CN112137611A - 心电信号波形的检测研究方法 - Google Patents
心电信号波形的检测研究方法 Download PDFInfo
- Publication number
- CN112137611A CN112137611A CN202011097680.5A CN202011097680A CN112137611A CN 112137611 A CN112137611 A CN 112137611A CN 202011097680 A CN202011097680 A CN 202011097680A CN 112137611 A CN112137611 A CN 112137611A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- neural network
- network
- deep neural
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000011160 research Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000000717 retained effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 3
- 206010003671 Atrioventricular Block Diseases 0.000 claims description 3
- 206010006580 Bundle branch block left Diseases 0.000 claims description 3
- 206010006582 Bundle branch block right Diseases 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了心电信号波形的检测研究方法,包括以下步骤:步骤一:心电信号类型的选择,深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习,不断优化得到的,因此要选择合适的心电信号类型送入网络中进行学习训练;步骤二:心电信号特征选择,利用现有算法提取心电特征会在提取过程中造成心电特征信息损失,完整的心拍中保留了心电信号中所有的信息;在心电信号预处理的过程中,本发明使用双重滤波对心电信号去噪滤波,提出了自适应差分阈值算法对滤波后的心电信号进行特征提取。
Description
技术领域
本发明属于心电信号技术领域,具体涉及心电信号波形的检测研究方法。
背景技术
随着老龄化人口的增加、社会压力的增大和人们生活习惯的改变造成了心脏病患者的增多,从而导致医生的工作量大大增加,并且在一定程度上使医生产生了更大的压力,使得医生在工作过程中更容易产生疲劳可能会出现误判现象,而且在诊断过程中难免会存在经验模糊的局限性,随着科技的进步和发展,便携小巧低功耗的家庭式心电检测仪需求市场急剧增大,人们对心电信号检测和疾病预估有了更高的要求,因此心电信号波形的检测和分类不仅能够实现自动检测的目的也能够有效辅助医疗工作者的工作。
近年来心电信号波形的检测研究方法可以概括为:斜率检测法、阈值检测法、小波检测法、模板匹配法、神经网络法,斜率检测法对ECG信号进行检测时存在容易把噪声突变点检测成信号突变点的现象,从而导致检测错误,心电信号在不同个体或者相同个体的不同时刻的幅值也不尽相同,通过设置阈值进行检测存在很大的难度,模板匹配法结合模糊模式识别实现了对心电信号的QRS波形检测,但是模糊规则比较单一,心电信号是一种比较多变(不同个体的同一时刻心电信号不尽相同,同一个体的不同时刻心电信号也不尽相同)的信号,采用这种方法对心电信号检测容易出现误检现象,模板匹配法虽然存在原理简单的优点,但也存在对高频噪声和基线漂移过度敏感的缺点;
心电信号的分类是自动检测的最终目标。随着心电信号自动检测的发展越来越多的方法被采用,模板匹配法、统计方法、神经网络法和基于支持向量机的方法被广泛应用于心电信号分类中。模板匹配法对模板的训练需要全面,若有些异常波形没有训练,那么进行模板匹配时便无法检测出来,其次对模板进行训练会花费大量的实践。
发明内容
本发明的目的在于提供心电信号波形的检测研究方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:心电信号波形的检测研究方法,包括以下步骤:
步骤一:心电信号类型的选择,深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习,不断优化得到的,因此要选择合适的心电信号类型送入网络中进行学习训练;
步骤二:心电信号特征选择,利用现有算法提取心电特征会在提取过程中造成心电特征信息损失,完整的心拍中保留了心电信号中所有的信息;
步骤三:深度神经网络学习参数设置,深度神经网络的学习率、网络误差等学习参数的设置对网络训练有着至关重要的影响,在网络设计过程中要对学习率、网络误差的选择进行优化。
