CN113974642B - 一种基于多尺度斜率特征的可除颤节律识别方法 - Google Patents
一种基于多尺度斜率特征的可除颤节律识别方法 Download PDFInfo
- Publication number
- CN113974642B CN113974642B CN202111396859.5A CN202111396859A CN113974642B CN 113974642 B CN113974642 B CN 113974642B CN 202111396859 A CN202111396859 A CN 202111396859A CN 113974642 B CN113974642 B CN 113974642B
- Authority
- CN
- China
- Prior art keywords
- slope
- rhythm
- electrocardiosignals
- defibrillation
- signal
- 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
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000003746 feather Anatomy 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 239000012634 fragment Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000003663 ventricular fibrillation Diseases 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008828 contractile function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 206010047302 ventricular tachycardia Diseases 0.000 description 1
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]
-
- 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
- A61B5/349—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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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多尺度斜率特征的可除颤节律识别方法,包括步骤:获取预设长度的心电信号,将获取到的心电信号进行预处理;将预处理后的心电信号以不同的差分间隔进行计算,得到不同尺度的斜率特征;将不同尺度的斜率特征汇总得到特征向量;根据特征向量判断是否为可除颤节律。本发明采用多种差分间隔尺度的斜率特征分析,可以提取到不同类型心律波形的特征,有利于准确区分各种类型的可除颤心律和不可除颤心律。并采用分段最大斜率值的中值对斜率信号进行归一化,可以有效减轻尖峰等突变信号对特征提取的影响,提高算法在噪声干扰环境下的稳定性。
Description
技术领域
本发明涉及心电信号处理技术领域和除颤设备领域,具体涉及一种基于多尺度斜率特征的可除颤节律识别方法。
背景技术
心室颤动是严重的致命性心律失常,各部分心肌快速而不协调的颤动,心室丧失有效收缩功能,不能提供有效的血液循环。因此,对室颤及快速室性心动过速的检测显得尤为重要。
目前主要应用的可除颤节律检测方法是从心电信号中提取出有利于区分可除颤节律与不可除颤节律的特征,然后设计规则进行判断或者利用机器学习方法进行决策。特征提取的有效性是算法准确性的关键,常用的特征有时域特征(如幅值、斜率、信号分布、心率等)、频域特征(如频谱分布等)、复杂度特征(如复杂度、峭度、近似熵、样本熵等)。
现有的可除颤节律识别方法的准确度较差,对于环境复杂多变、要求算法识别速度快的场合中,目前的算法性能还有待提高。
发明内容
本发明为了解决上述现有技术中的技术问题,提出一种基于多尺度斜率特征的可除颤节律识别方法。
本发明采用的技术方案是:
本发明提出了一种基于多尺度斜率特征的可除颤节律识别方法,包括步骤:
步骤1,获取预设长度的心电信号,将获取到的心电信号进行预处理;
步骤2,将预处理后的心电信号以不同的差分间隔进行计算,得到不同尺度的斜率特征;
步骤3,将不同尺度的斜率特征汇总得到特征向量;
步骤4,根据特征向量判断是否为可除颤节律。
步骤2具体包括:
步骤21,将预处理后的心电信号与不同的差分间隔代入公式进行计算,得到每个差分间隔对应的斜率信号;
步骤22,将每个差分间隔对应的斜率信号归一化;
步骤23,对每个归一化后的斜率信号中的斜率值进行统计,得到对应每一个斜率信号的多个斜率特征。
进一步的,步骤21的公式为:
Sloper(n)为差分间隔为r的情况下第n个点的斜率值,K为预设的滑动平均点数,即每个所述斜率信号包括N个斜率值。
进一步的,步骤22具体包括:
步骤221,将斜率信号平均划分为三个片段,选出每个片段中的最大斜率值;
步骤222,将三个片段中的最大斜率值按大小依次排序,选出位于中间的最大斜率值作为mid_max_slope;
