CN113197582B - 一种高通用性的心电数据压缩感知系统、终端和存储介质 - Google Patents
一种高通用性的心电数据压缩感知系统、终端和存储介质 Download PDFInfo
- Publication number
- CN113197582B CN113197582B CN202110459387.7A CN202110459387A CN113197582B CN 113197582 B CN113197582 B CN 113197582B CN 202110459387 A CN202110459387 A CN 202110459387A CN 113197582 B CN113197582 B CN 113197582B
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardio
- network
- convolution
- compression
- 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.)
- Expired - Fee Related
Links
- 238000013144 data compression Methods 0.000 title claims abstract description 35
- 238000007906 compression Methods 0.000 claims abstract description 40
- 230000006835 compression Effects 0.000 claims abstract description 40
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- 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
本发明公开了一种高通用性的心电数据压缩感知系统、终端和存储介质，涉及数据处理和压缩领域。解决现有系统通用性较差，数据在实现不同压缩率的时候系统需要重新设计的问题，同时解决现有系统在相同压缩率的情况下数据重建效率低下的问题。系统围绕神经网络实现心电数据的压缩和重建，能够提高数据的重建效率。本发明建立了一种用联合的形式构建的卷积网络，设计了并行的多维卷积运算实现数据压缩，能够适应不同的压缩率，有效地保留了原始数据的特征。
Description
技术领域
本发明涉及数据处理和压缩领域，特别是涉及一种高通用性的心电数据压缩感知系统、终端和存储介质。
背景技术
随着科学技术的发展，信息化和数字化为人类日常生活中的健康监控带来了巨大的便利。近年来，随着各项相关技术的成熟与发展，各种心电数据采集产品越来越多地出现在了人类日常生活中。压缩感知技术由于有效的减少了信息冗余，降低了需要的数据量，被广泛的应用于各种设备之中。
目前针对心电数据的压缩感知系统，通常需要根据不同的数据特征来设计对应的采样矩阵，然后根据采样矩阵的参数设计对应的重建算法进行数据的重建。传统系统会带来三个问题：(1)系统只适用于一种压缩率，在压缩率需要改变的情况下，需要重新设计系统；(2)不同用户的心电数据特征并不存在一致性，人工设计的采样矩阵在特征变化的情况下不能针对所有数据都有一个好的表现；(3)重建的方式是迭代的，重建效率太低，重建精度也不高。因此，传统的心电数据的压缩感知系统，很难满足相应的应用要求。
综上可知，如果想要将心电数据的压缩感知系统广泛应用到生活中，必须满足以下条件：(1)需要支持多种通用的压缩率；(2)针对数据特征的变化，系统具有一定的灵活性；(3)需要保证心电数据的一定的重建精度。
发明内容
本发明的目的在于克服现有技术的不足，提出一种高通用性的心电数据压缩感知系统、终端和存储介质。
为了实现上述目的，本发明采用了以下技术方案：
本发明提供了一种高通用性的心电数据压缩感知系统，其包括：
心电数据预处理模块：模块对输入的心电数据进行分割预处理。输入心电数据采集模块输出的心电数据，输出规格化心电数据；
心电数据压缩模块：模块分为正常模式和训练模式。正常模式对心电数据进行压缩，输入心电数据预处理模块输出的规格化心电数据，输出压缩后的心电压缩数据。训练模式对心电数据压缩网络进行训练，输入训练用的心电标签数据，输出压缩后的心电压缩数据。
心电数据重建模块：模块分为正常模式和训练模式。正常模式对压缩后的心电数据进行重建，输入心电数据压缩模块正常模式压缩后的心电压缩数据，输出心电重建数据。训练模式对心电数据重建网络进行训练，输入心电数据压缩模块训练模式压缩后的心电压缩数据和训练用的心电标签数据，输出心电重建数据。
进一步的，在本发明的优选方案中，心电数据预处理模块输入特定采样频率的心电数据。
进一步的，在本发明的优选方案中，心电数据预处理模块的分割预处理操作为：对输入的心电采样数据，每隔特定个采样点进行一次分割，每次分割的数据作为输出的规格化心电数据。
可选的，所述心电数据重建模块中的压缩网络模型采用并行的分层卷积架构，网络包含n种卷积形式，每种卷积形式表示为一个层，代表n种心电数据降采样方法，其中n可以为大于等于1的整数；每种卷积形式的卷积核数量为Cn，代表降采样后心电数据的长度；每种卷积形式中卷积核的尺寸根据心电采样数据的时序特征设计为1×a，a的数值与心电数据中的变化较快的QRS波段的长度相同。
可选的，所述心电数据重建模块中的压缩网络通过多尺度的卷积核实现心电数据压缩感知中的采样，网络输入预处理后的心电数据，输出压缩采样后的心电采样数据，卷积转换函数如下：
其中，φ是指压缩感知任务中的测量矩阵，x是指输入的心电数据，
