本发明公开了一种基于非线性动力学特征的心电向量图分类方法，属于心电检测技术领域；该方法包括如下步骤：采集Frank三导联心电向量图信号；利用中值滤波去除噪声；分别提取每个导联的10个非线性动力学特征；将各特征进行归一化处理，进行特征融合，利用训练心电向量图模式与测试心电向量图模式之间在非线性动力学指标上的差异，实现正常心电向量图与异常心电向量图的分类。上述方法首次将非线性动力学分析方法运用在心电向量图分类上，所提取的非线性动力学特征能够表征心电向量图的动态属性，更好地挖掘了心电向量图的内在特征，将异常和正常的心电向量图区分开，适合在常规的心电检查中使用。
📄 2019103645256
📂 A61B5_346
👤 杭州电子科技大学
📅 2019-04-30
本发明公开了一种基于导联融合深度神经网络的心肌梗死自动检测方法，它包括：1）通过对单个心拍的截取，生成12导联的心电信号样本；2）搭建12导联的心电信号的卷积神经网络模型；3）训练卷积神经网络的参数；4）对测试集样本进行自动识别；将划分好的测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出，将测试集样本的标签使用one‑hot编码的方法生成2维的标签向量，将输出的预测值与测试集样本的标签比对来检查分类是否正确，通过分类结果y_pred来判别模型的性能。此方法对多导联心电信号的识别得到了较高的准确率。其中对心肌梗死心拍的识别的准确率可达到99.51%。
📄 201910539438X
📂 A61B5_346
👤 烟台医惠医疗科技有限公司
📅 2019-06-20
本发明公开了一种基于多模态融合神经网络的心肌梗死自动检测系统，它包括：1）通过对单个心拍的截取，生成12导联的心电信号样本；2）搭建12导联的心电信号的卷积神经网络模型；3）训练卷积神经网络的参数；4）对测试集样本进行自动识别；将划分好的测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出，将测试集样本的标签使用one‑hot编码的方法生成2维的标签向量，将输出的预测值与测试集样本的标签比对来检查分类是否正确，通过分类结果y_pred来判别模型的性能。此方法对多导联心电信号的识别得到了较高的准确率。其中对心肌梗死心拍的识别的准确率可达到99.51%。
📄 2019105394394
📂 A61B5_346
👤 烽想(山东)医疗科技有限公司
📅 2019-06-20
本发明公开了一种基于对比学习的心律失常分类方法，涉及心电分类技术领域。本发明至少包括以下步骤：输入一个心电信号，对其进行两种不同的数据增强，从而去构造正负样本对，正样本为同一心电信号经过不同数据增强后得到的新的心电信号。本发明模仿了图片的数据增强方法，对心电信号采用了两种不同的小波变换(比例＝0.5)+分段随机遮挡的方法，在对比学习模型中，合适的数据增强方法至关重要，本发明所采用的方法对正样本对的对比有正向作用，且通过对上分支进行剪枝得到下分支，以找到长尾数据，通过损失函数隐式增加权重。对损失函数采用动态温度系数策略。本发明采用的方法提高了平衡性，并且增强了模型的泛化能力和迁移能力。
📄 2023115722832
📂 A61B5_346
👤 重庆理工大学
📅 2023-11-23
本发明提供一种基于双导联ECG信号的多特征辅助诊断方法、终端机及可读存储介质，属于互联网医疗领域，构建双导联心率失常辅助诊断系统的功能架构，并提取双导联心率失常辅助诊断系统中的心电信号；利用硬件设备采集心电信号；对心电信号进行预处理；按照预设窗口大小、步长对心电信号进行分割；对分割后的心电信号进行数据归一化处理；取心电信号数据的时间特征、时频特征和空间特征；采用权重加法融合的方式将步骤四中的时间特征、时频特征和空间特征进行融合，得到融合特征；将融合特征输入到SVM分类模型，得出诊断参数。本发明融合了多特征的心电信号，可以得到比单一数据模型信息量更大、应用性更高、鲁棒性更强的诊断参数。
📄 2024103252031
📂 A61B5_346
👤 济南大学
📅 2024-03-21
本发明公开了一种单导联心电信号f波提取方法，包括：建立双通道时序卷积神经网络模型，所述模型包括两个编码子模块、两个掩码估计子模块、信息融合模块和两个编码子模块；构建ECG信号的训练数据集并对所述双通道时序卷积神经网络模型进行训练，保存训练好的模型用于未知的混合心电信号中f波时域信号的提取。本发明提出的双通道的时序卷积神经网络分别对QRST波群和f波进行编解码，采用信息融合的掩码估计并构建正则项来约束QRST成分编码特征的分布差异，减少QRST波群的畸变，来选择高信噪比的QRST波群和f波潜在特征，从而提高了f波检测精度。
📄 2020110725563
📂 A61B5_346
👤 广东工业大学
📅 2020-10-09
本发明涉及人工智能，提供一种基于多导联心电信号的分类方法、装置、设备及介质。该方法能够对每个导联中的心电信号数据进行预处理，得到标准数据并生成标准样本，对标准样本进行样本增强，得到信号训练样本，基于网络提取层对训练数据进行特征提取，得到信号特征，基于网络分类层对信号特征进行映射处理，得到导联类别特征，将导联类别特征输入至决策融合层，得到预测结果，调整所述预设网络中的参数，直至相似距离小于预设距离，及预设网络的损失值不再降低，得到信号分类模型，将多导联数据输入至信号分类模型中，得到目标类别。本发明能够准确的确定出目标类别。此外，本发明还涉及区块链技术，所述目标类别可存储于区块链中。
📄 2021106049187
📂 A61B5_346
👤 平安科技(深圳)有限公司
📅 2021-05-31
本申请涉及心电信号的识别领域，揭示了一种异常心电信号的检测方法、装置、设备及介质，其中方法包括：获取可穿戴设备采集的待检测心电信号；调用基于第一注意力机制的神经网络识别所述待检测心电信号，得到窗口信号；所述窗口信号为所述待检测心电信号中表征连续心跳的信号；调用基于第二注意力机制的神经网络将所述窗口信号中连续心跳的各个信号进行分割，得到每一个心跳的心跳信号；调用基于第三注意力机制的神经网络识别所述心跳信号，确定所述心跳信号中的各个波形信号；在数据库中对所述波形信号进行匹配，得到目标信号，所述目标信号为所述待检测心电信号中触发心房颤动的异常心电信号。本申请能够提高心电信号识别的准确度与可解释度。
📄 2021106026791
📂 A61B5_346
👤 平安科技(深圳)有限公司
📅 2021-05-31
本发明涉及动态心电图分析技术领域，具体为一种动态心电图数据处理方法及系统，包括以下步骤；对获取的动态心电图数据进行分段，调整每段信号强度，同时对每段的能量分布进行计算，并判断其稳定性，生成稳定性调整后的心电图数据段。本发明，通过对心电图信号进行基于深度学习的生物信息学特征提取，在早期心律异常的检测中，能够识别心电图信号中的复杂模式和特征，提高了心律异常识别的准确性和灵敏度。为心律异常的精确分类提供了强大的支持。采用分形维数理论对动态心电图数据进行深入分析，揭示了心电信号的非线性特性和自相似性。增强了对心电图分析的理论深度。
📄 2024114550960
📂 A61B5_346
👤 呼和浩特市大旗网络有限公司
📅 2024-10-18
本发明公开了基于EMD及其能量的心电信号去噪算法、设备和存储介质，该算法包括步骤：信号均值化处理及公差值的确定；对信号进行EMD分解，得到各阶IMF；根据EMD分解后各阶IMF的能量，计算能量曲线除边界点以外的第一个极大点和第一个极小点的所在阶数，结合所述公差值，判断需要去噪的IMF阶数变化点，若所述能量曲线的第一个极大点和第一个极小点均不存在，则预设所述IMF阶数变化点；对所述IMF阶数变化点之前的各阶IMF进行阈值去噪；将阈值去噪后的各阶IMF与未进行阈值去噪的IMF以及残差进行重构，生成去噪后的心电信号。本方案能够完整地保留大于阈值部分的信息，并且不会产生附加震荡和跳跃点，较好地保证了原始信号的平滑性，提高了去噪质量。
📄 2020103763908
📂 A61B5_346
👤 长沙理工大学
📅 2020-05-07
本发明涉及医学图像处理领域，公开了一种基于深度卷积神经网络的ECG分类系统与方法，解决如何提高ECG分类准确性的技术问题，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；Focal loss函数解决了类别不平衡问题。本发明能够提高ECG的分类性能，总体准确率、平均F1‑score、AUC分别达到98.65%、75.08%、99.48%。
📄 2021107397040
📂 A61B5_346
👤 重庆理工大学
📅 2021-06-30
本发明公开了适用于可穿戴设备的ECG信号检测电路，包括仪表放大模块、微分电路模块、低通滤波模块和心率检测模块，仪表放大模块依次通过微分电路模块和低通滤波模块与微分电路模块连接，仪表放大模块包括跨导自举电路、放大电路和频率补偿电路，心率检测模块包括第一锁相环、第二锁相环和有限状态机。本发明能够提高ECG信号的信噪比，能够将原始ECG信号转换成为高幅值且特征明显的双峰信号，判断心率信号有效性，能够抑制基线漂移的影响，降低误判的可能性，获得更准确的检测结果，容易通过常见的元件组成，并且规模不大，因此容易制作成低成本的集成电路，并封装在一块芯片中，方便于低成本大规模生产。本发明广泛应用于电路技术领域。
📄 2021108206661
📂 A61B5_346
👤 广州大学
📅 2021-07-20
柿子坊 · 知识产权运营
柿子坊知识产权运营平台