CN117357130A - 基于人工智能的心电图数字化曲线分割方法 - Google Patents
基于人工智能的心电图数字化曲线分割方法 Download PDFInfo
- Publication number
- CN117357130A CN117357130A CN202311667326.5A CN202311667326A CN117357130A CN 117357130 A CN117357130 A CN 117357130A CN 202311667326 A CN202311667326 A CN 202311667326A CN 117357130 A CN117357130 A CN 117357130A
- Authority
- CN
- China
- Prior art keywords
- point
- original
- data
- qrs
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 193
- 230000008859 change Effects 0.000 claims abstract description 99
- 238000000718 qrs complex Methods 0.000 claims abstract description 47
- 238000012216 screening Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000005242 cardiac chamber Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101100289061 Drosophila melanogaster lili gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及QRS波群识别技术领域,具体涉及基于人工智能的心电图数字化曲线分割方法。该方法获取QRS模板在每个采样间隔下原始特征点的采样特征点,根据原始特征点与每种采样间隔下采样特征点的差异,基于获取QRS模板中原始特征点在每种采样间隔下数据变化度与趋势变化度对QRS模板进行调整,从历史心电图中筛选出QRS波群,进行心电图数字曲线分割。本发明根据QRS模板在不同采样间隔下数值变化与趋势变化规律对QRS模板中的数据点进行调整,使模板中数据适应多种采样间隔处理,提高心电图数字化曲线分割的准确性。
Description
技术领域
本发明QRS波群识别技术领域,具体涉及基于人工智能的心电图数字化曲线分割方法。
背景技术
心电图中不同波段的波动呈现心脏不同部位情况,为了对心脏不同部位情况进行判断,需将心电图中不同波段进行分割。心电图的数字化曲线分割是指将心电图信号中的不同波形部分(如P波、QRS波群和T波)从原始信号中进行分离和提取的过程。
心电图信号在不同采样情况下表现出不同的形态和波状特征,现有的模板匹配法仅通过一个固定的QRS模板无法适用多种采样情况,容易导致QRS波群识别不准确,使心电图中QRS波段相关数据出现误差,降低心电图的数字化曲线分割的准确性。
发明内容
为了解决模板匹配算法中一个固定模板无法适应多种采样情况,导致心电图数据化曲线分割不准确的技术问题,本发明的目的在于提供一种基于人工智能的心电图数字化曲线分割方法,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的心电图数字化曲线分割方法,该方法包括:
基于每个时刻的心电数据值获取QRS模板;从QRS模板的数据点中选取预设第一值个原始特征点;分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到每种采样间隔下QRS模板中每个原始特征点对应的采样特征点;
根据QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,获取QRS模板中每个原始特征点在每种采样间隔下的数据变化度;
依据QRS模板中每个原始特征点与其相邻时刻的数据点的心电数据值之间的差异,获取QRS模板中每个原始特征点的倾斜特征值;根据QRS模板在每种采样间隔下的采样特征点与其相邻时刻的心电数据值的差异,和该采样特征点对应的原始特征点的倾斜特征值之间的差值,获取QRS模板中每个原始特征点在每种采样间隔下的趋势变化度;
基于所述数据变化度与所述趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点;将QRS模板的最终调整点与获取的历史心电图中每个时刻的心电数据值进行匹配,从历史心电图中筛选出QRS波群;
至少基于筛选出的QRS波群对历史心电图中的波段进行分割。
进一步地,所述QRS模板的获取方法,包括:
所述QRS模板为预设标准QRS波群,预设标准QRS波群包括由每个时刻的心电数据值构成的数据点。
进一步地,所述每种采样间隔下QRS模板中每个原始特征点对应的采样特征点的获取方法,包括:
分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到QRS模板中每种采样间隔下的采样数据点;
对于QRS模板中每个原始特征点,获取原始特征点分别与QRS模板在每种采样间隔下的每个采样数据点之间的时间间隔,将每种采样间隔下的最小的时间间隔对应的所述采样数据点作为原始特征点在每种采样间隔下的采样特征点。
进一步地,所述数据变化度的获取方法,包括:
将QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差值绝对值进行归一化,得到QRS模板中每个原始特征点在每种采样间隔下的数据变化度。
进一步地,所述倾斜特征值的获取方法,包括:
以时间为横轴,心电数据值为纵轴建立二维坐标系;将QRS模板中数据点在所述二维坐标系中进行标注得到数据坐标点;将QRS模板中原始特征点在二维坐标系中对应的数据坐标点作为原始坐标点;
