CN111345814A - 一种心电信号中心拍的分析方法、装置、设备和存储介质 - Google Patents
一种心电信号中心拍的分析方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111345814A CN111345814A CN202010085728.4A CN202010085728A CN111345814A CN 111345814 A CN111345814 A CN 111345814A CN 202010085728 A CN202010085728 A CN 202010085728A CN 111345814 A CN111345814 A CN 111345814A
- Authority
- CN
- China
- Prior art keywords
- loss
- point
- anchor
- heart beat
- anchor point
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 125
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 60
- 230000000747 cardiac effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000007689 inspection Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010009 beating Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001615 p wave Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/24—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
- A61B5/24—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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开了一种心电信号中心拍的分析方法、装置、设备和存储介质。该方法包括：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对样本信号进行特征提取，生成样本信号在三个尺度上的特征向量；根据特征向量构建预设长度的锚点，根据锚点计算心拍的基准点位置；将每个心拍在对应的宽度范围内的特征向量输入到类型识别模块，依次经过类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，五维向量用于表征心拍对应属于五种心拍类型的概率。本实施例实现自动对模块进行同步训练，节约了训练时间。
Description
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种心电信号中心拍的分析方法、装置、设备和存储介质。
背景技术
目前我国的心血管疾病患者数量约为2.6亿，心血管死亡率占城乡居民疾病死亡构成的首位，并且患病人数依然在持续增加。心电信号反应了心脏活动的电生理过程。由于基于心电信号的检查成本低，使用方便，因此被广泛用于心血管疾病的检查和诊断。图1给出了一个典型的心电波形。正常的心电信号一般由P波，QRS复合波和T波组成，有时候也会有u波。其中P波表示了心房收缩的电活动，QRS波和T分别表示了心室收缩和舒张的电活动。
心电分析算法是心电图机、心电监护仪等诊断和分析设备中的重要组成部分。心电分析算法通过对心电信号进行测量和分类，能够检测多种疾病并及时发出警报。在实际使用过程中，心电分析通常为首先进行心拍位置检测(又称为QRS检波)，然后在检出的心拍位置上进行基准点检测(如QRS波起点、终点等)和类型识别(正常，室上性异常，室性异常等)，最终输出分析结果。一旦心拍位置检测模块输出的心拍位置发生变化，会严重影响后续的基准点检测和心拍类型识别的性能。现有算法通常针对不同步骤设计了不同的功能模块，并分别测试。其优点在于单个模块的研发过程简单，规定好各模块之前的输入输出方式后即可通过标注信息测试各个模块的性能，但是缺点在于模块之间的联调过程繁琐。
发明内容
本发明提供了一种确心电信号中心拍的分析方法、装置、设备和存储介质，以解决现有技术中基于步骤细化实现的多个模块之间联调过程繁琐的技术问题。
第一方面，本发明实施例提供了一种心电信号中心拍的分析方法，包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；
将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
其中，所述根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置，包括：
对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
将所述锚点对应的特征向量输入心拍位置检测和测量模块，得到心拍概率的分数、锚点至边界框的变化量和各个波段持续的时间比例；
将全部所述锚点按分数由大到小进行排序，生成检查列表；
依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述检查列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点；
根据所述候选列表中锚点的中点、宽度以及所述变化量计算心拍边界框的中点和宽度，根据所述心拍边界框的中点和宽度计算所述心拍边界框的起点和终点；
根据所述心拍边界框的起点、宽度以及时间比例计算心拍的五种基准点的位置。
