CN114652323B - 一种心律失常的检测方法、装置及设备 - Google Patents
一种心律失常的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN114652323B CN114652323B CN202210181410.5A CN202210181410A CN114652323B CN 114652323 B CN114652323 B CN 114652323B CN 202210181410 A CN202210181410 A CN 202210181410A CN 114652323 B CN114652323 B CN 114652323B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- electrocardiosignals
- network
- identification result
- heartbeat
- 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
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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Abstract
本发明涉及一种心律失常的检测方法,本发明通过采集心电信号,提取心电信号的R峰,根据心电信号的R峰计算心电信号每个心拍的RR期间值;根据心电信号每个心拍的RR期间值生成辅助波形;将辅助波形和心电信号输入至心电信号检测网络中进行识别,输出心电信号中每个心拍的识别结果。本发明通过将心电信号的RR期间值转化为辅助波形并融入到心拍分类中,能够有效提高心律失常检测的准确性和基于人工智能心电诊断系统的疾病检测性能。
Description
技术领域
本发明涉及信号处理和人工智能领域技术领域,尤其是指一种心律失常的检测方法、装置、设备及计算机可读存储介质。
背景技术
心电信号自动检测技术能够有效提高心电图医生的检测效率,还能够缓解在落后城镇心血管医疗资源紧张的局面。根据AAMI标准,在心电图中,心律失常分为五大类,既非异常心拍、室上性异常心拍,室性异常心拍,融合心拍以及未知心拍。其中,室上性异常和室性异常心拍具有较高的诊断难度。
目前,端到端的心拍检测方法由于其较少的预处理步骤而具有很强的应用潜力。RR间期是一种常用的人工特征,根据现有研究RR间期的加入可以有效提升单心拍检测方法的检测性能。但是尚未有相关研究能够将RR间期融入端到端的新派检测方法中。因此,需要设计一种心律失常的检测方法。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中没有将RR间期融入端到端的检测方法中的缺陷。
为解决上述技术问题,本发明提供了一种心律失常的检测方法,包括:
采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
根据所述心电信号每个心拍的RR期间值生成辅助波形;
将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果。
在本发明的一个实施例中,所述根据所述心电信号每个心拍的RR期间值生成辅助波形包括:
利用线性插值法将所述心电信号每个心拍的RR期间值转化为辅助波形。
在本发明的一个实施例中,所述将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果包括:
将所述辅助波形和所述心电信号输入至所述心电信号检测网络的第一Unet网络中进行识别,输出所述第一Unet网络输出的识别结果;其中,所述第一Unet网络输出的识别结果中方波位置为所述心电信号中室上性异常或室性异常的心拍;
根据所述第一Unet网络输出的识别结果,对所述心电信号进行掩盖操作后,利用所述心电信号检测网络的第二Unet网络和第三Unet网络识别所述心电信号中每个心拍的识别结果。
在本发明的一个实施例中,所述根据所述第一Unet网络输出的识别结果,对所述心电信号进行掩盖操作后,利用所述心电信号检测网络的第二Unet网络和第三Unet网络识别所述心电信号中每个心拍的识别结果包括:
将所述第一Unet网络输出的识别结果进行拓展,得到掩膜信号;
将所述心电信号与所述掩膜信号相乘,得到所述心电信号中室上性异常或室性异常的心拍;
将所述心电信号与求反后的掩膜信号相乘,得到所述心电信号中正常或融合的心拍;
将所述室上性异常或室性异常的心拍输入至所述第二Unet网络,输出所述第二Unet网络的识别结果;其中,所述第二Unet网络输出的识别结果中方波位置为所述心电信号中的室性异常心拍;
将所述正常或融合的心拍输入至所述第三Unet网络,输出所述第三Unet网络的识别结果;其中,所述第三Unet网络输出的识别结果中方波位置为所述心电信号中的融合心拍。
在本发明的一个实施例中,将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别前包括:
采用adam优化器,使用Dice Loss损失函数,设置学习率为0.0001,对预先构建的心电信号检测网络进行训练。
在本发明的一个实施例中,所述对预先构建的心电信号检测网络进行训练后包括:
利用MITBIH Arrhythmia Database对所述心电信号检测网络进行测试。
本发明提供了一种心律失常的检测装置,包括:
采集模块,用于采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
生成模块,用于根据所述心电信号每个心拍的RR期间值生成辅助波形;
输入模块,用于将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果。
在本发明的一个实施例中,所述输入模块前包括:
训练单元,用于采用adam优化器,使用Dice Loss损失函数,设置学习率为0.0001,对预先构建的心电信号检测网络进行训练。
本发明提供了一种心律失常的检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述权利要求任一项所述一种心律失常的检测方法的步骤。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述权利要求任一项所述一种心律失常的检测方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的心律失常的检测方法,通过采集心电信号,提取心电信号的R峰,根据心电信号的R峰计算心电信号每个心拍的RR期间值,根据心电信号每个心拍的RR期间值生成辅助波形融入到心拍分类中,并将辅助波形和心电信号输入至心电信号检测网络中进行识别,能够有效提高心律失常检测的准确性和基于人工智能心电诊断系统的疾病检测性能。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明所提供的心律失常的检测方法的第一种具体实施例的流程图;