对于任意一个原始坐标点,判断原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点是否共线,若是,将原始坐标点的斜率作为原始坐标点对应的原始特征点的倾斜特征值;若否,获取原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点形成的圆,将该圆上原始坐标点的切线斜率作为原始坐标点对应原始特征点的倾斜特征值。
进一步地,所述趋势变化度的获取方法,包括:
获取每种采样间隔下QRS模板中每个采样特征点的斜率;
将QRS模板中每个原始特征点的倾斜特征值与每种采样间隔下对应的采样特征点的斜率之间的差值,作为QRS模板中每个原始特征点在每种采样间隔下的倾斜差值;将所述倾斜差值进行归一化,作为QRS模板中每个原始特征点在每种采样间隔下的趋势变化度。
进一步地,所述基于所述数据变化度与所述趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点的获取方法,包括:
基于QRS模板中所有采样间隔下的数据变化度对原始特征点的心电数据值进行调整,获取QRS模板中每个原始特征点的调整心电值;基于QRS模板中所有采样间隔下的趋势变化度对原始特征点的倾斜特征值进行调整,获取QRS模板中每个原始特征点的调整倾斜度;
将QRS模板中每个原始特征点对应时刻的调整心电值的数据点作为QRS模板中每个原始特征点对应的初始调整点;
结合QRS模板中每个原始特征点的调整倾斜度对原始特征点对应的初始调整点进行曲线拟合得到调整曲线;将QRS模板中每个时刻在调整曲线上对应的数据点作为QRS模板的最终调整点。
进一步地,所述原始特征点的调整心电值的获取方法,包括:
将QRS模板中每个原始特征点在所有采样间隔下的数据变化度的均值,作为QRS模板中每个原始特征点的综合数据变化特征值;
对于QRS模板中每个原始特征点,将常数1与原始特征点的综合数据变化特征值的差值,作为原始特征点的数据调整系数,将所述数据调整系数与原始特征点的心电数据值的乘积,作为原始特征点的调整心电值。
进一步地,所述原始特征点的调整倾斜度的获取方法,包括:
将QRS模板中每个原始特征点在所有采样间隔下的趋势变化度的均值,作为QRS模板中每个原始特征点的综合趋势变化特征值;
对于QRS模板中每个原始特征点,将常数1与原始特征点的综合趋势变化特征值的差值,作为原始特征点的趋势调整系数,将所述趋势调整系数与原始特征点的倾斜特征值的乘积,作为原始特征点的调整倾斜度。
进一步地,所述从历史心电图中筛选出QRS波群的方法,包括:
以长度为预设模板长值,宽度为1的滑窗对历史心电图内所有时刻的心电数据值进行遍历,将滑窗内的心电数据值按照时间顺序排列,得到历史心电数据序列;
将QRS模板中每个时刻的最终调整点的心电数据值按照时间顺序排列,得到模板心电数据序列;
利用DTW算法将模板心电数据序列分别与每个历史心电数据序列进行匹配,得到每个历史心电数据序列的DTW值;将DTW值最小的历史心电数据序列作为历史心电图的QRS波群。
本发明具有如下有益效果:
本发明实施例中,在不同采样间隔下QRS模板中特征点的相关数据存在误差,为了消除误差,以多种采样间隔对QRS模板中数据点进行采样得到每种采样间隔下QRS模板中原始特征点的采样特征点,通过比较QRS模板中原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,呈现QRS模板中原始特征点在不同采样间隔下数值变化规律;获取的倾斜特征值体现QRS模板中原始特征点的趋势,并与对应的采样特征点的趋势之间的差异呈现QRS模板中原始特征点在不同采样间隔下趋势变化规律;结合每种采样间隔下的数据变化度与趋势变化度对QRS模板进行调整,使得QRS模板中最终调整点适合多种采样情况,排除了不同采样间隔对匹配结果的影响,使历史心电图中筛选的QRS波群更加准确,提高心电图的数字化曲线分割的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的心电图数字化曲线分割方法的方法流程图;
图2为本发明一个实施例所提供的QRS模板示意图。
具体实施方式
基于人工智能的心电图数字化曲线分割方法实施例:
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的心电图数字化曲线分割方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的具体场景:在进行心电图数字化曲线分割时,由于心电图信号可能在不同的情况下表现出不同的形态和波形特征,因此仅凭一个固定的模板可能无法适应所有情况,需要调整模板或者使用多个模板来适应不同的心电图信号,这不仅对人工有一定要求,同时分割所需时间也更多。本发明通过分析不同采样间隔下QRS波群模板特征点的数值以及趋势变化规律来对QRS模板进行调整,实现对QRS波群的分割。
下面结合附图具体的说明本发明所提供的一种基于人工智能的心电图数字化曲线分割方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的心电图数字化曲线分割方法的方法流程图,该方法包括:
步骤S1:基于每个时刻的心电数据值获取QRS模板;从QRS模板的数据点中选取预设第一值个原始特征点;分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到每种采样间隔下QRS模板中每个原始特征点对应的采样特征点。
基于每个时刻的心电数据值获取QRS模板,QRS模板为预设标准QRS波群,预设标准QRS波群包括由每个时刻的心电数据值构成的数据点。需要说明的是,从正常变化的QRS波群中任意选取一个QRS波群作为预设标准QRS波群,预设标准QRS波群中每个时刻的心电数据值为预设标准QRS波群中每个时刻的电压。
从QRS模板中选取预设第一值个原始特征点呈现预设标准QRS波群的波动趋势变化。本发明实施例中预设第一值取经验值9,实施者可根据实际情况自行设置。图2为本发明一个实施例所提供的QRS模板示意图,如图2所示,图2中点A、点B、点C、点D、点E、点F、点G、点H与点I为QRS模板的原始特征点。需要注意的是,原始特征点不能选取QRS模板中第一个时刻的数据点与最后一时刻的数据点。
