CN112016405B - 一种基于可穿戴设备的心电图身份认证方法 - Google Patents

一种基于可穿戴设备的心电图身份认证方法 Download PDF

Info

Publication number
CN112016405B
CN112016405B CN202010788412.1A CN202010788412A CN112016405B CN 112016405 B CN112016405 B CN 112016405B CN 202010788412 A CN202010788412 A CN 202010788412A CN 112016405 B CN112016405 B CN 112016405B
Authority
CN
China
Prior art keywords
electrocardiogram
feature
identity authentication
noise reduction
reference features
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.)
Active
Application number
CN202010788412.1A
Other languages
English (en)
Other versions
CN112016405A (zh
Inventor
林峰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010788412.1A priority Critical patent/CN112016405B/zh
Priority to PCT/CN2020/122365 priority patent/WO2022027830A1/zh
Publication of CN112016405A publication Critical patent/CN112016405A/zh
Application granted granted Critical
Publication of CN112016405B publication Critical patent/CN112016405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于可穿戴设备的心电图身份认证方法，该方法对用户输入的心电图进行预处理，特征点检测与特征提取，被提取的心电图特征与用户数据库中的特征模板相匹配比较。针对可穿戴设备上的心电图降噪问题，本发明设计了混合三层降噪可以有效去除噪声信号，混合三层降噪结合了形态学滤波和频域滤波的优势，其实现方法简便，滤波后获得心电图的信号质量能得到显著保证。本发明构造的用户特征模板保留了心电图的基准特征与非基准特征各自的硬指标与软指标特性，保证了***的认证准确率。

Description

一种基于可穿戴设备的心电图身份认证方法
技术领域
本发明属于生物认证领域，尤其涉及一种基于可穿戴设备的心电图身份认证方法。
背景技术
近年来，可穿戴设备(比如智能手表)广泛应用在移动支付，移动通信，健康信息监测，智能家居交互等领域中。目前已存在具有心电图测量功能的智能手表，比如AppleWatch和华米科技的健康手表。
以往，心电图研究中的研究数据均由抗干扰性高，精度高的心电图机所采集，这类心电图数据信噪比高，没有高能量的低频噪声与高频噪声。因此，之前的心电图识别与认证研究仅用一次带通滤波即可去除心电图中的噪声。然而，这种频域滤波法不适于去除由可穿戴设备所采集的心电图中的噪声。可穿戴设备所采集的心电图信噪比较低，高能量的噪声频段覆盖了心电图关键的低频区域，频域滤波无法有效地从信号与噪声混叠的频段内提取出代表心电图信号的频段。另一方面，在构造用户特征模板时，以往研究中常忽略心电图特征的特性而直接构造特征模板的做法，很少有研究将这两类特征区分处理，更没有调整两者在用户特征模板中的比重，这样构造的特征模板不能充分代表用户心电图信息。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于可穿戴设备的心电图身份认证方法。
本发明的目的是通过以下技术方案来实现的：一种基于可穿戴设备的心电图身份认证方法，包括以下步骤：
步骤一：具有心电图测量功能的可穿戴设备采集用户的心电图；
步骤二：应用混合三层降噪对步骤一采集的心电图进行预处理；
步骤三：对步骤三预处理后的心电图信号进行特征点检测，定位特征点位置；
步骤四：基于步骤三定位的特征点，提取心电图中的基准特征与非基准特征，结合基准特征与非基准特征构造特征模板，形成用户数据库；
步骤五：基于步骤四得到的用户数据库构建一类支持向量机；
步骤六：根据步骤一至四得到待身份认证用户的心电图特征模板，输入步骤五构建的一类支持向量机，进行身份认证。
进一步地，所述步骤一中，可穿戴设备包括智能手环、智能手表和健康腕带。
进一步地，所述步骤二中，混合三层降噪依次为第一次非局部均值降噪、频域滤波法、第二次非局部均值降噪。
进一步地，第一次非局部均值降噪中，目标点与领域点的区域长度LΔ设置为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ不超过信号噪声标准差的一半；第二次非局部均值降噪中，LΔ为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ为信号噪声标准差的30％-50％。
进一步地，所述频域滤波法包括小波去噪法和椭圆滤波器。
进一步地，所述步骤三具体为：首先采用Pan-Tompkins算法通过带通滤波器、导数滤波器、平方和积分器来检测心电图信号中QRS复合波的位置，粗略定位QRS复合波的位置，然后通过局部自适应阈值法精确定位特征点P，Q、R、S和T点的位置。
进一步地，所述步骤四包括以下子步骤：
(4.1)计算心电图特征点P，Q、R、S和T点之间的时间间隔和幅度差作为基准特征；
(4.2)从心电图信号中，以特征点R为中心截取一个周期的心电图片段，计算所有被截取的心电图片段的均值得到平均心电图片段；
(4.3)在步骤(4.2)得到的平均心电图片段上提取非基准特征，采用小波分解以提取心电图在小波域的特征信息作为非基准特征；
(4.4)采用Fisher算法对步骤(4.1)得到的基准特征进行特征选择，获得最具区分度的心电图基准特征，采用多维标度法对非基准特征进行降维；通过调整特征模板中的基准特征数目与非基准特征数目调试身份认证识别效果；所有用户的特征模板构成用户数据库。
进一步地，所述步骤(4.3)具体为：用小波基db5分解平均心电图片段，分解层数为4层，将第4层的近似系数和第3、4层的细节系数作为非基准特征。
进一步地，所述步骤五中，一类支持向量机的核函数设为高斯核函数，异常比例为0.006。
本发明的有益效果是：本发明针对现有存在的心电图降噪问题和特征模板构造缺陷，提供一种新的降噪方式以及特征模板构造方法；解决了可穿戴设备上的心电图降噪问题，保护心电图的心态特征以提高认证准确率。综合调整基准特征与非基准特征的比例以获得代表性强的心电图特征模板，其实现方法简单，手段灵活，能够保证认证***的高准确率与低误识率。
附图说明
图1是本发明使用情景示意图；
图2是基于可穿戴设备的心电图身份认证方法流程图；
图3是混合三层降噪的流程图；
图4是特征提取的流程图。
具体实施方式
为了更进一步阐述本发明所采取的技术手段及取得的效果，下面根据附图详细说明本发明。
本发明提出用具有心电图测量功能的智能手表等可穿戴设备可随时采集用户心电图以实时认证，也可同时作为智能设备的辅助认证以实现开启门禁，手机解锁，支付认证等功能，具体情境图如图1所示。
如图2所示，图2为基于可穿戴设备的心电图身份认证方法的流程图，包括以下步骤：
步骤一：用户佩戴具有心电图测量功能的智能手环，智能手表和健康腕带等可穿戴设备，比如用户可以在手腕处佩戴市面上已有的具有心电图测量功能的智能手表，可穿戴设备采集用户的原始心电图数据。
在本步骤中，用户接触可穿戴设备上的采集电极，可穿戴设备内置心电图采集芯片，可通过电极上皮肤出微弱的电势变化捕捉到心电图信号，将采集得到的原始心电图信号上传终端或者服务器。
步骤二：应用混合三层降噪对原始的心电图信号进行降噪，得到有效的心电图信号。
本步骤是本发明的核心步骤之一，如图3所示，图3为混合三层降噪的流程图，分为以下子步骤：
1)采集到的用户的心电图信号含有混叠的高能量的低频与高频噪声，混合三层降噪即对原始心电图信号进行三次降噪，第一次降噪先用非局部均值降噪对原始心电图信号进行降噪；非局部均值降噪利用噪声信号与心电图信号的非相关性，以及心电图信号的强相关性，将有效的心电图信号从混叠的信号中提取出来。
第一次非局部均值降噪滤除部分的低频与高频噪声，既不过度平滑信号又能保存完整的细节特征，但依旧含有较多的噪声。第一次非局部均值降噪的各个参数分别设置为：λ＝0.5*0.08，LΔ＝10和N(p)＝3000。λ是平滑参数，控制信号平滑后的程度，λ越大则高斯函数变化越平缓，降噪水平越高，但也易导致过度平滑，λ越小则会保留更多细节，但会残留过多的噪声数据，平滑效果不够明显；λ的取值与信号噪声有关，平滑参数λ与噪声标准差σ成正相关，即λ＝kσ；当信号噪声标准差过大，需要一个较大的λ去平滑噪声，如果信号噪声标准差过小，则需要较小的λ去平滑噪声。第一次非局部均值降噪参数应该设置的缓和以防过度平滑，因此需要控制λ参数不超过信号噪声标准差σ的一半，保证第一次降噪不会丢失细节特征。目标点与领域点的区域长度LΔ设置为心电图相似区域大小即QRS复合波区域的大小。N(p)决定了搜索区域大小，N(p)设置为不小于心电图信号长度的一半，以便寻找更多的相似形态区域。
2)第二次降噪采用频域滤波法。
通过频域滤波法可滤除心电图的高频噪声，保护心电图的关键低频信息；先通过小波去噪法滤除心电图的细节信息，再用一个椭圆低通滤波器进一步滤除高频噪声；频域滤波后的心电图信号依旧含有低频噪声，但是细节特征保存完整。
3)第三次降噪继续再一次采用非局部均值降噪，获得干净有效的心电图信号。
第二次非局部均值降噪去除低频噪声，心电图的细节特征保存完整，第二次非局部均值降噪的各个参数分别设置为：λ＝0.4*0.03，LΔ＝10和N(p)＝3000，LΔ依旧设置为心电图相似区域大小即QRS复合波区域的大小，N(p)仍然设置为不小于心电图信号长度的一半，以便寻找更多的相似形态区域。因为经过两次去噪后，心电图所含的噪声较少，因此λ参数也不需要过大，λ参数为信号噪声标准差σ的30％-50％。
这样做可以既去除混叠的心电图噪声，还能有效保存心电图的形态特征。经过三次降噪后的心电图信号不仅噪声信号被很好地滤除，而且心电图细节特征均被完整保存。
步骤三：定位降噪后的心电图中的各个特征点。
在本步骤中，结合使用Pan-Tompkins算法与局部自适应阈值法以定位心电图特征点。首先Pan-Tompkins算法通过带通滤波器、导数滤波器、平方和积分器来检测QRS复合波的位置，粗略定位QRS复合波的位置，然后通过局部自适应阈值法精确定位特征点位置。
步骤四：本步骤是本发明的核心步骤之一，基于步骤三中定位的特征点，提取心电图的基准特征与非基准特征，结合基准特征与非基准特征构造输入心电图对应的特征模板；如图4所示，图4为特征提取的流程图，特征模板构造方法分为以下子步骤：
1)将心电图的特征点作为基准点提取基准特征，基于平均心电图片段提取非基准特征；
经过上一步特征点检测后，各个心电图片段中的特征点均被定位，计算心电图特征点P，Q、R、S和T点之间的时间间隔和幅度差作为基准特征。本发明中一共提取了9个时间间隔特征和10种幅度特征(RQ幅度特征被剔除)，具体见表1。
表1：心电图的9个时间间隔特征和10种幅度特征
Figure BDA0002622885720000041
提取非基准特征前，须计算平均心电图片段。从一系列心电图信号中，根据特征点R的位置，定位出一个个心电图位置，再以特征点R为中心截取一个周期的心电图片段，计算所有被截取的心电图的均值即可得到平均心电图片段。
在平均心电图片段上提取非基准特征，采用小波分解以提取心电图在小波域的特征信息，具体为：用小波基db5分解平均心电图片段，分解层数为4层，将第4层的近似系数和第3，4层的细节系数作为非基准特征。
2)对基准特征进行特征选择，对非基准特征进行特征降维，调整基准特征数目与非基准特征数目以构造特征模板。
采用Fisher算法对基准特征进行特征选择以挑选最具区分度的特征；采用多维标度法对高维的非基准特征进行降维以提取核心代表性的非基准特征，降低特征冗余度，防止高维灾难。根据用户提供的心电图数据，构造含有不同基准特征与非基准特征组合搭配的用户特征模板，通过调整特征模板中的基准特征数目与非基准特征数目以使用户特征模板在测试用户召回率和误识率时获得综合最佳的性能，得到最具代表性的用户特征模板，建立用户数据库。分别对基准特征和非基准特征进行特征选择与降维，可以保留各自的软，硬指标的特性，可以构造完整的用户特征模板；基于基准特征和非基准特征构造的用户特征模板，既保留心电图的细节特征，又存储了心电图的整体形态特征。
步骤五：根据步骤四得到的用户数据库构造身份认证的一类支持向量机。
在本步骤中，采用一类支持向量机基于用户数据库构造一个超平面来区分用户与非用户，如果输入的特征在超平面以内，说明是用户，否则就是非用户；支持向量机的核函数设为高斯核函数，异常比例为0.006。
步骤六：进行身份认证时，根据步骤一至四得到待身份认证用户的心电图特征模板，输入步骤五构建的一类支持向量机，进行身份认证；该方法计算简单，运行快速，适于移植在各个平台。

Claims (7)

1.一种基于可穿戴设备的心电图身份认证方法，其特征在于，包括以下步骤：
步骤一：具有心电图测量功能的可穿戴设备采集用户的心电图；
步骤二：应用混合三层降噪对步骤一采集的心电图进行预处理；其中，混合三层降噪依次为第一次非局部均值降噪、频域滤波法、第二次非局部均值降噪；第一次非局部均值降噪中，目标点与领域点的区域长度LΔ设置为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ不超过信号噪声标准差的一半；第二次非局部均值降噪中，LΔ为QRS复合波区域的大小，搜索区域大小N(p)不小于心电图信号长度的一半，平滑参数λ为信号噪声标准差的30％-50％；
步骤三：对步骤二 预处理后的心电图信号进行特征点检测，定位特征点位置；
步骤四：基于步骤三定位的特征点，提取心电图中的基准特征与非基准特征，结合基准特征与非基准特征构造特征模板，形成用户数据库；其中，所述基准特征为心电图特征点P，Q、R、S和T点之间的时间间隔和幅度差；从心电图信号中，以特征点R为中心截取一个周期的心电图片段，计算所有被截取的心电图片段的均值得到平均心电图片段，在平均心电图片段上采用小波分解以提取心电图在小波域的特征信息作为非基准特征；
步骤五：基于步骤四得到的用户数据库构建一类支持向量机；
步骤六：根据步骤一至四得到待身份认证用户的心电图特征模板，输入步骤五构建的一类支持向量机，进行身份认证。
2.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述步骤一中，可穿戴设备包括智能手环、智能手表和健康腕带。
3.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述频域滤波法包括小波去噪法和椭圆滤波器。
4.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述步骤三具体为：首先采用Pan-Tompkins算法通过带通滤波器、导数滤波器、平方和积分器来检测心电图信号中QRS复合波的位置，粗略定位QRS复合波的位置，然后通过局部自适应阈值法精确定位特征点P，Q、R、S和T点的位置。
5.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述步骤四中，结合基准特征与非基准特征构造特征模板，形成用户数据库，包括：采用Fisher算法对基准特征进行特征选择，获得最具区分度的心电图基准特征，采用多维标度法对非基准特征进行降维；通过调整特征模板中的基准特征数目与非基准特征数目调试身份认证识别效果；所有用户的特征模板构成用户数据库。
6.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述步骤四中，用小波基db5分解平均心电图片段，分解层数为4层，将第4层的近似系数和第3、4层的细节系数作为非基准特征。
7.根据权利要求1所述基于可穿戴设备的心电图身份认证方法，其特征在于，所述步骤五中，一类支持向量机的核函数设为高斯核函数，异常比例为0.006。
CN202010788412.1A 2020-08-07 2020-08-07 一种基于可穿戴设备的心电图身份认证方法 Active CN112016405B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010788412.1A CN112016405B (zh) 2020-08-07 2020-08-07 一种基于可穿戴设备的心电图身份认证方法
PCT/CN2020/122365 WO2022027830A1 (zh) 2020-08-07 2020-10-21 一种基于可穿戴设备的心电图身份认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010788412.1A CN112016405B (zh) 2020-08-07 2020-08-07 一种基于可穿戴设备的心电图身份认证方法

Publications (2)

Publication Number Publication Date
CN112016405A CN112016405A (zh) 2020-12-01
CN112016405B true CN112016405B (zh) 2022-07-15

Family

ID=73500174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010788412.1A Active CN112016405B (zh) 2020-08-07 2020-08-07 一种基于可穿戴设备的心电图身份认证方法

Country Status (2)

Country Link
CN (1) CN112016405B (zh)
WO (1) WO2022027830A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别***
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN104573458A (zh) * 2014-12-30 2015-04-29 深圳先进技术研究院 一种基于心电信号的身份识别方法、装置及***
CN104706350A (zh) * 2014-11-13 2015-06-17 华中科技大学 一种心电信号降噪方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9364160B2 (en) * 2012-03-28 2016-06-14 Qualcomm Incorporated Systems and methods for ECG monitoring
CN102940485B (zh) * 2012-10-10 2015-04-08 广州三瑞医疗器械有限公司 一种胎心率基线自动识别算法
CN105748066B (zh) * 2016-03-03 2018-03-16 深圳竹信科技有限公司 一种心电信号波形特征点的提取方法及装置
EP3449409B1 (en) * 2016-04-29 2021-07-28 INESC TEC - Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform
WO2018152711A1 (zh) * 2017-02-22 2018-08-30 清华大学深圳研究生院 一种基于心电认证的门禁***及其认证方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101773394A (zh) * 2010-01-06 2010-07-14 中国航天员科研训练中心 身份识别方法及应用该方法的身份识别***
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN104706350A (zh) * 2014-11-13 2015-06-17 华中科技大学 一种心电信号降噪方法
CN104573458A (zh) * 2014-12-30 2015-04-29 深圳先进技术研究院 一种基于心电信号的身份识别方法、装置及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-lead model-based ECG signal denoising by guided filter;Hao, H. et.al;《Journal of Medical and Biological Engineering》;20191231;全文 *
一种改进小波阈值的图像去噪算法;乔林峰等;《舰船电子工程》;20130120(第01期);全文 *
采用集合经验模态分解和改进阈值函数的心电自适应去噪方法;尹丽等;《西安交通大学学报》;20200110(第01期);全文 *

Also Published As

Publication number Publication date
WO2022027830A1 (zh) 2022-02-10
CN112016405A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US9870457B2 (en) HERMA—heartbeat microwave authentication
CN103345600B (zh) 一种心电信号数据处理方法
Sabherwal et al. Automatic detection of the R peaks in single-lead ECG signal
Li Wavelets for electrocardiogram: overview and taxonomy
Lu et al. QRS detection based on improved adaptive threshold
Gupta et al. R-peak detection for improved analysis in health informatics
CN111481192B (zh) 一种基于改进U-Net的心电信号R波检测方法
CN107688553B (zh) 基于小波变换和逻辑回归算法检测心电波形特征的方法
CN106485208B (zh) 单通道脑电信号中眼电干扰的自动去除方法
CN105942974A (zh) 一种基于低频脑电的睡眠分析方法及***
Zou et al. An ultra-low power QRS complex detection algorithm based on down-sampling wavelet transform
JP2021503309A (ja) ノイズ検出方法及び装置
Chawla et al. RETRACTED: A new statistical PCA–ICA algorithm for location of R-peaks in ECG
Kumar et al. Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis
US11638562B2 (en) Brain activity analysis method and apparatus thereof
CN104305992B (zh) 一种交互式胎儿心电快速自动提取方法
Zifan et al. Automated ECG segmentation using piecewise derivative dynamic time warping
CN115470832B (zh) 一种基于区块链的心电信号数据处理方法
Yang et al. Automated intra-patient and inter-patient coronary artery disease and congestive heart failure detection using EFAP-Net
Bastos et al. Double authentication model based on ppg and ecg signals
Chen et al. Finger ECG based two-phase authentication using 1D convolutional neural networks
CN108717535B (zh) 一种基于混合特征和长短时记忆网络的麻醉深度估计方法
CN112016405B (zh) 一种基于可穿戴设备的心电图身份认证方法
CN106691475B (zh) 情感识别模型生成方法及装置
Hu et al. An approach to QRS complex detection based on multiscale mathematical morphology

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