CN112244861B - 一种单导联心电信号f波提取方法 - Google Patents
一种单导联心电信号f波提取方法 Download PDFInfo
- Publication number
- CN112244861B CN112244861B CN202011072556.3A CN202011072556A CN112244861B CN 112244861 B CN112244861 B CN 112244861B CN 202011072556 A CN202011072556 A CN 202011072556A CN 112244861 B CN112244861 B CN 112244861B
- Authority
- CN
- China
- Prior art keywords
- wave
- qrst
- ventricular
- mask
- modules
- 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
- A61B5/7235—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种单导联心电信号f波提取方法,包括:建立双通道时序卷积神经网络模型,所述模型包括两个编码子模块、两个掩码估计子模块、信息融合模块和两个编码子模块;构建ECG信号的训练数据集并对所述双通道时序卷积神经网络模型进行训练,保存训练好的模型用于未知的混合心电信号中f波时域信号的提取。本发明提出的双通道的时序卷积神经网络分别对QRST波群和f波进行编解码,采用信息融合的掩码估计并构建正则项来约束QRST成分编码特征的分布差异,减少QRST波群的畸变,来选择高信噪比的QRST波群和f波潜在特征,从而提高了f波检测精度。
Description
技术领域
本发明涉及信号处理领域,具体涉及一种单导联心电信号f波提取方法。
背景技术
心房颤动是一种最常见的室上性心律失常。房颤患者的中风风险比未受房颤影响的人群高达四到五倍。在心脏病患者中,房颤患者的死亡率是其他患者的两倍。当发生心房颤动时,P波被快速振动(颤动)且幅度和形状都有变化的f波代替。同时这种f波又引起不规则的、频繁变化的心室电活动。f波的物理参数(比如幅度和频谱)常被用于房颤的临床诊断,对房颤电生理活动机制的研究有重要的意义。
心室活动的QRST波与心房活动的f波在时域和频域皆有混叠,制约了f波的检测精度。针对该问题,研究人员提出了很多提取f波的方法,大致可分为多导联和单导联两类方法。多导联方法采用盲源信号分离、时空消除等技术,利用多导联心电信号之间的相关性进行QRST波群和f波的分离。尽管f波检测效果好,但是需要布置多个电极,不便于移动心电设备的使用。单导联方法常采用平均模板消除、贝叶斯滤波等技术,消去QRST成分或者依据先验模型对f波进行参数估计,从而实现f波的提取。单导联的方法虽然便于移动心电监护,但是对异常心拍(比如室性早搏所导致的心拍形态变化)敏感,检测精度较低。
传统的多导联f波提取方法利用各导联心电信号之间的相关性抑制QRST成分;此类方法需要在患者身上贴上多个电极片,限制了患者的行动,不利于长期监护和动态检测;而单导联f波提取方法依据心电信号的准周期性,构造QRST模板进行匹配滤波,实现f波的提取。但是,QRST波形畸变和心拍间隔异常严重影响了QRST模板的估计的准确性,从而影响f波提取的精度。
发明内容
本发明提出了一种基于双通道时序卷积神经网络的f波提取方法,以提高f波检测精度,为房颤临床诊断提供可靠依据。
为了实现上述任务,本发明采用以下技术方案:
一种单导联心电信号f波提取方法,包括以下步骤:
建立双通道时序卷积神经网络模型,所述模型包括两个编码子模块、两个掩码估计子模块、信息融合模块和两个编码子模块,其中:
所述两个编码子模块分别用于提取心室QRST波群的特征和f波的特征;所述两个掩码估计子模块分别用于根据心室QRST波群的特征和f波的特征,提取f波的潜在特征和心室QRST波群的潜在特征;所述信息融合模块用于在编码空间中对所述f波的潜在特征和心室QRST波群的潜在特征进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码;所述两个解码子模块分别用于根据心室QRST波群的掩码与特征的加权结果,和f波的掩码与特征的加权结果,重构心室QRST波群的时域信号和f波的时域信号;
构建ECG信号的训练数据集并对所述双通道时序卷积神经网络模型进行训练,保存训练好的模型;
对于未知的混合心电信号,将其输入到训练好的模型中,从而提取出f波时域信号。
进一步地,所述双通道时序卷积神经网络模型基于概率图模型建立,该概率图模型的概率因子分解公式表示为:
