CN113384277A - 心电数据的分类方法及分类系统 - Google Patents

心电数据的分类方法及分类系统 Download PDF

Info

Publication number
CN113384277A
CN113384277A CN202010121385.2A CN202010121385A CN113384277A CN 113384277 A CN113384277 A CN 113384277A CN 202010121385 A CN202010121385 A CN 202010121385A CN 113384277 A CN113384277 A CN 113384277A
Authority
CN
China
Prior art keywords
data
feature vector
electrocardiographic
heartbeat
classifying
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.)
Granted
Application number
CN202010121385.2A
Other languages
English (en)
Other versions
CN113384277B (zh
Inventor
祖春山
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010121385.2A priority Critical patent/CN113384277B/zh
Priority to US17/621,665 priority patent/US20230153391A1/en
Priority to PCT/CN2021/077924 priority patent/WO2021170043A1/zh
Publication of CN113384277A publication Critical patent/CN113384277A/zh
Application granted granted Critical
Publication of CN113384277B publication Critical patent/CN113384277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/347—Detecting the frequency distribution of signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本发明实施例提供一种心电数据的分类方法及分类系统，涉及医疗信息技术领域，可以提高处理心电数据的准确度和泛化能力。一种心电数据的处理方法，包括：将心电数据分割成多个心搏数据；对多个心搏数据进行卷积和池化，得到第一特征向量；获取第二特征向量，所述第二特征向量包括多个所述心搏数据的频域特征数据和时域特征数据；对所述第一特征向量和所述第二特征向量融合，生成融合特征向量；根据所述融合特征向量，得到所述心电数据的分类信息。

Description

心电数据的分类方法及分类系统
技术领域
本发明涉及医疗信息技术领域，尤其涉及一种心电数据的分类方法及分类系统。
背景技术
近年来快节奏的生活方式使得人们生活压力逐年攀升，身体健康更加引人关注，而心脏病一直以来都对人类的健康产生严重威胁。随着社会经济的发展，人们生活方式发生了深刻的变化。尤其是人口老龄化及城镇化进程的加速，中国心血管并流行趋势呈明显上升态势，导致了心血管并的发病人数持续增加，而对于心脏疾病的防治一直是国内外研究的热点。
心电数据在临床医学的研究中地位举足轻重，它能够综合反映心脏兴奋的活动过程，并且检测手段丰富，易于观察，对于心脏病的检测和诊断有着十分重要的作用。由于大部分心脏疾病一般出现在较长时间段中的某一心搏，不易被发现，因此，对于心电数据的自动检测于医生的辅助治疗极具意义。
发明内容
本发明的实施例提供一种心电数据的分类方法及分类系统，可以提高分类心电数据的准确度和泛化能力。
为达到上述目的，本发明的实施例采用如下技术方案：
一方面，提供一种心电数据的分类方法，包括：将心电数据分割成多个心搏数据；对多个心搏数据进行卷积和池化，得到第一特征向量；获取第二特征向量，所述第二特征向量包括多个所述心搏数据的频域特征数据和时域特征数据；对所述第一特征向量和所述第二特征向量融合，生成融合特征向量；根据所述融合特征向量，得到所述心电数据的分类信息。
可选地，所述心电数据的分类方法，还包括：按照以下条件对输入数据进行分类；
所述条件包括：
Figure BDA0002393076870000021
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵；g(xj)为位置j处的所述输入数据的表示；f(xi,xj)映射xi和xj之间的关联关系；C(xi)为归一化因子；其中，所述输入数据为：所述心搏数据或者，经所述卷积后的心搏数据，或者经所述池化后的心搏数据。
可选地，在获取第二特征向量之前，还包括：对多个所述心搏数据进行频域变换；获取多个所述心搏数据的所述频域特征数据。
可选地，对所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，所述第一特征向量和所述第二特征向量融合，生成融合特征向量；其中，FL为所述第一特征向量，FE为所述第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
可选地，在将所述心电数据分割成多个心搏数据之前，还包括：采集所述心电数据；对所述心电数据进行滤波和检测；其中，所述检测包括提取所述心电数据的中心点和起止点位置。
再一方面，提供一种心电数据的分类系统，包括：分割模块，用于将心电数据分割成多个心搏数据；网络模块，与所述分割模块相连接，用于对多个心搏数据进行卷积和池化，得到第一特征向量；获取模块，用于获取第二特征向量，所述第二特征向量包括多个所述心搏数据的频域特征数据和时域特征数据；融合模块，与所述网络模块和所述获取模块均相连接，用于对所述第一特征向量和所述第二特征向量融合，生成融合特征向量；分类模块，与所述融合模块相连接，用于根据所述融合特征向量，得到所述心电数据的分类信息。
可选地，所述网络模块包括卷积层和池化层；
所述心电数据的分类系统还包括：全局信息获取层；所述全局信息获取层用于按照以下条件对输入数据进行分类；
所述条件包括：
Figure BDA0002393076870000031
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵；g(xj)为位置j处的所述输入数据的表示；f(xi,xj)映射xi和xj之间的关联关系；C(xi)为归一化因子；
其中，当所述全局信息获取层位于卷积层之前且与所述卷积层相连接时，所述输入数据为所述心搏数据；当所述全局信息获取层位于所述卷积层和所述池化层之间，且与所述卷积层和所述池化层均连接时，所述输入数据为经所述卷积后的心搏数据；当所述全局信号获取层位于池化层之后且与所述池化层相连接时，所述输入数据为经所述池化后的心搏数据。
可选地，所述获取模块，与所述分割模块相连接，还用于对所多个所述心搏数据进行频域变换获取多个所述心搏数据的所述频域特征数据。
可选地，融合模块，用于对所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：所述融合模块，用于利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，所述第一特征向量和所述第二特征向量融合，生成融合特征向量；其中，FL为所述第一特征向量，FE为所述第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
可选地，所述心电数据的分类系统，还包括：采集模块，用于采集所述心电数据；预处理模块，与所述采集模块相连接，用于对所述心电数据进行滤波和检测；其中，所述检测包括提取所述心电数据的中心点和起止点位置。
另一方面，提供一种计算机设备，包括存储器、处理器；所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如权上所述的心电数据的分类方法。
又一方面，提供一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的心电数据的分类方法。
本发明的实施例提供一种心电数据的分类方法及分类系统，通过将心电数据分割成多个心搏数据，对多个心搏数据进行卷积和池化，得到第一特征向量；然后，将第一特征向量与获取的第二特征向量进行融合，生成融合特征向量；其中，第二特征向量包括多个心搏数据的频域特征数据和时域特征数据。由于，融合特征向量融合了第一特征向量和第二特征向量，聚集了双方的优点，因此，在后续利用融合特征向量获取分类信息时，既能提高分类的准确度，又能提高泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种心电数据的分类方法的流程示意图；
图2a为本发明实施例提供的将心电数据分割成多个心搏数据的示意图；
图2b为本发明实施例提供的单个心搏数据的示意图；
图3为本发明实施例提供的另一种心电数据的分类方法的流程示意图；
图4为本发明实施例提供的又一种心电数据的分类方法的流程示意图；
图5为本发明实施例提供的一种心电数据的分类系统的结构示意图；
图6a为本发明实施例提供的又一种心电数据的分类系统的结构示意图；
图6b为本发明实施例提供的又一种心电数据的分类系统的结构示意图；
图6c为本发明实施例提供的又一种心电数据的分类系统的结构示意图；
图7为本发明实施例提供的又一种心电数据的分类系统的结构示意图；
图8为本发明实施例提供的又一种心电数据的分类系统的结构示意图。
附图标记：
100-心电数据的分类系统；1-采集模块；2-预处理模块；10-分割模块；20-网络模块；21-卷积层；22-池化层；23-全局信息获取层；30-获取模块；40-融合模块；50-分类模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的实施例提供一种心电数据的分类方法，如图1所示，包括：
S10、如图2a所示，将心电数据分割成多个心搏数据。
心脏机械收缩之前，心肌先产生电激动，这种电流能通过组织和体液传导至体表，在身体不同部位的表面形成电位差，将这种变动的电位差用心电图机记录下来即为心电图(Electrocardiograph,ECG)。心电图所记录的即为心电数据。
心电数据包括一系列心搏数据，每个心搏数据指的是心脏跳动一次所产生的心电数据。
如图2b所示，通常每个心搏数据包括：
P波：反映心房肌除极过程的电位变换。
PR间期：代表从心房肌开始除极到心室肌开始除极的时限。
QRS波群：反映了心室肌除极过程中的电位变化。通常QRS波群是三个紧密相连的波：第一个向下的波为Q波，继Q波后的一个向上的高波为R波，继R波后向下的波为S波。“QRS波群”是广义的代表心室肌的除极波，并不一定每个QRS波群都具有Q、R、S三个波。
ST段，是QRS波群以后、T波以前的一段平线，代表左、右心室全部除极完毕到复极开始以前的一段时间。
T波：代表心室肌自开始除极至复极完毕的总时间。
Q-T间期：代表整个心室肌自开始除极至复极完毕的总时间。
U波：在T波后面可以看到一个矮小波，称为U波。
每个波段都代表着一定的医学意义，如果心脏发生病变，就会使得心搏数据在波形形态上发生某些畸变。
基于此，示例的，可以选择合适的时间长度(例如1秒)，或者，根据S波和T波的位置，将心电数据分割成多个心搏数据。
S20、对多个心搏数据进行卷积和池化，得到第一特征向量。
需要说明的是，本发明实施例中对多个心搏数据进行卷积和池化，得到第一特征向量的方法是基于卷积神经网络进行的。
为了便于理解本发明的技术方案，首先对卷积神经网络的基本原理进行介绍。
卷积神经网络是深度学习中的监督学习方法，就是一个模拟神经网络的多层次网络连接机构，输入数据依次通过每个层，在其中进行一系列复杂的数据分类，例如，卷积(Convolution)、池化(Pooling)、正则化(Regularization)、防止过拟合、丢弃(Dropout)、激活(Activation)、一般使用Relu激活函数，逐层自动地抽象出输入数据的一些特征，然后把这些特征作为输入再传递到高一层进行计算。示例的，卷积神经网络包括LeNet、AlexNet、VGG、NiN、GooLeNet、ResNet等。
本发明将心搏数据输入至卷积神经网络进行卷积和池化，将相应的输出结果作为第一特征向量。通过卷积神经网络可以高效的获取能够反映隐式的医学信息的第一特征向量。
需要说明的是，心搏数据输入至卷积神经网络中，可以根据需要进行多次卷积和池化，本发明对此不进行限定。
在此基础上，可选地，按照以下条件对输入数据进行分类。
所述条件包括：
Figure BDA0002393076870000071
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵。
成对函数f(xi,xj)用于映射xi和所有xj之间的关联关系，一元函数g(xj)用于计算位置j处的输入数据的表示，函数C(xi)为归一化因子。
其中，输入数据为：心搏数据或者，经卷积后的心搏数据，或者经池化后的心搏数据。
还需要说明的是，第一权重矩阵，第二权重矩阵，第三权重矩阵的值可以根据需要进行设定，本发明对此不进行限定。
S30、获取第二特征向量，第二特征向量包括多个心搏数据的频域特征数据和时域特征数据。
时域特征数据包括当前心搏数据的前后共N个心搏数据的间期、间期比、间期均值、幅度、宽度等。
其中，间期指的是相邻两个R波之间的时间差；间期比指的是相邻两个间期的比值；间期均值指的是多个间期的平均值；幅度指的是QRS波幅度，也可以是单独Q波、R波、S波的幅度，或者其它组合；宽度指的是QRS波宽度，也可以是单独Q波、R波、S波的宽度，或者其它组合。
示例的，若包括当前心搏数据共计11个心搏数据，则有11个R波，相应有10个间期，求该10个间期的平均值为间期均值。
需要说明的是，第一，频域特征数据和时域特征数据是互补的特征数据。第二，多个心搏数据的频域特征数据和时域特征数据可以通过拼接方式融合成第二特征向量，以使得第二特征向量可以反映显式的医学信息。当然，也可以通过其他方式生成第二特征向量，本发明对此不进行限定。
S40、对第一特征向量和第二特征向量融合，生成融合特征向量。
可选地，上述S40包括：
利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，第一特征向量和第二特征向量融合，生成融合特征向量。其中，FL为第一特征向量，FE为第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
需要说明的是，根据第二特征向量FE和第四权重WEL，利用CL＝WELFE，计算得到第一系数CL；然后，将第一系数CL作用于第一特征向量FL，得到第一子融合特征向量FLT＝(WELFE)×FL。
根据第二特征向量和第五权重矩阵，利用CE＝WLEFL，计算得到第二系数CE；然后，将第二系数作用于第二特征向量FE，得到第二子融合特征向量FET＝(WLEFL)×FE。再将第一子融合特征向量和第二子融合特征向量以拼接、求和的方式，生成融合特征向量Ff。
此处，第四权重矩阵，第五权重矩阵的值可以根据需要进行设定，本发明对此不进行限定。
S50、根据融合特征向量，得到心电数据的分类信息。
由于该融合特征向量由第一特征向量和第二特征向量融合生成，因此，该融合特征向量既能反映显式又能反应隐式的医学信息，从而使得在利用该融合特征向量获取心电数据的分类信息时，既能提高分类准确度，又能提高泛化能力。
其中，心电数据的分类信息包括窦性心搏、室性心搏、室上性心搏、起搏心搏等多种类型。
示例的，根据融合特征向量，可以利用支持向量机(Support Vector Machine,SVM)，或者，多层感知机(Multilayer Perceptron,MLP)，采用机器学习方法，得到心电数据的分类信息。
还需要说明的是，在使用多层感知机对融合特征向量进行分类之前，需要进行训练，通过改变多层感知机中的权重和偏置，以使得多层感知机在使用时达到高准确率。
本发明的实施例提供一种心电数据的分类方法，通过将心电数据分割成多个心搏数据，对多个心搏数据进行卷积和池化，得到第一特征向量；然后，将第一特征向量与获取的第二特征向量进行融合，生成融合特征向量；其中，第二特征向量包括多个心搏数据的频域特征数据和时域特征数据。由于，融合特征向量融合了第一特征向量和第二特征向量，聚集了双方的优点，因此，在后续利用融合特征向量获取分类信息时，既能提高分类的准确度，又能提高泛化能力。
可选地，如图3所示，在上述S30之前，所述心电数据的分类方法还包括：
S21、对多个心搏数据进行频域变换。
此处，对多个心搏数据进行频域变换，例如，可以通过短时傅里叶变换(ShortTime Fourier Transform,STFT)得到频谱图，再经过梅尔滤波器组变换，获取梅尔频谱。
S22、获取多个心搏数据的频域特征数据。
可以理解的是，根据梅尔频谱，并通过梅尔频谱中的纵轴信息，即可得到心搏数据的频域特征数据。
可选地，如图4所示，在将心电数据分割成多个心搏数据之前，还包括：
S1、采集心电数据。
示例的，可以通过心电图机采集心电数据。
S2、对心电数据进行滤波和检测。其中，检测包括提取心电数据的中心点和起止点位置。
心电数据的噪声干扰一般包括肌电干扰、基线漂移和工频干扰等。肌电干扰是人体的肌肉运动和肌肉颤动所产生的毫伏级电势，一般情况下可以使用带通滤波器对其进行降噪处理；基线漂移是电极移动，人体呼吸等低频噪声引起的干扰，频率一般小于5Hz，因此，通过低通滤波去除肌电干扰；工频干扰为固定频率为50Hz或60Hz的公共电网以及各种用电设备产生的干扰，可以使用自适应滤波进行消除达到好的效果。
在检测时，对心电数据或者经滤波后的心电数据进行定位。其中，可以通过寻找波形峰值的方式，定位每个心搏数据的中心点以及起止点。
基于此，在将心电数据分割成多个心搏数据之后，还可以对每个心搏数据进一步进行处理。例如，检测心搏数据中的R波波峰位置，从心搏数据中截取从R波波峰位置向P波方向第一预设时间段内(可以根据需要进行设定，本发明对此不进行限定，例如，第一预设时间段为0.2秒)的数据，数据长度不够时则进行补零操作；然后，从心搏数据中截取从R波波峰位置向T波方向第二预设时间段内(可以根据需要进行设定，本发明对此不进行限定，例如，第二预设时间段为0.5秒)的数据，同样，数据长度不够时则进行补零操作。
本发明的实施例还提供一种心电数据的分类系统100，如图5所示，包括：
分割模块10，用于将心电数据分割成多个心搏数据。
网络模块20，与分割模块10相连接，用于对多个心搏数据进行卷积和池化，得到第一特征向量。
获取模块30，用于获取第二特征向量，第二特征向量包括多个心搏数据的频域特征数据和时域特征数据。
融合模块40，与网络模块20和获取模块30均相连接，用于对第一特征向量和第二特征向量融合，生成融合特征向量。
分类模块50，与融合模块40相连接，用于根据融合特征向量，得到心电数据的分类信息。
本发明的实施例提供的一种心电数据的分类系统100，与上述提供的一种心电数据的分类方法具有相同有益效果，在此不再赘述。
可选地，如图6a-图6c所示，所述网络模块20包括卷积层21和池化层22。
所述心电数据的分类系统100还包括：全局信息获取层23；全局信息获取层23用于按照以下条件对输入数据进行分类；
所述条件包括：
Figure BDA0002393076870000111
x为输入数据，y为x所对应的输出数据，i为输出信号位置索引，j为输入信号的位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵；g(xj)为位置j处的所述输入数据的表示；f(xi,xj)映射xi和xj之间的关联关系；C(xi)为归一化因子。
其中，当全局信息获取层23位于卷积层21之前且与卷积层21相连接时(如图6a所示)，输入数据为所述心搏数据；当全局信息获取层23位于卷积层21和池化层22之间，且与卷积层21和池化层22均连接时(如图6b所示)，所述输入数据为经卷积后的心搏数据；当全局信号获取层23位于池化层22之后且与池化层22相连接时，所述输入数据为经所述池化后的心搏数据。
可选地，如图7所示，获取模块30，还与分割模块10相连接，用于对所多个所述心搏数据进行频域变换；获取多个心搏数据的频域特征数据。
可选地，融合模块40，用于对第一特征向量和第二特征向量融合，生成融合特征向量，包括：
所述融合模块40，用于利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
其中，FL为所述第一特征向量，FE为所述第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
在此基础上，可将网络模块20、融合模块40和分类模块50共同构建成一个端到端的网络模型P，包括两个输入端和一个输出端，两个输入端分别输入经分割后的多个心搏数据和第二特征向量，输出端输出对应的分类信息。
其中，如图8所示，该网络模型P包括卷积层21、池化层22、全局信息获取层23、融合层(对应于融合模块40)和全连接层(对应于分类模块50)。
在此基础上，该网络模型P还包括暂时丢弃层(Dropout)和激活函数层(Activation)。当然，该网络模型并不限于上述结构，其具体的内部结构可以根据需要进行设置，本发明对此不进行限定。
可选地，如图8所示，所述心电数据的分类系统100还包括：
采集模块1，用于采集心电数据。
预处理模块2，与采集模块1相连接，用于对心电数据进行滤波和检测；其中，所述检测包括提取所述心电数据的中心点和起止点位置。
本发明的实施例还提供一种计算机设备，包括存储器、处理器；所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如上所述的心电数据的分类方法。
本发明的实施例还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的心电数据的分类方法。
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种心电数据的分类方法，其特征在于，包括：
将心电数据分割成多个心搏数据；
对多个心搏数据进行卷积和池化，得到第一特征向量；
获取第二特征向量，所述第二特征向量包括多个所述心搏数据的频域特征数据和时域特征数据；
对所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
根据所述融合特征向量，得到所述心电数据的分类信息。
2.根据权利要求1所述的心电数据的分类方法，其特征在于，还包括：按照以下条件对输入数据进行分类；
所述条件包括：
Figure FDA0002393076860000011
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵；g(xj)为位置j处的所述输入数据的表示；f(xi,xj)映射xi和xj之间的关联关系；C(xi)为归一化因子；
其中，所述输入数据为：所述心搏数据或者，经所述卷积后的心搏数据，或者经所述池化后的心搏数据。
3.根据权利要求1所述的心电数据的分类方法，其特征在于，在获取第二特征向量之前，还包括：
对多个所述心搏数据进行频域变换；
获取多个所述心搏数据的所述频域特征数据。
4.根据权利要求1所述的心电数据的分类方法，其特征在于，对所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：
利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
其中，FL为所述第一特征向量，FE为所述第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
5.根据权利要求1-4任一项所述的心电数据的分类方法，其特征在于，在将所述心电数据分割成多个心搏数据之前，还包括：
采集所述心电数据；
对所述心电数据进行滤波和检测；
其中，所述检测包括提取所述心电数据的中心点和起止点位置。
6.一种心电数据的分类系统，其特征在于，包括：
分割模块，用于将心电数据分割成多个心搏数据；
网络模块，与所述分割模块相连接，用于对多个心搏数据进行卷积和池化，得到第一特征向量；
获取模块，用于获取第二特征向量，所述第二特征向量包括多个所述心搏数据的频域特征数据和时域特征数据；
融合模块，与所述网络模块和所述获取模块均相连接，用于对所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
分类模块，与所述融合模块相连接，用于根据所述融合特征向量，得到所述心电数据的分类信息。
7.根据权利要求6所述的心电数据的分类系统，其特征在于，所述网络模块包括卷积层和池化层；
所述心电数据的分类系统还包括：全局信息获取层；所述全局信息获取层用于按照以下条件对输入数据进行分类；
所述条件包括：
Figure FDA0002393076860000021
x为输入数据，y为x所对应的输出数据，i为输出数据位置索引，j为输入数据位置索引，i和j取值范围均为[1,M]，M为数据长度；yi为位置i处的所述输出数据，xi为位置i处的所述输出数据所对应的输入数据，xj为位置j处的所述输入数据；Wg为第一权重矩阵、Wθ为第二权重矩阵、Wφ为第三权重矩阵；g(xj)为位置j处的所述输入数据的表示；f(xi,xj)映射xi和xj之间的关联关系；C(xi)为归一化因子；
其中，当所述全局信息获取层位于卷积层之前且与所述卷积层相连接时，所述输入数据为所述心搏数据；当所述全局信息获取层位于所述卷积层和所述池化层之间，且与所述卷积层和所述池化层均连接时，所述输入数据为经所述卷积后的心搏数据；当所述全局信号获取层位于池化层之后且与所述池化层相连接时，所述输入数据为经所述池化后的心搏数据。
8.根据权利要求6所述的心电数据的分类系统，其特征在于，
所述获取模块，与所述分割模块相连接，还用于对所多个所述心搏数据进行频域变换；获取多个所述心搏数据的所述频域特征数据。
9.根据权利要求6所述的心电数据的分类系统，其特征在于，融合模块，用于对所述第一特征向量和所述第二特征向量融合，生成融合特征向量，包括：
所述融合模块，用于利用Ff＝[(WELFE)×FL，(WLEFL)×FE]，所述第一特征向量和所述第二特征向量融合，生成融合特征向量；
其中，FL为所述第一特征向量，FE为所述第二特征向量，Ff为所述融合特征向量，WEL为第四权重矩阵，WLE为第五权重矩阵。
10.根据权利要求6-9任一项所述的心电数据的分类系统，其特征在于，还包括：
采集模块，用于采集所述心电数据；
预处理模块，与所述采集模块相连接，用于对所述心电数据进行滤波和检测；其中，所述检测包括提取所述心电数据的中心点和起止点位置。
11.一种计算机设备，其特征在于，包括存储器、处理器；所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序使得所述计算机设备实现如权利要求1-5任一项所述的心电数据的分类方法。
12.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的心电数据的分类方法。
CN202010121385.2A 2020-02-26 2020-02-26 心电数据的分类方法及分类系统 Active CN113384277B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010121385.2A CN113384277B (zh) 2020-02-26 2020-02-26 心电数据的分类方法及分类系统
US17/621,665 US20230153391A1 (en) 2020-02-26 2021-02-25 Electrocardiogram data classification method, computer device, and storage medium
PCT/CN2021/077924 WO2021170043A1 (zh) 2020-02-26 2021-02-25 心电数据的分类方法、分类系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010121385.2A CN113384277B (zh) 2020-02-26 2020-02-26 心电数据的分类方法及分类系统

Publications (2)

Publication Number Publication Date
CN113384277A true CN113384277A (zh) 2021-09-14
CN113384277B CN113384277B (zh) 2022-09-20

Family

ID=77489873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010121385.2A Active CN113384277B (zh) 2020-02-26 2020-02-26 心电数据的分类方法及分类系统

Country Status (3)

Country Link
US (1) US20230153391A1 (zh)
CN (1) CN113384277B (zh)
WO (1) WO2021170043A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116211315A (zh) * 2023-04-10 2023-06-06 济南大学 一种单导联心电信号辅助诊断方法及诊断终端
CN116584951A (zh) * 2023-04-23 2023-08-15 山东省人工智能研究院 一种基于弱监督学习的心电信号检测和定位方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510966B (zh) * 2022-01-14 2023-04-28 电子科技大学 一种基于图神经网络的端到端大脑因果网络构建方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006026548A1 (en) * 2004-08-30 2006-03-09 Southern Illinois University Carbondale Biopotential waveform data fusion analysis and classification method
US20080208072A1 (en) * 2004-08-30 2008-08-28 Fadem Kalford C Biopotential Waveform Data Fusion Analysis and Classification Method
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN107169424A (zh) * 2017-04-24 2017-09-15 南京数维康信息科技有限公司 基于人工神经网络的房颤检测算法
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107981858A (zh) * 2017-11-27 2018-05-04 乐普（北京）医疗器械股份有限公司 基于人工智能的心电图心搏自动识别分类方法
EP3363351A1 (en) * 2017-02-16 2018-08-22 Tata Consultancy Services Limited Method and system for detection of coronary artery disease in a person using a fusion approach
CN108714026A (zh) * 2018-03-27 2018-10-30 杭州电子科技大学 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN108852347A (zh) * 2018-07-13 2018-11-23 京东方科技集团股份有限公司 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质
CN109480827A (zh) * 2018-12-18 2019-03-19 武汉中旗生物医疗电子有限公司 向量心电图分类方法及装置
CN110141218A (zh) * 2019-06-17 2019-08-20 东软集团股份有限公司 一种心电信号分类方法、装置及程序产品、存储介质
CN110384482A (zh) * 2019-06-26 2019-10-29 广州视源电子科技股份有限公司 心电信号分类方法、装置、计算机设备和存储介质
CN110432891A (zh) * 2019-07-30 2019-11-12 天津工业大学 一种自动化提取心电节拍的特征提取和分类方法
CN110584654A (zh) * 2019-10-09 2019-12-20 中山大学 一种基于多模态卷积神经网络心电信号分类方法
CN110742599A (zh) * 2019-11-01 2020-02-04 广东工业大学 一种心电信号特征提取分类方法及系统
CN110772268A (zh) * 2019-11-01 2020-02-11 哈尔滨理工大学 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977350B2 (en) * 2011-03-17 2015-03-10 Medtronic, Inc. Methods for ectopy rejection for atrial fibrillation detection based on ventricular cycle lengths
CN107837082B (zh) * 2017-11-27 2020-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN110251119B (zh) * 2019-05-28 2022-07-15 深圳数联天下智能科技有限公司 分类模型获取方法、hrv数据分类方法、装置及相关产品
CN110269625B (zh) * 2019-05-31 2022-02-11 杭州电子科技大学 一种新型的多特征融合的心电认证方法及系统
CN110664395B (zh) * 2019-09-29 2022-04-12 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080208072A1 (en) * 2004-08-30 2008-08-28 Fadem Kalford C Biopotential Waveform Data Fusion Analysis and Classification Method
WO2006026548A1 (en) * 2004-08-30 2006-03-09 Southern Illinois University Carbondale Biopotential waveform data fusion analysis and classification method
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
EP3363351A1 (en) * 2017-02-16 2018-08-22 Tata Consultancy Services Limited Method and system for detection of coronary artery disease in a person using a fusion approach
CN107169424A (zh) * 2017-04-24 2017-09-15 南京数维康信息科技有限公司 基于人工神经网络的房颤检测算法
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
WO2019100562A1 (zh) * 2017-11-27 2019-05-31 乐普（北京）医疗器械股份有限公司 基于人工智能的心电图心搏自动识别分类方法
CN107981858A (zh) * 2017-11-27 2018-05-04 乐普（北京）医疗器械股份有限公司 基于人工智能的心电图心搏自动识别分类方法
CN108714026A (zh) * 2018-03-27 2018-10-30 杭州电子科技大学 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN108852347A (zh) * 2018-07-13 2018-11-23 京东方科技集团股份有限公司 用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质
CN109480827A (zh) * 2018-12-18 2019-03-19 武汉中旗生物医疗电子有限公司 向量心电图分类方法及装置
CN110141218A (zh) * 2019-06-17 2019-08-20 东软集团股份有限公司 一种心电信号分类方法、装置及程序产品、存储介质
CN110384482A (zh) * 2019-06-26 2019-10-29 广州视源电子科技股份有限公司 心电信号分类方法、装置、计算机设备和存储介质
CN110432891A (zh) * 2019-07-30 2019-11-12 天津工业大学 一种自动化提取心电节拍的特征提取和分类方法
CN110584654A (zh) * 2019-10-09 2019-12-20 中山大学 一种基于多模态卷积神经网络心电信号分类方法
CN110742599A (zh) * 2019-11-01 2020-02-04 广东工业大学 一种心电信号特征提取分类方法及系统
CN110772268A (zh) * 2019-11-01 2020-02-11 哈尔滨理工大学 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Y. XIA AND H. JIA: "ECG quality assessment based on multi-feature fusion", 《2017 13TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (ICNC-FSKD)》 *
刘汉倞: "面向移动平台的常见异常心电信号分类方法研究与实现", 《中国优秀硕士学位论文全文数据库》 *
徐礼胜,靳雁冰,王琦文,李锡勇,印重: "多传感器融合的穿戴式心率监测系统", 《哈尔滨工业大学学报》 *
王宏: "基于多特征融合的J波分类方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116211315A (zh) * 2023-04-10 2023-06-06 济南大学 一种单导联心电信号辅助诊断方法及诊断终端
CN116211315B (zh) * 2023-04-10 2023-08-04 济南大学 一种单导联心电信号辅助诊断方法及诊断终端
CN116584951A (zh) * 2023-04-23 2023-08-15 山东省人工智能研究院 一种基于弱监督学习的心电信号检测和定位方法
CN116584951B (zh) * 2023-04-23 2023-12-12 山东省人工智能研究院 一种基于弱监督学习的心电信号检测和定位方法

Also Published As

Publication number Publication date
US20230153391A1 (en) 2023-05-18
CN113384277B (zh) 2022-09-20
WO2021170043A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
Javadi et al. Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning
CN113384277B (zh) 心电数据的分类方法及分类系统
CN106214145A (zh) 一种基于深度学习算法的心电图分类方法
CN106108889A (zh) 基于深度学习算法的心电图分类方法
CN110537910A (zh) 基于心电和心音信号联合分析的冠心病无创筛查系统
CN110720894B (zh) 一种心房扑动的检测方法、装置、设备及存储介质
TW200920318A (en) Methods, systems and devices for detecting and diagnosing heart diseases and disorders
CN109009073A (zh) 房颤检测装置及存储介质
CN111265210A (zh) 一种基于深度学习的房颤预测装置和设备
CN111000551A (zh) 一种基于深度卷积神经网络模型的心脏病发风险诊断方法
CN109044348A (zh) 房颤检测装置及存储介质
CN112617850B (zh) 心电信号的早搏心拍检测系统
JP7487965B2 (ja) グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法
CN113080991A (zh) 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质
Turnip et al. An application of modified filter algorithm fetal electrocardiogram signals with various subjects
Singhal et al. A systematic review on artificial intelligence-based techniques for diagnosis of cardiovascular arrhythmia diseases: challenges and opportunities
CN115500841A (zh) 一种融合时域与频域特征深度学习的室性早搏定位方法
JPH0767843A (ja) 心電図信号のスペクトル分析方法および装置
Kar et al. A technical review on statistical feature extraction of ECG signal
Gao Computerised detection and classification of five cardiac conditions
Hegde et al. A review on ECG signal processing and HRV analysis
Prasad et al. ECG signal analysis: different approaches
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统

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