CN116369936A - 一种心电信号处理方法、系统、装置及存储介质 - Google Patents

一种心电信号处理方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN116369936A
CN116369936A CN202310628018.5A CN202310628018A CN116369936A CN 116369936 A CN116369936 A CN 116369936A CN 202310628018 A CN202310628018 A CN 202310628018A CN 116369936 A CN116369936 A CN 116369936A
Authority
CN
China
Prior art keywords
matrix
signal
trend
solving
objective function
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.)
Granted
Application number
CN202310628018.5A
Other languages
English (en)
Other versions
CN116369936B (zh
Inventor
金欢欢
刘健
付洪兵
吴应平
肖晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Fenda Intelligent Technology Co ltd
Original Assignee
Shenzhen Fenda Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Fenda Intelligent Technology Co ltd filed Critical Shenzhen Fenda Intelligent Technology Co ltd
Priority to CN202310628018.5A priority Critical patent/CN116369936B/zh
Publication of CN116369936A publication Critical patent/CN116369936A/zh
Application granted granted Critical
Publication of CN116369936B publication Critical patent/CN116369936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Cardiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种心电信号处理方法、系统、装置及存储介质，心电信号处理方法通过将心电信号的原始数据划分为若干个信号段，提升了心电信号处理的实时性；通过构建多项式拟合模型，将心电信号原始数据的基线消除问题转化为求解趋势信号与信号段的长度之间的一元多次方程问题；通过根据多项式拟合模型构建第一矩阵和第二矩阵，并通过最小化目标函数基于QR分解求解得到一元多次方程的值，即趋势信号，从而在信号段的基础上去除趋势信号，实现了在不影响心电信号本身低频信号的基础上的基线消除，避免了ECG形态因心电信号处理发生变化，提升了ECG显示的准确性。同时QR分解算法具有较高的计算效率和稳定性，提升了心电信号处理的效率。

Description

一种心电信号处理方法、系统、装置及存储介质
技术领域
本申请涉及数据处理技术领域，尤其是一种心电信号处理方法、系统、装置及存储介质。
背景技术
心电图（ECG）是用于记录心脏电活动的图形，基于采集的心电信号提供能够反映心脏健康状况的重要信息。然而，采集到的心电信号往往会受到各种噪声和干扰的影响，如肌电干扰、运动干扰和呼吸干扰等，这些噪声和干扰会导致心电信号失真，从而影响ECG显示的准确性；此外，心电信号的基线会随着时间的推移而发生漂移，使得ECG形态发生变化。由于心电信号振幅较低且信号微弱，ECG形态变化的评估难度较大且十分耗时，并且现有的心电信号基线消除方法无法区分心电信号本身的低频信号，在去基线的同时会使ECG的形态发生变化。
发明内容
本申请的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本申请实施例提供了一种心电信号处理方法、系统、装置及存储介质，提升了心电信号处理的效率和准确性。
为了达到上述技术目的，本申请实施例所采取的技术方案包括：
一方面，本申请实施例提供了一种心电信号处理方法，包括以下步骤：
将采集到的心电信号的原始数据划分为若干个信号段，每个所述信号段中包括待确定的趋势信号和待确定的去趋势信号；
构建所述趋势信号与对应的所述信号段的长度之间的多项式拟合模型，所述多项式拟合模型为所述趋势信号与对应的所述信号段的长度之间的一元多次方程；
根据所述多项式拟合模型构建第一矩阵和第二矩阵，所述第一矩阵为所述信号段的长度和所述一元多次方程的次数构成的矩阵，所述第二矩阵为所述一元多次方程的各项系数构成的矩阵，所述第一矩阵和所述第二矩阵相乘得到各个所述趋势信号；
根据所述第一矩阵、所述第二矩阵和所述原始数据构建目标函数，所述目标函数的值为各个所述趋势信号与对应的各个所述信号段的数据之间误差的平方和；