代表心电数据降采样滤波器的参数，<φn，x>指降采样滤波器对心电数据进行降采样；所述的压缩网络根据以上卷积转换函数，针对心电数据中R峰的近似周期性，设计大小为1×M的卷积核对应于心电数据降采样滤波器，n个卷积核与输入的心电数据进行卷积获得的卷积值，相当于降采样滤波器对心电数据进行压缩采样，其中n的数值与输入数据中R峰的数目相关，能使神经网络的特征空间中包含心电数据的周期特征。
可选的，所述心电数据压缩模块中的压缩网络模型采用联合的形式对不同并行网络层进行合并，实现人体心电数据在传输时涉及的常用压缩率，联合采样函数的形式如下：
其中，r是指第n层卷积形式实现的心电数据的最终压缩率，Ln是指第n层压缩后的心电数据的长度，Linput是指输入的心电预处理数据的长度，Linput一般至少要包含2个心脏搏动周期的数据；联合采样函数r在不改变输入的心电预处理数据长度的同时，通过叠加每个网络层压缩后的心电数据，来实现网络压缩率的伸缩。
可选的，所述心电数据重建模块中的重建网络，采用多尺度一维卷积网络架构，输入压缩后的心电采样数据，输出心电重建数据的特征；网络使用卷积核进行心电数据的特征提取，提取后的特征与初始心电数据的特征进行匹配，实现特征补充。网络最后为一层重建层，重建层的卷积核对心电重建数据的特征进行维度重建，获取一维心电重建数据，完成重建。重建网络的设计如下：
先设计m1层卷积网络，每层卷积核尺寸为1×a1，卷积核数量为d，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致；在m1层卷积网络后设计m2层卷积网络，每层卷积核尺寸为1×1，卷积核数量为s，卷积过程不需要对输入数据补零；在m2层卷积网络后设计m3层卷积网络，每层卷积网络的卷积核尺寸为1×a2，卷积核尺度为s，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致；在m3层卷积网络后设计m4层卷积网络，每层卷积核尺寸为1×1，卷积核尺度为d，卷积过程不需要对输入数据补零。最后一层卷积网络设计为重构层，重构层对数据特征进行维度重构，获取一维心电重建数据，卷积核尺寸为1×a3，卷积核尺度为1，卷积过程中需要对输入数据两边进行补零，使输入输出长度一致。
可选的，所述心电数据重建模块中的重建网络采用欧式距离损失进行训练，网络的损失函数如下：
其中，
代表重建的心电数据，
代表心电数据模板。E代表重建数据对应于心电数据模板的损失，用于回传并训练优化神经网络的参数。
进一步的，所述心电数据压缩模块的训练模式提供Adam优化器来进行网络训练的优化。
本发明还提供了一种终端设备，所述终端设备包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述高通用性的心电数据压缩感知系统。
本发明还提供了一种计算机可读存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述高通用性的心电数据压缩感知系统。
与现有技术相比，本发明所具有的有益效果包括：
1.该系统通过严密的推导证明心电数据压缩感知数学模型与神经网络结构之间的关系，提出了一种实现心电数据压缩感知的神经网络的学习过程和基础架构，可以通过心电数据的数据特征来实现其压缩和重建，所以相比于现有技术手段的心电数据压缩感知系统(例如主成分分析、张量分解等)，克服了其迭代式学习数据先验知识的过程缺陷，有效的提高了心电数据的压缩和重建效率；
2.该系统结合心电数据的数据特征和数学的卷积运算理论进行证明，引申推导出一种新的卷积实现方法，相比于现有的卷积神经网络，克服了其仅使用普通卷积方法进行特征提取时，不能对应于心电数据压缩采样的物理过程的缺陷，有效的提高了心电数据的重建质量；
3.该系统结合心电数据压缩感知理论和矩阵运算理论进行推导，提出了一种单一网络实现多码率的并行卷积架构，所以相比于现有的多阶段网络重建卷积架构，克服了其一个网络对应实现一个压缩率的缺陷，可以一个网络对应实现多个压缩率，有效的提高了系统的通用性。
附图说明
图1是本发明提供的心电数据压缩感知系统的网络训练及使用流程图；
图2是本发明提供的压缩感知网络模型的结构图；
图3-图6心电数据在不同的压缩率下经过本文所提出的压缩感知系统重建后的效果图。其中，图3的压缩率为0.2；图4的压缩率为0.3；图5的压缩率为0.4；图6的压缩率为0.5。
具体实施方式
下面结合技术方案和附图对本发明进行进一步的说明。
如图1所示，本发明的高通用性的心电信号压缩感知系统的具体实施如下所述：
心电数据预处理模块：输入以360Hz的采样频率采集的时长约30分钟的心电数据，每条数据做900个采样点的分割预处理，将预处理后的规格化心电数据保存在文本文件中，作为心电数据压缩模块和心电数据重建正常模式的输入；
心电数据压缩模块：模块分为正常模式和训练模式。正常模式对心电数据进行压缩，输入心电数据预处理模块输出的规格化心电数据，输出压缩后的心电压缩数据。训练模式对心电数据压缩网络进行训练，输入训练用的心电标签数据，输出压缩后的心电压缩数据。先将模块设置为训练模式，训练模块中的压缩网络。再将模块设置为正常模式，进行心电数据的压缩。
心电数据重建模块：模块分为正常模式和训练模式。正常模式对压缩后的心电数据进行重建，输入心电数据压缩模块正常模式压缩后的心电压缩数据，输出心电重建数据。训练模式对心电数据重建网络进行训练，输入心电数据压缩模块训练模式压缩后的心电压缩数据和训练用的心电标签数据，输出心电重建数据。先将模块设置为训练模式，训练模块中的重建网络。再将模块设置为正常模式，进行心电数据的压缩。
在本实施例中，心电数据压缩模块的压缩网络和心电数据重建模块的重建网络的具体结构如图2所示，具体如下：
1)压缩网络采用并行的分层架构，用于说明的示例网络分为7种不同的卷积方式，其中每种不同卷积方式中的卷积核数量分别为3,12,15,30,30,30,30，每种卷积方式中采用的卷积核尺寸为1×300，卷积步长为300。
