CN112353398B - 一种基于无监督学习的心电向量重建方法 - Google Patents

一种基于无监督学习的心电向量重建方法 Download PDF

Info

Publication number
CN112353398B
CN112353398B CN202011385848.2A CN202011385848A CN112353398B CN 112353398 B CN112353398 B CN 112353398B CN 202011385848 A CN202011385848 A CN 202011385848A CN 112353398 B CN112353398 B CN 112353398B
Authority
CN
China
Prior art keywords
tensor
vector
reconstruction
electrocardiogram
loss
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
Application number
CN202011385848.2A
Other languages
English (en)
Other versions
CN112353398A (zh
Inventor
张伯政
吴军
高希余
樊昭磊
何彬彬
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.)
Zhongyang Health Technology Group Co ltd
Original Assignee
Shandong Msunhealth Technology Group 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 Shandong Msunhealth Technology Group Co Ltd filed Critical Shandong Msunhealth Technology Group Co Ltd
Priority to CN202011385848.2A priority Critical patent/CN112353398B/zh
Publication of CN112353398A publication Critical patent/CN112353398A/zh
Application granted granted Critical
Publication of CN112353398B publication Critical patent/CN112353398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/725—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于无监督学习的心电向量重建方法，通过使用神经网络，对输入的标准12导联心电图进行了心电向量的重建。在训练过程中，使用了先将标准12导联映射到心电向量，然后再使用投影方法，对12导联心电进行还原的方法，解决了传统方法依赖12导联和心电向量的对应数据的问题，明显提高了数据的利用效率降低了数据成本。在重建时使用神经网络重新计算投影向量来进行心电向量到12导联心电图的重建，并且在最终的损失计算模块中使用了正则化项约束投影向量，在解决了心电图的个体化差异的同时保证了重建过程的可解释性以及准确性。在最终的损失计算模块，使用了多阶差分损失，在保证了形态特征的基础上避免了低频的例如基线干扰等问题。

