CN105534517A - 一种去除三导联心电信号中车辆运动噪声的方法 - Google Patents
一种去除三导联心电信号中车辆运动噪声的方法 Download PDFInfo
- Publication number
- CN105534517A CN105534517A CN201610110928.4A CN201610110928A CN105534517A CN 105534517 A CN105534517 A CN 105534517A CN 201610110928 A CN201610110928 A CN 201610110928A CN 105534517 A CN105534517 A CN 105534517A
- Authority
- CN
- China
- Prior art keywords
- triple channel
- axis acceleration
- signal segment
- vehicle movement
- acceleration signal
- 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
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]
-
- 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
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种去除三导联心电信号中车辆运动噪声的方法,其利用三轴加速度传感器采集运动数据作为神经网络输入样本,通过格式转换和归一化方法在神经网络训练前对人体静止及运动时的动态心电数据进行预处理并使两者之间的偏差作为神经网络的监督,进而使用人工神经网络学习算法以比例共轭梯度的优化方式确立噪声模型,用监测得到的动态心电数据减去对应的运动噪声即完成去噪。整个方法简便且易于实现,能够有效地在心电监测过程中自动去除车辆运动噪声,得到精确的心电数据,为医生对心血管疾病的诊疗提供保证。
Description
技术领域
本发明属于医疗器械技术领域,具体涉及一种去除三导联心电信号中车辆运动噪声的方法。
背景技术
动态心电图用于连续记录24小时动态心电活动数据,包括休息、活动、工作、进餐等不同情况下的心电活动数据,能够帮助用于发现心律失常和心肌缺血等症状,为临床分析病情和诊疗提供重要的依据。随着便携可穿戴式心电监护设备的涌现,使得用户可在各种状态下进行非常便捷的心电监测。但是动态心电图信号很容易受到各种噪声的干扰,主要干扰有交流干扰、肌电干扰、基线漂移、导联线连接错误、电极片与皮肤接触不充分等,随着技术的发展,大部分动态心电图设备都配置了各种类型的滤波器用以消除这些干扰,但是便携式动态心电图设备在移动的交通工具上使用时,车辆运动的干扰可能严重限制动态心电图信号的质量。
车辆的运动干扰会作用在车上的物体上,包括人体所穿戴的心电监测设备。而车辆运动的状态能够很好地反映干扰对心电监测设备的影响,通过三轴加速度传感器能够非常便捷地获取车辆的运动状态,从而分析运动的影响方式和程度,为消除车辆运动干扰提供数据基础。
三轴加速度传感器是一种将物理信号加速度转换成便于测量的电信号的传感器,目前大多数三轴加速度传感器的工作原理为压阻式、压电式和电容式,产生的加速度正比于电阻、电压和电容的变化,通过计算这些变化量和加速度之间的关系,即可计算出加速度的值。三轴加速度传感器能够在预先不知道物体运动状态的场合下,通过检测x,y,z三轴的信号,获取其坐标分量,从而准确判断物体的运动状态,具有体积小、重量轻的特性点,可以测量空间加速度,能够全面准确反映物体的运动性质,在航空航天、汽车、机器人和医学等领域获得广泛应用。
目前市场上大多便携式动态心电监测设备,结构简易,没有消除车辆运动噪声功能,在车辆运动状态下使用很容易受到干扰造成动态心电图信号不稳定,记录的心电波形无法用于心电分析,不仅限制了动态心电监护设备的使用范围,还可能使医生对心血管疾病患者的诊疗造成严重后果。
发明内容
针对现有技术所存在的上述技术问题,本发明提供了一种去除三导联心电信号中车辆运动噪声的方法,能够有效地在心电监测过程中自动去除车辆运动噪声,得到精确的心电数据,为医生对心血管疾病的诊疗提供保证。
一种去除三导联心电信号中车辆运动噪声的方法,包括如下步骤:
(1)对于任一种心率状态,利用心电信号模拟发生器在静止时产生处于该心率状态下的m组三通道静止心电信号段以及在车辆运动时产生处于该心率状态下的m组三通道运动心电信号段;利用三轴加速度传感器同步采集与上述心电信号模拟发生器在车辆运动时所产生的三通道运动心电信号段对应的三轴加速度信号段,m为大于1的自然数;
(2)对所述的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段进行预处理;使预处理后的三通道运动心电信号段与三通道静止心电信号段对应作差,得到m组三通道心电运动噪声;
(3)根据所述的三通道心电运动噪声以及预处理后的三轴加速度信号段通过人工神经网络学习算法进行训练,得到关于三导联心电信号的车辆运动噪声模型;依此遍历得到对应各种心率状态的车辆运动噪声模型;
(4)获取用户日常在车辆运动时通过心电监测仪检测得到的三通道心电检测信号段,利用三轴加速度传感器同步采集与该心电监测仪在车辆运动时所检测得到的三通道心电检测信号段对应的三轴加速度信号段;根据用户所处的心率状态将该三轴加速度信号段输入对应的车辆运动噪声模型中输出得到一组三通道心电运动噪声,进而使所述的三通道心电检测信号段减去该三通道心电运动噪声即得到消除车辆运动噪声后的三通道心电数据。
所述步骤(2)中的预处理包括格式转换和归一化处理,以得到适当格式及范围内的数据信号。
所述的归一化处理基于以下表达式:
其中:x为信号段中的任一信号值,xmin和xmax分别为信号段中的最小值和最大值,x'为对应x经归一化处理后的信号值。
所述的人工神经网络学习算法以比例共轭梯度法作为优化方向。
所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下:
3.1将预处理后与三通道运动心电信号段对应的m组三轴加速度信号段分为训练集和测试集且训练集大于测试集;
3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络;
3.3从训练集中任取一组三轴加速度信号段代入上述神经网络计算得到对应关于心电运动噪声的输出结果,计算该输出结果与该三轴加速度信号段所对应的三通道心电运动噪声之间的累积误差;
3.4根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正,进而从训练集中任取下一组三轴加速度信号段代入修正后的神经网络;
3.5根据步骤3.3和3.4遍历训练集中的所有三轴加速度信号段,取累积误差最小时所对应的神经网络为车辆运动噪声模型。
所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成,隐藏层由10个神经元组成,输出层由3个神经元组成。
所述步骤3.2中初始化构建的神经网络中神经元函数g(z)的表达式如下:
其中:z为函数的自变量。
所述的步骤(3)中对于训练得到的车辆运动噪声模型,将测试集中的三轴加速度信号段逐个代入该车辆运动噪声模型得到对应关于心电运动噪声的输出结果,使测试集中每一组三轴加速度信号段所对应的输出结果与三通道心电运动噪声进行比较,若测试集中有一定比例的三轴加速度信号段的比较结果小于等于阈值的话,则该车辆运动噪声模型最终确定;否则的话,通过采集更多的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段根据步骤(1)~(2)增加训练集的规模作为神经网络的输入。
本发明三导联心电信号去噪方法利用三轴加速度传感器采集运动数据作为神经网络输入样本,通过格式转换和归一化方法在神经网络训练前对人体静止及运动时的动态心电数据进行预处理并使两者之间的偏差作为神经网络的监督,进而使用人工神经网络学习算法以比例共轭梯度的优化方式确立噪声模型,用监测得到的动态心电数据减去对应的运动噪声即完成去噪。整个方法简便且易于实现,能够有效地在心电监测过程中自动去除车辆运动噪声,得到精确的心电数据,为医生对心血管疾病的诊疗提供保证。
附图说明
图1为本发明三导联心电信号去噪方法的步骤流程示意图。
图2为本发明三导联心电信号去噪方法中的人工神经网络模型示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明去除三导联心电信号中车辆运动噪声的方法,包括如下步骤:
(1)训练样本集构建。
为建立神经网络模型,使用心电信号模拟器的输出信号作为心电监测终端的输入信号,分别在静止和运动状态下采集动态心电数据和运动状态数据。
动态心电数据包括m组在静止状态时采集的,处于1种心率状态下的心电信号序列E,由于有n种不同的心率状态,则有n*m组静止心电数据E;m组在车辆运动状态时采集的,处于1种心率状态下的心电信号序列M,由于有n种不同的心率状态,则有n*m组运动心电数据M;
运动状态数据为m组在车辆运动状态时采集的,对应于其中1种心率状态下的三轴加速度传感器输出信号序列Q[x,y,z],由于有n种不同的心率状态,则有n*m组运动状态序列Q[x,y,z],m、n为大于1的自然数。
(2)心电信号预处理。
对动态心电数据和运动状态数据进行格式转换和归一化处理,得到适当格式及范围的原始数据。本实施例中,数据采样率为250,AD转换位数为24bit,通过降采样算法将采样率降为200,通过数据压缩算法将24bit数据转换为16bit,得到容量更小的数据,但需满足神经网络训练模块的需求。归一化算法采用线性转换算法,其表达式为:
其中:x为输入向量,max为x的最大值,min为x的最小值,f(x)为归一化以后的输出向量。
(3)以共轭梯度法作为优化方向进行监督式学习,获得人工神经网络各层的权值比重。
3.1将m组预处理后的处于1种心率状态下的运动状态数据序列Q[x,y,z]分为训练集和测试集且训练集大于测试集;
3.2根据人工神经网络学习算法建立初始神经网络模型:该神经网络模型由输入层、隐藏层、输出成三层组成,输入层与隐藏层之间通过公式(1)连接,输入层的输入为三轴加速度传感器x,y,z轴的工作数据序列,隐藏层与输出层的激活函数为公式(2),隐藏层由10个神经元构成,输出层的输出为三轴加速度传感器x,y,z轴的噪声,建立的神经网络模型如图2所示。
其中,和为隐藏层的系数,g为tansig函数,i=1,2,…,10,j=1,2,3。
其中,和为输出层的系数,i=1,2,3,j=1,2,…,10。
3.3将训练集的一组样本数据输入到当前权值系数下的神经网络,依次计算输入层、隐藏层、输出层各个节点的输出;
3.4根据公式(3)计算所有训练样本的输出层输出与训练样本的期望结果之间的累积误差E,根据共轭梯度下降法,根据公式(4)修正输入层与隐藏层各节点间的权值系数,根据公式(5)修正隐藏层与输出层各节点间的权值系数;
其中:E为累积误差,为单次训练样本经过神经网络的输出层的第k个输出,ok为单次训练样本的第k个期望结果,m为训练集样本总数,p为输出层输出总数;
其中:who(t)为第t次样本输入到神经网络时隐藏层与输出层之间的权值系数,为单次训练样本经过神经网络的输出层的输出,o为单次训练样本的期望结果,xh为隐藏层的输出,α为学习速率;
其中:wih(t)为第t次样本输入到神经网络时输入层与隐藏层之间的权值系数,xi为输入层的输出;