由于心电图信号可能在不同情况下表现出不同的形态和波形特征,仅凭一个固定的模板可能无法适应所有情况,需要调整模板或者使用多个模板来适应不同的心电图信号。本发明实施例通过分析QRS模板在不同采样间隔下的心电数据值以及趋势的变化规律,对QRS模板进行调整以达到适应更多心电图的目的,因此分别以多种采样间隔对QRS模板中的数据点进行采样,获取每种采样间隔下的采样特征点。具体如下:
分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到QRS模板中每种采样间隔下的采样数据点;对于QRS模板中每个原始特征点,获取原始特征点分别与QRS模板在每种采样间隔下的每个采样数据点之间的时间间隔,将每种采样间隔下的最小的时间间隔对应的采样数据点作为原始特征点在每种采样间隔下的采样特征点。
已知QRS波群的持续时间约为70ms-110ms,本发明实施例分别以1ms、2ms、3ms、4ms、5ms、6ms与7ms七种时间间隔对QRS模板中的数据点进行采样,得到QRS模板中每种采样间隔下的采样数据点。本发明实施例中预设第二值取经验值7,实施者可根据实际情况自行设定。需要说明的是,QRS模板中每种时间间隔下的采样数据点的数量大于QRS模板中原始特征点的数量;每种采样间隔下QRS模板中采样特征点的数量等于QRS模板中原始特征点的数量。
步骤S2:根据QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,获取QRS模板中每个原始特征点在每种采样间隔下的数据变化度。
QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,呈现QRS模板中原始特征点在不同采样间隔下心电数据值的突变情况。
优选地,数据变化度的具体获取方法为:将QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差值绝对值进行归一化,得到QRS模板中每个原始特征点在每种采样间隔下的数据变化度。
QRS模板中每个原始特征点在每种采样间隔下的数据变化度的计算公式可以具体例如为:
式中,为QRS模板中第i个原始特征点在第a种采样间隔下的数据变化度;/>为QRS模板中第i个原始特征点的心电数据值;/>为第a种采样间隔下第i个采样特征点的心电数据值;exp为以自然常数e为底数的指数函数;/>为绝对值函数。
需要说明的是,当越大时,说明QRS模板中原始特征点在每种时间间隔下的心电数据值的变化程度越大,则QRS模板中原始特征点的心电数据值在不同采样间隔下出现突变的可能性越大,数据变化度/>越大。
在本发明实施例中也可以选用其他对QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差值绝对值进行归一化的方法,例如函数转化、最大最小规范化、Sigmoid函数等归一化方法,在此不做限定。
步骤S3:依据QRS模板中每个原始特征点与其相邻时刻的数据点的心电数据值之间的差异,获取QRS模板中每个原始特征点的倾斜特征值;根据QRS模板在每种采样间隔下的采样特征点与其相邻时刻的心电数据值的差异,和该采样特征点对应的原始特征点的倾斜特征值之间的差值,获取QRS模板中每个原始特征点在每种采样间隔下的趋势变化度。
通过QRS模板中原始特征点与其相邻时刻的数据点的心电数据点值之间的差异获取的倾斜特征值,呈现原始特征点的心电数据值的变化程度。
优选地,倾斜特征值的具体获取方法为:以时间为横轴,心电数据值为纵轴建立二维坐标系;将QRS模板中数据点在二维坐标系中进行标注得到数据坐标点;将QRS模板中原始特征点在二维坐标系中对应的数据坐标点作为原始坐标点;对于任意一个原始坐标点,判断原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点是否共线,若是,将原始坐标点的斜率作为原始坐标点对应的原始特征点的倾斜特征值;若否,获取原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点形成的圆,将该圆上原始坐标点的切线斜率作为原始坐标点对应原始特征点的倾斜特征值。
作为一个示例,本发明实施例通过特征点的斜率变化表现特征点的趋势变化。以QRS模板中第b个原始特征点在二维坐标系中对应的原始坐标点为例进行分析,原始坐标点/>的前一时刻的数据坐标点与后一时刻的数据坐标点依次为/>(m,M),/>(n,N),其中,/>。
判断原始坐标点、/>(m,M)与/>(n,N)是否共线。本发明实施例提供如下判断/>、/>(m,M)与/>(n,N)共线的方法:
,若/>,/>、/>(m,M)与/>(n,N)三个数据坐标点共线,将原始坐标点/>的斜率作为QRS模板中第b个原始特征点的倾斜特征值L。若/>,说明QRS模板中第b个原始特征点位于斜率渐变区域,例如:在图2中点A、点C、点E与点G均位于QRS模板中的斜率渐变区域,曲线上点的切线斜率能更加全面地呈现趋势变化,将/>的切线斜率作为QRS模板中第b个原始特征点的倾斜特征值具体计算过程为:
以、/>(m,M)与/>(n,N)形成圆,其圆心坐标/>,其中,,。将圆上原始坐标点/>的切线斜率/>作为QRS模板中第b个原始特征点的倾斜特征值L。
其中,三点共线的判断方法,三点形成圆与圆上点的切线斜率的获取方法为本领域技术人员公知技术,在此不再赘述。
QRS模板中原始特征点与每种采样间隔下对应的采样特征点的趋势变化之间的差异,呈现QRS模板中原始特征点在不同采样间隔下数值趋势突变情况。
优选地,趋势变化度的具体获取方法为:获取每种采样间隔下QRS模板中每个采样特征点的斜率;将QRS模板中每个原始特征点的倾斜特征值与每种采样间隔下对应的采样特征点的斜率之间的差值进行归一化,作为QRS模板中每个原始特征点在每种采样间隔下的趋势变化度。
获取每种采样间隔下QRS模板中每个采样特征点的斜率。将QRS模板中每个原始特征点的倾斜特征值与每种采样间隔下对应的采样特征点的斜率之间的差值,作为QRS模板中每个原始特征点在每种采样间隔下的倾斜差值K。本发明选用离差标准化的变式对倾斜差值K归一化处理,使QRS模板中原始特征点在每种采样间隔下的趋势变化度的取值范围为[-1,1]。其中,斜率的获取方法为本领域技术人员公知技术,在此不再赘述。