2)重建网络设计了四层卷积层和一层重构层，具体如下：
第一层卷积层设计了1层卷积网络，卷积核尺寸为1×3，卷积核数量为128，；第二层卷积层设计了1层卷积网络，卷积核尺寸为1×1，卷积核数量为32；第三层卷积层设计了13层卷积网络，每层卷积网络的卷积核尺寸为1×3，卷积核数量为32；第四层卷积层设计了1层卷积网络，卷积核尺寸为1×1，卷积核数量为128。最后一层为重构层，卷积核尺寸为1×3，卷积核数量为1。
在本实施例中，所述的心电数据重建模块的Adam优化器具体系数选择如下：
β1系数为指数衰减率，控制权重分配(动量与当前梯度)，设置为0.9；β2系数为指数衰减率，控制上轮优化梯度的平方对本轮优化的影响，设置为0.999；α系数为初始学习率，设置为0.1；ε为偏差项，设置为1e-8。
在获得了实施例中的系统后，本发明选取了MIT-BIH数据库中的数据进行系统性能的测试，选取的测试指标为重建数据和初始数据之间的均方根百分误差(PRD)。表1为本发明中提出的多码率压缩感知系统和现有文献1(Z.Zhang et al.,"ElectrocardiogramReconstruction Based on Compressed Sensing,"in IEEE Access,vol.7,pp.37228-37237,2019,doi:10.1109/ACCESS.2019.2905000.)中基于块稀疏贝叶斯学习的压缩感知系统的性能比较，均方根百分误差(PRD)越小，系统的重建性能就越好。根据表1，在相同的压缩率下，相比文献1中的块稀疏贝叶斯学习的压缩感知系统，本发明提出的系统可以取得更高的重建质量。
表1多码率压缩感知系统与块稀疏贝叶斯学习的压缩感知系统比较
图3-图6为心电数据在不同的压缩率下经过本发明所提出的压缩感知系统重建后的效果图，图3-图6对应的压缩率分别为0.2，0.3，0.4，0.5，图中上方为原始数据，下方为重建数据。
本领域普通技术人员可以理解实现上述实施例系统中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各系统的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种高通用性的心电数据压缩感知系统，其特征在于包括：
心电数据预处理模块：模块对输入的心电数据进行分割预处理，输入心电数据采集模块输出的心电数据，输出规格化心电数据；
心电数据压缩模块：模块分为正常模式和训练模式，正常模式对心电数据进行压缩，输入心电数据预处理模块输出的规格化心电数据，输出压缩后的心电压缩数据，训练模式对心电数据压缩网络进行训练，输入训练用的心电标签数据，输出压缩后的心电压缩数据；
所述心电数据压缩模块包含一个并行的分层卷积架构的心电数据压缩网络，网络包含n种卷积形式，每种卷积形式表示为一个层，代表n种心电数据降采样方法；每种卷积形式的卷积核数量为Cn，代表降采样后心电数据的长度；每种卷积形式中卷积核的尺寸根据心电采样数据的时序特征设计为1×a，a的数值与心电数据中的变化较快的QRS波段的长度相同；
心电数据重建模块：模块分为正常模式和训练模式，正常模式对压缩后的心电数据进行重建，输入心电数据压缩模块正常模式压缩后的心电压缩数据，输出心电重建数据；训练模式对心电数据重建网络进行训练，输入心电数据压缩模块训练模式压缩后的心电压缩数据和训练用的心电标签数据，输出心电重建数据。
2.如权利要求1所述的高通用性的心电数据压缩感知系统，其特征在于，所述心电数据压缩网络通过多尺度的卷积核实现心电数据压缩感知中的采样,网络输入预处理后的心电数据，输出压缩采样后的心电采样数据，卷积转换函数如下：
其中，φ是指压缩感知任务中的测量矩阵，x是指输入的心电数据，
代表心电数据降采样滤波器的参数，<φn,x>指降采样滤波器对心电数据进行降采样；所述的压缩网络根据以上卷积转换函数，针对心电数据中R峰的近似周期性，设计大小为1×M的卷积核对应于心电数据降采样滤波器，n个卷积核与输入的心电数据进行卷积获得的卷积值，相当于降采样滤波器对心电数据进行压缩采样，其中n的数值与输入数据中R峰的数目相关，能使神经网络的特征空间中包含电数据的周期特征。
3.如权利要求1所述的高通用性的心电数据压缩感知系统，其特征在于，所述心电数据压缩网络采用联合的形式对不同并行网络层进行合并，实现人体心电数据在传输时涉及的常用压缩率，联合采样函数的形式如下：
其中，r是指第n层卷积形式实现的心电数据的最终压缩率，Ln是指第n层压缩后的心电数据的长度，Linput是指输入的心电预处理数据的长度，Linput一般至少要包含2个心脏搏动周期的数据；联合采样函数r在不改变输入的心电预处理数据长度的同时，通过叠加每个网络层压缩后的心电数据，来实现网络压缩率的伸缩。
4.如权利要求1所述的高通用性的心电数据压缩感知系统，其特征在于，所述心电数据重建模块包含一个多尺度一维卷积网络架构的心电数据重建网络，输入压缩后的心电采样数据，输出心电重建数据的特征；网络使用卷积核进行心电数据的特征提取，提取后的特征与初始心电数据的特征进行匹配，实现特征补充；网络最后为一层重建层，重建层的卷积核对心电重建数据的特征进行维度重建，获取一维心电重建数据，完成重建。
5.如权利要求4所述的高通用性的心电数据压缩感知系统，其特征在于，所述的心电数据重建网络采用欧式距离损失进行训练，网络的损失函数如下：
其中，
代表重建的心电数据，
代表心电数据模板；E代表重建数据对应于心电数据模板的损失，用于回传并训练优化神经网络的参数。
6.一种终端设备，其特征在于，所述终端设备包括：
至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-5中任一项所述高通用性的心电数据压缩感知系统。
