法
CN113693575A (zh) * 2021-08-06 2021-11-26 武汉理工大学 一种基于轻量级神经网络的ppg血压检测方法
CN113688770A (zh) * 2021-09-02 2021-11-23 重庆大学 高层建筑长期风压缺失数据补全方法及装置
CN113688770B (zh) * 2021-09-02 2024-02-06 重庆大学 高层建筑长期风压缺失数据补全方法及装置
CN114224303A (zh) * 2021-10-19 2022-03-25 安徽大学 一种无创血压预测方法及系统
CN114098681A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于tcn模型和ppg信号的智能血压预测方法

Similar Documents

Publication Publication Date Title
CN112022125A (zh) 一种基于CNN-BiGRU模型和PPG的智能血压预测方法
Liu et al. Deep learning in ECG diagnosis: A review
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN111297349A (zh) 一种基于机器学习的心律分类系统
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
CN112022126A (zh) 一种基于CNN-BiLSTM模型和PPG的智能血压预测方法
CN112150476B (zh) 基于时空判别性特征学习的冠状动脉序列血管分割方法
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
Jiao et al. Capsule network assisted electrocardiogram classification model for smart healthcare
CN111329445A (zh) 基于组卷积残差网络和长短期记忆网络的房颤识别方法
CN115470832B (zh) 一种基于区块链的心电信号数据处理方法
Li et al. Computerized wrist pulse signal diagnosis using gradient boosting decision tree
Li et al. A deep learning approach to cardiovascular disease classification using empirical mode decomposition for ECG feature extraction
CN114912487A (zh) 基于通道增强时空注意力网络的端到端远程心率检测方法
Arvanaghi et al. Classification cardiac beats using arterial blood pressure signal based on discrete wavelet transform and deep convolutional neural network
Sharada et al. High ECG diagnosis rate using novel machine learning techniques with Distributed Arithmetic (DA) based gated recurrent units
Singh et al. Short and noisy electrocardiogram classification based on deep learning
CN113995417A (zh) 基于lstm自编码器的心电信号异常预测方法及系统
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
Yen et al. Blood Pressure and Heart Rate Measurements Using Photoplethysmography with Modified LRCN.
Zheng et al. Tiny-PPG: A lightweight deep neural network for real-time detection of motion artifacts in photoplethysmogram signals on edge devices
Tefai et al. ASIC implementation of a pre-trained neural network for ECG feature extraction
LU502768B1 (en) Intelligent blood pressure prediction method based on multi-scale residual network and ppg signal
Aruna et al. Accelerating deep convolutional neural network on FPGA for ECG signal classification
Jasim ECG signal classification based on deep learning by using convolutional neural network (CNN)

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

Application publication date: 20201204

RJ01 Rejection of invention patent application after publication