[go: up one dir, main page]

CN110403601A - 基于深度学习的心电信号qrs波群识别方法 - Google Patents

基于深度学习的心电信号qrs波群识别方法 Download PDF

Info

Publication number
CN110403601A
CN110403601A CN201910793584.5A CN201910793584A CN110403601A CN 110403601 A CN110403601 A CN 110403601A CN 201910793584 A CN201910793584 A CN 201910793584A CN 110403601 A CN110403601 A CN 110403601A
Authority
CN
China
Prior art keywords
data
prediction model
data segment
probability
recognition methods
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.)
Pending
Application number
CN201910793584.5A
Other languages
English (en)
Inventor
洪申达
傅兆吉
周荣博
俞杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Voice Of Anhui Medical Technology Co Ltd
Original Assignee
Voice Of Anhui Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Voice Of Anhui Medical Technology Co Ltd filed Critical Voice Of Anhui Medical Technology Co Ltd
Priority to CN201910793584.5A priority Critical patent/CN110403601A/zh
Publication of CN110403601A publication Critical patent/CN110403601A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。本方法依赖于数据，在医疗信息化快速发展并积累了大量数据的今天，具有更大的使用潜力和价值。

Description

基于深度学习的心电信号QRS波群识别方法
技术领域
本发明涉及医学技术领域，尤其涉及一种基于深度学习的心电信号QRS波群识别方法。
背景技术
心电信号(Electrocardiogram，ECG)记录了心脏跳动的电生理信号，每一次跳动可以分为P波、QRS波群(QRS-complex)、T波等，分别对应了心房除极活动、心室除极心房复极活动、心室复极活动。其中，QRS波群是心脏跳动电生理信号最为明显的特征波段，它反映了心室收缩射血时的心肌活动情况，这也是心脏泵血的最重要的一步，对人体的血液循环意义重大。
QRS波群的识别是心电图解读(ECG Interpretation)的第一步，只有正确识别出QRS波群的位置才能:(1)计算每一次心脏活动持续的时间，进而计算最基本的心率等指标；(2)通过QRS波群的位置，进一步找到P波、ST段和T波的位置，进而计算QT间期、PR间期等指标。
QRS波群的识别可以被进一步用于诊断多种疾病，例如，左心室肥大的诊断标准为：V5导联的R波电压+V1导联的S波电压，女性大于3.5mV，男性大于4.0mV。无法正确识别出QRS波群的位置，就无法作出该诊断。
传统的QRS波群识别采用模式识别方法，基于专家的领域知识，并使用信号处理的相关手段，增强QRS波群位置附近的信号强度，减弱其他位置的信号强度，最后采用阈值的手段筛选出QRS波群。
QRS波群的形态多样，难以准确描述，模式识别方法很难考虑到所有可能出现的情况，一旦出现了未曾考虑的情况，精度就会出现严重下降。不同健康状态下，人的QRS波群表现不同。例如，正常窦性心律的QRS波群较窄，而发生了室性早博的QRS波群会明显增宽。不同人的心脏的位置、方向、活动强度也不一样，会导致QRS波群的形态在相同的导联上出现巨大差异。
QRS波群的识别会受到其他特征波形态的干扰。例如，当右心房肥厚时，出现高耸的“肺型P波”；如果出现心肌缺血损伤、高血钾、及心包炎等疾病时，会出现高尖的T波。在上述情况下，采用模式识别方法很容易将P波或者T波误认为是QRS波群。
容易受到噪声的干扰。采集过程中会遇到肢体移动、临近设备电干扰、肌肉电干扰等不同类型噪音，这些噪音叠加在QRS波群上就会使得形态发生改变，降低模式识别方法的精度。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度学习的心电信号QRS波群识别方法。
本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：
S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；
S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；
S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。
优选的，步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃。
优选的，d大于或等于QRS波群宽度的两倍。
优选的，频率阈值为500Hz，d＝0.25s。
优选的，步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：
S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数；标注每一条样本数据Xi中出现的所有QRS波群的位置；
S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为
S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0；
步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：
S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0，1]；对深度神经网络F中的变量进行初始化；
S25、定义目标函数Obj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：
如果lij＝1，CrossEntropy(lij，yij)＝-log(yij)；
如果lij＝0，CrossEntropy(lij，yij)＝-log(1-yij)；
S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。
优选的，步骤S21中，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。
优选的，步骤S24中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。
优选的，步骤S24中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。
优选的，全连接层的输出通过Sigmoid激活函数进行归一化处理。
优选的，目标函数Obj通过随机梯度下降法求取最优解。
本发明提出的一种基于深度学习的心电信号QRS波群识别方法，建立基于人工智能的深度学习方法，依靠深度学习强大的数据学习能力和灵活的组成架构，进行QRS波群的自动识别，替代传统的基于专家领域知识的模式识别方法。本方法依赖于数据，在医疗信息化快速发展并积累了大量数据的今天，具有更大的使用潜力和价值。
本发明中，通过数据等长切分，对数据段进行模型训练，有利于丰富训练样本的丰富，从而提高预测模块的训练精确度。同时，以数据段为单位进行QRS波群的概率y的预测，对于QRS波群的定位更加精确。
本发明中，通过提前设置数据预处理模型，保证了样本数据的预处理与获得心电信号数据的预处理的一致，从而保证了通过预测模型对心电信号数据进行预测的准确度。且，本发明中，通过预测模型根据包含QRS波群的概率对数据段进行提取，然后拼接形成QRS波群。如此，实现了每一条心电信号数据的筛选过滤，提高了最终的QRS波群的精确度和低噪声，有利于提高心电信号的识别效率和精确度。
附图说明
图1为本发明提出的一种基于深度学习的心电信号QRS波群识别方法流程图；
图2为本发明提出的一种基于深度学习的心电信号QRS波群识别方法流程图。
具体实施方式
参照图1，本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：
S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段。具体的，本实施方式中，对于采样率不等于频率阈值的数据，可通过现有的下采样或者上采样将采样率转换为频率阈值。
S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型。
具体的，本实施方式中，通过数据等长切分，对数据段进行模型训练，有利于丰富训练样本的丰富，从而提高预测模块的训练精确度。同时，以数据段为单位进行QRS波群的概率y的预测，对于QRS波群的定位更加精确。
S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。具体的，本实施方式中，概率阈值为50％。
本实施方式中，通过提前设置数据预处理模型，保证了样本数据的预处理与获得心电信号数据的预处理的一致，从而保证了通过预测模型对心电信号数据进行预测的准确度。且，本实施方式中，通过预测模型根据包含QRS波群的概率对数据段进行提取，然后拼接形成QRS波群。如此，实现了每一条心电信号数据的筛选过滤，提高了最终的QRS波群的精确度和低噪声，有利于提高心电信号的识别效率和精确度。
具体的，本实施方式的步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃，以保证切分获得的数据段的长度的一致。具体的，d大于或等于QRS波群宽度的两倍，以避免QRS波群被切断，从而降低QRS波群识别精度。
具体的，本实施方式中，频率阈值为500Hz，d＝0.25s。如此，切分后的数据段可包含0.25×500＝125个数据点，以保证数据段的长度，避免QRS波群丢失。
本实施方式步骤S1具体为：获得数据，并将第i条数据记录为：其中，c为导联数，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。ni为第i条数据的长度；将数据采样率归一化为预设的的频率阈值，然后通过长度为d的滑动窗口切分将频率归一化处理后的数据Xi，获得mi条数据段1≤j≤mi。
参照图2，本实施方式的步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：
S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。；标注每一条样本数据Xi中出现的所有QRS波群的位置。
S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为
本实施方式中，对于样本数据先标注后切分，有利于减少标注对象，提高标注效率。
S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0。本步骤中，实现了对于各数据段包含QRS波群的实际概率的标记。
步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：
S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0，1]；对深度神经网络F中的变量进行初始化。本步骤中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。
具体的，本实施方式中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。
心电信号数据是一种典型的时序数据。本实施方式中，通过一维卷积层的应用，可以有效地从心电信号数据中提取特征波段的局部特征。通过K个一维卷积层加深了神经网络的深度，能够更好地学习到不同层级的特征，从而增加QRS波群识别的精度。本实施方式中，考虑到网络的加深会使得模型的训练过程变得更加困难，故而使用线性整流函数ReLU作为一维卷积层的激活函数，以降低模型训练难度。
本实施方式中，全连接层的输出层节点个数为1，并将全连接层的输出作为网络的输出，然后，将该输出值归一化为取值在0到1之间的概率，表示包含QRS波群的概率。本实施方式中，全连接层的输出通过Sigmoid激活函数进行归一化处理，
S25、定义目标函数0bj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：
如果lij＝1，CrossEntropy(lij，yij)＝-log(yij)；
如果lij＝0，CrossEntropy(lij，yij)＝-log(1-yij)。
本实施方式中，通过目标函数Obj，可度量真实标签li和预测概率yi之间的差异。
S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。
本实施方式中，目标函数Obj通过随机梯度下降法求取最优解。具体的，在对深度神经网络F进行训练时，每次选取训练数据集(即标注过的样本数据集合)中的一批样本数据，通过前向传播和反向传播对神经网络模型F的参数进行梯度更新；针对每一次更新后的神经网络模型F，记录目标函数的变化曲线，经过多轮的迭代，当目标函数的数值不再明显下降时，停止训练过程，保存此时的网络模型参数，得到训练完毕的深度神经网络模型作为预测模型。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的心电信号QRS波群识别方法，其特征在于，包括：
S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；
S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；
S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。
2.如权利要求1所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃。
3.如权利要求1所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，d大于或等于QRS波群宽度的两倍。
4.如权利要求3所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，频率阈值为500Hz，d＝0.25s。
5.如权利要求1至4任一项所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：
S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数；标注每一条样本数据Xi中出现的所有QRS波群的位置；
S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为
S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0；
步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：
S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0,1]；对深度神经网络F中的变量进行初始化；
S25、定义目标函数Obj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：
如果lij＝1，CrossEntropy(lij，yij)＝-log(yij)；
如果lij＝0，CrossEntropy(lij，yij)＝-log(1-yij)；
S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。
6.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S21中，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。
7.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S24中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。
8.如权利要求7所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S24中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。
9.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，全连接层的输出通过Sigmoid激活函数进行归一化处理。
10.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，目标函数Obj通过随机梯度下降法求取最优解。
CN201910793584.5A 2019-08-27 2019-08-27 基于深度学习的心电信号qrs波群识别方法 Pending CN110403601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910793584.5A CN110403601A (zh) 2019-08-27 2019-08-27 基于深度学习的心电信号qrs波群识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910793584.5A CN110403601A (zh) 2019-08-27 2019-08-27 基于深度学习的心电信号qrs波群识别方法

Publications (1)

Publication Number Publication Date
CN110403601A true CN110403601A (zh) 2019-11-05

Family

ID=68369235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910793584.5A Pending CN110403601A (zh) 2019-08-27 2019-08-27 基于深度学习的心电信号qrs波群识别方法

Country Status (1)

Country Link
CN (1) CN110403601A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111345816A (zh) * 2020-02-25 2020-06-30 广州视源电子科技股份有限公司 多导联qrs波群检测方法、装置、设备及存储介质
CN112603328A (zh) * 2020-12-24 2021-04-06 浙江大学温州研究院 一种基于深度学习的心电图波段标注系统
CN115115038A (zh) * 2022-08-30 2022-09-27 合肥心之声健康科技有限公司 一种基于单导联心电信号的模型构建方法及性别识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101919695A (zh) * 2010-08-06 2010-12-22 李楚雅 一种基于小波变换的心电信号qrs波检测方法
US20110224565A1 (en) * 2010-03-15 2011-09-15 Singapore Health Services Pte Ltd. Method of predicting acute cardiopulmonary events and survivability of a patient
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN108113647A (zh) * 2016-11-28 2018-06-05 深圳先进技术研究院 一种心电信号分类装置及方法
CN108509823A (zh) * 2017-02-24 2018-09-07 深圳市理邦精密仪器股份有限公司 Qrs波群的检测方法及装置
CN109864737A (zh) * 2019-04-02 2019-06-11 安徽心之声医疗科技有限公司 一种心电信号中p波识别方法和系统
CN110037680A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 心电图的识别方法及装置、存储介质、计算机设备
CN110084096A (zh) * 2019-03-12 2019-08-02 苏州哈特智能医疗科技有限公司 基于小波变换和k平均聚类算法的心电信号p波提取方法
CN110141216A (zh) * 2019-05-29 2019-08-20 清华大学深圳研究生院 一种心电信号qrs特征波的识别方法、训练方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224565A1 (en) * 2010-03-15 2011-09-15 Singapore Health Services Pte Ltd. Method of predicting acute cardiopulmonary events and survivability of a patient
CN101919695A (zh) * 2010-08-06 2010-12-22 李楚雅 一种基于小波变换的心电信号qrs波检测方法
CN108113647A (zh) * 2016-11-28 2018-06-05 深圳先进技术研究院 一种心电信号分类装置及方法
CN108509823A (zh) * 2017-02-24 2018-09-07 深圳市理邦精密仪器股份有限公司 Qrs波群的检测方法及装置
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN110037680A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 心电图的识别方法及装置、存储介质、计算机设备
CN110084096A (zh) * 2019-03-12 2019-08-02 苏州哈特智能医疗科技有限公司 基于小波变换和k平均聚类算法的心电信号p波提取方法
CN109864737A (zh) * 2019-04-02 2019-06-11 安徽心之声医疗科技有限公司 一种心电信号中p波识别方法和系统
CN110141216A (zh) * 2019-05-29 2019-08-20 清华大学深圳研究生院 一种心电信号qrs特征波的识别方法、训练方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111345816A (zh) * 2020-02-25 2020-06-30 广州视源电子科技股份有限公司 多导联qrs波群检测方法、装置、设备及存储介质
CN111345816B (zh) * 2020-02-25 2022-11-04 广州视源电子科技股份有限公司 多导联qrs波群检测方法、装置、设备及存储介质
CN112603328A (zh) * 2020-12-24 2021-04-06 浙江大学温州研究院 一种基于深度学习的心电图波段标注系统
CN115115038A (zh) * 2022-08-30 2022-09-27 合肥心之声健康科技有限公司 一种基于单导联心电信号的模型构建方法及性别识别方法
CN115115038B (zh) * 2022-08-30 2022-11-08 合肥心之声健康科技有限公司 一种基于单导联心电信号的模型构建方法及性别识别方法

Similar Documents

Publication Publication Date Title
CN110403601A (zh) 基于深度学习的心电信号qrs波群识别方法
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
CN110897633A (zh) 基于深度神经网络的心电信号分割方法
CN110890155A (zh) 一种基于导联注意力机制的多类心律失常检测方法
CN106108889A (zh) 基于深度学习算法的心电图分类方法
CN106214145A (zh) 一种基于深度学习算法的心电图分类方法
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN112826513B (zh) 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
CN111956207B (zh) 一种心电记录标注方法、装置、设备及存储介质
CN115486855B (zh) 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN107616791A (zh) 基于自适应心电信号区域分割的标准12导联心电分段线性重建方法
CN115881308A (zh) 基于时空联合检测的心脏疾病分类模型构建方法
CN110236529A (zh) 一种基于modwt和lstm的多导联心律失常智能诊断方法
Ince et al. Automated patient-specific classification of premature ventricular contractions
CN109171703A (zh) 基于可穿戴式体感网的心电信号的获取与处理方法
Singh et al. Short and noisy electrocardiogram classification based on deep learning
Yesudasu et al. A Review on Analysis of Cardiac Arrhythmia from Heart Beat Classification
Lei et al. AFC-ECG: An adaptive fuzzy ECG classifier
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
Sakhare et al. An approach for ECG beats classification using adaptive neuro fuzzy inference system
Zabihi et al. An electrocardiogram signal classification using a hybrid machine learning and deep learning approach
Kadbi et al. Classification of ECG arrhythmias based on statistical and time-frequency features
Sharan Detecting cardiac abnormalities using 12-lead ecg and deep learning
Gad Feature extraction of electrocardiogram signals using discrete sinc transform
Tamil et al. A review on feature extraction & classification techniques for biosignal processing (Part I: Electrocardiogram)

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191105

RJ01 Rejection of invention patent application after publication