CN112370015A - 基于格拉姆角场的生理信号质量评估方法 - Google Patents

基于格拉姆角场的生理信号质量评估方法 Download PDF

Info

Publication number
CN112370015A
CN112370015A CN202011184998.7A CN202011184998A CN112370015A CN 112370015 A CN112370015 A CN 112370015A CN 202011184998 A CN202011184998 A CN 202011184998A CN 112370015 A CN112370015 A CN 112370015A
Authority
CN
China
Prior art keywords
signal
dimensional
physiological
physiological signal
quality evaluation
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
CN202011184998.7A
Other languages
English (en)
Inventor
杨翠微
刘鑫
胡启晗
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202011184998.7A priority Critical patent/CN112370015A/zh
Publication of CN112370015A publication Critical patent/CN112370015A/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于格拉姆角场的生理信号质量评估方法。本发明方法利用生理信号受到运动伪迹干扰时周期性被破坏的特点，通过提取生理信号的周期性信息后进行分类。具体流程包括：对生理信号进行降噪处理；对降噪后的生理信号进行信号分割；通过对分割后的信号片段进行数学运算得到包含周期性信息的一维时间序列；利用格拉姆角场将一维时间序列转换为二维图像；利用机器学习算法构建生理信号质量评估模型实现对干净信号与受污染信号的分类。本发明方法适用于心电、脉搏波、心冲击图等生理信号，在信号处理研究和基于可穿戴设备的健康管理等领域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生理信号的研究。

