CN113499081A - 基于双通道深度神经网络的驾驶员房颤检测方法及系统 - Google Patents
基于双通道深度神经网络的驾驶员房颤检测方法及系统 Download PDFInfo
- Publication number
- CN113499081A CN113499081A CN202110763345.2A CN202110763345A CN113499081A CN 113499081 A CN113499081 A CN 113499081A CN 202110763345 A CN202110763345 A CN 202110763345A CN 113499081 A CN113499081 A CN 113499081A
- Authority
- CN
- China
- Prior art keywords
- signal
- atrial fibrillation
- neural network
- graph
- time
- 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
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000013519 translation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000718 qrs complex Methods 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
- A61B5/24—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
- A61B5/361—Detecting fibrillation
-
- 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]
- A61B5/321—Accessories or supplementary instruments therefor, e.g. cord hangers
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (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双通道深度神经网络的驾驶员房颤检测方法及系统，该方法包括：基于安装在方向盘的传感器采集驾驶员的心电图信号；对心电图信号进行预处理，得到预处理信号；根据预处理信号绘制时频图和庞加莱图；以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测。该系统包括：信号采集模块、信号预处理模块、图绘制模块和信号分类模块。通过使用本发明，提高驾驶环境下的安全性。本发明作为一种基于双通道深度神经网络的驾驶员房颤检测方法及系统，可广泛应用于安全驾驶领域。
Description
技术领域
本发明涉及安全驾驶领域，尤其涉及一种基于双通道深度神经网络的驾驶员房颤检测方法及系统。
背景技术
交通过程中，驾驶员若在行驶时突发心梗，不仅危及自身生命安全，而且还将对车上的乘客造成伤害，近年来由于突发心血管疾病引发的交通事故屡见不鲜。驾驶场景中的心电图检测及房颤识别领域存在缺口。现有的设备或技术不能同时满足在驾驶过程中收集心电信号与检测房颤的实时性、准确性、便捷性和低成本等要求。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于双通道深度神经网络的驾驶员房颤检测方法及系统，可以在驾驶场景中做到实时、准确、便捷和低成本收集心电信号并检测房颤，从而提高。
本发明所采用的第一技术方案是：基于双通道深度神经网络的驾驶员房颤检测方法，包括以下步骤：
基于安装在方向盘的传感器采集驾驶员的心电图信号；
对心电图信号进行预处理，得到预处理信号；
根据预处理信号绘制时频图和庞加莱图；
以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测。
进一步，还包括：
判断到房颤发生，发出警报警示车内人员，拨打求救电话并发送车辆实时位置。
进一步，所述对心电图信号进行预处理，得到预处理信号这一步骤，其具体包括：
对心电图信号进行归一化处理，得到归一化后心电图信号；
对心电图信号进行滤波处理，得到平滑心电图信号；
对心电图信号进行信号质量评估并结合去噪阈值进行去噪处理，得到去噪后的信号；
对心电图信号进行R峰检测，输出心电图信号序列中所有代表R峰的数据点的序号，得到R峰位置；
预处理完成，得到预处理信号。
进一步，所述根据预处理信号绘制时频图和庞加莱图这一步骤，其具体包括：
基于短时傅里叶变换方法对预处理信号进行时频转换，得到时频图；
根据R峰位置，求相邻R峰之间的间隔；
将R峰之间的间隔储存在数组RR中，并绘制散点图，得到庞加莱图。
进一步，所述预构建的卷积神经网络采用两个通道，每个通道包括输入层、卷积块、采样层和全连接层。
进一步，所述以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测这一步骤，其具体包括：
将时频图和庞加莱图分别作为预构建的卷积神经网络两个通道的输入；
分别经过卷积块提取深度特征；
经过采样层降低提取的特征维度；
经过全连接层对通道的输出结果进行聚合并基于Softmax函数进行信号分类，完成房颤检测。
进一步，所述对心电图信号进行滤波处理具体为采用采用截止频率为35Hz的6阶巴特沃斯低通滤波器进行滤波，所述巴特沃斯低通滤波器的幅度和频率关系的表示公式如下：
上式中，G表示滤波器的放大率，H表示传递函数，j表示虚数单位，n表示滤波器的级数，ω表示信号的角频率，ωc表示幅度下降3分贝时的截止频率。
进一步，所述短时傅里叶变换方法的变换公式如下：
上式中，所述采样固定窗宽t为75，频率ω为300Hz。
本发明所采用的第二技术方案是：基于双通道深度神经网络的驾驶员房颤检测系统，包括：
信号采集模块，用于基于安装在方向盘的传感器采集驾驶员的心电图信号；
信号预处理模块，用于对心电图信号进行预处理，得到预处理信号；
图绘制模块，用于根据预处理信号绘制时频图和庞加莱图；
信号分类模块，用于根据时频图和庞加莱图进行信号分类，完成房颤检测。
进一步，还包括：
报警模块，用于判断到房颤发生，发出警报警示车内人员，拨打求救电话并发送车辆实时位置。
本发明方法及系统的有益效果是：本发明通过安装在方向盘上的传感器，可以在驾驶场景中做到实时、准确、便捷和低成本收集心电信号，对心电信号进行预处理并基于预设的卷积神经网络进行信号分类，检测是否发生房颤，在房颤发生时及时发出警告并拨打120，将车辆所在位置通过车联网发布，及时提供医疗介入，提高驾驶环境下的安全性。
附图说明
图1是本发明一种基于双通道深度神经网络的驾驶员房颤检测方法的步骤流程图；
图2是本发明具体实施例方向盘示意图；
图3是本发明具体实施例预构建的卷积神经网络的示意图；
图4是本发明一种基于双通道深度神经网络的驾驶员房颤检测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于双通道深度神经网络的驾驶员房颤检测方法，该方法包括以下步骤：
基于安装在方向盘的传感器采集驾驶员的心电图信号；
具体地，方向盘参照图2，所述传感器包括心电传感器和压力传感器，通过心电传感器和压力传感器采集驾驶员的体征信息。
对心电图信号进行预处理，得到预处理信号；
根据预处理信号绘制时频图和庞加莱图；
以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测。
进一步作为本方法的优选实施例，还包括：
判断到房颤发生，发出警报警示车内人员，拨打求救电话并发送车辆实时位置。
进一步作为本方法的优选实施例，所述对心电图信号进行预处理，得到预处理信号这一步骤，其具体包括：
对心电图信号进行归一化处理，得到归一化后心电图信号；
具体地，根据信号的增益Gain和基线Baseline对数据进行归一化处理，输出的信号振幅在[-1,1]区间内，归一化操作的具体公式为：
Signal＝(raw_Signal-Baseline)/Gain
对心电图信号进行滤波处理，得到平滑心电图信号；
对心电图信号进行信号质量评估并结合去噪阈值进行去噪处理，得到去噪后的信号；
具体地，将心电图周期与QRS波群对齐得到模板，计算信号每个周期与模板之间的相关系数，以其平均值作为信号质量指数(SQI)，进行信号质量评估，以0.66作为是否需要进行去噪处理的阈值。即：如果SQI小于0.66，则采用1阶巴特沃斯低通滤波器再次对信号进行去噪，直到当所有信号的SQI都大于0.66。
当所有信号的SQI都大于0.66后，采用基于小波的去噪算法对ECG记录进行降噪。
对心电图信号进行R峰检测，输出心电图信号序列中所有代表R峰的数据点的序号，得到R峰位置；
预处理完成，得到预处理信号。
进一步作为本方法的优选实施例，所述根据预处理信号绘制时频图和庞加莱图这一步骤，其具体包括：
基于短时傅里叶变换方法对预处理信号进行时频转换，得到时频图；
根据R峰位置，求相邻R峰之间的间隔；
将R峰之间的间隔储存在数组RR中，并绘制散点图，得到庞加莱图。
具体地，以RR(i)为x轴，RR(i+1)为y轴(i＝1,2,…,n-1，n为RR间隔的个数)绘制散点图。
进一步作为本方法优选实施例，参照图3，所述预构建的卷积神经网络采用两个通道，每个通道包括输入层、卷积块、采样层和全连接层。
进一步作为本方法优选实施例，所述以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测这一步骤，其具体包括：
将时频图和庞加莱图分别作为预构建的卷积神经网络两个通道的输入；
分别经过卷积块提取深度特征；
具体地，用于提取深度特征的卷积块，每个通道内的卷积层分为5组，共13层，所有卷积层的卷积核大小都是3×3，每组的卷积层数如上图所示，VGG16神经网络的特点正是通过堆叠更多、核大小更小的卷积层提取图像更深层的特征。
经过采样层降低提取的特征维度；
具体地，经过卷积层卷积获得的特征往往过多，易造成过拟合的现象，因此每隔2到3层卷积层插入一层采样层，以降低特征维度，提高模型泛化能力。
经过全连接层对通道的输出结果进行聚合并基于Softmax函数进行信号分类，完成房颤检测。
具体地，对两个通道的输出结果，使用全连接层聚合，最后使用Softmax函数作为激活函数，将心电图信号进行分类，类别有N，A，O，I，分别表示正常心律、房颤心律、其他心律和噪音。
进一步作为本方法优选实施例，所述对心电图信号进行滤波处理具体为采用采用截止频率为35Hz的6阶巴特沃斯低通滤波器进行滤波，所述巴特沃斯低通滤波器的幅度和频率关系的表示公式如下：
上式中，G表示滤波器的放大率，H表示传递函数，j表示虚数单位，n表示滤波器的级数，ω表示信号的角频率，ωc表示幅度下降3分贝时的截止频率。
进一步作为本方法优选实施例，基于小波的去噪算法对ECG记录进行降噪具体为对序列x(t)的连续小波变换，可定义为：
小波变换有两个变量：尺度a(scale)和平移量b(translation)，尺度a控制小波函数的伸缩，平移量b控制小波函数的平移。
进一步作为本方法优选实施例，所述短时傅里叶变换方法的变换公式如下：
上式中，所述采样固定窗宽t为75，频率ω为300Hz。
短时傅立叶变换就是把长的非平稳随机过程看成是一系列短时随机平稳信号的叠加，短时性可通过在时间上加窗口函数实现(即截取一部分源数据)。
具体实现则是通过在傅立叶变换中，使用时间窗口函数w(t-u)与源信号x(t)相乘，实现在u附近的加窗口和平移，然后进行傅立叶变换。
如图4所示，一种基于双通道深度神经网络的驾驶员房颤检测系统，包括以下模块：
信号采集模块，用于基于安装在方向盘的传感器采集驾驶员的心电图信号；
信号预处理模块，用于对心电图信号进行预处理，得到预处理信号；
图绘制模块，用于根据预处理信号绘制时频图和庞加莱图；
信号分类模块，用于根据时频图和庞加莱图进行信号分类，完成房颤检测。
进一步作为本系统的优选实施例，还包括：
报警模块，用于判断到房颤发生，发出警报警示车内人员，拨打求救电话并发送车辆实时位置。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，包括以下步骤：
基于安装在方向盘的传感器采集驾驶员的心电图信号；
对心电图信号进行预处理，得到预处理信号；
根据预处理信号绘制时频图和庞加莱图；