Description

一种基于无监督学习的心电向量重建方法
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种基于无监督学习的心电向量重建方法。
背景技术
心电图从1885年被发明出来到现在已经走过一百多年的历史，在由各种不同导联组成的心电图中，常规12导联心电图在当今的应用最为广泛。
心电向量图是心脏除极形成的空间心电向量环，三维心电向量环被称为三维心电向量。三维心电向量向额面、横面以及侧面的投影所生成的图形被称为平面心电向量图。当前医学界已经形成共识，心电向量图对心室肥大、束支传导阻滞、心肌梗塞、预激综合征等的诊断均优于心电图，但是对于心律失常的诊断心电图有明显优势，两者需要互相结合。
但是当前各级医疗机构心电向量图机的保有量低，能够同时采集心电向量图与十二导联心电图的设备价格高昂。使用12导联心电图对心电向量进行精细化重建，对于心电向量在当前心电诊断领域的普及以及提高心电诊断准确度显得尤为重要。
现如今已经有了很多使用常规12导联心电图重建心电向量的方法。其方法主要包含以下两种：1.通过心电向量与导联的投影关系来设计投影矩阵，并使用投影矩阵对心电向量进行重建；2.使用12导联心电图与心电向量图同步采集出的混合心电图作为监督训练数据，训练神经网络进行心电向量的重建。但其皆存在诸多问题。
通过心电向量与导联的投影关系来设计投影矩阵的重建方法：实际情况中，受制于不同人的体态差异，心电导联线在被测者体表安置时，相较于标准的安置方法存在位置偏差，采集出来的12导联心电图虽然不影响最终的诊断，但会对心电向量图的重建产生比较大的误差，对于最终的诊断造成影响。且由于心电图的采集会存在各种基线漂移等干扰问题，这些干扰在12导联心电图的判读中很容易被医师忽略，但是依照投影矩阵重建出的心电图往往会出现比较明显的电轴偏移等等问题，对实际的判读产生不可忽视的影响。
使用12导联心电图与心电向量图同步采集出的混合心电图作为监督训练数据，训练神经网络进行心电向量的重建的方法：这种数据对采集设备的要求较高，实际临床数据中数据成本也较高，且由于采集出的心电向量图与12导联心电图都存在有各种基线漂移等等干扰，要想使得神经网络有过滤干扰的能力，需要超大规模的数据集。并且由于，基于神经网络对心电向量进行重建的方法皆没有考虑针对干扰进行建模，此种方法即使在混合心电图中的拟合效果也并不理想。本身拟合能力的欠缺、数据的干扰加上数据成本的高昂，当前使用监督学习方法训练神经网络进行心电向量重建，效果不理想。
以上两种方法的都会对心电采集的噪声敏感，虽然在预处理过程中可以采用滤波等等信号处理手段对心电图进行预处理来减低干扰的影响，但是心电滤波算法会或多或少的影响心电图的形态特征，比如说肌电滤波算法就会对小q波以及QRS波群的切迹的形态产生较大影响，综合以上两种方法的各种不足之处，如何能只使用无标注的12导联心电图这种低成本数据，设计实现精细重建心电向量图的方法，显得尤为重要。
发明内容
本发明为了克服以上技术的不足，提供了一种使用标准12导联心电数据，通过无监督学习对心电向量精细重建模型进行训练的方法。
本发明克服其技术问题所采用的技术方案是：
一种基于无监督学习的心电向量重建方法，包括如下步骤：
a)获取完整的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)，其中b为心电图的个数，l为心电图数据的长度，12为依照导联顺序进行排列的12个导联；
b)将张量D输入到向量重建神经网络中，获取向量重建神经网络的结果表示为张量V，张量V的维度为(b,l,3)，其中3为心电向量的三维坐标；
c)将张量D输入到投影向量计算网络中，获取投影向量计算网络的结果表示为张量B，张量B的维度为(b,12,3)；
d)将张量V与张量B输入到心电重建模块，获取重建后的12导联心电图，将重建后的12导联心电图表示为张量D′；
e)将张量D′、张量D、张量B、向量重建网络的参数、投影向量计算网络的参数以及心电重建模块中的参数输入到损失计算模块，得到损失数值loss；
f)使用优化算法，根据损失数值loss优化向量重建神经网络、心电重建模块以及投影向量计算网络中的参数；
g)重复执行步骤a)至步骤f)，直至损失数值loss达到设计目标；
h)预处理模块与向量重建神经网络为最终的心电向量精细重建模型；
i)获取需要进行向量重建的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)；
j)将步骤i)中的张量D输入到步骤h)中的心电向量精细重建模型中，获取向量重建神经网络的结果，表示为张量V，张量V的维度为(b,l,3)，该张量V即为重建好的心电向量，将该向量输出给用户。
进一步的，步骤a)中心电图数据经预处理模块处理包括滤波处理、采样率归一化处理及波形归一化处理。
进一步的，步骤b)中向量重建神经网络将输入的维度为(b,l,12)的张量D映射为维度为(b,l,3)的张量V。
进一步的，步骤c)中投影向量计算网络将输入的维度为(b,l,12)的张量D映射为维度为(b,12,3)的张量B。
进一步的，步骤d)中利用心电重建模块的处理步骤为：
d-1)获取张量V与张量B；
d-2)心电向量中心偏置系数为bias，bias的维度为(1,1,3)；
d-3)通过公式D′＝(V-bias)×BT计算得到张量D′，T为转置。
进一步的，步骤e)中损失计算模块的处理步骤为：
e-1)获取张量D′、张量D、张量B；
e-2)获取向量重建网络、投影向量计算网络的参数及心电重建模块的参数，该参数的正则化损失表示为R；
e-3)定义不可训练的参数张量为G，张量G的维度为(1,12,3)，通过公式
Figure BDA0002810250430000043
计算张量G的每个值，式中
Figure BDA0002810250430000044
