TWI827239B - 輔助辨識病徵之訊號比對方法 - Google Patents
輔助辨識病徵之訊號比對方法 Download PDFInfo
- Publication number
- TWI827239B TWI827239B TW111133783A TW111133783A TWI827239B TW I827239 B TWI827239 B TW I827239B TW 111133783 A TW111133783 A TW 111133783A TW 111133783 A TW111133783 A TW 111133783A TW I827239 B TWI827239 B TW I827239B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- electrocardiogram
- pathological
- heart rhythm
- lead
- Prior art date
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000033764 rhythmic process Effects 0.000 claims description 46
- 230000001575 pathological effect Effects 0.000 claims description 34
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007170 pathology Effects 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 9
- 206010003119 arrhythmia Diseases 0.000 description 8
- 230000006793 arrhythmia Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 208000010125 myocardial infarction Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000002107 myocardial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000002837 heart atrium Anatomy 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010003671 Atrioventricular Block Diseases 0.000 description 2
- 206010040639 Sick sinus syndrome Diseases 0.000 description 2
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 2
- 208000032109 Transient ischaemic attack Diseases 0.000 description 2
- 201000008803 Wolff-Parkinson-white syndrome Diseases 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 201000010875 transient cerebral ischemia Diseases 0.000 description 2
- 208000009042 Anterior Wall Myocardial Infarction Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 201000009658 anterolateral myocardial infarction Diseases 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 208000004731 long QT syndrome Diseases 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明係一種輔助辨識病徵之訊號比對方法，係包括將心電圖資料分拆成各導程資料，將各導程資料在神經網路中以辨識模型進行一次辨識分別產生一個一次特徵資料，將一次特徵資料進行二次辨識，二次辨識係將第一次特徵資料中相同病徵最多者作為第二次特徵資料。
Description
本發明係有關於輔助辨識病徵之訊號比對方法，尤指一種利用心電圖辨識心血管疾病之病徵的方法。
從維基百科對於心電圖(Electrocardiography、ECG或者EKG)的解說可知，心電圖是一種經體壁以時間為單位記錄心臟的電生理活動，並通過接觸皮膚的電極捕捉且記錄下來的診療技術。
再進一步而言，維基百科提到心電圖的工作原理為在每次心跳心肌細胞去極化的時候會在皮膚表面引起很小的電學改變，這個小變化被心電圖記錄裝置捕捉並放大即可描繪心電圖。在心肌細胞處於靜息狀態時，心肌細胞膜兩側存在由正負離子濃度差形成的電勢差，去極化即是心肌細胞電勢差迅速向0變化，並引起心肌細胞收縮的過程。在健康心臟的一個心動周期中，由竇房結細胞產生的去極化波有序的依次在心臟中傳播，先傳播到整個心房，經過「內在傳導通路」傳播至心室。如果在心臟的任意兩面放置2個電極，那麼在這個過程中就可以記錄到兩個電極間微小的電壓變化，並可以在心電圖紙或者監視器上顯示出來。心電圖可以反應整個心臟跳動的節律，以及心肌薄弱的部分。
通常在肢體上可以放置2個以上的電極，他們兩兩組成一對進行測量(如左臂電極(LA)，右臂電極(RA)，左腿電極(LL)可以這樣組合：LA+RA，LA+LL，RA+LL)。每個電極對的輸出信號稱為一組導程。導程簡單的說就是從不同的角度去看心臟電流的變化。心電圖的種類可以以導程來區分，如3導程心電圖，5導程心電圖與12導程心電圖，等等。12導程心電圖是臨床最常見的一種，可以同時記錄體表12組導程的電位變化，並在心電圖紙上描繪出12組導程信號，常用於一次性的心電圖診斷。前述的12組導程分別為肢體導程分為三個標準導程(I、II、III)和三個加壓單極導程(aVR、aVL、aVF)胸導程共6個(左邊V2-V6；右邊V1)。
而醫生以其學識與經驗藉由判讀心電圖的電位變化，確認心律狀況進而進行診斷是否有心律不整症狀，一般心電圖通常會由將波形分成P、Q、R、S、T波，用以幫助判斷心律狀況。以下為它們各自所代表的意義，請參閱圖1所示：
P波：在一次完整的心臟電位變化中，出現的第一個偏離即稱為P波。這時心房會發生去極化造成心房收縮。
PR段：指的是P波到發生QRS波中間的時間段。
QRS波組：QRS並非固定的排序，在命名上，波組中第一個向下偏轉的波形稱為Q波，若向上則稱為R波，而接續R波之後的負向偏轉稱為S波。值得注意的是，QRS並非三者必然同時存在，也可能出現只有QR、QS，或甚至只有R波的可能性。
ST段：QRS波與T波中間的時間段。
T波：心室再極化造成心室舒張。
QT間隔：指的是心臟收縮到舒張結束的所需時間長度。有一種「長QT症候群」便是指QT間隔過長，造成的心臟症狀。
又，醫生人工判讀心電圖可能一時不察疏忽，導致可能沒有準確地判讀到某些病徵，因此，如何開發一種可將患者的心電訊號以自動化比對的方式，提供給醫生作為判讀的參考，藉以使得醫生可以提高判讀心電圖的正確率，增加心電圖的解讀可靠性，達到真正輔助醫生診斷的目的，因此有許多人針對此一問題進行研究開發，例如：臺灣發明專利第I590802(發明名稱：心律不整診斷資料庫建立方法與心電圖心律不整判斷系統)、I653967(發明名稱：心律不整診斷系統與裝置及心律不整辨識方法)、201023829(發明名稱：用於偵測和診斷心臟疾病和失調症的方法、系統和裝置)，或者國立台灣師範大學機電工程學系碩士論文「基於深度學習之心律不整輔助診斷系統」(研究生：游凱翔)。
然而，前述的專利前案或者學位論文提到的辨識系統或方法中，提到的辨識方式通常僅是針對其中一個導程，但是醫生對於心電圖的波形解讀，以及進行心臟疾病判斷，並非以單一導程進行判斷，例如：當前壁心肌梗塞時，導程V1,V2,V3及V4會有大Q波。當側壁心肌梗塞時，導程I及AVL會有大Q波。當後壁心肌梗塞時，導程V1及V2會有"大R波"、ST節段"下降"，導程V6可能會有大Q波。當下壁(橫膈膜壁)心肌梗塞時，導程II,III及AVF會有大Q波。
又如維基百科提到ECG中常見的病理表現如下：
因此，如何讓心電圖可以進行一次性的整體判讀，獲得多種可能的病徵資訊，藉以達到更好的輔助醫生診斷病症的目的，乃是目前亟待解決的問題。
有鑑於先前技術的問題，本發明之目的，係為了可以將一張心電圖中的多組導程進行判別，並且從多組導城之中分別找出可能的病徵，提供給醫生作為診斷病症的可靠參考資料。
根據本發明之目的，係提供一種輔助辨識病徵之訊號比對方法，係包括將具有多組導程的心電圖資料中分別拆成單一導程資料，將各單一導程資料在神經網路以預先訓練完成的辨識模型進行一次辨識，並分別產生一個一次特徵資料，將一次特徵資料進行二次辨識，二次辨識係將第一次特徵資料中相同病徵最多者作為第二次特徵資料。
其中，心電圖資料的各單一導程資料係以212格式儲存。
其中，二次辨識係將第一次特徵資料相同的病徵的數量加總，並以各病徵總數量最大者，作為第二次特徵資料。
基於上述可知，本發明並非以整個心電圖進行判斷，而是將各導程分別進行判斷，進而可以從各導程中分別辨識出可能的病徵，再將所有導程中辨識出來的病徵總數量最大者，作為第二次的特徵資料，可以減少誤判，提高輔助診斷的正確性及可靠性。
1:心電圖資料
10:單一導程資料
2:神經網路
20:輸入層
22:隱藏層
24:輸出層
3:第一次特徵資料
4:第二次特徵資料
S101~S103:步驟流程
S201~S207:步驟流程
圖1係本發明之流程示意圖。
圖2係本發明之心電圖分拆成單一導程示意圖。
圖3係本發明之單一導程進行一次辨識與二次辨識的架構示意圖。
圖4係本發明之神經網路架構示意圖。