Description

基于格拉姆角场的生理信号质量评估方法
技术领域
本发明涉及生理信号的分析处理，具体涉及一种基于格拉姆角场的生理信号质量评估方法。
背景技术
生理信号是一维的时序信号，用于提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、心肌缺血或心肌梗死等多种疾病；脉搏波信号(如PPG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。
生理信号的质量易受到运动的严重影响。在日常监护中，剧烈的运动都会使生理信号受到污染，从而影响后续生理参数的计算，引起可穿戴设备的误判或虚警。因此，必须对传感器采集到的信号进行运动伪迹消除，得到干净的信号后再进行后续的处理。然而，在实际应用中，不能把采集到的信号无论质量好坏都进行运动伪迹消除，这样不仅浪费计算资源和时间，并且好的生理信号经过运动伪迹消除算法可能会被破坏或者引入新的噪声。因此，有必要对信号质量进行评估检测出被噪声污染的信号。
信号处理技术以及机器学习方法在近年来得到了飞速的发展，通过信号处理技术以及机器学习方法对生理信号进行质量评估已成为研究热点。大量研究通过对分割后的生理信号片段提取时域特征或者频域特征，然后通过机器学习算法进行分类得到干净的与受污染的生理信号片段，从而达到质量评估的目的。此外，基于自适应噪声消除的方法也是研究的热点。自适应滤波器需考虑两个方面：参考信号的选择和自适应滤波器的选择。这两方面的选择没有固定的标准，不同的选择会导致不同的结果。
发明内容
为了克服上述方法的局限性，本发明的目的在于提出了一种基于格拉姆角场的生理信号质量评估方法。该工作在生理信号质量评估的实现方法上，摒弃了传统的通过提取时域和频域多种特征再通过分类器进行分类的方式，而是直接利用信号受到运动伪迹污染时周期性被破坏的特点，通过数学运算提取生理信号的周期性信息后进行分类。接下来，利用格拉姆角场将包含信号周期性信息的一维信号转化为二维图像，并保留原信号的时间依赖性。最后利用机器学习方法对转化后的二维图像进行分类，实现生理信号的质量评估。
本发明提出了一种基于格拉姆角场的生理信号质量评估方法，具体步骤如下：
(1)对采集到的生理信号进行预处理，即对采集到的生理信号先采用滤波或其他方法去除基线漂移、工频、呼吸和肌电等噪声的干扰，然后进行裁剪片段、重采样和归一化操作，得到预处理后的一维信号片段；
(2)对于步骤(1)得到的一维信号片段，通过数学运算得到包含信号片段周期性信息的一维时间序列X＝{x1,x2,…,xn}；所述一维时间序列包括干净信号和受污染信号；
(3)对于步骤(2)得到的一维时间序列X＝{x1,x2,…,xn}，通过格拉姆角场将其编码为二维图像G：
(3.1).首先将一维时间序列进行归一化，即对给定的n个观测值的一维时间序列X＝{x1,x2,…,xn}，使其所有值都落到区间[-1,1]之内；
(3.2).假设归一化后的一维时间序列包含N个时间戳，每个时间戳对应的值为xi(i＝1,2,…,N)，则极坐标的角度值φi通过反余弦函数计算，角度值φi在[0,π]之间，计算公式如下：
φi＝arccos(xi)
半径ri将区间[0,1]划分为N等分，即：
Figure BDA0002751169380000021
因此，去掉区间[0,1]中的0后可得到N个分隔点，可将这些分割点与对应的xi关联起来；
(3.3).将得到的极坐标的角度值φi通过计算任意两个角度和或者差的余弦值，并按从左上角到右下角的编码方式进行编码，即可得到格拉姆角场(GAF)矩阵，前者被称为格拉姆角求和场(GASF)，后者被称为格拉姆角求差场(GADF)，分别记作矩阵G+和G-：
Figure BDA0002751169380000031
Figure BDA0002751169380000032
(4)经过步骤(3)后，所有的分割后的一维信号片段都被转化为二维图像，将所有的二维图像组成数据集，并划分为训练集与测试集；
(5)利用机器学习的方法建立生理信号质量评估模型，实现对干净信号与受污染信号的分类：将步骤(4)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，得到生理信号质量评估模型；将测试集数据输入生理信号质量评估模型进行测试，检验该模型的准确率。
本发明中，步骤(2)对生理信号进行数学运算得到包含周期性信息的一维时间序列，所述数学运算为获取时序信号周期性信息的方法，包括平均幅度差函数(AMDF)或自相关函数(SCF)等。
本发明中，步骤(3)中通过格拉姆角场(包括格拉姆角求和场或格拉姆角求差场)将一维时间序列编码为二维图像。
