基于 tensorflow_gpu1.14的MIT-BIH心电分类复现

最新推荐文章于 2022-09-11 22:13:51 发布
最新推荐文章于 2022-09-11 22:13:51 发布
阅读量904 收藏 21
点赞数 5
文章标签： tensorflow python 深度学习 cnn 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41071191/article/details/120775464
版权

CNN心电识别笔记

参考CSDN文献：https://blog.csdn.net/qq_43750573/article/details/105930152

一、心电信号的简介

  1. 心电信号的特征

    1. 微弱性：幅值在10uV-5mⅤ，属于低幅值信号
2. 不稳定性：易受干扰，大量噪声（卷积神经网络要解决降噪问题）
3. 低频性：频率范围在0.05-100Hz，主要能量集中分布在0.5-40Hz

  2. 心电波形（一个心拍）

  3. 降噪手段

    1. 经典数字滤波器。根据频率范围降噪
	对于基线漂移使用高通滤波器去噪
	对于肌电干扰使用低通滤波器去噪
	对于工频干扰使用带通滤波器去噪
2. 基于小波变换的阈值去噪。
	根据信号和噪声的频率在不同尺度上的分布，先对信号进行小波变换，再根据阈值对各层小波系数进行处理，最后重构信号进行去噪。

二、心率失常数据库

  1. MIT-BIH心律失常数据库

    下载地址：https://www.physionet.org/content/mitdb/1.0.0

  2. 数据读取

    MIT-BIH 使用了自定义的 format212 格式，需要进行解码

    import wfdb

"""
读取心电信号的数据

data_path:路径。不必加拓展名，自动补齐
sampfrom:读取心电信号的起始位置
sampto:读取心电信号的结束位置
channel_names:列表值。读取导联的名字["MLII"]
channels:设置读取第几个心电信号

return：返回的是一个元组
（信号，记录描述符）
信号维度  [650000,1]，如果不指定导联，得到 [65000,2] 的结果
"""
# 仅仅读取“MLII”导联的信号
record = wfdb.rdrecord('data_path', channel_names=['MLII'])


"""
读取注解文件

extension：文件拓展名。string “atr”
其他参数同上

return：一个注释对象
"""
annotation = wfdb.rdann("data_path",extensiom = "atr")

# 返回每一个心拍的 R 波的尖锋位置的信号点，与心电信号对应。返回值是一个 ndarray 数组
annotation.sample

# 返回每一个心拍的类型 N，L，R 等等。返回值是一个数组
annotation.symbol

# 返回标注的数量
annotation.ann_len

# 返回标注的文件名
annotation.record_name

# 查看所有心拍的类型
wfdb.show_ann_labels()

三、心电信号去噪

  1. 噪声分类

    1. 工频干扰
	电磁干扰，幅值低，噪声频率为50Hz左右，其波形很像一个正弦信号，会影响 P 波和 T 波的检测。
2. 肌电干扰
	人体运动肌肉不自主颤抖造成，这种干扰无规律可言，波形形态会急速变化，频率很高，并且分布很广，范围在0-2000Hz内，能量集中在30-300Hz内，持续时间一般为50ms
3. 基线漂移
	属于低频干扰，频率分布在0.15-0.3Hz内，幅度和频率都会时刻变化着。心电信号中的PR波段和ST波段非常容易受到影响产生失真。

  2. 心电信号预处理-小波变换

    1. 步骤：

      1. 选择一个小波基函数，对心电信号进行尺度分解，得到各尺度上的小波系数
      2. 对各尺度上的小波系数进行阈值处理。幅值较大的小波系数为信号，较小的为噪声。噪声小波系数调用阈值函数处理
      3. 重构信号

    2. 阈值函数

      1. 硬阈值函数。系数绝对值大于阈值，保持不变，小于阈值令其为零

        硬阈值函数图像

      2. 软阈值函数。系数绝对值大于阈值，减去 λ ，小于阈值令其为零

        软阈值函数图像

      3. λ 计算公式

      λ计算公式

      median为中位数，N为信号长度

  3. 代码实现

    """
时频分析，小波分解

wavelet:小波基
level:尺度（要变换多少层）

return:一个列表值，[低频系数，高频系数]
低频系数是一个 array 数组
高频系数是一个元组（水平高频系数，垂直高频系数，对角线高频系数），有几层小波分解就有几个元组
"""
coeffs = pywt.wavedec(data,wavelet= "db5",level = 9)
cA9, cD9, cD8, cD7, cD6, cD5, cD4, cD3, cD2, cD1 = coeffs


"""
阈值处理，噪声滤波

pywt.threshold(data,value,mode,subtitute)
value:阈值
mode:模式，有四种。soft软阈值函数；hard硬阈值函数；greater大于等于阈值的值不变化其余的置为subtitute；less将大于阈值的值替换为subtitute，其余的值不变
subtitute:替换值
"""
# 计算阈值
threshold = (np.median(np.abs(cD1)) / 0.6745) * (np.sqrt(2*np.log(len(cD1))))

# 将高频信号cD1、cD2置零
cD1.fill(0)
cD2.fill(0)
# 将其他中低频信号按软阈值公式滤波
for i in range(1, len(coeffs) - 2):
    coeffs[i] = pywt.threshold(coeffs[i], threshold)


"""
将信号进行小波重构
"""
rdata = pywt.waverec(coeffs = coeffs,wavelet = "db5")

四、构建卷积神经网络

  1. 构建数据集

    1. 构建心拍数据
通过 annotation.sample 获取 R 波尖峰位置
指定一个 R 波尖峰位置的前99个信号点与后200个信号点，一共300个信号点为一个心拍

2. 构建标签数据
通过 annotation.symbol 获取每一个心拍的类型
仅选取 ['N', 'A', 'V', 'L', 'R'] 五种心拍类型，舍去不属于这五种心拍类型的心拍数据
将标签数据集转化为 one-hot 编码

3. 将数据集和标签集拼接，打乱

4. 划分出训练数据集与测试数据集

  2. 构建卷积神经网络

    样本的数据维度为 [None,300]  标签数据维度为 [None,5]

卷积
	
激活
	relu函数激活
池化
	max_pooling,mean_pooling

  3. 全连接层

    计算交叉熵损失

    梯度下降降低损失

    求得准确率

  4. 收集变量用于可视化操作

五、整体代码实现

import wfdb
import pywt
import numpy as np
from matplotlib import pyplot as plt
import tensorflow as tf


FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string("data_path", "./mit-bih-arrhythmia-database-1.0.0/", "心电数据的路径")



def de_noise(data):
    """
    小波去噪函数
    :param data:原始数据
    :return: rdata  去噪后的数据
    """
    # 1、时频分析，小波去噪
    coeffs = pywt.wavedec(data,wavelet = "db5",level = 9)
    cA9, cD9, cD8, cD7, cD6, cD5, cD4, cD3, cD2, cD1 = coeffs

    # 2、阈值处理，噪声滤波
    threshold = (np.median(np.abs(cD1)) / 0.6745) * (np.sqrt(2 * np.log(len(cD1))))  # 计算阈值
    cD1.fill(0)
    cD2.fill(0)  # 高频信号置零
    # 将其他中低频信号软阈值滤波
    for i in range(1,len(coeffs) -2 ):
        coeffs[i] = pywt.threshold(coeffs[i],threshold,mode="soft")

    # 3、信号进行小波重构
    rdata = pywt.waverec(coeffs=coeffs,wavelet="db5")

    return rdata


def process_data(num,X_data,Y_data):
    """
    获取数据并进行小波变换，截取心拍
    :param num: 第几条数据
    :param X_data: 样本数据集
    :param Y_data: 标签数据集
    :return:None
    """
    # 1、获取原始信号数据.signal_data为 [650000,1] , 需要展开
    rec = wfdb.rdrecord(FLAGS.data_path + num, channel_names=["MLII"])
    signal_data = rec.p_signal
    transpose_data = signal_data.flatten()  #展开

    # 2、原始数据进行小波分解
    rdata = de_noise(transpose_data)

    # 3、获取心电信号中 R 波尖峰位置以及对应的标签数据
    annotation = wfdb.rdann(FLAGS.data_path + str(num), extension= "atr")
    R_location = annotation.sample  # 返回每个心拍 R 波尖峰的位置,numpy 数组
    R_class = annotation.symbol  # 返回每个心拍的类型，list 列表

    # 4、去除前后不稳定的数据
    start = 10
    end = 5
    i = start  # 从第10个心拍开始，到最后5个心拍结束
    j = len(R_class) - end

    # 5、截取符合条件的心拍信号，标签数据
    class_list = ['N', 'A', 'V', 'L', 'R']  # 仅对此五种心拍类型进行训练
    while i < j:
        try:
            # 获取当前心拍在心拍类型中的位置，即属于哪种心拍。如果索引失败即此心拍不属于五种心拍，弹出错误，跳过此心拍
            label = class_list.index(R_class[i])
            local = R_location[i]  # 当前心拍的 R 波尖峰位置
            train_data = rdata[local - 99 : local + 201]  # 截取出一个完整的心拍，R 波尖峰前99个到后200个
            X_data.append(train_data)  # 将一个完整的心拍样本加入到数据集中

            Y_data.append(label)  # 将心拍的标签加入到标签集中

            i += 1
        except:
            i += 1

    return None


def shuffle_data(X_data,Y_data):
    """
    将数据集与标签机一一对应后合并，合并后打乱
    :param X_data:数据集
    :param Y_data:标签集
    :return: data 打乱后的数据集
    """
    dataSet = np.array(X_data).reshape(-1,300)
    labelSet = np.array(Y_data).reshape(-1,1)
    # 数组拼接
    stitch_data = np.hstack((dataSet,labelSet))

    # 打乱数组
    np.random.shuffle(stitch_data)

    return stitch_data


def weight_variables(shape):
    """
    初始化权重
    :param shape:
    :return: w 指定形状的权重变量
    """
    w = tf.Variable(tf.random_normal(shape=shape,mean=0.0,stddev=1.0))
    return w


def bias_variables(shape):
    """
    初始化偏置
    :param shape:
    :return: 指定形状的偏置变量
    """
    b = tf.Variable(tf.constant(0.0,shape= shape))
    return b


def CNN_model():
    """
    自定义的卷积神经网络
    :return: x,y_true,y_predict 变量
    """
    # 1、准备占位符
    with tf.variable_scope("data"):
        x = tf.placeholder(tf.float32,[None,300])
        y_true = tf.placeholder(tf.int32,[None,5])

    # 2、一层卷积.filter 1*5*1  32个 strides = 1
    with tf.variable_scope("conv1"):
        # 随机初始化权重,偏置
        w_conv1 = weight_variables([1,5,1,32])
        b_conv1 = bias_variables([32])

        # 对 x 进行形状变化 [None,300] --> [None,1,300,1]
        x_reshape = tf.reshape(x,[-1,1,300,1])

        # filter卷积 [None,1,300,1]  -->  [None,1,300,32]
        convolution1 = tf.nn.conv2d(x_reshape,w_conv1,strides=[1,1,1,1],padding="SAME")

        # relu 函数激活
        x_relu1 = tf.nn.relu(convolution1 + b_conv1)

        # 池化  [None,1,300,32]  -->  [None,1,150,32]
        x_pool1 = tf.nn.max_pool(x_relu1,ksize=[1,1,2,1],strides=[1,1,2,1],padding="SAME")

    # 3、二层卷积 1*5*32  64个
    with tf.variable_scope("conv2"):
        # 初始化权重偏置
        w_conv2 = weight_variables([1,5,32,64])
        b_conv2 = weight_variables([64])

        # filter卷积 [None,1,150,32]  -->  [None,1,150,64]
        convolution2 = tf.nn.conv2d(x_pool1,w_conv2,strides=[1,1,1,1],padding="SAME")

        # 激活
        x_relu2 = tf.nn.relu(convolution2 + b_conv2)

        # 池化 1*2 [None,1,150,64]  -->  [None,1,75,64]
        x_pool2 = tf.nn.avg_pool(x_relu2,ksize=[1,1,2,1],strides=[1,1,2,1],padding="SAME")

    # 4、三层卷积 1*5*64  32个
    with tf.variable_scope("conv3"):
        w_conv3 = weight_variables([1,5,64,32])
        b_conv3 = bias_variables([32])

        # 卷积、激活、池化  [None,1,75,64]  -->  [None,1,75,32]
        convolution3 = tf.nn.conv2d(x_pool2,w_conv3,strides=[1,1,1,1],padding="SAME")

        x_relu3 = tf.nn.relu(convolution3 + b_conv3)

        # 1*3 [None,1,75,32]  -->  [None,1,25,32]
        x_pool3 = tf.nn.max_pool(x_relu3,ksize=[1,1,3,1],strides=[1,1,3,1],padding="SAME")

    # 5、全连接层  [None,1,25,32]  -->  [None,1*25*32] * [1*25*32,5] + [5] = [None,5]
    with tf.variable_scope("full_connect"):
        # 初始化权重和偏置
        w_fc = weight_variables([1*25*32,5])

        b_fc = bias_variables([5])

        # 修改形状
        x_fc_reshape = tf.reshape(x_pool3,[-1,1*25*32])

        # 矩阵运算得出预测结果
        y_predict = tf.matmul(x_fc_reshape,w_fc) + b_fc

        # 高维变量收集
        tf.summary.histogram("weights", w_fc)
        tf.summary.histogram("biases",b_fc)

    return x,y_true,y_predict



def main():
    """
    定义主函数进行卷积分类
    :return:
    """
    # 1、加载数据集，将心拍数据以及标签数据加载到列表中
    data_list = []
    label_list = []
    number_list = ['100', '101', '103', '105', '106', '107', '108', '109', '111', '112', '113', '114', '115',
                 '116', '117', '119', '121', '122', '123', '124', '200', '201', '202', '203', '205', '208',
                 '210', '212', '213', '214', '215', '217', '219', '220', '221', '222', '223', '228', '230',
                 '231', '232', '233', '234']

    for num in number_list:
        process_data(num,data_list,label_list)

    # 2、打乱数据集,分离实际的数据集、标签集
    sf_data = shuffle_data(data_list,label_list)
    sf_data_list = sf_data[:,:300]  # 前 300 列为数据
    sf_label_list = sf_data[:,300]  # 最后一列为标签
    one_hot_label = tf.one_hot(sf_label_list,depth=5)  # 转换为独热编码


    # 3、定义模型得出输出
    x,y_true,y_predict = CNN_model()

    # 4、交叉熵计算
    with tf.variable_scope("soft_cross"):
        # 求出平均交叉熵损失
        loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_predict))

    # 5、梯队下降降低损失
    with tf.variable_scope("optimizer"):
        train_op = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

    # 6、计算准确率
    with tf.variable_scope("acc"):
        equal_list = tf.equal(tf.argmax(y_true,1),tf.argmax(y_predict,1))

        accuracy = tf.reduce_mean(tf.cast(equal_list,tf.float32))

    # 7、收集变量
    # 单个数字值收集
    tf.summary.scalar("losses",loss)
    tf.summary.scalar("acc",accuracy)

    # 定义一个初始化的变量 op
    init_op = tf.global_variables_initializer()

    # 定义一个合并变量的op
    merged = tf.summary.merge_all()

    # 创建一个 saver
    saver = tf.train.Saver()

    # 开启会话运行
    with tf.Session() as sess:
        # 初始化变量 op
        sess.run(init_op)

        # 建立 events 文件并写入
        filewriter = tf.summary.FileWriter("./tmp/summary/test/", graph=sess.graph)

        one_hot_label = sess.run(one_hot_label)
        # 循环训练
        for i in range(1000):
            # 获得真实的特征值,标签值,每次投喂90条数据
            true_x = sf_data_list[i * 90 : (i + 1) * 90,:]
            true_y = one_hot_label[i * 90 : (i + 1) * 90,:]

            # 运行 train_op 进行训练
            sess.run(train_op,feed_dict={ x : true_x , y_true : true_y})

            # 写入每一步的训练值
            summary = sess.run(merged,feed_dict={ x : true_x , y_true : true_y})

            filewriter.add_summary(summary,i)

            print("第 %d 步训练，准确率为：%f " % (i,sess.run(accuracy,feed_dict={x : true_x , y_true : true_y})))

        # 保存模型
        saver.save(sess,"./tmp/ckpt/fc_model")
    return None


if __name__ == '__main__':
    main()
面里多加汤
关注
  • 5
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
MIT-BIH_心电分类_心电数据库_心电分类_
09-30
含多种类别标签的心电数据库，数据丰富，可实现心电异常分类
python MIT-BIH 数据集心拍分类 从R点提取到19类R点心拍分类到AAMI标准5分类的数据集打包实现 良心详解版 全网唯一
一个学长的博客
11-06 1万+
python MIT-BIH 心拍分类实现 前言 这可能是我自认为写的最难的一篇文章,对于所有做心电信号分类的同学来说这都是一大关一下所有的代码都是自己手敲的,这整个过程很复杂,按照我一贯的思路,我会写的很详细一是日后方便复习,二是自己看论文也好看文章也罢,好多都是囫囵半片,看了跟没看似的,所以自己一定要写的很详细,一是自己对理论的一种梳理和理解,二是给相关的研究者提供清晰的思路,三是希望能给学弟学妹们做个榜样接下来进入正题 一.本文的主要内容和研究思路 首先不管对于机器学习还是深度学习,不管你最后要做的是
ResNet50模型识别二维化的心电信号——以MIT-BIH心律失常数据库为例
qq_44725872的博客
09-11 4268
有关残差网络的基本概念可以参考我的上一篇博客，此处不做赘述，代码仅供学习使用预训练模型。我的代码里训练集的数量是1000，相比于原始的60000多的数据量小得多，测试集250张，原始数据量30000多。如果将所有的数据都转换成二维图片，大概需要60GB左右的内存，正常的笔记本估计都没办法达成这个条件，尤其训练过程中还需要读入数据。当然，这是可以解决的，但是这需要对代码进行大改，这样耗时就非常长了。
Andrew Y. Ng式ResNet在MIT-BIH上的Inter-Patient分类实现（2）
qq_15746879的博客
03-20 7694
数据处理 目前大部分的文章均是基于心拍的分类。这样做在理论上本身没什么问题，因为数据库中的标签就是针对每个心拍给出的。但是在具体操作中，心拍的定位要么直接使用了数据库中的人工位置标记，这样在实际应用中等同于加入人工干预，自动化程度不够；要么使用一些经典的QRS波检测算法，如Pan-Tompkins算法，而这样的定位方式依赖于QRS检测算法的准确度。鉴于目前QRS波检测算法动辄99%...
小波变换 python MITBIH数据库 基线漂移去噪
HJ33_的博客
11-19 4409
基线噪声 对于心电信号，，基线信号存在于脉搏信号中。对于基线，一般频率小于0.5HZ,不存在与心电信号频谱重叠的区域。因此采用基于sym8小波函数对信号进行分解，提取0~0.1HZ内的基线信号。 小波基选择 分解示意图 如上图所示，9层分解之后，得到的CA9的频率范围是0~0.703125HZ, 如果只分解8层，则会CD8频率范围1.40625~2.8125,因此选择9层分解。 对于MIT-BIH数据库（采样率360hz）的数据进行小波9层分解，每一层分解如图所示。 代码实现与时频域分析 cA9, c
MIT-BIH心电数据库
06-27
《MIT-BIH心电数据库详解及其在MATLAB中的应用》 MIT-BIH心电数据库，全称为Massachusetts Institute of Technology-Beth Israel Hospital心电数据库，是心血管疾病研究领域的一个重要资源，广泛应用于心电图（ECG...
MIT-BIH output_心电信号_ECG_MIT_BIH_MIT-BIH_
09-29
标题“MIT-BIH output_心电信号_ECG_MIT_BIH_MIT-BIH_”指的是一个数据集，其中包含了从MIT-BIH心电图（ECG）数据库提取的心电信号。这个数据库是生物医学信号处理领域的一个标准资源，主要用于心律失常的研究和算法...
rddata.zip_ECG_MIT-BIH心电_matlab_negative54l_心电
07-15
标题中的“rddata.zip_ECG_MIT-BIH心电_matlab_negative54l_心电”揭示了我们要探讨的主题，这是一个与心电图（ECG）数据处理相关的项目，利用MATLAB编程语言进行实现。MIT-BIH心电数据库是一个广泛用于心电生理研究...
MIT-BIH心电数据库txt格式.rar_MIT-BIH_MIT-BIH心电_MIT-BIH心电数据库txt格式_bih123
09-25
《MIT-BIH心电数据库txt格式详解》 MIT-BIH心电数据库，全称为Massachusetts Institute of Technology - Beth Israel Hospital Arrhythmia Database，是全球公认的心电图（ECG）研究的重要资源，由美国麻省理工学院...
922340.rar_MIT-BIH_MIT-BIH心电
07-15
《MIT-BIH心电图库解析与应用》 MIT-BIH心电图库，全称为Massachusetts Institute of Technology - Beth Israel Hospital Arrhythmia Database，是医学信号处理领域中广泛使用的一个标准数据集，用于心脏节律分析和...
ecg-mit-bih：使用MIT-BIH数据进行ECG分类，使用深层神经网络在动态心电图中对心脏病专家级心律失常进行检测和分类的CNN学习实现，https：//www.nature.comarticless41591-018-0268-3和还使用Flask将经过训练的模型部署到Web应用程序，该应用程序介绍于
02-05
使用MIT-BIH数据集进行ECG分类 此仓库是和的实现 并专注于使用MIT-BIH数据集进行培训。 如果要使用CINC或开放式心律数据进行训练，请参阅原始研究论文的作者在编码的开放源代码。 Physonet上的MIT-BIH数据集简介： ://physionet.org/physiobank/database/mitdb/ 相依性 与带有wfdb的Google colab环境，深层安装和numpy重新安装一致。 Python> = 3.6.7 keras == 2.2.5 张量流== 1.15.0 scikit学习== 0.21.3 wfdb == 2.2.1 deepdis
MIT-BIH ECG 信号的数据去噪quzao程序
06-10
MIT-BIH ECG 信号的数据去噪quzao程序
中值滤波代码matlab-ecg-denoising-matlab:此代码可用于ECG信号降噪。使用的数据来自MIT-BIH心律失常数据库。使
05-27
中值过滤代码matlab 心电图降噪matlab 此代码可用于ECG信号降噪。 使用的数据来自MIT-BIH心律失常数据库。 使用3个滤波器对ECG信号进行降噪：2个具有600ms和200ms滑动窗口的中值滤波器，以及具有35 Hz截止频率的12阶FIR滤波器。 参考：
MATLAB读取MIT心电信号
m0_49014520的博客
05-26 4074
该程序主要是用于在MATLAB中读取MIT-BIH数据库的心电信号文件。可将数据解码出来 美国MIT-BIH数据库链接MIT-BIH 心律失常数据库目录 (physionet.org) 可用于读取.dat文件 代码如下 clear clc close all Fs=360; %采样频率 [filename, pathname] = uigetfile('*.dat', 'Open file .dat');% only image Bitmap if isequ...
卷积神经网络 - CNN 用一维心电图信号说明
深度学习与计算机视觉
09-26 6015
介绍生物医学信号在研究和数据科学领域始终发挥着重要作用。就卷积神经网络 (CNN) 而言，这种特殊算法在定义深度学习 (DL) 等最复杂和最高级算法的架构方面发挥着重要作用。谈到深度学习，...
MIT-BIH介绍（二）什么是MIT-BIH？
Cou流氓也要有文化的博客
12-28 8444
目录MIT-BIH 简介1. 数据来源：2. 数据描述：3. 数据格式kaggle上[.csv]格式的数据集4. Symbols说明5. Records说明6. Tables of beats and rhythms MIT-BIH 简介 1. 数据来源： 1975年至1979年之间由Beth Israel医院心律失常实验室获得的4000多个长期动态心电图记录。其中约60％的记录来自住院患者，40%来自门诊。受试者为25位年龄在32至89岁之间的男性和22位年龄在23至89岁之间的女性。   2
查阅MIT-BIH 异常的心拍类别及其总数
weixin_42528089的博客
08-20 2310
import numpy as np a=[100,101,103,105,106,107,108,109,111,112,113,114,115,116,117,118,119,200, 201,202,203,205,207,208,209,210,212,213,214,215,217,220,221,222,223,228,230,231,232,233,234] #设置表格样式...
MIT-BIH ECG 心电数据的下载和读取图解
热门推荐
晨宇思远
01-06 11万+
一、如何下载获取MIT-BIH的数据从下面这个官方链接页面可以下载到所有48组MIT-BIH心电数据：http://www.physionet.org/physiobank/database/mitdb/     下面这个链接是MIT-BIH数据库的详细说明和使用指南，英文好的同学不妨仔细阅读：http://www.physionet.org/physiobank/database/html/mi
MIT-BIH 心律失常数据库介绍
goudahai的专栏
07-14 1万+
空间MIT-BIH Arrhythmia Database.MIT ---- Massachusetts Institute of Technology ，麻省理工学院BIH ---- Beth Israel Hospital ，医院名，位于波士顿，麻萨诸塞州，美国 This collection of 48 fully annotated half-hour two-lead ECGs is a...
mit-bih 心电数据库网址
最新发布
10-31
MIT-BIH心电数据库是一个公开的心电信号数据库，由麻省理工学院和波士顿大学共同建立和维护。数据库中包含了大量的心电信号记录，可供医学研究人员和工程师使用。 MIT-BIH心电数据库的网址是：https://www.physionet.org/content/mitdb/。 通过该网址，用户可以访问并下载MIT-BIH心电数据库中的心电信号记录。用户可以选择特定的心电记录，以进行心电信号处理、分析和研究。 MIT-BIH心电数据库收集了来自不同心脏病患者的心电信号记录。这些记录包含了正常心电、心律失常、缺血性心脏病等不同类型的心电信号。因此，该数据库对于心脏疾病的诊断和研究非常有价值。 该数据库的建立旨在促进心电信号的研究和开发，以改善心脏疾病的诊断和治疗。通过提供这些公开的心电信号记录，MIT-BIH心电数据库为医学研究人员和工程师提供了一个重要的资源，可以通过分析和研究这些数据来发现新的心电特征、诊断算法和治疗方法。 总之，MIT-BIH心电数据库是一个公开的心电信号数据库，通过该网址可以访问并下载数据库中的心电信号记录。这为心脏疾病的诊断和治疗研究提供了重要的资源。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值