圖5係本發明之另一較佳實施例流程示意圖。
為了使本發明的目的、技術方案及優點更加清楚明白，下面結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，但並不用於限定本發明。
請參閱圖1所示，本發明係一種輔助辨識病徵之訊號比對方法，係包括下列步驟：
(S101)將具有多組導程的心電圖資料1分別拆成單一導程資料10(如圖2所示)，在此實施例中，心電圖資料係為心電圖量測後產生的心電圖波形影像，其中每一個導程即為如圖2標示之I、II、III、AVR、AVL、AVF、V1、V2、V3、V4、V5、V6)及分拆為其中一個單一導程資料10；(S102)將各單一導程資料10在神經網路2以預先訓練完成的辨識模型進行一次辨識，並分別產生一個一次特徵資料(如圖3所示)，在本發明之一實施例中，請參閱圖4所示，神經網路2中輸入層20有二十四個輸入值、隱藏層22為二十九個神經元、輸出層24有四個輸出值，但是本發明在實際實施時，並不限於此，其中所述神經網路2為習知之全連接神經網路(Fully-connect Neural Network,FNN)；(S103)將一次特徵資料於二次辨識模型22進行二次辨識，二次辨識係將第一次特徵資料3中相同病徵最多者作為第二次特徵資料(如圖4所示)，其中判斷相同病徵最多者的方式係將第一次特徵資料3相同的病徵的數量加總，並以各病徵總數量最大者，作為第二次特徵資料3。
神經網路2在本發明中，利用開源PhysioBank中的聖彼得堡INCART12導程心律異常資料庫(St Petersburg INCART 12-lead Arrhythmia Database，以下簡稱：心律異常資料庫)作為訓練出辨識模型的資料來源，此在心律異常資料庫中統一採用「212格式」進行儲存。此心律異常資料庫包括32個病人，其中有17男性及15女性，其年齡介於18-80歲，並且這些病人中包括有10種病徵，分別為心肌梗塞((Myocardial infarction；MI))、短暫性腦缺血發作(英文：transient ischemic attack(TIA)、俗稱"小中風")、先前的心肌梗塞(prior myocardial infarction)冠狀動脈疾病(英語：coronary artery disease,CAD)、竇房結功能障礙(sinus node dysfunction,SND)、室上性心搏過速(Supraventricular tachycardia)心
房顫動(英語：Atrial fibrillation，簡稱：Af)、沃爾夫-巴金森-懷特氏症候群(Wolff-Parkinson-WhiteSyndrome，以下簡稱WPW症候群)、房室傳導阻滯(atrioventricular block，AVB)、束支傳導阻斷(Bundle branch block)，因此，本發明利用這個資料進行訓練完成的模型係能辨識出此10病徵。
前述的212格式的資料儲存定義由三個部分組成，且資料儲存格式皆為ASCII碼，其一為注釋文件檔以「.atr」作為副檔名儲存，其中的數據紀錄了心電專家對相應的心電訊號做出診斷資訊，其二為數據文件檔以「.dat」作為副檔名儲存，其中數據可以轉換成心電圖波形，其三為檔頭文件檔以「.hea」作為副檔名儲存，其中的數據紀錄了採樣率、採樣點、導程...等資訊。本發明中即是使用前述的數據文件轉成心電圖影像，並且利用檔頭文件及注釋文件的數據標記所標記出病徵標記，並據以作為訓練出辨識模型的資料來源。
在本發明中，將心電圖分成個別單一個導程並分別進行辨識所使用的參數量，係遠低於傳統方法將整個心電圖不分導程進行辨識所使用的參數量，舉例而言，傳統方法的神經網路的處理參數量為24*12*4以及4*4，其中24*12*4的24*12的部分係指一張心電圖解析度大小(24*12像素)，而24*12*4的*4的部分指神經網路的隱藏層的神經元數量為四個神經元，而4*4是指神經網路2的隱藏層的神經元數量為四個神經元，而輸出值為四個，前述的輸出值為三種病症及一個沒有病症(正常)，故總共參數量為1168個。而本發明的神經網路2的處理參數量為24*29以及4*29，其中24*29是指在神經網路2的辨識模型20中輸入層20有二十四個輸入值、隱藏層22為二十九個神經元，4*29是指隱藏層22為二十九個神經元、輸出層24有四個輸出值，前述的四個輸出值為三種病症及一個沒有病症(正常)，故總共的參數量為812個，由前述兩者比較可知，本發明的參數量大
約只有傳統方法的70%，而較少的參數量表示需要較少的記憶體，而較少的記憶體表示電路設計所需的空間及成本相對低許多。
在此需要陳明的是，前述的本發明的二十四個輸入值依照心律異常資料庫所取得的資料來源而定，例如：一個心搏週期內的不同檢測點量測出來的訊號，不同檢測點所指的是一個心搏週期內QRS波、十二個導程等檢測點、二尖瓣膜開啟/關閉、主動脈瓣膜開啟/關閉或其他病徵量測點...等。又，本發明的隱藏層22的神經元數量也未限制為二十九個，此隱藏層的數量是由神經網路的訓練過程所決定。而輸出值為四個，前述的輸出值為三種病症及一個沒有病症(正常)，但若要辨識更多的病症就會增加輸出值的數量，當然隱藏層的神經元數量、輸入值數量等也會有所調整。請參閱圖5所示，本發明係一種輔助辨識病徵之訊號比對方法另一較佳實施例流程示意圖。本發明輔助辨識病徵之訊號比對方法，係包括下列步驟：
