CN112716498A - 基于动态时间规整和符号动力学的心电信号特征提取方法 - Google Patents

基于动态时间规整和符号动力学的心电信号特征提取方法 Download PDF

Info

Publication number
CN112716498A
CN112716498A CN202011593191.9A CN202011593191A CN112716498A CN 112716498 A CN112716498 A CN 112716498A CN 202011593191 A CN202011593191 A CN 202011593191A CN 112716498 A CN112716498 A CN 112716498A
Authority
CN
China
Prior art keywords
sequence
value
interval
values
electrocardiosignal
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
CN202011593191.9A
Other languages
English (en)
Inventor
辛怡
赵一璋
李双飞
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011593191.9A priority Critical patent/CN112716498A/zh
Publication of CN112716498A publication Critical patent/CN112716498A/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
    • A61B5/7203—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

Landscapes

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

Abstract

本发明公开了一种基于动态时间规整和符号动力学的心电信号特征提取方法，属于心电信号处理领域。对待处理的原心电信号进行预处理后进行R波定位并通过R波峰值位置对心拍进行切分；对相邻心拍通过动态时间规整算法计算其序列差异值；将差异值序列按幅值进行分区，以序列中各点所在分区的区号组成新序列并进行编码和进制转换获得十进制序列，计算该序列的信息熵作为心电的特征值，可用于对心电信号进行分类识别等。

