公开(公告)号：CN116725545A

公开(公告)日：2023-09-12

申请号：CN202310671696.X

申请日：2023-06-08

Applicant: 河北大学

Inventor： 刘秀玲 ,  熊鹏 ,  张杰烁 ,  杜海曼 ,  李昆霖 ,  何聪

IPC: A61B5/318 ,  A61B5/346 ,  A61B5/00 ,  A61B5/352 ,  G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0464

Abstract: 本发明涉及一种变异性心电信号时空特征提取方法，包括以下步骤：S1、获取原始心电信号；S2、构建时空特征提取模型；S3、利用时空特征提取模型提取心电信号的时空特征；S4、构建异常信号检测模型；S5、使用异常信号检测模型对心电信号异常进行检测。本发明是一种基于深度学习的心电信号异常检测算法，它融合了基于Transformer的模型和基于CNN的模型，可以有效地提取心电信号的时空特征并检测异常。本发明不仅考虑了导联之间的相互关系，还利用一维卷积和二维卷积提取相关的特征信号进行异常检测，从而提高了检测的精度，并具有更高的准确性、敏感性、特异性和F1评分。

公开(公告)号：CN117158988A

公开(公告)日：2023-12-05

申请号：CN202310910417.0

申请日：2023-07-24

Applicant: 河北大学

Inventor： 刘秀玲 ,  熊鹏 ,  杜海曼 ,  张杰烁 ,  李铭溪 ,  何聪

IPC: A61B5/346 ,  A61B5/00 ,  G06F18/10 ,  G06N3/044

Abstract: 本发明涉及一种心电信号的噪声去除方法，具体包括以下步骤：D1、特征提取：对12导联中的每条导联都进行模型构造，模拟信号在经过其他11条导联的过程中都进行关系提取；D2、网络训练：将12导联信号的前10000个采样点输入网络，隐含层对导联之间的非线性关联进行提取并存储，经过训练后的网络中保留当下的心电信息；D3、网络测试：x1~x11导联作为输入进入网络，在11条导联信号的任意位置随机添加1~2秒的噪声来模拟真实环境，此时网络利用提取到的导联间关系，从11导联中推导出y单导联信号，对整条数据的剩余采样点进行测试验证；D4、根据加性噪声模型得到，对所有的输出数据进行平均，以平均值作为最终的输出数据。

公开(公告)号：CN118332312A

公开(公告)日：2024-07-12

申请号：CN202410514853.0

申请日：2024-04-26

Applicant: 河北大学

Inventor： 刘秀玲 ,  张杰烁 ,  熊鹏 ,  杜海曼 ,  张泽卿 ,  何聪

IPC: G06F18/213 ,  A61B5/349 ,  A61B5/352 ,  A61B5/00 ,  G06F18/10 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/082

Abstract: 本发明公开了一种心电信号中特征波段特征信息的提取方法及MG‑NET模型，心电信号中特征波段特征信息的提取方法，包括如下步骤：S1.数据处理；S2.构建MG‑NET模型，并对MG‑NET模型进行训练，得到训练后的MG‑NET模型；S3.将切割好的心拍输入训练后的MG‑NET模型，得到心拍类型；MG‑NET模型包括依次连接的第一卷积模块、第二卷积模块、第一C2f模块、第三卷积模块、第二C2f模块、第四卷积模块、SPPF模块、第三C2f模块、第五卷积模块、第四C2f模块、第一最大池化层、Flatten层、Linear层和Softmax层。MG‑NET模型采用多梯度流分支技术，将模型的注意力集中到具备病理性特征的特征波段上，提高对ST段分析的准确性。

公开(公告)号：CN117064398A

公开(公告)日：2023-11-17

申请号：CN202311002425.1

申请日：2023-08-10

Applicant: 河北大学

Inventor： 刘秀玲 ,  熊鹏 ,  杜海曼 ,  张杰烁 ,  刘名起 ,  赵思宇 ,  何聪

IPC: A61B5/318 ,  A61B5/346 ,  A61B5/352 ,  A61B5/00 ,  A61B5/361 ,  A61B5/363 ,  G06F18/10 ,  G06F18/213 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及一种心电信号房室特征提取方法，具体包括以下步骤：S1.获取原始心电信号，对原始心电信号先进行DWT去噪处理，再进行Z‑Score标准化处理；S2.从经去噪和标准化处理后的心电信号中提取RR间期和相应的心房信号波段；S3.根据提取的RR间期和相应的心房信号波段，构建房室特征提取模型；S4.利用构建的房室特征提取模型提取心电信号的心房活动特征和心室活动特征；S5.对所构建的房室特征提取模型进行训练。本发明使用一种特征(RR间隔或心房活动)的网络与混合特征网络进行比较，实验结果证明了所提出的多特征信息网络的重要性。经测试表明，该模型具有较高的准确性和鲁棒性。

公开(公告)号：CN117204860A

公开(公告)日：2023-12-12

申请号：CN202311080681.2

申请日：2023-08-25

Applicant: 河北大学

Inventor： 刘秀玲 ,  熊鹏 ,  杜海曼 ,  张杰烁 ,  刘名起 ,  赵思宇 ,  何聪

IPC: A61B5/318 ,  A61B5/346 ,  A61B5/00 ,  G06F18/00 ,  G06F18/10 ,  G06F123/02

Abstract: 本发明涉及一种心电信号特征波定位方法。该方法具体包括以下步骤：S1.获取原始心电信号，对原始心电信号先进行离散小波变换DWT去噪处理，再进行标准分数Z‑Score标准化处理；S2.将经去噪和标准化处理的心电信号切分为待识别心电信号数据；S3.构建特征波定位模型；S4.对所构建的特征波定位模型进行训练；S5.利用训练好的特征波定位模型对心电信号进行特征波定位；S6.利用后处理算法对波形特征进行评估校正。本申请提供的心电信号特征波定位方法利用多尺度特征的组合让模型学习到波形边界和整体形态等详细信息。经测试表明，该模型具有较高的准确性和鲁棒性。