3.5重复步骤3.3和步骤3.4遍历所有训练集,建立噪声模型,取得E最小时的权值系数组所对应的噪声模型,然后使用测试集对该噪声模型进行测试,如果测试的正确率高于阈值则该噪声模型为最佳模型;如果测试的正确率低于阈值,则继续增加训练样本重复步骤3.3和步骤3.4训练神经网络,直到训练完成。本实施例中训练得到的权值系数矩阵为:
输入层与隐藏层:
隐藏层与输出层:
(4)还原***模型。
根据神经网络各层的权值比重,还原噪声模型的***函数。将用户日常监测得到的体现人体运动状态的三轴加速度输出数据代入噪声模型中,输出相应的噪声结果,然后使用监测得到的动态心电数据减去噪声模型输出的噪声值,得到去除噪声后的动态心电数据。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种去除三导联心电信号中车辆运动噪声的方法,包括如下步骤:
(1)对于任一种心率状态,利用心电信号模拟发生器在静止时产生处于该心率状态下的m组三通道静止心电信号段以及在车辆运动时产生处于该心率状态下的m组三通道运动心电信号段;利用三轴加速度传感器同步采集与上述心电信号模拟发生器在车辆运动时所产生的三通道运动心电信号段对应的三轴加速度信号段,m为大于1的自然数;
(2)对所述的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段进行预处理;使预处理后的三通道运动心电信号段与三通道静止心电信号段对应作差,得到m组三通道心电运动噪声;
(3)根据所述的三通道心电运动噪声以及预处理后的三轴加速度信号段通过人工神经网络学习算法进行训练,得到关于三导联心电信号的车辆运动噪声模型;依此遍历得到对应各种心率状态的车辆运动噪声模型;
(4)获取用户日常在车辆运动时通过心电监测仪检测得到的三通道心电检测信号段,利用三轴加速度传感器同步采集与该心电监测仪在车辆运动时所检测得到的三通道心电检测信号段对应的三轴加速度信号段;根据用户所处的心率状态将该三轴加速度信号段输入对应的车辆运动噪声模型中输出得到一组三通道心电运动噪声,进而使所述的三通道心电检测信号段减去该三通道心电运动噪声即得到消除车辆运动噪声后的三通道心电数据。
2.根据权利要求1所述的方法,其特征在于:所述步骤(2)中的预处理包括格式转换和归一化处理,以得到适当格式及范围内的数据信号。
3.根据权利要求2所述的方法,其特征在于:所述的归一化处理基于以下表达式:
其中:x为信号段中的任一信号值,xmin和xmax分别为信号段中的最小值和最大值,x'为对应x经归一化处理后的信号值。
4.根据权利要求1所述的方法,其特征在于:所述的人工神经网络学习算法以比例共轭梯度法作为优化方向。
5.根据权利要求1所述的方法,其特征在于:所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下:
3.1将预处理后与三通道运动心电信号段对应的m组三轴加速度信号段分为训练集和测试集且训练集大于测试集;
3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络;
3.3从训练集中任取一组三轴加速度信号段代入上述神经网络计算得到对应关于心电运动噪声的输出结果,计算该输出结果与该三轴加速度信号段所对应的三通道心电运动噪声之间的累积误差;
3.4根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的权重进行修正,进而从训练集中任取下一组三轴加速度信号段代入修正后的神经网络;
3.5根据步骤3.3和3.4遍历训练集中的所有三轴加速度信号段,取累积误差最小时所对应的神经网络为车辆运动噪声模型。
6.根据权利要求5所述的方法,其特征在于:所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成,隐藏层由10个神经元组成,输出层由3个神经元组成。
7.根据权利要求5所述的方法,其特征在于:所述步骤3.2中初始化构建的神经网络中神经元函数g(z)的表达式如下:
其中:z为函数的自变量。
8.根据权利要求5所述的方法,其特征在于:所述的步骤(3)中对于训练得到的车辆运动噪声模型,将测试集中的三轴加速度信号段逐个代入该车辆运动噪声模型得到对应关于心电运动噪声的输出结果,使测试集中每一组三轴加速度信号段所对应的输出结果与三通道心电运动噪声进行比较,若测试集中有一定比例的三轴加速度信号段的比较结果小于等于阈值的话,则该车辆运动噪声模型最终确定;否则的话,通过采集更多的三通道静止心电信号段、三通道运动心电信号段和三轴加速度信号段根据步骤(1)~(2)增加训练集的规模作为神经网络的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110928.4A CN105534517A (zh) | 2016-02-29 | 2016-02-29 | 一种去除三导联心电信号中车辆运动噪声的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110928.4A CN105534517A (zh) | 2016-02-29 | 2016-02-29 | 一种去除三导联心电信号中车辆运动噪声的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105534517A true CN105534517A (zh) | 2016-05-04 |
Family
