CN114010171B - 一种基于心跳数据的分类器设置方法 - Google Patents
一种基于心跳数据的分类器设置方法 Download PDFInfo
- Publication number
- CN114010171B CN114010171B CN202110675572.XA CN202110675572A CN114010171B CN 114010171 B CN114010171 B CN 114010171B CN 202110675572 A CN202110675572 A CN 202110675572A CN 114010171 B CN114010171 B CN 114010171B
- Authority
- CN
- China
- Prior art keywords
- beat
- classifier
- bcg
- data
- hrv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000000747 cardiac effect Effects 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 239000000919 ceramic Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 abstract description 5
- 230000005012 migration Effects 0.000 abstract description 5
- 241001364929 Havel River virus Species 0.000 description 26
- 239000000523 sample Substances 0.000 description 18
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000001013 sinoatrial node Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 101150085275 Colec12 gene Proteins 0.000 description 1
- 102100024330 Collectin-12 Human genes 0.000 description 1
- 101001137525 Homo sapiens Nucleolin Proteins 0.000 description 1
- 102100021010 Nucleolin Human genes 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002182 neurohumoral effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于心跳数据的分类器设置方法,包括以下步骤:S1011:采集监控用户的BCG数据,从数据库下载ECG数据,形成初始数据集;S1012:去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值;S1013:采集BCG、ECG逐拍心动周期中提取HRV时域特征,对各HRV特征进行归一化和筛选,并输入分类器;S1014:采用了样本权重迁移的分类器,并将ECG逐拍心动周期中提取HRV时域特征设置为分类器的测试样本,设置公式调整分类器权重,调整分类器结果;S1015:使用分类器对监控用户新产生的BCG逐拍心动周期中提取HRV时域特征进行分类。
Description
技术领域
本发明涉及医学领域,具体涉及一种基于心跳数据的分类器设置方法。
背景技术
由于社会节奏的加快和生活压力的增加,心理压力逐渐成为影响人体身心健康与生活质量的重要因素,自动检测和衡量心理压力有利于个人及时掌握自身的压力状态并进行自我调节,避免长期心理压力对身心和生活带来不良影响。
心冲击信号(Ballistocardiogram,即BCG)是一种无创、无接触式的心血管功能监测手段。它主要是由血液循环过程中造成的人体重力的变化引起的。与其他心血管检测技术相比,它具有无创、无直接接触和检测方便等优势,特别适合进行长期监测。
使用BCG信号计算心率变异性(Heart Rate Variability,即HRV)进而去评估用户心理压力状况是一种可行的方案。心率变异性产生于自主神经系统对心脏窦房结的调节,反映了心脏本身窦性心律不齐的程度以及神经体液因素与窦房结之间相互作用的平衡关系,是衡量心理压力的有效参数。
目前,对心理压力的衡量没有确定的规范,造成压力评估杂乱性高、准确性低。
发明内容
为了克服现有技术中的不足,本发明提出一种基于心跳数据的分类器设置方法,其特征在于,包括以下步骤:
S1011:采集监控用户的BCG数据,从数据库下载ECG数据,形成初始数据集;
S1012:去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值;
S1013:采集BCG、ECG逐拍心动周期中提取HRV时域特征,对各HRV特征进行归一化和筛选,并输入分类器;
S1014:采用了样本权重迁移的分类器,并将ECG逐拍心动周期中提取HRV时域特征设置为分类器的测试样本,设置公式调整分类器权重,调整分类器结果;
S1015:使用分类器对监控用户新产生的BCG逐拍心动周期中提取HRV时域特征进行分类。
进一步地,所述S102中包括以下步骤:所述S1011中,采用压电陶瓷传感器采集监控用户的BCG数据。
进一步地,所述S1012中,所述BCG数据逐拍心动周期和ECG数据逐拍心动周期均通过IIR滤波器进行过滤,分别过滤噪音成分和基线漂移。
进一步地,所述S1013中,使用模板匹配法计算BCG信号逐拍心动周期,使用PT 算法计算ECG逐拍心动周期。
进一步地,所述S1012中,分别采用3δ原则、箱型图分析去除BCG、ECG的逐拍心动周期中的异常值。
进一步地,所述S1013中,所述BCG、ECG逐拍心动周期中提取HRV时域特征包括 HRV频域特征、HRV非线性特征、HRV时域特征。
进一步地,所述S1014中,分类器种类为决策树或者SVM、迭代次数N可调,采用以下公式调整权重:
βt=∈t/(1-∈t)
其中,βt与β分别为目标域样本和辅助域样本所用的权重调整系数,∈t是上一轮迭代中分类器在目标域上的错误率,n为目标域样本数目,N为总迭代次数。是第t轮迭代中第 i个样本的权重。ht(xi)、c(xi)分别为分类器对第i个样本的估计值和其实际值,取值为1或0。