为第i个导联的标准投影向量与三维空间中第j维的坐标轴的正方向的夹角，标准投影向量使用Burger的矫正的额面和横面12导联体系或使用标准的未经矫正的导联额面和横面12导联体系；
e-4)通过公式
Figure BDA0002810250430000041
计算得到最终的损失数值loss，式中
Figure BDA0002810250430000042
为多阶差分重建损失项，Diff1(D′,k)为对输入张量D′的第1个维度作k阶差分计算，Diff1(D,k)为对对输入张量D的第1个维度作k阶差分计算，α为权重系数，∑(G-B)2为投影向量正则化项，β为该正则化项的权重系数，R为向量重建网络、投影向量计算网络的参数的正则化损失，γ为该正则化损失的权重系数。进一步的，步骤f)中使用Adam优化算法。
本发明的有益效果是：通过使用神经网络，对输入的标准12导联心电图进行了心电向量的重建。在训练过程中，使用了先将标准12导联映射到心电向量，然后再使用投影方法，对12导联心电进行还原的方法，解决了传统方法依赖12导联和心电向量的对应数据的问题，明显提高了数据的利用效率降低了数据成本。在重建时使用神经网络重新计算投影向量来进行心电向量到12导联心电图的重建，并且在最终的损失计算模块中使用了正则化项约束投影向量，在解决了心电图的个体化差异的同时保证了重建过程的可解释性以及准确性。在最终的损失计算模块，使用了多阶差分损失，在保证了形态特征的基础上避免了低频的例如基线干扰等问题。
具体实施方式
下面对本发明做进一步说明。
一种基于无监督学习的心电向量重建方法，包括如下步骤：
a)获取完整的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)，其中b为心电图的个数，l为心电图数据的长度，12为依照导联顺序进行排列的12个导联；
b)将张量D输入到向量重建神经网络中，获取向量重建神经网络的结果表示为张量V，张量V的维度为(b,l,3)，其中3为心电向量的三维坐标；
c)将张量D输入到投影向量计算网络中，获取投影向量计算网络的结果表示为张量B，张量B的维度为(b,12,3)；
d)将张量V与张量B输入到心电重建模块，获取重建后的12导联心电图，将重建后的12导联心电图表示为张量D′；
e)将张量D′、张量D、张量B、向量重建网络的参数、投影向量计算网络的参数以及心电重建模块中的参数输入到损失计算模块，得到损失数值loss；
f)使用优化算法，根据损失数值loss优化向量重建神经网络、心电重建模块以及投影向量计算网络中的参数；
g)重复执行步骤a)至步骤f)，直至损失数值loss达到设计目标；
h)预处理模块与向量重建神经网络为最终的心电向量精细重建模型；
i)获取需要进行向量重建的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)；
j)将步骤i)中的张量D输入到步骤h)中的心电向量精细重建模型中，获取向量重建神经网络的结果，表示为张量V，张量V的维度为(b,l,3)，该张量V即为重建好的心电向量，将该向量输出给用户。
通过使用神经网络，对输入的标准12导联心电图进行了心电向量的重建。在训练过程中，使用了先将标准12导联映射到心电向量，然后再使用投影方法，对12导联心电进行还原的方法，解决了传统方法依赖12导联和心电向量的对应数据的问题，明显提高了数据的利用效率降低了数据成本。在重建时使用神经网络重新计算投影向量来进行心电向量到12导联心电图的重建，并且在最终的损失计算模块中使用了正则化项约束投影向量，在解决了心电图的个体化差异的同时保证了重建过程的可解释性以及准确性。在最终的损失计算模块，使用了多阶差分损失，在保证了形态特征的基础上避免了低频的例如基线干扰等问题。
综合以上优点，该发明提供了一种在仅仅使用标准12导联心电数据的前提下，实现了精细的心电向量重建模型的训练，并且提供了使用该模型以及12导联心电数据对心电向量重建的方法。
实施例1：
步骤a)中心电图数据经预处理模块处理包括滤波处理、采样率归一化处理及波形归一化处理。
实施例2：
步骤b)中向量重建神经网络将输入的维度为(b,l,12)的张量D映射为维度为(b,l,3)的张量V。
实施例3：
步骤c)中投影向量计算网络将输入的维度为(b,l,12)的张量D映射为维度为(b,12,3)的张量B。
实施例4：
步骤d)中利用心电重建模块的处理步骤为：
d-1)获取张量V与张量B；
d-2)心电向量中心偏置系数为bias，bias的维度为(1,1,3)；
d-3)通过公式D′＝(V-bias)×BT计算得到张量D′，T为转置。
实施例5：
步骤e)中损失计算模块的处理步骤为：
e-1)获取张量D′、张量D、张量B；
e-2)获取向量重建网络、投影向量计算网络的参数及心电重建模块的参数，该参数的正则化损失表示为R；
e-3)定义不可训练的参数张量为G，张量G的维度为(1,12,3)，通过公式
Figure BDA0002810250430000071
计算张量G的每个值，式中
Figure BDA0002810250430000072
为第i个导联的标准投影向量与三维空间中第j维的坐标轴的正方向的夹角，标准投影向量使用Burger的矫正的额面和横面12导联体系或使用标准的未经矫正的导联额面和横面12导联体系；
e-4)通过公式
Figure BDA0002810250430000073
计算得到最终的损失数值loss，式中
Figure BDA0002810250430000074
为多阶差分重建损失项，Diff1(D′,k)为对输入张量D′的第1个维度作k阶差分计算，Diff1(D,k)为对对输入张量D的第1个维度作k阶差分计算，α为权重系数，∑(G-B)2为投影向量正则化项，β为该正则化项的权重系数，R为向量重建网络、投影向量计算网络的参数的正则化损失，γ为该正则化损失的权重系数。
实施例6：
步骤f)中使用Adam优化算法。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (5)