Description

基于动态时间规整和符号动力学的心电信号特征提取方法
技术领域
本发明提出一种心电信号特征提取方法，适用于结合适合的分类器，建立心电分类模型，属于心电信号处理领域。
背景技术
动态时间规整算法(Dynamic Time Warping，DTW)，用于比较时间序列中不等长的时间序列的相似性。符号动力学是非线性系统中的重要方法，简化复杂系统，用抽象符号来描述系统的非线性特征。
数据符号化实质上是对序列中的值符号化，其基本思想是将细节信息去除，将数据在离散值上进行分类，把有很多可能性的数据存在形式变换为仅有的几个相互不同的符号序列。这是一个“粗粒化”过程，它能捕获到数据的大尺度特征，从而降低噪声对信号的影响。
在心脏系统中，电信号的起搏、传导等过程十分复杂，这在为心电信号的研究提供了大量可分析内容的同时，也带来很多干扰项。心脏和心电信号都具有非线性系统的特征，在健康状态下，心脏作为一个非线性系统，保持着混沌的运动状态，当心脏运动出现异常时，这种运动状态会受到破坏。这些异常通过心脏电生理活动间接体现在心电信号中。心脏搏动作为心脏运动中最基本的重复单元，逐次搏动之间的差异体现了心脏的运动状态。动态时间规整算法可以用来计算相似时间序列如相邻心跳周期心电信号的差异值，同时符号动力学可以符号化心脏状态的运动过程从而提取最本质的动力学特征。
发明内容：
鉴于心电信号的时频特征与非线性特征。本发明结合动态时间规整算法(DynamicTime Warping，DTW)与符号动力学对心电信号的波动混乱程度进行特征提取，提出一种新的心电特征分析方法。
为了实现本发明的目的，本发明提供了一种结合DTW和符号动力学的心电特征分析方法，包括如下步骤。
步骤S1：采集t时长的心电信号G并进行预处理；所述预处理包括去除心电信号中的工频干扰、肌电干扰及基线漂移。
步骤S2：特征提取：
S2-1：首先对步骤S1中获得的预处理后的心电信号进行R波定位，若定位到n个R波，按n个R波峰值位置时刻将该段预处理后的心电信号进行切段，每段由相邻的两个R波峰值位置之间的采样点构成，得到共n-1段心电采样点序列，记为d1,d2,……,dn-1；dn-1第n-1个心电采样点序列；
S2-2：将每两个相邻的心电采样点序列作为一组，即对di和di+1，1≤i≤n-2；通过动态时间规整算法进行规整，将两个心电采样点序列di和di+1规整为采样点数相同即等长序列，计算规整后两个序列的对应点差值的绝对值之和，作为这两个心电采样序列的差异值Sdi；
对所有的n-1个心电采样点序列依次进行上述操作，从而获得差异值序列Sd1，Sd2,……,Sdn-2；计算差异值序列的最小值和最大值；
S2-3：将差异值序列的最小值到最大分割阈值Mv之间等分为N-1个子区间，将最大分割阈值Mv到无穷大作为一个区间，共N个区间，并且按照每个区间的取值范围从小到大依次编号为第0个区间、第1个区间、…、第N-1个区间；其中最大分割阈值为对整个差异值序列取值范围进行分区时众多分割阈值中的最大者，所述最大分割阈值和区间个数N为根据数据集和分类任务进行训练优选得出，N≥2，最大分割阈值的训练初始值可取差异值序列的最大值；
若差异值序列中第i个值Sdi落在第j号区间中，得到该Sdi的区间值为Cvi＝j；因此由差异值序列得到相应的区间值序列Cv1,Cv2,……，Cvn-2；
S2-4:对区间值序列，将其第1、2、3个值看作一个编码，第3、4、5个值作为一个编码，第5、6、7个值作为一个编码，也就是说将相邻的三个Cvi作为一个编码，并且相邻的两个编码首尾重叠；最后的Cvi若不足三个则舍弃，进行编码后，区间值序列转化为一个由3位长的编码组成的新序列；
将每个3位长的编码看作一个3位的N进制数，将每个N进制数转化为10进制数，得到一个十进制序列Cv21,Cv22,……，
S2-5:该十进制序列由3位长的N进制数转化而来，因此得到的10进制序列中所有的数值均在0～N3-1之间。计算0～N3-1之间的所有整数在十进制序列中出现的概率pi，根据下式计算该十进制序列的信息熵H，作为该段心电信号G的特征值:
Figure BDA0002869707560000031
式中对数取2为底，或者取其它对数底，它们间可用换底公式换算。当所提取的该段心电信号G的特征值H用于心电信号分类时，作为特征值，训练分类器，然后进行分类。
对比现有技术，本发明有益效果在于：在心电信号非线性特征中，通过动态时间规整算法结合符号动力学的方法描述心脏活动的混乱程度，同时利用信息熵的定量分析信号混乱程度的能力，可以降维捕获信号的非线性特征，从而更准确的判断心脏活动状态。
附图说明
图1为本发明所述方法的流程图；
图2为R波定位结果(以SDDB数据库中30号数据为例)
图3为心电相邻心拍DTW的差异值序列；
图4为DTW计算过程中由序列A和序列B绘制得到的差值绝对值矩阵M；
图5为由序列A和序列B绘制得到的累计误差矩阵S；
图6为序列A和B通过DTW算法后的各序列值的对应关系；
图7为区间示意图；
图8为符号动力学编码过程示意图。
具体实施方式
下面将对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实例仅旨在便于对本发明的理解，而对其不起任何限定作用。
下面以进行恶性室性心律失常发生前心电信号与正常心电信号以及房颤心律心电信号的特征提取和分类为例，结合附图说明本发明的具体实施方式。算法流程图见图1。
步骤S1：采集ECG信号并进行预处理：这一步包括：
S1：本实例中选用来自Sudden Cardiac Death Holter Database、The MIT-BIHAtrial Fibrillation Database和The MIT-BIH Normal Sinus Rhythm Database的48例数据。其中SCD发生前数据16例，正常心电数据16例，房颤心律数据16例。
首先去除ECG信号中50Hz工频干扰、肌电干扰及基线漂移；作为优选，在这里，采用FIR带通滤波器去除ECG信号中50Hz工频干扰、肌电干扰及基线漂移，滤波器截止频率设为5Hz和15Hz。
步骤S2：特征提取：
S2-1：从原始心电数据中得到预处理后的数据后，将从Sudden Cardiac DeathHolter Database中选择的16例数据，从发生SCD前第12分钟取50秒数据，同时从The MIT-BIH Normal Sinus Rhythm Database、The MIT-BIH Atrial Fibrillation Database数据库各随机挑选16例，每例数据取50秒长心电数据。心电信号记为数据d。
S2-2：对得到的预处理后信号d进行R波定位。定位得到n个R波峰值点，按n个R波峰值位置时刻将该段预处理后的心电信号进行切段，每段由相邻的两个R波峰值位置之间的采样点构成，得到共n-1段心电采样点序列，记为d1,d2,……,dn-1；dn-1第n-1个心电采样点序列；
S2-2：将每两个相邻的心电采样点序列作为一组，即对di和di+1，1≤i≤n-2；通过动态时间规整算法(DTW)进行规整，将两个心电采样点序列di和di+1规整为采样点数相同即等长序列，计算规整后两个序列的对应点差值的绝对值之和，作为这两个心电采样序列的差异值Sdi；
对所有的n-1个心电采样点序列依次进行上述操作，从而获得差异值序列Sd1，Sd2,……,Sdn-2；如图3，计算差异值序列的最小值和最大值；
其中DTW算法过程如下：
假设有时间序列A和B，其中A序列值为1,3,3,8,1，B序列值为2,0,0,8,7,2。
首先计算两条序列中任意两个序列值的差值绝对值并按照序列对应顺序绘制成差值绝对值矩阵M(m,n)，如图4。其中m为A序列长度，n为B序列长度。
在得到差值绝对值矩阵之后，从左下角开始，计算每条路径会出现的累积误差。路径最小的累计误差计算公式如下。
S(i,j)＝M(i,j)+min{S(i-1,j),S(i,j-1),S(i-1,j-1)}
从左下角第一个点M(1,1)开始计算，由于M(1,1)点是初始点，因此它的累积误差S(1,1)＝M(1,1)＝1,。再看M(1,2)，M(2,1)，M(2,2)的最小累积误差值，由于M(1,2)点的左方，左下方，下方只有一条路径，因此这两处的累积误差最小为S1(1,2)＝M(1,2)+S(1,1)＝2，同理S(2,1)点也为2。此时M(2,2)点左下方，左方，下方，共有三条路径，因此选择S(1,1)，S(1,2)，S(2,1)中最小值S(1,1)加上点M(2,2)的误差值得到S(2,2)为4。按照这一方法一直计算得到整个累积误差矩阵如图5。最后通过动态规划算法得到累积误差最小的路径，本实验中为图5中标阴影路径。同时得到A，B序列变化后，各序列值的对应关系。如图6。对应点求差值的绝对值和，可得序列A、B的DTW的差异值为C＝1+3+3+0+1+1＝9。
S2-3：结合符号动力学的方法，将得到的差异值序列通过编码的方式进行简化。
将差异值序列的最小值到最大分割阈值Mv之间等分为N-1个子区间，将最大分割阈值Mv到无穷大作为一个区间，共N个区间，并且按照每个区间的取值范围从小到大依次编号为第0个区间、第1个区间、…、第N-1个区间；其中最大分割阈值为对整个差异值序列取值范围进行分区时众多分割阈值中的最大者，所述最大分割阈值和区间个数N为根据数据集和分类任务进行训练优选得出，N≥2，最大分割阈值的训练初始值可取差异值序列的最大值；
N＝4时的区间示意图如图7所示。
若差异值序列中第i个值Sdi落在第j号区间中，得到该Sdi的区间值为Cvi＝j；因此由差异值序列得到相应的区间值序列Cv1,Cv2,……，Cvn-2；
例如N＝8，Mv＝6.85，分区从下往上依次为0区、1区……7区、8区。
本例中，将0到最大阈值6.85等分为7个子区间，将最大阈值6.85到无穷大作为一个区间。共8个区间如果数据落在第i个区间就将该数据编号为i-1。这样得到一条由差异值序列转发得到的编号序列Cv1,Cv2,……，Cvn-2；
S2-4:对区间值序列，将其第1、2、3个值看作一个编码，第3、4、5个值作为一个编码，第5、6、7个值作为一个编码，也就是说将相邻的三个Cvi作为一个编码，并且相邻的两个编码首尾重叠；最后的Cvi若不足三个则舍弃，进行编码后，区间值序列转化为一个由3位长的编码组成的新序列；方法如图8所示。
将每个3位长的编码看作一个3位的N进制数，将每个N进制数转化为10进制数，得到一个十进制序列Cv21,Cv22,……，
以4进制为例，若区间值序列为0,2,3,1,2,1,3,2,2,1,3,2,1,0,0,3,1,2,3,2,1,2,1,3,0,0…则转化为十进制序列后为11,54,39,58,39,57,16,13,27,57,25,28…。
S2-5:该十进制序列由3位长的N进制数转化而来，因此得到的10进制序列中所有的数值均在0～N3-1之间。计算0～N3-1之间的所有整数在十进制序列中出现的概率pi，根据下式计算该十进制序列的信息熵H，作为该段心电信号G的特征值:
Figure BDA0002869707560000071
式中对数取2为底，或者取其它对数底，它们间可用换底公式换算。
实施例：SCD发生前心电信号与正常窦性心律心电信号和房颤心律心电信号的分类。