ID=55814472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610110928.4A Pending CN105534517A (zh) | 2016-02-29 | 2016-02-29 | 一种去除三导联心电信号中车辆运动噪声的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105534517A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618551A (zh) * | 2016-12-09 | 2017-05-10 | 浙江铭众科技有限公司 | 一种用于三导联心电电极连接判别的智能终端 |
CN107714050A (zh) * | 2017-10-13 | 2018-02-23 | 广东乐心医疗电子股份有限公司 | 一种三波长血氧饱和度检测方法与装置以及可穿戴设备 |
CN110269605A (zh) * | 2019-05-28 | 2019-09-24 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号噪声识别方法 |
LU100925B1 (en) * | 2018-09-10 | 2020-03-10 | Iee Sa | Removing noise caused by vehicular movement from sensor signals using Deep Neural Networks |
CN112957013A (zh) * | 2021-02-05 | 2021-06-15 | 江西国科美信医疗科技有限公司 | 一种动态生命体征信号采集***、监测装置及设备 |
CN116484177A (zh) * | 2023-05-04 | 2023-07-25 | 中国科学院地质与地球物理研究所 | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060082677A (ko) * | 2005-01-13 | 2006-07-19 | 인하대학교 산학협력단 | 심전도를 이용한 생체인식 시스템 및 방법 |
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析*** |
JP2012040241A (ja) * | 2010-08-20 | 2012-03-01 | Ritsumeikan | 心電図波形計測装置 |
CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
CN105246400A (zh) * | 2013-03-15 | 2016-01-13 | 佐尔医药公司 | 用于去除车辆运动伪影的ecg降噪*** |
GB2529200A (en) * | 2014-08-13 | 2016-02-17 | Richard C Saumarez | Improvement to analysing physiological electrograms |
-
2016
- 2016-02-29 CN CN201610110928.4A patent/CN105534517A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060082677A (ko) * | 2005-01-13 | 2006-07-19 | 인하대학교 산학협력단 | 심전도를 이용한 생체인식 시스템 및 방법 |
JP2012040241A (ja) * | 2010-08-20 | 2012-03-01 | Ritsumeikan | 心電図波形計測装置 |
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析*** |
CN105246400A (zh) * | 2013-03-15 | 2016-01-13 | 佐尔医药公司 | 用于去除车辆运动伪影的ecg降噪*** |
GB2529200A (en) * | 2014-08-13 | 2016-02-17 | Richard C Saumarez | Improvement to analysing physiological electrograms |
CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
Non-Patent Citations (2)
Title |
---|
唐奇伶等: "基于神经网络的自适应信号增强器对运动心电信号噪声的去除", 《医疗卫生装备》 * |
蒲秀娟等: "基于径向基函数神经网络的胎儿心电提取", 《重庆大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618551A (zh) * | 2016-12-09 | 2017-05-10 | 浙江铭众科技有限公司 | 一种用于三导联心电电极连接判别的智能终端 |
CN106618551B (zh) * | 2016-12-09 | 2017-12-12 | 浙江铭众科技有限公司 | 一种用于三导联心电电极连接判别的智能终端 |
CN107714050A (zh) * | 2017-10-13 | 2018-02-23 | 广东乐心医疗电子股份有限公司 | 一种三波长血氧饱和度检测方法与装置以及可穿戴设备 |
LU100925B1 (en) * | 2018-09-10 | 2020-03-10 | Iee Sa | Removing noise caused by vehicular movement from sensor signals using Deep Neural Networks |
WO2020053148A1 (en) * | 2018-09-10 | 2020-03-19 | Iee International Electronics & Engineering S.A. | Removing noise caused by vehicular movement from sensor signals using deep neural networks |