通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号；
将各个所述信号段减去对应的所述趋势信号，得到各个所述去趋势信号，完成所述心电信号的处理。
另外，根据本申请上述实施例的一种心电信号处理方法，还可以具有以下附加的技术特征：
进一步地，本申请实施例的一种心电信号处理方法中，所述根据所述多项式拟合模型构建第一矩阵和第二矩阵，包括：
根据所述多项式拟合模型，获取所述趋势信号与所述信号段的长度的关系，所述关系为线性关系或者非线性关系；
根据所述关系确定所述一元多次方程的次数；
根据所述一元多次方程中各个所述信号段的长度和对应的次数构建所述第一矩阵，所述第一矩阵的行数与所述信号段的个数相等；
根据所述一元多次方程中的各项系数构建所述第二矩阵，所述第二矩阵的列数为1，行数与所述第一矩阵的列数相等。
进一步地，在本申请的一个实施例中，所述通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号，包括：
通过最小化所述目标函数，基于QR分解算法求解所述第二矩阵；
将所述第二矩阵与所述第一矩阵相乘得到各个所述趋势信号。
进一步地，在本申请的一个实施例中，所述通过最小化所述目标函数，基于QR分解算法求解所述第二矩阵，包括：
基于QR分解算法将所述第一矩阵分解为标准正交矩阵和上三角矩阵；
令所述目标函数的值为0，根据所述目标函数、所述标准正交矩阵和所述上三角矩阵得到所述第二矩阵的表达式；
求解所述第二矩阵的表达式，完成所述第二矩阵的求解。
进一步地，在本申请的一个实施例中，所述基于QR分解算法将所述第一矩阵分解为标准正交矩阵和上三角矩阵，包括：
采用初等变换将所述第一矩阵分解为所述标准正交矩阵和所述上三角矩阵，其中，所述标准正交矩阵由若干个标准正交向量组成，所述标准正交向量的个数与所述信号段的个数相等。
进一步地，在本申请的一个实施例中，所述求解所述第二矩阵的表达式，包括：
根据所述第一矩阵求解所述标准正交矩阵和所述上三角矩阵；
根据所述标准正交矩阵和所述上三角矩阵的求解结果以及各个所述信号段的数据求解所述第二矩阵的表达式。
进一步地，在本申请的一个实施例中，所述根据所述第一矩阵求解所述标准正交矩阵和所述上三角矩阵，包括：
根据所述第一矩阵的各个列向量构建若干个初等变换向量和对应的初等变换矩阵，所述初等变换向量和所述初等变换矩阵的个数与所述第一矩阵的列向量的个数相等；
统一各个所述初等变换矩阵的阶数，得到目标变换矩阵；
将各个所述目标变换矩阵相乘求得所述标准正交矩阵；
将各个所述目标变换矩阵以及所述第一矩阵相乘求得所述上三角矩阵。
另一方面，本申请实施例提出了一种心电信号处理系统，包括：
第一模块，用于将采集到的心电信号的原始数据划分为若干个信号段，每个所述信号段中包括待确定的趋势信号和待确定的去趋势信号；
第二模块，用于构建所述趋势信号与对应的所述信号段的长度之间的多项式拟合模型，所述多项式拟合模型为所述趋势信号与对应的所述信号段的长度之间的一元多次方程；
第三模块，用于根据所述多项式拟合模型构建第一矩阵和第二矩阵，所述第一矩阵为所述信号段的长度和所述一元多次方程的次数构成的矩阵，所述第二矩阵为所述一元多次方程的各项系数构成的矩阵，所述第一矩阵和所述第二矩阵相乘得到各个所述趋势信号；
第四模块，用于根据所述第一矩阵、所述第二矩阵和所述原始数据构建目标函数，所述目标函数的值为各个所述趋势信号与对应的各个所述信号段的数据之间误差的平方和；
第五模块，用于通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号；
第六模块，用于将各个所述信号段减去对应的所述趋势信号，得到各个所述去趋势信号，完成所述心电信号的处理。
另一方面，本申请实施例提供了一种心电信号处理装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现所述的一种心电信号处理方法。
另一方面，本申请实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现所述的一种心电信号处理方法。
本申请的优点和有益效果：
本申请实施例的心电信号处理方法，通过将心电信号的原始数据划分为若干个信号段，提升了心电信号处理的实时性；通过构建多项式拟合模型，将心电信号原始数据的基线消除问题转化为求解趋势信号与信号段的长度之间的一元多次方程问题；通过根据多项式拟合模型构建第一矩阵和第二矩阵，并通过最小化目标函数基于QR分解求解得到一元多次方程的值，即趋势信号，从而在信号段的基础上去除趋势信号，实现了在不影响心电信号本身低频信号的基础上的基线消除，避免了ECG形态因心电信号处理发生变化，提升了ECG显示的准确性。同时QR分解算法具有较高的计算效率和稳定性，提升了心电信号处理的效率。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本申请一种心电信号处理方法具体实施例的流程示意图；
图2为本申请一种心电信号处理系统具体实施例的结构示意图；
图3为本申请一种心电信号处理装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。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。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
