CN112949525B - 一种基于向量心电的心拍分类方法及装置 - Google Patents
一种基于向量心电的心拍分类方法及装置 Download PDFInfo
- Publication number
- CN112949525B CN112949525B CN202110267983.5A CN202110267983A CN112949525B CN 112949525 B CN112949525 B CN 112949525B CN 202110267983 A CN202110267983 A CN 202110267983A CN 112949525 B CN112949525 B CN 112949525B
- Authority
- CN
- China
- Prior art keywords
- lead
- vector
- signal
- heart beat
- classification
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于向量心电的心拍分类方法及装置,所述方法包括:同步采集各导联心电信号,分别从各导联心电信号中寻找R点,并根据各导联R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号;根据多导联同步心拍信号和预设的转换矩阵,确定对应的空间向量环;将空间向量环投射都不同的平面上,生成对应的平面向量环;将多导联同步心拍信号、空间向量环和平面向量环分别输入至对应的训练完备的分类模型,输出对应的心拍分类概率;根据多个拍分类概率的加权结果,确定多导联同步心拍信号对应的最终心拍分类概率。本发明综合所有导联来进行心拍分类,通过多导联综合的方式从不同方向综合对心拍进行分类。使心拍分类更准确。
Description
技术领域
本发明涉及心电信号分类技术领域,尤其涉及一种基于向量心电的心拍分类方法及装置。
背景技术
心电信号的分类可以为医生的诊断提供参考,在大量的待诊断数据面前,辅助诊断可以减小医生的工作量。而目前对心电信号的分类方法,主要包含有传统的信号处理方法和深度学习方法,传统的数字信号处理方法对心电信号数据进行分类,需要设定参数、阈值等对信号手动提取特征,但是由于参数、阈值等数值固定,而原始的信号往往具有基线漂移、噪声等干扰,人工提取特征方法的鲁棒性差,因此识别效果远低于深度学习方法。而对于现有的利用深度学习分类的方法,往往只针对心电信号的一维信息,且仅着重于模型结构的设计与改进,使得心电信号的分类精度较低。因此,如何进行准确进行心电信号的分类是亟待解决的问题。
发明内容
有鉴于此,有必要提供了一种基于向量心电的心拍分类方法及装置,用以解决现有技术中如何进行准确进行心电信号的分类的问题。
本发明提供了一种基于向量心电的心拍分类方法,包括:
同步采集各导联心电信号,分别从各导联心电信号中寻找R点位置,并根据所述各导联心电信号的R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号;
根据所述多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对所述空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环;
将所述空间向量环投射都不同的平面上,生成对应的平面向量环;
将所述多导联同步心拍信号、所述空间向量环和所述平面向量环分别输入至对应的训练完备的分类模型,输出对应的心拍分类概率;
根据多个所述拍分类概率的加权结果,确定所述多导联同步心拍信号对应的最终心拍分类概率。
进一步地,所述根据各导联R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号包括:
将所述多导联心电信号间相距距离小于预设距离的R点位置分为同样类别心拍;
将分为所述同样类别心拍的所有R点位置取平均值,确定对应的多导联同步R点位置;
针对任意所述多导联同步R点位置,以到对应的前一个所述多导联同步R点位置的1/3处为信号起点,以到对应的所述多导联同步R点位置的2/3处为信号终点;
根据所述多导联同步R点位置及对应的信号起点和信号终点,确定所述多导联同步心拍信号。
进一步地,所述将所述多导联心电信号间相距距离小于预设距离的R点位置分为同样类别心拍之前还包括:通过多数投票法则,去除所述多导联同步心拍信号中错标或漏标的R点位置。
进一步地,所述根据所述多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对所述空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环包括:
根据所述多导联同步心拍信号和所述转换矩阵的乘积,确定所述空间XYZ三轴数据;
对所述空间XYZ三轴数据进行二次曲线拟合,确定所述空间向量环。
进一步地,所述转换矩阵根据各个导联电极片位置确定。
进一步地,所述不同的平面包括额面、横面和侧面。
进一步地,所述多导联同步心拍信号对应的分类模型依次包括:三层一维卷积层和对应的激活层、全连接层和心拍分类概率输出层。
进一步地,所述空间向量环对应的分类模型包括:三层三维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,所述附加特征层包括三维向量的起始方向和空间向量环的旋转方向。
