TWI833462B - 一種動態心電圖st改變事件自動偵測方法 - Google Patents
一種動態心電圖st改變事件自動偵測方法 Download PDFInfo
- Publication number
- TWI833462B TWI833462B TW111144591A TW111144591A TWI833462B TW I833462 B TWI833462 B TW I833462B TW 111144591 A TW111144591 A TW 111144591A TW 111144591 A TW111144591 A TW 111144591A TW I833462 B TWI833462 B TW I833462B
- Authority
- TW
- Taiwan
- Prior art keywords
- layer
- hre
- ise
- electrocardiogram
- training
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000002565 electrocardiography Methods 0.000 title abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 15
- 230000000302 ischemic effect Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000031225 myocardial ischemia Diseases 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 208000019622 heart disease Diseases 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
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本發明一種動態心電圖ST改變事件自動偵測方法,包含有輸入心電圖訊號、建立訓練與測試資料集、建立深度學習模型及訓練與測試深度學習模型等步驟,即分別採用取得之受測者經量測所得的心電圖訊號,及採用記錄有各自獨立且選自不同受測者之心電圖訊號,並建立為所需的訓練資料集與測試資料集,而後用於建立有特徵提取層與分類層之深度學習模型進行訓練與測試的執行,不但能提高模型訓練速度與進行分線性的轉換,更能輸出各類別的預測機率的計算來產生辨識結果,以有效自動辨識輸入之心電圖訊號是否屬於ST改變事件的準確性。
Description
本發明係有關於一種針對心電圖訊號是否為ST改變事件的辨識,特別是指一種動態心電圖ST改變事件自動偵測方法。
查,藉由提取心電圖訊號的特徵對於心臟病患者的診斷是非常重要的,而心電圖包含有不同類型的波形特徵,例如P、Q、R、S、T、U 波,其中大多數時候U波是隱藏的,Q、R、S波稱為QRS波群,從S波的終點到T波的起點稱為ST區段,ST區段的分析可用於監測是否有出現心肌缺血,早期診斷和治療心肌缺血是非常重要的,因為心肌缺血是一種含氧血液供應不足或需求過多的狀態,會導致部分心肌失去電活動,並可能導致急性心肌梗塞,最壞的情況甚至會導致死亡。
而造成ST區段的水平與形態出現短暫改變的幾個可能的原因,以及其對應的ST改變事件名稱如下:
(1)心肌缺血,稱為缺血性ST改變事件 (Ischemic Event; ISE)。
(2)心率變化,稱為心率相關的ST改變事件 (Heart Rate Related Event; HRE)。
(3)姿勢改變,稱為軸偏移事件 (Axis Shift Event; ASE)。
(4)心室傳導改變,稱為傳導改變事件 (Conduction Change Event; CCE)。
是以,根據長時間ST資料庫 (Long-Term ST Database)的註記方法,要判斷ST改變事件的方法非常繁複,包括下列步驟:
(1)心電圖號的前置處理,包括重新取樣、QRS偵測、移除雜訊、計算瞬時心率、自動尋找等電位線、量測ST區段的準位、移除不正常的心跳與鄰近心跳、移除被雜訊干擾的心跳。
(2)手動調整等電位線和J點的位置。
(3)後置處理,包括電位線和J點位置的內插、心跳對準與平均、ST水平函數(ST Level Function)的推導。
(4)ST改變事件的註記推導,包括手動追蹤參考水平、顯著ST位移的手動註記、ST改變事件的手動或自動註記。
因此,在心電圖中註記ST事件的基礎是ST水平函數,其示意圖如圖1(a)所示,每一個心電圖記錄開始進行註記時,會在ST水平穩定至少5分鐘之後,建立一個全局參考(Global Reference;GR)水平註記,所有後續的ST註記都會參考這個全局參考水平,接下來則是手動追蹤隨著時間改變的ST水平,但不包括ISE、HRE、以及雜訊所引起的ST水平偏差,追踪過程允許專家在考慮後排除某些ST水平的改變,這些改變可能是顯著的(>50μV),但是在臨床上並不重要,當ST水平的改變超過50μV時,在ST水平改變的前後各標示一個局部參考(Local Referenct)註記R,代表發生明顯的ST水平改變(Significant ST Shift),接著,在短暫的ST事件(Transient ST Episode)之後,標示註記R,最後,當ST水平下降回到全局參考水平時,再標示註記R,如圖1(a)所示,總共標示4個R註記。將4個R註記的ST水平用直線連接起來,則可以得到ST參考函數(ST Reference Function),如圖1(b)所示;再將ST水平函數減去ST參考函數則可以進一步得到ST偏差函數,如圖1(c)所示,它可以清楚地顯示ST水平的偏差,而根據ST偏差函數,只要滿足下列條件,就註記為ISE/HRE事件:
(1)當ST偏差首次超過50μV時,註記為事件起始點。
(2) ST偏差到達或超過V_min,至少連續維持T_min秒。
(3) 當ST偏差小於50μV時(且接下來30秒內ST偏差都沒有超過50μV),註記為事件結束點。
而在長時間ST資料庫中會提供有三種不同的協定,其為協定A、B和C,且每一協定中分別對應不同的V
min和T
min,來註記ISE/HRE,即協定A:V
min=75μV,T
min=30s;協定B:V
min=100μV,T
min=30s;協定C:V
min=100μV,T
min=60s;且在長時間ST資料庫提供ISE/HRE的註記包括事的起始點、極值點(ST資偏差達到最大)、與結束點,然而,在長時間ST資料庫中並沒有對ASE與CCE的註記標準有相關的說明,只提供事件中心點的註記,且在ASE與CCE的註記也沒有使用協定ABC的標準,是以,當一段心電圖訊號被註記為ISE/HRE事件之後,再由專家根據ST區段的形態再註記為ISE或HRE事件,長時間ST資料庫的統記資料顯示,使用協定A、B、C時,平均一個ISE事件的持續時間分別為7分鐘53秒、9分鐘55秒以及11分鐘36秒。
因此,根據上述的ISE/HRE事件的註記方法,要在24小時心電圖記錄中正確的判別ISE或HRE事件是需要大量的人力與時間成本,是以,為了減少判斷ST改變事件所需要的人力與時間成本之問題,在本案發明人潛心研究並更深入構思,且針對前述問題歷經多次研發改善後,以提出本發明之申請。
因此,本發明之目的,是在提供一種動態心電圖ST改變事件自動偵測方法,利用建立具有深度學習類神經網路模型所形成的自動化偵測模式,以利針對受測者的心電圖訊號進行偵測辨識,以有效自動辨識輸入之心電圖訊號是否屬於ST改變事件。
於是,本發明一種動態心電圖ST改變事件自動偵測方法,包含有輸入心電圖訊號、建立訓練與測試資料集、建立深度學習模型及訓練與測試深度學習模型等步驟,因此,在該建立訓練與測試資料集時,是取前一步驟之該心電圖訊號,與選用記錄有各自獨立且選自不同受測者之心電圖訊號中,分以10秒鐘具有非缺血性ST改變事件 (Ischemic Event; ISE)或心率相關的ST改變事件 (Heart Rate Related Event; HRE)心電圖訊號、10秒鐘具有缺血性ST改變事件 (Ischemic Event; ISE)心電圖訊號、與10秒鐘心率相關的ST改變事件 (Heart Rate Related Event; HRE)心電圖訊號,並分別註記且建立為所需的訓練與測試資料集,並用於由輸入至輸出具有特徵提取層及分類層所建立之該深度學習模型來進行訓練與測試的執行,以通過該特徵提取層可提高模型訓練速度與進行分線性的轉換,再用該分類層具有輸出各類別的預測機率的計算,以對所建立之訓練資料集與測試資料集以數等份之交叉驗證方式來訓練與測試,使受測者的心電圖訊號通過深度學習計算進行訓練與測試演算,有效自動辨識輸入之心電圖訊號是否屬於ST改變事件的準確性,不但最終輸出一辨識結果顯示出,使其結果平均的測試準確度可達到85%以上。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之較佳實施例的詳細說明中,將可清楚的明白。