其中,P(xVA,xAA|x)表示条件分布概率,x表示未知的ECG信号,xVA表示心室QRST波群的时域信号,xAA表示f波的时域信号,ZVA,ZAA表示QRST波群和f波的编码特征变量,FAA,FVA表示QRST波群和f波的潜在特征变量,MVA,MAA表示QRST波群和f波的掩码特征变量,表示为加权后的特征变量,P()表示概率。
进一步地,所述构建ECG信号的训练数据集,包括:
采用已标注QRST波群位置和f波位置的ECG信号数据集,构建训练数据集其中,ntr为训练数据集中ECG记录总数,xi∈R1×T表示为第i条ECG记录,T为时间采样点个数,表示为第i条ECG记录中干净的QRST波群位置标签,表示为第i条ECG记录中干净的f波位置标签。
进一步地,所述两个编码子模块分别提取心室QRST波群的特征和f波的特征的过程包括:
编码子模块中,编码使用一维卷积神经网络,每条ECG记录划分为K个固定长L的心电片段,记作:X∈RK×L,将X分别作为两个编码子模块中一维卷积网络的输入,分别提取心室QRST波群和f波的特征向量记作ZVA,ZAA∈RK×N其中N为编码基的个数,具体计算方式如下:
其中,BVA,BAA∈RL×N是编码基向量。
进一步地,所述两个掩码估计子模块根据心室QRST波群的特征和f波的特征,提取f波的潜在特征和心室QRST波群的潜在特征的过程为:
将编码特征向量ZVA,ZAA分别输入到一个均含有TCN的掩码估计子模块中,得到f波和心室QRST波群的潜在特征向量记作FAA,FVA∈RK×N。
进一步地,所述信息融合模块在编码空间中对所述f波的潜在特征和心室QRST波群的潜在特征进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码的过程为:
信息融合模块中的信息融合使用拼接操作和一维卷积神经网络;
在编码空间中,将潜在特征向量FAA,FVA进行拼接操作,获得拼接特征向量Fconcat=[FVA,FAA]∈=RK×2N并输入到一维卷积网络,从而估计出心室QRST波群和f波的掩码向量记作MVA,MAA∈RK×N。
进一步地,所述心室QRST波群的掩码与特征的加权结果,和f波的掩码与特征的加权结果表示为:
其中,⊙表示为元素点积。
进一步地,所述两个解码子模块重构心室QRST波群的时域信号和f波的时域信号的过程为:
其中,DVA,DAA∈RN×L是解码基向量;
进一步地,所述双通道时序卷积神经网络模型进行训练时,目标函数为:
其中,ω为模型所有可训练的参数,α,β是折中系数,SNRVA,SNRAA分别表示模型估计的心室QRST波群和f波的信噪比,SVA表示为所有ECG样本两两之间心室QRST的编码特征距离之和,i表示第i个样本编号,ntr为训练数据集中ECG记录总数。
一种计算机,包括处理器、存储器以及存储在所述存储器中的计算机程序,计算机程序被处理器执行时,实现所述单导联心电信号f波提取方法的步骤。
一种计算机可读存储介质,所述存储介质中存储有计算机程序,计算机程序被处理器执行时,实现所述单导联心电信号f波提取方法的步骤。
与现有技术相比,本发明具有以下技术特点:
1.本发明提出的双通道的时序卷积神经网络分别对QRST波群和f波进行编解码,采用信息融合的掩码估计并构建正则项来约束QRST成分编码特征的分布差异,减少QRST波群的畸变,来选择高信噪比的QRST波群和f波潜在特征,从而提高了f波检测精度。本发明中约束了QRST成分编码特征的分布差异的方法命名为DT-FENet,没有约束该分布差异的方法则命名为DT-FENet w/o constrain。
2.仿真和实验结果表明:与扩散距离的非局部均值滤波法(the diffusiondistance non-local euclidean median,DD-NLEM)、扩展卡尔曼平滑滤波(the extendedKalman smoother,EKS)比较,本发明方法所提取的f波精度更高。
附图说明
图1为概率图模型;
图2为双通道时序卷积神经网络模型。
具体实施方式
参见图1,本发明提供了一种单导联心电信号f波提取方法,本发明提出了基于编解码结构设计的概率图模型(如图1所示),构建了注意力机制来提高QRST波群和f波的潜在特征的信噪比,使未知的ECG信号x更为清晰地分离出心室QRST波群的时域信号xVA的和f波的时域信号xAA。如图1所示,条件分布P(xVA,xAA|x)可以分解为:
上面的概率因子分解公式中,ZVA,ZAA表示QRST波群和f波的编码特征变量,FAA,FVA表示QRST波群和f波的潜在特征变量,MVA,MAA表示QRST波群和f波的掩码特征变量,表示为加权后的特征变量,P()表示概率。
本方案提出的基于编解码结构设计的加入了自注意力机制的概率图模型,如图1所示,上边通道对心房活动信号(例如:f波)进行解码,下边通道对心室活动信号(QRST波群)进行解码,通过自注意力掩码的信息交互来捕捉通道间的相关信息,使得上边通道更加关注于f波的特征,下边通道更加关注于QRST波群特征提取;最后利用解码器分别产生QRST波群和f波。
步骤1,首先,采用已标注QRST波群位置和f波位置的ECG信号数据集,构建训练数据集其中,ntr为训练数据集中ECG记录总数,xi∈R1×T表示为第i条ECG记录,T为时间采样点个数,表示为第i条ECG记录中干净的QRST波群位置标签,表示为第i条ECG记录中干净的f波位置标签。
步骤2,基于概率图模型的概率因子分解公式,建立双通道时序卷积神经网络模型,如图2所示,利用该模型进行f波的提取;所述模型包括两个编码子模块、两个掩码估计子模块、信息融合模块和两个编码子模块,其中:
所述两个编码子模块分别用于提取心室QRST波群的特征和f波的特征;
所述两个掩码估计子模块分别用于根据心室QRST波群的特征和f波的特征,提取f波的潜在特征和心室QRST波群的潜在特征;
所述信息融合模块用于在编码空间中对所述f波的潜在特征和心室QRST波群的潜在特征进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码;
所述两个解码子模块分别用于根据心室QRST波群的掩码与特征的加权结果,和f波的掩码与特征的加权结果,重构心室QRST波群的时域信号和f波的时域信号。
下面结合图2对双通道时序卷积神经网络模型的每个模块具体的处理过程作进一步说明。
步骤2.1,分别利用两个编码子模块提取心室QRST波群的特征和f波的特征。
利用编码子模块对P(ZVA|x),P(ZAA|x)进行参数化。本发明中,编码使用一维卷积神经网络,每条ECG记录划分为K个固定长L的心电片段,记作:X∈RK×L,将X分别作为两个编码子模块中一维卷积网络的输入,目的是学习变换域,分别提取心室QRST波群和f波的特征向量记作ZVA,ZAA∈RK×N(N为编码基的个数),具体计算方式如下:
其中,BVA,BAA∈RL×N是编码基向量。
步骤2.2,根据心室QRST波群的特征和f波的特征,分别利用两个掩码估计子模块提取f波的潜在特征和心室QRST波群的潜在特征。
利用掩码估计子模块将P(FVA|ZVA),P(FVA|ZVA)进行参数化。本发明中,掩码估计使用TCN(Temporal Convolutional Networks)。将编码特征向量ZVA,ZAA分别输入到一个均含有TCN的掩码估计子模块中,如图2中的f波掩码估计子模块和QRST波群掩码估计子模块,得到f波和心室QRST波群的潜在特征向量记作FAA,FVA∈RK×N。
步骤2.3,针对所述f波的潜在特征和心室QRST波群的潜在特征,利用信息融合模块进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码。
利用信息融合模块对P(MVA|FAA,FVA),P(MAA|FAA,FVA)进行参数化。本发明中,信息融合使用拼接(Concatenation)操作和一维卷积神经网络。在编码空间中,将潜在特征向量FAA,FVA进行拼接操作,获得拼接特征向量Fconcat=[FVA,FAA]∈=RK×2N并输入到一维卷积网络,从而估计出心室QRST波群和f波的掩码向量记作MVA,MAA∈RK×N。
步骤2.4,分别对心室QRST波群的掩码与特征、f波的掩码与特征进行加权。
其中,⊙表示为元素点积。
步骤2.5,根据心室QRST波群的掩码与特征的加权结果,和f波的掩码与特征的加权结果,分别利用两个解码子模块重构心室QRST波群的时域信号和f波的时域信号。
步骤3,利用训练数据集对所述双通道时序卷积神经网络模型进行训练,并保存训练好的模型用于心电信号f波的提取。
该步骤中,模型训练的目标函数为:
其中,ω为模型所有可训练的参数。α,β是折中系数,SNRVA,SNRAA分别表示模型估计的心室QRST波群和f波的信噪比, 分别表示为模型估计的f波和干净的f波, 分别表示为模型估计的QRST波群和第i条ECG记录中干净的QRST波群位置标签,SVA表示为所有ECG样本两两之间心室QRST的编码特征距离之和,i,j分别表示第i,j个样本编号,pVA∈R1×N表示心室QRST波群的编码特征向量。
训练过程中,优化器选用Adam优化器。初始的梯度下降步长设置1×10-3。如果出现连续出现3个epoch中提取的f波精确度没有提高,梯度下降步长将减半;本实施例中模型训练80个epoch。
步骤4,对于未知的混合心电信号,将其输入到训练好的模型中,从而提取出QRST波群时域信号和f波时域信号。
实施例:
在本发明的一个实施例中,仿真f波由R.Alcaraz等人在论文《Referencedatabase and performance evaluation of methods for extraction of atrialfibrillatory waves in the ECG》提供。采用归一化均方误差(Normalized mean squareerror,NMSE)表示仿真所提取房颤信号的准确度,如下式:
在f波提取实验中,真实房颤信号取自MIT-BIH房颤信号数据库。采用非归一化心室残差(the unnormalized ventricular residue,uVR)来作为评价指标。
其中,NQRS表示QRS波间期的长度。提取的房颤信号都会存在心室信号的残留成分,因此如果uVR越低,表明算法的提取效果好。
其中仿真房颤信号的实验是以三重交叉验证的平均NMSE来度量不同方法的f波提取的性能。另外,通过全部的仿真房颤信号来训练的模型参数,将真实房颤信号用于f波检测并计算uVR,最终来度量f波提取的性能。
表1描述的实验结果是仿真的房颤心电数据通过三重交叉验证获得;表2描述的实验结果是利用全部的仿真的房颤心电数据用来训练模型。
表1.仿真房颤信号提取结果
表2.真实房颤信号提取结果
仿真与真实房颤信号提取实验的结果表明:本发明提出的一种基于双通道的时序卷积神经网络的单导联f波提取的方法能够从心电信号中提取出更为干净的f波,且鲁棒性更高。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种单导联心电信号f波提取方法,其特征在于,包括以下步骤:
建立双通道时序卷积神经网络模型,所述模型包括两个编码子模块、两个掩码估计子模块、信息融合模块和两个编码子模块,其中:
所述两个编码子模块分别用于提取心室QRST波群的特征和f波的特征;所述两个掩码估计子模块分别用于根据心室QRST波群的特征和f波的特征,提取f波的潜在特征和心室QRST波群的潜在特征;所述信息融合模块用于在编码空间中对所述f波的潜在特征和心室QRST波群的潜在特征进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码;所述两个解码子模块分别用于根据心室QRST波群的掩码与特征的加权结果,和f波的掩码与特征的加权结果,重构心室QRST波群的时域信号和f波的时域信号;
构建ECG信号的训练数据集并对所述双通道时序卷积神经网络模型进行训练,保存训练好的模型;
对于未知的混合心电信号,将其输入到训练好的模型中,从而提取出f波时域信号。
5.根据权利要求1所述的单导联心电信号f波提取方法,其特征在于,所述两个掩码估计子模块根据心室QRST波群的特征和f波的特征,提取f波的潜在特征和心室QRST波群的潜在特征的过程为:
将编码特征向量ZVA,ZAA分别输入到一个均含有TCN的掩码估计子模块中,得到f波和心室QRST波群的潜在特征向量记作FAA,FVA∈RK×N。
6.根据权利要求1所述的单导联心电信号f波提取方法,其特征在于,所述信息融合模块在编码空间中对所述f波的潜在特征和心室QRST波群的潜在特征进行特征融合,从而估计出心室QRST波群的掩码和f波的掩码的过程为:
信息融合模块中的信息融合使用拼接操作和一维卷积神经网络;
在编码空间中,将潜在特征向量FAA,FVA进行拼接操作,获得拼接特征向量Fconcat=[FVA,FAA]∈=RK×2N并输入到一维卷积网络,从而估计出心室QRST波群和f波的掩码向量记作MVA,MAA∈RK×N。
10.一种计算机可读存储介质,所述存储介质中存储有计算机程序,其特征在于,计算机程序被处理器执行时,实现根据权利要求1至9中任一权利要求所述单导联心电信号f波提取方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072556.3A CN112244861B (zh) | 2020-10-09 | 2020-10-09 | 一种单导联心电信号f波提取方法 |
US17/497,052 US11375942B2 (en) | 2020-10-09 | 2021-10-08 | Method for extracting f wave from single-lead electrocardiography signal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072556.3A CN112244861B (zh) | 2020-10-09 | 2020-10-09 | 一种单导联心电信号f波提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112244861A CN112244861A (zh) | 2021-01-22 |
CN112244861B true CN112244861B (zh) | 2021-08-10 |
Family
ID=74233732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072556.3A Active CN112244861B (zh) | 2020-10-09 | 2020-10-09 | 一种单导联心电信号f波提取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11375942B2 (zh) |
CN (1) | CN112244861B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102579962B1 (ko) * | 2021-07-20 | 2023-09-19 | 주식회사 휴이노 | 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN113633289A (zh) * | 2021-07-29 | 2021-11-12 | 山东师范大学 | 一种注意力驱动ecg信号重构方法、系统、存储介质、设备 |
CN114847963B (zh) * | 2022-05-06 | 2023-08-01 | 广东工业大学 | 一种高精度的心电图特征点检测方法 |
CN116385468B (zh) * | 2023-06-06 | 2023-09-01 | 浙江大学 | 一种基于斑马鱼心脏参数图像分析软件生成的系统 |
CN116776228B (zh) * | 2023-08-17 | 2023-10-20 | 合肥工业大学 | 一种电网时序数据解耦自监督预训练方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107595276A (zh) * | 2017-08-22 | 2018-01-19 | 南京易哈科技有限公司 | 一种基于单导联心电信号时频特征的房颤检测方法 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
US20110105928A1 (en) * | 2009-11-05 | 2011-05-05 | Newcardio, Inc. | ECG Reconstruction For Atrial Activity Monitoring And Detection |
CN106214123B (zh) * | 2016-07-20 | 2019-01-25 | 杨一平 | 一种基于深度学习算法的心电图综合分类方法 |
KR101948653B1 (ko) * | 2017-03-28 | 2019-02-15 | 연세대학교 산학협력단 | 로터 위치 산출 장치 및 방법 |
CN107203692B (zh) * | 2017-05-09 | 2020-05-05 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的心电数据数字信号处理方法 |
CN111107785B (zh) * | 2017-09-21 | 2023-12-01 | 皇家飞利浦有限公司 | 使用短的单导联ecg记录来检测心房颤动 |
CN108852347A (zh) * | 2018-07-13 | 2018-11-23 | 京东方科技集团股份有限公司 | 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质 |
CN109171708B (zh) * | 2018-10-25 | 2021-04-16 | 广东工业大学 | 一种可除颤心律识别装置 |
EP3735894B1 (en) * | 2019-05-09 | 2022-11-30 | Tata Consultancy Services Limited | Recurrent neural network architecture based classification of atrial fibrillation using single lead ecg |
CN110063726B (zh) * | 2019-06-03 | 2021-08-13 | 广东工业大学 | 一种心电信号单导联f波提取方法和装置 |
CN110680310A (zh) * | 2019-10-21 | 2020-01-14 | 北京航空航天大学 | 基于一维密集连接卷积网络的心电信号房颤检测方法 |
CN110840402B (zh) * | 2019-11-19 | 2021-02-26 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
CN111329445B (zh) * | 2020-02-20 | 2023-09-15 | 广东工业大学 | 基于组卷积残差网络和长短期记忆网络的房颤识别方法 |
CN111419220A (zh) * | 2020-03-27 | 2020-07-17 | 山东省人工智能研究院 | 一种基于共振稀疏分解的十二导联心电信号房颤检测方法 |
-
2020
- 2020-10-09 CN CN202011072556.3A patent/CN112244861B/zh active Active
-
2021