7.一种计算机可读存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5中任一项所述高通用性的心电数据压缩感知系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110459387.7A CN113197582B (zh) | 2021-04-27 | 2021-04-27 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110459387.7A CN113197582B (zh) | 2021-04-27 | 2021-04-27 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113197582A CN113197582A (zh) | 2021-08-03 |
| CN113197582B true CN113197582B (zh) | 2022-03-25 |
Family
ID=77028922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110459387.7A Expired - Fee Related CN113197582B (zh) | 2021-04-27 | 2021-04-27 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113197582B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1972268A1 (en) * | 2007-03-21 | 2008-09-24 | Nihon Kohden Corporation | Method of compressing electrocardiogram data and electrocardiogram telemetry system using the same |
| CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩系统 |
| CN103281087A (zh) * | 2013-06-09 | 2013-09-04 | 中国科学院微电子研究所 | 基于多级压缩感知的信号采样系统及方法 |
| CN104933846A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院苏州生物医学工程技术研究所 | 基于压缩感知的躯体传感器网络系统 |
| CN108233941A (zh) * | 2016-12-22 | 2018-06-29 | 联发科技股份有限公司 | 电子设备、可变速率传输方法以及信号重建方法 |
| CN108615074A (zh) * | 2018-04-28 | 2018-10-02 | 中国科学院计算技术研究所 | 基于压缩感知的神经网络处理系统及方法 |
| CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
| CN208876522U (zh) * | 2018-02-12 | 2019-05-21 | 江南大学 | 一种基于压缩感知的低功耗心电信号处理电路 |
| CN110008674A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种高泛化性的心电信号身份认证方法 |
| CN110378319A (zh) * | 2019-07-31 | 2019-10-25 | 广州视源电子科技股份有限公司 | 一种信号的检测方法、装置、计算机设备和存储介质 |
| CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
| CN111382835A (zh) * | 2018-12-27 | 2020-07-07 | 中科寒武纪科技股份有限公司 | 一种神经网络压缩方法、电子设备及计算机可读介质 |
| CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的信道状态信息重建方法 |
| CN111643074A (zh) * | 2020-06-29 | 2020-09-11 | 郑州大学 | 一种有损压缩心电信号房颤筛查系统 |
| CN111669409A (zh) * | 2020-07-14 | 2020-09-15 | 中国科学院微电子研究所 | 一种体征数据监控系统 |
| CN112116001A (zh) * | 2020-09-17 | 2020-12-22 | 苏州浪潮智能科技有限公司 | 图像识别方法、装置及计算机可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3062901C (en) * | 2017-05-11 | 2024-01-23 | Sridhar KRISHNAN (sri) | System and method for qrs complex detection in compressively sensed electrocardiogram data |
| US11690551B2 (en) * | 2018-07-30 | 2023-07-04 | Biosense Webster (Israel) Ltd. | Left atrium shape reconstruction from sparse location measurements using neural networks |
| CN110141216B (zh) * | 2019-05-29 | 2022-09-30 | 清华大学深圳研究生院 | 一种心电信号qrs特征波的识别方法、训练方法及系统 |
