CN114847963B - 一种高精度的心电图特征点检测方法 - Google Patents
一种高精度的心电图特征点检测方法 Download PDFInfo
- Publication number
- CN114847963B CN114847963B CN202210487331.7A CN202210487331A CN114847963B CN 114847963 B CN114847963 B CN 114847963B CN 202210487331 A CN202210487331 A CN 202210487331A CN 114847963 B CN114847963 B CN 114847963B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- wave
- electrocardiogram
- branch
- coding
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/353—Detecting P-waves
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种高精度的心电图特征点检测方法,采用已标注特征波位置信息的心电图数据构建模型训练集、超参数验证集和测试评估集;建立多分支编解码网络模型;对心电图进行R峰检测;将测试评估集输入优化的多分支编解码网络模型;采用超参数验证集得到特征波的起止时刻;对特征波的起止时刻进行峰值检测,得到特征波的峰值时刻,完成心电图特征点检测。通过多频带心电图多特征波联合检测的概率图模型,提高了输入信号信噪比,清晰地表征了各特征波隐变量之间的关联推断关系;根据概率图模型的条件概率因子分解,设计了具有注意力机制的多分支编解码网络模型,降低了心电图信号特征提取对波形变异和噪声的敏感性,提高了心电图特征点检测精度。
Description
技术领域
本发明涉及心电图检查技术领域,特别涉及一种高精度的心电图特征点检测方法。
背景技术
心电图(Electrocardiograph,ECG)检查是心血管疾病诊断的主要手段之一。心电图特征波的幅值和间期异常是反映心血管***病变的重要指征。因此,心电图特征波峰值点和起止点(简称特征点)的准确检测对心血管疾病的诊疗具有重要意义。
近年来,研究人员提出很多心电图特征点检测方法,可大致分为信号处理和深度学习两类。信号处理方法采用小波变换、扩展卡尔曼滤波等技术,利用时频变换提高信号的稀疏性或者依据先验模型对特征波进行参数估计,从而实现心电图特征点检测。此类方法严重依赖经验参数的设置,难以适应心电图特征波形态的多样性,检测精度较低。深度学习方法常采用卷积神经网络、循环神经网络等通用架构,以数据驱动的方式,直接从心电图信号中自动提取潜在特征,实现心电图特征点检测,能够较好地适应心电特征波形态的多样性,但是既未直接利用心电特征波之间的频域分布差异,也未在网络结构上清晰地表征特征点位置之间的关联推断关系,需要大量训练样本,泛化能力有待进一步提高。
发明内容
为解决上述现有技术中所存在的检测精度低的问题,本发明提供一种高精度的心电图特征点检测方法,心电特征波之间的频域分布差异,构建多支路输入,提高各个心电特征波输入的信噪比;并利用了心电图特征波位置之间的关联关系,在特征层和决策层分别实现不同支路之间的信息融合,增强QRS波群及P-T波潜在特征的提取与特征点的推断,降低了对波形变异和噪声的敏感性,从而能够进一步提高心电图特征点检测精度。
为了实现上述技术目的,本发明提供了一种高精度的心电图特征点检测方法,包括:
S1,采用已标注特征波的位置信息的心电图数据构建模型训练集、超参数验证集和测试评估集;
S2,建立具有注意力机制的多分支编解码网络模型;
S3,对心电图进行R峰检测,标记得到所述特征波的出现时段;
S4,采用所述模型训练集优化所述多分支编解码网络模型的参数,将所述测试评估集输入优化后的所述多分支编解码网络模型,得到所述特征波在所述出现时段的估计序列;
S5,基于所述估计序列,采用所述超参数验证集得到所述特征波的起止时刻;
S6,基于所述特征波的所述起止时刻进行峰值检测,得到所述特征波的峰值时刻,完成心电图特征点检测。
可选的,所述特征波包括:QRS波群、P波和T波。
可选的,所述特征波的所述出现时段的获取过程包括:
对所述心电图进行R峰检测,根据检测结果将所述心电图切割成逐个心拍片段;
采用重采样法统一各个心拍的时间采样点数,标记得到所述特征波的出现时段。
可选的,所述模型训练集的优化器选用Adam优化器,初始学习率为0.0005。
可选的,所述模型训练集为:
式中,Xi∈R1×M为第i条ECG记录;M为时间采样点个数; 为第i条ECG记录中标识QRS波群起止时刻的方波标签;/> 为第i条ECG记录中标识P波群起止时刻的方波标签;/>为第i条ECG记录中标识T波峰值时刻至终止时刻的方波标签;ntr为所述模型训练集ECG记录的总数。
可选的,所述超参数验证集采用Physionet的QT数据集进行5折交叉验证。
可选的,所述5折交叉验证采用特征点定位平均误差和标准差作为验证指标,公式为:
式中,N为测试样本的个数;Y为多分支编解码网络模型特征点的估计位置;为多分支编解码网络模型特征点的真实位置;e为多分支编解码网络模型特征点的估计位置和真实位置的差;j为测试样本序号;m为特征点定位平均误差;σ为特征点定位标准差。
可选的,所述多分支编解码网络模型包括第一分支、第二分支、第三分支;
所述第一分支用于构建低频心电信号的编码映射;
所述第二分支用于构建高频心电信号的编码映射;
所述第三分支用于构建原始心电信号的编码映射。
本发明具有如下技术效果:
通过多频带心电图多特征波联合检测的概率图模型,不仅利用心电图特征波之间频带差异提高了输入信号信噪比,还清晰地表征了各特征波隐变量之间的关联推断关系;然后依据概率图模型的条件概率因子分解,设计了具有注意力机制的多分支编解码网络架构(其中注意力掩码估计模块可以由时序卷积网络实现,也可以由其它网络结构比如Transformer或循环神经网络等实现),从而有效地降低了心电图信号特征提取对波形变异和噪声的敏感性,提高了心电图特征点检测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例高精度的心电图特征点检测方法的流程框图;
图2为多分支时序卷积编解码网络模型图;
图3为单个心拍上标识各特征波出现时段的方波标签序列;
图4为心电图特征点检测概率模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,对本实施例中的部分技术名词做出释义:
构建多分支输入,利用心电特征波之间的频域分布差异,通过滤波器子模块分别抽取低频段和高频段的心电成分作为QRS波群和P-T波的初始估计信号,提高各特征波输入信号的信噪比;鉴于初始估计信号存在一定程度的信息损失,额外增加未经滤波的心电信号作为一路补充输入信号。
编码,通过一维卷积模块分别提取各路输入信号的潜在特征。
估计掩码,利用时序特征提取网络(如时序卷积神经网络(temporalconvolutional networks,TCN),循环神经网络等)作为掩码估计子模块,建立注意力机制自适应地凸出高信噪比的特征。特别地,鉴于QRS波群与P-T波的时域关联关系,将掩码操作后的QRS波群特征与P-T波特征融合(例如:在通道维度拼接特征,然后进行1×1卷积),再输入掩码估计子模块,增强P-T波掩码的估计。
解码,融合掩码后的QRS波群特征、P-T波特征和补充输入特征,将其分别输入一维卷积模块,并通过sigmoid函数激活,推断QRS波群、P波和T波特征点。特别地,鉴于QRS波群与P波和T波的位置存在关联关系,且QRS波群的起止点估计任务相对较容易,故再次将QRS波群起止点的估计结果与潜在特征融合,逐步实现P波特征点和T波特征点的推断。
实施例一
如图1所示,本发明公开一种高精度的心电图特征点检测方法,具体包括:
S1,采用已标注特征波的位置信息的ECG集构建模型训练集、超参数验证集和测试评估集;
采用已标注QRS波群、P波和T波的位置信息的ECG集,用于构建模型训练集
式中,Xi∈R1×M为第i条ECG记录;M为时间采样点个数; 为第i条ECG记录中标识QRS波群起止时刻的方波标签;/> 为第i条ECG记录中标识P波群起止时刻的方波标签;/>为第i条ECG记录中标识T波峰值时刻至终止时刻的方波标签;ntr为所述模型训练集ECG记录的总数。
所述超参数验证集采用Physionet的QT数据集进行5折交叉验证。
S2,建立具有注意力机制的多分支编解码网络模型;
如图2所示,多分支时序卷积编解码网络模型具有三条分支,包括:第一分支、第二分支、第三分支,所述第一分支用来构建低频心电信号(在低频带,P波和T波能量较大,QRS波群能量较小)的编码映射,并且得到掩码后低频心电信号的特征信息。所述第二分支用来构建高频心电信号(在高频带,P波和T波能量较小,QRS波群能量较大)的编码映射,并且与第一分支的掩码后的特征信息进行融合,得到掩码后高频心电信号的特征信息,所述第三分支单纯地构建原始心电信号的编码映射。最后,利用信息交互模块将三路的掩码后的特征信息进行融合,并且送入解码器,从而重构QRS波群、P波和T波对应的一维时间域上的位置信号。
S3,对心电图进行R峰检测,标记得到所述特征波的出现时段;
具体的,采用现有较为成熟的方法(如小波分解、Pan-Tompkins等)先对心电图进行R峰检测,然后逐个心拍地切割心电记录,并采用重采样方法,统一各个心拍的时间采样点数,标记得到所述特征波的出现时段。
S4,采用所述模型训练集优化所述多分支编解码网络模型的参数,将所述测试评估集输入优化后的所述多分支编解码网络模型,得到所述特征波在所述出现时段的估计序列;
具体的,优化器选用Adam优化器。初始学习率为0.0005。如果模型的损失值连续3次没有下降,那么学习率减半。模型训练60个epoch。
采用所述模型训练集优化所述多分支编解码网络模型的参数,训练目标函数如下:
其中,ω表示网络模型的可训练参数,m表示训练样本总数,i为训练样本序号,YQRS,YP,YT分别表示依据在训练集已标注好的QRS波群、P波和T波的位置所生成的方波标签序列,分别表示QRS波群、T波群、P波群位置序列。
S401,根据所述模型训练集ECG信号中已知的QRS波群、P波和T波的位置构造辅助标签序列,ECG信号中相应波群位置的数值置1,其余置0,得到的辅助标签序列如图3所示,每个序列都是由0、1组成的方波。
S402,将ECG集中的每一条ECG数据记录划分K个固定长度为L的心电信号片段,记作:X∈Rk×L。X将作为两个编码子模块的输入,目的是学习变换域,分别提取低频段和高频段的编码特征矩阵,所述低频段和高频段的编码特征矩阵分别记作:Zlow,Zhigh,N为编码器基函数的个数,表达式为:
式中,Zlow、Zhigh∈RK×N,Blow、Bhigh∈RL×N。
S403,将所述低频段的所述编码特征矩阵Zlow输入到含有TCN的网络,得到低频段的掩码特征,所述低频段的掩码特征记作:Flow∈RK×N。
S404,将所述低频段的所述编码特征矩阵Zlow被加权,得到加权后的低频段特征矩阵计算公式如下:
式中,⊙表示element-wise相乘。
S405,将所述加权后的低频段特征矩阵和所述高频段的所述编码特征矩阵Zhigh输入到信息融合子模块,通过拼接操作得到第一融合特征矩阵,所述第一融合特征矩阵记作:
采用一维卷积神经网络得到高频段的潜在特征U∈RK×N。将所述高频段的所述潜在特征U输入到含有TCN的网络,得到高频段的掩码特征,得到高频段的掩码特征,所述高频段的掩码特征记作:Fhigh∈RK×N。
S406,将所述高频段的所述潜在特征U被加权,得到加权后的高频段特征矩阵计算公式为:
S407,将所述加权后的低频段特征矩阵所述加权后的高频段特征矩阵/>和ECG心电信号片段X分别输入到信息融合模块,通过拼接操作得到第二融合特征矩阵,所述第二融合特征矩阵记作:/>采用点卷积网络,得到卷积后的融合特征矩阵HQRS∈RK×N,通过线性解码器重构得到QRS波群位置序列/>计算公式为:
式中,DQRS∈RN×L为QRS波群的解码基矩阵。
S408,所述第二融合特征矩阵H与所述QRS波群位置序列通过拼接操作得到第三融合特征矩,所述第三融合特征矩记作:
采用点卷积得到融合后的融合特征矩阵HT∈RK×N,通过线性解码器重构得到T波群位置序列计算公式为:
式中,DT∈RN×L为QRS波群的解码基矩阵。
S409,所述第二融合特征矩阵H与T波群位置序列通过拼接操作得到第四融合特征矩阵,所述第四融合特征矩阵记作
采用点卷积得到融合后的特征矩阵HP∈RK×N,通过线性解码器重构得到P波群位置序列计算公式如下:
式中,DP∈RK×L为的P波的解码基矩阵。
S410,将的K个固定长度为L的心电信号片段的方波估计成分依次叠加,最终预测出特征波的估计序列,所述特征波的所述估计序列包括:整个心电信号QRS波群起止点,P波起止点和T波峰值和终点的位置信息。
S5,基于所述估计序列,采用所述超参数验证集得到所述特征波的起止时刻;
通过超参数验证集分别选择恰当的幅度阈值削峰,以确定各特征波的起止时刻,所述超参数验证集采用Physionet的QT数据集进行5折交叉验证,所述5折交叉验证采用特征点定位平均误差和标准差作为验证指标,公式为:
式中,N为测试样本的个数;Y为多分支编解码网络模型特征点的估计位置;为多分支编解码网络模型特征点的真实位置;e为多分支编解码网络模型特征点的估计位置和真实位置的差;j为测试样本序号;m为特征点定位平均误差;σ为特征点定位标准差。
m的值越接近0,σ越小,说明特征点定位越准确。
各种方法的心电图特征点检测精度如表1所示,可见:对于所有的特征点,本发明方法的平均定位误差皆小于2毫秒,且显著优于小波变换(wavelet transform,WT)、扩展卡尔曼滤波(extended Kalman filtering,EKF)、U型网络(U-net)和全卷积时域分离网络(Conv-TasNet);对P波起点和T波终点的定位精度与区域聚合网络(regional aggregationnetwork,RAN)相当,但对P波峰值点、P波终点、QRS起点、QRS终点和T波峰值点的平均定位误差都小于RAN。该实验结果验证了本发明方法的有效性。
表1.各方法的心电图特征点定位精度比较(m±σ)
S5,基于所述特征波的所述起止时刻进行峰值检测,得到所述特征波的峰值时刻,完成心电图特征点检测。
基于所述特征波的所述起止时刻,找出起止时间内幅度绝对值最大的点作为特征波峰值点,得到所述特征波的位置序列,完成心电图特征点检测。
实施例二
在心电信号的频谱图中,心电信号中QRS波群、P波和T波处于不同的频段区域,其中低频段中P-T波的分量占比较大,高频段中QRS波群的分量占比较大。从而依据心电信号频谱图,可以设计选择性的滤波器,使得QRS波群与P-T波分量各自最大化。为了能够直观地表征心电图特征点检测任务中各个变量之间的关联推断关系,建立概率图模型如图4所示。
其中,X表示心电图信号,表示心房P波的位置信息,/>表示心室QRS波群的位置信息,/>表示心室T波的位置信息。
对于特征点联合检测的条件概率分布可以分解为:
式中,Zlow,Zhigh分别为低频段和高频段的编码特征矩阵,Flow,Fhigh分别为低频段和高频段的特征空间高信噪比区域隐变量(即潜在的掩码特征),分别为低频段和高频段的特征矩阵,U为高频段的所述潜在特征,H为决策层融合后的特征矩阵,图2所示多分支时序卷积编解码网络模型的各个模块是对式1中各个概率因子所表征映射的实例化。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种高精度的心电图特征点检测方法,其特征在于,包括:
S1,采用已标注特征波的位置信息的心电图数据构建模型训练集、超参数验证集和测试评估集;
S2,建立具有注意力机制的多分支编解码网络模型;
S3,对心电图进行R峰检测,标记得到所述特征波的出现时段;
S4,采用所述模型训练集优化所述多分支编解码网络模型的参数,将所述测试评估集输入优化后的所述多分支编解码网络模型,得到所述特征波在所述出现时段的估计序列;
S5,基于所述估计序列,采用所述超参数验证集得到所述特征波的起止时刻;
S6,基于所述特征波的所述起止时刻进行峰值检测,得到所述特征波的峰值时刻,完成心电图特征点检测;
所述模型训练集为:
式中,Xi∈R1×M为第i条心电图记录;M为时间采样点个数; 为第i条ECG记录中标识QRS波群起止时刻的方波标签;/>为第i条ECG记录中标识P波群起止时刻的方波标签;/>为第i条ECG记录中标识T波峰值时刻至终止时刻的方波标签;ntr为所述模型训练集ECG记录的总数;
所述多分支编解码网络模型包括第一分支、第二分支、第三分支;
所述第一分支用于构建低频心电信号的编码映射;
所述第二分支用于构建高频心电信号的编码映射;
所述第三分支用于构建原始心电信号的编码映射。
2.根据权利要求1所述的高精度的心电图特征点检测方法,其特征在于,所述特征波包括:QRS波群、P波和T波。
3.根据权利要求1所述的高精度的心电图特征点检测方法,其特征在于,所述特征波的所述出现时段的获取过程包括:
对所述心电图进行R峰检测,根据检测结果将所述心电图切割成逐个心拍片段;
采用重采样法统一各个心拍的时间采样点数,标记得到所述特征波的出现时段。
4.根据权利要求1所述的高精度的心电图特征点检测方法,其特征在于,所述模型训练集的优化器选用Adam优化器,初始学习率为0.0005。
5.根据权利要求1所述的高精度的心电图特征点检测方法,其特征在于,所述超参数验证集采用Physionet的QT数据集进行5折交叉验证。
6.根据权利要求5所述的高精度的心电图特征点检测方法,其特征在于,所述5折交叉验证采用特征点定位平均误差和标准差作为验证指标,公式为:
式中,N为测试样本的个数;Y为多分支编解码网络模型特征点的估计位置;为多分支编解码网络模型特征点的真实位置;e为多分支编解码网络模型特征点的估计位置和真实位置的差;j为测试样本序号;m为特征点定位平均误差;σ为特征点定位标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210487331.7A CN114847963B (zh) | 2022-05-06 | 2022-05-06 | 一种高精度的心电图特征点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210487331.7A CN114847963B (zh) | 2022-05-06 | 2022-05-06 | 一种高精度的心电图特征点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114847963A CN114847963A (zh) | 2022-08-05 |
CN114847963B true CN114847963B (zh) | 2023-08-01 |
Family
ID=82635430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210487331.7A Active CN114847963B (zh) | 2022-05-06 | 2022-05-06 | 一种高精度的心电图特征点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114847963B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805814B (zh) * | 2018-06-07 | 2020-05-19 | 西安电子科技大学 | 基于多频段深度卷积神经网络的图像超分辨重建方法 |
US11944444B2 (en) * | 2018-09-06 | 2024-04-02 | Technion Research & Development Foundation Limited | Predicting ventricular fibrillation |
EP3860441A4 (en) * | 2018-10-01 | 2022-10-12 | Delgado, Reynolds | HIGH FREQUENCY QRS IN BIOMETRIC IDENTIFICATION |
CN112244861B (zh) * | 2020-10-09 | 2021-08-10 | 广东工业大学 | 一种单导联心电信号f波提取方法 |
CN113095302B (zh) * | 2021-05-21 | 2023-06-23 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
CN113314140A (zh) * | 2021-05-31 | 2021-08-27 | 哈尔滨理工大学 | 一种端到端时域多尺度卷积神经网络的音源分离算法 |
CN113887585A (zh) * | 2021-09-16 | 2022-01-04 | 南京信息工程大学 | 基于编解码网络的图像-文本多模态融合方法 |
-
2022
- 2022-05-06 CN CN202210487331.7A patent/CN114847963B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114847963A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203692A (zh) | 基于深度卷积神经网络的房颤检测的实现方法 | |
KR102469984B1 (ko) | 심전도 재구축 시스템 및 방법 | |
CN109124610B (zh) | 一种无创血压测量的抗干扰方法和装置 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN113066502B (zh) | 基于vmd和多小波的心音分割定位方法 | |
CN112329609A (zh) | 基于2d心拍的特征融合迁移学习心律失常分类*** | |
CN112244861B (zh) | 一种单导联心电信号f波提取方法 | |
Raghu | Arrhythmia detection based on hybrid features of T-wave in electrocardiogram | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
Chen et al. | Post-processing refined ECG delineation based on 1D-UNet | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测*** | |
Chang et al. | Deepheart: accurate heart rate estimation from PPG signals based on deep learning | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及*** | |
CN114847963B (zh) | 一种高精度的心电图特征点检测方法 | |
Haleem et al. | A deep learning based ECG segmentation tool for detection of ECG beat parameters | |
Ji et al. | An intelligent diagnostic method of ECG signal based on Markov transition field and a ResNet | |
CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
CN116942172A (zh) | 一种基于编解码结构的小波双通道单导联心电去噪方法 | |
CN114027847B (zh) | 一种基于时频分析的心电信号分析方法 | |
CN111803062B (zh) | 一种基于深度学习的房颤事件检测方法 | |
CN115177260A (zh) | 基于人工神经网络的智能心电心音诊断方法及装置 | |
CN113786202B (zh) | 一种心电图特征起点和终点检测方法、***、装置及介质 | |
CN113491523A (zh) | 一种心电信号特征点检测方法及*** | |
CN112842342A (zh) | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 | |
CN116570295B (zh) | 一种心电图低电压t波终点定位方法 |
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 |