本发明中，步骤(5)中使用机器学习的方法对二维图像进行分类：其数据集由一维生理信号经过数学运算和格拉姆角场编码得到，然后将数据集划分为训练集和测试集，训练集用于训练机器学习算法建立的初始模型以获得生理信号质量评估模型，测试集用于生理信号质量评估模型在未知数据集上的分类性能。
本发明具有以下有益效果：
1.本发明方法无需参考信号即可实现运动伪迹的检测，有利于可穿戴设备的便携性；
2.本发明方法通过数学运算提取被传统方法忽略的生理信号的周期性信息，可以帮助提升分类器的分类性能；
3.本发明把针对一维生理信号的分析，转变为针对二维图像的分析，无需像传统方法那样提取时频域特征，同时将传统的信号处理方法与图像处理方法相结合，利用比一维时序信号更为成熟的二维图像分类算法实现信号的分类，为信号处理的研究人员提供了新思路；
4.本发明方法的应用范围可推广至所有的生理信号的质量评估研究，在信号处理研究和基于可穿戴设备的健康管理等领域均具有一定的应用价值。
附图说明
图1是对脉搏波(PPG)信号应用基于格拉姆角场(GAF)的生理信号质量评估方法的总体流程图。
图2是实施例1中干净信号与受污染信号的示意图。其中第一行(a)为6s干净信号片段，第一行(c)为6s受污染信号片段，第二行(b)为干净信号片段经过平均幅度差函数后得到的包含周期性信息的序列，第二行(d)为受污染信号片段经过平均幅度差函数后得到的包含周期性信息的序列。
图3是实施例1中对6s干净信号片段通过平均幅度差函数以及格拉姆角求和场转换为二维图像的过程示意图。其中，(a)是6s干净信号片段经过平均幅度差函数的示意图，(b)是转换到极坐标形式下的示意图，(c)是将极坐标形式的平均幅度差函数转为二维图像的示意图。
图4是实施例1中构建的卷积神经网络结构的示意图。
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：将本发明的基于格拉姆角场的生理信号质量评估方法应用于脉搏波(PPG)信号，其流程如图1所示。本实施例的数据来自公开的数据库BIDMC PPG andRespiration Dataset。工作流程如下：
(1)选择BIDMC PPG and Respiration Dataset数据库中的15个受试者的记录，使用小波变换的方法进行基线漂移以及工频干扰的消除。以6s的时间窗进行分段，其中重叠5s，即PPG信号段以1s的时间向前移动；
(2)将步骤(1)中得到的每个6s片段采用平均幅度差函数(AMDF)进行运算，获得包含PPG信号周期性信息的一维时间序列，AMDF的公式如下：
Figure BDA0002751169380000051
其中，xn(m)表示PPG信号第m个时间戳对应的幅度值，k为信号延迟的点数，K表示最大的延迟点数，N为PPG信号段总的点数；
干净信号和受污染信号的原始信号以及经过AMDF运算后的信号如图2所示；
(3)对步骤(2)中得到的AMDF序列采用格拉姆角求和场(GASF)进行编码转换为二维图像，编码过程如图3所示，具体步骤如下：
(3.1)首先将一维时间序列进行归一化，即对每一个6s的PPG信号片段得到的AMDF序列600个观测值X＝{x1,x2,…,x600}进行归一化处理，使得所有值都落到区间[-1,1]之内；
(3.2)归一化后的AMDF序列包含600个时间戳，每个时间戳对应的值为xi(i＝1,2,…,600)，则极坐标的角度值φi可由反余弦函数计算，值在[0,π]之间，计算公式如下：
φi＝arccos(xi)
半径ri将区间[0,1]划分为600等分，即：
Figure BDA0002751169380000052
因此，去掉区间[0,1]中的0后可得到600个分隔点，可将这些分割点与对应的xi关联起来；
(3.3)将得到的极坐标的角度值φi通过计算任意两个角度和的余弦值并按从左上角到右下角的编码方式进行编码即可得到格拉姆角求和场(GASF)矩阵，记作矩阵G：
Figure BDA0002751169380000053
(4)采用卷积神经网络(CNN)构建分类器，CNN的输入为经GASF编码的6s的PPG信号得到的二维矩阵，输入通道为1。之后通过3个由两个卷积层和一个池化层的组合构成的结构：这个结构中卷积内核数为64，内核大小为3×3，激活函数为ReLU；经过两个卷积层后进行池大小为2×2的最大池化。接下来，输入到全连接层，全连接层的激活函数为ReLU，其后添加了50％的脱落层。分类结果通过具有两个输出(干净的PPG信号段和受污染的PPG信号段)的全连接层输出，激活函数为softmax；
(5)经过步骤(3)总共获得7125个二维图像，随机选择其中6000张图像作为训练集，其余1125张图像作为测试集进行了十次验证。在测试集上的平均准确度，灵敏度和特异性分别为94.3％，94.9％和97.8％。

Claims (3)

1.基于格拉姆角场的生理信号质量评估方法，其特征在于具体步骤如下：
(1)对采集到的生理信号进行预处理，即对采集到的生理信号先采用滤波或其他方法去除基线漂移、工频、呼吸和肌电噪声的干扰，然后进行裁剪片段、重采样和归一化操作，得到预处理后的一维信号片段；
(2)对于步骤(1)得到的一维信号片段，通过数学运算得到包含信号片段周期性信息的一维时间序列X＝{x1,x2,…,xn}；所述一维时间序列包括干净信号和受污染信号；
(3)对于步骤(2)得到的一维时间序列X＝{x1,x2,…,xn}，通过格拉姆角场将其编码为二维图像G：
(3.1).首先将一维时间序列进行归一化，即对给定的n个观测值的一维时间序列X＝{x1,x2,…,xn}，使其所有值都落到区间[-1,1]之内；
(3.2).假设归一化后的一维时间序列包含N个时间戳，每个时间戳对应的值为xi(i＝1,2,…,N)，则极坐标的角度值φi通过反余弦函数计算，角度值φi位于[0,π]之间，计算公式如下：
φi＝arccos(xi)
半径ri将区间[0,1]划分为N等分，即：
Figure FDA0002751169370000011
因此，去掉区间[0,1]中的0后可得到N个分隔点，可将这些分割点与对应的xi关联起来；
(3.3).将得到的极坐标的角度值φi通过计算任意两个角度和或者差的余弦值，并按从左上角到右下角的编码方式进行编码，即可得到格拉姆角场(GAF)矩阵，前者被称为格拉姆角求和场(GASF)，后者被称为格拉姆角求差场(GADF)，分别记作矩阵G+和G-：
Figure FDA0002751169370000021
Figure FDA0002751169370000022
(4)经过步骤(3)后，所有分割后的一维信号片段都被转化为二维图像，将所有的二维图像组成数据集，并划分为训练集与测试集；
(5)利用机器学习的方法建立生理信号质量评估模型，实现对干净信号与受污染信号的分类：将步骤(4)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，得到生理信号质量评估模型；将测试集数据输入生理信号质量评估模型进行测试，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(2)对生理信号进行数学运算得到包含周期性信息的一维时间序列，所述数学运算为获取时序信号周期性信息的方法，具体为平均幅度差函数或自相关函数。
3.根据权利要求1所述的方法，其特征在于步骤(5)中使用机器学习的方法对二维图像进行分类：其数据集由一维生理信号经过数学运算和格拉姆角场编码得到，然后将数据集划分为训练集和测试集；训练集用于训练机器学习算法建立的初始模型以获得生理信号质量评估模型，测试集用于生理信号质量评估模型在未知数据集上的分类性能。
CN202011184998.7A 2020-10-30 2020-10-30 基于格拉姆角场的生理信号质量评估方法 Pending CN112370015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184998.7A CN112370015A (zh) 2020-10-30 2020-10-30 基于格拉姆角场的生理信号质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184998.7A CN112370015A (zh) 2020-10-30 2020-10-30 基于格拉姆角场的生理信号质量评估方法

Publications (1)

Publication Number Publication Date
CN112370015A true CN112370015A (zh) 2021-02-19

Family

ID=74576429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184998.7A Pending CN112370015A (zh) 2020-10-30 2020-10-30 基于格拉姆角场的生理信号质量评估方法

Country Status (1)

Country Link
CN (1) CN112370015A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313059A (zh) * 2021-06-16 2021-08-27 燕山大学 一种一维光谱分类方法及系统
CN113486752A (zh) * 2021-06-29 2021-10-08 吉林大学 基于心电信号的情感识别方法及系统
CN114710417A (zh) * 2022-01-18 2022-07-05 中国人民解放军战略支援部队信息工程大学 基于格拉姆角场变换的Tor用户访问网站识别方法及系统
CN114788691A (zh) * 2022-06-20 2022-07-26 广东工业大学 一种基于多通道格拉姆角场的血压预测方法、系统
CN115062656A (zh) * 2022-06-10 2022-09-16 安徽农业大学 一种基于电子鼻信号空间域的茶多酚含量预测方法和装置
CN115115885A (zh) * 2022-06-30 2022-09-27 中国科学院南京地理与湖泊研究所 一种保留重要极值点的格拉姆角场转换的用地分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150327781A1 (en) * 2014-05-13 2015-11-19 Sensium Healthcare Limited Method for confidence level determination of ambulatory hr algorithm based on a three-way rhythm classifier
CN105138823A (zh) * 2015-07-28 2015-12-09 中国科学院电子学研究所 一种基于自相关函数的生理信号质量检测方法
CN106618542A (zh) * 2015-10-28 2017-05-10 中国科学院上海高等研究院 一种去噪心率信号检测装置及方法
CN110058699A (zh) * 2019-04-28 2019-07-26 电子科技大学 一种基于智能移动设备传感器的用户行为识别方法
CN111407315A (zh) * 2020-03-24 2020-07-14 浙江大学温州研究院 一种针对超声多普勒胎心信号的质量评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150327781A1 (en) * 2014-05-13 2015-11-19 Sensium Healthcare Limited Method for confidence level determination of ambulatory hr algorithm based on a three-way rhythm classifier
CN105138823A (zh) * 2015-07-28 2015-12-09 中国科学院电子学研究所 一种基于自相关函数的生理信号质量检测方法
CN106618542A (zh) * 2015-10-28 2017-05-10 中国科学院上海高等研究院 一种去噪心率信号检测装置及方法
CN110058699A (zh) * 2019-04-28 2019-07-26 电子科技大学 一种基于智能移动设备传感器的用户行为识别方法
CN111407315A (zh) * 2020-03-24 2020-07-14 浙江大学温州研究院 一种针对超声多普勒胎心信号的质量评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈敏 等: "基于二维图像与迁移卷积神经网络的心律失常分类", 《计算机工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313059A (zh) * 2021-06-16 2021-08-27 燕山大学 一种一维光谱分类方法及系统
CN113486752A (zh) * 2021-06-29 2021-10-08 吉林大学 基于心电信号的情感识别方法及系统
CN114710417A (zh) * 2022-01-18 2022-07-05 中国人民解放军战略支援部队信息工程大学 基于格拉姆角场变换的Tor用户访问网站识别方法及系统
CN114710417B (zh) * 2022-01-18 2023-05-26 中国人民解放军战略支援部队信息工程大学 基于格拉姆角场变换的Tor用户访问网站识别方法及系统
CN115062656A (zh) * 2022-06-10 2022-09-16 安徽农业大学 一种基于电子鼻信号空间域的茶多酚含量预测方法和装置
CN115062656B (zh) * 2022-06-10 2023-08-11 安徽农业大学 一种基于电子鼻信号空间域的茶多酚含量预测方法和装置
CN114788691A (zh) * 2022-06-20 2022-07-26 广东工业大学 一种基于多通道格拉姆角场的血压预测方法、系统
CN115115885A (zh) * 2022-06-30 2022-09-27 中国科学院南京地理与湖泊研究所 一种保留重要极值点的格拉姆角场转换的用地分类方法
CN115115885B (zh) * 2022-06-30 2024-04-02 中国科学院南京地理与湖泊研究所 一种保留重要极值点的格拉姆角场转换的用地分类方法

Similar Documents

Publication Publication Date Title
CN112370015A (zh) 基于格拉姆角场的生理信号质量评估方法
Thomas et al. Automatic ECG arrhythmia classification using dual tree complex wavelet based features
Abibullaev et al. A new QRS detection method using wavelets and artificial neural networks
Sharma et al. A novel automated diagnostic system for classification of myocardial infarction ECG signals using an optimal biorthogonal filter bank
CN111449645B (zh) 心电图心拍智能分类识别方法
Elhaj et al. Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals
US10602942B2 (en) Method of detecting abnormalities in ECG signals
Kaur et al. ECG signal analysis and arrhythmia detection using wavelet transform
Wang et al. A novel ECG signal compression method using spindle convolutional auto-encoder
CN105550659A (zh) 基于随机投影的实时心电分类方法
CN112971795B (zh) 心电信号质量评估方法
Chashmi et al. An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure
Tang et al. ECG de-noising based on empirical mode decomposition
CN113116300A (zh) 一种基于模型融合的生理信号分类方法
Liu et al. Motion artifact detection in ppg signals based on gramian angular field and 2-d-cnn
Rajput et al. On arrhythmia detection by deep learning and multidimensional representation
Barmpoutis et al. Multi-lead ECG signal analysis for myocardial infarction detection and localization through the mapping of Grassmannian and Euclidean features into a common Hilbert space
Nguyen et al. Deep learning framework with ECG feature-based kernels for heart disease classification
Hammad et al. A novel biometric based on ECG signals and images for human authentication.
Sathawane et al. Prediction and analysis of ECG signal behaviour using soft computing
Dubey et al. A neural network approach for ECG classification
Muthuvel et al. ECG signal feature extraction and classification using harr wavelet transform and neural network
Chowdhury et al. Compression, denoising and classification of ECG signals using the discrete wavelet transform and deep convolutional neural networks
CN116172573A (zh) 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法
Paila et al. Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification

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

Application publication date: 20210219

WD01 Invention patent application deemed withdrawn after publication