其中，所述对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一，包括：
将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
其中，所述类型识别模块在训练过程中的总损失通过以下公式计算：
loss＝det_loss+bbx_loss+fiducial_loss+cls_loss
其中loss为总损失，det_loss为心拍位置检测损失，bbx_loss为心拍边界框范围检测损失，fiducial_loss为基准点位置检测损失和cls_loss为心拍类型分类损失。
其中，所述心拍位置检测损失通过以下公式计算：
其中，scorei表示第i个锚点在心拍位置检测和测量模块的输出分数(0＜scorei＜1)，fi表示该锚点的类型，当锚点位置与真实的心拍位置之差的绝对值小于0.15秒时fi＝1，反之fi＝0。
其中，所述心拍边界框范围检测损失bbx_loss通过以下公式计算：
所述基准点位置检测损失fiducial_loss通过以下公式计算：
其中，第j个锚点所对应心拍的起点和终点分别为
和
第j个锚点对应的P波起点、P波终点、QRS波起点、QRS波终点和T波终点分别为
和
其中，所述类型分类损失通过以下公式计算：
第二方面，本发明实施例还提供了一种心电信号中心拍的分析装置，包括：
预处理单元，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
特征提取单元，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
基准点检测单元，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；
心拍分类单元，用于将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
其中，所述基准点检测单元，包括：
锚点计算模块，用于对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
数据输出模块，用于将所述锚点对应的特征向量输入心拍位置检测和测量模块，得到心拍概率的分数、锚点至边界框的变化量和各个波段持续的时间比例；
锚点排序模块，用于将全部所述锚点按分数由大到小进行排序，生成检查列表；
候选区筛选模块，用于依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述检查列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点；
范围计算模块，用于根据所述候选列表中锚点的中点、宽度以及所述变化量计算心拍边界框的中点和宽度，根据所述心拍边界框的中点和宽度计算所述心拍边界框的起点和终点；
基准点计算模块，用于根据所述心拍边界框的起点、宽度以及时间比例计算心拍的五种基准点的位置。
其中，所述特征提取单元，包括：
特征提取模块，用于将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
特征向量生成模块，用于将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
其中，所述类型识别模块在训练过程中的总损失通过以下公式计算：
loss＝det_loss+bbx_loss+fiducial_loss+cls_loss
其中loss为总损失，det_loss为心拍位置检测损失，bbx_loss为心拍边界框范围检测损失，fiducial_loss为基准点位置检测损失和cls_loss为心拍类型分类损失。
其中，所述心拍位置检测损失通过以下公式计算：
其中，scorei表示第i个锚点在心拍位置检测和测量模块的输出分数(0＜scorei＜1)，fi表示该锚点的类型，当锚点位置与真实的心拍位置之差的绝对值小于0.15秒时fi＝1，反之fi＝0。
其中，所述心拍边界框范围检测损失bbx_loss通过以下公式计算：
所述基准点位置检测损失fiducial_loss通过以下公式计算：
其中，第j个锚点所对应心拍的起点和终点分别为
和
第j个锚点对应的P波起点、P波终点、QRS波起点、QRS波终点和T波终点分别为
和
其中，所述类型分类损失通过以下公式计算：
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的心电信号中心拍的分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一所述的心电信号中心拍的分析方法。
上述心电信号中心拍的分析方法、装置、设备和存储介质，通过对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。本实施例基于深度学习的方法，通过端到端的全自动分析过程输出各心拍基准点位置的类型，实现自动对全部模块进行同步训练，简化了训练过程同时保持了各个环节的综合性能，节约了训练时间。
附图说明
图1为心电信号的结构示意图；
图2为本发明实施例一提供的一种心电信号中心拍的分析方法的流程图；
图3-图6为本发明实施例一提供的一种心电信号处理过程的变化示意图；
图7为本发明实施例一提供的心电信号处理过程中的数据流动示意图；
图8为本发明实施例二提供的一种心电信号中心拍的分析方法的特征提取流程图；
图9为本发明实施例二中特征提取过程中数据流动示意图；
图10-图13为本发明实施例二中特征提取模块的数据处理流程示意图；
图14为本发明实施例二中基准点位置计算的流程图；
图15为本发明实施例二中基准点位置计算的数据处理流程示意图；
图16为本发明实施例二中心拍分类的数据处理流程示意图；
图17为本发明实施例三提供的一种心电信号中心拍的分析装置的结构示意图；
图18为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