1.一种基于无监督学习的心电向量重建方法，其特征在于，包括如下步骤：
a)获取完整的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)，其中b为心电图的个数，l为心电图数据的长度，12为依照导联顺序进行排列的12个导联；
b)将张量D输入到向量重建神经网络中，获取向量重建神经网络的结果表示为张量V，张量V的维度为(b,l,3)，其中3为心电向量的三维坐标；
c)将张量D输入到投影向量计算网络中，获取投影向量计算网络的结果表示为张量B，张量B的维度为(b,12,3)；
d)将张量V与张量B输入到心电重建模块，获取重建后的12导联心电图，将重建后的12导联心电图表示为张量D′；
e)将张量D′、张量D、张量B、向量重建网络的参数、投影向量计算网络的参数以及心电重建模块中的参数输入到损失计算模块，得到损失数值loss；
f)使用优化算法，根据损失数值loss优化向量重建神经网络、心电重建模块以及投影向量计算网络中的参数；
g)重复执行步骤a)至步骤f)，直至损失数值loss达到设计目标；
h)预处理模块与向量重建神经网络为最终的心电向量精细重建模型；
i)获取需要进行向量重建的标准12导联的心电图数据，通过预处理模块后将其表示为张量D，张量D的维度为(b,l,12)；
j)将步骤i)中的张量D输入到步骤h)中的心电向量精细重建模型中，获取向量重建神经网络的结果，表示为张量V，张量V的维度为(b,l,3)，该张量V即为重建好的心电向量，将该向量输出给用户；
步骤d)中利用心电重建模块的处理步骤为：
d-1)获取张量V与张量B；
d-2)心电向量中心偏置系数为bias，bias的维度为(1,1,3)；
d-3)通过公式D′＝(V-bias)×BT计算得到张量D′，T为转置；
步骤e)中损失计算模块的处理步骤为：
e-1)获取张量D′、张量D、张量B；
e-2)获取向量重建网络、投影向量计算网络的参数及心电重建模块的参数，该参数的正则化损失表示为R；
e-3)定义不可训练的参数张量为G，张量G的维度为(1,12,3)，通过公式
Figure FDA0003559656840000021
计算张量G的每个值，式中
Figure FDA0003559656840000022
为第i个导联的标准投影向量与三维空间中第j维的坐标轴的正方向的夹角，标准投影向量使用Burger的矫正的额面和横面12导联体系或使用标准的未经矫正的导联额面和横面12导联体系；
e-4)通过公式
Figure FDA0003559656840000023
计算得到最终的损失数值loss，式中
Figure FDA0003559656840000024
为多阶差分重建损失项，Diff1(D′,k)为对输入张量D′的第1个维度作k阶差分计算，Diff1(D,k)为对输入张量D的第1个维度作k阶差分计算，α为权重系数，∑(G-B)2为投影向量正则化项，β为该正则化项的权重系数，R为向量重建网络、投影向量计算网络的参数的正则化损失，γ为该正则化损失的权重系数。
2.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤a)中心电图数据经预处理模块处理包括滤波处理、采样率归一化处理及波形归一化处理。
3.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤b)中向量重建神经网络将输入的维度为(b,l,12)的张量D映射为维度为(b,l,3)的张量V。
4.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤c)中投影向量计算网络将输入的维度为(b,l,12)的张量D映射为维度为(b,12,3)的张量B。
5.根据权利要求1所述的基于无监督学习的心电向量重建方法，其特征在于：步骤f)中使用Adam优化算法。
CN202011385848.2A 2020-12-01 2020-12-01 一种基于无监督学习的心电向量重建方法 Active CN112353398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011385848.2A CN112353398B (zh) 2020-12-01 2020-12-01 一种基于无监督学习的心电向量重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011385848.2A CN112353398B (zh) 2020-12-01 2020-12-01 一种基于无监督学习的心电向量重建方法