心电信号往往会受到各种噪声和干扰的影响而失真，影响ECG显示的准确性。并且心电信号的基线会随着时间的推移而发生漂移，使得ECG形态发生变化。由于心电信号振幅较低且信号微弱，ECG形态变化的评估难度较大且十分耗时，并且现有的心电信号基线消除方法无法区分心电信号本身的低频信号，在去基线的同时会使ECG的形态发生变化。为此，本申请提出了一种心电信号处理方法、系统、装置及存储介质，通过将心电信号的原始数据划分为若干个信号段，提升了心电信号处理的实时性；通过构建多项式拟合模型，将心电信号原始数据的基线消除问题转化为求解趋势信号与信号段的长度之间的一元多次方程问题；通过根据多项式拟合模型构建第一矩阵和第二矩阵，并通过最小化目标函数基于QR分解求解得到一元多次方程的值，即趋势信号，从而在信号段的基础上去除趋势信号，实现了在不影响心电信号本身低频信号的基础上的基线消除，避免了ECG形态因心电信号处理发生变化，提升了ECG显示的准确性。同时QR分解算法具有较高的计算效率和稳定性，提升了心电信号处理的效率。
下面参照附图详细描述根据本申请实施例提出的一种心电信号处理方法、系统、装置及存储介质，首先将参照附图描述根据本申请实施例提出的一种心电信号处理方法。
参照图1，本申请实施例中提供一种心电信号处理方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例中的一种心电信号处理方法，包括以下步骤：
S101、将采集到的心电信号的原始数据划分为若干个信号段。
其中，每个信号段中包括待确定的趋势信号和待确定的去趋势信号。本申请实施例通过将采集的心电信号的原始数据划分为若干个信号段以进行后续的处理，提升了心电信号处理的实时性。
具体地，在一些实施例中，将采集到的心电信号的原始数据（input）划分为m个信号段，即
Figure SMS_1
。其中，每个信号段由去趋势信号和趋势信号组成，即/>
Figure SMS_2
，/>
Figure SMS_3
。
可以理解的是，本申请实施例通过对心电信号的原始数据进行信号段划分得到m个去趋势信号和对应的m个趋势信号，所有去趋势信号构成的序列为：
Figure SMS_4
所有趋势信号构成的序列为：
Figure SMS_5
可选地，在一些实施例中，本申请实施例采集到的心电信号为一段信号序列。
S102、构建趋势信号与对应的信号段的长度之间的多项式拟合模型。
其中，多项式拟合模型为趋势信号和信号段的长度之间的一元多次方程。本申请实施例通过构建多项式拟合模型，将心电信号原始数据的基线消除问题转化为求解趋势信号与信号段的长度之间的一元多次方程问题。
可选地，在一些实施例中，也可以构建趋势信号与其他对象之间的一元多次方程。
可选地，在一些实施例中，多项式拟合模型，即趋势信号和信号段的长度之间的一元多次方程可表示为：
Figure SMS_6
其中，
Figure SMS_7
表示一元多次方程的次数（最高次数），/>
Figure SMS_8
~/>
Figure SMS_9
表示一元多次方程的各项系数。
S103、根据多项式拟合模型构建第一矩阵和第二矩阵。
其中，第一矩阵为信号段的长度和一元多次方程的次数构成的矩阵，第二矩阵为一元多次方程的各项系数构成的矩阵，第一矩阵和第二矩阵相乘得到各个趋势信号。
可选地，在一些实施例中，第一矩阵的构建包括以下步骤：
1）根据多项式拟合模型，获取趋势信号与信号段的长度的关系，其中，关系为线性关系或者非线性关系；
可以理解的是，当
Figure SMS_10
时，趋势信号与信号段的长度之间满足一元三次方程，代表趋势信号与信号段的长度的关系为线性关系。
可选地，在一些实施例中，上述一元三次方程可表示为：
Figure SMS_11
当
Figure SMS_12
时，趋势信号与信号段的长度之间满足一元二次方程，代表趋势信号与信号段的长度的关系为非线性关系。
可选地，在一些实施例中，上述一元二次方程可表示为：
Figure SMS_13
当
Figure SMS_14
时，趋势信号与信号段的长度之间满足一元一次方程，代表趋势信号与信号段的长度的关系为线性关系。
可选地，在一些实施例中，上述一元一次方程可表示为：
Figure SMS_15
2）根据趋势信号与信号段的长度的关系确定一元多次方程的次数；
3）根据一元多次方程中各个信号段的长度和对应的次数构建第一矩阵，其中第一矩阵的行数与信号段的个数相等。
可以理解的是，第一矩阵为m行
Figure SMS_16
列的矩阵。
可选地，在一些实施例中，第一矩阵为：
Figure SMS_17
可选地，在一些实施例中，第二矩阵的构建具体包括：根据一元多次方程中的各项系数构建第二矩阵，其中第二矩阵的列数为1，行数与第一矩阵的列数相等。
可选地，在一些实施例中，第二矩阵为：
Figure SMS_18
第一矩阵和第二矩阵相乘得到各个趋势信号，趋势信号与信号段的长度之间的一元多次方程可表示为：
Figure SMS_19
S104、根据第一矩阵、第二矩阵和原始数据构建目标函数。
其中，目标函数的值为各个趋势信号与对应的各个信号段的数据之间误差的平方和。
根据步骤S103可知，在确定了一元多次方程的次数后，一元多次方程中还有两个未知参数，分别为趋势信号和第二矩阵。可以理解的是，第一矩阵为本申请实施例步骤S101通过对原始数据进行划分得到的信号段的长度以及步骤S103确定的一元多次方程的次数组成的矩阵，是已知参数。为了求解第二矩阵和趋势信号，本申请实施例通过构建目标函数，将求解第二矩阵的问题进一步转化为求解多项式系数的最小二乘问题，即通过最小化目标函数求取第二矩阵，从而能够求取趋势信号。
可选地，在一些实施例中，目标函数可表示为：
Figure SMS_20
其中，
Figure SMS_21
表示各个趋势信号与对应的各个信号段的数据之间误差的平方和。可以理解的是，目标函数的最小化即各个趋势信号与原始数据各个信号段之间误差的平方和最小化。
S105、通过最小化目标函数，基于QR分解算法求解得到各个趋势信号。
其中，根据步骤S104可知，通过最小化目标函数求解各个趋势信号，首先需要先求解第二矩阵。
可选地，在一些实施例中，步骤S105可以进一步划分为以下步骤：
步骤S1051、通过最小化目标函数，基于QR分解算法求解第二矩阵。
可以理解的是，QR分解算法即通过将矩阵分解成一个标准正交矩阵（Q）和一个上三角矩阵（R）的方法。在本申请的实施例中，同样采用Q代表标准正交矩阵，R代表上三角矩阵。QR分解算法具有较高的计算效率和稳定性，提升了心电信号处理的效率。
可选地，在一些实施例中，步骤S1051具体包括以下步骤：
1）基于QR分解算法将第一矩阵分解为标准正交矩阵和上三角矩阵。
可选地，在一些实施例中，采用初等变换（Householder变换）将第一矩阵分解为标准正交矩阵和上三角矩阵，其中，标准正交矩阵由若干个标准正交向量组成，标准正交向量的个数与信号段的个数相等。
具体地，在一些实施例中，m个标准正交向量
Figure SMS_22
中的所有标准正交向量/>
Figure SMS_23
满足：
Figure SMS_24
即当
Figure SMS_25
时，/>
Figure SMS_26
，表示标准正交向量/>
Figure SMS_27
为单位向量（长度为1）；当/>
Figure SMS_28
时，
Figure SMS_29
表示不同的标准正交向量/>
Figure SMS_30
之间是正交的。本申请实施例根据m个标准正交向量
Figure SMS_31
组成标准正交矩阵Q，标准正交矩阵Q满足：
Figure SMS_32
其中
Figure SMS_33
为单位矩阵。由此可知，标准正交矩阵Q是可逆的，即/>
Figure SMS_34
，标准正交矩阵Q的转置矩阵/>
Figure SMS_35
和逆矩阵/>
Figure SMS_36
之间的关系为：
Figure SMS_37
上三角矩阵R为非奇异上三角矩阵，标准正交矩阵Q和上三角矩阵R满足：
Figure SMS_38
Figure SMS_39
即标准正交矩阵是实数集
Figure SMS_40
上的m行m列矩阵，上三角矩阵R是实数集/>
Figure SMS_41
上的m行/>
Figure SMS_42
列矩阵。
由此可知，第一矩阵可表示为：
Figure SMS_43
可选地，在另一些实施例中，采用初等变换以外的其他QR分解算法求解第二矩阵，如格拉姆-施密特正交化算法（Gram-Schmidt算法）和吉文斯变换（Givens变换）。
2）令目标函数的值为0，根据目标函数、标准正交矩阵和上三角矩阵得到第二矩阵的表达式。
具体地，在一些实施例中，在求解最小二乘问题
Figure SMS_44
时，令目标函数的值为0，可得：
Figure SMS_45
根据步骤S1051中的步骤1）可知，标准正交矩阵Q的转置矩阵
Figure SMS_46
和逆矩阵/>
Figure SMS_47
之间的关系为/>
Figure SMS_48
，由此可得第二矩阵的表达式：
Figure SMS_49
3）求解第二矩阵的表达式，完成第二矩阵的求解。
根据第二矩阵的表达式可知，求解第二矩阵需要先根据第一矩阵求解标准正交矩阵Q和上三角矩阵R，然后再根据标准正交矩阵和上三角矩阵的求解结果以及各个信号段的数据求解第二矩阵的表达式。
具体地，在一些实施例中，根据第一矩阵求解标准正交矩阵Q和上三角矩阵R包括以下步骤：
a. 根据第一矩阵的各个列向量构建若干个初等变换向量和对应的初等变换矩阵。
其中，初等变换向量和初等变换矩阵的个数与第一矩阵的列向量的个数相等。
具体地，在本申请的实施例中，先提取第一矩阵
Figure SMS_50
中的所有列向量
Figure SMS_51
，其中：
Figure SMS_52
Figure SMS_53
Figure SMS_54
Figure SMS_55
Figure SMS_56
本申请实施例利用初等变换将
Figure SMS_57
变换成标准向量/>
Figure SMS_58
的常数倍，由此构建初等变换向量：
Figure SMS_59
相应的初等变换矩阵为：
Figure SMS_60
可以理解的是，
Figure SMS_61
经过一次初等变换（/>
Figure SMS_62
）后满足以下关系式：
Figure SMS_63
而第一矩阵
Figure SMS_64
经过一次初等变换后满足以下关系式：
Figure SMS_65
其中矩阵
Figure SMS_66
为第一矩阵经过一次初等变换后得到的矩阵。由于初等变换矩阵为自逆矩阵，即初等变换矩阵满足/>
Figure SMS_67
，由此可得/>
Figure SMS_68
。
本申请实施例将矩阵
Figure SMS_69
的右下角作为第一矩阵新的子矩阵/>
Figure SMS_70
，并对第一矩阵的其他列向量继续进行上述初等变换。
可以理解的是，通过上述初等变换过程可以得到一系列的初等变换向量即对应的初等变换矩阵
Figure SMS_71
，其中初等变换矩阵/>
Figure SMS_72
分别为/>
Figure SMS_73
。这一系列的初等变换矩阵与第一矩阵相乘运算表示不断将矩阵对角线以下的元素变为0，最终得到上三角矩阵R。
b. 统一各个初等变换矩阵的阶数，得到目标变换矩阵。
可以理解的是，步骤a中得到的一系列初等变换矩阵的阶数是不同的，因此本申请实施例需要对各个初等变换矩阵进行阶数统一。
可选地，在一些实施例中，通过在各个初等变换矩阵的对角线上补1，使各个初等变换矩阵的阶数为m行m列，得到目标变换矩阵，完成各个初等变换矩阵进行阶数统一。其中，目标变换矩阵可表示为：
Figure SMS_74
可以理解的是，目标变换矩阵
Figure SMS_75
与任何矩阵相乘都不会影响左上角的元素。
c. 将各个目标变换矩阵相乘求得标准正交矩阵。
根据步骤b可知，本申请实施例的标准正交矩阵Q满足以下关系式：
Figure SMS_76
由此可以求解得到标准正交矩阵Q。
d. 将各个目标变换矩阵以及第一矩阵相乘求得上三角矩阵。
根据步骤a和b可知，本申请实施例的上三角矩阵R满足以下关系式：
Figure SMS_77
由此可以求解得到上三角矩阵R。
本申请实施例完成对标准正交矩阵Q和上三角矩阵R的求解后，根据标准正交矩阵和上三角矩阵的求解结果以及各个信号段的数据求解第二矩阵的表达式
Figure SMS_78
，求解得到第二矩阵。
步骤S1052、将第二矩阵与第一矩阵相乘得到各个趋势信号。
根据步骤S103可知，本申请实施例求解得到第二矩阵后，将第二矩阵与第一矩阵相乘即可得到各个趋势信号。
S106、将各个信号段减去对应的趋势信号，得到各个去趋势信号，完成心电信号的处理。
根据步骤S101可知，心电信号的原始数据中每个信号段由去趋势信号和趋势信号组成，本申请实施例通过使各个信号段减去对应的趋势信号，即可得到各个信号段中的去趋势信号，实现了在不影响心电信号本身低频信号的基础上的基线消除，避免了ECG形态因心电信号处理发生变化，提升了ECG显示的准确性。
结合步骤S101-S106所述的一种心电信号处理方法可知，本申请实施例的心电信号处理方法通过将心电信号的原始数据划分为若干个信号段，提升了心电信号处理的实时性；通过构建多项式拟合模型，将心电信号原始数据的基线消除问题转化为求解趋势信号与信号段的长度之间的一元多次方程问题；通过根据多项式拟合模型构建第一矩阵和第二矩阵，并通过最小化目标函数基于QR分解求解得到一元多次方程的值，即趋势信号，从而在信号段的基础上去除趋势信号，实现了在不影响心电信号本身低频信号的基础上的基线消除，避免了ECG形态因心电信号处理发生变化，提升了ECG显示的准确性。同时QR分解算法具有较高的计算效率和稳定性，提升了心电信号处理的效率。
可以理解的是，步骤S101-S106所述的一种心电信号处理方法也可用于处理其他信号，实现其他信号的基线消除。
其次，参照附图描述根据本申请实施例提出的一种心电信号处理系统。
图2是本申请一个实施例的一种心电信号处理系统结构示意图。
系统具体包括：
第一模块201，用于将采集到的心电信号的原始数据划分为若干个信号段，每个信号段中包括待确定的趋势信号和待确定的去趋势信号；
第二模块202，用于构建趋势信号与对应的信号段的长度之间的多项式拟合模型，多项式拟合模型为趋势信号与对应的信号段的长度之间的一元多次方程；
第三模块203，用于根据多项式拟合模型构建第一矩阵和第二矩阵，第一矩阵为信号段的长度和一元多次方程的次数构成的矩阵，第二矩阵为一元多次方程的各项系数构成的矩阵，第一矩阵和第二矩阵相乘得到各个趋势信号；
第四模块204，用于根据第一矩阵、第二矩阵和原始数据构建目标函数，目标函数的值为各个趋势信号与对应的各个信号段的数据之间误差的平方和；
第五模块205，用于通过最小化目标函数，基于QR分解算法求解得到各个趋势信号；
第六模块206，用于将各个信号段减去对应的趋势信号，得到各个去趋势信号，完成心电信号的处理。
可见，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。
参照图3，本申请实施例提供了一种心电信号处理装置，包括：
至少一个处理器301；
至少一个存储器302，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器301执行时，使得所述至少一个处理器301实现步骤S101-S106所述的一种心电信号处理方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置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。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现步骤S101-S106所述的一种心电信号处理方法。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统）使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请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 (10)

1.一种心电信号处理方法，其特征在于，包括以下步骤：
将采集到的心电信号的原始数据划分为若干个信号段，每个所述信号段中包括待确定的趋势信号和待确定的去趋势信号；
构建所述趋势信号与对应的所述信号段的长度之间的多项式拟合模型，所述多项式拟合模型为所述趋势信号与对应的所述信号段的长度之间的一元多次方程；
根据所述多项式拟合模型构建第一矩阵和第二矩阵，所述第一矩阵为所述信号段的长度和所述一元多次方程的次数构成的矩阵，所述第二矩阵为所述一元多次方程的各项系数构成的矩阵，所述第一矩阵和所述第二矩阵相乘得到各个所述趋势信号；
根据所述第一矩阵、所述第二矩阵和所述原始数据构建目标函数，所述目标函数的值为各个所述趋势信号与对应的各个所述信号段的数据之间误差的平方和；
通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号；
将各个所述信号段减去对应的所述趋势信号，得到各个所述去趋势信号，完成所述心电信号的处理。
2.根据权利要求1所述的一种心电信号处理方法，其特征在于，所述根据所述多项式拟合模型构建第一矩阵和第二矩阵，包括：
根据所述多项式拟合模型，获取所述趋势信号与所述信号段的长度的关系，所述关系为线性关系或者非线性关系；
根据所述关系确定所述一元多次方程的次数；
根据所述一元多次方程中各个所述信号段的长度和对应的次数构建所述第一矩阵，所述第一矩阵的行数与所述信号段的个数相等；
根据所述一元多次方程中的各项系数构建所述第二矩阵，所述第二矩阵的列数为1，行数与所述第一矩阵的列数相等。
3.根据权利要求1所述的一种心电信号处理方法，其特征在于，所述通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号，包括：
通过最小化所述目标函数，基于QR分解算法求解所述第二矩阵；
将所述第二矩阵与所述第一矩阵相乘得到各个所述趋势信号。
4.根据权利要求3所述的一种心电信号处理方法，其特征在于，所述通过最小化所述目标函数，基于QR分解算法求解所述第二矩阵，包括：
基于QR分解算法将所述第一矩阵分解为标准正交矩阵和上三角矩阵；
令所述目标函数的值为0，根据所述目标函数、所述标准正交矩阵和所述上三角矩阵得到所述第二矩阵的表达式；
求解所述第二矩阵的表达式，完成所述第二矩阵的求解。
5.根据权利要求4所述的一种心电信号处理方法，其特征在于，所述基于QR分解算法将所述第一矩阵分解为标准正交矩阵和上三角矩阵，包括：
采用初等变换将所述第一矩阵分解为所述标准正交矩阵和所述上三角矩阵，其中，所述标准正交矩阵由若干个标准正交向量组成，所述标准正交向量的个数与所述信号段的个数相等。
6.根据权利要求5所述的一种心电信号处理方法，其特征在于，所述求解所述第二矩阵的表达式，包括：
根据所述第一矩阵求解所述标准正交矩阵和所述上三角矩阵；
根据所述标准正交矩阵和所述上三角矩阵的求解结果以及各个所述信号段的数据求解所述第二矩阵的表达式。
7.根据权利要求6所述的一种心电信号处理方法，其特征在于，所述根据所述第一矩阵求解所述标准正交矩阵和所述上三角矩阵，包括：
根据所述第一矩阵的各个列向量构建若干个初等变换向量和对应的初等变换矩阵，所述初等变换向量和所述初等变换矩阵的个数与所述第一矩阵的列向量的个数相等；
统一各个所述初等变换矩阵的阶数，得到目标变换矩阵；
将各个所述目标变换矩阵相乘求得所述标准正交矩阵；
将各个所述目标变换矩阵以及所述第一矩阵相乘求得所述上三角矩阵。
8.一种心电信号处理系统，其特征在于，包括：
第一模块，用于将采集到的心电信号的原始数据划分为若干个信号段，每个所述信号段中包括待确定的趋势信号和待确定的去趋势信号；
第二模块，用于构建所述趋势信号与对应的所述信号段的长度之间的多项式拟合模型，所述多项式拟合模型为所述趋势信号与对应的所述信号段的长度之间的一元多次方程；
第三模块，用于根据所述多项式拟合模型构建第一矩阵和第二矩阵，所述第一矩阵为所述信号段的长度和所述一元多次方程的次数构成的矩阵，所述第二矩阵为所述一元多次方程的各项系数构成的矩阵，所述第一矩阵和所述第二矩阵相乘得到各个所述趋势信号；
第四模块，用于根据所述第一矩阵、所述第二矩阵和所述原始数据构建目标函数，所述目标函数的值为各个所述趋势信号与对应的各个所述信号段的数据之间误差的平方和；
第五模块，用于通过最小化所述目标函数，基于QR分解算法求解得到各个所述趋势信号；
第六模块，用于将各个所述信号段减去对应的所述趋势信号，得到各个所述去趋势信号，完成所述心电信号的处理。
9.一种心电信号处理装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种心电信号处理方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种心电信号处理方法。
CN202310628018.5A 2023-05-31 2023-05-31 一种心电信号处理方法、系统、装置及存储介质 Active CN116369936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310628018.5A CN116369936B (zh) 2023-05-31 2023-05-31 一种心电信号处理方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310628018.5A CN116369936B (zh) 2023-05-31 2023-05-31 一种心电信号处理方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116369936A true CN116369936A (zh) 2023-07-04
CN116369936B CN116369936B (zh) 2023-10-03

Family

ID=86971366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310628018.5A Active CN116369936B (zh) 2023-05-31 2023-05-31 一种心电信号处理方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116369936B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101404928A (zh) * 2006-03-21 2009-04-08 皇家飞利浦电子股份有限公司 用户状况的指示
CN102608915A (zh) * 2012-01-17 2012-07-25 中冶南方工程技术有限公司 基于工具变量iv法的结晶器arx模型辨识方法
US20120239104A1 (en) * 2011-03-16 2012-09-20 Pacesetter, Inc. Method and system to correct contractility based on non-heart failure factors
JP2015143619A (ja) * 2014-01-31 2015-08-06 株式会社デンソーウェーブ 距離測定装置
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
US20170186093A1 (en) * 2015-12-23 2017-06-29 Aetna Inc. Resource allocation
US20200163585A1 (en) * 2017-08-11 2020-05-28 Restech S.R.L. Method for the early identification of recurrences of chronic obstructive pulmonary disease
CN111835360A (zh) * 2020-07-14 2020-10-27 山东省人工智能研究院 一种基于基追踪去噪的稀疏信号重构方法
US20210019564A1 (en) * 2019-07-17 2021-01-21 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for optimizing tag of point of interest
US20210332124A1 (en) * 2018-04-20 2021-10-28 Janssen Biotech, Inc. Chromatography column qualification in manufacturing methods for producing anti-il12/il23 antibody compositions
US20220061790A1 (en) * 2018-10-29 2022-03-03 Oxford University Innovation Limited Radiomic signature of an epicardial region

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101404928A (zh) * 2006-03-21 2009-04-08 皇家飞利浦电子股份有限公司 用户状况的指示
US20120239104A1 (en) * 2011-03-16 2012-09-20 Pacesetter, Inc. Method and system to correct contractility based on non-heart failure factors
CN102608915A (zh) * 2012-01-17 2012-07-25 中冶南方工程技术有限公司 基于工具变量iv法的结晶器arx模型辨识方法
JP2015143619A (ja) * 2014-01-31 2015-08-06 株式会社デンソーウェーブ 距離測定装置
US20170186093A1 (en) * 2015-12-23 2017-06-29 Aetna Inc. Resource allocation
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
US20200163585A1 (en) * 2017-08-11 2020-05-28 Restech S.R.L. Method for the early identification of recurrences of chronic obstructive pulmonary disease
US20210332124A1 (en) * 2018-04-20 2021-10-28 Janssen Biotech, Inc. Chromatography column qualification in manufacturing methods for producing anti-il12/il23 antibody compositions
US20220061790A1 (en) * 2018-10-29 2022-03-03 Oxford University Innovation Limited Radiomic signature of an epicardial region
US20210019564A1 (en) * 2019-07-17 2021-01-21 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for optimizing tag of point of interest
CN111835360A (zh) * 2020-07-14 2020-10-27 山东省人工智能研究院 一种基于基追踪去噪的稀疏信号重构方法

Also Published As

Publication number Publication date
CN116369936B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
Huang et al. Iterative weighted sparse representation for X‐ray cardiovascular angiogram image denoising over learned dictionary
CN108765322B (zh) 图像去噪方法及装置
Selesnick Sparsity-assisted signal smoothing
CN110782406B (zh) 一种基于信息蒸馏网络的图像去噪方法及装置
US20240161251A1 (en) Image denoising method and apparatus based on wavelet high-frequency channel synthesis
CN111982489B (zh) 选择集成的改进局部特征分解的微弱故障特征提取方法
Roonizi et al. Improved smoothness priors using bilinear transform
Liu Hybrid higher‐order total variation model for multiplicative noise removal
CN116369936B (zh) 一种心电信号处理方法、系统、装置及存储介质
CN113327205B (zh) 基于卷积神经网络的相位去噪方法
Singh et al. Accuracy and numerical stability of high-order polar harmonic transforms
Wei et al. Generalized sampling of graph signals with the prior information based on graph fractional Fourier transform
CN112101089B (zh) 信号降噪方法、装置、电子设备及存储介质
Babapour et al. AFISTA: Accelerated FISTA for sparse signal recovery and compressive sensing
Chen et al. Deep physics-guided unrolling generalization for compressed sensing
CN108846430B (zh) 一种基于多原子字典的图像信号的稀疏表示方法
CN114118177B (zh) 一种基于奇异谱分析的位平面降噪方法、系统及存储介质
Nagar et al. Orthogonal features-based eeg signal denoising using fractionally compressed autoencoder
Rebollo-Neira et al. Analysis of the self projected matching pursuit algorithm
CN109582917A (zh) 一种基于ssa的信号去噪方法、装置、终端设备及存储介质
CN111803060B (zh) 一种心电伪迹信号去除方法及装置
Gou et al. Image super‐resolution based on the pairwise dictionary selected learning and improved bilateral regularisation
Ibrahim et al. A fast learning algorithm for Gabor transformation
Bozzini et al. Polyharmonic splines: An approximation method for noisy scattered data of extra-large size
CN116993629B (zh) 基于图像分解的平滑方法、装置、电子设备及存储介质

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