CN110236530A - 一种心电信号qrs波群定位方法、装置及计算机存储介质 - Google Patents

一种心电信号qrs波群定位方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN110236530A
CN110236530A CN201910537562.2A CN201910537562A CN110236530A CN 110236530 A CN110236530 A CN 110236530A CN 201910537562 A CN201910537562 A CN 201910537562A CN 110236530 A CN110236530 A CN 110236530A
Authority
CN
China
Prior art keywords
data
electrocardiosignal
label value
data segment
localization method
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
CN201910537562.2A
Other languages
English (en)
Inventor
罗伟
朱涛
李毅
朱佳兵
王瑶
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.)
WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd
Original Assignee
WUHAN ZONCARE BIO-MEDICAL ELECTRONICS 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 WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd filed Critical WUHAN ZONCARE BIO-MEDICAL ELECTRONICS Co Ltd
Priority to CN201910537562.2A priority Critical patent/CN110236530A/zh
Publication of CN110236530A publication Critical patent/CN110236530A/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
    • A61B5/7225—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
    • 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)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及心电信号处理技术领域，公开了一种心电信号QRS波群定位方法、装置及计算机存储介质。其中，方法包括以下步骤：采集多条心电信号构建样本数据集；标定每一条样本数据，并将标定好的样本数据切割成多个数据段；为所述数据段添加体现其是否包含QRS波群的训练标签值；通过神经网络对添加有训练标签值的数据段进行训练，得到标签预测模型；根据所述标签预测模型进行病例数据的QRS波群定位。本发明具有对异常心电信号定位精度高的技术效果。

Description

一种心电信号QRS波群定位方法、装置及计算机存储介质
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种心电信号QRS波群定位方法、装置及计算机存储介质。
背景技术
心电诊断中，QRS波群的定位具有非常重要的作用。目前，传统的QRS波群定位算法对于正常心电波形能够进行较高的定位，敏感度和精度能够达到要求但对于心脏病患者的特殊波形等异常波形的QRS波群识别，效果很不理想。
发明内容
本发明的目的在于克服上述技术不足，提供一种心电信号QRS波群定位方法、装置及计算机存储介质，解决现有技术中对于异常波形的QRS波群识别精度低的技术问题。
为达到上述技术目的，本发明的技术方案提供一种心电信号QRS波群定位方法，包括以下步骤：
采集多条心电信号构建样本数据集；
标定每一条样本数据，并将标定好的样本数据切割成多个数据段；
为所述数据段添加体现其是否包含QRS波群的训练标签值；
通过神经网络对添加有训练标签值的数据段进行训练，得到标签预测模型；
根据所述标签预测模型进行病例数据的QRS波群定位。
本发明还提供一种心电信号QRS波群定位装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述心电信号QRS波群定位方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述心电信号QRS波群定位方法。
与现有技术相比，本发明的有益效果包括：本发明对样本数据进行切割，将其切割为多个数据段，为每一个数据段添加训练标签值，从而通过训练标签值体现数据段是否包含QRS波群，再通过神经网络对数据段进行训练，得到标签预测模型，实现病例数据的QRS波群定位。本发明通过样本数据切割将QRS波群的定位转换为数据段是否包含QRS波群的判断，进而利用神经网络建立标签预测模型，通过标签预测实现样本数据段是否包含QRS波群的准确判断，实现QRS波群的准确定位。
附图说明
图1是本发明提供的心电信号QRS波群定位方法一实施方式的流程图；
图2是传统QRS波群检测算法检出点与参考点的对比图；
图3是本发明提供的标定样本数据一实施方式的标定示意图；
图4是采用本发明提供的标签预测模型得到的预测标签值一实施方式的预测结果图；
图5是图4中预测标签值滤波后的滤波结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的实施例1提供了心电信号QRS波群定位方法，包括以下步骤：
S1、采集多条心电信号构建样本数据集；
S2、标定每一条样本数据，并将标定好的样本数据切割成多个样本数据段；
S3、为所述样本数据段添加体现其是否包含QRS波群的训练标签值；
S4、通过神经网络对添加有训练标签值的样本数据段进行训练，得到标签预测模型；
S5、根据所述标签预测模型进行病例数据的QRS波群定位。
目前，传统的QRS定位算法对心脏病患者的特殊波形、异常波形等识别精度低。具体的，图2中示出了采用传统的QRS定位算法对三段不同数据的进行QRS波群定位的定位结果图。编号为data00148的数据A和编号为data00480的数据C均为正常心电信号，编号为data00004的数据B为异常心电信号。三段数据的定位结果中上排点为R波波峰参考点Detectted QRS Location，下排点为采用传统的QRS定位算法检测到的R波波峰检测点Referrence QRS Location。从图2看出，传统的QRS定位算法在对异常心电进行定位时，漏检和错检的情况非常明显，数据B错检率达到了87.5％。
本发明实施例针对此问题，将深度学习技术应用至心电信号的QRS波群定位中。具体的，在对样本数据进行标定后，对其进行切割，通过样本数据切割将QRS波群的定位转换为样本数据段是否包含QRS波群的判断。为每一个样本数据段添加训练标签值，从而通过训练标签值体现样本数据段是否包含QRS波群，再结合神经网络对样本数据段进行训练，得到标签预测模型，通过标签预测模型实现病例数据的QRS波群定位。
优选的，将标定好的样本数据切割成多个样本数据段，具体为：
以设定步长以及设定大小等间隔等大小切割标定好的样本数据，得到多个所述样本数据段。
对标定好样本数据进行切割，本优选实施例选取数据切割窗的大小为0.25s，是根据人体心电信号周期的范围来确定的，人体心电信号的心率为30--300bpm之间，也即为单个心电周期的长度为0.2s--2s，一般QRS波群宽度0.12-0.2s之间，选择数据切割窗的大小需要稍微大于QRS波群的宽度，通过实验发现选择数据切割窗的大小在0.25s左右时，实验效果最优。具体的，本实施例中数据采样频率为500HZ，切割大小为0.25s,即切割大小为125个单位长度。后文中均以单位长度个数来描述切割大小以及切割步长，选定切割步长为5个。整段样本数据signal的长度个数为5000个，那么切割后的样本数据段分别为：signal[1,2,…,125]、signal[6,7,…,130]、···signal[4876,4877,…,5000]，即完成了样本数据的切割。
优选的，标定所述样本数据，具体为：
标定所述样本数据的R波峰位置。
本优选实施例通过人工标定的方法，如图3所示，圆圈标定位置为R波峰位置，圆圈的两边相邻的三角形为包含该R波峰的QRS波群的起止点。当标定的R波峰位置与实际的R波峰位置的距离不超过QRS波群的大小，可判定为标定有效,本实施例中标定的R波峰位置在实际R波峰位置前后37.5ms范围内，均可认定为有效。
优选的，为所述样本数据段添加体现其是否包含QRS波群的训练标签值，具体为：
以距离所述样本数据段最近的R波峰位置为中心，在所述样本数据上切割出与所述样本数据段相同大小的参考段；
计算所述样本数据段与其参考段的IOU值；
根据所述IOU值为所述样本数据段添加训练标签值。
本优选实施例引入了IOU，即Intersection over Union的概念，IOU是一种测量在特定数据集中检测相应物体准确度的一个标准。本发明通过IOU来确定切割后的样本数据段中，哪些样本数据段是正样本，即包含QRS波群段，哪些样本数据段是负样本，即不包含QRS波群段，利于后续的训练。为了保证数据有效性。对整条样本数据进行切割后，对切割后的样本数据段计算与其参考段的IOU值。其中：参考段的大小与样本数据段相同，参考段中点位于标定距离样本数据段最近的的R波峰位置处，首尾分别为基于中点往前和往后平移“窗口大小除以2减1”个点，本实施例中平移125/2-1＝62个点。
优选的，根据所述IOU值对所述样本数据段添加训练标签值，具体为：
当所述IOU值小于第一设定阈值时，为所述样本数据段添加无QRS波标签值；
当所述IOU值大于第二设定阈值时，为所述样本数据段添加有QRS波标签值；
当所述IOU值大于所述第一设定阈值且小于所述第二设定阈值时，不进行标签添加。
本优选实施例中，第一设定阈值取0.3，第二设定阈值取0.7，无QRS波标签值取0，有QRS波标签值取1。当IOU值∈[0.3,0.7]时，将该条样本数据段舍弃，不作为训练样本，因此不进行标签的添加；当IOU＜0.3时，标定该条样本数据段对应标签为0，说明此条样本数据段中无QRS波群；当IOU>0.7时，标定该条样本数据段对应标签为1，说明此条样本数据段中含有一个QRS波群。
优选的，所述神经网络为ResNet神经网络。
得到样本数据段以及相应的训练标签值后，本优选实施例通过32层的ResNet神经网络进行训练。ResNet神经网络有一维卷积结构、二维卷积结构以及多维卷积结构，本实施例应用的ResNet神经网络是一维卷积结构的。
优选的，根据所述标签预测模型进行病例数据的QRS波群定位，具体为：
将所述病例数据切割为多个病例数据段，将各所述病例数据段输入所述标签预测模型，得到各所述病例数据段的预测标签值；
将所述预测标签值与所述训练标签值比较，判断相应病例数据段是否包含QRS波群，得到包含QRS波群的病例数据段。
得到标签预测模型后，即可获得病例数据段的预测标签值，根据预测标签值即可判断相应病例数据段是否包含QRS波群，从而实现QRS波群的定位。
具体的，本优选实施例，可将数据编号为0001的病例数据切分为976个病例数据段，病例数据的切割需符合标签预测模型建立时的IOU标准。分别将976个病例数据段输入到训练好的标签预测模型中进行标签值的预测，得到的预测结果如图4所示。对比预测标签值与训练标签值，训练标签值包括代表包含QRS波群的有QRS波标签值，还包括代表不包含QRS波群的无QRS波标签值，如果预测标签值更接近于有QRS波标签值表示该条病例数据段中含有QRS波群，如果预测标签值更接近于无QRS波标签值表示该条病例数据段中不含有QRS波群。
具体的，对比预测标签值与训练标签值可采用滤波处理实现，对图4中的结果预测图进行滤波处理，本优选实施例用的是极值滤波处理：取有QRS波标签值与无QRS波标签值的平均值，即0.5，当病例数据段的预测标签值大于等于0.5时，令该预测标签值赋值为1；当病例数据段的预测标签值小于0.5时，令该预测标签值赋值为0；滤波结果图如图5所示:
优选的，心电信号QRS波群定位方法还包括：
取包含QRS波群的病例数据段的中点位置；
将所述中间位置换算至所述病例数据的位置信息，得到所述病例数据的R波峰位置。
通过对图4中的预测结果进行滤波，得到图5所示滤波结果，从图5中所有连续的预测标签值为有QRS波标签值的样本数据段中，取其中点处，即为病例数据R波峰所对应的位置，即图5中竖线所示位置。将图5中标记了的中点位置换算回原始的病例数据的QRS波处，图5中可看出，x轴数据点个数为976个，这是由于原始数据量为5000，窗大小为125，窗移动的步长为5所致，(5000-125)/5+1＝976。
实施例2
本发明的实施例2提供了心电信号QRS波群定位装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现以上任一实施例提供的心电信号QRS波群定位方法。
本发明实施例提供的心电信号QRS波群定位装置，用于实现心电信号QRS波群定位方法，因此，上述心电信号QRS波群定位方法所具备的技术效果，心电信号QRS波群定位装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现以上任一实施例提供的心电信号QRS波群定位方法。
本发明实施例提供的计算机存储介质，用于实现心电信号QRS波群定位方法，因此，上述心电信号QRS波群定位方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种心电信号QRS波群定位方法，其特征在于，包括以下步骤：
采集多条心电信号构建样本数据集；
标定每一条样本数据，并将标定好的样本数据切割成多个数据段；
为所述数据段添加体现其是否包含QRS波群的训练标签值；
通过神经网络对添加有训练标签值的数据段进行训练，得到标签预测模型；
根据所述标签预测模型进行病例数据的QRS波群定位。
2.根据权利要求1所述的心电信号QRS波群定位方法，其特征在于，将标定好的样本数据切割成多个数据段，具体为：
以设定步长以及设定大小等间隔等大小切割标定好的样本数据，得到多个所述数据段。
3.根据权利要求1所述的心电信号QRS波群定位方法，其特征在于，标定所述样本数据，具体为：
标定所述样本数据的R波峰位置。
4.根据权利要求3所述的心电信号QRS波群定位方法，其特征在于，为所述数据段添加体现其是否包含QRS波群的训练标签值，具体为：
以距离所述数据段最近的R波峰位置为中心，在所述样本数据上切割出与所述数据段相同大小的参考段；
计算所述数据段与其参考段的IOU值；
根据所述IOU值为所述数据段添加训练标签值。
5.根据权利要求4所述的心电信号QRS波群定位方法，其特征在于，根据所述IOU值对所述数据段添加训练标签值，具体为：
当所述IOU值小于第一设定阈值时，为所述数据段添加无QRS波标签值；
当所述IOU值大于第二设定阈值时，为所述数据段添加有QRS波标签值；
当所述IOU值大于所述第一设定阈值且小于所述第二设定阈值时，不进行标签添加。
6.根据权利要求1所述的心电信号QRS波群定位方法，其特征在于，所述神经网络为ResNet神经网络。
7.根据权利要求1所述的心电信号QRS波群定位方法，其特征在于，根据所述标签预测模型进行病例数据的QRS波群定位，具体为：
将所述病例数据切割为多个病例数据段，将各所述病例数据段输入所述标签预测模型，得到各所述病例数据段的预测标签值；
将所述预测标签值与所述训练标签值比较，判断相应病例数据段是否包含QRS波群，得到包含QRS波群的病例数据段。
8.根据权利要求7所述的心电信号QRS波群定位方法，其特征在于，还包括：
取包含QRS波群的病例数据段的中点位置；
将所述中间位置换算至所述病例数据的位置信息，得到所述病例数据的R波峰位置。
9.一种心电信号QRS波群定位装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的心电信号QRS波群定位方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的心电信号QRS波群定位方法。
CN201910537562.2A 2019-06-20 2019-06-20 一种心电信号qrs波群定位方法、装置及计算机存储介质 Pending CN110236530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910537562.2A CN110236530A (zh) 2019-06-20 2019-06-20 一种心电信号qrs波群定位方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910537562.2A CN110236530A (zh) 2019-06-20 2019-06-20 一种心电信号qrs波群定位方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110236530A true CN110236530A (zh) 2019-09-17

Family

ID=67888560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910537562.2A Pending CN110236530A (zh) 2019-06-20 2019-06-20 一种心电信号qrs波群定位方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110236530A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110693486A (zh) * 2019-09-27 2020-01-17 武汉中旗生物医疗电子有限公司 一种心电图的异常标注方法及装置
CN111110228A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种心电信号r波的检测方法及装置
CN111214225A (zh) * 2019-12-24 2020-06-02 北京超思电子技术有限责任公司 室性激动识别方法、装置、电子设备及可读存储介质
CN112107310A (zh) * 2020-09-30 2020-12-22 西安理工大学 基于iwt与aga-bp模型的ecg身份识别方法
CN113080996A (zh) * 2021-04-08 2021-07-09 大同千烯科技有限公司 一种基于目标检测的心电图分析方法及装置
CN114159070A (zh) * 2021-12-20 2022-03-11 武汉大学 一种卷积神经网络的心脏骤停风险实时预测方法及***
CN115770048A (zh) * 2021-09-08 2023-03-10 上海联影医疗科技股份有限公司 心电信号处理方法、装置、计算机设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
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
CN106897714A (zh) * 2017-03-23 2017-06-27 北京大学深圳研究生院 一种基于卷积神经网络的视频动作检测方法
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN107145833A (zh) * 2017-04-11 2017-09-08 腾讯科技（上海）有限公司 人脸区域的确定方法和装置
CN107495959A (zh) * 2017-07-27 2017-12-22 大连大学 一种基于一维卷积神经网络的心电信号分类方法
CN107609464A (zh) * 2017-07-24 2018-01-19 南京邮电大学 一种实时高精度人脸快速检测方法
CN108056773A (zh) * 2017-12-11 2018-05-22 重庆邮电大学 基于改进变分模态分解的心电信号qrs波群检测算法
CN109063552A (zh) * 2018-06-22 2018-12-21 深圳大学 一种多导联心电信号分类方法和***
CN109190442A (zh) * 2018-06-26 2019-01-11 杭州雄迈集成电路技术有限公司 一种基于深度级联卷积神经网络的快速人脸检测方法
CN109271876A (zh) * 2018-08-24 2019-01-25 南京理工大学 基于时间演化建模和多示例学习的视频动作检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
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
CN106897714A (zh) * 2017-03-23 2017-06-27 北京大学深圳研究生院 一种基于卷积神经网络的视频动作检测方法
CN107145833A (zh) * 2017-04-11 2017-09-08 腾讯科技（上海）有限公司 人脸区域的确定方法和装置
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN107609464A (zh) * 2017-07-24 2018-01-19 南京邮电大学 一种实时高精度人脸快速检测方法
CN107495959A (zh) * 2017-07-27 2017-12-22 大连大学 一种基于一维卷积神经网络的心电信号分类方法
CN108056773A (zh) * 2017-12-11 2018-05-22 重庆邮电大学 基于改进变分模态分解的心电信号qrs波群检测算法
CN109063552A (zh) * 2018-06-22 2018-12-21 深圳大学 一种多导联心电信号分类方法和***
CN109190442A (zh) * 2018-06-26 2019-01-11 杭州雄迈集成电路技术有限公司 一种基于深度级联卷积神经网络的快速人脸检测方法
CN109271876A (zh) * 2018-08-24 2019-01-25 南京理工大学 基于时间演化建模和多示例学习的视频动作检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XINGJUN WANG: "QRS Detection in ECG Signal Based on Residual Network", 《2019 IEEE 11TH INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110693486A (zh) * 2019-09-27 2020-01-17 武汉中旗生物医疗电子有限公司 一种心电图的异常标注方法及装置
CN111214225A (zh) * 2019-12-24 2020-06-02 北京超思电子技术有限责任公司 室性激动识别方法、装置、电子设备及可读存储介质
CN111214225B (zh) * 2019-12-24 2022-12-06 北京超思电子技术有限责任公司 室性激动识别方法、装置、电子设备及可读存储介质
CN111110228A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种心电信号r波的检测方法及装置
CN112107310A (zh) * 2020-09-30 2020-12-22 西安理工大学 基于iwt与aga-bp模型的ecg身份识别方法
CN113080996A (zh) * 2021-04-08 2021-07-09 大同千烯科技有限公司 一种基于目标检测的心电图分析方法及装置
CN115770048A (zh) * 2021-09-08 2023-03-10 上海联影医疗科技股份有限公司 心电信号处理方法、装置、计算机设备及存储介质
CN114159070A (zh) * 2021-12-20 2022-03-11 武汉大学 一种卷积神经网络的心脏骤停风险实时预测方法及***

Similar Documents

Publication Publication Date Title
CN110236530A (zh) 一种心电信号qrs波群定位方法、装置及计算机存储介质
US10980429B2 (en) Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time
CN109308695A (zh) 基于改进U-net卷积神经网络模型的癌细胞识别方法
CN104382618B (zh) 基于胎心率检测的去噪方法和胎心率检测仪
WO2019100827A1 (zh) 一种脉搏波信号中提取血压数据的方法及装置
CN103800037B (zh) 一种胎心监护***、胎心监护设备以及监护方法
CN105844075A (zh) 心血管周期、等值线分析和心率的低功耗、鲁棒估计方法
CN109584283A (zh) 一种基于卷积神经网络的医学图像配准算法
CN105468951A (zh) 通过心电特征进行身份识别的方法及装置、可穿戴设备
CN104271038B (zh) 一种基于电流密度变化评估心肌损伤的方法和设备
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
CN109009084A (zh) 多导联心电信号的qrs波群校验方法、装置及设备、介质
CN116172517A (zh) 基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置
CN115153581A (zh) 一种心电信号特征波形检测方法、装置及存储介质
CN111248881B (zh) 一种对血压进行预测的方法和装置
CN105517018B (zh) 一种获取位置信息的方法及装置
CN105138823B (zh) 一种基于自相关函数的生理信号质量检测方法
CN109875550A (zh) 一种心室除极关键点检测方法
CN111053552B (zh) 一种基于深度学习的qrs波检测方法
CN108652604A (zh) 一种基于心电信号的无气囊血压检测方法及***
CN104983415A (zh) 心拍识别的方法及装置
CN110141214A (zh) 一种心电图识别的标注方法及其应用
CN113171102B (zh) 基于持续深度学习的ecg数据分类方法
CN109117457A (zh) 体形弯曲度大数据计算方法
CN205031255U (zh) 微伏级t波交替实时检测***

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: 20190917

RJ01 Rejection of invention patent application after publication