步驟(S201)：提供一神經網路以及一心律資料庫，該心律資料庫包括有若干個病理心電圖資料以及若干個心律正常心電圖資料，每一病理心電圖資料具有若干個病理特徵資料，每一心律正常心電圖資料具有若干個心律正常特徵資料。其中，該病理心電圖資料、該心律正常心電圖資料以及該待判斷心電圖資料為心電圖量測後產生的心電圖波形影像。
步驟(S2011)：每一該病理心電圖資料具有12個病理導程資料，部分二該病理導程資料間為交錯重疊，該病理導程資料以212格式儲存。
步驟(S2012)：將該病理心電圖資料中12個病理導程資料，分別拆成未交錯重疊的12個獨立病理導程資料。
步驟(S2013)：將該病理心電圖資料中12個獨立病理導程資料輸入該神經網路，轉換得到若干個病理特徵資料。
步驟(S2014)：每一該心律正常心電圖資料具有12個心律正常導程資料，部分二該心律正常導程資料間為交錯重疊，該心律正常導程資料以212格式儲存。
步驟(S2015)：將該心律正常心電圖資料中12個心律正常導程資料，分別拆成未交錯重疊的12個獨立心律正常導程資料。
步驟(S2016)：將該心律正常心電圖資料中12個獨立心律正常導程資料輸入該神經網路，轉換得到若干個心律正常特徵資料。
步驟(S202)：提供一待判斷心電圖資料。
步驟(S2021)：該待判斷心電圖資料具有12個待判斷導程資料，部分二該待判斷導程資料間為交錯重疊，該待判斷導程資料以212格式儲存。
步驟(S2022)：將該待判斷心電圖資料中12個待判斷導程資料，分別拆成未交錯重疊的12個獨立待判斷導程資料。
步驟(S203)：將該待判斷心電圖資料中12個獨立待判斷導程資料輸入該神經網路，轉換得到若干個待判斷特徵資料。
步驟(S204)：將若干個該待判斷特徵資料同時與同一該病理心電圖資料中的若干個該病理特徵資料相比對，且計算符合該病理心電圖資料中所佔百分比；以及與同一該心律正常心電圖資料中的若干個該心律正常特徵資料相比對，且計算符合該正常心電圖資料中所佔百分比；
步驟(S205)：判斷該待判斷心電圖資料是否符合該心律正常心電圖資料，其中，判斷該待判斷心電圖資料是否符合該心律正常心電圖資料為即時判斷。若是，則步驟(S206)：停止作動。若否，則步驟(S207)：選擇符合所佔百
分比最高的該病理心電圖資料，判斷該待判斷心電圖資料是否符合該心律正常心電圖資料，將所有該心律正常心電圖資料中所佔百分比皆超過一預定百分比。
據上所述，本發明可以一次分別對多個單個導程進行辨識，因此可以在各個導程中辨識出一個或多個病徵，相對於傳統方法只能提供一個病徵而言，將可以讓醫生有更多的資訊可以進行診斷，藉以早期發現可能的病症，達到輔助醫生進行診斷的目的，另外，本發明是將各導程分別進行辨識可以使用較少的參數量進行判斷，相較於傳統辨識方式以心電圖波形影像的全部一起進行辨識，本發明比傳統辨識方法的參數量少，因此本發明的硬體需求的成本降低許多。
上列詳細說明係針對本發明的可行實施例之具體說明，惟前述的實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。
S101~S103:步驟流程
Claims (8)
- 一種輔助辨識病徵之訊號比對方法，係包括下列步驟：提供一神經網路以及一心律資料庫，該心律資料庫包括有若干個病理心電圖資料以及若干個心律正常心電圖資料，每一病理心電圖資料具有若干個病理特徵資料，每一心律正常心電圖資料具有若干個心律正常特徵資料；提供一待判斷心電圖資料；將該待判斷心電圖資料輸入該神經網路，轉換得到若干個待判斷特徵資料；將若干個該待判斷特徵資料同時與同一該病理心電圖資料中的若干個該病理特徵資料相比對，且計算符合該病理心電圖資料中所佔百分比；以及與同一該心律正常心電圖資料中的若干個該心律正常特徵資料相比對，且計算符合該正常心電圖資料中所佔百分比。
- 如請求項1所述的輔助辨識病徵之訊號比對方法，其中，該病理心電圖資料、該心律正常心電圖資料以及該待判斷心電圖資料為心電圖量測後產生的心電圖波形影像。
- 如請求項1所述的輔助辨識病徵之訊號比對方法，其中，每一該病理心電圖資料具有12個病理導程資料，部分二該病理導程資料間為交錯重疊；將該病理心電圖資料中12個病理導程資料，分別拆成未交錯重疊的12個獨立病理導程資料；將該病理心電圖資料中12個獨立病理導程資料輸入該神經網路，轉換得到若干個病理特徵資料。
- 如請求項3所述的輔助辨識病徵之訊號比對方法，其中，該病理導程資料以212格式儲存。
- 如請求項1所述的輔助辨識病徵之訊號比對方法，其中，每一該心律正常心電圖資料具有12個心律正常導程資料，部分二該心律正常導程資料間為交錯重疊；將該心律正常心電圖資料中12個心律正常導程資料，分別拆成未交錯重疊的12個獨立心律正常導程資料；將該心律正常心電圖資料中12個獨立心律正常導程資料輸入該神經網路，轉換得到若干個心律正常特徵資料。
- 如請求項5所述的輔助辨識病徵之訊號比對方法，其中，該心律正常導程資料以212格式儲存。
- 如請求項1所述的輔助辨識病徵之訊號比對方法，其中，該待判斷心電圖資料具有12個待判斷導程資料，部分二該待判斷導程資料間為交錯重疊；將該待判斷心電圖資料中12個待判斷導程資料，分別拆成未交錯重疊的12個獨立待判斷導程資料；將該待判斷心電圖資料中12個獨立待判斷導程資料輸入該神經網路。
- 如請求項7所述的輔助辨識病徵之訊號比對方法，其中，該待判斷導程資料以212格式儲存。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110137191 | 2021-10-06 | ||
| TW110137191 | 2021-10-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202315574A TW202315574A (zh) | 2023-04-16 |
| TWI827239B true TWI827239B (zh) | 2023-12-21 |
Family
ID=86943044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111133783A TWI827239B (zh) | 2021-10-06 | 2022-09-06 | 輔助辨識病徵之訊號比對方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI827239B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI834543B (zh) * | 2023-04-21 | 2024-03-01 | 國立勤益科技大學 | 一種心電圖st區段形態自動分類方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI590802B (zh) * | 2016-03-14 | 2017-07-11 | 國立勤益科技大學 | 心律不整診斷資料庫建立方法與心電圖心律不整判斷系統 |
| US20180214088A1 (en) * | 2016-09-24 | 2018-08-02 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| CN111956212A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 |
| WO2021031155A1 (zh) * | 2019-08-21 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种基于ecg的多尺度特征提取方法及装置 |
| TW202129657A (zh) * | 2020-01-17 | 2021-08-01 | 長佳智能股份有限公司 | 心律分類模型建立方法 |
-
2022
- 2022-09-06 TW TW111133783A patent/TWI827239B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI590802B (zh) * | 2016-03-14 | 2017-07-11 | 國立勤益科技大學 | 心律不整診斷資料庫建立方法與心電圖心律不整判斷系統 |
| US20180214088A1 (en) * | 2016-09-24 | 2018-08-02 | Sanmina Corporation | System and method for obtaining health data using a neural network |
| WO2021031155A1 (zh) * | 2019-08-21 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种基于ecg的多尺度特征提取方法及装置 |
| TW202129657A (zh) * | 2020-01-17 | 2021-08-01 | 長佳智能股份有限公司 | 心律分類模型建立方法 |
| CN111956212A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202315574A (zh) | 2023-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019100566A1 (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| WO2022052300A1 (zh) | 一种基于深度学习的心电参数计算方法 | |
| RU2719017C2 (ru) | Способ и система для выявления ишемии миокарда с использованием экг | |
| Zhou et al. | ECG quality assessment using 1D-convolutional neural network | |
| TWI827239B (zh) | 輔助辨識病徵之訊號比對方法 | |
| Vondrak et al. | Review of processing pathological vectorcardiographic records for the detection of heart disease | |
| Prakash et al. | An automated diagnosis system for cardiac arrhythmia classification | |
| Hssayeni et al. | ECG Fiducial Point Localization Using a Deep Learning Model | |
| CN113288156B (zh) | 一种任意导联视角的心电数据的生成方法 | |
| Firoozabadi et al. | Modeling and classification of the ST segment morphology for enhanced detection of acute myocardial infarction | |
| Ariyarajah et al. | Specific electrocardiographic markers of P-wave morphology in interatrial block | |
| ES2924149B2 (es) | Metodo de pronostico de una arritmia auricular a partir de un electrocardiograma de ritmo sinusal | |
| Han et al. | Automatic detection of ECG lead-wire interchange for conventional and Mason-Likar lead systems | |
| Yuniadi et al. | A new electrocardiographic algorithm to differentiate upper loop re-entry from reverse typical atrial flutter | |
| Merdjanovska et al. | Benchmarking deep learning methods for arrhythmia detection | |
| CN112603328A (zh) | 一种基于深度学习的心电图波段标注系统 | |
| Yang et al. | Use of an artificial neural network to differentiate between ECGs with IRBBB patterns of atrial septal defect and healthy subjects | |
| KR102725740B1 (ko) | 심전도 신호를 이용한 신경망 기반의 심근경색 진단 시스템 | |
| Heena | Analysis and classification of heart abnormalities | |
| Lodhi et al. | Detection of Myocardial Infarction in ECG Base Leads using Deep Convolutional Neural Networks | |
| Kaur et al. | A review on arrhythmia detection using ECG signal | |
| Mneimneh et al. | An electrophysiological cardiac model with applications to ischemia detection and infarction localization | |
| Donnelly et al. | Intelligent data analysis for the classification of body surface potential maps | |
| Zhang et al. | Novel-Dataset Based Electrocardiogram Diagnosis of Atrial Fibrillation with Deep Learning: A Prospective Study | |
| Braojos et al. | Level Accuracy of Automatic and Real Time Detection of Atrial Fibrillation with A New Wireless ECG Recorder (The SmartCardia) |