CN110269605A (zh) * | 2019-05-28 | 2019-09-24 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号噪声识别方法 |
CN110269605B (zh) * | 2019-05-28 | 2022-02-25 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号噪声识别方法 |
CN112957013A (zh) * | 2021-02-05 | 2021-06-15 | 江西国科美信医疗科技有限公司 | 一种动态生命体征信号采集***、监测装置及设备 |
CN112957013B (zh) * | 2021-02-05 | 2022-11-11 | 江西国科美信医疗科技有限公司 | 一种动态生命体征信号采集***、监测装置及设备 |
CN116484177A (zh) * | 2023-05-04 | 2023-07-25 | 中国科学院地质与地球物理研究所 | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 |
CN116484177B (zh) * | 2023-05-04 | 2024-05-28 | 中国科学院地质与地球物理研究所 | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN105534517A (zh) | 一种去除三导联心电信号中车辆运动噪声的方法 | |
CN105769173A (zh) | 一种具有心电信号去噪功能的心电监测*** | |
Reaz et al. | Techniques of EMG signal analysis: detection, processing, classification and applications | |
CN103190905B (zh) | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 | |
CN111317600B (zh) | 一种假肢控制方法、装置、***、设备和存储介质 | |
CN109480838B (zh) | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 | |
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN105796091A (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
CN108523868A (zh) | 用于血压测量的自校准***和方法 | |
CN112401905B (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
CN106056045B (zh) | 一种三导联重构十二导联心电信号的方法 | |
Powar et al. | Dynamic time warping for reducing the effect of force variation on myoelectric control of hand prostheses | |
Pongsakornsathien et al. | Performance characterisation of wearable cardiac monitoring devices for aerospace applications | |
CN114098768A (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
Sikder et al. | Heterogeneous hand guise classification based on surface electromyographic signals using multichannel convolutional neural network | |
Banta et al. | A novel convolutional neural network for reconstructing surface electrocardiograms from intracardiac electrograms and vice versa | |
Destiani et al. | Study of Wavelet and Line Search Techniques on Modified Backpropagation Polak-Ribiere Algorithm for Heart Failure Detection | |
CN212415731U (zh) | 一种手部运动功能评估装置 | |
CN113057646B (zh) | 一种心电映射方法及*** | |
Srinivasulu et al. | Novel method to find the parameter for noise removal from multi-channel ecg waveforms | |
CN113520413B (zh) | 一种基于表面肌电信号的下肢多关节角度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160504 |
|
RJ01 | Rejection of invention patent application after publication |