參閱圖2,本發明一較佳實施例,一種動態心電圖ST改變事件自動偵測方法,包含有一輸入心電圖訊號,一建立訓練集與測試集資料,一建立深度學習模型以及一訓練與測試深度學習模型等步驟;其中,在該輸入心電圖訊號步驟中即取得複數受測者經量測所得的心電圖訊號。
接續前述,在該建立訓練集與測試集資料步驟中,其分別先採用前一步驟之複數受測者的心電圖訊號建立為所需的訓練與測試資料集,以及再採用記錄有各自獨立且選自不同受測者之心電圖訊號建立為所需的訓練與測試資料集,而前述採用記錄有各自獨立且選自不同受測者之心電圖訊號是選用長時間ST資料庫 (Long-Term ST Database)所提供,且建立在該訓練與測試資料集中的心電圖訊號,是以複數受測者與記錄有各自獨立且選自不同受測者之心電圖訊號中,選取10秒鐘具有非缺血性ST改變事件 (Ischemic Event; ISE)或心率相關的ST改變事件 (Heart Rate Related Event; HRE)心電圖訊號、10秒鐘具有缺血性ST改變事件 (Ischemic Event; ISE)心電圖訊號、與10秒鐘心率相關的ST改變事件 (Heart Rate Related Event; HRE)心電圖訊號,並分別註記且建立為所需的訓練與測試資料集,同時在受測者之心電圖訊號中選取10秒鐘非ISE/ HRE心電圖訊號的步驟如下:
步驟1:從受測者24小時心電圖記錄中,選取10秒鐘心電圖訊號。
步驟2:判斷步驟1所選取的10秒鐘心電圖訊號是否位於ISE/ HRE或雜訊區域,如果是,回到步驟1,並選取下一個10秒鐘心電圖訊號,若為不是,則進入下一步驟3。
步驟3:儲存步驟1所選取的10秒鐘心電圖訊號,並註記為非ISE/ HRE。
接續前述,同時在受測者之心電圖訊號中選取10秒鐘ISE或 HRE心電圖訊號的步驟如下:
步驟1:選擇協定A、B或C。
步驟2:根據資料庫的註記,選取一個完整的ISE或 HRE。
步驟3:根據ISE或HRE的偏差函數,定義Vmax所在時間點的前10秒與後15秒的區間為10秒鐘ISE或 HRE的選取區間(即圖中標示之紅色),如圖3所示。
步驟4:在該10秒鐘ISE或 HRE的選取區域中,以間隔30/P秒鐘的方式選取一個10秒鐘心電圖訊號,因此總共會選取P個10秒鐘ISE或 HRE心電圖訊號,並一據資料庫提供的註記,分別註記為ISE或 HRE。
接續前述,請參閱圖4,在該建立深度學習模型步驟中,即分別以輸入至輸出之特徵提取層與分類層來建立深度學習模型,其中,該特徵提取層包括有十層的一維卷積層,請配合參閱圖5,且該每一卷積層具有一卷積核大小皆為3×1的卷積層,一個批次標準化層,一個採用整流線性式(Rectified Linear Unit;ReLU)6函數之計算機率的激活層,一個池化大小為2的最大池化層,以及一個具有50%捨棄率的捨棄層,而前述該批次標準化層與捨棄層可以提高模型訓練的速度與降低過度擬合的情形,同時該激活層採用ReLU6函數的使用,可以幫助該深度學習模型在每次的卷積運算後進行分線性轉換,並能夠更有效的擬合非線性函數。
而在該分類層中包括一可將多維度的特徵向量轉為一維向量的平坦層,二具有512個神經元的全連接層,以及一使用激勵函數為Softmax之具有3個神經元的全連接層,而前述該平坦層得以用來將多為的特徵轉換為一維的特徵向量,以提供後續作為輸入之訊號,另,該每一全連接層中還具有一批次標準化層,一使用整流線性式(Rectified Linear Unit;ReLU)6函數來計算機率的激活層(Activation),一池化大小為2的最大池化層,以及一具50%捨棄濾的捨棄層,而前述二具有512個神經元的該全連接層中的激活層與該特徵提取層中的卷積層相同,皆是使用具有ReLU6函數,同時該函數的最大特性會限制輸出的最大值為6,因此能夠讓該卷積層或全連接層的輸出結果被線制在一定範圍內,又,該具有3個神經元的全連接層所使用的激勵函數,是使用於輸出各類別的預測機率。
至於,在該訓練與測試深度學習模型步驟中,將其述步驟中所建立之訓練資料集與測試資料集用來訓練與測試所提出的深度學習模型,即在長時間ST資料庫中,採用的80位受測者有非ISE/ HRE的心電圖訊號,其中有61位受測者同時具有ISE心電圖訊號,以及有27位受測者同時具有HRE心電圖訊號,是以,將所有10秒鐘心電圖訊號分為3個組,分別是非ISE/ HRE組、ISE組與HRE組,即如下列表1所列出之訓練資料集與測試資料集的10秒鐘心電圖的總數量,以及10等份交叉驗證中每一等份10秒鐘心電圖的數量,即例如為某位受測者有M個完整的ISE事件,且從該位受測者中需取出N個10秒鐘心電圖,則在本實施例中會從每一個完整的ISE事件平均選取P=N/M個10秒鐘心電圖(其選取方式如上述選取10秒鐘ISE或HRE心電圖訊號的步驟說明),是以,在採用的10等份交叉驗證方法中,其每一次只測試1等份的心電圖訊號,而其他9等份的心電圖訊號用於訓練模型,且同一位受測者的心電圖訊號不會被分配到不同等份中,以以確保每一次進行訓練與測試都是獨立的受測者,換言之,因為都是來自於不同受測者心電圖訊號,藉此可避免在進行訓練與測試過程中,會同時出現來自於同一為受測者類似的心電圖訊號的情況產生。
