CN117648570B - 一种基于人工智能的心电监测与数据分析系统 - Google Patents
一种基于人工智能的心电监测与数据分析系统 Download PDFInfo
- Publication number
- CN117648570B CN117648570B CN202410123810.XA CN202410123810A CN117648570B CN 117648570 B CN117648570 B CN 117648570B CN 202410123810 A CN202410123810 A CN 202410123810A CN 117648570 B CN117648570 B CN 117648570B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sequence
- detail
- shape
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 174
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000000034 method Methods 0.000 claims description 45
- 238000000354 decomposition reaction Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 230000006698 induction Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于人工智能的心电监测与数据分析系统,涉及人工智能技术领域,包括监测中心,所述监测中心连接有信号采集模块、数据预处理模块、数据处理模块以及智能分析模块;通过信号采集模块采集用户的心电数据;在数据预处理模块对获得的心电数据进行预处理,获得监测系数集;通过数据处理模块对获得的监测系数集进行特征处理,获得形状特征序列和细节特征序列;在智能分析模块对所获得的形状特征序列和细节特征序列进行循环分析,获得形状特征向量和细节特征向量,并进行重合比对,获得输出监测序列;更加高效、准确的对数据进行分析,增强分析效果,降低人力和时间成本。
Description
技术领域
本发明涉及人工智能技术领域,具体是一种基于人工智能的心电监测与数据分析系统。
背景技术
人工智能是一门研究如何使机器能够模拟和执行人类智能的学科。它是一种计算机科学领域,涉及到构建智能机器,使其具备感知、理解、学习、推理和决策等能力。
心电监测是一种对患者心脏功能进行实时监测和评估的方法,通过心电监测可以实时监测患者的心率、心律、心肌电活动等指标,为医生提供患者心脏功能状况的客观依据。数据分析是指通过对收集到的数据进行处理、转化、解释和推断,以从中提取有价值的信息、洞察和结论的过程。数据分析旨在发现数据中的模式、关联、趋势和异常,帮助人们做出基于数据的决策和行动,在对心电监测过程中产生的数据进行分析时存在一些不足:采集的心电监测数据会受到外部因素影响,导致数据质量下降,从而影响分析的准确新和可靠性;因此,基于人工智能的基础上对心电监测数据进行智能化分析,具有重要的理论和现实意义。
如何利用人工智能技术对采集的心电数据进行处理,获得监测系数集,并对监测系数集进行特征处理,获得形状特征序列和细节特征序列,对所获得的形状特征序列和细节特征序列进行循环分析,获得输出监测序列;是我们需要解决的问题;为此,现提供一种基于人工智能的心电监测与数据分析系统。
发明内容
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的心电监测与数据分析系统,包括监测中心,所述监测中心连接有信号采集模块、数据预处理模块、数据处理模块以及智能分析模块;
所述信号采集模块采集用户心电数据的过程包括:
根据所获得的心电监测设备设置接收端,并根据所获得的接收端构建接收端到心电监测设备之间的传输链路;
所述传输链路用于传输心电监测设备所产生的输入数据,通过接收端对获得的输入数据进行接收,并对接收后的输入数据进行捕获,获得心电数据。
对获得的心电数据进行预处理的过程包括:
对采集的心电数据进行信号提取,获得原始监测信号、监测频率和监测时间;
根据所获得的原始监测信号生成监测波形图,并将所获得的监测波形图中的原始监测信号所生成的曲线标记为信号曲线;
将所获得的监测时间标记在监测波形图的对应位置处,获得监测节点;
根据所获得的监测波形图和监测节点,设置采样周期,并统计采样周期内信号曲线的最高点和最低点,获得采样峰点和采样谷点;
对所获得的原始监测信号进行基数分解,获得监测系数集。
所述基数分解的过程包括:
根据所获得的采样峰点以及采样谷点设置M波变量;
根据所获得的监测频率设置分解层级;
在分解层级的第一层中根据所获得的M波变量对原始监测信号进行卷积处理,获得分解系数,对获得的分解系数进行下采样,获得监测系数,直至分解层级的所有层均完成卷积处理和下采样过程,获得每一层的监测系数,所述监测系数包括形状系数和细节系数,根据所获得监测系数构建监测系数集,所述监测系数集包括形状系数集和细节系数集。
对获得的监测系数集进行处理的过程包括:
根据所获得的分解系数集和分解层级设置第一特征阈值和第二特征阈值;
根据所获得的监测系数集中的形状系数集和细节系数集,获得绝对形状值和绝对细节值;
将所获得的绝对形状值与第一特征阈值进行比对置换,获得形状特征序列;
将所获得的绝对细节值与第二特征阈值进行比对置换,获得细节特征序列。
对所获得的形状特征序列和细节特征序列进行循环分析的过程包括:
设置输入层、响应层、输出层以及监测截止条件;
在输入层设置感应环,通过感应环输入形状特征序列和细节特征序列,获得输入序列,所述输入序列包括第一输入序列和第二输入序列;
在输入层对第一输入序列和第二输入序列分别进行序列编码,获得形状特征向量和细节特征向量,并根据形状特征向量和细节特征向量构建特征向量集。
根据所获得的形状特征向量和细节特征向量设置原始标识矩阵;
将所获得的形状特征向量、细节特征向量以及原始标识矩阵上传至响应层;
对所获得的形状特征向量和细节特征向量进行向量组合,获得特征监测矩阵;
将所获得的原始标识矩阵与特征监测矩阵进行留存相乘,获得特征标识矩阵,将所获得的特征标识矩阵与特征向量集进行重合比对,获得留存标识矩阵。
获得输出监测序列的过程包括:
根据所获得的留存标识矩阵设置遗留原始标识矩阵;
将所获得的留存标识矩阵记作终点监测矩阵,并将所获得的终点监测矩阵上传至输出层,通过输出层将获得的终点监测矩阵与特征监测矩阵和遗留原始标识矩阵进行融合相加,获得预存序列;
将预存序列记作输入序列,上传至输入层,重复获得预存序列的过程,直至满足监测截止条件,获得输出监测序列。
与现有技术相比,本发明的有益效果是:对采集的心电数据进行预处理,获得原始监测信号,对所获得的原始监测信号进行基数分解,获得监测系数集;通过对监测系数集进行特征处理,获得形状特征序列和细节特征序列;
通过设置输入层、响应层、输出层以及监测截止条件;在输入层对输入的形状特征序列和细节特征序列进行标记,获得形状特征向量和细节特征向量,并进行组合获得特征监测矩阵;
将所获得的特征监测矩阵和设置的原始标识矩阵上传至响应层进行留存比对,获得留存标识矩阵,并根据所获得的留存标识矩阵设置遗留原始标识矩阵,将所获得的终点监测矩阵上传至输出层,通过输出层将获得的终点监测矩阵与特征监测矩阵和遗留原始标识矩阵进行融合相加,获得预存序列,重复获得预存序列的过程,直至满足监测截止条件,获得输出监测序列;更加高效、准确的对数据进行分析,增强分析效果,降低人力和时间成本。
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,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地介绍,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他的附图。
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于人工智能的心电监测与数据分析系统,包括监测中心,所述监测中心连接有信号采集模块、数据预处理模块、数据处理模块以及智能分析模块;
所述信号采集模块用于采集用户的心电数据,具体过程包括:
根据所获得的心电监测设备设置接收端,并根据所获得的接收端构建接收端到心电监测设备之间的传输链路;
需要进一步说明的是,在具体实施过程中,所述心电监测设备包括传统心电图机、便携式心电监测仪、智能心电监测仪、可穿戴心电监测设备、床边心电监测仪以及无创心电监测仪;
所述传输链路用于传输心电监测设备所生成的输入数据,通过接收端对获得的输入数据进行接收,并对接收后的输入数据进行捕获,获得心电数据;
需要进一步说明的是,在具体实施过程中,心电信号表示心脏在不同时间点的电活动情况。
所述数据预处理模块用于对获得的心电数据进行预处理,获得监测系数集,具体过程包括:
对采集的心电数据进行信号提取,获得原始监测信号、监测频率和监测时间;
需要进一步说明的是,在具体实施过程中,所述监测频率表示在单位时间内对原始监测信号进行采样的次数;
根据所获得的原始监测信号生成监测波形图,并将所获得的监测波形图中的原始监测信号所生成的曲线标记为信号曲线;
将所获得的监测时间标记在监测波形图的对应位置处,获得监测节点;
需要进一步说明的是,在具体实施过程中,通过监测时间与原始监测信号的时间比对,获得对应的时间节点,并将获得的时间节点按照原始监测信号的时间顺序标记在监测波形图中,获得监测节点;
根据所获得的监测波形图和监测节点,设置采样周期,并统计采样周期内信号曲线的最高点和最低点,获得采样峰点和采样谷点;
对所获得的原始监测信号进行基数分解,获得监测系数集;
所述基数分解的过程包括:
根据所获得的采样峰点以及采样谷点设置M波变量;
根据所获得的监测频率设置分解层级,将所设置的分解层级的层数标记为N,其中N≥3;
进一步地,分解层级由监测频率和信号复杂度决定,且监测频率越大,分解的精度越高,同样地,信号越复杂,需要的分解层级的层数越多;
在分解层级的第一层中根据所获得的M波变量对原始监测信号进行卷积处理,获得第一分解系数,对获得的第一分解系数进行下采样,获得第一层监测系数;所述第一层监测系数包括第一层形状系数和第一层细节系数,其中,第一层分解系数位于原始监测信号的低频部分,而第一层细节系数位于原始监测信号的高频部分;