实施例一
图2为本发明实施例一提供的一种心电信号中心拍的分析方法的流程图。实施例中提供的心电信号中心拍的分析方法可以由心电信号中QRS波的检测分析设备执行，该心电信号中QRS波的检测设备可以通过软件和/或硬件的方式实现，该心电信号中心拍的分析设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。例如，心电信号中心拍的分析设备可以是手机、工业控制计算机等。
如图2所示，实施例一中提供的心电信号中心拍的分析方法，包括以下步骤：
步骤S110：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号。
预处理主要包括重采样、滤波等对信号的波形调整，具体来说，对于最原始的心电信号，首先将心电信号重采样到256Hz(fs＝256)，然后利用通带范围为0.5Hz到40Hz的滤波器进行带通滤波。对于某个个体的心电信号，用于分析的心电信号片段长度一般为10秒左右，也就是说，对于某个个体的心电信号，10秒长度的心电信号中有2560个样本点，在本实施例中取整，设重采样后的心电信号为si，i＝1,…,n(n＝2560)，图3和图4给出了滤波前后的心电信号。对比图3和图4可以发现，带通滤波滤除了信号中的“毛刺”部分。
步骤S120：对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一。
三个尺度上的特征向量的长度分别为设定长度的二分之一、四分之一和八分之一，为表述简单，分别定义为第一层、第二层和第三层。其中第一层用于起搏器信号的检测，第二层用于正常宽度心拍的检测，第三层用于宽大畸形的心拍，例如室性早搏的检测，这三种的集合构成全部的心拍。
步骤S130：根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置。
根据设定长度的锚点的值，可以对各个样本信号进行打分和排序，先粗略确认出疑似心拍的候选区域，如图5所示，其中先行确认了若干疑似QRS波的位置，并用“×”予以标记，除了峰值较大的那一部分，还有相当多峰值较小的心电波被标记。
在初步确认疑似QRS波之后，将对应得到的候选区域和特征向量输入到候选区检测模块，可以进一步精确判断出候选区的信号是否是QRS波。在图5所示的候选区的基础上，判断出图6中“×”标记的信号为QRS波，在图3-图6中，“·”对应的波为事实上的QRS波，可以清晰看到，经过以上处理，在图6中准确的判断出了所有的QRS波。
在心拍检测的过程中，候选区检测模块还会更精确地判断每个心拍所对应的宽度范围，该宽度范围以通过基准点进行数据表达，后续基于宽度范围内对应的特征向量进行心拍类型的判断。
步骤S140：将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
各个心拍对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过卷积层、激活层、批归一化层和线性全连接层的计算，每个心拍可以得到一个五维向量的结果，该五维向量表明了该心拍可能对应五中心拍类型的概率，在五维向量的基础上，可以将概率最高的类型作为该心拍的心拍类型，如果有多种类型对应的概率接近，可以将该心拍单独标记，以供人工判断。
图7中进一步形象地呈现了以上的数据流动过程，从得到最原始的心电信号，然后对其进行预处理得到可做特征提取的初步信号，对于特征提取的结果，心拍及对应的宽度检测，将心拍检测、宽度测量和调整提取的结果综合起来，即可实现心拍的分类。
整体而言，通过对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；将每个所述心拍在对应的计算心拍的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。本实施例基于深度学习的方法，通过端到端的全自动分析过程输出各心拍基准点位置的类型，实现自动对全部模块进行同步训练，简化了训练过程同时保持了各个环节的综合性能，节约了训练时间。
实施例二
本实施例是在上述实施例的基础上进行具体化，尤其是对步骤S120和步骤S130的具体化，需要说明的是，在本实施例中同时呈现了对步骤S120和步骤S130的具体化，并不是二者必须同时实施，而是为描述方案做的整合处理，在实际处理过程中，可以将步骤S120和步骤S130的具体化作为独立的实现方式存在，也可以是二者的整合。本实施例中对整个信号处理过程做了更细层面上的完整描述。整体上，包括步骤S110，图8和图14中的相关步骤以及步骤S140。
步骤S110：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号。
步骤S121：将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一。
步骤S122：将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
步骤S121和步骤S122中的数据处理过程可以参考图9，其中C0、C1、C2和C3分别表示初始特征提取模块和三个尺度对应的特征提取模块，样本信号进入到C0(初始特征提取模块)之后按照图9中所示的方向进行流动，并在流动过程中按图9所示进行对应的处理。以第一层为例，样本信号在进入到C0之后，按图10所示的数据处理流程(包括卷积层、批归一化层、激活层和池化层)；C0的提取结果输出到C1(第一层提取模块)，C1按图11所示的数据处理流程(包括两个卷积层、两个批归一化层和两个激活层)得到相应的处理结果，该处理结果输出到C2以及C1对应的卷积层，再经过图9所示的两次卷积以及一次上采样的数据综合，得到第一层对应的特征向量f1。第二层和第三层的特征提取分别参考图12和图13。第二层和第三层的数据处理过程类似，只是其中涉及到的某些处理参数不同，例如C0的卷积层的通道数(c)、卷积核尺寸(k)，步长(s)和填充尺寸(p)分别为64、7、1和3，C1、C2和C3本身的两层卷积层的参数组合又有可能不同，具体参考图11-图13。最后提取到的特征向量中，第i个尺度(第i层)特征向量上的第j个样本点(即位置为j)记录为fi j。
步骤S131：对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值。
步骤S132：将所述锚点对应的特征向量输入心拍位置检测和测量模块，得到心拍概率的分数、锚点至边界框的变化量和各个波段持续的时间比例。
步骤S133：将全部所述锚点按分数由大到小进行排序，生成检查列表。
步骤S134：依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数。
对于候选区域的确定，步骤S131-步骤S133具体可以通过以下数学语言描述：a.以特征向量上的每个样本点fi j为中心，构建长度为9个样本点的锚点
例如样本点fi j所对应的锚点为
锚点的分数为fi j(锚点中心处样本)的值。(第1层特征向量上的锚点对应于原始信号上的17个样本点长度，即0.067秒的候选区域，用于起搏器信号的检测；第2层特征向量上的锚点对应于原始信号上的33个样本点长度，即0.13秒的候选区域，用于正常宽度心拍的检测；第3层特征向量上的锚点对应于原始信号上的65个样本点长度，即0.25秒的候选区域，用于宽大畸形的心拍的检测)b.将全部锚点按分数由大到小进行排序，生成检查列表。c.在检查列表中选择分数最高，且锚点起点大于0，锚点终点小于特征图长度(li)的锚点作为候选区域加入候选列表，并在检查列表中删除该锚点，以及与该锚点相距离0.2秒(正常情况下两次心跳的最短间隔为0.2秒)之内的所有其他锚点。d.重复步骤c直到检查列表为空，将候选列表中的锚点作为候选区域的位置，锚点的值作为候选区域的分数并输出。
步骤S135：根据所述候选列表中锚点的中点、宽度以及所述变化量计算心拍边界框的中点和宽度，根据所述心拍边界框的中点和宽度计算所述心拍边界框的起点和终点。
步骤S136：根据心拍边界框的起点、宽度以及时间比例计算心拍的五种基准点的位置。
在特征向量的基础上关于心拍的整体计算过程如下：首先在特征向量上建立锚点，然后同时预测1)各锚点属于心拍的概率分数(score)，2)从锚点到心拍边界框的变化量(delta)和3)心拍边界框内4个部分持续时间的比例(duration rate)：P波起点至P波终点(Pdur)，P波终点至QRS波起点(PRseg)，QRS波起点至QRS波终点(QRSint)，QRS波终点至T波终点(STint)。再根据各锚点的概率分数得到心拍位置(beat location)，和根据边界框的变化量(delta)得到心拍边界框的范围(bounding box)，最后利用心拍边界框的范围和各部分持续时间的比例得到当前心拍的5个基准点位置(fiducial points)：P波起点(Ponset)，P波终点(Poffset)，QRS波起点(QRSonset)，QRS波终点(QRSoffset)和T波终点(Toffset)。具体过程如下：
a.以特征向量上的每个样本点fi j为中心，构建长度为9个样本点的锚点
例如样本点fi j所对应的锚点为
锚点的分数为fi j(锚点中心处样本)的值。(第1层特征向量上的锚点对应于原始信号上的17个样本点长度，即0.067秒的候选区域，用于起搏器信号的分析；第2层特征向量上的锚点对应于原始信号上的33个样本点长度，即0.13秒的候选区域，用于正常心拍和室上性异常心拍的分析；第3层特征向量上的锚点对应于原始信号上的65个样本点长度，即0.25秒的候选区域，用于室性异常心拍和融合心拍的分析)。
b.将各锚点对应的特征向量输入心拍位置检测和测量模块，同时得到心拍概率分数，锚点至边界框的变化值和各波段持续时间的比例。
c.对于预测的心拍概率分数，首先对概率分数由大到小进行排序，生成检查列表。在检查列表中选择分数最高的锚点作为候选区域加入候选列表，并在检查列表中删除该锚点和与该锚点相距离0.2秒(正常情况下两次心跳的最短间隔为0.2秒)之内的所有其他锚点。重复上述步骤直到检查列表为空或者剩下的锚点值都小于0.5。最后将候选列表中的锚点中点作为心拍位置。
d.对于锚点到心拍边界框的变化量，首先根据锚点的中点(anchorcenter)和宽度(anchorwidth)及其变化量(deltacenter和deltawidth)计算预测的心拍边界框的中点
和宽度
最后求出预测的心拍边界框的起点
和终点
位置，如公式(2)所示。
e.根据心拍边界框的起点和宽度，以及边界框内4个部分持续时间的比例，利用公式(3)预测5种基准点的位置：
步骤S140：将每个所述心拍在对应的宽度范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
对于心拍位置检测及测量模块检测出的心拍位置，首先提取特征提取模块上对应位置的特征向量，然后送入心拍类型识别模块进行分类。经过卷积层(convolution)、激活层(relu)、批归一化层(batch normalization)和线性全连接层(linear)的计算后，输出一个5维向量，分别表示该心拍属于5种类型的概率：窦性心拍，室上性异常心拍，室性异常心拍，融合心拍和其他类型心拍。最后将概率最高的类型作为心拍的类型。
实施例三
图17为本发明实施例三提供的一种心电信号中心拍的分析装置的结构示意图。参考图17，该心电信号中心拍的分析装置包括：预处理单元310、特征提取单元320、基准点检测单元330和心拍分类单元340。
其中，预处理单元310，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；特征提取单元320，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；基准点检测单元330，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；心拍分类单元340，用于将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
在上述实施例的基础上，所述基准点检测单元330，包括：
锚点计算模块，用于对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
数据输出模块，用于将所述锚点对应的特征向量输入心拍位置检测和测量模块，得到心拍概率的分数、锚点至边界框的变化量和各个波段持续的时间比例；
锚点排序模块，用于将全部所述锚点按分数由大到小进行排序，生成检查列表；
候选区筛选模块，用于依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述检查列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点；
范围计算模块，用于根据所述候选列表中锚点的中点、宽度以及所述变化量计算心拍边界框的中点和宽度，根据所述心拍边界框的中点和宽度计算所述心拍边界框的起点和终点；
基准点计算模块，用于根据所述心拍边界框的起点、宽度以及时间比例计算心拍的五种基准点的位置。
在上述实施例的基础上，所述特征提取单元320，包括：
特征提取模块，用于将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
特征向量生成模块，用于将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
在上述实施例的基础上，所述类型识别模块在训练过程中的总损失通过以下公式计算：
loss＝det_loss+bbx_loss+fiducial_loss+cls_loss
其中loss为总损失，det_loss为心拍位置检测损失，bbx_loss为心拍边界框范围检测损失，fiducial_loss为基准点位置检测损失和cls_loss为心拍类型分类损失。
在上述实施例的基础上，所述心拍位置检测损失通过以下公式计算：
其中，scorei表示第i个锚点在心拍位置检测和测量模块的输出分数(0＜scorei＜1)，fi表示该锚点的类型，当锚点位置与真实的心拍位置之差的绝对值小于0.15秒时fi＝1，反之fi＝0。
在上述实施例的基础上，所述心拍边界框范围检测损失bbx_loss通过以下公式计算：
所述基准点位置检测损失fiducial_loss通过以下公式计算：
其中，第j个锚点所对应心拍的起点和终点分别为
和
第j个锚点对应的P波起点、P波终点、QRS波起点、QRS波终点和T波终点分别为
和
在上述实施例的基础上，所述类型分类损失通过以下公式计算：
本发明实施例提供的心电信号中心拍的分析装置包含在心电信号中心拍的检测设备中，且可用于执行上述任意实施例提供的心电信号中心拍的分析方法，具备相应的功能和有益效果。
实施例四
图18为本发明实施例四提供的一种设备的结构示意图，该设备在具体的产品呈现上可以是各种心电图机，心电监护仪，更具体来来说，可以是应用有前述实施例中所述的心电信号中心拍的分类方法的设备。如图18所示，该设备包括处理器410、存储器420、输入装置430、输出装置440以及通信装置450；设备中处理器410的数量可以是一个或多个，图18中以一个处理器410为例；心电信号中心拍的检测设备中的处理器410、存储器420、输入装置430、输出装置440以及通信装置450可以通过总线或其他方式连接，图18中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的心电信号中心拍的分析方法对应的程序指令/模块(例如，心电信号中心拍的分析装置中的预处理单元310、特征提取单元320、基准点检测单元330和心拍分类单元340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的心电信号中心拍的分析方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。通信装置450用于与图像拍摄模块进行数据通信。
上述设备包含心电信号中心拍的分析装置，可以用于执行任意心电信号中心拍的分析方法，具备相应的功能和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种心电信号中心拍的分析方法，该方法包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；
将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的心电信号中心拍的分析方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述心电信号中心拍的分析装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种心电信号中心拍的分析方法，其特征在于，包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；
将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
2.根据权利要求1所述的分类方法，其特征在于，所述根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置，包括：
对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
将所述锚点对应的特征向量输入心拍位置检测和测量模块，得到心拍概率的分数、锚点至边界框的变化量和各个波段持续的时间比例；
将全部所述锚点按分数由大到小进行排序，生成检查列表；