表1:訓練與測試資料集10秒鐘心電圖的數量
訓練與測試資料集 | ISE | HRE | 非ISE/HRE |
10秒鐘心電圖的總數量 | 15,250 250個/人× 61人 | 13,500 500個/人× 27人 | 16,000 200個/人× 80人 |
10等份交叉驗證中的每一等份的10秒鐘心電圖的數量 | 250個/人× (6或7人) | 500個/人× (2或3人) | 200個/人× 8人 |
是以,通過本發明所提出一種動態心電圖ST改變事件自動偵測方法之技術,以利用建立具有深度學習類神經網路模型所形成的自動化偵測模式,不但可使受測者的心電圖訊號通過深度學習計算進行訓練與測試演算後號產生辨識結果,更能有效自動辨識輸入之心電圖訊號是否屬於ST改變事件的準確性,且其結果顯示平均的測試準確度可達到85%以上。
歸納前述,本發明一種動態心電圖ST改變事件自動偵測方法,其主要以輸入心電圖訊號、建立訓練與測試資料集、建立深度學習模型及訓練與測試深度學習模型等步驟,利用建立具有深度學習類神經網路模型所形成的自動化偵測模式,以利針對輸入之受測者的心電圖訊號進行偵測辨識,並通過該深度學習模型之特徵提取層可提高模型訓練速度與進行分線性的轉換,以及再利用該深度學習模型之分類層具有輸出各類別的預測機率的計算,並以數等份之交叉驗證方式來訓練與測試,使受測者的心電圖訊號通過深度學習計算進行訓練與測試演算,有效自動辨識輸入之心電圖訊號是否屬於ST改變事件,使其結果平均的測試準確度可達到85%以上,並輸出一辨識結果。
惟以上所述者,僅為說明本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
(本發明)無
圖1(a)至圖1(c)是習知長時間ST資料庫之ISE或HRE事件的註記方法的ST水平函數、ST參考函數以及ST偏差函數之示意圖。
圖2是本發明之一較佳實施例之流程圖。
圖3是該較佳實施例之10秒鐘ISE或HRE的選取區間接(標示為紅色)的示意圖。
圖4是該較佳實施例之深度學習模型方塊圖。
圖5是該較佳實施例之卷積層方塊圖。
Claims (4)
- 一種動態心電圖ST改變事件自動偵測方法,其包含有:輸入心電圖訊號,其輸入為複數受測者經量測所得的心電圖訊號;建立訓練與測試資料集,其分別先採用前一步驟所述之複數受測者的心電圖訊號建立為所需的訓練與測試資料集,以及再採用長時間ST資料庫(Long-Term ST Database)所提供之資料建立,其記錄有各自獨立且選自不同受測者之心電圖訊號建立為所需的訓練與測試資料集,即選取該等受測者心電圖訊號之10秒鐘具有非缺血性ST改變事件(Ischemic Event;ISE)或心率相關的ST改變事件(Heart Rate Related Event;HRE)心電圖訊號、10秒鐘具有缺血性ST改變事件(Ischemic Event;ISE)心電圖訊號、與10秒鐘心率相關的ST改變事件(Heart Rate Related Event;HRE)心電圖訊號,並註記建立為所需的訓練與測試資料集;建立深度學習模型,該深度學習模型的建立由輸入至輸出包括有特徵提取層及分類層,其中,該特徵提取層包含有十層的一維卷積層,且每一該卷積層具有一卷積核大小皆為3×1的卷積層,一個批次標準化層,一個採用整流線性式(Rectified Linear Unit;ReLU)6函數之計算機率的激活層,一個池化大小為2的最大池化層,以及一個具有50%捨棄率的捨棄層,另,該分類層包含有一可將多維度的特徵向量轉為一維向量的平坦層,二具有512個神經元的全連接層,以及一使用激勵函數為Softmax之具有3個神經元的全連接層,即先由該特徵提取層可提高 模型訓練速度與進行分線性的轉換,再用該分類層輸出各類別的預測機率的計算;以及訓練與測試深度學習模型,其採用上述步驟所建立之訓練資料集與測試資料集之數等份,以交叉驗證方式來訓練與測試所提出的深度學習模型,即每一次只測試一等份的心電圖訊號,其他等份的心電圖訊號用於訓練模型,亦即同一位受測者的心電圖訊號不會被分配到不同等份中,以確保每一次進行訓練與測試都是獨立的受測者,並產生辨識結果,不但可顯示訓練與測試對於ISE/HRE、ISE與HRE平均正確性,更可有效自動偵測辨識輸入之心電圖訊號是否屬於ST改變事件的準確性。
- 根據請求項1所述一種動態心電圖ST改變事件自動偵測方法,其中,該具有512個神經元的全連接層中還包括有一批次標準化層,一使用整流線性式(Rectified Linear Unit;ReLU)6函數來計算機率的激活層(Activation),一池化大小為2的最大池化層,以及一具50%捨棄濾的捨棄層。
- 根據請求項1所述一種動態心電圖ST改變事件自動偵測方法,其中,在受測者之心電圖訊號中選取10秒鐘非ISE/HRE心電圖訊號的方式有:步驟1:從受測者24小時心電圖記錄中,選取10秒鐘心電圖訊號;步驟2:判斷步驟1所選取的10秒鐘心電圖訊號是否位於ISE/HRE或雜訊區域,如果是,回到步驟1,並選取下一個10秒鐘心電圖訊號,若為不是,則進入下一步驟3;及 步驟3:儲存步驟1所選取的10秒鐘心電圖訊號,並註記為非ISE/HRE。
- 根據請求項1所述一種動態心電圖ST改變事件自動偵測方法,其中,在受測者之心電圖訊號中選取10秒鐘ISE或HRE心電圖訊號的方式有:步驟1:選擇協定A、B或C;步驟2:根據資料庫的註記,選取一個完整的ISE或HRE;步驟3:根據ISE或HRE的偏差函數,定義Vmax所在時間點的前10秒與後15秒的區間為10秒鐘ISE或HRE的選取區間;及步驟4:在該10秒鐘ISE或HRE的選取區域中,以間隔30/P秒鐘的方式選取一個10秒鐘心電圖訊號,因此總共會選取P個10秒鐘ISE或HRE心電圖訊號,並一據資料庫提供的註記,分別註記為ISE或HRE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111144591A TWI833462B (zh) | 2022-11-22 | 2022-11-22 | 一種動態心電圖st改變事件自動偵測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111144591A TWI833462B (zh) | 2022-11-22 | 2022-11-22 | 一種動態心電圖st改變事件自動偵測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI833462B true TWI833462B (zh) | 2024-02-21 |
TW202421067A TW202421067A (zh) | 2024-06-01 |
Family
ID=90824945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111144591A TWI833462B (zh) | 2022-11-22 | 2022-11-22 | 一種動態心電圖st改變事件自動偵測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI833462B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
CN112932433A (zh) * | 2021-02-05 | 2021-06-11 | 青岛大学 | 一种心电图的心律失常自动分类方法 |
CN112932500A (zh) * | 2021-01-29 | 2021-06-11 | 联想(北京)有限公司 | 心电异常处理方法、装置及系统 |
US20210280281A1 (en) * | 2018-02-24 | 2021-09-09 | Lepu Medical Technology (Bejing) Co., Ltd. | Ecg information processing method and ecg workstation |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
-
2022
- 2022-11-22 TW TW111144591A patent/TWI833462B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107951485A (zh) * | 2017-11-27 | 2018-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