QRS模板中每个原始特征点在每种采样间隔下的趋势变化度的计算公式如下:
式中,为QRS模板中第i个原始特征点在第a种采样间隔下的趋势变化度;/>为QRS模板中第i个原始特征点在第a种采样间隔下的倾斜差值;/>为QRS模板中原始特征点在采样间隔下的倾斜差值中的最小值;/>为QRS模板中原始特征点在采样间隔下的倾斜差值中的最大值。
需要说明的是,当倾斜差值越小或者越大时,QRS模板中原始特征点在每种时间间隔的趋势变化程度差异越大,则趋势变化度/>越接近-1或者1;当倾斜差值/>越接近QRS模板中原始特征点在采样间隔下的倾斜差值的均值时,说明QRS模板中原始特征点在每种时间间隔的趋势变化程度差异越小,则趋势变化度/>越接近0。
至此,获得QRS模板中每个原始特征点在每种时间间隔下的数据变化度与趋势变化度。
步骤S4:基于数据变化度与趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点;将QRS模板的最终调整点与获取的历史心电图中每个时刻的心电数据值进行匹配,从历史心电图中筛选出QRS波群。
通过分析QRS模板中原始特征点在不同采样间隔下数值变化程度以及趋势变化程度,得到QRS模板每个特征点在不同采样间隔下的突变情况,基于突变情况对QRS模板中数据点进行调整得到最终调整点。
优选地,QRS模板中的最终调整点的获取方法为:基于QRS模板中所有采样间隔下的数据变化度对原始特征点的心电数据值进行调整,获取QRS模板中每个原始特征点的调整心电值;基于QRS模板中所有采样间隔下的趋势变化度对原始特征点的倾斜特征值进行调整,获取QRS模板中每个原始特征点的调整倾斜度;将QRS模板中每个原始特征点对应时刻的调整心电值的数据点作为QRS模板中每个原始特征点对应的初始调整点;结合QRS模板中每个原始特征点的调整倾斜度对原始特征点对应的初始调整点进行曲线拟合得到调整曲线;将QRS模板中每个时刻在调整曲线上对应的数据点作为QRS模板的最终调整点。
将QRS模板中每个原始特征点在所有采样间隔下的数据变化度的均值,作为QRS模板中每个原始特征点的综合数据变化特征值;对于QRS模板中每个原始特征点,将常数1与原始特征点的综合数据变化特征值的差值,作为原始特征点的数据调整系数,将所述数据调整系数与原始特征点的心电数据值的乘积,作为原始特征点的调整心电值。
将QRS模板中每个原始特征点在所有采样间隔下的趋势变化度的均值,作为QRS模板中每个原始特征点的综合趋势变化特征值;对于QRS模板中每个原始特征点,将常数1与原始特征点的综合趋势变化特征值的差值,作为原始特征点的趋势调整系数,将所述趋势调整系数与原始特征点的倾斜特征值的乘积,作为原始特征点的调整倾斜度。
QRS模板中每个原始特征点的调整心电值与调整倾斜值的计算公式如下:
式中,为QRS模板中第i个原始特征点的调整心电值;/>为QRS模板中第i个原始特征点的综合数据变化特征值;/>为QRS模板中第i个原始特征点的数据调整系数;/>为QRS模板中第i个原始特征点的心电数据值;/>为QRS模板中第i个原始特征点的调整倾斜度;/>为QRS模板中第i个原始特征点的综合趋势变化特征值;/>为QRS模板中第i个原始特征点的趋势调整系数;/>为QRS模板中第i个原始特征点的倾斜特征值。
需要说明的是,当综合数据变化特征值越小时,说明QRS模板中原始特征点在不同采样间隔下的心电数据值变化程度越小,则需对QRS模板中原始特征点的心电数据值调整的程度越小,即原始特征点的调整心电值/>越接近心电数据值/>;当综合数据变化值越接近0时,说明QRS模板中原始特征点在不同采样间隔下趋势变化程度越小,则原始特征点的调整倾斜度/>越接近倾斜特征值/>;当综合数据变化值/>越接近1时,说明原始特征点的趋势变化程度大于该原始特征点对应的采样特征点的趋势变化程度,则需对QRS模板中原始特征点的倾斜特征值调小,调整倾斜度/>越小;当综合数据变化值/>越接近-1时,说明原始特征点的趋势变化程度小于该原始特征点对应的采样特征点的趋势变化程度,则需对QRS模板中原始特征点的倾斜特征值调大,调整倾斜度/>越大。
对QRS模板进行初次调整:将QRS模板中每个原始特征点对应时刻的调整心电值的数据点作为QRS模板中每个原始特征点对应的初始调整点,即将QRS模板中原始特征点的心电数据值减小得到初始调整点。需要说明的是,采样间隔的选取保证了QRS模板中原始特征点的心电数据值向下变化,即原始特征点的心电数据值大于该原始特征点对应的初始调整点的心电数据值。
对QRS模板进行第二次调整:结合QRS模板中每个原始特征点的调整倾斜度对原始特征点对应的初始调整点选用最小二乘法进行曲线拟合得到调整曲线。调整倾斜度的作用是在对QRS模板中的初始调整点进行曲线拟合时,对初始调整点拟合的倾斜程度进行调整,使位于QRS模板中斜率渐变区域的特征点的倾斜程度更加准确。将QRS模板中每个时刻在调整曲线上对应的数据点作为QRS模板的最终调整点。其中,最小二乘法为本领域技术人员公知技术,在此不再赘述。
获取历史心电图,由于本发明仅针对一个心电周期中不同类型的波行进行分割,则历史心电图包含一个心电周期,且历史心电图包括每个时刻的心电数据值。将QRS模板中最终调整点与历史心电图中数据点进行匹配,筛选出历史心电图中的QRS波群。
以长度为预设模板长值,宽度为1的滑窗对历史心电图内所有时刻的心电数据值进行遍历,将滑窗内的心电数据值按照时间顺序排列,得到历史心电数据序列;将QRS模板中每个时刻的最终调整点的心电数据值按照时间顺序排列,得到模板心电数据序列;利用DTW算法将模板心电数据序列分别与每个历史心电数据序列进行匹配,得到每个历史心电数据序列的DTW值;将DTW值最小的历史心电数据序列作为历史心电图的QRS波群。
需要说明的是,历史心电数据序列内元素的数量等于模板心电数据序列内元素的数量。历史心电数据序列的DTW值呈现历史心电数据序列中元素与模板心电数据序列之间的相似度,DTW值越小的历史心电数据序列与模板心电数据序列越相似,越符合标准的QRS波群分布。其中,动态时间规整算法(Dynamic Time Warping,DTW)为本领域技术人员公知技术,在此不再赘述。
其中,预设模板长值取决于QRS波群的长度,本发明实施例中预设模板长值取经验值110ms,实施者可根据具体情况设置。
在本发明其他实施例中可以选用其他计算历史心电数据序列与模板心电数据序列之间相似度的方法,例如欧几里得距离与余弦相似度等。
至此,从历史心电图中筛选出QRS波群。
步骤S5:至少基于筛选出的QRS波群对历史心电图中的波段进行分割。
在本发明实施例中,步骤S4中筛选出历史心电图中的QRS波群,将历史心电图的开始数据点与QRS波群开始的数据点之间的数据点作为P波与PR波的混合波段,将QRS波群的最后一个数据点与历史心电图的最后一个数据点之间的数据点作为ST波、T波与U波的混合波段。
在本发明另一个实施例中,正常的心电信号主要由3种波形组成,分别为P波、QRS波群以及T波,P波与T波分布于QRS波群两边,与其他波段和QRS波群共同构成一个心电周期。作者为宋立新,关丽丽,王乾,王宇虹,名称为一种基于多特征的P波检测方法公开了确定P波区域的方法;作者为刘明,李国军,郝华青,侯增广,刘秀玲,名称为基于卷积神经网络的T波形态分类公开了T波的确定方法。至此,确定了历史心电图中的P波、QRS波群与T波。
若P波与QRS波群之间存在数据点,则将P波与QRS波群之间的数据点作为PR波;若QRS波群与T波之间存在数据点,则将QRS波群与T波之间的数据点作为ST段,T波后与历史心电图最后一个数据点之间的数据点为U波。
至此,本发明完成。
综上所述,本发明实施例中,获取QRS模板在每个采样间隔下原始特征点的采样特征点,根据QRS模板中原始特征点与每种采样间隔下的采样特征点之间差异,基于获取QRS模板中原始特征点在每种采样间隔下的数据变化度与趋势变化度对QRS模板中数据点进行调整,从历史心电图中筛选出QRS波群,进行心电图数字曲线分割。本发明通过不同种采样间隔下数据变化度与趋势变化度对QRS模板中数据点进行调整,提高心电图的数字化曲线分割的准确性。
一种心电图的QRS波群筛选方法实施例:
心电图中不同波段的波动呈现心脏不同部位情况,心电图中QRS波反映心室情况,由于心电图信号由多种波段构成,为分析心室状况需要从心电图中筛选出QRS波群。阈值法检测QRS波群由于R峰的幅度斜率较大,使得R峰位置容易出现误差,从而导致QRS波群筛选不准确,使心电图中QRS波段相关数据出现误差。
为了解决阈值法中QRS波群筛选不准确的技术问题,本发明的目的在于提供一种心电图的QRS波群筛选方法,所采用的技术方案具体如下:
步骤S1:基于每个时刻的心电数据值获取QRS模板;从QRS模板的数据点中选取预设第一值个原始特征点;分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到每种采样间隔下QRS模板中每个原始特征点对应的采样特征点;
步骤S2:根据QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,获取QRS模板中每个原始特征点在每种采样间隔下的数据变化度;
步骤S3:依据QRS模板中每个原始特征点与其相邻时刻的数据点的心电数据值之间的差异,获取QRS模板中每个原始特征点的倾斜特征值;根据QRS模板在每种采样间隔下的采样特征点与其相邻时刻的心电数据值的差异,和该采样特征点对应的原始特征点的倾斜特征值之间的差值,获取QRS模板中每个原始特征点在每种采样间隔下的趋势变化度;
步骤S4:基于所述数据变化度与所述趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点;将QRS模板的最终调整点与获取的历史心电图中每个时刻的心电数据值进行匹配,从历史心电图中筛选出QRS波群。
本发明实施例提供一种心电图的QRS波群筛选方法实施例具有如下技术效果:
本发明实施例中,在不同采样间隔下QRS模板中特征点的相关数据存在误差,为了消除误差,以多种采样间隔对QRS模板中数据点进行采样得到每种采样间隔下QRS模板中原始特征点的采样特征点,通过比较QRS模板中原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,呈现QRS模板中原始特征点在不同采样间隔下数值变化规律;获取的倾斜特征值体现QRS模板中原始特征点的趋势,并与对应的采样特征点的趋势之间的差异呈现QRS模板中原始特征点在不同采样间隔下趋势变化规律;结合每种采样间隔下的数据变化度与趋势变化度对QRS模板进行调整,使得QRS模板中最终调整点适合多种采样情况,排除了不同采样间隔对匹配结果的影响,使历史心电图中筛选的QRS波群更加准确。
其中,步骤S1-S4在上述基于人工智能的心电图数字化曲线分割方法实施例中已给出了详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于人工智能的心电图数字化曲线分割方法,其特征在于,该方法包括:
基于每个时刻的心电数据值获取QRS模板;从QRS模板的数据点中选取预设第一值个原始特征点;分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到每种采样间隔下QRS模板中每个原始特征点对应的采样特征点;预设第二值等于7;
根据QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差异,获取QRS模板中每个原始特征点在每种采样间隔下的数据变化度;
依据QRS模板中每个原始特征点与其相邻时刻的数据点的心电数据值之间的差异,获取QRS模板中每个原始特征点的倾斜特征值;根据QRS模板在每种采样间隔下的采样特征点与其相邻时刻的心电数据值的差异,和该采样特征点对应的原始特征点的倾斜特征值之间的差值,获取QRS模板中每个原始特征点在每种采样间隔下的趋势变化度;
基于所述数据变化度与所述趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点;将QRS模板的最终调整点与获取的历史心电图中每个时刻的心电数据值进行匹配,从历史心电图中筛选出QRS波群;
至少基于筛选出的QRS波群对历史心电图中的波段进行分割。
2.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述QRS模板的获取方法,包括:
所述QRS模板为预设标准QRS波群,预设标准QRS波群包括由每个时刻的心电数据值构成的数据点。
3.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述每种采样间隔下QRS模板中每个原始特征点对应的采样特征点的获取方法,包括:
分别以预设第二值种采样间隔对QRS模板的数据点进行采样,得到QRS模板中每种采样间隔下的采样数据点;
对于QRS模板中每个原始特征点,获取原始特征点分别与QRS模板在每种采样间隔下的每个采样数据点之间的时间间隔,将每种采样间隔下的最小的时间间隔对应的所述采样数据点作为原始特征点在每种采样间隔下的采样特征点。
4.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述数据变化度的获取方法,包括:
将QRS模板中每个原始特征点与每种采样间隔下对应的采样特征点的心电数据值之间的差值绝对值进行归一化,得到QRS模板中每个原始特征点在每种采样间隔下的数据变化度。
5.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述倾斜特征值的获取方法,包括:
以时间为横轴,心电数据值为纵轴建立二维坐标系;将QRS模板中数据点在所述二维坐标系中进行标注得到数据坐标点;将QRS模板中原始特征点在二维坐标系中对应的数据坐标点作为原始坐标点;
对于任意一个原始坐标点,判断原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点是否共线,若是,将原始坐标点的斜率作为原始坐标点对应的原始特征点的倾斜特征值;若否,获取原始坐标点、其前一时刻的数据坐标点与其后一时刻的数据坐标点形成的圆,将该圆上原始坐标点的切线斜率作为原始坐标点对应原始特征点的倾斜特征值。
6.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述趋势变化度的获取方法,包括:
获取每种采样间隔下QRS模板中每个采样特征点的斜率;
将QRS模板中每个原始特征点的倾斜特征值与每种采样间隔下对应的采样特征点的斜率之间的差值,作为QRS模板中每个原始特征点在每种采样间隔下的倾斜差值;将所述倾斜差值进行归一化,作为QRS模板中每个原始特征点在每种采样间隔下的趋势变化度。
7.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述基于所述数据变化度与所述趋势变化度对QRS模板中每个原始特征点进行调整得到QRS模板的最终调整点的获取方法,包括:
基于QRS模板中所有采样间隔下的数据变化度对原始特征点的心电数据值进行调整,获取QRS模板中每个原始特征点的调整心电值;基于QRS模板中所有采样间隔下的趋势变化度对原始特征点的倾斜特征值进行调整,获取QRS模板中每个原始特征点的调整倾斜度;
将QRS模板中每个原始特征点对应时刻的调整心电值的数据点作为QRS模板中每个原始特征点对应的初始调整点;
结合QRS模板中每个原始特征点的调整倾斜度对原始特征点对应的初始调整点进行曲线拟合得到调整曲线;将QRS模板中每个时刻在调整曲线上对应的数据点作为QRS模板的最终调整点。
8.根据权利要求7所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述原始特征点的调整心电值的获取方法,包括:
将QRS模板中每个原始特征点在所有采样间隔下的数据变化度的均值,作为QRS模板中每个原始特征点的综合数据变化特征值;
对于QRS模板中每个原始特征点,将常数1与原始特征点的综合数据变化特征值的差值,作为原始特征点的数据调整系数,将所述数据调整系数与原始特征点的心电数据值的乘积,作为原始特征点的调整心电值。
9.根据权利要求7所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述原始特征点的调整倾斜度的获取方法,包括:
将QRS模板中每个原始特征点在所有采样间隔下的趋势变化度的均值,作为QRS模板中每个原始特征点的综合趋势变化特征值;
对于QRS模板中每个原始特征点,将常数1与原始特征点的综合趋势变化特征值的差值,作为原始特征点的趋势调整系数,将所述趋势调整系数与原始特征点的倾斜特征值的乘积,作为原始特征点的调整倾斜度。
10.根据权利要求1所述的一种基于人工智能的心电图数字化曲线分割方法,其特征在于,所述从历史心电图中筛选出QRS波群的方法,包括:
以长度为预设模板长值,宽度为1的滑窗对历史心电图内所有时刻的心电数据值进行遍历,将滑窗内的心电数据值按照时间顺序排列,得到历史心电数据序列;
将QRS模板中每个时刻的最终调整点的心电数据值按照时间顺序排列,得到模板心电数据序列;
利用DTW算法将模板心电数据序列分别与每个历史心电数据序列进行匹配,得到每个历史心电数据序列的DTW值;将DTW值最小的历史心电数据序列作为历史心电图的QRS波群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667326.5A CN117357130B (zh) | 2023-12-07 | 2023-12-07 | 基于人工智能的心电图数字化曲线分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667326.5A CN117357130B (zh) | 2023-12-07 | 2023-12-07 | 基于人工智能的心电图数字化曲线分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117357130A true CN117357130A (zh) | 2024-01-09 |
CN117357130B CN117357130B (zh) | 2024-02-13 |
Family
ID=89404477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667326.5A Active CN117357130B (zh) | 2023-12-07 | 2023-12-07 | 基于人工智能的心电图数字化曲线分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117357130B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR980008168A (ko) * | 1996-07-02 | 1998-04-30 | 이명호 | 심전도 신호의 큐.알.에스 컴플렉스 특성 표시 장치 및 방법 |
CN101028186A (zh) * | 2007-03-28 | 2007-09-05 | 李楚雅 | 基于模板匹配的心电图st段自动识别方法 |
US20170105643A1 (en) * | 2015-06-23 | 2017-04-20 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Gpu-based parallel electrocardiogram signal analysis method, computer readable storage medium and device |
CN108814591A (zh) * | 2018-03-23 | 2018-11-16 | 南京大学 | 一种心电qrs波群宽度的检测方法及其心电分析方法 |
CN110353664A (zh) * | 2019-07-25 | 2019-10-22 | 山东凯迪泰科智能系统有限公司 | 心电图pqrst波分段方法及系统 |
CN110477906A (zh) * | 2019-08-26 | 2019-11-22 | 电子科技大学 | 一种心电信号qrs波起止点定位方法 |
US20200089948A1 (en) * | 2017-03-14 | 2020-03-19 | Huawei Technologies Co., Ltd. | Waveform Signal Processing Method and Apparatus |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN111655142A (zh) * | 2018-01-18 | 2020-09-11 | 深圳迈瑞生物医疗电子股份有限公司 | 心律失常实时分析方法、心电监护设备及存储介质 |
CN111767003A (zh) * | 2020-06-05 | 2020-10-13 | 中国煤炭科工集团太原研究院有限公司 | 一种基于不同工况的采掘设备传感器数据自适应采集方法 |
CN113197584A (zh) * | 2021-04-30 | 2021-08-03 | 扬州大学 | 一种基于差分过零检测法的qrs波群识别方法 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
CN114788704A (zh) * | 2021-01-25 | 2022-07-26 | 浙江荷清柔性电子技术有限公司 | 心电图信号中qrs波识别方法、装置、设备和存储介质 |
CN116784860A (zh) * | 2023-06-26 | 2023-09-22 | 中国人民解放军陆军第八十二集团军医院 | 基于形态学心拍模板聚类的心电信号特征提取系统 |
-
2023
- 2023-12-07 CN CN202311667326.5A patent/CN117357130B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR980008168A (ko) * | 1996-07-02 | 1998-04-30 | 이명호 | 심전도 신호의 큐.알.에스 컴플렉스 특성 표시 장치 및 방법 |
CN101028186A (zh) * | 2007-03-28 | 2007-09-05 | 李楚雅 | 基于模板匹配的心电图st段自动识别方法 |
US20170105643A1 (en) * | 2015-06-23 | 2017-04-20 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Gpu-based parallel electrocardiogram signal analysis method, computer readable storage medium and device |
US20200089948A1 (en) * | 2017-03-14 | 2020-03-19 | Huawei Technologies Co., Ltd. | Waveform Signal Processing Method and Apparatus |
US20210128048A1 (en) * | 2018-01-18 | 2021-05-06 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method for analyzing arrhythmia in real time, electrocardiogram monitoring device and storage medium |
CN111655142A (zh) * | 2018-01-18 | 2020-09-11 | 深圳迈瑞生物医疗电子股份有限公司 | 心律失常实时分析方法、心电监护设备及存储介质 |
CN108814591A (zh) * | 2018-03-23 | 2018-11-16 | 南京大学 | 一种心电qrs波群宽度的检测方法及其心电分析方法 |
CN110353664A (zh) * | 2019-07-25 | 2019-10-22 | 山东凯迪泰科智能系统有限公司 | 心电图pqrst波分段方法及系统 |
CN110477906A (zh) * | 2019-08-26 | 2019-11-22 | 电子科技大学 | 一种心电信号qrs波起止点定位方法 |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN111767003A (zh) * | 2020-06-05 | 2020-10-13 | 中国煤炭科工集团太原研究院有限公司 | 一种基于不同工况的采掘设备传感器数据自适应采集方法 |
CN114788704A (zh) * | 2021-01-25 | 2022-07-26 | 浙江荷清柔性电子技术有限公司 | 心电图信号中qrs波识别方法、装置、设备和存储介质 |
CN113197584A (zh) * | 2021-04-30 | 2021-08-03 | 扬州大学 | 一种基于差分过零检测法的qrs波群识别方法 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 安徽心之声医疗科技有限公司 | 基于特征模板匹配的qrs波群检测方法、装置、介质及设备 |
CN116784860A (zh) * | 2023-06-26 | 2023-09-22 | 中国人民解放军陆军第八十二集团军医院 | 基于形态学心拍模板聚类的心电信号特征提取系统 |
Non-Patent Citations (2)
Title |
---|
刘彤彤;戴敏;李忠义;: "基于窗口斜率表示法的心电波形相似性分析", 计算机应用, no. 10, 1 October 2012 (2012-10-01) * |
黄国言, 邹沐昌: "模糊模式识别算法在动态心电图QRS模板统计中的应用", 燕山大学学报, no. 03, 15 August 2001 (2001-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117357130B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016230825B2 (en) | Systems, apparatus and methods for sensing fetal activity | |
CN114528888B (zh) | 一种ppg信号聚类中心获取方法及装置和ppg信号处理方法及装置 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
Chen et al. | Region aggregation network: improving convolutional neural network for ECG characteristic detection | |
CN112043257B (zh) | 一种运动鲁棒的非接触式视频心率检测方法 | |
CN111481192A (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN108814642B (zh) | 一种电子听诊器的心音定位及心率计算方法 | |
WO2023226223A1 (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
CN111783715B (zh) | 基于脉搏信号特征提取的身份识别方法 | |
CN117357130B (zh) | 基于人工智能的心电图数字化曲线分割方法 | |
CN113243902B (zh) | 一种基于光电容积脉搏波的特征提取方法 | |
Boucheham et al. | Piecewise linear correction of ECG baseline wander: a curve simplification approach | |
CN111803061B (zh) | 一种基于目标检测的r波识别方法及装置 | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN110755069B (zh) | 一种跳跃突变噪声的动态心电信号基线漂移校正方法 | |
CN115281676B (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN116089862A (zh) | 一种基于修正机制的自调节蚁群聚类算法的ecg心律失常分类方法 | |
Don et al. | Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features | |
Islam et al. | Resampling of ECG signal for improved morphology alignment | |
Vega-Martínez et al. | Wavelet packet based algorithm for QRS region detection and R/S wave identification | |
CN112270359A (zh) | 一种一维序列升维聚类方法及系统 | |
Hu et al. | Morphological changes of intracranial pressure pulses are correlated with acute dilatation of ventricles | |
Chen et al. | Automatic Onsets and Systolic Peaks Detection and Segmentation of Arterial Blood Pressure Waveforms using Fully Convolutional Neural Networks | |
CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 |
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 |