Publications (2)

Publication Number Publication Date
CN112353398A CN112353398A (zh) 2021-02-12
CN112353398B true CN112353398B (zh) 2022-05-06

Family

ID=74536888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011385848.2A Active CN112353398B (zh) 2020-12-01 2020-12-01 一种基于无监督学习的心电向量重建方法

Country Status (1)

Country Link
CN (1) CN112353398B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650835A (zh) * 2009-09-09 2010-02-17 哈尔滨工业大学 基于局部线性嵌入法构建狗左心室传导系统三维几何结构
CN102590773A (zh) * 2011-12-08 2012-07-18 中国科学院深圳先进技术研究院 磁共振成像的方法和系统
CN110755068A (zh) * 2018-10-06 2020-02-07 江苏创越医疗科技有限公司 实时心电图的绘制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310472B (zh) * 2013-06-21 2016-01-06 中国科学院自动化研究所 基于正则化迭代的有限角度光声成像重建方法及装置
CN103810393B (zh) * 2014-02-27 2016-05-18 厦门纳龙科技有限公司 一种基于心电向量的心电波形特征点定位方法
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CN107171315B (zh) * 2017-05-18 2020-06-02 广东电网有限责任公司电力科学研究院 一种基于rptsvm的电力系统暂态稳定评估方法
CN107440707A (zh) * 2017-05-23 2017-12-08 北京蓬阳丰业医疗设备有限公司 基于wilson心电图导联体系的18导/21导动态心电图方法
CN111261278A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于三维图像的深度学习模型的心脏疾病检测方法
CN111265210A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于深度学习的房颤预测装置和设备
CN111513709B (zh) * 2020-05-20 2021-08-24 浙江大学 基于迭代收缩阈值算法的非局部神经网络心肌跨膜电位重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650835A (zh) * 2009-09-09 2010-02-17 哈尔滨工业大学 基于局部线性嵌入法构建狗左心室传导系统三维几何结构
CN102590773A (zh) * 2011-12-08 2012-07-18 中国科学院深圳先进技术研究院 磁共振成像的方法和系统
CN110755068A (zh) * 2018-10-06 2020-02-07 江苏创越医疗科技有限公司 实时心电图的绘制方法

Also Published As

Publication number Publication date
CN112353398A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
US20200260979A1 (en) Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
US6052615A (en) Method and apparatus for sensing and analyzing electrical activity of the human heart using a four electrode arrangement
CN110974217B (zh) 基于卷积自编码器的双阶段心电信号降噪方法
CN108324263B (zh) 一种基于低秩稀疏约束的无创心脏电生理反演方法
CN106725426A (zh) 一种心电信号分类的方法及系统
CN112617850B (zh) 心电信号的早搏心拍检测系统
CN113901893B (zh) 基于多重级联深度神经网络的心电信号的识别与分类方法
KR20220150901A (ko) 모체 자궁 활동 검출을 위한 융합 신호 처리
EP1217946B1 (en) Method and apparatus for frank lead reconstruction from derived chest leads
CN115881308A (zh) 基于时空联合检测的心脏疾病分类模型构建方法
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Llamedo et al. Cross-database evaluation of a multilead heartbeat classifier
CN113384277B (zh) 心电数据的分类方法及分类系统
CN115299956A (zh) 一种基于确定学习和心电图的心肌缺血检测方法及系统
Lee et al. Reconstruction of precordial lead electrocardiogram from limb leads using the state-space model
CN112353398B (zh) 一种基于无监督学习的心电向量重建方法
CN115153583B (zh) 一种基于特征提取的心电信号分类识别方法及系统
Bortolan et al. Rule-based method and deep learning networks for automatic classification of ECG
KR100198760B1 (ko) 심전도 신호의 큐.알.에스 컴플렉스 특성 표시 장치
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
Vozda et al. Novel Method for Deriving Vectorcardiographic Leads Based on Artificial Neural Networks
de Vries et al. Unsupervised denoising of the non-invasive fetal electrocardiogram with sparse domain Kalman filtering and vectorcardiographic loop alignment
Young et al. Normal thoracic surface potentials
Jatoth et al. Biologically inspired evolutionary computing tools for the extraction of fetal electrocardiogram

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
CP03 Change of name, title or address

Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Patentee after: Zhongyang Health Technology Group Co.,Ltd.

Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, high tech Zone, Jinan City, Shandong Province

Patentee before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd.

CP03 Change of name, title or address