将本发明所设计的算法计算的信息熵H作为特征。在编号分区数为8个的条件下进行分类实验。采用分类器进行SCD发生前心电信号与正常窦性心律心电信号和房颤心律心电信号的分类。由于分类器的设计目标是通过学习后，可自动地将数据分到已知类别，所以针对模型的不同，有不同的分类器；根据生理信号的特点，可以采用的分类器包括：Bayes分类器，BP神经网络分类器，自组织映射，支持向量机(SVM)算法等。由于在这个实例中，将正常窦性心律心电信号和房颤心律心电信号视为一个类别，我们需要解决的是一个二分类问题，所以我们采用了简单通用并且效率高的SVM算法，完成了SCD前心律与正常窦性心律心电信号和房颤心律心电信号的分类。
根据上述数据进行实验，得到SCD发生前第12分钟心电信号与正常窦性心律心电信号以及房颤心律心电信号分类正确率、特异性、敏感性分别为88.35％、92.99％、84.60％。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换和替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，包括如下步骤：
步骤S1：采集t时长的心电信号G并进行预处理；
步骤S2：特征提取：
S2-1：首先对步骤S1中获得的预处理后的心电信号进行R波定位，若定位到n个R波，按n个R波峰值位置时刻将该段预处理后的心电信号进行切段，每段由相邻的两个R波峰值位置之间的采样点构成，得到共n-1段心电采样点序列，记为d1,d2,……,dn-1；dn-1第n-1个心电采样点序列；
S2-2：将每两个相邻的心电采样点序列作为一组，即对di和di+1，1≤i≤n-2；通过动态时间规整算法进行规整，将两个心电采样点序列di和di+1规整为采样点数相同即等长序列，计算规整后两个序列的对应点差值的绝对值之和，作为这两个心电采样序列的差异值Sdi；
对所有的n-1个心电采样点序列依次进行上述操作，从而获得差异值序列Sd1，Sd2,……,Sdn-2；计算差异值序列的最小值和最大值；
S2-3：将差异值序列的最小值到最大分割阈值Mv之间等分为N-1个子区间，将最大分割阈值Mv到无穷大作为一个区间，共N个区间，并且按照每个区间的取值范围从小到大依次编号为第0个区间、第1个区间、…、第N-1个区间；其中最大分割阈值为对整个差异值序列取值范围进行分区时众多分割阈值中的最大者，所述最大分割阈值和区间个数N为根据数据集和分类任务进行训练优选得出，N≥2，最大分割阈值的训练初始值可取差异值序列的最大值；
若差异值序列中第i个值Sdi落在第j号区间中，得到该Sdi的区间值为Cvi＝j；因此由差异值序列得到相应的区间值序列Cv1,Cv2,……，Cvn-2；
S2-4:对区间值序列，将其第1、2、3个值看作一个编码，第3、4、5个值作为一个编码，第5、6、7个值作为一个编码，也就是说将相邻的三个Cvi作为一个编码，并且相邻的两个编码首尾重叠；最后的Cvi若不足三个则舍弃，进行编码后，区间值序列转化为一个由3位长的编码组成的新序列；
将每个3位长的编码看作一个3位的N进制数，将每个N进制数转化为10进制数，得到一个十进制序列Cv21,Cv22,……；
S2-5:该十进制序列由3位长的N进制数转化而来，因此得到的10进制序列中所有的数值均在0～N3-1之间。计算0～N3-1之间的所有整数在十进制序列中出现的概率pi，根据下式计算该十进制序列的信息熵H，作为该段心电信号G的特征值:
Figure FDA0002869707550000021
2.根据权利要求1所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，步骤S1所述预处理包括去除心电信号中的工频干扰、肌电干扰及基线漂移。
3.根据权利要求1所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，当所提取的该段心电信号G的特征值H用于心电信号分类时，作为特征值，训练分类器，然后进行分类。
4.根据权利要求1-3所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，当所提取的特征H用于检测该段心电信号中是否出现室颤发作前心电时：首先建立室颤发作前的三小时以内心电和未出现室颤现象的心电这两类样本的数据集，然后对数据集中的心电提取所述特征H，用来训练分类器；
当分类器完成训练后，对待检测心电信号提取所述特征H，输入到该分类器，由分类器判断是否该段心电是否属于室颤发作前心电。
5.根据权利要求1所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，区间个数N≥4。
6.根据权利要求1所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，n≥13。
7.根据权利要求1所述的基于动态时间规整和符号动力学的心电信号特征提取方法，其特征在于，心电信号G的时长大于20秒。
CN202011593191.9A 2020-12-29 2020-12-29 基于动态时间规整和符号动力学的心电信号特征提取方法 Pending CN112716498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011593191.9A CN112716498A (zh) 2020-12-29 2020-12-29 基于动态时间规整和符号动力学的心电信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011593191.9A CN112716498A (zh) 2020-12-29 2020-12-29 基于动态时间规整和符号动力学的心电信号特征提取方法