依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述检查列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点；
根据所述候选列表中锚点的中点、宽度以及所述变化量计算心拍边界框的中点和宽度，根据所述心拍边界框的中点和宽度计算所述心拍边界框的起点和终点；
根据所述心拍边界框的起点、宽度以及时间比例计算心拍的五种基准点的位置。
3.根据权利要求1所述的分类方法，其特征在于，所述对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一，包括：
将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
4.根据权利要求1所述的分类方法，其特征在于，所述类型识别模块在训练过程中的总损失通过以下公式计算：
loss＝det_loss+bbx_loss+fiducial_loss+cls_loss
其中loss为总损失，det_loss为心拍位置检测损失，bbx_loss为心拍边界框范围检测损失，fiducial_loss为基准点位置检测损失和cls_loss为心拍类型分类损失。
5.根据权利要求4所述的分类方法，其特征在于，所述心拍位置检测损失通过以下公式计算：
其中，scorei表示第i个锚点在心拍位置检测和测量模块的输出分数(0＜scorei＜1)，fi表示该锚点的类型，当锚点位置与真实的心拍位置之差的绝对值小于0.15秒时fi＝1，反之fi＝0。
6.根据权利要求4所述的分类方法，其特征在于，所述心拍边界框范围检测损失bbx_loss通过以下公式计算：
所述基准点位置检测损失fiducial_loss通过以下公式计算：
其中，第j个锚点所对应心拍的起点和终点分别为
和
第j个锚点对应的P波起点、P波终点、QRS波起点、QRS波终点和T波终点分别为
和
7.根据权利要求4所述的分类方法，其特征在于，所述类型分类损失通过以下公式计算：
其中，
表示第j个锚点属于第k类型心拍的概率
表示该锚点是否属于第k类型，如果属于该类型则
反之
8.一种心电信号中心拍的分析装置，其特征在于，包括：
预处理单元，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
特征提取单元，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
基准点检测单元，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点计算心拍的基准点位置；
心拍分类单元，用于将每个所述心拍在对应的基准点位置范围内的特征向量输入到类型识别模块，依次经过所述类型识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个五维向量，所述五维向量用于表征所述心拍对应属于五种心拍类型的概率。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的心电信号中心拍的分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的心电信号中心拍的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085728.4A CN111345814B (zh) | 2020-02-11 | 2020-02-11 | 一种心电信号中心拍的分析方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085728.4A CN111345814B (zh) | 2020-02-11 | 2020-02-11 | 一种心电信号中心拍的分析方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111345814A true CN111345814A (zh) | 2020-06-30 |
| CN111345814B CN111345814B (zh) | 2023-04-18 |
Family
ID=71192212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010085728.4A Active CN111345814B (zh) | 2020-02-11 | 2020-02-11 | 一种心电信号中心拍的分析方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111345814B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114343659A (zh) * | 2022-01-05 | 2022-04-15 | 北京信息科技大学 | 心电特征信号提取方法、计算机设备及存储介质 |
| CN115067967A (zh) * | 2021-03-10 | 2022-09-20 | 广州视源电子科技股份有限公司 | 心拍信号基准点确定方法、心拍类型识别方法及装置 |
| CN115474941A (zh) * | 2021-06-16 | 2022-12-16 | 广州视源电子科技股份有限公司 | 心拍基准点检测方法、装置、设备及存储介质 |
| CN115546549A (zh) * | 2022-10-11 | 2022-12-30 | 中国科学院微电子研究所 | 点云分类模型构建方法、点云分类方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090281441A1 (en) * | 2008-05-09 | 2009-11-12 | Siemens Medical Solutions Usa, Inc. | System for Heart Performance Characterization and Abnormality Detection |