图2为本发明所提供的心律失常的检测方法的第二种具体实施例的流程图;
图3为本发明所提供的心律失常的检测方法示意图;
图4为辅助波形产生示意图;
图5为第一阶段的心拍识别示意图;
图6为第二阶段的心拍识别示意图;
图7为网络框架示意图;
图8为本发明实施例提供的一种心律失常的检测方法的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,图1为本发明所提供的心律失常的检测方法的第一种具体实施例的流程图,具体操作步骤如下:
步骤S101:采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
步骤S102:根据所述心电信号每个心拍的RR期间值生成辅助波形;
步骤S103:将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果。
本实施例所提供的方法,通过将RR间期融入端到端的新派检测方法可以有效提高心拍识别准确率,提高非异常心拍、融合心拍、室性异常心拍、室上性异常心拍检测的准确性,使基于人工智能的心电诊断系统的疾病检测性能更好。
基于上述实施例,本实施例是对心律失常的检测方法作进一步说明;请参考图2和图3所示,图2为本发明所提供的心律失常的检测方法的第二种具体实施例的流程图,图3为本发明所提供的心律失常的检测方法的示意图;具体操作步骤如下:
步骤S201:采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
步骤S202:根据所述心电信号每个心拍的RR期间值生成辅助波形;
预处理阶段:采集心电信号,提取心电信号的R峰(R-peaks),然后根据R峰计算出每个心拍的RR间期,单位是秒。使用线性插值法将RR间期转换成辅助波形,如图4所示。在图4a中,每个R峰的位置以及心拍的RR间期值显示在点的地方,点的高度就是当前心拍的RR间期值。其中,RR间期值指的是当前心拍与前一个心拍时间上的距离,然后通过线性插值将这些点连接起来,形成了辅助波形,如图4b所示。
步骤S203:将所述辅助波形和所述心电信号输入至所述心电信号检测网络的第一Unet网络中进行识别,输出所述第一Unet网络输出的识别结果;其中,所述第一Unet网络输出的识别结果中方波位置为所述心电信号中室上性异常或室性异常的心拍;
步骤S204:将所述第一Unet网络输出的识别结果进行拓展,得到掩膜信号;
步骤S205:将所述心电信号与所述掩膜信号相乘,得到所述心电信号中室上性异常或室性异常的心拍;
步骤S206:将所述心电信号与求反后的掩膜信号相乘,得到所述心电信号中正常或融合的心拍;
第一阶段:将所述辅助波形和所述心电信号输入至心电信号检测网络的第一Unet网络中进行识别,输出所述第一Unet网络输出的识别结果,一类是正常心拍(N)和融合心拍(F),另一类是室上性异常心拍(S)和室性异常心拍(V);其中,所述第一Unet网络输出的识别结果中方波位置为所述心电信号中室上性异常或室性异常的心拍,由图5所示。在图5中,图5a为第一Unet网络A的输出结果,方波的位置为室上性异常心拍(S)或室性异常心拍(V)。
使用一个掩盖操作,将第一Unet网络识别出来的心拍进行拓展,拓展总长度为360个采样点,得到图5b的结果。然后用原始信号与这个掩膜(Mask)信号相乘就得到了仅含有室上性异常心拍(S)和室性异常心拍(V)的信号,如图5c,将原始信号与求反的掩膜相乘就得到仅含有正常心拍(N)和融合心拍(F)的信号,如图5d。
步骤S207:将所述室上性异常或室性异常的心拍输入至所述所述心电信号检测网络的第二Unet网络,输出所述第二Unet网络的识别结果;其中所述第二Unet网络输出的识别结果中方波位置为所述心电信号中的室性异常心拍;
步骤S208:将所述正常或融合的心拍输入至所述心电信号检测网络的第三Unet网络,输出所述第三Unet网络的识别结果;其中所述第三Unet网络输出的识别结果中方波位置为所述心电信号中的融合心拍。
第二阶段:心电信号检测网络的第二Unet网络B能够将图5c的信号进行进一步的识别。心电信号检测网络的第三Unet网络C可以将图5d的信号进行进一步的识别。这一步骤可以用图6来表示,图6a为第二Unet网络B的识别结果,方波识别出来的心拍为室性异常心拍V类,根据心拍位置,没有方波的地方就是室上性异常心拍S类。同理,图6b为第三Unet网络C识别的结果,方波识别出来的心拍为融合心拍F类,根据心拍的位置,没有方波的心拍就属于正常心拍N类。最终将图6a和图6b的结果进行合并,就得到了输入信号的所有心拍的识别结果了,如图6c所示。
心电信号检测网络可由图7的网络框架通过不同的超参数实现。心电信号检测网络训练的条件是Pytorch 1.8.1,CUDA 10.2,Nvidia RTX2080 Ti。学习率是0.0001,使用adam优化器,使用Dice Loss损失函数。本方法在MITBIH Arrhythmia Database进行测试。本方法的有效性可以在表1中得到证明。本方法的辅助波形可以在表2中得到证明。
表1本方法的四分类结果与其他方法的比较表
表2第一Unet网络的结果与其他方法的比较表
请参考图8,图8为本发明实施例提供的一种心律失常的检测方法的结构框图;具体装置可以包括:
采集模块100,用于采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
生成模块200,用于根据所述心电信号每个心拍的RR期间值生成辅助波形;
输入模块300,用于将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果。
本实施例的心律失常的检测装置用于实现前述的心律失常的检测方法,因此心律失常的检测装置中的具体实施方式可见前文中的心律失常的检测方法的实施例部分,例如,100、200和300分别用于实现上述心律失常的检测方法中步骤S101、S102和S103,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种心律失常的检测设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种心律失常的检测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种心律失常的检测方法的步骤。
