CN110537907A - 一种基于奇异值分解的心电信号压缩及识别方法 - Google Patents
一种基于奇异值分解的心电信号压缩及识别方法 Download PDFInfo
- Publication number
- CN110537907A CN110537907A CN201910789960.3A CN201910789960A CN110537907A CN 110537907 A CN110537907 A CN 110537907A CN 201910789960 A CN201910789960 A CN 201910789960A CN 110537907 A CN110537907 A CN 110537907A
- Authority
- CN
- China
- Prior art keywords
- ecg
- singular value
- value decomposition
- electrocardiosignal
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 32
- 230000006835 compression Effects 0.000 title claims abstract description 29
- 238000007906 compression Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于奇异值分解的心电信号压缩及识别方法，包括以下步骤：S1、使用MIT‑BIH数据库的数据，通过R波检测获得ECG信号中R波的位置；以检测到的R波作为基准点，前100个样本点以及后150个样本点作为心拍，对ECG信号进行心拍截取，获得实验数据；通过特征提取以及数值标准化的方法进行SVM模型的建立；直接使用实验数据进行CNN模型的建立；S2、对MIT‑BIH数据库的数据，通过R波检测获得ECG信号中R波的位置；通过周期标准化使得ECG信号的R‑R段长度相等；进行SVD分解与重构获得压缩信号；通过R波检测以及心拍截取获得压缩测试数据，将其运用于建立的SVM模型以及CNN模型进行准确率的测试。
Description
技术领域
本发明涉及生物医学信息处理领域，具体涉及一种基于奇异值分解的心电信号压缩及识别方法。
背景技术
远程心电监护***——由心电监护手机终端、医院监控中心服务器和网络通信支持组成，目前已广泛应用于医疗，通过可穿戴电子设备收集心电图信号，经过网络传输至服务器，患者的心脏健康状况能够在服务端ECG分类***下实时监测和分类，医疗专业人员可以更迅速有效地对一些急性心脏病做出反应。这使得传输心电信号成为整个手术中不可或缺的重要组成部分。然而，由于多个周期和高分辨率，所收集的ECG数据量太大而不利于影响ECG数据的传输效率和便携性，这要求ECG信号需要进行压缩处理。
为了确保诊断结果的准确性，无损压缩常用于心电监护和诊断领域，无损压缩优点在于能够无数据损失地压缩信号，缺点是无法获得很高的压缩率，不可避免地导致传输效率降低。大多数研究人员都致力于设计更好的压缩方法，并寻求高压缩比和高质量重建的压缩性能之间的平衡，而不是任何之一指标的突出。
发明内容
本发明的目的是针对现有技术的不足，提供了一种基于奇异值分解(SVD，Singular Value Decomposition)的心电信号压缩及识别方法，所述方法基于有损压缩SVD方法对心电信号进行信号压缩，有效地提高了压缩率的同时，保留了ECG信号的绝大多数信息，进而实现在原信号训练出来的分类器模型中，用压缩信号依然能够有较高准确率地进行心电信号分类。
本发明的目的可以通过如下技术方案实现：
一种基于奇异值分解的心电信号压缩及识别方法，所述方法包括以下步骤：
S1、训练分类器模型：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及心拍截取预处理，获得实验数据集；
对实验数据集进行特征提取以及数值标准化后用于训练SVM模型；
直接使用实验数据集训练CNN模型；
S2、获取压缩心电信号并进行测试：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及周期标准化预处理，获得奇异值分解方法的输入矩阵；
对预处理后的心电信号进行奇异值分解与重构，获得压缩心电信号；
对压缩心电信号进行R波检测以及心拍截取预处理，获得压缩测试数据集；
使用压缩测试数据集在上述所建立的SVM模型和CNN模型中进行分类准确率测试。
进一步地，所述对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及心拍截取预处理具体过程如下：首先通过带通滤波、“双斜率”处理、低通滤波、滑动窗口积分以及阈值处理完成R波检测，然后以检测到的R波为基准点，以基准点前100个样本点以及后150个样本点作为一个心拍进行截取，并且整理成实验数据集。
进一步地，所述对实验数据集进行特征提取以及数值标准化具体包括：利用小波变换数据集进行特征提取，同时进行了特征归一化；训练SVM模型的实验数据集随机划分为训练集和测试集，各占一半。
进一步地，所述直接使用实验数据集训练CNN模型的具体过程为：设计一个具有2个卷积层、2个池化层和1个完全连接层的一维CNN模型，使用随机梯度下降进行训练；训练CNN模型的实验数据集随机划分训练集和测试集，各占一半。
进一步地，所述对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及周期标准化预处理，通过R波检测，能够检测出R波峰值并提取两个连续R波峰值之间的片段，定义为一个ECG周期，通过这个方法能够从一条ECG心电信号中提取出很多的周期，然而，由于ECG心电信号的特性，每一个周期所拥有的样本点数量不相同，导致了提取的ECG周期长度不相等，因此在将奇异值分解技术应用于压缩之前需要进行周期标准化，使得输入信号具有相同的长度：通过将ECG心电信号分成m个周期，将所有周期的长度标准化为平均周期长度，令第i个ECG片段为xi＝[xi(1)，xi(2)，...，xi(n′)]，其中n′是xi的长度，xi被转换成yi＝[yi(1)，yi(2)，...，yi(n)]，xi和yi都具有相同的信号形态但具有不同的数据长度，转换关系如下：
yi(j)＝xi(j′)+(xi(j′+1)-xi(j′))(rj-j′) (1)
其中rj＝[(j-1)(n′-1)/(n-1)]+1，j′是rj的整数部分，然后，通过将标准化的每个周期作为一行，ECG心电信号被变换为m×n矩阵Ymn。