US20210280281A1 (en) * | 2018-02-24 | 2021-09-09 | Lepu Medical Technology (Bejing) Co., Ltd. | Ecg information processing method and ecg workstation |
CN112932500A (zh) * | 2021-01-29 | 2021-06-11 | 联想(北京)有限公司 | 心电异常处理方法、装置及系统 |
CN112932433A (zh) * | 2021-02-05 | 2021-06-11 | 青岛大学 | 一种心电图的心律失常自动分类方法 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202421067A (zh) | 2024-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5634065B2 (ja) | 生物医学的信号形態分析手法 | |
Rajpurkar et al. | Cardiologist-level arrhythmia detection with convolutional neural networks | |
WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
JP4768095B2 (ja) | 心臓機能を表す信号の特性を決定するシステム | |
US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
CN107137072A (zh) | 一种基于1d卷积神经网络的室性异位搏动检测方法 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
Sedighian et al. | Pediatric heart sound segmentation using Hidden Markov Model | |
CN111743531A (zh) | 心电节律和形态异常识别及装置 | |
JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
Choudhary et al. | Analyzing seismocardiographic approach for heart rate variability measurement | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
TWI833462B (zh) | 一種動態心電圖st改變事件自動偵測方法 | |
Hori et al. | Arrhythmia detection based on patient-specific normal ECGs using deep learning | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
TW202422570A (zh) | 使用動態心電圖與深度學習模型的st改變事件自動定位方法 | |
TWI837003B (zh) | 一種具有時間關聯性分析的st改變事件偵測方法 | |
Konstantin et al. | Noise-resilient Automatic Interpretation of Holter ECG Recordings | |
Merdjanovska et al. | Benchmarking deep learning methods for arrhythmia detection | |
TWI839194B (zh) | 一種心電圖st區段自動定位方法 | |
US20240145094A1 (en) | Method for establishing heart failure assessment program and method for assessing occurrence of heart failure | |
Lodhi et al. | Detection of Myocardial Infarction in ECG Base Leads using Deep Convolutional Neural Networks | |
CN116269285B (zh) | 一种非接触式常态化心率变异性估计系统 |