优选的,所述步骤二中还包括利用深度神经网络对完整心拍自学习避免了特征提取过程中的心电信息损失,有利于优化深度神经网络的参数,提高网络对ECG信号的识别率。
优选的,所述步骤三中的深度神经网络对心电信号识别分类包括:
A:在软件平台上读取标注好的心电数据库中的ECG信号;
B:数据库中的心电信号带有干扰噪声,影响自适应差分阈值法对心电信号中R波的准确检测,采用双重滤波对心电信号进行去噪,心电信号滤波去噪有利于心电识别分类过程中避免噪声的干扰,提高心电信号识别分类率;
C:合适的心电特征更能表达心电信号信息,心电信号特征信息保留在完整的心拍中;
D:采用一折交叉验证法对深度神经网络进行训练和测试。
优选的,在分类A中,训练样本的选择对深度神经网络的训练至关重要,若选择的训练样本数目较少,则深度神经网络对心拍特征不能够充分学习,容易造成神经网络对心电信号识别率低。深度神经网络的训练需要大量实验样本,因此,选择数据库中样本数目较多的八种心电信号:正常心电信号、完全左束支传导阻滞、完全右束支传导阻滞、室性早搏、起搏心率、房性早搏、房颤、一阶房室传导阻滞。
优选的,在分类B中,常规的阈值函数一般有两种,其一主要是软阈值函数,其二主要是硬阈值函数。
优选的,在分类C中,根据网络的误差反向传播,在训练过程中每经过一个批次,网络进行一次参数优化,待网络实际输出误差达到预先设置网络误差时,神经网络训练结束,将测试组数据输入深度神经中检验网络识别心电信号的性能。
与现有技术相比,本发明的有益效果是:
1、在心电信号预处理的过程中,本发明使用双重滤波对心电信号去噪滤波;
2、提出了自适应差分阈值算法对滤波后的心电信号进行特征提取,适时改进阈值,提高了R波峰的检测率;
3、采用深度神经网络对ECG进行识别分类,深度神经网络模型对心电信号的总体识别率达到了95%以上,结果表明了本文设计的深度神经网络可以用于心电信号的自动识别分类中去。
附图说明
图1为本发明的心电信号识别分类流程图;
图2为本发明软阈值函数示意图;
图3为本发明硬阈值函数示意图;
图4为本发明胸部电极放置位置示意图;
图5为本发明的12导联心电图。
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至图5,本发明提供一种技术方案:心电信号波形的检测研究方法,包括以下步骤:
步骤一:心电信号类型的选择,深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习,不断优化得到的,因此要选择合适的心电信号类型送入网络中进行学习训练;
步骤二:心电信号特征选择,利用现有算法提取心电特征会在提取过程中造成心电特征信息损失,完整的心拍中保留了心电信号中所有的信息;
步骤三:深度神经网络学习参数设置,深度神经网络的学习率、网络误差等学习参数的设置对网络训练有着至关重要的影响,在网络设计过程中要对学习率、网络误差的选择进行优化。
优选的,所述步骤二中还包括利用深度神经网络对完整心拍自学习避免了特征提取过程中的心电信息损失,有利于优化深度神经网络的参数,提高网络对ECG信号的识别率。
优选的,所述步骤三中的深度神经网络对心电信号识别分类包括:
A:在软件平台上读取标注好的心电数据库中的ECG信号,训练样本的选择对深度神经网络的训练至关重要,若选择的训练样本数目较少,则深度神经网络对心拍特征不能够充分学习,容易造成神经网络对心电信号识别率低。深度神经网络的训练需要大量实验样本,因此,选择数据库中样本数目较多的七种种心电信号:正常心电信号、完全左束支传导阻滞、完全右束支传导阻滞、室性早搏、起搏心率、房性早搏、房颤、一阶房室传导阻滞;
B:数据库中的心电信号带有干扰噪声,影响自适应差分阈值法对心电信号中R波的准确检测,采用双重滤波对心电信号进行去噪,心电信号滤波去噪有利于心电识别分类过程中避免噪声的干扰,提高心电信号识别分类率,常规的阈值函数一般有两种,其一主要是软阈值函数,其二主要是硬阈值函数。
a.硬阈值函数
m被认为是小波函数,a(m)是进行阈值处理后的小波系数,硬阈值函数的表达式如下所示:
b.软阈值函数如下(2-2)所示:
C:合适的心电特征更能表达心电信号信息,心电信号特征信息保留在完整的心拍中,本发明利用自适应差分阈值法准确检测心电数据库中的R波峰位置,在R波峰的位置上向前取125个点,向后取125个点,加上R波峰点,共计251个点构成一个完整心拍。基于心电数据库,通过处理提取八种类型心拍数目共125448组,并对心拍样本进行归一化处理。采用随机分配将采集的心拍分为训练组样本和测试组样本,其中训练组有80000组心拍,测试组中有45448组心拍;
D:采用一折交叉验证法对深度神经网络进行训练和测试,将训练组中80000个心拍样本根据不同的神经网络划分不同的批次送入相应的神经网络中训练,根据网络的误差反向传播,在训练过程中每经过一个批次,网络进行一次参数优化,待网络实际输出误差达到预先设置网络误差时,神经网络训练结束,将测试组数据输入深度神经中检验网络识别心电信号的性能。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.心电信号波形的检测研究方法,其特征在于:包括以下步骤:
步骤一:心电信号类型的选择,深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习,不断优化得到的,因此要选择合适的心电信号类型送入网络中进行学习训练;
步骤二:心电信号特征选择,利用现有算法提取心电特征会在提取过程中造成心电特征信息损失,完整的心拍中保留了心电信号中所有的信息;
步骤三:深度神经网络学习参数设置,深度神经网络的学习率、网络误差等学习参数的设置对网络训练有着至关重要的影响,在网络设计过程中要对学习率、网络误差的选择进行优化。
2.根据权利要求1所述的心电信号波形的检测研究方法,其特征在于:所述步骤二中还包括利用深度神经网络对完整心拍自学习避免了特征提取过程中的心电信息损失,有利于优化深度神经网络的参数,提高网络对ECG信号的识别率。
3.根据权利要求1所述的心电信号波形的检测研究方法,其特征在于:所述步骤三中的深度神经网络对心电信号识别分类包括:
A:在软件平台上读取标注好的心电数据库中的ECG信号;
B:数据库中的心电信号带有干扰噪声,影响自适应差分阈值法对心电信号中R波的准确检测,采用双重滤波对心电信号进行去噪,心电信号滤波去噪有利于心电识别分类过程中避免噪声的干扰,提高心电信号识别分类率;
C:合适的心电特征更能表达心电信号信息,心电信号特征信息保留在完整的心拍中;
D:采用一折交叉验证法对深度神经网络进行训练和测试。
4.根据权利要求3所述的心电信号波形的检测研究方法,其特征在于:在分类A中,训练样本的选择对深度神经网络的训练至关重要,若选择的训练样本数目较少,则深度神经网络对心拍特征不能够充分学习,容易造成神经网络对心电信号识别率低,深度神经网络的训练需要大量实验样本,因此,选择数据库中样本数目较多的八种心电信号:正常心电信号、完全左束支传导阻滞、完全右束支传导阻滞、室性早搏、起搏心率、房性早搏、房颤、一阶房室传导阻滞。
5.根据权利要求3所述的心电信号波形的检测研究方法,其特征在于:在分类B中,常规的阈值函数一般有两种,其一主要是软阈值函数,其二主要是硬阈值函数。
6.根据权利要求3所述的心电信号波形的检测研究方法,其特征在于:在分类C中,根据网络的误差反向传播,在训练过程中每经过一个批次,网络进行一次参数优化,待网络实际输出误差达到预先设置网络误差时,神经网络训练结束,将测试组数据输入深度神经中检验网络识别心电信号的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097680.5A CN112137611A (zh) | 2020-10-14 | 2020-10-14 | 心电信号波形的检测研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097680.5A CN112137611A (zh) | 2020-10-14 | 2020-10-14 | 心电信号波形的检测研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112137611A true CN112137611A (zh) | 2020-12-29 |
Family
ID=73953124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011097680.5A Pending CN112137611A (zh) | 2020-10-14 | 2020-10-14 | 心电信号波形的检测研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112137611A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101953682A (zh) * | 2010-10-15 | 2011-01-26 | 张辉 | 基于袖带装置的心率检测方法 |
CN102509103A (zh) * | 2011-09-29 | 2012-06-20 | 天津大学 | 基于视觉诱发p3脑电的身份识别 |
CN105919590A (zh) * | 2016-06-02 | 2016-09-07 | 浙江铭众科技有限公司 | 一种多通道心电图的qrs自动划定方法 |
CN106901724A (zh) * | 2017-04-26 | 2017-06-30 | 河南省中医院(河南中医药大学第二附属医院) | 一种心电图测试装置及测试方法 |
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN109171697A (zh) * | 2018-07-25 | 2019-01-11 | 乐普医学电子仪器股份有限公司 | 一种基于双重判断标准的可电击复律心律识别方法 |
CN109303561A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法 |
CN110766051A (zh) * | 2019-09-20 | 2020-02-07 | 四川大学华西医院 | 一种基于神经网络的肺结节形态学分类方法 |
CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
CN111329508A (zh) * | 2020-03-02 | 2020-06-26 | 浙江大学 | 用于先心病筛查的心脏杂音智能分析方法 |
-
2020
- 2020-10-14 CN CN202011097680.5A patent/CN112137611A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101953682A (zh) * | 2010-10-15 | 2011-01-26 | 张辉 | 基于袖带装置的心率检测方法 |
CN102509103A (zh) * | 2011-09-29 | 2012-06-20 | 天津大学 | 基于视觉诱发p3脑电的身份识别 |
CN105919590A (zh) * | 2016-06-02 | 2016-09-07 | 浙江铭众科技有限公司 | 一种多通道心电图的qrs自动划定方法 |
CN106901724A (zh) * | 2017-04-26 | 2017-06-30 | 河南省中医院(河南中医药大学第二附属医院) | 一种心电图测试装置及测试方法 |
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN109171697A (zh) * | 2018-07-25 | 2019-01-11 | 乐普医学电子仪器股份有限公司 | 一种基于双重判断标准的可电击复律心律识别方法 |
CN109303561A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于误分类和监督学习的伪差心拍与异常心拍的识别方法 |
CN110766051A (zh) * | 2019-09-20 | 2020-02-07 | 四川大学华西医院 | 一种基于神经网络的肺结节形态学分类方法 |
CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
CN111329508A (zh) * | 2020-03-02 | 2020-06-26 | 浙江大学 | 用于先心病筛查的心脏杂音智能分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN107137072B (zh) | 一种基于1d卷积神经网络的室性异位搏动检测方法 | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN110890155A (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN106725428A (zh) | 一种心电信号分类方法及装置 | |
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 | |
de Chazal et al. | Automatic classification of ECG beats using waveform shape and heart beat interval features | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN115486855B (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
CN112137611A (zh) | 心电信号波形的检测研究方法 | |
Kumari et al. | Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network | |
CN115429284A (zh) | 心电信号分类方法、系统、计算机设备以及可读存储介质 | |
CN112022149B (zh) | 一种基于心电信号的房颤检测方法 | |
CN111543977B (zh) | 基于12导联静息心电图的多级联人工智能排阴方法 | |
Roland et al. | An automated system for arrhythmia detection using ECG records from MITDB |
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: 20201229 |
|
RJ01 | Rejection of invention patent application after publication |