CN110623662A - 一种适用于心电信号检测的自适应阈值迭代算法 - Google Patents
一种适用于心电信号检测的自适应阈值迭代算法 Download PDFInfo
- Publication number
- CN110623662A CN110623662A CN201910814123.1A CN201910814123A CN110623662A CN 110623662 A CN110623662 A CN 110623662A CN 201910814123 A CN201910814123 A CN 201910814123A CN 110623662 A CN110623662 A CN 110623662A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate point
- threshold
- algorithm
- candidate
- 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
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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (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
本发明属于模拟集成电路技术领域,特别涉及一种用于心电信号特征参数提取的自适应阈值迭代算法。本发明根据候选点和自适应阈值中高低阈值的关系,开发出两套自适应的迭代高阈值和低阈值规则,能够有效地检测出心电信号中的QRS波的R点,具有速度快、需要的存储容量少和对非常规QRS中R点识别度高等特点。
Description
技术领域
本发明属于模拟集成电路技术领域,特别涉及一种用于心电信号特征参数提取的自适应阈值迭代算法。
背景技术
对于心电信号(ECG)而言,大部分的有用信息集中PQRST波群中,而心电信号本身长期处于无用的基线部分,在信号传输和处理过程中,我们更倾向于先做一些预处理,提取出心电信号的部分特征,去除大量的原始冗余信息,减少传输和存储成本。
心电信号的特征参数提取如附图1所示,往往包括两个部分,一个是预处理级,一个是决策级。预处理的目的是将QRS波尽可能好的提取出来,去除噪声干扰;决策级则根据设定的迭代规则,进行QRS波的认定。目前传统决策级算法普遍采用双阈值型峰值检测,但其存在迭代速度慢,缺乏理论依据,对初值敏感,QRS波特征参数提取效果参差不齐等的问题。
发明内容
针对上述传统决策级算法存在的迭代速度慢,缺乏理论依据等问题,本发明提出一种适用于心电信号检测的自适应阈值迭代算法,可以高效提取心电信号特征参数,同时对初值不敏感,迭代速度快。本发明只针对决策级,预处理级采用传统方式。
本发明的技术方案为:
一种适用于心电信号检测的自适应阈值迭代算法,包括如下步骤:
步骤一、为自适应阈值迭代算法的双阈值设定初值,双阈值中高阈值为0.5~0.6,低阈值为0.2~0.3。
步骤二、对经过预处理级去除噪声后的心电信号,在20ms以内,将所有的信号点进行大小比较,选择信号幅度最大的点作为R波候选点。
步骤三、将所述步骤二中选出的R波候选点与步骤一中的高阈值进行比较:
对于第一个R候选点:如果候选点幅度高于低阈值,则该候选点确定为R点;如果候选点幅度低于低阈值,则在下一个20ms时间里,寻找下一个R候选点。
如果候选点高于高阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于心电信号不应期时间,该候选点确定为R点;
如果候选点高于高阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于心电信号不应期时间,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小:如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点;如果候选点幅值较小,则淘汰候选点;
如果候选点低于高阈值,但是高于低阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于心电信号不应期时间,该候选点确定为R点;
如果候选点低于高阈值,高于低阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于心电信号不应期时间,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小:如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点;如果候选点幅值较小,则淘汰候选点;
步骤四、每次候选点被自适应阈值算法确定为R点后,需要进行一次阈值迭代。
如果是由候选点高于高阈值确定的R点,则双阈值按照如下规则进行阈值迭代:
其中,c_vth是统计由算法确认的R点的个数,p1为预测值和真实值之间的误差协方差,Q1为状态过程噪声的协方差,R1为测量噪声的协方差,k_vth1为卡尔曼增益,thr0为低阈值,thr1为高阈值。公式(2)按照constant velocity(CV)模型对阈值进行状态更新,公式(4)计算卡尔曼增益,公式(5)对高阈值进行测量更新,公式(7)对低阈值按照a倍高阈值更新。
如果是由候选点高于低阈值且低于高阈值确定的R点,则双阈值按照如下规则进行阈值迭代:
其中R2为另一个测量噪声协方差,公式(14)对低阈值按照b倍高阈值更新。R2为一个小于R1的实数,这样设计的目的是增加自适应阈值的迭代速度,同时a、b为小于1的小数,且b>a。
本发明根据候选点和自适应阈值中高低阈值的关系,开发出两套自适应的迭代高阈值和低阈值规则,能够有效地检测出心电信号中的QRS波的R点,具有速度快、需要的存储容量少和对非常规QRS中R点识别度高等特点。
附图说明
图1为ECG信号特征参数提取框架示意图;
图2为两种情况下高低阈值迭代示意图;
图3实际ECG信号中高低阈值迭代示意图;
图4为不同具体情况下阈值迭代示意图;
图5为不同阈值初始值下卡尔曼增益迭代情况示意图。
具体实施方式
结合附图,通过实施例进一步说明本发明。
如图2所示为本发明一实施例中采用的一种适用于心电信号检测的自适应阈值迭代算法,在进行阈值迭代之前,需要对心电信号进行预处理,预处理级包括滤波去燥等,加强心电信号的信噪比,有利于后续峰值检测和阈值迭代。
信号经过预处理级之后,将高低阈值的初始值分别设定为0.6和0.4,设定心电信号不应期时间为0.24秒。同时设定在20ms范围内,找到该时间段内心电信号幅值的最大的采样点,作为QRS波中R点的候选点。
将候选点与设定的高阈值初始值进行比较:
如果候选点高于高阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于0.24秒,该候选点确定为R点;如果候选点高于高阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于0.24秒,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小,如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点。如果候选点幅值较小,则淘汰候选点;如果候选点低于高阈值,但是高于低阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于0.24秒,该候选点确定为R点;如果候选点高于低阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于0.24秒,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小,如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点。如果候选点幅值较小,则淘汰候选点;
对应于候选点高于高阈值的情况,阈值的更新按照附图2中(1)所示的规则进行迭代。其中高阈值按照VC模型进行状态更新,即如公式(2)所示。误差协方差按照公式(3)进行更新,其中状态过程噪声的协方差Q1归一化为1,测量噪声的协方差R1设定为300,这样卡尔曼增益将稳定于0.056。高阈值的测量更新过程如公式(5)所示,其中m_l(i)为此次阈值更新的候选点。最后误差协方差值由公式(6)所示,低阈值更新为高阈值的0.3倍。
对应于候选点低于高阈值且高于低阈值的情况(非正常情况),阈值的更新按照附图2中(2)所示的规则进行迭代。其中高阈值按照VC模型进行状态更新,即如公式(9)所示。误差协方差按照公式(10)进行更新,其中状态过程噪声的协方差Q1归一化为1,测量噪声的协方差R2设定为100,这样卡尔曼增益将稳定于0.095。这样设定可以加快高低阈值的迭代速度,避免了在心电信号非正常情况下对阈值迭代的影响。高阈值的测量更新过程如公式(12)所示,其中m_l(i)为此次阈值更新的候选点。最后误差协方差值由公式(13)所示,低阈值更新为高阈值的0.4倍,这样低阈值不至于处于太低的水平导致迭代错误,影响QRS波中R点的确定。
基于本实施例提出的适用于心电信号检测的自适应阈值迭代算法应用本发明的方法,在matlab仿真软件上进行了行为级验证,证明了本发明可以有效的根据心电信号幅值的变化自适应的调整高低阈值。如附图3所示,为实施例中实际ECG信号中高低阈值迭代示意图,本实施例中从MIT心律失常库中202号心电信号ECG导入到matlab仿真软件中,调试好预处理级模块,将该ECG信号给入自适应阈值迭代算法模块中。可以看出本发明可以有效的、自适应的调整高低阈值,为后续峰值检测提供了保障。
附图4为不同心电信号具体情况下阈值迭代示意图。附图4(1)为相邻的QRS波中R点缓慢增加且幅值低于高阈值的情况,此时高低阈值都缓慢增加;附图4(2)为相邻的QRS波R点比前一个R点幅值小很多的情况,此时高阈值出现陡降,而低阈值有一定的抬升,这样可以避免错检的情况出现。附图4(3)为相邻的QRS波R点比前一个R点幅值只小一些的情况,此时高阈值缓慢下降,而低阈值有一定的抬升。附图4(4)为相邻的QRS波R点比前一个R点幅值大很多的情况,此时高阈值缓慢上升,而低阈值出现陡降。
附图5为不同高阈值初始值下卡尔曼增益迭代情况示意图。本发明对高阈值初始值并不敏感,这样对初始值的设定放宽了要求,增加了算法的实用性。在其他条件不变的情况下,附图5(1)-(4)分别对应初值为0.6/0.9/1.2/1.5的卡尔曼增益迭代情况。matlab仿真发现,经过147次迭代之后,这四种情况下的卡尔曼增益变化情况完全一致。
Claims (1)
1.一种适用于心电信号检测的自适应阈值迭代算法,包括如下步骤:
步骤一、为自适应阈值迭代算法的双阈值设定初值,双阈值中高阈值为0.5~0.6,低阈值为0.2~0.3;
步骤二、对经过预处理级去除噪声后的心电信号,在20ms以内,将所有的信号点进行大小比较,选择信号幅度最大的点作为R波候选点;
步骤三、将所述步骤二中选出的R波候选点与步骤一中的高阈值进行比较:
对于第一个R候选点:如果候选点幅度高于低阈值,则该候选点确定为R点;如果候选点幅度低于低阈值,则在下一个20ms时间里,寻找下一个R候选点;
如果候选点高于高阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于心电信号不应期时间,该候选点确定为R点;
如果候选点高于高阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于心电信号不应期时间,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小:如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点;如果候选点幅值较小,则淘汰候选点;
如果候选点低于高阈值,但是高于低阈值,且满足这个候选点和上一个自适应阈值算法确定的R点的距离大于心电信号不应期时间,该候选点确定为R点;
如果候选点低于高阈值,高于低阈值,且这个候选点和上一个自适应阈值算法确定的R点的距离小于心电信号不应期时间,则需要比较候选点和上一个自适应阈值算法确定的R点的幅值大小:如果候选点幅值较大,则候选点替换上一个自适应阈值算法确定的R点;如果候选点幅值较小,则淘汰候选点;
步骤四、每次候选点被自适应阈值算法确定为R点后,需要进行一次阈值迭代;
如果是由候选点高于高阈值确定的R点,则双阈值按照如下规则进行阈值迭代:
其中,c_vth是统计由算法确认的R点的个数,p1为预测值和真实值之间的误差协方差,Q1为状态过程噪声的协方差,R1为测量噪声的协方差,k_vth1为卡尔曼增益,thr0为低阈值,thr1为高阈值;公式(2)按照constant velocity(CV)模型对阈值进行状态更新,公式(4)计算卡尔曼增益,公式(5)对高阈值进行测量更新,公式(7)对低阈值按照a倍高阈值更新。
如果是由候选点高于低阈值且低于高阈值确定的R点,则双阈值按照如下规则进行阈值迭代:
其中R2为另一个测量噪声协方差,公式(14)对低阈值按照b倍高阈值更新;R2为一个小于R1的实数,这样设计的目的是增加自适应阈值的迭代速度,同时a、b为小于1的小数,且b>a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814123.1A CN110623662B (zh) | 2019-08-30 | 2019-08-30 | 一种适用于心电信号检测的自适应阈值迭代算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814123.1A CN110623662B (zh) | 2019-08-30 | 2019-08-30 | 一种适用于心电信号检测的自适应阈值迭代算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110623662A true CN110623662A (zh) | 2019-12-31 |
CN110623662B CN110623662B (zh) | 2021-06-01 |
Family
ID=68969635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910814123.1A Active CN110623662B (zh) | 2019-08-30 | 2019-08-30 | 一种适用于心电信号检测的自适应阈值迭代算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110623662B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002017782A2 (de) * | 2000-08-26 | 2002-03-07 | Squid International Ag | Verfahren und vorrichtung zum adaptiven reduzieren des rauschens in einem signal, insbesondere in einem elektro- oder magnetokardiographischen signal |
CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
EP2767224A1 (en) * | 2013-02-19 | 2014-08-20 | BIOTRONIK SE & Co. KG | A method for the detection of subcutaneous cardiac signals and a cardiac device for use in detecting subcutaneous cardiac signals |
CN104161510A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种多级导联心电信号qrs波形识别方法 |
EP2946806A1 (fr) * | 2014-05-19 | 2015-11-25 | Sorin CRM SAS | Dispositif médical implantable actif à optimisation automatique de la configuration d'une sonde de stimulation multi-électrode, notamment d'une sonde de stimulation sélective du nerf vague |
US20160022164A1 (en) * | 2009-11-03 | 2016-01-28 | Vivaquant Llc | Detecting fiducial points in physiological signals |
CN105873504A (zh) * | 2013-11-01 | 2016-08-17 | 美敦力监控公司 | 充血性心力衰竭风险状态确定方法及相关设备 |
CN106063704A (zh) * | 2016-05-27 | 2016-11-02 | 浙江好络维医疗技术有限公司 | 一种基于正则化最小二乘回归学习的qrs波起点终点定位方法 |
CN107348957A (zh) * | 2016-05-10 | 2017-11-17 | 中国科学院微电子研究所 | 一种心电图r波检测方法及装置、便携式智能移动终端 |
CN107693010A (zh) * | 2017-09-13 | 2018-02-16 | 南京理工大学 | 基于可编程逻辑平台fpga的qrs波检测*** |
US20180078189A1 (en) * | 2012-10-30 | 2018-03-22 | Vital Connect, Inc. | Measuring psychological stress from cardiovascular and activity signals |
CN108514414A (zh) * | 2018-05-11 | 2018-09-11 | 上海北京大学微电子研究院 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
CN109645979A (zh) * | 2017-10-10 | 2019-04-19 | 深圳市理邦精密仪器股份有限公司 | 动态心电信号伪差识别方法及装置 |
CN109820592A (zh) * | 2018-12-31 | 2019-05-31 | 杭州睿笛生物科技有限公司 | 一种基于心电波形的自适应脉冲消融仪 |
CN109875550A (zh) * | 2019-04-02 | 2019-06-14 | 东北大学 | 一种心室除极关键点检测方法 |
-
2019
- 2019-08-30 CN CN201910814123.1A patent/CN110623662B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002017782A2 (de) * | 2000-08-26 | 2002-03-07 | Squid International Ag | Verfahren und vorrichtung zum adaptiven reduzieren des rauschens in einem signal, insbesondere in einem elektro- oder magnetokardiographischen signal |
US20160022164A1 (en) * | 2009-11-03 | 2016-01-28 | Vivaquant Llc | Detecting fiducial points in physiological signals |
US20180078189A1 (en) * | 2012-10-30 | 2018-03-22 | Vital Connect, Inc. | Measuring psychological stress from cardiovascular and activity signals |
EP2767224A1 (en) * | 2013-02-19 | 2014-08-20 | BIOTRONIK SE & Co. KG | A method for the detection of subcutaneous cardiac signals and a cardiac device for use in detecting subcutaneous cardiac signals |
CN105873504A (zh) * | 2013-11-01 | 2016-08-17 | 美敦力监控公司 | 充血性心力衰竭风险状态确定方法及相关设备 |
CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
EP2946806A1 (fr) * | 2014-05-19 | 2015-11-25 | Sorin CRM SAS | Dispositif médical implantable actif à optimisation automatique de la configuration d'une sonde de stimulation multi-électrode, notamment d'une sonde de stimulation sélective du nerf vague |
CN104161510A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种多级导联心电信号qrs波形识别方法 |
CN107348957A (zh) * | 2016-05-10 | 2017-11-17 | 中国科学院微电子研究所 | 一种心电图r波检测方法及装置、便携式智能移动终端 |
CN106063704A (zh) * | 2016-05-27 | 2016-11-02 | 浙江好络维医疗技术有限公司 | 一种基于正则化最小二乘回归学习的qrs波起点终点定位方法 |
CN107693010A (zh) * | 2017-09-13 | 2018-02-16 | 南京理工大学 | 基于可编程逻辑平台fpga的qrs波检测*** |
CN109645979A (zh) * | 2017-10-10 | 2019-04-19 | 深圳市理邦精密仪器股份有限公司 | 动态心电信号伪差识别方法及装置 |
CN108514414A (zh) * | 2018-05-11 | 2018-09-11 | 上海北京大学微电子研究院 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
CN109820592A (zh) * | 2018-12-31 | 2019-05-31 | 杭州睿笛生物科技有限公司 | 一种基于心电波形的自适应脉冲消融仪 |
CN109875550A (zh) * | 2019-04-02 | 2019-06-14 | 东北大学 | 一种心室除极关键点检测方法 |
Non-Patent Citations (4)
Title |
---|
LI YANG; MA XIULI; LI JINBO; 等.: "QRS Detection Based on Adaptive Threshold Algorithm", 《2012 INTERNATIONAL CONFERENCE ON APPLIED INFORMATICS AND COMMUNICATION》 * |
QIN, QIN; LI, JIANQING; YUE, YINGGAO; 等.: "An Adaptive and Time-Efficient ECG R-Peak Detection Algorithm", 《JOURNAL OF HEALTHCARE ENGINEERING 》 * |
张煜: "可穿戴动态心电监护***与心电信号处理方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
贾国伟: "动态心电图波形检测与心律失常分类关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110623662B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN112765550B (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及*** | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN102521534A (zh) | 一种基于粗糙熵属性约简的入侵检测方法 | |
CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN110623662B (zh) | 一种适用于心电信号检测的自适应阈值迭代算法 | |
CN117591986A (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN111929489B (zh) | 故障电弧电流的检测方法及*** | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
CN108509933B (zh) | 一种基于多小波基函数展开的锋电位时变格兰杰因果准确辨识方法 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
CN114114400A (zh) | 微地震事件有效信号拾取方法 | |
CN110376436B (zh) | 一种多尺度噪声功率谱线谱检测方法 | |
CN110880012B (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
CN113970724A (zh) | 一种基于脉冲描述字簇的辐射源信息提取方法及*** | |
CN114327045A (zh) | 基于类别不平衡信号的跌倒检测方法及*** | |
CN106650443B (zh) | 一种基于增量dbscan算法的恶意代码家族识别方法 | |
CN113052053A (zh) | 一种坐标时间序列周期项的提取方法 | |
CN112461546A (zh) | 基于改进二叉树支持向量机的泵轴承故障诊断模型的构建方法及诊断方法 | |
CN117809070B (zh) | 一种用于蔬菜农药残留检测的光谱数据智能处理方法 |
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 |