-
2021
- 2021-04-27 CN CN202110459387.7A patent/CN113197582B/zh not_active Expired - Fee Related
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1972268A1 (en) * | 2007-03-21 | 2008-09-24 | Nihon Kohden Corporation | Method of compressing electrocardiogram data and electrocardiogram telemetry system using the same |
| CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩系统 |
| CN103281087A (zh) * | 2013-06-09 | 2013-09-04 | 中国科学院微电子研究所 | 基于多级压缩感知的信号采样系统及方法 |
| CN104933846A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院苏州生物医学工程技术研究所 | 基于压缩感知的躯体传感器网络系统 |
| CN108233941A (zh) * | 2016-12-22 | 2018-06-29 | 联发科技股份有限公司 | 电子设备、可变速率传输方法以及信号重建方法 |
| CN208876522U (zh) * | 2018-02-12 | 2019-05-21 | 江南大学 | 一种基于压缩感知的低功耗心电信号处理电路 |
| CN108615074A (zh) * | 2018-04-28 | 2018-10-02 | 中国科学院计算技术研究所 | 基于压缩感知的神经网络处理系统及方法 |
| CN108649961A (zh) * | 2018-05-08 | 2018-10-12 | 北京理工大学 | 一种基于边信息先验的多导联心电信号重构估计方法 |
| CN111382835A (zh) * | 2018-12-27 | 2020-07-07 | 中科寒武纪科技股份有限公司 | 一种神经网络压缩方法、电子设备及计算机可读介质 |
| CN110008674A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种高泛化性的心电信号身份认证方法 |
| CN110378319A (zh) * | 2019-07-31 | 2019-10-25 | 广州视源电子科技股份有限公司 | 一种信号的检测方法、装置、计算机设备和存储介质 |
| CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
| CN111464220A (zh) * | 2020-03-10 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的信道状态信息重建方法 |
| CN111643074A (zh) * | 2020-06-29 | 2020-09-11 | 郑州大学 | 一种有损压缩心电信号房颤筛查系统 |
| CN111669409A (zh) * | 2020-07-14 | 2020-09-15 | 中国科学院微电子研究所 | 一种体征数据监控系统 |
| CN112116001A (zh) * | 2020-09-17 | 2020-12-22 | 苏州浪潮智能科技有限公司 | 图像识别方法、装置及计算机可读存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| Electrocardiogram Reconstruction Based on Compressed Sensing;Zhang Z , Liu X , Wei S , et al.;《IEEE Access》;20190314;全文 * |
| Scalable Convolutional Neural Network for Image Compressed Sensing;Shi W , Jiang F , Liu S , et al.;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200109;全文 * |
| Transfer Learning for Detection of Atrial Fibrillation in Deterministic Compressive Sensed ECG;Abdelazez M , Rajan S , Chan A D C .;《2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) in conjunction with the 43rd Annual Conference of the Canadian Medical and Biological Engineering Society》;20200827;全文 * |
| Xception：Deep Learning with Depthwise Separable Convolutions;Chollet F;《2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR)》;20171109;全文 * |
| 基于FPGA的压缩感知硬件优化与系统实现研究;孙磊;《万方学位论文》;20210129;正文第7、9、34、41、44-46页 * |
| 基于卷积自编码器的心电压缩方法;朱晓铭，王仲，陈林海 等;《电子设计工程》;20191130;第27卷(第22期);第65-69页 * |
| 稀疏卷积神经网络FPGA加速器的设计与研究;朱超阳;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113197582A (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102688032A (zh) | 基于精简公共字典库的心电信号稀疏分解压缩系统 | |
| Chandra et al. | A comparative analysis of performance of several wavelet based ECG data compression methodologies | |
| Ibaida et al. | Cloud enabled fractal based ECG compression in wireless body sensor networks | |
| CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
| Al-Marridi et al. | Convolutional autoencoder approach for EEG compression and reconstruction in m-health systems | |
| CN111180062A (zh) | 基于原始诊断数据的疾病分类编码智能推荐方法 | |
| Polania et al. | Multi-scale dictionary learning for compressive sensing ECG | |
| WO2018228151A1 (zh) | 分诊方法、装置和设备以及计算机可读存储介质 | |
| CN115882868A (zh) | 一种气体监测数据智能存储方法 | |
| US20210315470A1 (en) | Reconstruction of electrocardiogram from photoplethysmogram signals | |
| CN111528832B (zh) | 一种心律失常分类方法及其有效性验证方法 | |
| Mukhopadhyay et al. | An ECG compression algorithm with guaranteed reconstruction quality based on optimum truncation of singular values and ASCII character encoding | |
| Grossi et al. | High-rate compression of ECG signals by an accuracy-driven sparsity model relying on natural basis | |
| Lee et al. | A new approach to compressing ECG signals with trained overcomplete dictionary | |
| Jha et al. | Electrocardiogram data compression techniques for cardiac healthcare systems: A methodological review | |
| CN109875545A (zh) | 一种基于cnn的个体化12导联心电图重建方法 | |
| CN113317798A (zh) | 一种基于深度学习的心电压缩感知重构系统 | |
| Ranjeet et al. | An efficient compression system for ECG signal using QRS periods and CAB technique based on 2D DWT and Huffman coding | |
| Ahmed et al. | A hybrid ECG compression algorithm based on singular value decomposition and discrete wavelet transform | |
| CN113197582B (zh) | 一种高通用性的心电数据压缩感知系统、终端和存储介质 | |
| Gurkan | Compression of ECG signals using variable-length classifıed vector sets and wavelet transforms | |
| Banerjee et al. | A new real-time lossless data compression algorithm for ECG and PPG signals | |
| Gürkan et al. | EEG signal compression based on classified signature and envelope vector sets | |
| Gedon et al. | First steps towards self-supervised pretraining of the 12-lead ECG | |
| Francescon et al. | Toward lightweight biometric signal processing for wearable devices |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |