心电信号
心电信号的相关文献在1982年到2023年内共计2441篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、内科学
等领域,其中期刊论文1065篇、会议论文76篇、专利文献232322篇;相关期刊428种,包括中国医疗设备、医疗卫生装备、中国医疗器械杂志等;
相关会议65种,包括2016年全国计算机体系结构学术年会 (ACA2016)、2015年中国生物医学工程联合学术年会、第十七届中国科协年会等;心电信号的相关文献由4604位作者贡献,包括舒明雷、庞宇、俞杰等。
心电信号—发文量
专利文献>
论文:232322篇
占比:99.51%
总计:233463篇
心电信号
-研究学者
- 舒明雷
- 庞宇
- 俞杰
- 李烨
- 胡静
- 李章勇
- 傅兆吉
- 周荣博
- 洪申达
- 李国权
- 林金朝
- 刘秀玲
- 刘辉
- 赵巍
- 赵治栋
- 王英龙
- 陈长芳
- 刘明
- 刘瑞霞
- 司玉娟
- 吴水才
- 周书旺
- 姚剑
- 姚志邦
- 杜海曼
- 熊鹏
- 王旭
- 王红梅
- 赵晓鹏
- 郑刚
- 朱涛
- 黄玉文
- 何挺挺
- 刘继忠
- 叶继伦
- 王伟
- 王洪瑞
- 谢小云
- 高天雷
- 孙即祥
- 张跃
- 彭承琳
- 杨建利
- 沈海斌
- 王俊
- 王磊
- 马亚全
- 何晨光
- 刘洋
- 刘澄玉
-
-
刘婕;
王娆芬;
邓源
-
-
摘要:
人类操作员的生理疲劳状态对其作业效率与安全性存在很大的影响,本研究提出了一种基于自注意力(SA)机制的双向门控循环(BiGRU)网络疲劳检测模型,研究基于心电信号的疲劳检测方法。首先采集了模拟不同负荷水平的过程控制任务环境下操作人员的心电数据,以一维心电数据作为输入,经过去噪预处理后,使用改进的BiGRU神经网络进行特征提取,BiGRU在保留GRU优点的同时可以更加充分学习心电信号前后时序的特征联系,并通过SA机制筛选显著相关特征信息,最后将所获得的特征信息经过softmax分类器,得到疲劳分类结果。与传统的GRU模型和BiLSTM模型进行了比较,经过改进后的SA-BiGRU模型的疲劳分类性能整体提高2%~5%,总体准确率达83%。
-
-
张浪飞;
李诗楠;
梁竹关;
丁洪伟
-
-
摘要:
针对目前单通道心电信号识别精度不高、现存多元分解方法效果不佳、多元非线性心电信号分析复杂等问题,提出了一种基于自适应多元多尺度色散熵的心电信号分类方法。首先利用频谱分析,创新性地引入了正弦辅助多元经验模态分解方法,对心电信号进行分解得到多元模态分量;然后结合多模态分解和色散熵的优越性,通过累加多元本征模态分量代替粗粒化采样,提出了自适应多元多尺度色散熵的方法获取特征熵值;最后将特征输入到多个分类器上进行分类,通过实验对比分析,在模拟信号和MIT-BIH数据上验证该方案的有效性。
-
-
张奇良;
杨坤华;
曲行达;
陶达
-
-
摘要:
准确评估驾驶人脑力负荷状态对降低因驾驶人脑力负荷过载导致的交通事故具有重要意义.基于典型驾驶场景,结合N-back认知负荷次任务,设计不同难度的驾驶任务实验,研究驾驶人脑力负荷.实验收集驾驶人在任务完成过程中的多种模态生理信号(脑电、心电和皮电信号)及美国航空航天局任务负荷指数量表主观脑力负荷数据,提出基于多模态生理信号特征分析和模式识别的驾驶人脑力负荷分类模型,并比较不同模态生理信号及其组合在3种典型机器学习算法(随机森林、决策树和k最近邻模型)中的脑力负荷分类识别效果.研究表明,基于不同模态生理信号组合的脑力负荷分类模型具有不同的分类准确率.单一模态生理信号的分类模型中,基于皮电、心电和脑电信号的分类模型准确率依次增加;基于多模态生理信号的分类模型准确率普遍优于单一模态分类模型;基于脑电、心电及皮电3模态生理信号的随机森林分类模型具有最高的分类准确率.
-
-
孙新建
-
-
摘要:
随着全球化穿戴式信息技术的热浪袭来,对于穿戴式的电子技术的研究,包括电子织物的研究越来越激烈。在社会生活的各个领域内,包括医学上,具有良好的导电性能、舒适感优越的电子织物和穿戴柔性的电子物品的结合在逐步广泛使用,渐渐成为家喻户晓的产品。在医学使用过程中,织物电极能够将人体所产生的离子电位转化成电子信号,从而被解读。以上,监护服用的电子织物需要收集心电信息就可以借助织物电极很好地完成。基于此,本文做了简单的分析。
-
-
郭田雨;
严荣国;
方旭晨;
徐玉玲;
陶争屹
-
-
摘要:
提出一种基于希尔伯特变换和自适应双阈值的R波检测算法。首先对预处理后的信号进行幅度归一化和希尔伯特包络分析;然后采用自适应双阈值法检测R波;最后,根据增强后的信号定位检测到R波的位置。使用4个具有不同频率和信噪比的数据库(MIT-BIH心率失常数据库、QT数据库、NST噪声数据库、European ST-T数据库)和临床采集心电数据对所提算法进行性能评估,结果表明,各种不规律和含有严重噪声干扰的心电信号中R波的位置依然能被所提算法准确检测出。在MIT-BIH心律失常数据库中,总体数据检测的敏感性、阳性检测度和准确率分别达到了99.36%、99.77%和99.13%,每条记录平均消耗时间比传统的Pan and Tompkins算法大大缩短。实验结果表明该算法具有良好的鲁棒性和实时性。
-
-
黄莹;
王烈;
蓝峥杰
-
-
摘要:
根据统计心律失常是引起心源性猝死的最主要原因.对此提出了一个改进型的一维U型网络(one-dimensional Unet,1D-Unet)对分割后的心电信号进行分类识别.该网络基于MIT-BIH的心律失常数据库,采用了美国医疗仪器促进协会(Association for the Advancement of Medical Instrumentation,AAMI)制定的分类标准,改进型的1D-UNet选取合适的卷积层和卷积核数目,在上采样与拼接的过程中尽量保存原始信号的特征.该网络在心电信号小波去噪的情况下,识别准确率达到99.46%,F1分数为97.57%.网络分类的平均准确率为99.73%,精确度98.23%,敏感度96.92%,特异度99.17%,无去噪处理的网络识别准确率为99.4%,F1分数为97.12%.此网络因为是全卷积层的网络,输出层并没有采用经典的全连接层,神经网络的参数大大减少.该网络对于临床上通过心电图诊断心律失常有很大辅助作用.
-
-
刘健;
徐伟;
钱炜
-
-
摘要:
传统的心电信号分类方法通常需要人为提取特征,导致系统的分类性能不稳定。基于此,运用了基于深度置信网络的心电信号分类算法,利用网络的深层次学习能力自动学习信号的特征。提取特征后,选用Softmax分类器对信号进行分类,并用误差反向传播算法微调网络,提高分类性能。选取MIT-BIH数据库中的正常心拍、室性早搏、房性早搏和起搏心拍进行实验,通过实验结果和方法对比,深度置信网络整体的分类精度达到98.8%,表明其在心电信号分类问题中具有良好的分类识别效果。
-
-
卞英楠;
姜东淼;
黄清
-
-
摘要:
心律信号异常能普遍反映心电活动的不正常状态,通过将心电图反映的心拍信号分类并应用到心律失常的临床诊断有着很好的研究价值。考虑心电信号(electrocardiogram,ECG)含有噪声,首先利用小波分解与重构并结合小波阈值法对心电信号滤波,其次采用小波变换的方法提取QRS波峰值点,在此基础上对心拍进行分割并按疾病类型构建不同类型的心拍数据集,然后基于具有多个长度不同的卷积核的深度神经网络对心律失常进行分类,最后基于集成学习的方法进一步提升心律失常智能诊断的性能。对比人工提取心电特征的方法,深度神经网络(convolutional neural network,CNN)能够表征不同类型心拍的形态信息,具有强特征表达能力,且对于外部噪声鲁棒,集成学习能够综合利用各个深度神经网络所提取特征达到提升诊断诊断率的目的。经过MIT-BIH心律失常数据库验证:该方法对六类心律失常识别的平均准确率为98.54%,对比单独使用CNN网络和BP神经网络,方法的准确率分别提高2.71%和9.88%。
-
-
王雪婷;
张烨菲;
张显飞;
赵治栋
-
-
摘要:
随着国家、企业和个人对信息安全领域的愈发重视,基于心电(Electrocardiogram,ECG)信号的身份识别技术因具备活体识别的高防伪性引起了人们的关注。为了实现快捷、高效的个体识别率,构建了基于卷积神经网络的深度迁移识别模型。首先对原始心电信号进行质量等级评估,剔除影响识别结果的较差信号;其次将质量合格的一维心电信号转化为二维ECG轨迹图作为网络层的输入;最后利用GoogleNet网络模型实现对ECG轨迹图的迁移学习,并在MIT-BIH Arrhythmia Database数据库上获得了97.87%的识别准确度。结果表明,提出的识别算法对单导联心电信号具有较高准确率的识别效果。
-
-
赵人行;
徐频捷;
刘瑶
-
-
摘要:
在智能诊断需求日益增长的背景下,提出了一种基于残差网络形式构建的卷积神经网络,该模型作为心电信号房颤分类的方法,使用MIT-BIH的心房颤动公开数据集来验证所提方法的效果,以辅助房颤自动检测。针对心电信号二分类问题,首先,对数据集进行前期数据预处理,然后将处理后的数据输入到卷积神经网络,以构建深度学习模型,使其对房颤特征进行自动提取,最后利用深度学习模型进行房颤检测,通过五折交叉验证得到构建模型分类的敏感性为99.26%,特异性为99.42%,阳性预测值为99.61%,准确率为99.47%。将所提模型的性能与已有模型进行了比较,证实了所提模型用于房颤检测的可行性。由此得出结论,通过残差网络构建的房颤自动检测系统可以达到房颤的良好分类效果,有助于房颤自动检测。
-
-
郭伯凯;
夏灵;
温煦;
龚莹岚;
刘佳琦
- 《第七届中国体育工程学术会议》
| 2016年
-
摘要:
适量而规律的体育锻炼有益于人体健康,但高强度运动项目健身者猝死的风险要高于普通人群.运动性猝死发生的主要原因是心源性猝死,而心肌缺血是心源性猝死的重要诱因.而且相当一部分的心血管问题无明显症状,为隐匿性心血管问题.因此,如何快速、简便地将运动人群的隐匿性心血管问题筛查出来是防范心源性猝死的关键.本研究以768名浙江省业余马拉松爱好者为研究对象,基于12导联标准心电图,对心电信号进行动力学建模与识别.运用统计学的方法,对心电动力学图与各项风险因素进行相关性分析.结果表明,心电动力学图相关指标与吸烟、饮酒、运动习惯不存在相关性,而与心肌缺血与冠心病家族史相关.冠心病家族史是运动健身者运动风险筛查中的重要因素.
-
-
卢阳;
鲍淑娣;
周翔;
陈金恒
- 《宁波市第九届学术大会》
| 2016年
-
摘要:
心电信号因其具备易于监测、个体唯一性等特点在生物识别领域受到广泛关注.针对身份识别的准确性和实时性问题,给出一种快速鲁棒的、适用于微型化嵌入式平台的心电信号身份识别算法.首先,利用动态阈值法提取稳定波形用于快速生成心电模板样本和测试样本;然后,基于优化动态时间弯曲法进行差异度计算得到识别结果;其次,考虑心电信号为非稳态时变信号,为保证模板数据与人体体征状况的一致性,对心电模板库进行动态更新管理以进一步提高识别准确性与鲁棒性.采用MIT-BIH心律失常数据库和自建心电数据库的分析结果表明,所述算法的识别成功率最高达到98.6%.在安卓移动端,动态阈值与优化动态时间弯曲法一次运算平均时间分别约为59.5ms和26.0ms,实时性能显著提高.
-
-
Liu Zhen;
刘振;
Liu Xiaoxia;
刘晓霞
- 《第十三届长三角科技论坛丝绸分论坛》
| 2016年
-
摘要:
为实现对心电信号的长期穿戴式监测和生理状态的反馈,本实验选用140D的镀银尼龙纱线,通过刺绣法制备织物电极,从织物电极的形状、尺寸以及使用过程中偏置电压变化情况与标准一次性凝胶电极进行静态比较,优化制备织物电极的工艺参数;将织物电极采集的心电信号利用小波变换进行除杂后与标准电极采集的生物电信号进行比较,通过Matlab处理分析两种电极采集的心电信号并从数据采集的角度进行比较织物电极采集心电信号的可行性.本实验利用R波检测算法和QRS波群提取原理提取出两种特征波,利用程序语言从特征波形的角度反馈出生理状态;本实验通过SPSS软件对两者采集的心电信号进行了相关性检验和回归分析,结果表明,织物电极采集的心电信号与标准电极采集的心电信号具有强相关性.
-
-
-
DENG Hai-Tao;
邓海涛;
ZHANG Gui-Shan;
张桂珊;
ZOU Qiu-Yun;
邹秋云;
XIONG Jiang-Feng;
熊江丰;
LU Jie-Wei;
卢杰威;
YU Ze-Feng;
余泽峰;
CHEN Yao-Wen;
陈耀文
- 《第五届全国可穿戴计算学术会议暨2015可穿戴与医学变革研讨会》
| 2015年
-
摘要:
目的:传统的心电采集系统操作平台基于有线装置,与现有的个人通信终端(如移动电话、便捷式电脑)不兼容,且存在不灵活、价格昂贵、操作复杂、连续运行不稳定等缺点.针对上述问题,本作品拟设计可穿戴式心电采集系统.rn 方法(过程):首先利用STM32通过ADC对采集处理后的心电信号进行数字滤波,通过数字陷波器及数字高通滤波器去除50Hz的工频干扰和基线漂移.其次,对滤波后的数据进行SG平滑处理后经蓝牙发送至安卓上位机.再次,对所接收心电数据进行绘制,经WIFI传输至PC上位机.最后,由PC上位机显示心电波形并对数据进行保存与分析.rn 结果:本作品通过STM32对心电数据进行采集与处理,实现远程监控心电信号,同时允许多户链接.且操作简单,可稳定连续运行.rn 结论:联合使用互联网,可实现在医院等场所进行长期稳定的心电数据监控,为医疗监护提供有利的帮助.
-
-
-
-
Zhu Rongxin;
祝荣欣
- 《中国农业工程学会2015年学术年会》
| 2015年
-
摘要:
为了探究联合收割机驾驶员的疲劳变化规律,采集了10名男性驾驶员在实际收获驾驶中的心电数据,对获得的心率变异信号进行了时域、频域和非线性动力学分析.结果表明:随着驾驶疲劳的加深,时域指标SDNN在驾驶后显著上升(P<0.05);频域指标LF及LF/HF显著增加(P<0.05),HF显著下降(P<0.05);表征心率变异复杂性的非线性动力学特征量样本熵也显著降低(P<0.01);三类指标在驾驶前后变化明显,均有显著性差异,可反映心脏交感神经和迷走神经活动的均衡性、紧张性和复杂性的变化,能够有效评价联合收割机驾驶员的疲劳状况;并且非线性特征量样本熵与线性指标相比,驾驶前后变化程度更为显著,且具有稳定性,更适合于表征实际收获驾驶的疲劳.
-
-