需要进一步说明的是,在具体实施过程中,下采样用于减少信号的采样点而不改变信号的完整性,通过在每个原始监测信号的采样点之间插入零值,将信号中采样点的数量减半,即原始监测信号的长度减半;
在分解层级的第二层中根据所获得的M波变量对第一分解系数进行卷积处理,获得第二分解系数,并对第二分解系数进行下采样,获得第二层监测系数,所述第二层监测系数包括第二层形状系数和第二层细节系数;
直至在分解层级的第N层中根据所获得的M波变量对第N-1分解系数进行卷积处理,获得第N分解系数,并对第N分解系数进行下采样,获得第N层监测系数,所述第N层监测系数包括第N层形状系数和第N层细节系数;
根据所获得的第一分解系数、第二分解系数、……、第N分解系数构建分解系数集,类似地,根据第一层监测系数、第二层监测系数、……、第N层监测系数构建监测系数集,所述监测系数集包括形状系数集和细节系数集,其中,形状系数集由第一层形状系数、第二层形状系数、……、第N层形状系数构成,细节系数集由第一层细节系数、第二层细节系数、……、第N层细节系数构成;
需要进一步说明的是,在具体实施过程中,以第一层监测系数为例,通过第一层形状系数和第一层细节系数分布在信号的不同频率区域,能够反映信号的不同频率区域的特性,第一层系数反映了信号在较大时间和频率尺度上的特性,并在下一层中对本层的分解系数进行再次分解,反映了信号在较小时间和频率尺度上的特性,并以此类推,直至分解到最后一层,获得最大精度的频率细节,有助于捕捉信号中的细微频率成分,比如,信号的瞬时变化。
所述数据处理模块用于对获得的监测系数集进行特征处理,获得形状特征序列和细节特征序列,具体过程包括:
根据所获得的分解系数集和分解层级设置第一特征阈值和第二特征阈值;
根据所获得的监测系数集中的形状系数集和细节系数集,获得绝对形状值和绝对细节值;
需要进一步说明的是,在具体实施过程中,绝对形状值是取形状系数集中的形状系数的绝对值再求和获得的,绝对细节值是取细节系数集中的细节系数的绝对值再求和获得的;
将所获得的绝对形状值与第一特征阈值进行比对置换,获得形状特征序列;
将所获得的绝对细节值与第二特征阈值进行比对置换,获得细节特征序列;
所述比对置换的过程包括:
当绝对形状值大于第一特征阈值,则保持形状系数集中的形状系数值不变,反之,将形状系数集中的形状系数值置零;
类似地,当绝对细节值大于第二特征阈值,则保持细节系数集中的细节系数值不变,反之,将细节系数集中的细节系数值置零;
需要进一步说明的是,在具体实施过程中,在形状系数集中计算绝对值之和获得绝对形状值的过程中,是任取若干连续的形状系数进行计算的,若不大于第一特征阈值,则将参与计算的形状系数均置零;
例如:有第一特征阈值为1,形状系数集[0.4,-0.2,0.3,-0.6,0.5],计算形状系数集的绝对形状值,前三位的绝对形状值为0.4+0.2+0.3=0.9,且绝对形状值小于第一特征阈值,则前三个形状系数置零,后两个形状系数绝对值之和大于1,则保持不变,特别地,若形状系数集中有绝对形状值等于零,则等于零对应的形状系数在处理中被置零了。
所述智能分析模块用于对所获得的形状特征序列和细节特征序列进行循环分析,获得输出监测序列,具体过程包括:
设置输入层、响应层、输出层以及监测截止条件;进一步地,所述监测截止条件表示循环的次数,其中一个循环是序列经过输入层→响应层→输出层,再将输出层数据循环至输入层,进行下一次循环,直至满足循环的次数,则停止循环,输出最终结果;
在输入层设置感应环,并根据所获得的形状特征序列和细节特征序列设置感应环的数目;
需要进一步说明的是,在具体实施过程中,设置的感应环的数目与形状特征序列和细节特征序列的综合数目有关,且序列越复杂,对应的感应环的数目越多,能够提取的特征越多;
通过感应环输入形状特征序列和细节特征序列,获得输入序列,所述输入序列包括第一输入序列和第二输入序列;
需要进一步说明的是,在具体实施过程中,第一输入序列和第二输入序列与感应环的维度相同,即有多少个感应环就能输入多少个第一输入序列和第二输入序列,这样就能够使得输入的序列均被传递给下一层进行处理,确保输入的序列都能被分析并提取特征;
在输入层对第一输入序列和第二输入序列分别进行序列编码,获得形状特征向量和细节特征向量,并根据形状特征向量和细节特征向量构建特征向量集,将所获得的形状特征向量和细节特征向量均上传至特征向量集;
需要进一步说明的是,在具体实施过程中,所述序列编码的过程包括:
将所获得的第一输入序列中的形状系数标记为,……,,其中u表示第
一输入序列中形状系数的数量,将所获得的第二输入序列中的细节系数标记为,,
,……,,k表示第二输入序列中细节系数的数量,特别地,u和k需满足数量相等,即u=k;
对第一输入序列和第二输入序列进行隐藏置换,获得第一隐藏序列和第二隐藏序列;
进一步地,所述隐藏置换是将第一输入序列中绝对形状值大于第一特征阈值时保持不变的形状系数集中的形状系数值置为1,其余位置仍然置零,类似地,对第二输入序列进行隐藏置换过程相同,类似地,第二输入序列的隐藏置换过程也相同;
根据所获得的第一隐藏序列和第二隐藏序列创建二进制向量,获得形状特征向量和细节特征向量;
将所获得的形状特征向量和细节特征向量分别标记为和,其中=[,,
,……,],=[,,,……,];
根据所获得的形状特征向量和细节特征向量设置原始标识矩阵,其中,原始标识矩阵为h×p,即h行p列的矩阵;
