CN115470832B - 一种基于区块链的心电信号数据处理方法 - Google Patents
一种基于区块链的心电信号数据处理方法 Download PDFInfo
- Publication number
- CN115470832B CN115470832B CN202211417254.4A CN202211417254A CN115470832B CN 115470832 B CN115470832 B CN 115470832B CN 202211417254 A CN202211417254 A CN 202211417254A CN 115470832 B CN115470832 B CN 115470832B
- Authority
- CN
- China
- Prior art keywords
- lstm
- electrocardiosignal
- heart beat
- block chain
- qrs wave
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 11
- 206010003119 arrhythmia Diseases 0.000 abstract description 3
- 230000006793 arrhythmia Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000000718 qrs complex Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于区块链的心电信号数据处理方法，属于医学信号处理技术领域，包括：对原始心电信号进行降噪处理并上传到区块链中；通过小波变换提取QRS波，并判定该信号是否为QRS波群；若判定该信号为QRS波，则对心电信号进行分割截取得到若干个心拍；将得到的心拍电位值组成一维向量，采用LSTM进行建模分析；对每个心拍进行分类；同时LSTM作为异常检测器检测异常训练结果并进行再训练。本发明将再训练应用于心律失常分类，以加强正常心拍的检测并减少误报，克服长时间分类过程导致的次优性能，提高对心电信号分类的准确率；并且使用区块链安全跟踪连续远程心电监测系统的不同状态，通过区块链技术保障了数据的安全性。
Description
技术领域
本发明涉及医学信号处理技术领域，具体来说，尤其涉及一种基于区块链的心电信号数据处理方法。
背景技术
心电图中体现的心电信号能够反映人体的心率等生理信息，通过对心电信号的分析及心拍的状态类型的分类可以检测人体是否患有心律失常等疾病。因此心电信号对人体健康诊断具有十分重要的意义。为了辅助医疗工作者诊断患者心脏病情况，近年来涌现了大量基于机器学习的心电信号处理分析研究，机器学习通常用于实现分类器，可以对不规则节拍进行高精度分类，然而这些研究并不能满足实时心率监测的需求。
随着便携式医疗设备和可穿戴式心电设备等的快速流行普及，通过连续远程系统进行准确的实时不规则心跳分类可以减少临床医生的工作量，并允许患者留在医院外。但对患者长时间连续心电图（ECG）数据进行分类会导致次优性能，因为ECG数据本质上是非平稳的，并且随着时间的推移其形态会发生变化。且已有的常规心电信号数据处理方法通常在计算效率、准确性以及安全性等方面存在局限，只关心单一的数据流转和分析过程，无法满足移动式心电信号处理任务，无法满足现有需要实时、高效、准确、安全共享的处理心电信号计算任务的场景。
发明内容
针对上述存在的问题，本发明提供了一种基于区块链的心电信号数据处理方法，相较于传统方法，该方法能减小数据处理的计算量和计算复杂度，提高信号识别的效率和处理数据的安全性，对心电信号分类的准确率较高。
本发明为解决上述技术问题采用的技术方案如下：
一种基于区块链的心电信号数据处理方法，包括以下步骤：
步骤1，读取原始心电信号后进行去噪处理；同时将每个边缘设备作为区块链的一个节点，将数据进行上链；
步骤2，QRS波提取检测，通过小波变换提取QRS波，在得到经小波变换处理后的心电信号后，判定该信号是否为QRS波群；
步骤3，信号预处理，若判定所述步骤2中波峰为QRS波，则由 QRS 波检测得到Ｒ峰所在的位置，以Ｒ峰位置作为基准点，向前取N1个采样点，向后取N2个采样点，将连同R峰在内的共N1＋N2＋1个采样点作为一个心拍进行分割，由此得到若干个心拍；若判定所述步骤2中波峰为非QRS波，则进行丢包处理；
步骤4，步骤3得到的每个心拍的N1＋N2＋1个采样点的电位值组成一维向量，采用双向长短时记忆网络LSTM进行建模分析，同时LSTM网络也用作异常检测器，即LSTM异常检测器；
步骤5，通过利用全连接操作和Softmax函数对每个心拍进行分类；
步骤6，通过再训练LSTM异常检测器减少误报，提高心电信号的分类准确性。
进一步地，所述步骤1中选择db4小波将含噪信号进行8层小波变换分解，然后采取软阈值法去噪，最后将处理后的各尺度系数进行重构得到去噪后的心电信号。