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
| CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
| CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
-
2020
- 2020-02-11 CN CN202010085728.4A patent/CN111345814B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090281441A1 (en) * | 2008-05-09 | 2009-11-12 | Siemens Medical Solutions Usa, Inc. | System for Heart Performance Characterization and Abnormality Detection |
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
| CN110393519A (zh) * | 2019-08-19 | 2019-11-01 | 广州视源电子科技股份有限公司 | 心电信号的分析方法、装置、存储介质和处理器 |
| CN110720894A (zh) * | 2019-11-08 | 2020-01-24 | 广州视源电子科技股份有限公司 | 一种心房扑动的检测方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115067967A (zh) * | 2021-03-10 | 2022-09-20 | 广州视源电子科技股份有限公司 | 心拍信号基准点确定方法、心拍类型识别方法及装置 |
| CN115474941A (zh) * | 2021-06-16 | 2022-12-16 | 广州视源电子科技股份有限公司 | 心拍基准点检测方法、装置、设备及存储介质 |
| CN114343659A (zh) * | 2022-01-05 | 2022-04-15 | 北京信息科技大学 | 心电特征信号提取方法、计算机设备及存储介质 |
| CN115546549A (zh) * | 2022-10-11 | 2022-12-30 | 中国科学院微电子研究所 | 点云分类模型构建方法、点云分类方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111345814B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| CA2990367C (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| WO2019161610A1 (zh) | 心电信息处理方法和心电工作站系统 | |
| CN103549949B (zh) | 基于确定学习理论的心肌缺血辅助检测方法 | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| EP2170155A2 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
| CN108256452A (zh) | 一种基于特征融合的ecg信号分类的方法 | |
| CA2686877A1 (en) | Ecg signal analysis tool | |
| WO2019016608A1 (en) | DISCOVERING GENOMES FOR USE IN AUTOMATIC LEARNING TECHNIQUES | |
| CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
| CN111839494A (zh) | 一种心率监测方法及系统 | |
| CN112842355A (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
| CN117425431A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统 | |
| CN115337018A (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
| CN115553784B (zh) | 基于心电、心音信号耦合分析的冠心病评估方法及系统 | |
| Agrawal et al. | A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude | |
| CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
| CN107837083A (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
| CN117338309A (zh) | 一种心电信号近似度阈值计算方法、身份识别方法及存储介质 | |
| CN115067963A (zh) | 心电信号处理方法、装置、设备及存储介质 | |
| KR20180128634A (ko) | 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템 | |
| CN114081502A (zh) | 一种基于机器学习的非侵入性心脏病诊断方法和装置 |
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 |