CN109157211A - 一种便携式心电在线智能监测诊断***设计方法 - Google Patents
一种便携式心电在线智能监测诊断***设计方法 Download PDFInfo
- Publication number
- CN109157211A CN109157211A CN201810921525.7A CN201810921525A CN109157211A CN 109157211 A CN109157211 A CN 109157211A CN 201810921525 A CN201810921525 A CN 201810921525A CN 109157211 A CN109157211 A CN 109157211A
- Authority
- CN
- China
- Prior art keywords
- sample
- scatter plot
- rdr
- parameter
- component analysis
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Cardiology (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
本发明公开了一种便携式心电在线智能监测诊断***设计方法。包括对心电信号进行滤波去噪处理,提取R波峰值位置;使用心搏间期绘制RdR散点图;对RdR散点图进行缩放,转成灰度图,对图像数据进行归一化处理;对获得的散点图样本进行标记;对样本进行采样,随机抽取85%的数据作为训练样本;设置参数;分别对每类样本求解近似基、特征值、特征向量;分别计算每个测试样本的SPE,其值与某类样本的SPE差值最小者为测试样本的预测类别,与实际类别比较,计算准确率;获得分类模型参数,并将获得的分类模型用于心电诊断***当中。本发明利用集成稀疏核主分量分析的方法来进行心电监测诊断,具有令人满意的诊断识别效果。
Description
技术领域
本发明涉及一种便携式心电在线智能监测诊断***设计方法,属于智能医疗技术领域。
背景技术
心血管病是影响健康的重要杀手,2017年6月《中国心血管病报告2016》发布。报告指 出:目前,心血管病死亡占城乡居民总死亡原因的首位,且今后10年心血管病患病人数仍将 快速增长。此外,根据世界卫生组织的报告,到2030年大约要有2330万人死于心血管病。 面对这种趋势,对心血管病的早期诊断与预防显得尤为重要。
传统的诊断方法是患者到医院,医师对其进行心电图检查,进而给出诊断结果,任务繁 重且需要医师有丰富的临床经验和专业知识;而稀缺的医疗资源,很难满足数量庞大患者群 体的要求。为了提高就诊效率,方便性和快捷性,出现了自动化诊断技术,辅助医师进行诊 断。
心率变异是指心动间期之间的时间变异数,其研究对象是心动间期而不是心率。人的心 率不是一成不变的,两次心搏之间存在着微小的时间差异,计算心动间期的差异,即可了解 心率变异性(Heart rate variability,HRV)。
心率变异性可以评估心脏交感神经与副交感神经对心血管活动的影响,蕴含着心血管方 面的大量信息。临床研究表明,心率变异性的降低是心肌梗死、高血压、心绞痛等心血管疾 病发病的症状。因此,心率变异性的研究,在评价心血管***功能、预测心血管疾病的发作, 以及为心血管疾病的早期诊断具有重要的意义。
Poincare散点图是心率变异性一种重要的研究方法:通过使用连续的心搏间期在直角坐 标系中绘制图形,反映相邻心搏间期的变化,能显示心搏间期的特征;Poincare散点图有多 种形态,包括彗星状、扇形等,不同的形状反映不同的心脏状态。
虽然Poincare散点图是一种有效的心率变异性分析方法,但是并不能体现其随时间变化 的趋势,对于某些心血管疾病、身体健康状况等不能很好的体现其心率变异性性质。于是, 一些学者提出了改进策略,即一阶差分散点图,通过相邻心搏间期的差值来绘制散点图。然 而,这种方法又丢失了原有的心搏间期绝对值信息;因此,又有学者将二者结合起来,提出 了一种RdR散点图,以此来同时反映心搏间期及其变化。
目前,对于不同心血管疾病的心率变异性分析很多;但是,并没有根据散点图来自动识 别、区分不同的心血管疾病,实现心电自动化诊断。
发明内容
针对上述现有技术存在的问题,本发明提供一种便携式心电在线智能监测诊断***设计 方法,通过集成稀疏核主分量分析方法能够自动识别分类散点图,对心率变异性作分析,为 实现自动化诊断、缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供基础。
为了实现上述目的,本发明提供一种便携式心电在线智能监测诊断***设计方法,具体 步骤为:
步骤1)采集心电信号,对心电信号进行滤波去噪处理,提取R波峰值位置;
步骤2)使用心搏间期绘制心电RdR散点图;
步骤3)对心电RdR散点图进行缩放,缩放到同一规格,转成灰度图,并对图像数据进 行归一化处理,以减少计算量;
步骤4)对获得的散点图样本进行标记;
步骤5)对样本进行采样,随机抽取85%的数据作为训练样本;
步骤6)设置参数,参数包括近似基的误差参数、高斯核函数参数以及控制限的值;
步骤7)分别对每类样本求解近似基、特征值、特征向量;
步骤8)分别计算每个测试样本的SPE,其值与某类样本的SPE差值最小者为测试样本的 预测类别,与实际类别比较,计算准确率,若满足要求则步骤9),否则返回步骤6)重新设 置参数训练;
步骤9)获得分类模型参数,并将获得的分类模型用于心电诊断***当中。
进一步,采用集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别。RdR 散点图是一种心率变异性分析方法,可以体现其随时间变化的趋势。
进一步,将集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别,先建立 集成稀疏核主分量分析模型,然后通过平方预测误差法选择控制指标。
集成稀疏核主分量分析是一种无监督机器学习算法,集成稀疏核主分量分析的基本方法 如下:
主分量分析是一种典型的无监督算法,常用于解决原始空间的线性问题,而为了在特征 空间中用线性方法解决原始空间的非线性问题,B.Scholkopf等人提出了核主分量分析 (Kernel Principal Component Analysis,KPCA)。定义从原始空间Rn到特征空间F的非线性 映射:假如给定的样本X={x1,…,xN},xi∈Rn,则通过映射可以获得一组向量 假设该组向量满足则特征空间中的相关阵为
如果该组向量则可令可知满足条件, 代替式中的则KPCA问题可以转换为求特征空间中相关阵的特征值λ即特征向量
其中,是样本的线性组合,令ɑ=[ɑ1,…,ɑN]T,则当不 能显式获得的时候,引入核函数,设首先需要计算:
K=ΦTΦ;
其中,矩阵K是NxN的矩阵,也称核矩阵。则问题转换为:
Kɑ=Nλɑ;
其中,ɑ=[ɑ1,…,ɑN]。当中心化的过程可以直接在K上运算:
其中,满足是一个NxN的1矩阵。假设得到的 特征值λ1≥λ2≥…λn及其对应的特征向量ɑ1,ɑ2,…,ɑN,在特征空间中的第k个特征向量 ɑi,k表示的第k个特征向量的第i个值,由归一化得变量x在归一化之后的第k个特征向量方向的投影为第k个主分量,公式为:
本发明选择一种常用的核函数,径向基核函数来进行计算。当选择径向基核函数时,会 有明显的过学习问题,主要是由于径向基核函数对应的特征空间是无线维的,通过该方法得 出的主分量的次数与给定样本的维数无关,而与样本数量有关。为解决这个问题,引入了稀 疏化方法,即为稀疏核主分量分析(Sparse Kernel Principal ComponentAnalysis,SKPCA)。
在核主分量分析中,特征向量能用样本表示为也就 是说特征向量是全部样本的线性组合,这为特征向量的稀疏化提供了一种思路。通过近似 基求解算法,来求的近似基,从而得到的稀疏化方法。
近似基求解的具体步骤是:
A.建立集合为近似最大无关组,XA=φ;
B.对于k=2,...,N的求极小值value;
C.如果得到极小值value≤ε,则把对应的元素加到XA当中,否则为Xl。ε是线性相关截尾 误差,在有限的样本中求无限维空间的基几乎没有稀疏性,因此选择近似计算。
D.返回步骤B,直至完成所有的计算,计算结束。
其中,步骤B中的求解过程如下:
由Lagrange条件得-2K0+2Kλ=0,其中K0=(k(x1,xk),…,k(xl,xk))T,K是方阵, Kij=k(xi,xj)。当核函数是高斯径向基核函数时,矩阵K正定,得λmin=K-1K0即为f(λ)的极小 值点。
假设求得的一组近似基为用表示近似基构成的 基向量,特征向量可以表示为问题转成:
两边同乘记得
可知是特征值与特征向量的问题,即令则
推导得:
其中,K(m,:)表示核矩阵K的第m行,K(:,n)表示第n列,1N=[1,...,1]表示1行N列的行 向量。问题也就转换成了(KI)-1Ksα=λα,为典型的特征值与特征向量问题。
虽然稀疏化可以控制学习机的学习能力,防止过学习,但是稀疏化方法仍然可能会丢失 数据集的某些重要特性,即欠学习问题。因此,有必要引入集成方法,称为集成稀疏核主分 量分析(Integration Sparse Kernel Principal Component Analysis,ISKPCA)。
由于核主分量分析是一种无监督学***均的方法。SKPCA的集成方法具体步骤流程如下:
A.设置重复的次数Re;
B.计算核矩阵K=ΦTΦ;
C.计算样本集的Re组近似基ΦI 1,…,ΦI Re(在求解第k组近似基Φ I k的时候,前一组近似基ΦI k-1剩余的向量为第k组的优先向量);
D.根据上述的SKPCA方法,对各个组的近似基ΦI k求特征值λk,特征向量ɑk,共获得Re 组特征值λ1,…,λRe和特征向量ɑ1,…,ɑRe;
E.对前n个特征值λ1≥…≥λn和对应的特征向量,分别求集成特征值集 成特征向量其中λi k是第k组近似基ΦI k所张成的子空间为解空间的求得的第i 个特征值,是对应的特征向量;
F.对集成特征值和集成特征向量进行归一化,即得集成稀疏核主分量分析的特征值 和特征向量。
将集成稀疏核主分量分析方法用于心电RdR散点图的分类识别,需要先建立集成稀疏核 主分量分析模型,然后选择控制指标。本发明选择一种常用的控制指标,即平方预测误差 (Squared Prediction Error,SPE)。
平方预测误差的具体方法:
对于第i个样本Xi,假设经过SKPCA求得其前n个主分量为t1,…,tn,对应的特征值为 λ1,…,λn。用表示特征空间N个主成分的重构向量同理则 样本X的SPE定义为:
其中,
与现有技术相比,本发明的有益效果如下:
本发明利用集成稀疏核主分量分析方法,通过计算样本数据与使用核主分量分析映射数 据之间的差值来研究数据之间的最大相关性,并以此来判断心电数据类别,研究自动识别分 类RdR散点图。使用本发明方法来对心率变异性作分析,可以为实现自动化诊断、缓解紧缺 的医疗资源、减少医疗资源的浪费、提高就诊效率提供一些基础。
附图说明
图1为本发明具体方法流程图;
图2为***结构框图;
图3为RdR散点图。
图4为随机选择测试样本与各类的SPE差值;
图5为用测试数据测试分类器性能的部分测试结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明 中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例, 都属于本发明保护的范围。
如图1所示,本发明提供的一种便携式心电在线智能监测诊断***设计方法,具体步骤 为:
步骤1)采集心电信号,对心电信号进行滤波去噪处理,提取R波峰值位置;
步骤2)使用心搏间期绘制心电RdR散点图;
步骤3)对心电RdR散点图进行缩放,缩放到同一规格,转成灰度图,并对图像数据进 行归一化处理,以减少计算量;
步骤4)对获得的散点图样本进行标记;
步骤5)对样本进行采样,随机抽取85%的数据作为训练样本;
步骤6)设置参数,参数包括近似基的误差参数、高斯核函数参数以及控制限的值;
步骤7)分别对每类样本求解近似基、特征值、特征向量;
步骤8)分别计算每个测试样本的SPE,其值与某类样本的SPE差值最小者为测试样本的 预测类别,与实际类别比较,计算准确率,若满足要求则步骤9),否则返回步骤6)重新设 置参数训练;
步骤9)获得分类模型参数,并将获得的分类模型用于心电诊断***当中。
进一步,采用集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别。RdR 散点图是一种心率变异性分析方法,可以体现其随时间变化的趋势。
进一步,将集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别,先建立 集成稀疏核主分量分析模型,然后通过平方预测误差法选择控制指标。
集成稀疏核主分量分析是一种无监督机器学习算法,集成稀疏核主分量分析的基本方法 如下:
主分量分析是一种典型的无监督算法,常用于解决原始空间的线性问题,而为了在特征 空间中用线性方法解决原始空间的非线性问题,B.Scholkopf等人提出了核主分量分析 (Kernel Principal Component Analysis,KPCA)。定义从原始空间Rn到特征空间F的非线性 映射:假如给定的样本X={x1,…,xN},xi∈Rn,则通过映射可以获得一组向量 假设该组向量满足则特征空间中的相关阵为
如果该组向量则可令可知满足条件, 代替式中的则KPCA问题可以转换为求特征空间中相关阵的特征值λ即特征向量
其中,是样本的线性组合,令ɑ=[ɑ1,…,ɑN]T,则当不 能显式获得的时候,引入核函数,设首先需要计算:
K=ΦTΦ;
其中,矩阵K是NxN的矩阵,也称核矩阵。则问题转换为:
Kɑ=Nλɑ;
其中,ɑ=[ɑ1,…,ɑN]。当中心化的过程可以直接在K上运算:
其中,满足是一个NxN的1矩阵。假设得到的 特征值λ1≥λ2≥…λn及其对应的特征向量ɑ1,ɑ2,…,ɑN,在特征空间中的第k个特征向量 ɑi,k表示的第k个特征向量的第i个值,由归一化得变量x在归一化之后的第k个特征向量方向的投影为第k个主分量, 公式为:
本发明选择一种常用的核函数,径向基核函数来进行计算。当选择径向基核函数时,会 有明显的过学习问题,主要是由于径向基核函数对应的特征空间是无线维的,通过该方法得 出的主分量的次数与给定样本的维数无关,而与样本数量有关。为解决这个问题,引入了稀 疏化方法,即为稀疏核主分量分析(Sparse Kernel Principal ComponentAnalysis,SKPCA)。
在核主分量分析中,特征向量能用样本表示为也就 是说特征向量是全部样本的线性组合,这为特征向量的稀疏化提供了一种思路。通过近似 基求解算法,来求的近似基,从而得到的稀疏化方法。
近似基求解的具体步骤是:
A.建立集合为近似最大无关组,XA=φ;
B.对于k=2,...,N的求极小值value;
其中,
C.如果得到极小值value≤ε,则把对应的元素加到XA当中,否则为Xl。ε是线性相关截尾 误差,在有限的样本中求无限维空间的基几乎没有稀疏性,因此选择近似计算。
D.返回步骤B,直至完成所有的计算,计算结束。
其中,步骤B中的求解过程如下:
令
由Lagrange条件得-2K0+2Kλ=0,其中K0=(k(x1,xk),…,k(xl,xk))T,K是方阵, Kij=k(xi,xj)。当核函数是高斯径向基核函数时,矩阵K正定,得λmin=K-1K0即为f(λ)的极小 值点。
假设求得的一组近似基为用表示近似基构成的 基向量,特征向量可以表示为问题转成:
两边同乘记得
可知是特征值与特征向量的问题,即令则
推导得:
其中,K(m,:)表示核矩阵K的第m行,K(:,n)表示第n列,1N=[1,...,1]表示1行N列的行 向量。问题也就转换成了(KI)-1Ksα=λα,为典型的特征值与特征向量问题。
虽然稀疏化可以控制学习机的学习能力,防止过学习,但是稀疏化方法仍然可能会丢失 数据集的某些重要特性,即欠学习问题。因此,有必要引入集成方法,称为集成稀疏核主分 量分析(Integration Sparse Kernel Principal Component Analysis,ISKPCA)。
由于核主分量分析是一种无监督学***均的方法。SKPCA的集成方法具体步骤流程如下:
A.设置重复的次数Re;
B.计算核矩阵K=ΦTΦ;
C.计算样本集的Re组近似基ΦI 1,…,ΦI Re(在求解第k组近似基Φ I k的时候,前一组近似基ΦI k-1剩余的向量为第k组的优先向量);
D.根据上述的SKPCA方法,对各个组的近似基ΦI k求特征值λk,特征向量ɑk,共获得Re 组特征值λ1,…,λRe和特征向量ɑ1,…,ɑRe;
E.对前n个特征值λ1≥…≥λn和对应的特征向量,分别求集成特征值集 成特征向量其中λi k是第k组近似基ΦI k所张成的子空间为解空间的求得的第i 个特征值,是对应的特征向量;
F.对集成特征值和集成特征向量进行归一化,即得集成稀疏核主分量分析的特征值 和特征向量。
将集成稀疏核主分量分析方法用于心电RdR散点图的分类识别,需要先建立集成稀疏核 主分量分析模型,然后选择控制指标。本发明选择一种常用的控制指标,即平方预测误差 (Squared Prediction Error,SPE)。
平方预测误差的具体方法:
对于第i个样本Xi,假设经过SKPCA求得其前n个主分量为t1,…,tn,对应的特征值为 λ1,…,λn。用表示特征空间N个主成分的重构向量同理则 样本X的SPE定义为:
其中,
为便于叙述,使用MIT-BIH数据库中的心电数据,以此数据库的数据作示意性分析介绍。
图2是***结构框图,该***的硬件主要由采集电路、微控制器电路、存储电路、RAM 电路、JTAG电路、通信电路、警报电路、LED运行指示电路、电源管理电路和云服务器等组 成。为了降低***的复杂度,本***在远程监测终端部分选择B/S(浏览器/服务器)模式来 开发。本***通过互联网连接成一个整体,且为符合便携式特点,采用单导联设计。采集电 路负责采集心电信号,在微处理器上进行数据滤波,然后LCD显示波形、心率等信息,可以 利用通信电路将数据上传至云服务器,服务器端接收到数据,对数据进行处理,并得出诊断 分析报告,根据诊断分析结果,判断是否需要发送警报信息等操作。医生也可以通过浏览器 查看用户心电数据,并给出诊断意见。
图3是通过MATLAB来绘制MIT-BIH心电数据的RdR散点图示意图。RdR散点图可以有效 反映心搏间期随时间的变化趋势,蕴含大量的临床信息,能显示不同的心搏特征。实验显示, 使用本发明方法来对其进行识别分类,效果较好。
图4是从测试样本中随机选择某一类的心电数据样本,如图是选择到实际类别为“3”的 一些测试样本集,将其分别与各个类别计算其SPE的差值,结果如图(4),可以看到其与类别 为“3”的SPE差值最小,分类全部正确;
图5是依据本发明方法,部分分类的结果展示图,实验显示,准确率较高,图中,参数 true是实际的样本类别,predicted是分类器预测的类别,图中显示的图像是RdR散点图, 可以看到分类结果全部正确。
综上所述,本发明利用集成稀疏核主分量分析方法,通过计算样本数据与使用核主分量 分析映射数据之间的差值来研究数据之间的最大相关性,并以此来判断心电数据类别,研究 自动识别分类RdR散点图。使用本发明方法来对心率变异性作分析,可以为实现自动化诊断、 缓解紧缺的医疗资源、减少医疗资源的浪费、提高就诊效率提供一些基础。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡 属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通 技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本 发明的保护范围。
Claims (3)
1.一种便携式心电在线智能监测诊断***设计方法,其特征在于,包括以下主体步骤:
步骤1)采集心电信号,对心电信号进行滤波去噪处理,提取R波峰值位置;
步骤2)使用心搏间期绘制心电RdR散点图;
步骤3)对心电RdR散点图进行缩放,缩放到同一规格,转成灰度图,并对图像数据进行归一化处理,以减少计算量;
步骤4)对获得的散点图样本进行标记;
步骤5)对样本进行采样,随机抽取85%的数据作为训练样本;
步骤6)设置参数,参数包括近似基的误差参数、高斯核函数参数以及控制限的值;
步骤7)分别对每类样本求解近似基、特征值、特征向量;
步骤8)分别计算每个测试样本的SPE,其值与某类样本的SPE差值最小者为测试样本的预测类别,与实际类别比较,计算准确率,若满足要求则步骤9),否则返回步骤6)重新设置参数训练;
步骤9)获得分类模型参数,并将获得的分类模型用于心电诊断***当中。
2.根据权利要求1所述的一种便携式心电在线智能监测诊断***设计方法,其特征在于,
采用集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别。
3.根据权利要求2所述的一种便携式心电在线智能监测诊断***设计方法,其特征在于,
将集成稀疏核主分量分析方法用于对所述心电RdR散点图的分类识别,先建立集成稀疏核主分量分析模型,然后通过平方预测误差法选择控制指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810921525.7A CN109157211A (zh) | 2018-08-14 | 2018-08-14 | 一种便携式心电在线智能监测诊断***设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810921525.7A CN109157211A (zh) | 2018-08-14 | 2018-08-14 | 一种便携式心电在线智能监测诊断***设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109157211A true CN109157211A (zh) | 2019-01-08 |
Family
ID=64895481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810921525.7A Pending CN109157211A (zh) | 2018-08-14 | 2018-08-14 | 一种便携式心电在线智能监测诊断***设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109157211A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及*** |
CN111920397A (zh) * | 2020-08-07 | 2020-11-13 | 江苏师范大学 | 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及*** |
CN117373036A (zh) * | 2023-10-24 | 2024-01-09 | 东南大学附属中大医院 | 基于智能ai的数据分析处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN106725426A (zh) * | 2016-12-14 | 2017-05-31 | 深圳先进技术研究院 | 一种心电信号分类的方法及*** |
CN107292292A (zh) * | 2017-07-20 | 2017-10-24 | 浙江好络维医疗技术有限公司 | 一种基于支持向量机的qrs波群分类方法 |
CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
-
2018
- 2018-08-14 CN CN201810921525.7A patent/CN109157211A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073755A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上房颤自动识别的实现方法 |
CN106725426A (zh) * | 2016-12-14 | 2017-05-31 | 深圳先进技术研究院 | 一种心电信号分类的方法及*** |
CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
CN107292292A (zh) * | 2017-07-20 | 2017-10-24 | 浙江好络维医疗技术有限公司 | 一种基于支持向量机的qrs波群分类方法 |
Non-Patent Citations (2)
Title |
---|
甘良志: "核学习算法与集成方法研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
陆宏伟等: "基于RdR新型散点图心率变异性研究", 《生物医学工程学杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110403600A (zh) * | 2019-07-26 | 2019-11-05 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及*** |
CN110403600B (zh) * | 2019-07-26 | 2022-02-08 | 武汉海星通技术股份有限公司 | 基于差值时间散点图的阵发性房颤智能分析方法及*** |
CN111920397A (zh) * | 2020-08-07 | 2020-11-13 | 江苏师范大学 | 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及*** |
CN114496209B (zh) * | 2022-02-18 | 2022-09-27 | 青岛市中心血站 | 一种献血智能决策方法及*** |
CN117373036A (zh) * | 2023-10-24 | 2024-01-09 | 东南大学附属中大医院 | 基于智能ai的数据分析处理方法 |
CN117373036B (zh) * | 2023-10-24 | 2024-06-11 | 东南大学附属中大医院 | 基于智能ai的数据分析处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rai et al. | Hybrid CNN-LSTM deep learning model and ensemble technique for automatic detection of myocardial infarction using big ECG data | |
Sridhar et al. | Accurate detection of myocardial infarction using non linear features with ECG signals | |
Beritelli et al. | A novel training method to preserve generalization of RBPNN classifiers applied to ECG signals diagnosis | |
CN109157211A (zh) | 一种便携式心电在线智能监测诊断***设计方法 | |
US20100217144A1 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
Zhang et al. | A multi-dimensional association information analysis approach to automated detection and localization of myocardial infarction | |
Hosseini et al. | A multi-stage neural network classifier for ECG events | |
CN112365978A (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
Sridhar et al. | Automated diagnosis of Coronary Artery Disease using nonlinear features extracted from ECG signals | |
Nascimento et al. | Heart arrhythmia classification based on statistical moments and structural co-occurrence | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
Pt et al. | Automated diagnosis of diabetes using heart rate variability signals | |
Stracina et al. | Golden standard or obsolete method? Review of ECG applications in clinical and experimental context | |
CN109452938A (zh) | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 | |
Nasimov et al. | A new approach to classifying myocardial infarction and cardiomyopathy using deep learning | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
Zhang et al. | Cardiac arrhythmia classification by time–frequency features inputted to the designed convolutional neural networks | |
Zhang et al. | Application of deep neural network for congestive heart failure detection using ECG signals | |
WO2023129752A1 (en) | Assessment of hemodynamics parameters | |
Jiang et al. | Visualization deep learning model for automatic arrhythmias classification | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
CN108926343A (zh) | 基于cnn神经网络的急性心肌梗死定性自动判别*** | |
Ali et al. | Comparative evaluation for two and five classes ECG signal classification: applied deep learning | |
Raghukumar et al. | Predicting the myocardial infarction from predictive analytics through supervised machine learning | |
Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190108 |