进一步地，所述步骤2中QRS波提取检测的具体过程为：小波变换处理后的信号首先经过取绝对值、滑动窗口积分操作，将信号波形处理成一个个模式单一的波峰组成的信号，而其中的每一个波峰均对应一个可能的QRS波；同时通过自适应的阈值算法得到此时的阈值，将波峰与阈值进行比较，以此判定本次波峰是否为QRS波。
进一步地，所述步骤4具体为：将每个心拍采样点电位值组成的一维向量作为输入传入长短时记忆网络LSTM中，自动提取每个心拍波形在时序和电位信息两方面的特征，充分地学习不同类型心跳的重要特征；同时LSTM经过严格的分层训练也用作异常检测器，以无监督的方式对异常检测器进行训练。
进一步地，所述步骤5中利用LSTM网络的全连接操作和Softmax 函数对每个心拍进行分类的具体内容包括：每个心拍的特征向量H经过全连接后，通过Softmax函数计算得到5个类别的概率，取概率最大的类别作为最终预测结果的类别；该过程具体计算公式如下：
；
；
其中，表示心拍特征属于某一类别的概率，表示心电信号预测类别；W、b为LSTM网络要学习的参数。
进一步的，所述步骤6中再训练具体过程为：当样本在测试阶段被所述LSTM异常检测器分类为异常节拍时，通过将步骤5所获得的分类结果和连续远程心电监测系统在测试阶段分类为正常节拍的平均重构误差作为再训练阈值，用于决定是否应采集样本进行再训练；然后在所述LSTM异常检测器中添加新特征，并使用收集的硬样本对LSTM异常检测器进行优化；同时合并LSTM异常检测器中的相似特征，并根据所有正常节拍的新重构误差重新计算再训练阈值。
本发明的技术方案能产生以下的技术效果：
1.本发明提供的基于区块链的心电信号数据处理方法通过将再训练应用于心律失常分类，克服了对患者长时间连续心电图数据进行分类会导致次优性能的问题，有助于深层网络以患者特定的时间间隔学习新的分布，能加强正常心拍的检测并减少误报，提高对心电信号分类的准确率；
2.本发明使用区块链安全跟踪连续远程心电监测系统的不同状态，通过区块链技术保障了数据的安全性，另外区块链还充当外部数据存储的访问控制管理器，实现心电数据在临床医生或机构的安全共享；
3. 本发明利用小波变换进行信号降噪处理和提取QRS波，相比较传统方法，减小了数据处理的计算量，对信号特征信息的提取具有高效性；LSTM网络充分利用心电信前后采样点的时序依赖特征，自动提取特征，相比较与传统方法网络结构更加轻量级，计算复杂度更低。
附图说明
图1为本发明的基于区块链的心电信号数据处理方法的整体流程图。
图2为本发明的基于区块链的心电信号数据处理方法的处理流程图。
图3为本发明实施例所述的具体实施场景图。
图4为本发明实施例的实验仿真训练过程图。
图5为本发明实施例中对测试数据进行分类所绘制混淆矩阵实验结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及对应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本实施例中，图1为本发明的基于区块链的心电信号数据处理方法的整体流程图，如图2所示为本发明所述的基于区块链的心电信号数据处理方法的处理流程图，所述方法通过以下步骤实现：
步骤一、读取原始心电信号后进行去噪处理；同时将每个边缘智能处理用户设备作为区块链的一个节点，将数据进行上链，保障数据的安全性；
步骤二、进行QRS波提取和检测
利用算法对心电图原信号进行高频滤波，消除各种噪声和伪影（基线漂移、电源工频干扰、肌肉收缩等）的影响，通过一系列的信号处理检测QRS波。本实施例中，选择db4小波将含噪信号进行8层小波变换分解，然后采取软阈值法去噪，最后将处理后的各尺度系数进行重构得到去噪后的心电信号。
步骤三、信号预处理，即对心电信号进行分割截取，得到若干个心拍
分割方法为:由QRS波检测得到R峰所在的位置,以R峰位置作为基准点，向前取99个采样点，向后取150个采样点，将连同R峰在内的共250个采样点作为一个心拍进行分割。每个采样点的取值表示心电信号在该时刻的电位值。在采样率为360Hz的频率下，以R峰为基准点取前后共250个采样点（相当于0.7s）的心电信号，其中包含了一次心跳的关键波形即P波、QRS波从及T波。
步骤四、将上述得到的每个心拍的采样点的电位值组成一维向量，采用双向长短时记忆网络LSTM进行建模分析
LSTM网络是由一组记忆单元( Memory Block )组成的链式循环网络结构，每个记忆单元拥有3个门结构—遗忘门、输入门和输出门。通过这3个门来控制单元状态的保持和更新，并进行状态传递和结果输出。下面以一个心拍作为输入，来描述第t个采样点通过LSTM单元正向传递得到新状态 和输出 的过程，具体的：
心拍的信息传送到细胞的状态中，输入门开始接收 与 ，接着，层产生候选状态值并对之前的 进行迭代更新。为遗忘矩阵，为之前时刻的状态，为更新的数值。输出门决定输出的信息，通过输出门（层）产生一个输出矩阵 ，决定输出目前状态 的结果，状态通过层与 做乘积，输出结果 。
LSTM的更新公式如下:
其中，，，，为各个门的权重参数；，，，为偏置参数。
反向的LSTM传递与正向的类似,从一个心拍的最后一个采样点开始，依次进行计算，得到新状态 和特征 并向前一时刻传递，同时输出 。将正向LSTM输出的特征与反向LSTM输出的特征 进行拼接合并，得到第t个采样点的完整特征。该过程的公式表示如下:
将每个心拍的个采样点的电位值组成一维向量，并将其作为输入传入双向长短时记忆网络LSTM中，自动提取每个心拍波形在时序和电位信息两方面的特征，充分地学习了不同类型心跳的重要特征。在每一时刻ｔ，输入层会同时提供给这两个方向相反的双向长短时记忆网络LSTM。由于这两个网络中的神经元互不相连，因此两个 LSTM 网络独立计算各自在该时刻的新状态和输出。将两个单向 LSTM 网络的输出进行拼接，形成最终的输出。
步骤五、通过利用全连接操作和Softmax函数对每个心拍进行分类
双向长短时记忆网络的最后一层是Softmax层，该层利用全连接操作和Softmax函数对每个心拍进行分类。每个心拍的特征向量H经过全连接后，通过Softmax函数计算得到5个类别的概率，取概率最大的类别作为最终预测结果的类别；具体计算公式如下:
其中，表示心拍特征属于某一类别的概率，表示心电信号的预测类别；W、b为LSTM网络要学习的参数。
步骤六、通过再训练LSTM异常检测器减少误报，提高心电信号的分类准确性
当样本在测试阶段被异常检测器分类为异常节拍时，将步骤五所获得的分类结果（LSTM+Softmax）和连续远程心电监测系统在测试阶段分类为正常节拍的平均重构误差作为再训练阈值，用于决定是否应采集样本进行再训练；在LSTM异常检测器中添加新特征，并使用收集的硬样本进行优化，所述硬样本为再训练过程重建误差值不理想的样本，这些样本本质上为差分数据；同时合并LSTM异常检测器中的相似特征，以避免模型过拟合，然后根据所有正常心拍（包括训练时存储的拍和测试时获取的拍）的新重建误差重新计算再训练阈值。
其中，再训练算法收集的硬样本存储在外部数据存储中，并使用指向存储在区块链上的物理位置的指针以正确的顺序安全访问，在采集完整样本后，还消除了连续远程心电监测系统的内存限制；同样，将生成的模型的位置存储在区块链上，允许连续远程心电监测系统在高误报率的情况下执行回滚，在更换连续远程心电监测系统硬件的情况下，使用最新的训练模型，而不经过初始训练过程。
仿真实验
为了验证本发明提供的基于区块链的心电信号数据处理办法的心电信号分类准确性，本实施例采用型号为DELL E2417H DESKTOP-5JNUKTK的设备的MATLAB软件进行仿真实验。
实验数据由一组以300Hz采样的ECG信号组成，分成四个不同类：正常 (N)、AFib(A)、其他心律 (O) 和含噪记录 (~)。将上述信号分成一个训练集（用于训练分类器）和一个测试集（用于基于新数据测试分类器的准确度），通过将输入序列大小指定为2来修改网络架构；指定输出大小为100的一个双向LSTM层，并输出序列的最后一个元素；通过使用一个大小为2的全连接层，后跟softmax层和分类层，来指定两个类；指定训练选项，将最大轮数设置为 30，以允许基于训练数据对网络进行30轮训练。通过使用 trainNetwork 用指定的训练选项和层架构训练 LSTM 网络，训练过程如图4所示。使用LSTM网络对测试数据进行分类，绘制混淆矩阵以检查测试准确度，其实验结果如图5所示，将测试分类结果与实际分类对比得出本发明分类准确率为98.34%。与当前已有心电信号分类方法相比，本实施例在克服分类过程中次优性能的同时具有较高的分类准确率。
上述仅为本发明的优选实施例，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (6)
1.一种基于区块链的心电信号数据处理方法，其特征在于，包括以下步骤：
步骤1，读取原始心电信号后进行去噪处理；同时将每个边缘设备作为区块链的一个节点，将数据进行上链；
步骤2，QRS波提取检测，通过小波变换提取QRS波，在得到经小波变换处理后的心电信号后，判定该信号是否为QRS波群；
步骤3，信号预处理，若判定所述步骤2中波峰为QRS波，则由 QRS 波检测得到Ｒ峰所在的位置，以Ｒ峰位置作为基准点，向前取N 1 个采样点，向后取N 2 个采样点，将连同R峰在内的共 N 1 ＋N 2 ＋1个采样点作为一个心拍进行分割，由此得到若干个心拍；若判定所述步骤2中波峰为非QRS波，则进行丢包处理；
步骤4，将步骤3得到的每个心拍的N 1 ＋N 2 ＋1个采样点的电位值组成一维向量，采用双向长短时记忆网络LSTM进行建模分析，自动提取每个心拍波形在时序和电位信息两方面的特征，充分学习不同类型心跳的重要特征；同时LSTM网络也用作异常检测器，即LSTM异常检测器；
步骤5，通过利用所述LSTM网络的全连接操作和Softmax函数对每个心拍进行分类；
步骤6，通过再训练所述LSTM异常检测器减少误报；当样本在测试阶段被所述LSTM异常检测器分类为异常节拍时，通过将步骤5所获得的分类结果和连续远程心电监测系统在测试阶段分类为正常节拍的平均重构误差作为再训练阈值，用于决定是否应采集样本进行再训练；然后在所述LSTM异常检测器中添加新特征，并使用收集的硬样本对LSTM异常检测器进行优化；同时合并LSTM异常检测器中的相似特征，并根据所有正常节拍的新重构误差重新计算再训练阈值。
2.根据权利要求1所述的一种基于区块链的心电信号数据处理方法，其特征在于，所述步骤1中选择db4小波将含噪信号进行8层小波变换分解，然后采取软阈值法去噪，最后将处理后的各尺度系数进行重构得到去噪后的心电信号。
3.根据权利要求2所述的一种基于区块链的心电信号数据处理方法，其特征在于，所述步骤2中QRS波提取检测的具体过程为：小波变换处理后的信号首先经过取绝对值、滑动窗口积分操作，将信号波形处理成一个个模式单一的波峰组成的信号，而其中的每一个波峰均对应一个可能的QRS波；同时通过自适应的阈值算法得到此时的阈值，将波峰与阈值进行比较，以此判定本次波峰是否为QRS波。
4.根据权利要求1所述的一种基于区块链的心电信号数据处理方法，其特征在于，所述步骤4具体为：将每个心拍采样点电位值组成的一维向量作为输入传入长短时记忆网络LSTM中；同时LSTM经过严格的分层训练也用作异常检测器，以无监督的方式对异常检测器进行训练。
5.根据权利要求1所述的一种基于区块链的心电信号数据处理方法，其特征在于，所述步骤5中利用所述LSTM网络的全连接操作和Softmax函数对每个心拍进行分类的具体内容包括：每个心拍的特征向量H经过全连接后，通过Softmax函数计算得到5个类别的概率，取概率最大的类别作为最终预测结果的类别；具体计算公式如下：
；
；
其中，表示心拍特征属于某一类别的概率，表示心电信号的预测类别；W、b为LSTM网络要学习的参数。
6.根据权利要求1所述的一种基于区块链的心电信号数据处理方法，其特征在于，将区块链用作外部存储上数据位置的访问控制管理器，用于处理再训练所需的硬样本和差速数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417254.4A CN115470832B (zh) | 2022-11-14 | 2022-11-14 | 一种基于区块链的心电信号数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211417254.4A CN115470832B (zh) | 2022-11-14 | 2022-11-14 | 一种基于区块链的心电信号数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115470832A CN115470832A (zh) | 2022-12-13 |
| CN115470832B true CN115470832B (zh) | 2023-05-02 |
Family
ID=84338202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211417254.4A Active CN115470832B (zh) | 2022-11-14 | 2022-11-14 | 一种基于区块链的心电信号数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470832B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390406B (zh) * | 2023-12-13 | 2024-04-09 | 深圳大微医疗科技开发有限公司 | 一种基于区块链的心电监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN115221926A (zh) * | 2022-07-20 | 2022-10-21 | 吉林大学 | 基于cnn-gru网络模型的心拍信号分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200337581A1 (en) * | 2019-04-26 | 2020-10-29 | Samsung Sds Co., Ltd. | Apparatus and method for analyzing electrocardiogram |
| US11831666B2 (en) * | 2021-04-09 | 2023-11-28 | International Business Machines Corporation | Blockchain data breach security and cyberattack prevention |
-
2022
- 2022-11-14 CN CN202211417254.4A patent/CN115470832B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN115221926A (zh) * | 2022-07-20 | 2022-10-21 | 吉林大学 | 基于cnn-gru网络模型的心拍信号分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115470832A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
| He et al. | Automatic detection of QRS complexes using dual channels based on U-Net and bidirectional long short-term memory | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| Li et al. | Signal processing and feature selection preprocessing for classification in noisy healthcare data | |
| CN112957054B (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
| Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
| CN115470832B (zh) | 一种基于区块链的心电信号数据处理方法 | |
| CN113499079A (zh) | 一种心电图中的房颤检测方法 | |
| Zidelmal et al. | Heartbeat classification using support vector machines (SVMs) with an embedded reject option | |
| Lu et al. | An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment | |
| Xie et al. | Intelligent analysis of premature ventricular contraction based on features and random forest | |
| Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
| Cai et al. | Real-time arrhythmia classification algorithm using time-domain ECG feature based on FFNN and CNN | |
| Zhou et al. | Premature ventricular contraction detection from ambulatory ECG using recurrent neural networks | |
| Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
| Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
| Kar et al. | A technical review on statistical feature extraction of ECG signal | |
| Ge et al. | ECG-MAKE: An ECG signal delineation approach based on medical attribute knowledge extraction | |
| Strik et al. | Artificial intelligence for detection of ventricular oversensing: Machine learning approaches for noise detection within nonsustained ventricular tachycardia episodes remotely transmitted by pacemakers and implantable cardioverter-defibrillators | |
| Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
| Lv et al. | Arrhythmia Classification of Merged Features Method Based on SENet and BiLSTM |
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 |