以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测。
2.根据权利要求1所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，还包括：
判断到房颤发生，发出警报警示车内人员，拨打求救电话并发送车辆实时位置。
3.根据权利要求2所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，所述对心电图信号进行预处理，得到预处理信号这一步骤，其具体包括：
对心电图信号进行归一化处理，得到归一化后心电图信号；
对心电图信号进行滤波处理，得到平滑心电图信号；
对心电图信号进行信号质量评估并结合去噪阈值进行去噪处理，得到去噪后的信号；
对心电图信号进行R峰检测，输出心电图信号序列中所有代表R峰的数据点的序号，得到R峰位置；
预处理完成，得到预处理信号。
4.根据权利要求3所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，所述根据预处理信号绘制时频图和庞加莱图这一步骤，其具体包括：
基于短时傅里叶变换方法对预处理信号进行时频转换，得到时频图；
根据R峰位置，求相邻R峰之间的间隔；
将R峰之间的间隔储存在数组RR中，并绘制散点图，得到庞加莱图。
5.根据权利要求4所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，所述预构建的卷积神经网络采用两个通道，每个通道包括输入层、卷积块、采样层和全连接层。
6.根据权利要求5所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，所述以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测这一步骤，其具体包括：
将时频图和庞加莱图分别作为预构建的卷积神经网络两个通道的输入；
分别经过卷积块提取深度特征；
经过采样层降低提取的特征维度；
经过全连接层对通道的输出结果进行聚合并基于Softmax函数进行信号分类，完成房颤检测。
7.根据权利要求6所述基于双通道深度神经网络的驾驶员房颤检测方法，其特征在于，所述对心电图信号进行滤波处理具体为采用采用截止频率为35Hz的6阶巴特沃斯低通滤波器进行滤波，所述巴特沃斯低通滤波器的幅度和频率关系的表示公式如下：
上式中，G表示滤波器的放大率，H表示传递函数，j表示虚数单位，n表示滤波器的级数，ω表示信号的角频率，ωc表示幅度下降3分贝时的截止频率。
8.基于双通道深度神经网络的驾驶员房颤检测系统，其特征在于，包括：
信号采集模块，用于基于安装在方向盘的传感器采集驾驶员的心电图信号；
信号预处理模块，用于对心电图信号进行预处理，得到预处理信号；
图绘制模块，用于根据预处理信号绘制时频图和庞加莱图；
信号分类模块，用于根据时频图和庞加莱图进行信号分类，完成房颤检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763345.2A CN113499081A (zh) | 2021-07-06 | 2021-07-06 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763345.2A CN113499081A (zh) | 2021-07-06 | 2021-07-06 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113499081A true CN113499081A (zh) | 2021-10-15 |
Family
ID=78011429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110763345.2A Pending CN113499081A (zh) | 2021-07-06 | 2021-07-06 | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113499081A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918811A (zh) * | 2024-03-21 | 2024-04-26 | 佛山需要智能机器人有限公司 | 融合注意力机制的心率变异性压力检测方法及相关组件 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991019452A1 (en) * | 1990-06-20 | 1991-12-26 | Cedars-Sinai Medical Center | Methods for detecting and evaluating heart disorders |
| US20100234692A1 (en) * | 2009-03-13 | 2010-09-16 | Bo-Jau Kuo | System for health management used in vehicle and method thereof |
| CN106066933A (zh) * | 2016-05-27 | 2016-11-02 | 成都信汇聚源科技有限公司 | 获取房颤识别人工神经网络权重值矩阵的方法 |
| WO2017195807A1 (ja) * | 2016-05-10 | 2017-11-16 | 勇 大森 | 運転者異常発生検出器及びこれを用いた安全装置 |
| CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
| US20200205687A1 (en) * | 2017-09-21 | 2020-07-02 | Koninklijke Philips N.V. | Detecting atrial fibrillation using short single-lead ecg recordings |
| CN112329609A (zh) * | 2020-11-03 | 2021-02-05 | 山东大学 | 基于2d心拍的特征融合迁移学习心律失常分类系统 |
| CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
-
2021
- 2021-07-06 CN CN202110763345.2A patent/CN113499081A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991019452A1 (en) * | 1990-06-20 | 1991-12-26 | Cedars-Sinai Medical Center | Methods for detecting and evaluating heart disorders |
| US20100234692A1 (en) * | 2009-03-13 | 2010-09-16 | Bo-Jau Kuo | System for health management used in vehicle and method thereof |
| WO2017195807A1 (ja) * | 2016-05-10 | 2017-11-16 | 勇 大森 | 運転者異常発生検出器及びこれを用いた安全装置 |
| CN106066933A (zh) * | 2016-05-27 | 2016-11-02 | 成都信汇聚源科技有限公司 | 获取房颤识别人工神经网络权重值矩阵的方法 |
| US20200205687A1 (en) * | 2017-09-21 | 2020-07-02 | Koninklijke Philips N.V. | Detecting atrial fibrillation using short single-lead ecg recordings |
| CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及系统 |
| CN112329609A (zh) * | 2020-11-03 | 2021-02-05 | 山东大学 | 基于2d心拍的特征融合迁移学习心律失常分类系统 |
| CN112560919A (zh) * | 2020-12-07 | 2021-03-26 | 杭州智瑞思科技有限公司 | 基于一维可解释卷积神经网络的人机不同步识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钟高艳等: "基于体表心电图的房颤自动识别算法综述", 《北京生物医学工程》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918811A (zh) * | 2024-03-21 | 2024-04-26 | 佛山需要智能机器人有限公司 | 融合注意力机制的心率变异性压力检测方法及相关组件 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Detection of ECG characteristic points using wavelet transforms | |
| CN111009127B (zh) | 一种基于事故风险的城市动态预警系统及方法 | |
| CN102779234B (zh) | 一种心电图分类处理方法及装置 | |
| CN110751051B (zh) | 一种基于机器视觉的异常驾驶行为检测方法 | |
| CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
| WO2017148452A1 (zh) | 一种心电信号波形特征点的提取方法及装置 | |
| CN114093501B (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
| CN108420429A (zh) | 一种基于多视角深度特征融合的脑电癫痫自动识别方法 | |
| CN113499081A (zh) | 基于双通道深度神经网络的驾驶员房颤检测方法及系统 | |
| CN109060371A (zh) | 一种汽车零部件异响检测装置 | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN116517860A (zh) | 基于数据分析的通风机故障预警系统 | |
| CN104036455A (zh) | 基于二代小波的红外图像细节增强方法 | |
| CN1792319A (zh) | 中医脉象特征参数自动检测方法 | |
| CN112529177A (zh) | 一种车辆碰撞检测方法及装置 | |
| CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
| CN113267286A (zh) | 铁路弓网接触力识别方法及装置 | |
| CN110555243A (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
| CN115736944A (zh) | 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm | |
| CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
| CN114295195B (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
| CN110420022B (zh) | 一种基于双密度小波变换的p波检测方法 | |
| CN115687894A (zh) | 一种基于小样本学习的跌倒检测系统及方法 | |
| CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及系统 | |
| CN114325740A (zh) | 一种应用于激光多普勒测速仪的速度测量方法与系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211015 |
|
| RJ01 | Rejection of invention patent application after publication |