步骤223,用mid_max_slope对斜率信号进行归一化,即:
Slope_regr(n)=min(Sloper(n)/mid_max_slope,1);Slope_regr(n)为归一化后的斜率值。
进一步的,步骤23具体包括:
步骤231,设置阈值TH;
步骤232,统计每个斜率信号中小于阈值TH的斜率值所占的比例,作为特征Featherr,1,Featherr,1=count(slope_regr(n)<TH)/N,N为斜率信号的斜率值总数;
步骤233,统计斜率信号中跨过阈值TH的次数,作为特征Featherr,2,Featherr,2=count(Slope_regr(n)<TH&Slope_regr(n+1)>TH)。
优选地,所述步骤4具体为:将步骤3获取的特征向量,输入训练好的机器学习分类模型进行分类,根据分类结果决定该心电信号对应的心电片段是否为可除颤节律。
上述机器学习分类模型的训练方法为:
步骤51,从预设心电数据库中,选取多个心电图片段,每个心电图片段的长度为步骤1中的预设长度;
步骤52,对各个心电片段按照步骤1至3进行处理,获得对应的特征向量;
步骤53,将步骤52得到的特征向量与预设的是否为可除颤节律信息输入机器学习分类模型进行训练,输出是否为可除颤节律的分类结果。
优选地,机器学习分类模型具体为神经网络、支持向量机或者随机森林。
进一步的,预处理的方式为:将预设长度的心电信号进行滤波处理得到滤波后的心电信号。
进一步的,所述不同的差分间隔为1,2,4,8...。
与现有技术比较,本发明具有以下创新点:
1、采用多种差分间隔尺度的斜率特征分析,可以提取到不同类型心律波形的特征,有利于准确区分各种类型的可除颤心律和不可除颤心律。
2、采用分段最大斜率值的中值对斜率信号进行归一化,可以有效减轻尖峰等突变信号对特征提取的影响,提高算法在噪声干扰环境下的稳定性
3、提供的算法计算简单、所需心电信号片段时间短,可以快速准确地识别心电信号是否为可除颤节律。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的流程图;
图2为本发明实施例中归一化的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图以及实施例对本发明的原理及结构进行详细说明。
如图1所示,本发明提出了一种基于多尺度斜率特征的可除颤节律识别方法,包括步骤:
步骤1,获取预设长度的心电信号,将获取到的心电信号进行预处理;该预设长度可以是4秒,或者4秒左右的数值。
步骤2,将预处理后的心电信号以不同的差分间隔进行计算,得到不同尺度的斜率特征;通过将预处理后的心电信号采用多种间隔尺度进行计算,可以提取到不同类型心律波形的特征,从而有利于准确区分各种类型的可除颤心律和不可除颤心律。
步骤3,将多个尺度的斜率特征汇总得到特征向量;
步骤4,根据特征向量判断是否为可除颤节律。
在具体的实施例中,预处理可以是进行30Hz低通滤波以及1Hz高通滤波,将心电信号重采样到100Hz左右,得到滤波后的心电信号sfilt,长度为L。
不同的间隔尺度具体可以选择为1、2、4、8。或者1、2、4、8、16...(数值到达),不同的差分间隔可以提取到不同类型心律信号的特征。例如正常窦性心律QRS波变化快,差分间隔小的斜率变化较灵敏;而室性心搏的波形较宽大,差分间隔大的斜率变化比较敏感。现以间隔尺度为1、2、4、8为例具体说明步骤2,步骤2具体包括:
步骤21,将预处理后的心电信号与不同的差分间隔代入公式进行计算,得到每个差分间隔对应的斜率信号;具体为:在心电信号中一共选取N个点,计算每个点的斜率值,即差分间隔为1时能够计算出一组的斜率值,这组斜率值的集合为差分间隔为1时对应的斜率信号。即差分间隔为2时也能够计算出一组的斜率值,这组斜率值的集合为差分间隔为2时对应的斜率信号。具体公式如下:
Sloper(n)为差分间隔为r的情况下第n个点的斜率值;K为预设的滑动平均点数,优选取100ms心电长度对应的点数。例如当采样率为100时,K=100*0.1=10。
步骤22,将每个斜率信号归一化得到归一化后的斜率信号;
如图2所示,步骤22具体包括:
步骤221,将斜率信号平均划分为三个片段,选出每个片段中的最大斜率值;
即将一个斜率信号中所有的斜率值均分成三份,然后再选取每份中的最大斜率值;
步骤222,将三个片段中的最大斜率值按大小依次排序,选出位于中间的最大斜率值作为mid_max_slope;
步骤223,用mid_max_slope对斜率信号进行归一化,即对斜率信号中的每一个斜率值进行归一化,具体为:
Slope_regr(n)=min(Sloper(n)/mid_max_slope,1),Slope_regr(n)为归一化后的斜率值;现有技术方案一般采用最大值进行归一化,但是最大值容易受到尖峰等突变干扰信号影响。本发明采用信号分段最大值的中值进行归一化,可以提高抗干扰性。
步骤23,对每个归一化后的斜率信号中的斜率值进行统计,得到对应每一个斜率信号的多个斜率特征。
其中步骤23具体包括:
步骤231,设置阈值TH;
步骤232,统计每个斜率信号中小于阈值TH的斜率值所占的比例,作为特征Featherr,1,Featherr,1=count(slope_regr(n)<TH)/N,其中N为斜率信号的斜率值总数;
步骤233,统计斜率信号中跨过阈值TH的次数,作为特征Featherr,2,
Featherr,2=count(Slope_regr(n)<TH&Slope_regr(n+1)>TH)。
即一个斜率信号对应一个Featherr,1和一个Featherr,2。
步骤3,将多个尺度的斜率特征汇总得到特征向量具体为;
Feather_vector=(Featherr1,1,Featherr1,2,Featherr2,1,Featherr2,2...);
此外,也可以将其他现有技术所提取的特征纳入到该特征向量中。
步骤4具体为:将步骤3获取的特征向量,输入训练好的机器学习分类模型进行分类,根据分类结果决定该心电信号对应的心电片段是否为可除颤节律,也可以采用现有技术中的其他模型进行分类判断。其中机器学习分类模型的具体训练步骤包括:
步骤51,从预设心电数据库中,选取多个心电图片段,每个心电图片段的长度为步骤1中的预设长度;
步骤52,对各个心电片段按照步骤1至3进行处理,获得对应的特征向量;
步骤53,将步骤42得到的特征向量与预设的是否为可除颤节律信息输入机器学习分类模型进行训练,输出是否为可除颤节律的分类结果。
机器学习分类模型可以选择神经网络、支持向量机、随机森林等,预设心电数据库具体为心电专家标注的心电数据库。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多尺度斜率特征的可除颤节律识别方法,其特征在于,包括步骤:
步骤1,获取预设长度的心电信号,将获取到的心电信号进行预处理;
步骤2,将预处理后的心电信号以不同的差分间隔进行计算,得到不同尺度的斜率特征;
步骤3,将不同尺度的斜率特征汇总得到特征向量;
步骤4,根据特征向量判断是否为可除颤节律;
步骤21,将预处理后的心电信号与不同的差分间隔代入公式进行计算,得到每个差分间隔对应的斜率信号;
步骤22,将每个差分间隔对应的斜率信号归一化;
步骤23,对每个归一化后的斜率信号中的斜率值进行统计,得到对应每一个斜率信号的多个斜率特征;
所述步骤21的公式为:
Sloper(n)为差分间隔为r的情况下第n个点的斜率值,K为预设的滑动平均点数,即每个所述斜率信号包括N个斜率值;
所述步骤23具体包括:
步骤231,设置阈值TH;
步骤232,统计每个斜率信号中小于阈值TH的斜率值所占的比例,作为特征Peatherr,1,Featherr,1=count(Slope_regr(n)<TH)/N;
步骤233,统计斜率信号中跨过阈值TH的次数,作为特征Featherr,2,即Featherr,2=count(Slope_regr(n)<TH&Shope_regr(n+1)>TH);
所述步骤4具体为:将步骤3获取的特征向量,输入训练好的机器学习分类模型进行分类,根据分类结果决定该心电信号对应的心电片段是否为可除颤节律。
2.如权利要求1所述的基于多尺度斜率特征的可除颤节律识别方法,其特征在于,所述步骤22具体包括:
步骤221,将斜率信号平均划分为三个片段,选出每个片段中的最大斜率值;
步骤222,将三个片段中的最大斜率值按大小依次排序,选出位于中间的最大斜率值作为mid_max_slope;
步骤223,用mid_max_slope对斜率信号进行归一化,即:
Slope_regr(n)=min(Sloper(n)/mid_max_slope,1);Slope_regr(n)为归一化后的斜率值。
3.如权利要求1所述的基于多尺度斜率特征的可除颤节律识别方法,其特征在于,所述机器学习分类模型的训练方法为:
步骤51,从预设心电数据库中,选取多个心电图片段,每个心电图片段的长度为步骤1中的预设长度;
步骤52,对各个心电片段按照步骤1至3进行处理,获得对应的特征向量;
步骤53,将步骤52得到的特征向量与预设的是否为可除颤节律信息输入机器学习分类模型进行训练,输出是否为可除颤节律的分类结果。
4.如权利要求1所述的基于多尺度斜率特征的可除颤节律识别方法,其特征在于,所述机器学习分类模型为神经网络、支持向量机或者随机森林。
5.如权利要求1所述的基于多尺度斜率特征的可除颤节律识别方法,其特征在于,所述预处理的方式为:将预设长度的心电信号进行滤波处理得到滤波后的心电信号。
6.如权利要求1所述的基于多尺度斜率特征的可除颤节律识别方法,其特征在于,所述不同的差分间隔为1,2,4,8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396859.5A CN113974642B (zh) | 2021-11-23 | 2021-11-23 | 一种基于多尺度斜率特征的可除颤节律识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396859.5A CN113974642B (zh) | 2021-11-23 | 2021-11-23 | 一种基于多尺度斜率特征的可除颤节律识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113974642A CN113974642A (zh) | 2022-01-28 |
CN113974642B true CN113974642B (zh) | 2024-03-19 |
Family
ID=79750120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396859.5A Active CN113974642B (zh) | 2021-11-23 | 2021-11-23 | 一种基于多尺度斜率特征的可除颤节律识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113974642B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803054A (zh) * | 2020-06-12 | 2020-10-23 | 中国人民解放军陆军军医大学 | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020056028A1 (en) * | 2018-09-14 | 2020-03-19 | Avive Solutions, Inc. | Shockable heart rhythm classifier for defibrillators |
-
2021
- 2021-11-23 CN CN202111396859.5A patent/CN113974642B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803054A (zh) * | 2020-06-12 | 2020-10-23 | 中国人民解放军陆军军医大学 | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 |
Non-Patent Citations (1)
Title |
---|
心电图波形分析的算法研究;刘芳霞, 李杰;医学信息(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113974642A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
CN109522916B (zh) | 识别单导心电图(ecg)信号中的节律的级联二元分类器 | |
DK3100675T3 (en) | METHOD AND SYSTEM FOR RECOGNIZING PHYSIOLOGICAL SOUND | |
Cheng et al. | Life-threatening ventricular arrhythmia detection with personalized features | |
CN109077715A (zh) | 一种基于单导联的心电信号自动分类方法 | |
CN106805965A (zh) | 一种心电信号分类方法及装置 | |
CN106066933B (zh) | 获取房颤识别人工神经网络权重值矩阵的方法 | |
Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
Kalidas et al. | Enhancing accuracy of arrhythmia classification by combining logical and machine learning techniques | |
US20170027464A1 (en) | Detecting Artifacts in a Signal | |
CN112617849A (zh) | 一种基于cnn+lstm的心房颤动检测与分类方法 | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN108670245A (zh) | 一种心电信号检测方法及系统 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
Gao et al. | Real time ECG characteristic point detection with randomly selected signal pair difference (RSSPD) feature and random forest classifier | |
Yin et al. | Arrhythmia classification based on multi-domain feature extraction | |
Vimala | Stress causing arrhythmia detection from ECG signal using HMM | |
CN113974642B (zh) | 一种基于多尺度斜率特征的可除颤节律识别方法 | |
Sivanantham et al. | Cardiac arrhythmia detection using linear and non-linear features of HRV signal | |
Chumrit et al. | Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine | |
CN109846473B (zh) | 一种检测单导联10秒心电图噪音干扰程度的方法 | |
Liu et al. | Reduction of false alarms in intensive care unit using multi-feature fusion method | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Liu et al. | Diagnosis of AF based on time and frequency features by using a hierarchical classifier |
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 |