本实施例所提供的方法,将RR间期转换成辅助波形融入到心拍分类环节中,可以有效提高心拍识别准确率,提高非异常心拍、融合心拍、室性异常心拍和室上性异常心拍检测的准确性,使基于人工智能的心电诊断系统的疾病检测性能更好。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种心律失常的检测方法,其特征在于,包括:
采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
根据所述心电信号每个心拍的RR期间值生成辅助波形;
将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果;
所述将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果包括:
将所述辅助波形和所述心电信号输入至所述心电信号检测网络的第一Unet网络中进行识别,输出所述第一Unet网络输出的识别结果;其中,所述第一Unet网络输出的识别结果中方波位置为所述心电信号中室上性异常或室性异常的心拍;
根据所述第一Unet网络输出的识别结果,对所述心电信号进行掩盖操作后,利用所述心电信号检测网络的第二Unet网络和第三Unet网络识别所述心电信号中每个心拍的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述心电信号每个心拍的RR期间值生成辅助波形包括:
利用线性插值法将所述心电信号每个心拍的RR期间值转化为辅助波形。
3.根据权利要1所述的方法,其特征在于,所述根据所述第一Unet网络输出的识别结果,对所述心电信号进行掩盖操作后,利用所述心电信号检测网络的第二Unet网络和第三Unet网络识别所述心电信号中每个心拍的识别结果包括:
将所述第一Unet网络输出的识别结果进行拓展,得到掩膜信号;
将所述心电信号与所述掩膜信号相乘,得到所述心电信号中室上性异常或室性异常的心拍;
将所述心电信号与求反后的掩膜信号相乘,得到所述心电信号中正常或融合的心拍;
将所述室上性异常或室性异常的心拍输入至所述第二Unet网络,输出所述第二Unet网络的识别结果;其中,所述第二Unet网络输出的识别结果中方波位置为所述心电信号中的室性异常心拍;
将所述正常或融合的心拍输入至所述第三Unet网络,输出所述第三Unet网络的识别结果;其中,所述第三Unet网络输出的识别结果中方波位置为所述心电信号中的融合心拍。
4.根据权利要求1所述的方法,其特征在于,将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别前包括:
采用adam优化器,使用Dice Loss损失函数,设置学习率为0.0001,对预先构建的心电信号检测网络进行训练。
5.根据权利要求4所述的方法,其特征在于,所述对预先构建的心电信号检测网络进行训练后包括:
利用MITBIH Arrhythmia Database对所述心电信号检测网络进行测试。
6.一种心律失常的检测装置,其特征在于,包括:
采集模块,用于采集心电信号,提取所述心电信号的R峰,根据所述心电信号的R峰计算所述心电信号每个心拍的RR期间值;其中,所述RR间期值为当前心拍与前一个心拍时间上的距离;
生成模块,用于根据所述心电信号每个心拍的RR期间值生成辅助波形;
输入模块,用于将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果;
所述将所述辅助波形和所述心电信号输入至心电信号检测网络中进行识别,输出所述心电信号中每个心拍的识别结果包括:
将所述辅助波形和所述心电信号输入至所述心电信号检测网络的第一Unet网络中进行识别,输出所述第一Unet网络输出的识别结果;其中,所述第一Unet网络输出的识别结果中方波位置为所述心电信号中室上性异常或室性异常的心拍;
根据所述第一Unet网络输出的识别结果,对所述心电信号进行掩盖操作后,利用所述心电信号检测网络的第二Unet网络和第三Unet网络识别所述心电信号中每个心拍的识别结果。
7.根据权利要求6所述的装置,其特征在于,所述输入模块前包括:
训练单元,用于采用adam优化器,使用Dice Loss损失函数,设置学习率为0.0001,对预先构建的心电信号检测网络进行训练。
8.一种心律失常的检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述一种心律失常的检测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种心律失常的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181410.5A CN114652323B (zh) | 2022-02-25 | 2022-02-25 | 一种心律失常的检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181410.5A CN114652323B (zh) | 2022-02-25 | 2022-02-25 | 一种心律失常的检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114652323A CN114652323A (zh) | 2022-06-24 |
CN114652323B true CN114652323B (zh) | 2023-03-21 |
Family
ID=82028268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181410.5A Active CN114652323B (zh) | 2022-02-25 | 2022-02-25 | 一种心律失常的检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114652323B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108937915A (zh) * | 2018-07-24 | 2018-12-07 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN110032985A (zh) * | 2019-04-22 | 2019-07-19 | 清华大学深圳研究生院 | 一种血细胞自动检测识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108968941B (zh) * | 2018-05-25 | 2022-03-25 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
CN110353675B (zh) * | 2019-08-14 | 2022-06-28 | 东南大学 | 基于图片生成的脑电信号情感识别方法及装置 |
CN110766099A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨理工大学 | 结合判别式深度置信网络和主动学习的心电分类方法 |
CN110840402B (zh) * | 2019-11-19 | 2021-02-26 | 山东大学 | 一种基于机器学习的房颤信号识别方法及系统 |
CN110946566B (zh) * | 2019-12-16 | 2022-06-17 | 成都天奥电子股份有限公司 | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 |
CN112842350B (zh) * | 2021-02-20 | 2022-03-11 | 无锡市中健科仪有限公司 | 基于正反传播算法获得心拍的主导心率的方法 |
-
2022
- 2022-02-25 CN CN202210181410.5A patent/CN114652323B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108937915A (zh) * | 2018-07-24 | 2018-12-07 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN110032985A (zh) * | 2019-04-22 | 2019-07-19 | 清华大学深圳研究生院 | 一种血细胞自动检测识别方法 |
Non-Patent Citations (1)
Title |
---|
基于一维卷积神经网络的患者特异性心拍分类方法研究;黄佼;《中国医疗设备》;第33卷(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114652323A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
WO2019100566A1 (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN110495872B (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
CN109063552A (zh) | 一种多导联心电信号分类方法和系统 | |
CN103815897B (zh) | 一种心电图特征提取方法 | |
Thanapatay et al. | ECG beat classification method for ECG printout with Principle Components Analysis and Support Vector Machines | |
Kaya et al. | Feature selection using genetic algorithms for premature ventricular contraction classification | |
CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN112932498B (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
Gomes et al. | ECG data-acquisition and classification system by using wavelet-domain hidden markov models | |
Plesinger et al. | Robust multichannel QRS detection | |
Yadav et al. | Arrhythmia Detection on ECG Signal Using Neural Network Approach | |
KR102387703B1 (ko) | 심전도 판독을 수정하기 위한 방법 및 장치 | |
Sreenivas et al. | Classification of arrhythmia in time series ecg signals using image encoding and convolutional neural networks | |
CN114652323B (zh) | 一种心律失常的检测方法、装置及设备 | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN116725486A (zh) | 一种基于双阶段的动态心电信号房颤检测方法、装置 | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN115590524A (zh) | 基于卷积神经网络的qt间期延长识别方法及系统 | |
Tanantong et al. | Towards continuous electrocardiogram monitoring based on rules and ontologies | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及系统 | |
Deb et al. | Detection of abnormal electrocardiogram (ECG) using wavelet decomposition and support vector machine (SVM) | |
Du et al. | A novel method for diagnosing premature ventricular contraction beat based on chaos theory |
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 |