Publications (1)

Publication Number Publication Date
CN112716498A true CN112716498A (zh) 2021-04-30

Family

ID=75607481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011593191.9A Pending CN112716498A (zh) 2020-12-29 2020-12-29 基于动态时间规整和符号动力学的心电信号特征提取方法

Country Status (1)

Country Link
CN (1) CN112716498A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095302A (zh) * 2021-05-21 2021-07-09 中国人民解放军总医院 用于心律失常分类的深度模型、利用该模型的方法及装置
CN114330468A (zh) * 2021-07-14 2022-04-12 广东工业大学 一种基于动态规划的分类器筛选方法、系统及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090043216A1 (en) * 2007-08-10 2009-02-12 Szming Lin Heart beat signal recognition
EP2099359A1 (en) * 2006-12-01 2009-09-16 Oxford Biosignals Limited Biomedical signal morphology analysis method
CN105411565A (zh) * 2015-11-20 2016-03-23 北京理工大学 基于广义尺度小波熵的心率变异性特征分类方法
CN105496402A (zh) * 2015-11-20 2016-04-20 北京理工大学 基于散点图和符号动力学的心电特征分析方法
CN108523873A (zh) * 2018-01-31 2018-09-14 北京理工大学 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法
CN109745034A (zh) * 2019-01-04 2019-05-14 东南大学 基于距离归一化模糊测度熵的房颤实时扫描方法及装置
CN110063726A (zh) * 2019-06-03 2019-07-30 广东工业大学 一种心电信号单导联f波提取方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2099359A1 (en) * 2006-12-01 2009-09-16 Oxford Biosignals Limited Biomedical signal morphology analysis method
US20100049069A1 (en) * 2006-12-01 2010-02-25 Oxford Biosignals Limited Biomedical signal morphology analysis method
US20090043216A1 (en) * 2007-08-10 2009-02-12 Szming Lin Heart beat signal recognition
CN105411565A (zh) * 2015-11-20 2016-03-23 北京理工大学 基于广义尺度小波熵的心率变异性特征分类方法
CN105496402A (zh) * 2015-11-20 2016-04-20 北京理工大学 基于散点图和符号动力学的心电特征分析方法
CN108523873A (zh) * 2018-01-31 2018-09-14 北京理工大学 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法
CN109745034A (zh) * 2019-01-04 2019-05-14 东南大学 基于距离归一化模糊测度熵的房颤实时扫描方法及装置
CN110063726A (zh) * 2019-06-03 2019-07-30 广东工业大学 一种心电信号单导联f波提取方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUN-HONG NOH等: ""Development of the belt-type ECG measurement system for wearable health monitoring"", 《ICCIT》 *
刘杰: ""心电信号分析算法的研究与软件实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095302A (zh) * 2021-05-21 2021-07-09 中国人民解放军总医院 用于心律失常分类的深度模型、利用该模型的方法及装置
CN114330468A (zh) * 2021-07-14 2022-04-12 广东工业大学 一种基于动态规划的分类器筛选方法、系统及计算机设备

Similar Documents

Publication Publication Date Title
US20220015711A1 (en) System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms
Engin ECG beat classification using neuro-fuzzy network
Mahajan et al. Cardiac rhythm classification from a short single lead ECG recording via random forest
CN112716498A (zh) 基于动态时间规整和符号动力学的心电信号特征提取方法
CN108523873B (zh) 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法
Smíšek et al. SVM based ECG classification using rhythm and morphology features, cluster analysis and multilevel noise estimation
Khan et al. Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia
CN115486855A (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
Vuksanovic et al. AR-based method for ECG classification and patient recognition
Cimen et al. Arrhythmia classification via k-means based polyhedral conic functions algorithm
CN112545528B (zh) 基于分数阶傅里叶变换和张量分解的心电t波特征提取方法
Ahmad et al. Classification of arrhythmia types using cartesian genetic programming evolved artificial neural networks
Mayapur Classification of Arrhythmia from ECG Signals using MATLAB
Hao et al. Combinational feature based random forest classification for enhanced bundle branch block beat detection
CN110151165B (zh) 一种基于非线性动力学特征的心电向量图分类方法
Ding-Fei et al. Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis
Begum et al. K-NN based interpolation to handle artifacts for heart rate variability analysis
Chumrit et al. Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine
Ali et al. ECG arrhythmia classification using mahalanobis-taguchi system in a body area network environment
Ingole et al. Electrocardiogram (ECG) signals feature extraction and classification using various signal analysis techniques
Mohseni et al. Heart arrhythmias classification via a sequential classifier using neural network, principal component analysis and heart rate variation
Shahnaz et al. Cardiac beat classification based on wavelet analysis of empirical mode decomposed ECG signals
Pantelopoulos et al. Efficient single-lead ECG beat classification using matching pursuit based features and an artificial neural network
Dingfei Study of ECG feature extraction for automatic classification based on wavelet transform
Jiang et al. An SPC-based forward-backward algorithm for arrhythmic beat detection and 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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210430