CN109199343A - 一种心房颤动的评估方法、***和设备 - Google Patents
一种心房颤动的评估方法、***和设备 Download PDFInfo
- Publication number
- CN109199343A CN109199343A CN201810785816.8A CN201810785816A CN109199343A CN 109199343 A CN109199343 A CN 109199343A CN 201810785816 A CN201810785816 A CN 201810785816A CN 109199343 A CN109199343 A CN 109199343A
- Authority
- CN
- China
- Prior art keywords
- interphase
- pulse wave
- sample
- neural network
- network model
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明实施例提供一种心房颤动的评估方法、***和设备,通过基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率;从而不需要额外设备和专业医护人员协助,仅利用智能终端设备的摄像头即可对当前用户的心房颤动的现象进行分析和评估,使得该方法、***和设备具有更好的便捷性和实时性;并且利用神经网络模型,能有效分析用户数据,满足了精确度的要求,减小了错误评估的可能性。
Description
技术领域
本发明实施例涉及健康评估技术领域,更具体地,涉及一种心房颤动的评估方法、***和设备。
背景技术
心房颤动(AF)是一种比较常见的心律现象,出现该现象的人口数量占总人口数量的1-2%,且伴随着年龄的增长而增加,心房颤动的现象与许多心脏病的发病率和死亡率相关,是诊断许多疾病的重要依据,例如栓塞性中风。因此,心房颤动的早期评估对于预防中风和降低相关并发症的风险具有重要意义。
现阶段心房颤动的评估主要依靠心电图,基于房颤患者心电图的异常特征,检测房颤的研究主要有三种方法:1、基于心房活动分析的方法;2、基于心室响应分析的方法;3、以上两种方法的组合方法。基于心房活动分析的方法主要通过对TQ间隔中缺少P波或出现f波的分析,但由于T波幅度小,易受噪声影响。基于心室响应分析的方法是以往研究中最主要的方法,这种方法在心率由药物或起搏器控制时可导致错误评估。结合上述两种方法的组合方法包括基于RR区间马尔可夫模型的方法和模糊逻辑分类方法。
以上的心房颤动的评估主要通过医院的专业设备进行动态心电图的连续观测,一方面采集心电图需要额外设备和专业医护人员,不便于随时随地检测心脏的健康状况,另一方面,评估的精确度不高,容易造成错误的评估。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种心房颤动的评估方法、***和设备。
本发明实施例提供一种心房颤动的评估方法,包括:基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
其中,基于移动智能终端的摄像头获取脉搏波形,包括:控制移动智能终端的摄像头闪光灯照射小动脉;控制移动智能终端的摄像头采集摄像头闪光灯照射小动脉的反射光的强度变化;根据摄像头采集的反射光的强度变化获取脉搏波形。
其中,基于脉搏波形提取预设数量个RR间期,包括:确定脉搏波形中的峰值点;提取相邻的峰值点之间的时间间隔,将连续的预设数量个相邻的峰值点之间的时间间隔作为预设数量个RR间期。
其中,基于脉搏波形提取预设数量个RR间期之前,还包括:对脉搏波形进行去噪处理。
其中,神经网络模型的训练步骤包括:将每一RR间期序列作为一个样本,提取每一样本的时域特征、频域特征和非线性特征,其中,每一RR间期序列包括预设数量个RR间期;将样本集中预设比例的样本组成训练集,将训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行训练。
其中,将训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行训练之后,还包括:将样本集中训练集以外的样本组成测试集,将测试集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行测试。
本发明实施例还提供一种心房颤动的评估***,包括:移动智能终端、脉搏波形获取模块、RR间期提取模块和心房颤动评估模块;脉搏波形获取模块,用于基于移动智能终端的摄像头获取脉搏波形;RR间期提取模块,用于基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;心房颤动评估模块,用于将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
其中,该***还包括脉搏波形去噪模块;脉搏波形去噪模块,用于对脉搏波形进行去噪处理。
本发明实施例还提供一种心房颤动的评估设备,包括:至少一个处理器、至少一个存储器和通信总线;其中:处理器与存储器通过通信总线完成相互间的通信;存储器存储有可被处理器执行的程序指令,处理器调用程序指令以执行上述方法。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使计算机执行上述的方法。
本发明实施例提供的一种心房颤动的评估方法、***和设备,通过基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率;从而不需要额外设备和专业医护人员协助,仅利用智能终端设备的摄像头即可对当前用户的心房颤动的现象进行分析和评估,使得该方法、***和设备具有更好的便捷性和实时性;并且利用神经网络模型,能有效分析用户数据,满足了精确度的要求,减小了错误评估的可能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的心房颤动的评估方法的流程图;
图2为根据本发明实施例的心房颤动的评估***的示意图;
图3为根据本发明实施例的心房颤动的评估设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本发明实施例提供一种心房颤动的评估方法,参考图1,包括:S11,基于移动智能终端的摄像头获取脉搏波形;S12,基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;S13,将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
具体地,心房颤动与心率有关,因此通常情况下会通过心电图实现对心房颤动这一现象进行评估。
由于心率也能通过脉搏来体现,本实施例的心房颤动的评估方法,利用摄像头的摄像功能,通过一定的方式拍摄人体脉搏的搏动,就可以通过拍摄得到的数据获取到脉搏波形;由于移动智能终端均携带有摄像头,利用移动智能终端的摄像头来获取脉搏波形,可达到充分利用身边的移动智能终端的目的,达到更好的便捷性和实时性,例如移动智能终端包括手机、平板电脑、掌上电脑等。
心电图RR间期是指心电波形的两个相邻R波之间的时间间隔,RR间期实质上是代表时间段的数值,包含多个RR间期的RR间期序列可以看做是一个序列的数值,能表现出一定的规律来,通过已训练的神经网络模型对RR间期序列进行分析,就可以得到心房颤动的概率。
本实施例中,脉搏波形在一定程度上也能反映心电波形,通过脉搏波形也能提取到RR间期,预设数量个RR间期组成的RR间期序列输入到已训练的神经网络模型,最终可得到心房颤动的概率,RR间期序列中RR间期的预设数量过多会增大计算量,过少则会影响评估精度,本实施例中,预设数量可选择32个。
本实施例通过基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率;从而不需要额外设备和专业医护人员协助,仅利用智能终端设备的摄像头即可对当前用户的心房颤动的现象进行分析和评估,使得该方法、***和设备具有更好的便捷性和实时性;并且利用神经网络模型,能有效分析用户数据,满足了精确度的要求,减小了错误评估的可能性。
基于以上实施例,基于移动智能终端的摄像头获取脉搏波形,包括:控制移动智能终端的摄像头闪光灯照射小动脉;控制移动智能终端的摄像头采集摄像头闪光灯照射小动脉的反射光的强度变化;根据摄像头采集的反射光的强度变化获取脉搏波形。
具体地,人体心脏将血液压入动脉后,动脉内的血液的浓度会发生轻微的变化,经持续的光照后的反射光的强度也会随着血液的浓度的变化而变化,将摄像头贴近小动脉,同时使摄像头闪光灯持续照射小动脉,摄像头就能够记录下某个时段内反射光强度随时间的变化,也就是血液的浓度的随时间的变化;通过反射光的强度随时间的变化就能够提取脉搏波形。具体实施时,可采集指端小动脉反射光的强度变化,指端小动脉更容易贴近摄像头,是采集的过程更便捷更高效。
基于以上实施例,基于脉搏波形提取预设数量个RR间期,包括:确定脉搏波形中的峰值点;提取相邻的峰值点之间的时间间隔,将连续的预设数量个相邻的峰值点之间的时间间隔作为预设数量个RR间期。
其中,基于脉搏波形提取预设数量个RR间期之前,还包括:对脉搏波形进行去噪处理。
具体地,由于脉搏波形是通过摄像头采集的小动脉的反射光强度提取的,需要对脉搏波形进行去噪处理,避免采集过程中的干扰因素的影响。
由于RR间期是指两个相邻R波(峰值点)之间的时间间隔,本实施例中,首先确定脉搏波形中的峰值点(R波),并提取相邻的峰值点之间的时间间隔,为了保证评估的精确度,将将连续的预设数量个相邻的峰值点之间的时间间隔作为预设数量个RR间期,保证了RR间期序列中预设数量个RR间期是按照脉搏波形时间前后的顺序排列,保证了RR间期序列的特有的频域特征和非线性特征,可保证评估的精确度。
基于以上实施例,神经网络模型的训练步骤包括:将每一RR间期序列作为一个样本,提取每一样本的时域特征、频域特征和非线性特征,其中,每一RR间期序列包括预设数量个RR间期;将样本集中预设比例的样本组成训练集,将训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行训练。
其中,将训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行训练之后,还包括:将样本集中训练集以外的样本组成测试集,将测试集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行测试。
具体地,本实施例将开源数据库中正常的RR间期序列数据和具有心房颤动特征的RR间期序列数据作为样本,组成样本集,并将其中预设比例的样本作为训练集,将其他的样本作为测试集,利用训练集和测试集分别对神经网络模型进行训练和测试。
RR间期序列实质上是数值序列,具有时域特征、频域特征和非线性特征,本实施例中,提取每一样本的时域特征、频域特征和非线性特征,其中,时域特征、频域特征和非线性特征的具体内容分别见表1、表2和表3。
表1 RR间期序列的时域特征的具体内容
1 | RR间期最小值 | 8 | RR间期标准化绝对差分 |
2 | RR间期均值 | 9 | 相邻RR间期之差的均方根值 |
3 | RR间期标准差 | 10 | 相邻RR间期之差的标准差 |
4 | RR间期众数 | 11 | 相邻RR间期之差大于50ms的个数 |
5 | 差异系数 | 12 | 相邻RR间期之差大于50ms的比例 |
6 | RR间期最大偏差 | 13 | 平均心率 |
7 | RR间期标准化绝对偏差 |
表2 RR间期序列的频域特征的具体内容
1 | 超低频段能量(VLF):0-0.04Hz | 5 | 低高频能量比值:LF/HF |
2 | 低频段能量(LF):0.04-0.15Hz | 6 | 低频能量占比:LF/(TP-VLF) |
3 | 高频段能量(HF):0.15-0.4Hz | 7 | 高频能量占比:HF/(TP-VLF) |
4 | 总能量(TP):0-0.4Hz |
表3 RR间期序列的非线性特征的具体内容
1 | 样本熵 | 3 | Poincare Plot:SD1 |
2 | 样本熵系数 | 4 | Poincare Plot:SD2 |
将训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行训练。然后将测试集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型,对神经网络模型进行测试,样本的标签即正常或者具有心房颤动特征。
例如,本实施例使用physionet公开数据库中的正常的RR间期序列数据和具有心房颤动特征的RR间期序列数据,随机选取其中的200个RR间期序列进行训练和测试,每个RR间期序列包括32个RR间期,提取时域特征、频域特征和非线性特征后,共得到8600组数据。,按照预设比例为70%,参与训练和测试的样本分配如下表4所示:
表4训练集和测试集分配表
训练(70%) | 测试(30%) | 总计 | |
心房颤动 | 17(3400) | 8(1600) | 25(5000) |
正常 | 13(2600) | 5(1000) | 18(3600) |
总计 | 30(6000) | 13(2600) | 43(8600) |
本发明实施例还提供一种心房颤动的评估***,参考图2,包括:移动智能终端21、脉搏波形获取模块22、RR间期提取模块23和心房颤动评估模块24;其中:
脉搏波形获取模块22,用于基于移动智能终端21的摄像头获取脉搏波形;
RR间期提取模块23,用于基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;
心房颤动评估模块24,用于将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
其中,该***还包括脉搏波形去噪模块;脉搏波形去噪模块,用于对脉搏波形进行去噪处理。
本发明实施例的***,可用于执行图1所示的心房颤动的评估方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例还提供一种心房颤动的评估设备,参考图3,包括:至少一个处理器31、至少一个存储器32和通信总线33;其中:处理器31与存储器32通过通信总线33完成相互间的通信;存储器32存储有可被处理器31执行的程序指令,处理器31调用程序指令以执行上述各方法实施例所提供的方法,例如包括:基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
本发明实施例还提供一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,该计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使该计算机执行上述各方法实施例所提供的方法,例如包括:基于移动智能终端的摄像头获取脉搏波形;基于脉搏波形提取预设数量个RR间期,将预设数量个RR间期组成RR间期序列;将RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成,前述的计算机程序可以存储于一计算机可读取存储介质中,该计算机程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种心房颤动的评估方法,其特征在于,包括:
基于移动智能终端的摄像头获取脉搏波形;
基于所述脉搏波形提取预设数量个RR间期,将所述预设数量个RR间期组成RR间期序列;
将所述RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
2.根据权利要求1所述的方法,其特征在于,所述基于移动智能终端的摄像头获取脉搏波形,包括:
控制所述移动智能终端的摄像头闪光灯照射小动脉;
控制所述移动智能终端的摄像头采集所述摄像头闪光灯照射所述小动脉的反射光的强度变化;
根据所述摄像头采集的所述反射光的强度变化获取所述脉搏波形。
3.根据权利要求1所述的方法,其特征在于,所述基于所述脉搏波形提取预设数量个RR间期,包括:
确定所述脉搏波形中的峰值点;
提取相邻的峰值点之间的时间间隔,将连续的所述预设数量个相邻的峰值点之间的时间间隔作为所述预设数量个RR间期。
4.根据权利要求1所述的方法,其特征在于,所述基于所述脉搏波形提取预设数量个RR间期之前,还包括:
对所述脉搏波形进行去噪处理。
5.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练步骤包括:
将每一RR间期序列作为一个样本,提取每一样本的时域特征、频域特征和非线性特征,其中,每一RR间期序列包括所述预设数量个RR间期;
将样本集中预设比例的样本组成训练集,将所述训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型,对所述神经网络模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述将所述训练集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型,对所述神经网络模型进行训练之后,还包括:
将所述样本集中所述训练集以外的样本组成测试集,将所述测试集中每一样本的时域特征、频域特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型,对所述神经网络模型进行测试。
7.一种心房颤动的评估***,其特征在于,包括:移动智能终端、脉搏波形获取模块、RR间期提取模块和心房颤动评估模块;
所述脉搏波形获取模块,用于基于移动智能终端的摄像头获取脉搏波形;
所述RR间期提取模块,用于基于所述脉搏波形提取预设数量个RR间期,将所述预设数量个RR间期组成RR间期序列;
所述心房颤动评估模块,用于将所述RR间期序列输入到已训练的神经网络模型,输出心房颤动的概率。
8.根据权利要求7所述的***,其特征在于,所述***还包括脉搏波形去噪模块;
所述脉搏波形去噪模块,用于对所述脉搏波形进行去噪处理。
9.一种心房颤动的评估设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信总线;其中:
所述处理器与所述存储器通过所述通信总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1至6任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785816.8A CN109199343A (zh) | 2018-07-17 | 2018-07-17 | 一种心房颤动的评估方法、***和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785816.8A CN109199343A (zh) | 2018-07-17 | 2018-07-17 | 一种心房颤动的评估方法、***和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109199343A true CN109199343A (zh) | 2019-01-15 |
Family
ID=64989994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810785816.8A Pending CN109199343A (zh) | 2018-07-17 | 2018-07-17 | 一种心房颤动的评估方法、***和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109199343A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112603327A (zh) * | 2019-12-18 | 2021-04-06 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
CN113598742A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103340622A (zh) * | 2013-07-01 | 2013-10-09 | 上海理工大学 | 基于智能手机的房颤自动检测*** |
US8768438B2 (en) * | 2012-06-25 | 2014-07-01 | Xerox Corporation | Determining cardiac arrhythmia from a video of a subject being monitored for cardiac function |
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 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
-
2018
- 2018-07-17 CN CN201810785816.8A patent/CN109199343A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8768438B2 (en) * | 2012-06-25 | 2014-07-01 | Xerox Corporation | Determining cardiac arrhythmia from a video of a subject being monitored for cardiac function |
CN103340622A (zh) * | 2013-07-01 | 2013-10-09 | 上海理工大学 | 基于智能手机的房颤自动检测*** |
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 |
CN106108889A (zh) * | 2016-07-20 | 2016-11-16 | 杨平 | 基于深度学习算法的心电图分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112603327A (zh) * | 2019-12-18 | 2021-04-06 | 华为技术有限公司 | 一种心电信号的检测方法、装置、终端以及存储介质 |
CN113598742A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
CN113598742B (zh) * | 2021-06-30 | 2024-03-22 | 合肥工业大学 | 房颤分类模型训练方法、房颤识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nogueira et al. | Classifying heart sounds using images of motifs, MFCC and temporal features | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
Odinaka et al. | ECG biometrics: A robust short-time frequency analysis | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
US8433398B2 (en) | Signal analysis system for heart condition determination | |
JP2019055173A (ja) | 単極誘導心電図(ecg)信号中の律動を識別するためのカスケード2値クラシファイア | |
CN108186011A (zh) | 房颤检测方法、装置及可读存储介质 | |
CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
CN112603332A (zh) | 一种基于脑电信号特征分析的情感认知方法 | |
CN110037668A (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的*** | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN112568886A (zh) | 心律的检测方法、电子设备以及计算机可读存储介质 | |
CN109199343A (zh) | 一种心房颤动的评估方法、***和设备 | |
WO2021184803A1 (zh) | 一种血压分类方法和装置 | |
WO2021164347A1 (zh) | 一种对血压进行预测的方法和装置 | |
Donoso et al. | Atrial activity selection for atrial fibrillation ECG recordings | |
CN109091142A (zh) | 一种检测肌肉内源性疲劳度的方法、装置及存储介质 | |
Ong et al. | An observational, prospective study exploring the use of heart rate variability as a predictor of clinical outcomes in pre-hospital ambulance patients | |
Chou et al. | Modelling arterial blood pressure waveforms for extreme bradycardia and tachycardia by curve fitting with Gaussian functions | |
JP2023505111A (ja) | 光学データからの生理学的測定のためのシステムおよび方法 | |
CN109567743A (zh) | 一种基于emd的信号重构方法、装置、终端设备及存储介质 | |
CN113679369B (zh) | 一种心率变异性的评估方法、智能穿戴设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |