WO2022166307A1 - 一种基于特征提取与深度学习的心电信号自动分类方法 - Google Patents
一种基于特征提取与深度学习的心电信号自动分类方法 Download PDFInfo
- Publication number
- WO2022166307A1 WO2022166307A1 PCT/CN2021/131597 CN2021131597W WO2022166307A1 WO 2022166307 A1 WO2022166307 A1 WO 2022166307A1 CN 2021131597 W CN2021131597 W CN 2021131597W WO 2022166307 A1 WO2022166307 A1 WO 2022166307A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- signal
- ecg signal
- deep learning
- ecg
- time
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于特征提取与深度学习的心电信号自动分类方法,将心电信号由一维数据转化为二维数据,利用图像处理与深度学习相结合,提高了心电信号房颤分类的准确性。将心电信号形成多种变换图像,分别从中提取出有益的深度学习特征,辅以提取的心电信号的特征,从而达到精准判别、精准分类的效果,在融合特征5折分类测试中,准确度能达到99%以上。二维图像的采集可分别通过时域信号增强变换、短时傅里叶变换(STFT)、S变换、格拉姆角变换等时域与时频信号处理算法实现。不同图像采集方法得到的二维图像在深度学习网络中都取得了理想的效果,融合了手工提取特征后模型的抗干扰能力与分类准确率进一步增强。
Description
本发明涉及动态心电信号处理领域,具体涉及一种基于特征提取与深度学习的心电信号自动分类方法。
心电信号是反映心脏活动重要指标,在心电信号分类领域,特征提取主要靠手动。首先,在提取特征时会遇到诸如噪声、信号倒置等问题,影响最终的分类效果。其次,手动提取特征过程复杂、繁琐,且部分特征分类效果不好,甚至会误导分类的结果,而单纯采用基于深度学习的分类方法也存在提取特征无效、分类准确性不高等问题。
发明内容
本发明为了克服以上技术的不足,提供了一种能够降低心电信号中的各类干扰对分类的影响,还能够从多角度、多层次获得特征的心电信号自动分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于特征提取与深度学习的心电信号自动分类方法,包括如下步骤:
a)获取用于训练的心电信号,获得心电信号的类别标签,并进行预处理;
b)将步骤a)中的心电信号分别转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图;
c)将步骤b)中转化后的心电信号的图像送入卷积神经网络中,获得各个图像的深度学习特征;
d)将步骤c)中深度学习特征提取出来,与提取的心电信号特征进行融合,形成特征融合分类器;
e)将待分类的心电信号一步骤b)中的方式转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图,将转化后的图像输入步骤c)中的卷积神经网络中获得深度学习特征,将深度学习特征提取出来;
f)将步骤e)中提取的特征输入到步骤d)中的特征融合分类器中进行分类,得到分类结果。
进一步的,步骤a)中采用椭圆带通滤波器对心电信号中存在的基线漂移、运动伪影的噪声信号进行去除,对心电信号倒置进行纠正,完成心电信号的预处理。
进一步的,步骤a)中的心电信号从可穿戴心电衣中获取或从标准心电数据库中获取。
进一步的,步骤b)包括如下步骤:
b-1)通过公式signalImage=f(signal,mapH,mapW)计算得到心电信号signal的二维时域增强图signalImage,式中mapH为构建的二维时域增强图的图像高度,mapW为构建的二维时域增强图的图像宽度;
b-2)通过公式
及
计算二维时域增强图signalImage的横坐标x和纵坐标y,式中x
0为位于横坐标x左侧的心电信号signal中对应点的横坐标,x
1为位于横坐标x右侧的心电信号signal中对应点的横坐标,y
0为位于纵坐标y左侧的心电信号signal中对应点的纵坐标,y
1为位于纵坐标y右侧的心电信号signal中对应点的纵坐标,sigRangeW为心电信号signal的信号长度,n为小于mapW的正整数,N
*为正整数,通过公式Imagex=ceil((1:sigRangeW)·*(mapW/sigRangeW))及Image y=ceil((y-min(y))·*(mapH/(max(y)-min(y))))计算二维时域增强图signalImage中显示为亮色的点的横坐标Imagex及纵坐标Image y,式中·*为点乘计算,ceil()为ceil函数,max(y)为纵坐标y中的最大值,min(y)为纵坐标y中的最小值,通过公式signalImage=zeros(mapH,mapW)及signalImage(Imagex,Image y)得到以纯黑色为底色,增强后的心电信号为白色的二维图像,式中zeros()为zeros函数;
进一步的,上述窗函数为汉明窗。
进一步的,步骤c)从卷积层中提取特征时通过公式
进行最大池化处理,得到最大值y
max(i,j),式中a为以坐标i,j为中心相邻的若干点的横坐标,b为以坐标i,j为中心相邻的若干点的纵坐标,f()为激活函数,通过公式A=f(xW+b)计算非线性变换后的输出结果A,A为深度学习特征,式中b为偏置项,W为全连接权重。
进一步的,步骤d)中提取心电信号特征包括如下步骤:
d-1)通过公式
计算心电信号中R-R间期的平均值MeanRR,
计算心电信号中R-R间期差分值的平均值MeanΔRR,式中RRinterval
i为每一个间期的时长,ΔRRinterval
i为相邻间期的时长差;
d-3)通过公式
计算得到心电信号中的SDNN信号,通过公式
计算得到心电信号中的SDSD信号,通过公式
计算得到心电信号中的rMSSD信号,通过公式
计算得到心电信号中pNN50信号,式中NN50为ΔRRinterval
i中大于50ms的个数。
本发明的有益效果是:将心电信号由一维数据转化为二维数据,利用图像处理与深度学习相结合,提高了心电信号房颤分类的准确性。将心电信号形成多种变换图像,分别从中提取出有益的深度学习特征,辅以提取的心电信号的特征,从而达到精准判别、精准分类的效果,在融合特征5折分类测试中,准确度能达到99%以上。二维图像的采集可分别通过时域信号加强变换、短时傅里叶变换(STFT)、S变换、格拉姆角变换等时域与时频信号处理算法实现。将不同图像采集方法得到的二维图像在深度学习网络中都取得了理想的效果,融合了手工提取特征后模型的抗干扰能力与分类准确率进一步增强。
图1为本发明的方法流程图。
下面结合附图1对本发明做进一步说明。
一种基于特征提取与深度学习的心电信号自动分类方法,包括如下步骤:
a)获取用于训练的心电信号,获得心电信号的类别标签,并进行预处理;
b)将步骤a)中的心电信号分别转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图;
c)将步骤b)中转化后的心电信号的图像送入卷积神经网络中,获得各个图像的深度学习特征;
d)将步骤c)中深度学习特征提取出来,与提取的心电信号特征进行融合,形成 特征融合分类器;
e)将待分类的心电信号一步骤b)中的方式转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图,将转化后的图像输入步骤c)中的卷积神经网络中获得深度学习特征,将深度学习特征提取出来;
f)将步骤e)中提取的特征输入到步骤d)中的特征融合分类器中进行分类,得到分类结果。
将心电信号由一维数据转化为二维数据,利用图像处理与深度学习相结合,提高了心电信号房颤分类的准确性。将心电信号形成多种变换图像,分别从中提取出有益的深度学习特征,辅以提取的心电信号的特征,从而达到精准判别、精准分类的效果,在融合特征5折分类测试中,准确度能达到99%以上。二维图像的采集可分别通过时域信号加强变换、短时傅里叶变换(STFT)、S变换、格拉姆角变换等时域与时频信号处理算法实现。将不同图像采集方法得到的二维图像在深度学习网络中都取得了理想的效果,融合了手工提取特征后模型的抗干扰能力与分类准确率进一步增强。
实施例1:
步骤a)中采用椭圆带通滤波器对心电信号中存在的基线漂移、运动伪影的噪声信号进行去除,对心电信号倒置进行纠正,完成心电信号的预处理。
实施例2:
步骤a)中的心电信号从可穿戴心电衣中获取或从标准心电数据库中获取。
实施例3:
步骤b)包括如下步骤:
b-1)通过公式signalImage=f(signal,mapH,mapW)计算得到心电信号signal的二维时域增强图signalImage,式中mapH为构建的二维时域增强图的图像高度,mapW为构建的二维时域增强图的图像宽度;
b-2)通过公式
及
计算二维时域增强图signalImage的横坐标x和纵坐标y,式中x
0为位于横坐标x 左侧的心电信号signal中对应点的横坐标,x
1为位于横坐标x右侧的心电信号signal中对应点的横坐标,y
0为位于纵坐标y左侧的心电信号signal中对应点的纵坐标,y
1为位于纵坐标y右侧的心电信号signal中对应点的纵坐标,sigRangeW为心电信号signal的信号长度,n为小于mapW的正整数,N
*为正整数,通过公式Imagex=ceil((1:sigRangeW)·*(mapW/sigRangeW))及Image y=ceil((y-min(y))·*(mapH/(max(y)-min(y))))计算二维时域增强图signalImage中显示为亮色的点的横坐标Imagex及纵坐标Image y,式中·*为点乘计算,ceil()为ceil函数,max(y)为纵坐标y中的最大值,min(y)为纵坐标y中的最小值,通过公式signalImage=zeros(mapH,mapW)及signalImage(Imagex,Image y)得到以纯黑色为底色,增强后的心电信号为白色的二维图像,式中zeros()为zeros函数;
实施例4:
上述窗函数为汉明窗。
实施例5:
步骤c)从卷积层中提取特征时通过公式
进行最大池化处理,得到最大值y
max(i,j),式中a为以坐标i,j为中心相邻的若干点的横坐标,b为以坐标i,j为中心相邻的若干点的纵坐标,f()为激活函数,通过公式A=f(xW+b)计算非线性变换后的输出结果A,A为深度学习特征,式中b为偏置项,W为全连接权重。
实施例6:
步骤d)中提取心电信号特征包括如下步骤:
d-1)通过公式
计算心电信号中R-R间期的平均值MeanRR,
计算心电信号中R-R间期差分值的平均值MeanΔRR,式中RRinterval
i为每一个间期的时长,ΔRRinterval
i为相邻间期的时长差;
d-3)通过公式
计算得到心电信号中的SDNN信号,通过公式
计算得到心电信号中的SDSD信号,通过公式
计算得到心电信号中的rMSSD信号,通过公式
计算得到心电信号中pNN50信号,式中NN50为ΔRRinterval
i中大于50ms的个数。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、 改进等,均应包含在本发明的保护范围之内。
Claims (7)
- 一种基于特征提取与深度学习的心电信号自动分类方法,其特征在于,包括如下步骤:a)获取用于训练的心电信号,获得心电信号的类别标签,并进行预处理;b)将步骤a)中的心电信号分别转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图;c)将步骤b)中转化后的心电信号的图像送入卷积神经网络中,获得各个图像的深度学习特征;d)将步骤c)中深度学习特征提取出来,与提取的心电信号特征进行融合,形成特征融合分类器;e)将待分类的心电信号一步骤b)中的方式转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图,将转化后的图像输入步骤c)中的卷积神经网络中获得深度学习特征,将深度学习特征提取出来;f)将步骤e)中提取的特征输入到步骤d)中的特征融合分类器中进行分类,得到分类结果。
- 根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法,其特征在于:步骤a)中采用椭圆带通滤波器对心电信号中存在的基线漂移、运动伪影的噪声信号进行去除,对心电信号倒置进行纠正,完成心电信号的预处理。