进一步地，所述对预处理后的心电信号进行奇异值分解与重构的具体过程为：通过对预处理后的心电信号执行奇异值分解方法并确定奇异值的个数q，获得三个矩阵u、s、v，其中u为q×q方阵、s为m×q矩阵、v为n×q矩阵，然后基于Y＝s*u*v′获得压缩心电信号。
本发明与现有技术相比，具有如下优点和有益效果：
本发明提供的一种基于奇异值分解的心电信号压缩及识别方法，基于有损压缩SVD方法对心电信号进行信号压缩，有效地提高了压缩率的同时，保留了ECG信号的绝大多数信息，进而实现在原信号训练出来的分类器模型中，用压缩信号依然能够有较高准确率地进行心电信号分类。
附图说明
图1为本发明实施例基于奇异值分解的心电信号压缩及识别方法的流程图。
图2(a)为本发明实施例中原信号对应的压缩信号在SVM模型的准确率，图2(b)为本发明实施例中不同奇异值对应的压缩信号在SVM模型的准确率。
图3(a)为本发明实施例中原信号对应的压缩信号在CNN模型的准确率，图3(b)为本发明实施例中不同奇异值对应的压缩信号在CNN模型的准确率。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
本实施例提供了一种基于奇异值分解的心电信号压缩及识别方法，流程图如图1所示，包括以下步骤：
S1、训练分类器模型：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及心拍截取预处理，获得实验数据集；具体地，首先通过频率为15～25Hz的40阶FIR带通滤波，这个频率大致为QRS波群所在频段。为了让波形的模式更为单一，再进行“双斜率”处理。再通过低通滤波以及滑动窗口积分消除杂波，最后使用阈值处理完成R波检测。再以检测到的R波为基准点，以基准点前100个样本点以及后150个样本点作为一个心拍进行截取，并且整理成实验数据集。
对实验数据集进行特征提取以及数值标准化后用于训练SVM模型；具体包括：对每个心拍进行5阶的小波分解，小波函数利用db6小波。在5阶小波分解和2倍下采样后，选取前25个系数为代表每个心拍的特征。同时为了加快SVM收敛，进行了特征归一化。训练SVM模型的实验数据集随机划分训练集和测试集，各占一半。
直接使用实验数据集训练CNN模型；具体包括：设计一个具有2个卷积层、2个池化层和1个完全连接层的一维CNN模型，使用随机梯度下降(SGD)进行训练。训练SVM模型的实验数据集随机划分训练集和测试集，各占一半。
S2、获取压缩心电信号并进行测试：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及周期标准化预处理，获得奇异值分解方法的输入矩阵；通过R波检测，能够检测出R波峰值并提取两个连续R波峰值之间的片段，定义为一个ECG周期，通过这个方法能够从一条ECG心电信号中提取出很多的周期，然而，由于ECG心电信号的特性，每一个周期所拥有的样本点数量不相同，导致了提取的ECG周期长度不相等，因此在将奇异值分解技术应用于压缩之前需要进行周期标准化，使得输入信号具有相同的长度：通过将ECG心电信号分成m个周期，将所有周期的长度标准化为平均周期长度，令第i个ECG片段为xi＝[xi(1)，xi(2)，...，xi(n′)]，其中n′是xi的长度，xi被转换成yi＝[yi(1)，yi(2)，...，yi(n)]，xi和yi都具有相同的信号形态但具有不同的数据长度，转换关系如下：
yi(j)＝xi(j′)+(xi(j′+1)-xi(j′))(rj-j′) (1)
其中rj＝[(j-1)(n′-1)/(n-1)]+1，j′是rj的整数部分，然后，通过将标准化的每个周期作为一行，ECG心电信号被变换为m×n矩阵Ymn。
对预处理后的心电信号进行奇异值分解与重构，获得压缩心电信号；具体过程为：通过对预处理后的心电信号执行奇异值分解方法并确定奇异值的个数q，获得三个矩阵u、s、v，其中u为q×q方阵、s为m×q矩阵、v为n×q矩阵，然后基于Y＝s*u*v′获得压缩心电信号。
对压缩心电信号进行R波检测以及心拍截取预处理，获得压缩心拍对应的数据集；
将不同类别的压缩心拍数据类型作为测试集，在上述所建立地SVM模型以及CNN模型中进行分类准确率的测试，观察是否仍具有高准确率。
在上述步骤中，奇异值的个数q的取值不同所导致的最终测试结果准确率也会不同，具体如图2(a)、图2(b)和图3(a)、图3(b)所示：图2(a)和图3(a)表示原信号的准确率，图2(b)和图3(b)表示四类压缩心拍类型在不同奇异值下的准确率。从图中可以看出，“N”，“LBBB”，“RBBB”三类准确率受q值影响不大，而且都能保持在95％以上；“PVC”类受q值影响较大，在q≥4是，准确率达到了95％以上。即选取合适的奇异值个数q，可以得到一个具有高准确率的压缩ECG信号。这证实了，经过SVD方法的有损压缩的ECG信号也可以具备疾病判别的参考价值。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (6)
1.一种基于奇异值分解的心电信号压缩及识别方法，其特征在于，所述方法包括以下步骤：
S1、训练分类器模型：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及心拍截取预处理，获得实验数据集；
对实验数据集进行特征提取以及数值标准化后用于训练SVM模型；
直接使用实验数据集训练CNN模型；
S2、获取压缩心电信号并进行测试：
对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及周期标准化预处理，获得奇异值分解方法的输入矩阵；
对预处理后的心电信号进行奇异值分解与重构，获得压缩心电信号；
对压缩心电信号进行R波检测以及心拍截取预处理，获得压缩测试数据集；
使用压缩测试数据集在上述所建立的SVM模型和CNN模型中进行分类准确率测试。
2.根据权利要求1所述的一种基于奇异值分解的心电信号压缩及识别方法，其特征在于：所述对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及心拍截取预处理具体过程如下：首先通过带通滤波、“双斜率”处理、低通滤波、滑动窗口积分以及阈值处理完成R波检测，然后以检测到的R波为基准点，以基准点前100个样本点以及后150个样本点作为一个心拍进行截取，并且整理成实验数据集。
3.根据权利要求1所述的一种基于奇异值分解的心电信号压缩及识别方法，其特征在于：所述对实验数据集进行特征提取以及数值标准化具体包括：利用小波变换数据集进行特征提取，同时进行了特征归一化；训练SVM模型的实验数据集随机划分为训练集和测试集，各占一半。
4.根据权利要求1所述的一种基于奇异值分解的心电信号压缩及识别方法，其特征在于：所述直接使用实验数据集训练CNN模型的具体过程为：设计一个具有2个卷积层、2个池化层和1个完全连接层的一维CNN模型，使用随机梯度下降进行训练；训练CNN模型的实验数据集随机划分训练集和测试集，各占一半。
5.根据权利要求1所述的一种基于奇异值分解的心电信号压缩及识别方法，其特征在于：所述对MIT-BIH数据库所提供的ECG心电信号数据进行R波检测以及周期标准化预处理，通过R波检测，能够检测出R波峰值并提取两个连续R波峰值之间的片段，定义为一个ECG周期，通过这个方法能够从一条ECG心电信号中提取出很多的周期，然而，由于ECG心电信号的特性，每一个周期所拥有的样本点数量不相同，导致了提取的ECG周期长度不相等，因此在将奇异值分解技术应用于压缩之前需要进行周期标准化，使得输入信号具有相同的长度：通过将ECG心电信号分成m个周期，将所有周期的长度标准化为平均周期长度，令第i个ECG片段为xi＝[xi(1)，xi(2)，...，xi(n′)]，其中n′是xi的长度，xi被转换成yi＝[yi(1)，yi(2)，...，yi(n)]，xi和yi都具有相同的信号形态但具有不同的数据长度，转换关系如下：
yi(j)＝xi(j′)+(xi(j′+1)-xi(j′))(rj-j′) (1)
其中rj＝[(j-1)(n′-1)/(n-1)]+1，j′是rj的整数部分，然后，通过将标准化的每个周期作为一行，ECG心电信号被变换为m×n矩阵Ymn。
6.根据权利要求5所述的一种基于奇异值分解的心电信号压缩及识别方法，其特征在于：所述对预处理后的心电信号进行奇异值分解与重构的具体过程为：通过对预处理后的心电信号执行奇异值分解方法并确定奇异值的个数q，获得三个矩阵u、s、v，其中u为q×q方阵、s为m×q矩阵、v为n×q矩阵，然后基于Y＝s*u*v′获得压缩心电信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789960.3A CN110537907B (zh) | 2019-08-26 | 2019-08-26 | 一种基于奇异值分解的心电信号压缩及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789960.3A CN110537907B (zh) | 2019-08-26 | 2019-08-26 | 一种基于奇异值分解的心电信号压缩及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110537907A true CN110537907A (zh) | 2019-12-06 |
| CN110537907B CN110537907B (zh) | 2021-05-14 |
Family
ID=68712120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910789960.3A Expired - Fee Related CN110537907B (zh) | 2019-08-26 | 2019-08-26 | 一种基于奇异值分解的心电信号压缩及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110537907B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111568411A (zh) * | 2020-05-22 | 2020-08-25 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN112274159A (zh) * | 2020-09-29 | 2021-01-29 | 南昌大学 | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160183833A1 (en) * | 2013-01-04 | 2016-06-30 | Infobionic, Inc. | Systems and methods for processing and displaying patient electrocardiograph data |
| CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
| CN108937968A (zh) * | 2018-06-04 | 2018-12-07 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
| CN109077715A (zh) * | 2018-09-03 | 2018-12-25 | 北京工业大学 | 一种基于单导联的心电信号自动分类方法 |
| CN109512423A (zh) * | 2018-12-06 | 2019-03-26 | 杭州电子科技大学 | 一种基于确定学习与深度学习的心肌缺血危险分层方法 |
| CN109567792A (zh) * | 2018-11-19 | 2019-04-05 | 北京工业大学 | 一种单通道腹部记录胎儿心电图提取方法 |
| US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
-
2019
- 2019-08-26 CN CN201910789960.3A patent/CN110537907B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160183833A1 (en) * | 2013-01-04 | 2016-06-30 | Infobionic, Inc. | Systems and methods for processing and displaying patient electrocardiograph data |
| CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
| US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
| CN108937968A (zh) * | 2018-06-04 | 2018-12-07 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
| CN109077715A (zh) * | 2018-09-03 | 2018-12-25 | 北京工业大学 | 一种基于单导联的心电信号自动分类方法 |
| CN109567792A (zh) * | 2018-11-19 | 2019-04-05 | 北京工业大学 | 一种单通道腹部记录胎儿心电图提取方法 |
| CN109512423A (zh) * | 2018-12-06 | 2019-03-26 | 杭州电子科技大学 | 一种基于确定学习与深度学习的心肌缺血危险分层方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHIEN-CHIH WANG ET AL.: ""SVD and SVM based approach for Congestive Heart Failure Detection from ECG Signal"", 《THE 40TH INTERNATIONAL CONFERENCE ON COMPUTERS & INDUTRIAL ENGINEERING》 * |
| JIAPU PAN ET AL.: ""A Real-Time QRS Detection Algorithm"", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| JYH-JONG WEI ET AL.: ""ECG data compression using truncated singular value decomposition"", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111568411A (zh) * | 2020-05-22 | 2020-08-25 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN111568411B (zh) * | 2020-05-22 | 2023-08-22 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN112274159A (zh) * | 2020-09-29 | 2021-01-29 | 南昌大学 | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
| CN112274159B (zh) * | 2020-09-29 | 2024-02-09 | 南昌大学 | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110537907B (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CA2849294C (en) | Physiological signal denoising | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN110522440B (zh) | 基于分组卷积神经网络的心电信号识别装置 | |
| CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN109124620B (zh) | 一种房颤检测方法、装置及设备 | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测*** | |
| CN111265210A (zh) | 一种基于深度学习的房颤预测装置和设备 | |
| CN110537907B (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
| El Boujnouni et al. | A wavelet-based capsule neural network for ECG biometric identification | |
| CN110236529A (zh) | 一种基于modwt和lstm的多导联心律失常智能诊断方法 | |
| Fathi et al. | An energy-efficient compression algorithm of ECG signals in remote healthcare monitoring systems | |
| Dogan et al. | A comprehensive review of computer-based Techniques for R-peaks/QRS complex detection in ECG signal | |
| Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
| CN116035593B (zh) | 一种基于生成对抗式并行神经网络的脑电降噪方法 | |
| Razavi et al. | R-peak detection in electrocardiogram signals using continuous wavelet transform | |
| Pantelopoulos et al. | Efficient single-lead ECG beat classification using matching pursuit based features and an artificial neural network | |
| CN114668375A (zh) | 一种基于深度神经网络模型的无袖带血压预测*** | |
| Jokić et al. | An efficient ECG modeling for heartbeat classification | |
| Adib et al. | ECG beat classification using discrete wavelet coefficients | |
| Gupta et al. | ECG signal analysis using emerging tools in current scenario of health informatics |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210514 |