需要进一步说明的是,在具体实施过程中,原始标识矩阵是从形状特征向量和细节特征向量中任选h个进行随机组合的,且每个向量可以只从形状特征向量和细节特征向量中选择一部分,不需要选择一个完整的形状特征向量和细节特征向量;
例如,形状特征向量有[0,0,0,1,0,1,1,1,1,0,1],[1,0,0,1,0,1,0,1,0,0,1],[0,1,0,1,0,0,1,1,1,0,0],细节特征向量有[1,1,1,0,0,0,1,0,1,1,1],[0,1,1,0,1,0,0,0,1,1,1],[0,1,0,1,1,0,0,1,1,1,0],则原始标识矩阵可以由[0,0,0,1,0,1]、[1,1,1,0,0,0]以及[0,1,0,1,1,0]组成,即由形状特征向量的第一个向量的前6个元素、细节特征向量的第一个和第三个向量的前6个元素组成;
将所获得的形状特征向量、细节特征向量以及原始标识矩阵上传至响应层;
对所获得的形状特征向量和细节特征向量进行向量组合,获得特征监测矩阵,其中,特征监测矩阵为p×u,即特征监测矩阵的行数与原始标识矩阵的列数相等;
将所获得的原始标识矩阵与特征监测矩阵进行留存相乘,获得特征标识矩阵,将所获得的特征标识矩阵与特征向量集进行重合比对,获得留存标识矩阵;
需要进一步说明的是,在具体实施过程中,将原始标识矩阵放在特征监测矩阵之前进行的矩阵相乘,即h×p的矩阵与p×u的矩阵相乘,获得的特征标识矩阵的行列为h×u;
所述重合比对的过程包括:
将获得的特征标识矩阵中的h行分别标记为标识向量,将标识向量与特征向量集
进行重合比对,获得重合度,其中,重合度=,e1表标识向量与特征向量集对应位置元素相
同的数目,e2表示向量元素总数目;
设置重合率阈值,若重合度大于重合概率,则将满足条件的标识向量标记为遗忘向量,在特征标识矩阵中将遗忘向量去除,保留剩余标识向量,获得留存标识矩阵;
根据所获得的留存标识矩阵设置遗留原始标识矩阵,其中遗留原始标识矩阵与原始标识矩阵的设置过程相同;
将所获得的留存标识矩阵记作终点监测矩阵,并将所获得的终点监测矩阵上传至输出层,通过输出层将获得的终点监测矩阵与特征监测矩阵和遗留原始标识矩阵进行融合相加,获得预存序列;
将预存序列记作输入序列,上传至输入层,重复获得预存序列的过程,直至满足监测截止条件,将最后一次的重复过程获得的预存序列标记为输出监测序列。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于人工智能的心电监测与数据分析系统,包括监测中心,其特征在于,所述监测中心连接有信号采集模块、数据预处理模块、数据处理模块以及智能分析模块;
所述信号采集模块用于采集用户的心电数据;
所述数据预处理模块用于对获得的心电数据进行信号提取,获得原始监测信号,所获得的原始监测信号进行基数分解,获得监测系数集;
所述数据处理模块用于根据所获得的监测系数集设置特征阈值,将监测系数集与特征阈值进行比对置换,获得形状特征序列和细节特征序列;
所述智能分析模块用于根据所获得的形状特征序列和细节特征序列设置输入层、响应层、输出层,并构建特征向量集,在输入层进行序列编码,获得形状特征向量和细节特征向量,设置原始标识矩阵,在响应层进行向量组合,获得特征监测矩阵,通过与原始标识矩阵进行留存相乘获得留存标识矩阵,在输出层对所获得的留存标识矩阵进行重复融合,获得输出监测序列;
根据所获得的形状特征向量和细节特征向量设置原始标识矩阵;
将所获得的形状特征向量、细节特征向量以及原始标识矩阵上传至响应层;
对所获得的形状特征向量和细节特征向量进行向量组合,获得特征监测矩阵;
将所获得的原始标识矩阵与特征监测矩阵进行留存相乘,获得特征标识矩阵,将所获得的特征标识矩阵与特征向量集进行重合比对,获得留存标识矩阵;
获得输出监测序列的过程包括:
根据所获得的留存标识矩阵设置遗留原始标识矩阵;
将所获得的留存标识矩阵记作终点监测矩阵,并将所获得的终点监测矩阵上传至输出层,通过输出层将获得的终点监测矩阵与特征监测矩阵和遗留原始标识矩阵进行融合相加,获得预存序列;
将预存序列记作输入序列,上传至输入层,重复获得预存序列的过程,直至满足监测截止条件,获得输出监测序列。
2.根据权利要求1所述的一种基于人工智能的心电监测与数据分析系统,其特征在于,所述信号采集模块采集用户心电数据的过程包括:
根据所获得的心电监测设备设置接收端,并根据所获得的接收端构建接收端到心电监测设备之间的传输链路;
所述传输链路用于传输心电监测设备所产生的输入数据,通过接收端对获得的输入数据进行接收,并对接收后的输入数据进行捕获,获得心电数据。
3.根据权利要求2所述的一种基于人工智能的心电监测与数据分析系统,其特征在于,对获得的心电数据进行预处理的过程包括:
对采集的心电数据进行信号提取,获得原始监测信号、监测频率和监测时间;
根据所获得的原始监测信号生成监测波形图,并将所获得的监测波形图中的原始监测信号所生成的曲线标记为信号曲线;
将所获得的监测时间标记在监测波形图的对应位置处,获得监测节点;
根据所获得的监测波形图和监测节点,设置采样周期,并统计采样周期内信号曲线的最高点和最低点,获得采样峰点和采样谷点;
对所获得的原始监测信号进行基数分解,获得监测系数集。
4.根据权利要求3所述的一种基于人工智能的心电监测与数据分析系统,其特征在于,所述基数分解的过程包括:
根据所获得的采样峰点以及采样谷点设置M波变量;
根据所获得的监测频率设置分解层级;
在分解层级的第一层中根据所获得的M波变量对原始监测信号进行卷积处理,获得分解系数,对获得的分解系数进行下采样,获得监测系数,直至分解层级的所有层均完成卷积处理和下采样过程,获得每一层的监测系数,所述监测系数包括形状系数和细节系数,根据所获得监测系数构建监测系数集,所述监测系数集包括形状系数集和细节系数集。
5.根据权利要求4所述的一种基于人工智能的心电监测与数据分析系统,其特征在于,对获得的监测系数集进行处理的过程包括:
根据所获得的分解系数集和分解层级设置第一特征阈值和第二特征阈值;
根据所获得的监测系数集中的形状系数集和细节系数集,获得绝对形状值和绝对细节值;
将所获得的绝对形状值与第一特征阈值进行比对置换,获得形状特征序列;
将所获得的绝对细节值与第二特征阈值进行比对置换,获得细节特征序列。
6.根据权利要求5所述的一种基于人工智能的心电监测与数据分析系统,其特征在于,对所获得的形状特征序列和细节特征序列进行循环分析的过程包括:
设置输入层、响应层、输出层以及监测截止条件;
在输入层设置感应环,通过感应环输入形状特征序列和细节特征序列,获得输入序列,所述输入序列包括第一输入序列和第二输入序列;
在输入层对第一输入序列和第二输入序列分别进行序列编码,获得形状特征向量和细节特征向量,并根据形状特征向量和细节特征向量构建特征向量集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123810.XA CN117648570B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的心电监测与数据分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123810.XA CN117648570B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的心电监测与数据分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648570A CN117648570A (zh) | 2024-03-05 |
CN117648570B true CN117648570B (zh) | 2024-04-12 |
Family
ID=90045540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123810.XA Active CN117648570B (zh) | 2024-01-30 | 2024-01-30 | 一种基于人工智能的心电监测与数据分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648570B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN111329468A (zh) * | 2020-02-10 | 2020-06-26 | 郭洪军 | 一种心内科实时监测系统及其监测方法 |
CN114662537A (zh) * | 2022-03-21 | 2022-06-24 | 江南大学 | 基于可编程片上系统的心电信号智能监测加速方法 |
CN116807491A (zh) * | 2023-07-19 | 2023-09-29 | 福州大学 | 应用于实时心电监测设备的心肌梗死全局导联重建方法 |
CN117290788A (zh) * | 2023-11-27 | 2023-12-26 | 南昌航空大学 | 一种基于改进小波变换算法的配电网故障辨识方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2817737A4 (en) * | 2012-02-22 | 2015-10-07 | Nokia Technologies Oy | ADAPTIVE SYSTEM |
-
2024
- 2024-01-30 CN CN202410123810.XA patent/CN117648570B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN111329468A (zh) * | 2020-02-10 | 2020-06-26 | 郭洪军 | 一种心内科实时监测系统及其监测方法 |
CN114662537A (zh) * | 2022-03-21 | 2022-06-24 | 江南大学 | 基于可编程片上系统的心电信号智能监测加速方法 |
CN116807491A (zh) * | 2023-07-19 | 2023-09-29 | 福州大学 | 应用于实时心电监测设备的心肌梗死全局导联重建方法 |
CN117290788A (zh) * | 2023-11-27 | 2023-12-26 | 南昌航空大学 | 一种基于改进小波变换算法的配电网故障辨识方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117648570A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bauer et al. | Real-time ultra-low power ECG anomaly detection using an event-driven neuromorphic processor | |
Zhang et al. | PulsePrint: Single-arm-ECG biometric human identification using deep learning | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
Zancanaro et al. | CNN-based approaches for cross-subject classification in motor imagery: From the state-of-the-art to DynamicNet | |
Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
Zhang et al. | An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding | |
Sreenivas et al. | Classification of arrhythmia in time series ecg signals using image encoding and convolutional neural networks | |
Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
CN113413163B (zh) | 一种混合深度学习和低差异度森林的心音诊断系统 | |
Gedon et al. | First steps towards self-supervised pretraining of the 12-lead ECG | |
Dirie et al. | Contrastive multivariate singular spectrum analysis | |
CN117648570B (zh) | 一种基于人工智能的心电监测与数据分析系统 | |
Rai et al. | ECG arrhythmia classification using daubechies wavelet and radial basis function neural network | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
Mitra et al. | Analyzing Clinical 12-Lead ECG Images Using Deep Learning Algorithms for Objective Detection of Cardiac Diseases | |
Liu et al. | Multifeature deep cascaded learning for ppg biometric recognition | |
Alagarsamy et al. | Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels | |
Chashmi et al. | An automatic ECG arrhythmia diagnosis system using support vector machines optimised with GOA and entropy-based feature selection procedure | |
Siekierski et al. | Heart beats classification method using a multi-signal ECG spectrogram and convolutional neural network with residual blocks | |
Chen et al. | Convolutional neural network optimized by differential evolution for electrocardiogram classification | |
Avramidis et al. | Scaling Representation Learning from Ubiquitous ECG with State-Space Models | |
Pandey et al. | QRS Detection in digital ECG signal using Deterministic Finite Automata | |
Yuan et al. | Activity EMG signal identification based on radial basis function neural networks |
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 |