- 根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法,其特征在于:步骤a)中的心电信号从可穿戴心电衣中获取或从标准心电数据库中获取。
- 根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法,其特征在于,步骤b)包括如下步骤:b-1)通过公式signalImage=f(signal,mapH,mapW)计算得到心电信号signal的二维时域增强图signalImage,式中mapH为构建的二维时域增强图的图像高度,mapW为构建的二维时域增强图的图像宽度;b-2)通过公式 及 计算二维时域增强图signalImage的横坐标x和纵坐标y,式中x 0为位于横坐标x左侧的心电信号signal中对应点的横坐标,x 1为位于横坐标x右侧的心电信号signal中对应点的横坐标,y 0为位于纵坐标y左侧的心电信号signal中对应点的纵坐标,y 1为位于纵坐标y右侧的心电信号signal中对应点的纵坐标,sigRangeW为心电信号signal的信号长度,n为小于mapW的正整数,N *为正整数,通过公式Imagex=ceil((1:sigRangeW)·*(mapW/sigRangeW))及Imagey=ceil((y-min(y))·*(mapH/(max(y)-min(y))))计算二维时域增强图signalImage中显示为亮色的点的横坐标Imagex及纵坐标Imagey,式中·*为点乘计算,ceil()为ceil函数,max(y)为纵坐标y中的最大值,min(y)为纵坐标y中的最小值,通过公式signalImage=zeros(mapH,mapW)及signalImage(Imagex,Imagey)得到以纯黑色为底色,增强后的心电信号为白色的二维图像,式中zeros()为zeros函数;
- 根据权利要求4所述的基于特征提取与深度学习的心电信号自动分类方法,其特征在于:所述窗函数为汉明窗。
- 根据权利要求4所述的基于特征提取与深度学习的心电信号自动分类方法,其特征在于,步骤d)中提取心电信号特征包括如下步骤:d-1)通过公式 计算心电信号中R-R间期的平均值MeanRR, 计算心电信号中R-R间期差分值的平均值MeanΔRR,式中RRintervali为每一个间期的时长,ΔRRintervali为相邻间期的时长差;
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170731.0A CN112842348B (zh) | 2021-02-07 | 2021-02-07 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
CN202110170731.0 | 2021-02-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022166307A1 true WO2022166307A1 (zh) | 2022-08-11 |
Family
ID=75989179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/131597 WO2022166307A1 (zh) | 2021-02-07 | 2021-11-19 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112842348B (zh) |
WO (1) | WO2022166307A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116584902A (zh) * | 2023-07-18 | 2023-08-15 | 山东大学 | 基于特征选优及可视化的心音分类装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112842348B (zh) * | 2021-02-07 | 2021-09-14 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
CN113486752B (zh) * | 2021-06-29 | 2023-06-16 | 吉林大学 | 基于心电信号的情感识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9642577B1 (en) * | 2016-08-16 | 2017-05-09 | American Reliance, Inc. | Methods and systems for disease analysis based on transformations of diagnostic signals |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111449644A (zh) * | 2020-03-19 | 2020-07-28 | 复旦大学 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
CN111616706A (zh) * | 2020-05-20 | 2020-09-04 | 山东中科先进技术研究院有限公司 | 一种基于卷积神经网络的表面肌电信号分类方法及系统 |
CN112842348A (zh) * | 2021-02-07 | 2021-05-28 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751873B2 (en) * | 2006-11-08 | 2010-07-06 | Biotronik Crm Patent Ag | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
CN102289795B (zh) * | 2011-07-29 | 2013-05-22 | 上海交通大学 | 基于融合思想的视频时空联合增强方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN108714026B (zh) * | 2018-03-27 | 2021-09-03 | 杭州电子科技大学 | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 |