- 2021-10-08 US US17/497,052 patent/US11375942B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107595276A (zh) * | 2017-08-22 | 2018-01-19 | 南京易哈科技有限公司 | 一种基于单导联心电信号时频特征的房颤检测方法 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112244861A (zh) | 2021-01-22 |
US20220110576A1 (en) | 2022-04-14 |
US11375942B2 (en) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112244861B (zh) | 一种单导联心电信号f波提取方法 | |
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 | |
Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
Raghavendra et al. | Cardiac arrhythmia detection using dynamic time warping of ECG beats in e-healthcare systems | |
Kayikcioglu et al. | Time-frequency approach to ECG classification of myocardial infarction | |
CN116602642B (zh) | 心率监测方法、装置、设备 | |
CN107440679A (zh) | 用于检测心电图异常的方法及对应系统 | |
CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
US20230225663A1 (en) | Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution | |
Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
CN115944302A (zh) | 基于注意力机制的无监督多模态心电图异常检测方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别系统及方法 | |
Jayasekara et al. | Timecaps: Capturing time series data with capsule networks | |
Gordon et al. | PVC detection using a convolutional autoencoder and random forest classifier | |
Liao et al. | Automatic classification of heartbeats using ECG signals via higher order hidden Markov model | |
Hughes et al. | Probabilistic models for automated ECG interval analysis | |
CN116172573A (zh) | 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法 | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
Singh et al. | Machine learning algorithms for atrioventricular conduction defects prediction using ECG: a comparative study | |
Vimala et al. | Classification of cardiac vascular disease from ECG signals for enhancing modern health care scenario | |
Wen et al. | ECG beat classification using GreyART network | |
Jayasinghe | A Real-Time Framework for Arrhythmia Classification | |
Abrishami et al. | Semantic ECG interval segmentation using autoencoders |
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 |