CN113558632B - 基于心脑电信号的心肺复苏后神经功能结局评估*** - Google Patents
基于心脑电信号的心肺复苏后神经功能结局评估*** Download PDFInfo
- Publication number
- CN113558632B CN113558632B CN202110846387.2A CN202110846387A CN113558632B CN 113558632 B CN113558632 B CN 113558632B CN 202110846387 A CN202110846387 A CN 202110846387A CN 113558632 B CN113558632 B CN 113558632B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- cardiopulmonary resuscitation
- probability
- calculating
- signal processing
- 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
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]
-
- 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
-
- 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
- A61B5/347—Detecting the frequency distribution of signals
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
- A61B5/7235—Details of waveform analysis
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)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于心脑电信号的心肺复苏后神经功能结局评估***,包括:信息采集模块,用于采集心电、脑电信号;信号处理模块,用于对采集到的心电、脑电信号进行信号处理;特征计算模块,用于根据信号处理后的心电信号、脑电信号计算心率变异性特征、脑电图特征;概率预测模块,用于根据心率变异性特征、脑电图特征计算心电图、脑电图状态指数;还用于根据心电图、脑电图状态指数计算良好神经功能的概率;输出结果模块,用于输出并显示概率。本发明可以量化评估心脏骤停患者心肺复苏后,恢复良好神经功能预后的概率,能够为临床医生选择合理的治疗方案提供评价依据。
Description
技术领域
本发明涉及心肺复苏技术领域,具体涉及一种基于心脑电信号的心肺复苏后神经功能结局评估***。
背景技术
心搏骤停是指各种原因引起的、在未能预计的情况和时间内心脏突然停止搏动,从而导致有效心泵功能和有效循环突然中止,引起全身组织细胞严重缺血、缺氧和代谢障碍,如不及时抢救即可立刻失去生命。心搏骤停后,若及时采取正确有效的心肺复苏措施,病人有可能被挽回生命。心肺复苏术简称CPR,是针对骤停的心脏和呼吸采取的救命技术,可以帮助患者恢复自主呼吸和自主循环。
心肺复苏后治疗的目标是使患者的身体状况恢复到正常水平。但是,但是,很多心搏骤停患者即使自主循环恢复,脑功能也不能完全恢复,约80%心肺复苏成功的患者昏迷时间会超过1小时。在患者昏迷后入院治疗的过程中,有部分患者的神经功能可以转归良好,另有部分患者会面临死亡、永久性的脑损伤、卧床不起或者成为持续性植物人状态,这将消耗大量的医疗资源。因此,神经功能结局的早期预测对于复苏后患者的诊断和治疗具有重要意义。较差神经功能结局预后可以通过及时的干预措施得到显著性的改善,比如复苏后目标温度管理治疗方式、吸入氢气治疗方式。心肺复苏后客观评估神经功能预后的***能够为临床医生提供患者病情信息,对于抢救患者生命、指导患者治疗具有重要意义。
因此,目前亟需一种能够评估心肺复苏患者神经功能结局的***,为临床医生选择合理的治疗方案提供评价依据。
发明内容
针对现有技术存在的不足,本发明提出一种基于心脑电信号的心肺复苏后神经功能结局评估***,以解决现有技术中没有一种能够评估心肺复苏患者神经功能结局的***,不能为临床医生选择合理的治疗方案提供评价依据的技术问题。
本发明采用的技术方案是,一种基于心脑电信号的心肺复苏后神经功能结局评估***,包括:
信息采集模块,用于采集心电信号和脑电信号;
信号处理模块,用于对采集到的心电信号、脑电信号进行信号处理,信号处理包括滤波去噪、R波识别、RRI提取、谱分析;
特征计算模块,用于根据信号处理后的心电信号计算心率变异性特征,还用于根据信号处理后的脑电信号计算脑电图特征;
概率预测模块,用于根据心率变异性特征计算心电图状态指数,根据脑电图特征计算脑电图状态指数;还用于根据心电图状态指数、脑电图状态指数计算良好神经功能的概率;
输出结果模块,用于输出并显示概率。
进一步的,在采集心电信号的过程中,对II导联实时同步截取一段时长为5分钟的心电数据,重采样到250Hz,得到信号x;在采集脑电信号的过程中,对脑电C3-P3导联同步截取一段时长为5分钟的脑电数据,重采样到250Hz,得到信号y。
进一步的,心率变异性特征包括相邻RR间期差的均方根、极低频能量、低频能量、高频能量。
进一步的,心电图状态指数H1(t)按以下方式计算:
在上式中,RMSSD表示相邻RR间期差的均方根,LVF表示极低频能量,VF表示低频能量,HF表示高频能量,a1、a2、a3、a4、a5表示各个心率变异性特征的系数,表示心率变异性特征随时间变化的趋势函数,e为自然常数,b1为趋势函数中的参数,t为心肺复苏后的时间。
进一步的,脑电图特征包括爆发抑制比、样本熵、加权排序熵和δ、θ、α、β、γ频带的能量Eδ、Eθ、Eα、Eβ、Eγ。
进一步的,脑电图状态指数H2(t)按以下方式计算:
在上式中,BSR表示爆发抑制比,SE表示样本熵,WPE表示加权排序熵,Eδ、Eθ、Eα、Eβ、Eγ表示δ、θ、α、β、γ频带的能量,a6、a7、a8、a9、a10、a11、a12、a13、a14为脑电图特征的系数,为脑电图特征随时间变化的趋势函数,e为自然常数,b2为趋势函数中的参数,t为心肺复苏后的时间。
进一步的,t的取值范围为0~72小时。
进一步的,良好神经功能的概率P(t)按以下方式计算:
在上式中,e为自然常数,H1(t)为心电图状态指数,H2(t)为脑电图状态指数,c0、c1、c2为逻辑回归方程的系数。
由上述技术方案可知,本发明的有益技术效果如下:
评估***可以量化评估心脏骤停患者心肺复苏后,恢复良好神经功能预后的概率,能够为临床医生选择合理的治疗方案提供评价依据,对于抢救患者生命、指导患者治疗具有重要意义;实现医疗资源的有效利用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例的评估***架构图;
图2为本发明实施例的评估***工作流程示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
本实施例提供了一种基于心脑电信号的心肺复苏后神经功能结局评估***(以下简称评估***),如图1所示,包括:
信息采集模块,用于采集心电信号和脑电信号;
信号处理模块,用于对采集到的心电信号、脑电信号进行信号处理,包括滤波去噪、R波识别、RRI提取、谱分析;
特征计算模块,用于根据信号处理后的心电信号计算心率变异性特征,还用于根据信号处理后的脑电信号计算脑电图特征;
概率预测模块,用于计算良好神经功能的概率;
输出结果模块,用于输出并显示概率。
评估***首先从t时刻心电信号中提取RR间期序列用于计算4个心率变异性特征,同时从t时刻脑电信号中提取8个特征,然后用心率变异性特征和脑电特征计算2个参数,最后利用logisitic回归方程评估患者恢复良好神经功能的概率。
以下对评估***的工作原理进行详细说明,如图2所示,具体如下:
信息采集模块通过传感器对心电信号、脑电信号进行采集。优选的,利用12导联心电图机采集心电信号,利用脑电图机采集脑电信号。在采集心电信号的过程中,对II导联实时同步截取一段时长为5分钟的心电数据,重采样到250Hz,得到信号x。在采集脑电信号的过程中,对脑电C3-P3导联同步截取一段时长为5分钟的脑电数据,重采样到250Hz,得到信号y。
信号处理模块在对采集到的心电信号、脑电信号进行信号处理时,对心电、脑电信号均用50Hz陷波器和截止频率为0.05Hz的高通滤波器进行滤波去噪。在进行R波识别时,通过R波识别算法,提取x的中的QRS波群最高点,得到R波位置;R波识别算法优选为前后幅值差法。然后计算RR间期信号(RRI),用后一个R波位置减去前一个R波位置,得到RRI,即为信号r(n)。
特征计算模块根据信号处理后的心电信号计算心率变异性特征。在本实施例中,心率变异性特征有4个,包括:相邻RR间期差的均方根(RMSSD)、极低频能量(VLF)、低频能量(LF)、高频能量(HF)。其中RMSSD为时域特征,VLF、LF、HF为频域特征。
RMSSD按以下方式计算:
r1(n)=r(n+1)-r(n)
极低频能量(VLF)、低频能量(LF)、高频能量(HF)的计算方式如下:首先对r(n)进行三次样条插值,然后用Welch法对插值后的信号做功率谱分析,VLF即为0.0033~0.04Hz范围内所有功率谱密度之和,LF即为0.04~0.15Hz范围内所有功率谱密度之和,HF即为0.15~0.40Hz范围内所有功率谱密度之和,公式分别如下:
在上式中,R1(f)是r(n)的功率谱密度函数。
特征计算模块还根据信号处理后的脑电信号计算脑电图特征。在本实施例中,脑电图特征包括爆发抑制比(BSR)、样本熵(SE)、加权排序熵(WPE)和δ、θ、α、β、γ频带的能量Eδ、Eθ、Eα、Eβ、Eγ;其中BSR为时域特征,Eδ、Eθ、Eα、Eβ、Eγ为频域特征,SE和WPE为非线性特征。
BSR计算方式:以0.5秒为窗,判定是否出现10μV以上的脑电信号,如果出现,则该窗内脑电信号为爆发波,否则为抑制波。然后判定后续的脑电信号是否为爆发波,BSR为爆发波的比率。
SE的计算方法:是在一定容限ε下,估计嵌入维数由m增加到m+1维时,新模式的增加量。计算流程如下:脑电信号y(i),i=1,2…N,N是时间序列长度,对其进行重构相空间,相空间中向量的数目为N-m+1,相空间的向量为Ym(i):Ym(i)={y(i),y(i+1),…,y(i+m-1)},i=1,2,…,N-m+1。计算相空间中向量Ym(i)和Ym(j)的距离,定义为:
然后计算
其中,θ(·)是Heaviside函数。定义一个中间参数Bm(ε):
下一步,将嵌入维数增加到m+1,重复上述步骤,计算Bm:1(ε)。最后得到:
WPE计算方式:将脑电信y(i),i=1,2…N进行重构相空间,得到Ym(j)={y(j),y(j+τ),…,y(j+(m-1)τ)},m是嵌入维数,τ是延迟时间。每个Ym(i)按照由低到高的顺序进行排列,得到排列序数模式如[0.1,0.07,0.13,0.09],可以得到其排列序数模式为[3,1,4,2]。每个Ym(j)共有m!种可能的排列序数模式。定义权重因子如下:
其中是算数平均值:
则排列顺序模式在整个向量Ym(i)中出现的权重比率为
然后可得出WPE
将脑电信号y用Welch法进行功率谱分析,得到δ、θ、α、β、γ频带的能量:
其中Ry是y的功率谱密度。
概率预测模块将RMSSD、LVF、VF、HF、BSR、SE(0.1,2)、WPE(6,6)、Eδ、Eθ、Eα、Eβ、Eγ带入如下公式,分别计算当前t时刻下的心电图状态指数H1(t)和脑电图状态指数H2(t),计算公式如下:
在上式中,a1、a2、a3、a4、a5为各个心率变异性特征的系数,为心率变异性特征随时间变化的趋势函数,t为心肺复苏后的时间,a6、a7、a8、a9、a10、a11、a12、a13、a14、为脑电图特征的系数,/>为脑电图特征随时间变化的趋势函数,e为自然常数,,b1、b2为趋势函数中的参数。在具体的实施方式中,a1~a14的取值范围为(0,10),b1、b2的取值范围为(0,0.5),t的取值范围为0~72小时。
概率预测模块再根据心电图状态指数H1(t)和脑电图状态指数H2(t),采用逻辑回归方法计算良好神经功能的概率P(t);计算公式如下:
在上式中,c0、c1、c2为逻辑回归方程的系数,在具体的实施方式中,c0、c1、c2的取值范围为(0,100)。
最后,通过输出结果模块将计算得到的良好神经功能的概率P输出并显示。
通过使用本实施例提供的评估***,可以量化评估心脏骤停患者心肺复苏后,恢复良好神经功能预后的概率,能够为临床医生选择合理的治疗方案提供评价依据,对于抢救患者生命、指导患者治疗具有重要意义;实现医疗资源的有效利用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (3)
1.一种基于心脑电信号的心肺复苏后神经功能结局评估***,其特征在于,包括:
信息采集模块,用于采集心电信号和脑电信号;
信号处理模块,用于对采集到的心电信号、脑电信号进行信号处理,所述信号处理包括滤波去噪、R波识别、RRI提取、谱分析;
特征计算模块,用于根据信号处理后的心电信号计算心率变异性特征,所述心率变异性特征包括相邻RR间期差的均方根、极低频能量、低频能量、高频能量;还用于根据信号处理后的脑电信号计算脑电图特征,所述脑电图特征包括爆发抑制比、样本熵、加权排序熵和δ、θ、α、β、γ频带的能量Eδ、Eθ、Eα、Eβ、Eγ;
概率预测模块,用于根据心率变异性特征计算心电图状态指数,所述心电图状态指数H1(t)按以下方式计算:
在上式中,RMSSD表示相邻RR间期差的均方根,LVF表示极低频能量,VF表示低频能量,HF表示高频能量,a1、a2、a3、a4、a5表示各个心率变异性特征的系数,表示心率变异性特征随时间变化的趋势函数,e为自然常数,b1为趋势函数中的参数,t为心肺复苏后的时间;
用于根据脑电图特征计算脑电图状态指数,脑电图状态指数H2(t)按以下方式计算:
在上式中,BSR表示爆发抑制比,SE表示样本熵,WPE表示加权排序熵,Eδ、Eθ、Eα、Eβ、Eγ表示δ、θ、α、β、γ频带的能量,a6、a7、a8、a9、a10、a11、a12、a13、a14为脑电图特征的系数,为脑电图特征随时间变化的趋势函数,e为自然常数,b2为趋势函数中的参数,t为心肺复苏后的时间;
还用于根据所述心电图状态指数、脑电图状态指数计算良好神经功能的概率;所述良好神经功能的概率P(t)按以下方式计算:
在上式中,e为自然常数,H1(t)为心电图状态指数,H2(t)为脑电图状态指数,c0、c1、c2为逻辑回归方程的系数;
输出结果模块,用于输出并显示所述概率。
2.根据权利要求1所述的基于心脑电信号的心肺复苏后神经功能结局评估***,其特征在于,在采集心电信号的过程中,对II导联实时同步截取一段时长为5分钟的心电数据,重采样到250Hz,得到信号x;在采集脑电信号的过程中,对脑电C3-P3导联同步截取一段时长为5分钟的脑电数据,重采样到250Hz,得到信号y。
3.根据权利要求1所述的基于心脑电信号的心肺复苏后神经功能结局评估***,其特征在于,t的取值范围为0~72小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846387.2A CN113558632B (zh) | 2021-07-26 | 2021-07-26 | 基于心脑电信号的心肺复苏后神经功能结局评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846387.2A CN113558632B (zh) | 2021-07-26 | 2021-07-26 | 基于心脑电信号的心肺复苏后神经功能结局评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113558632A CN113558632A (zh) | 2021-10-29 |
CN113558632B true CN113558632B (zh) | 2023-10-20 |
Family
ID=78167574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110846387.2A Active CN113558632B (zh) | 2021-07-26 | 2021-07-26 | 基于心脑电信号的心肺复苏后神经功能结局评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113558632B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189899B (zh) * | 2023-04-26 | 2023-07-07 | 淄博市中心医院 | 一种基于机器学习的急危重症辅助评估*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577865A (zh) * | 2018-03-14 | 2018-09-28 | 天使智心(北京)科技有限公司 | 一种心理状态确定方法及装置 |
CN112057087A (zh) * | 2020-08-03 | 2020-12-11 | 华南理工大学 | 精神***症高风险人群自主神经功能的评估方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103038772B (zh) * | 2010-03-15 | 2017-10-24 | 新加坡保健服务集团有限公司 | 预测患者的存活性的***和装置 |
WO2015086020A1 (en) * | 2013-12-13 | 2015-06-18 | Quantium Medical Sl | Methods and apparatus for the on-line and real time acquisition and analysis of voltage plethysmography, electrocardiogram and electroencephalogram for the estimation of stroke volume, cardiac output, and systemic inflammation. |
-
2021
- 2021-07-26 CN CN202110846387.2A patent/CN113558632B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577865A (zh) * | 2018-03-14 | 2018-09-28 | 天使智心(北京)科技有限公司 | 一种心理状态确定方法及装置 |
CN112057087A (zh) * | 2020-08-03 | 2020-12-11 | 华南理工大学 | 精神***症高风险人群自主神经功能的评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113558632A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测*** | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及*** | |
CN110558973B (zh) | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 | |
WO2012106729A1 (en) | System and method for evaluating an electrophysiological signal | |
CN106264510B (zh) | 一种筛选手术患者的建模方法 | |
CN111265210A (zh) | 一种基于深度学习的房颤预测装置和设备 | |
CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
WO2023103156A1 (zh) | 一种基于心跳节律信号的房颤发生风险预测***及其应用 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
Mortezaee et al. | An improved SSA-based technique for EMG removal from ECG | |
CN113384277B (zh) | 心电数据的分类方法及分类*** | |
CN113558632B (zh) | 基于心脑电信号的心肺复苏后神经功能结局评估*** | |
JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
Turnip et al. | An application of modified filter algorithm fetal electrocardiogram signals with various subjects | |
Sivaranjni et al. | Detection of sleep apnea through ECG signal features | |
JPH0767843A (ja) | 心電図信号のスペクトル分析方法および装置 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
CN110558974B (zh) | 一种基于极值能量分解法的心电图信号分析方法 | |
Parsi et al. | Heart rate variability analysis to predict onset of ventricular tachyarrhythmias in implantable cardioverter defibrillators | |
CN113164072B (zh) | 一种心律失常事件的监测方法和设备 | |
Bhoraniya et al. | Motion artifacts extraction using DWT from ambulatory ECG (A-ECG) | |
Boon et al. | Ventricular tachyarrhythmia prediction based on heart rate variability and genetic algorithm | |
Dembrani et al. | Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE | |
Heng et al. | Prediction algorithm of malignant ventricular arrhythmia validated across multiple online public databases | |
CN111493852A (zh) | 一种基于modwt的动态心电图实时心率估算方法 |
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 |