CN111436926B (zh) * | 2020-04-03 | 2021-04-20 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
CN111789574A (zh) * | 2020-07-02 | 2020-10-20 | 山东省人工智能研究院 | 一种ecg信号质量评估方法 |
CN112270359A (zh) * | 2020-10-29 | 2021-01-26 | 山西三友和智慧信息技术股份有限公司 | 一种一维序列升维聚类方法及系统 |
-
2021
- 2021-02-07 CN CN202110170731.0A patent/CN112842348B/zh active Active
- 2021-11-19 WO PCT/CN2021/131597 patent/WO2022166307A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9642577B1 (en) * | 2016-08-16 | 2017-05-09 | American Reliance, Inc. | Methods and systems for disease analysis based on transformations of diagnostic signals |
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和系统 |
CN111449644A (zh) * | 2020-03-19 | 2020-07-28 | 复旦大学 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
CN111616706A (zh) * | 2020-05-20 | 2020-09-04 | 山东中科先进技术研究院有限公司 | 一种基于卷积神经网络的表面肌电信号分类方法及系统 |
CN112842348A (zh) * | 2021-02-07 | 2021-05-28 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116584902A (zh) * | 2023-07-18 | 2023-08-15 | 山东大学 | 基于特征选优及可视化的心音分类装置 |
CN116584902B (zh) * | 2023-07-18 | 2024-05-07 | 山东大学 | 基于特征选优及可视化的心音分类装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112842348B (zh) | 2021-09-14 |
CN112842348A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022166307A1 (zh) | 一种基于特征提取与深度学习的心电信号自动分类方法 | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN105447837B (zh) | 基于自适应云模型的多模态脑部图像融合方法 | |
CN109035166A (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN105701477B (zh) | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 | |
CN106339998A (zh) | 基于对比度金字塔变换的多聚焦图像融合方法 | |
CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
Liao et al. | Fusion of infrared-visible images in UE-IoT for fault point detection based on GAN | |
CN105574515A (zh) | 一种无重叠视域下的行人再识别方法 | |
CN108765327A (zh) | 一种基于景深和稀疏编码的图像去雨方法 | |
CN110570387A (zh) | 一种基于特征级Copula模型相似性的图像融合方法 | |
CN111460953A (zh) | 一种基于对抗域自适应学习的心电信号分类方法 | |
CN106157264A (zh) | 基于经验模式分解的大幅面图像不均匀光照校正方法 | |
CN112666426A (zh) | 基于多光谱三合一图像的设备故障检测方法及系统 | |
CN105118051A (zh) | 一种应用于静态图像人体分割的显著性检测方法 | |
CN111652076A (zh) | 一种面向ad量表理解能力测试的姿态自动识别系统 | |
CN105930793A (zh) | 一种基于sae特征可视化学习的人体检测方法 | |
CN108921147A (zh) | 一种基于动态纹理和变换域时空特征的黑烟车识别方法 | |
CN105931235A (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 | |
CN108090460A (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取算法 | |
Liu et al. | A dynamic weights-based wavelet attention neural network for defect detection | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21924303 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21924303 Country of ref document: EP Kind code of ref document: A1 |