有益效果:通过数据设定分类器标准,结合分类器,来获得对心理压力的计算值,分类器输出一个该计算值,该计算值与分类器设定的设定值进行比较,供操作人员参考。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明的流程图;
图2是本发明实施例提供的采集BCG信号图与使用模板匹配算法标记特征点的效果图。
图3为本发明实施例提供的数据库ECG信号图与使用PT算法标记特征点的效果图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
本实施例提供了一种基于心跳数据的分类器设置方法,如图1所示,包括以下步骤: S101:数据获取及预处理;S102:提取HRV特征;S103:设计迁移学习分类器对数据进行测试。
步骤S101中,具体的操作为步骤S1011:采集用户BCG数据。具体是通过光纤、压电陶瓷、压电薄膜或者视频、毫米波雷达等现有方式获取心血管疾病患者样本和健康人样本静息状态下20分钟以上的BCG信号。
本实施例具体采用置于床垫下方的压电陶瓷传感器采集心血管疾病患者和健康人 BCG样本数据各50例,每例样本30分钟,压电陶瓷传感器的型号无限定。
同时,从数据库中下载ECG数据,具体是从具有一定权威性的公共数据集中下载带有样本标签(即带有心血管疾病患者和健康人标签)的原始ECG数据。所下载患病样本和健康样本尽量同等数据量,样本例数都应在50例以上,数据总时长需大于50 小时。本实施例选择了Physionet数据库中的NSR1、NSR2、INCART、SHAREE、CHF等 5个数据集中下载了心血管类疾病患者和健康人群样本各50例共116小时时长的数据。
步骤S1012中:将采集的BCG数据进行信号解混,将下载的ECG进行噪音去除。
具体的,其中BCG信号使用IIR滤波器进行信号解混,是通过使用合适通带频率的IIR滤波器将BCG信号中的呼吸成分和噪声成分等滤除,留下较为纯净的BCG中的心跳震动的成分。除了IIR滤波器,其他可选现有的方法还有小波分解、经验模式分解等。本实施例中,选用通带频率为8Hz-24Hz的6阶巴特沃斯带通滤波器对BCG进行滤波。
其中ECG信号使用IIR滤波器进行噪声去除,是使用合适频率的IIR滤波器将ECG信号中的噪声和基线漂移等去除,得到质量更高的ECG信号。除了IIR滤波器,其他现有可选方法还有滑动平均滤波、小波分解等。本实施例选择0.2Hz-45Hz的6阶巴特沃斯滤波器对ECG进行滤波去除噪音。
步骤S1013,使用模板匹配法计算BCG信号逐拍心动周期,使用PT算法计算ECG 逐拍心动周期。
使用现有技术的模板匹配法计算BCG信号逐拍心动周期,具体是使用模板匹配的方式寻找BCG信号特征点,进而结合采样频率计算心动周期。图2展示了本实施例使用模板匹配标记BCG的J波位置的效果,即BCG信号逐拍心动周期。
模板匹配是一种使用模板去跟待处理的对象进行对比计算相似度的思想。常用于图像处理中进行图像相似度的检测,常用于图像相似度的对比,也用于信号处理的领域,进行信号波形相似度的检测。本专利中,先利用初始的BCG信号产生模板,再使用该模板与在后生成的模板(后来收集的BCG信号生成的模板)进行比较,该比较的过程就是模板匹配。
上述J波位置为图2中标记点在时间横轴上点的位置。
使用PT算法计算ECG逐拍心动周期,是通过PT算法的带通滤波、微分、平方、滑窗积分等步骤,较为精准地标记出每拍心跳的R波位置。图3展示了本实施例中使用PT算法标记ECG的R波位置的效果,相邻R波的间隔即为ECG逐拍心动周期。
PT算法是心电处理中特别常用的标记R点的信号处理算法,在专利公开号CN109770920A的基于穿戴式心电信号的紧张情绪判别方法及其系统公开了该PT算法。
上述R波位置为图3中标记点在时间横轴上的位置。
步骤S1014:去除BCG、ECG的逐拍心动周期中的异常值,去除的方法为3δ原则、箱型图分析等,去除因检测错误或发生早搏等引起的异常的心动周期数值点。以便随后计算心率变异性。本实施例采用3δ原则:在正态分布中σ代表标准差,μ代表均值。 x=μ即为图像的对称轴3σ原则。数值分布在(μ-σ,μ+σ)中的概率为0.6826 数值分布在(μ-2σ,μ+2σ)中的概率为0.9544,数值分布在(μ-3σ,μ+3σ)中的概率为0.9974,可以认为,BCG、ECG的逐拍心动周期的取值几乎全部集中在(μ-3 σ,μ+3σ)]区间内,超出这个范围的可能性仅占不到0.3%。超出该范围的即为异常值。
步骤S102包括以下步骤:
步骤S1021:从BCG、ECG逐拍心动周期中提取HRV时域特征,是指从经过步骤S101计算得到得BCG、ECG逐拍心动周期中提取HRV时域特征。提取HRV时域特征的方式包括平均值、标准差、均方根差、峰值、中位数、差分标准差等。
步骤S1022,提取HRV频域特征的方式可以为求解逐拍心动周期序列各频率段的功率等。
步骤S1023,提取HRV非线性特征的方式为求庞加莱图轴长、交感神经指数及各种熵值。
步骤S1024,对各HRV特征进行归一化和筛选,是对HRV进行特征归一化以便分类器使用,然后使用卡方检验、随机森林等方式对各特征的重要性进行排序,根据效果,保留重要程度较高的若干维特征。本实施例经过特征筛选,选择了各类HRV特征共30维。归一化就是把数据变成(0,1)或者(1,1)之间的小数,例如对于一个采样频率为500hz的系统,400hz的归一化频率就为400/500=0.8。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
步骤S103包括以下步骤:
步骤S1031:设置迁移学习分类器的参数,是指设置一些迁移学习分类器的超参数。迁移学习模型种类为特征映射迁移学习模型、样本权重迁移学习模型等。本实施例采用了一种样本权重迁移的分类器Tradaboost:
在本步骤超参数分别设置如下:基分类器种类为决策树或者SVM、迭代次数N为 50(数值可根据情况可调)。
步骤S1032:将BCG的HRV特征随机按4:1分为训练集(源域训练数据)和测试集,将BCG的HRV特征训练集作为迁移学习分类器的目标域特征传入迁移学习分类器,将 ECG的HRV特征(辅助域训练数据)作为迁移学习分类器的辅助域特征传入迁移学习模型。将ECG中计算得到的HRV特征作为辅助域特征的好处在于:从数据量较大的ECG 数据中学习有助于提高目标域数据分类准确性和泛化能力的信息,以提高分类器性能。
步骤S1033,训练迁移学习分类器并使用BCG的HRV测试集进行测试,对迁移学习分类器参数进行二次调参,生成最终分类器。本发明的整体步骤流程图如图1所示,本发明与步骤流程图对应的迁移学习流程图如图3所示。
本实施例使用的Tradaboost分类器是从一种Boost ing集成学习分类模型Adaboost算法修改而来,当辅助域样本分类错误时,降低此样本数据采用以下公式调整权重:
βt=∈t/(1-∈t)
其中,βt与β分别为目标域样本和辅助域样本所用的权重调整系数,∈t是上一轮迭代中分类器在目标域上的错误率,n为目标域样本数目,N为总迭代次数。是第t轮迭代中第 i个样本的权重。ht(xi)、c(xi)分别为分类器对第i个样本的估计值和其实际值,取值为1或0。
对于新的、需检测的BCG样本(即待分类的BCG样本)进行预处理和特征提取并使用分类器对其进行分类。使用迁移学习训练好的分类器可用于对从BCG数据计算的 HRV的分类,从BCG中计算HRV的步骤如S101、S102所示。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (6)
1.一种基于心跳数据的分类器设置方法,其特征在于,包括以下步骤:
S1011:采集监控用户的BCG数据,从数据库下载ECG数据,形成初始数据集;
S1012:去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值;
S1013:从BCG、ECG 逐拍心动周期中提取HRV 特征,对各HRV 特征进行归一化和筛选,将BCG的HRV特征随机按4:1的比例分为训练集和测试集,将BCG的HRV特征训练集作为迁移学习分类器的目标域特征传入迁移学习分类器,将ECG的HRV特征作为迁移学习分类器的辅助域特征传入迁移学习分类器;
S1014:训练迁移学习分类器并使用BCG的HRV测试集进行测试,对迁移学习分类器参数进行二次调参,生成最终分类器;
S1015:使用最终分类器对监控用户新产生的BCG进行分类。
2.根据权利要求1所述的一种基于心跳数据的分类器设置方法,其特征在于,步骤S1011中,采用压电陶瓷传感器采集监控用户的BCG数据。
3.根据权利要求1所述的一种基于心跳数据的分类器设置方法,其特征在于,所述方法通过IIR滤波器对BCG数据、ECG数据进行噪音去除,再对噪音去除后的BCG数据使用模板匹配法计算BCG信号逐拍心动周期,使用PT算法计算ECG逐拍心动周期。
4.根据权利要求1所述的一种基于心跳数据的分类器设置方法,其特征在于,S1012中,采用3δ原则、箱型图分析去除BCG、ECG的逐拍心动周期中的异常值。
5.根据权利要求1所述的一种基于心跳数据的分类器设置方法,其特征在于,S1013中,所述HRV特征包括HRV频域特征、HRV非线性特征、HRV时域特征。
6.根据权利要求1所述的一种基于心跳数据的分类器设置方法,其特征在于,分类器种类为决策树或者SVM、迭代次数N可调,采用以下公式调整权重:
;
其中,与/>分别为目标域样本和辅助域样本所用的权重调整系数,/>是上一轮迭代中分类器在目标域上的错误率,n为目标域样本数目,N为总迭代次数;/>是第t轮迭代中第i个样本的权重;/>、/>分别为分类器对第i个样本的估计值和其实际值,取值为1或0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675572.XA CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675572.XA CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
CN202010191926.9A CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191926.9A Division CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114010171A CN114010171A (zh) | 2022-02-08 |
CN114010171B true CN114010171B (zh) | 2023-10-20 |
Family
ID=71174685
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675572.XA Active CN114010171B (zh) | 2020-03-18 | 2020-03-18 | 一种基于心跳数据的分类器设置方法 |
CN202010191926.9A Pending CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191926.9A Pending CN111329455A (zh) | 2020-03-18 | 2020-03-18 | 一种非接触式的心血管健康评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN114010171B (zh) |
WO (1) | WO2021184410A2 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336310B (zh) * | 2020-11-04 | 2024-03-08 | 吾征智能技术(北京)有限公司 | 一种基于fcbf和svm融合的心脏疾病诊断系统 |
CN113420624B (zh) * | 2021-06-11 | 2022-04-26 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
CN113413163B (zh) * | 2021-08-24 | 2021-11-19 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN114052692B (zh) * | 2021-10-26 | 2024-01-16 | 珠海脉动时代健康科技有限公司 | 基于毫米波雷达的心率分析方法及设备 |
CN114995772B (zh) * | 2022-08-08 | 2022-10-21 | 南京三百云信息科技有限公司 | 客户数据迁移存储方法及装置 |
CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567780A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院电子学研究所 | 逐拍心率计算方法、装置、电子设备及存储介质 |
CN110148466A (zh) * | 2019-05-15 | 2019-08-20 | 东北大学 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
-
2020
- 2020-03-18 CN CN202110675572.XA patent/CN114010171B/zh active Active
- 2020-03-18 CN CN202010191926.9A patent/CN111329455A/zh active Pending
- 2020-03-27 WO PCT/CN2020/081533 patent/WO2021184410A2/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567780A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院电子学研究所 | 逐拍心率计算方法、装置、电子设备及存储介质 |
CN110148466A (zh) * | 2019-05-15 | 2019-08-20 | 东北大学 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114010171A (zh) | 2022-02-08 |
CN111329455A (zh) | 2020-06-26 |
WO2021184410A2 (zh) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
Jindal et al. | An adaptive deep learning approach for PPG-based identification | |
Mendonca et al. | A review of obstructive sleep apnea detection approaches | |
Singh et al. | A novel approach osa detection using single-lead ECG scalogram based on deep neural network | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
Tzimourta et al. | EEG-based automatic sleep stage classification | |
Mendez et al. | Detection of sleep apnea from surface ECG based on features extracted by an autoregressive model | |
Sansone et al. | Electrocardiogram pattern recognition and analysis based on artificial neural networks and support vector machines: a review | |
WO2017016086A1 (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
JP6727432B2 (ja) | 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム | |
Kuo et al. | Automatic stage scoring of single-channel sleep EEG based on multiscale permutation entropy | |
CN113243890B (zh) | 睡眠呼吸暂停综合症识别装置 | |
Dong et al. | Frequency network analysis of heart rate variability for obstructive apnea patient detection | |
Gürkan et al. | A novel biometric authentication approach using electrocardiogram signals | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
Chen et al. | Signal quality assessment of PPG signals using STFT time-frequency spectra and deep learning approaches | |
Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
Motin et al. | Sleep-wake classification using statistical features extracted from photoplethysmographic signals | |
Chandrashekhar et al. | Pulse ID: the case for robustness of ECG as a biometric identifier | |
Gurkan et al. | A novel human identification system based on electrocardiogram features | |
Amiruddin et al. | Performance evaluation of human identification based on ECG signal | |
Sisodia et al. | Sleep order detection model using support vector machines and features extracted from brain ECG signals | |
Belgacem et al. | ECG based human identification using random forests | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
Kandukuri et al. | Constant Q-transform-based deep learning architecture for detection of obstructive sleep apnea |
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 |