进一步地,所述平面向量环对应的分类模型依次包括:三层二维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,所述附加特征层包括二维向量的起始方向和空间向量环的旋转方向。
本发明还提供了一种基于向量心电的心拍分类装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的基于向量心电的心拍分类方法。
采集至少一个单导联心电信号,并根据所述至少一个单导联心电信号的R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号;
根据所述多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对所述空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环;
将所述空间向量环投射都不同的平面上,生成对应的平面向量环;
将所述多导联同步心拍信号、所述空间向量环和所述平面向量环分别输入至对应的训练完备的分类模型,输出对应的心拍分类概率;
根据多个所述拍分类概率的加权结果,确定所述多导联同步心拍信号对应的最终心拍分类概率
与现有技术相比,本发明的有益效果包括:首先,通过采集多个单导联心电信号并进行相应的信号融合和信号分割,形成每一个R点位置对应的多导联同步心拍信号,以反馈心电信号的一维信息;然后,将每个多导联同步心拍信号转换为XYZ三轴数据,并形成空间向量环,以反馈心电信号的三维信息;进而,将空间向量环投射到不同的平面,形成平面向量环,以反馈心电信号的二维信息;接着,利用深度学习的分类模型,将多导联同步心拍信号、空间向量环和平面向量环作为输入进行分类,确定不同信息输入下的心拍分类概率;最后,利用加权的方式对不同的心拍分类概率进行融合,充分结合了不同维度的信息,使分类更为准确有效。综上,本发明融合了心脏激动过程中产生的综合向量来进行心拍分类,综合所有记录导联来进行心拍分类,通过多导联综合的方式从不同方向综合对心拍进行分类,使心拍分类更准确。
附图说明
图1为本发明提供的基于深度学习的心电信号分类方法的流程示意图;
图2为本发明提供的确定多个多导联同步心拍信号的流程示意图;
图3为本发明提供的确定空间向量环的流程示意图;
图4为本发明提供的分类模型的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种基于深度学习的心电信号分类方法,结合图1来看,图1为本发明提供的基于深度学习的心电信号分类方法的流程示意图,包括以下步骤:
在步骤S1中,同步采集多导联心电信号,分别从各导联心电信号中寻找R点位置,并根据所述各导联心电信号的R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号;
在步骤S2中,根据多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环;
在步骤S3中,将空间向量环投射都不同的平面上,生成对应的平面向量环;
在步骤S4中,将多导联同步心拍信号、空间向量环和平面向量环分别输入至对应的训练完备的分类模型,输出对应的心拍分类概率;
在步骤S5中,根据多个拍分类概率的加权结果,确定多导联同步心拍信号对应的最终心拍分类概率。
本发明技术方案,首先,通过采集多导联同步心拍信号并进行相应的信号融合和信号分割,形成每一个R点位置对应的多导联同步心拍信号,以反馈心电信号的一维信息;然后,将每个多导联同步心拍信号转换为XYZ三轴数据,并形成空间向量环,以反馈心电信号的三维信息;进而,将空间向量环投射到不同的平面,形成平面向量环,以反馈心电信号的二维信息;接着,利用深度学习的分类模型,将多导联同步心拍信号、空间向量环和平面向量环作为输入进行分类,确定不同信息输入下的心拍分类概率;最后,利用加权的方式对不同的心拍分类概率进行融合,充分结合了不同维度的信息,使分类更为准确有效。
优选地,结合图2来看,图2为本发明提供的确定多个多导联同步心拍信号的流程示意图,上述步骤S1具体包括步骤S11至步骤S14,其中:
在步骤S11中,将多导联同步心拍信号间相距距离小于预设距离的R点位置分为同一心拍;
在步骤S12中,将分为同一心拍的所有R点位置取平均值,确定对应的多导联同步R点位置;
在步骤S13中,针对任意多导联同步R点位置,以到对应的前一个多导联同步R点位置的1/3处为信号起点,以到对应的多导联同步R点位置的2/3处为信号终点;
在步骤S14中,根据多导联同步R点位置及对应的信号起点和信号终点,确定多导联同步心拍信号。
作为具体实施例,本发明实施例针对多个单导联心电信号,利用R点位置进行信号分类,把多导联同步心拍信号间相距位置相近的R点位置归为一类,进而再对该R点位置进行信号分割,选取对应的起点和终点,实现多导联同步心拍信号的提取。其中,预设距离优选为100ms。
优选地,步骤S11之前还包括:通过多数投票法则,去除至少一个单导联心电信号中错标或漏标的R点位置。作为具体实施例,本发明实施例剔除或增加信号中不准确的R点位置,使形成的多导联同步心拍信号更为准确。
在本发明一个具体的实施例中,融合各导联的R点位置,形成多个多导联同步心拍信号的具体流程如下:
融合各导联的R点位置,形成多导联同步R点平均位置。本发明所用的实施方案为:两个导联之间R点间期小于100ms的为一类,使用多数投票法则去除单个导联可能会错标或漏标的R点。对筛选后的各导联R点平均值为多导联同步R点;
根据多导联同步R点平均位置,获取多导联同步心拍信号。本发明所用的实施方案为:以当前R点平均位置到前一个R点平均位置的1/3处为起点,当前R点平均位置到后一个R点平均位置的2/3处为终点。对多导联数据进行分割,分割后的数据为多导联同步心拍信号。
优选地,结合图3来看,图3为本发明提供的确定空间向量环的流程示意图,上述步骤S2具体包括步骤S21至步骤S22,其中:
在步骤S21中,根据多导联同步心拍信号和转换矩阵的乘积,确定空间XYZ三轴数据;
在步骤S22中,对空间XYZ三轴数据进行二次曲线拟合,确定空间向量环。
作为具体实施例,本发明实施例将每个多导联同步心拍信号转换为XYZ三轴数据,并形成空间向量环,以反馈心电信号的三维信息,便于后续利用三维信息进行分类。
优选地,转换矩阵根据各个导联电极片位置确定。作为具体实施例,本发明实施例依据导联电极片位置确定空间转换的转换矩阵,以此实现有效的三维信息提取。
在本发明一个具体的实施例中,根据各个导联电极片位置确定各个导联到空间XYZ三轴的转换矩阵。本发明所用的实施方案为:标准12导联信号中I、II、V1、V2、V3、V4、V5、V6转换为空间XYZ三轴的转换矩阵D为:
优选地,不同的平面包括额面、横面和侧面。作为具体实施例,本发明实施例将空间向量环分别映射到前额面、上横面和右侧面,以此获取不同方向的二维平面信息。
优选地,多导联同步心拍信号对应的分类模型依次包括:三层一维卷积层和对应的激活层、全连接层和心拍分类概率输出层。作为具体实施例,本发明实施例使用步骤S1生成的多导联同步心拍信号,经过一维卷积网络进行心拍分类训练,最终输出各心拍分类的概率,充分考虑了一维信息。
优选地,空间向量环对应的分类模型包括:三层三维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,附加特征层包括三维向量的起始方向和空间向量环的旋转方向。作为具体实施例,本发明实施例使用生成的空间向量环,经过三维卷积网络进行心拍分类训练,最终输出各心拍分类的概率,充分考虑了三维信息。
优选地,平面向量环对应的分类模型依次包括:三层二维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,附加特征层包括二维向量的起始方向和空间向量环的旋转方向。作为具体实施例,本发明实施例使用生成的平面向量环,经过二维卷积网络进行心拍分类训练,最终输出各心拍分类的概率,充分考虑了二维信息。
在本发明一个具体的实施例中,结合图4来看,图4为本发明提供的分类模型的结构示意图,其中:
待卷积数据:当输入为多导联同步心拍信号时,待卷积数据为一维的多导联同步心拍信号;当输入为三维的空间向量环时,待卷积数据为三维的空间向量环;当输入为平面向量环时,待卷积数据为二维的额面、横面和侧面对应的平面向量环;
卷积池化和激活:当输入为多导联同步心拍信号时为一维卷积池化激活操作;当输入为三维的空间向量环时为三维卷积池化激活操作;当输入为平面向量环时二维卷积池化激活操作;
附加特征:当输入为多导联同步心拍信号时无附加特征(无该层);当输入为三维的空间向量环时为三维向量的起始方向,P/QRS/T等空间向量环的旋转方向;当输入为平面向量环时为二维向量的起始方向,P/QRS/T等空间向量环的旋转方向;
全连接层:将卷积池化和激活后的结果与附加特征进行展开,并通过全连接层输出最终的心拍分类概率。
实施例2
本发明实施例提供了一种基于向量心电的心拍分类装置,包括处理器以及存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现如实施例1所述的基于向量心电的心拍分类方法。
实施例3
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机该程序被处理器执行时,实现如实施例1所述的基于向量心电的心拍分类方法。
本发明公开了一种基于向量心电的心拍分类方法及装置,首先,同步采集多导联心电信号,分别从各导联心电信号中寻找R点,并根据各导联R点位置进行信号融合和信号分割,形成每一个R点位置对应的多导联同步心拍信号,以反馈心电信号的一维信息;然后,将每个多导联同步心拍信号转换为XYZ三轴数据,并形成空间向量环,以反馈心电信号的三维信息;进而,将空间向量环投射到不同的平面,形成平面向量环,以反馈心电信号的二维信息;接着,利用深度学习的分类模型,将多导联同步心拍信号、空间向量环和平面向量环作为输入进行分类,确定不同信息输入下的心拍分类概率;最后,利用加权的方式对不同的心拍分类概率进行融合,充分结合了不同维度的信息,使分类更为准确有效。
本发明技术方案,从各导联心电信号波动的本质—空间向量环在各导联向量的投影入手,直接从产生各导联心电信号的向量心电环进行分析,融合了心脏激动过程中产生的综合向量来进行心拍分类,综合所有记录导联来进行心拍分类,通过多导联综合的方式从不同方向综合对心拍进行分类,使心拍分类更准确。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于向量心电的心拍分类方法,其特征在于,包括:
同步采集各导联心电信号,分别从所述各导联心电信号中寻找R点位置,并根据所述各导联心电信号的R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号;
根据所述多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对所述空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环;
将所述空间向量环投射都不同的平面上,生成对应的平面向量环;
将所述多导联同步心拍信号、所述空间向量环和所述平面向量环分别输入至对应的训练完备的分类模型,输出对应的心拍分类概率;
根据多个所述心拍分类概率的加权结果,确定所述多导联同步心拍信号对应的最终心拍分类概率。
2.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述根据所述各导联心电信号的R点位置进行信号融合和信号分割,确定多个多导联同步心拍信号包括:
将所述多导联同步心拍信号间相距距离小于预设距离的R点位置分为同样类别心拍;
将分为所述同样类别心拍的所有R点位置取平均值,确定对应的多导联同步R点位置;
针对任意所述多导联同步R点位置,以到对应的前一个所述多导联同步R点位置的1/3处为信号起点,以到对应的所述多导联同步R点位置的2/3处为信号终点;
根据所述多导联同步R点位置及对应的信号起点和信号起点,确定所述多导联同步心拍信号。
3.根据权利要求2的基于向量心电的心拍分类方法,其特征在于,所述将所述多导联同步心拍信号间相距距离小于预设距离的R点位置分为同样类别心拍之前还包括:通过多数投票法则,去除所述多导联同步心拍信号中错标或漏标的R点位置。
4.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述根据所述多导联同步心拍信号和预设的转换矩阵,确定对应的空间XYZ三轴数据,并对所述空间XYZ三轴数据进行曲线拟合,确定对应的空间向量环包括:
根据所述多导联同步心拍信号和所述转换矩阵的乘积,确定所述空间XYZ三轴数据;
对所述空间XYZ三轴数据进行二次曲线拟合,确定所述空间向量环。
5.根据权利要求4的基于向量心电的心拍分类方法,其特征在于,所述转换矩阵根据各个导联电极片位置确定。
6.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述不同的平面包括额面、横面和侧面。
7.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述多导联同步心拍信号对应的分类模型依次包括:三层一维卷积层和对应的激活层、全连接层和心拍分类概率输出层。
8.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述空间向量环对应的分类模型包括:三层三维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,所述附加特征层包括三维向量的起始方向和空间向量环的旋转方向。
9.根据权利要求1的基于向量心电的心拍分类方法,其特征在于,所述平面向量环对应的分类模型依次包括:三层二维卷积层和对应的激活层、附加特征层、全连接层和心拍分类概率输出层,其中,所述附加特征层包括二维向量的起始方向和空间向量环的旋转方向。
10.一种基于向量心电的心拍分类装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-9任一所述的基于向量心电的心拍分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267983.5A CN112949525B (zh) | 2021-03-12 | 2021-03-12 | 一种基于向量心电的心拍分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267983.5A CN112949525B (zh) | 2021-03-12 | 2021-03-12 | 一种基于向量心电的心拍分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949525A CN112949525A (zh) | 2021-06-11 |
CN112949525B true CN112949525B (zh) | 2022-07-12 |
Family
ID=76228932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267983.5A Active CN112949525B (zh) | 2021-03-12 | 2021-03-12 | 一种基于向量心电的心拍分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949525B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810393A (zh) * | 2014-02-27 | 2014-05-21 | 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 |
KR20150009843A (ko) * | 2013-07-17 | 2015-01-27 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032689A1 (en) * | 2016-07-29 | 2018-02-01 | Qatar University | Method and apparatus for performing feature classification on electrocardiogram data |
-
2021
- 2021-03-12 CN CN202110267983.5A patent/CN112949525B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150009843A (ko) * | 2013-07-17 | 2015-01-27 | 건국대학교 산학협력단 | 심전도 신호 분류 시스템 |
CN103810393A (zh) * | 2014-02-27 | 2014-05-21 | 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 |
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
Non-Patent Citations (2)
Title |
---|
《A vectorcardiogram-based classification system for the detection of Myocardial infarction》;Chih-Sheng Huang,et al;《2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20111201;第973-976页 * |
《基于集成学习的临床心电图分类算法研究》;金林鹏,等;《生物医学工程学杂志》;20161031;第33卷(第5期);第825-833页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949525A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063552B (zh) | 一种多导联心电信号分类方法和系统 | |
CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
US10610162B2 (en) | Method for the detecting electrocardiogram anomalies and corresponding system | |
JP6901399B2 (ja) | Ecgデバイス用のecgコントローラ、該ecgコントローラの作動の方法 | |
WO2021037102A1 (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
JP2020502683A (ja) | 神経生理学的信号を使用する反復分類のためのシステムと方法 | |
EP3251594B1 (en) | Device for detecting electrocardiogram anomalies | |
CN110664395B (zh) | 图像处理方法、图像处理装置以及存储介质 | |
CN104586383A (zh) | 一种心电波形分类方法及装置 | |
CN113080996B (zh) | 一种基于目标检测的心电图分析方法及装置 | |
US20160106378A1 (en) | System and method for detecting an arrhythmic cardiac event from a cardiac signal | |
EP3054841A1 (en) | An apparatus and method for evaluating multichannel ecg signals | |
CN115666387A (zh) | 基于多导联的心电信号识别方法和心电信号识别装置 | |
CN110432894B (zh) | 心电图关键点标注方法及电子设备 | |
CN110507311B (zh) | 一种基于图像信息的心电分析方法、装置、设备及介质 | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN111150386A (zh) | 一种心电分析的方法、装置及存储介质 | |
CN112949525B (zh) | 一种基于向量心电的心拍分类方法及装置 | |
CN117651523A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 | |
Afkhami et al. | ECG based detection of left ventricular hypertrophy using higher order statistics | |
US20230100365A1 (en) | Automatic classification of healthy and disease conditions from images or digital standard 12-lead ECGs | |
CN110811608A (zh) | 一种基于ecg信号的房颤监测方法 | |
CN111803061B (zh) | 一种基于目标检测的r波识别方法及装置 | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 |
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 |