Методическая статья

Автоматизированная оцифровка 12-выводовых электрокардиограмм (ЭКГ) и стандартизация WaveForm DataBase (WFDB): инсайты из вьетнамских клинических данных

DOI:

10.3791/70359

⸱

13 марта 2026 г.

 ,  ,  , 
1Faculty of Mechanical Engineering, Saigon Technology University, 2Faculty of Information Technology, Industrial University of Ho Chi Minh City, 3Faculty of Information Technology, FPT University

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Здесь мы представляем воспроизводимый протокол для преобразования 12-выводовых ЭКГ-изображений из реальных клинических отчётов в калиброванные, соответствующие WFDB цифровые сигналы, для стандартизированного дальнейшего анализа, интеграции калибровки сетки, локализации лида на основе YOLOv12, экстракции формы волны (Viterbi или улучшенная центральная линия) и визуальных контрольных точек проверки.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Многие клиники до сих пор архивируют 12-свинцовые электрокардиограммы (ЭКГ) в виде печатных бумажных записей или растровых изображений, встроенных в PDF-отчёты, что ограничивает совместимость и дальнейший вычислительный анализ. Здесь мы представляем воспроизводимый протокол оцифровки, который преобразует изображения отчётов ЭКГ в цифровые сигналы, совместимые с WaveForm DataBase (WFDB), для стандартизированного дальнейшего использования. Протокол состоит из (i) обнаружения сетки и калибровки пикселя в физику, (ii) автоматизированной локализации и маркировки 12 ведущих областей с использованием модели обнаружения объектов, (iii) предварительной обработки и нормализации сигнала, а также (iv) извлечения формы волны с использованием метода пути с ограничением непрерывности (Viterbi) или усовершенствованного подхода на основе центральной линии. Рабочий процесс разработан для работы с разнородными клиническими схемами, переменной видимостью сетки и распространёнными артефактами визуализации, включая визуальные контрольные точки для контроля качества на каждом этапе. Протокол выводит по времени 12-выводные WFDB-записи, подходящие для воспроизводимого анализа в конвейерах обработки сигналов и машинного обучения.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

12-проводная электрокардиограмма (ЭКГ) является краеугольным камнем сердечно-сосудистой оценки и остаётся широко используемым для скрининга, мониторинга и принятия клиническихрешений. 1. Несмотря на продолжающиеся усилия по оцифровке, многие учреждения всё ещё хранят ЭКГ в виде печатных бумажных записей или растрированных изображений, встроенных в PDF-отчёты, что снижает поиск и усложняет продольный контроль2. Важно отметить, что хранение на основе изображений не позволяет прямому использованию стандартизированных наборов инструментов для ЭКГ и конвейеров машинного обучения, требующих откалиброванных временных рядов вместоизображений 3. Общая цель этого протокола — предоставить воспроизводимый и стандартизированный метод преобразования изображений электрокардиограммы в откалиброванные цифровые сигналы, подходящие для дальнейшего вычислительного анализа.

Автоматизированная оцифровка ЭКГ направлена на реконструкцию сигналов напряжения и времени с отсканированныхЭКГ-изображений 4. Однако реальные клинические ЭКГ-сканирования часто показывают разнородные макеты отчётов, переменную видимость сетки, артефакты сжатия, неравномерное освещение и дополнительные маркировки, такие как штампы илианнотации 5. Эти факторы могут ухудшать локализацию лидов и трассировку волн, ограничивая воспроизводимость между учреждениями и производителямиустройств 6. Поэтому практический рабочий процесс оцифровки должен обеспечивать надёжную калибровку сетки, надёжное разделение и маркировку выводов, а также стандартизированный экспорт в широко принятый формат сигнала, такой какWFDB 7. Стандартизированные цифровые форматы улучшают совместимость между учреждениями и облегчают воспроизводимый анализ с использованием установленных библиотек электрокардиограммной обработки сигналов.

Было предложено несколько инструментов оцифровки ЭКГ (Таблица 1), однако клиническое внедрение остаётся сложным, поскольку производительность может зависеть от качества сканирования и вариабельностирасположения 8,9,10. Недавние исследования также изучали автоматическое извлечение свинца из бумажных записей ЭКГ с использованием глубокого обучения, что дополнительно подчёркивает необходимость надёжного парсинга при различных макетах иартефактах 11. Также было внедрено соответствующее программное обеспечение для цифровизации для повышения устойчивости при гетерогенных клиническихусловиях 12. Параллельно были введены открытые наборы инструментов и ресурсы для исследований ЭКГ-изображений для облегчения разработки методов и бенчмаркинга13. В отличие от существующих инструментов оцифровки, которые могут быть чувствительны к вариативности макета или ограничены конкретными форматами сканирования, этот протокол интегрирует калибровку сетки, автоматизированную локализацию лидов и стандартизированный экспорт WFDB для повышения устойчивости в гетерогенных клинических отчетах. В этой работе мы сосредотачиваемся на сквозном конвейере, который нацелен на реальные PDF ЭКГ и отсканированные записи, делает акцент на воспроизводимости и выводит многопроводные сигналы, соответствующие WFDB, для дальнейшего анализа.

Мы предлагаем полностью автоматизированный и воспроизводимый протокол для преобразования 12-выводовых изображений отчётов ЭКГ в цифровые сигналы, соответствующие стандартам WFDB. Протокол интегрирует: (i) калибровку пикселей на основе сетки с использованием стандартных настроек ЭКГ (25 mm·s-1, 10 mm·mV-1), (ii) локализацию как областей вывода, так и иконок на основе YOLOv12 для поддержки надёжной идентификации лида в гетерогенных макетах отчётов, и (iii) две альтернативные процедуры извлечения формы волн, включая усовершенствованный метод по центральной линии, направленный на улучшение непрерывности следов при переменной толщине линии и небольших разрывах. Эти компоненты соответствуют предыдущим исследованиям по извлечению сигналов, надежному программному обеспечению для цифровизации и практическим стратегиям оцифровки в различных клиническихусловиях 14. Полученные записи WFDB позволяют проводить анализ на последующих этапах с использованием стандартных инструментов для ЭКГ. Этот протокол особенно подходит для ретроспективной оцифровки архивных отчётов по электрокардиограммам, хранящихся в виде отсканированных бумажных записей или растеризованных PDF-файлов, и может потребовать адаптации, если линии сетки отсутствуют или сильно искажены.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Получите одобрение Комитета по этике (Институциональный обзорный совет) от больницы Там Дык (идентификатор протокола: 24751791) перед собранием ретроспективных данных. Де-идентификация всех отчётов ЭКГ до анализа убрать прямые идентификаторы (например, имя пациента, номер медицинской карты, дата рождения и дата визита) и заменить их на неидентифицирующий идентификатор исследования. Для разработки и оценки модели используйте только деидентифицированные данные ЭКГ.

1. Подготовка материалов, программного обеспечения и входных материалов

  1. Клонируйте репозиторий проекта и проверьте структуру каталога, включая базовые линии/, core_binary/, данные/, оценку/, выходы/, публичные данные/, результаты/, вес/и обёртку/, а также README.md и requirements.txt (см. Доступность данных).
    1. Создавать (или проверять) подпапки во время выполнения в разделах data/ и outputs/, включая data/raw_pdf/, data/raw_scans/, выходы/изображения/, выходы/предварительно обработанные/, выходы/калиброванные/, выходы/yolo_boxes/, выходы/lead_crops/, выходы/маски/, выходы/traces/, выходы/signals_csv//и выходы/wfdb/.
  2. Установите необходимые программные зависимости (Python, OpenCV, NumPy/SciPy, PyTorch, Ultralytics (YOLOv12 training/inference framework) /YOLO и WFDB) и версии документов в список материалов (см. таблицу материалов).
  3. Вставляйте данные ЭКГ в данные/raw_pdf/ (PDF-отчёты) или data/raw_scans/ (бумажные сканы).
  4. Сканируйте ЭКГ на бумаге в оттенках серого при 300 dpi и держите страницу ровной, чтобы избежать искажения перспективы (см. Таблицу материалов).
    ПРИМЕЧАНИЕ: Используйте скорость и усиление бумаги, указанные на ЭКГ-распечатке, когда доступны (например, 25 мм·с⁻1, 10 мм·мВ⁻1), что соответствует этапу калибровки в общем рабочем процессе (см. рисунок 1).

2. Преобразовать PDF-файлы ЭКГ в изображения

  1. Преобразуйте каждую страницу PDF ЭКГ в оттенки серого с частотой 300 dpi.
  2. Сохраняйте каждую страницу как .png (предпочтительно) или .tiff с минимальным сжатием для сохранения линий сетки и деталей формы волн.
  3. Сохраняйте экспортированные изображения в выходах/изображениях и поддерживайте единообразие имён файлов на всех этапах конвейера (см. рисунок 2 для репрезентативной структуры входа).

3. Предварительная обработка ЭКГ-изображений (контраст и шум)

  1. Применяйте CLAHE для усиления слабых линий сетки и контраста формы волн.
  2. Примените лёгкое гауссово размытие для снижения высокочастотного шума при сохранении краёв формы волны.
  3. Обрезайте большие чёрные поля, сохраняя всю площадь содержания ЭКГ.
  4. Если сканирование/экспорт повернут изображение в вертикальное положение.
  5. Сохраняйте предобработанные выходы в выходы/предварительно обработанные/.
  6. Визуально осмотрите подмножество выходов и убедитесь, что линии сетки и следы остаются читаемыми (см. рисунок 2).
    ВНИМАНИЕ: Избегайте агрессивного сглаживания, которое разрушает тонкие сегменты волны.

4. Обнаружение расстояния между сетками и калибровка масштаба (пиксель → мм)

  1. Обнаружить расстояние между сетками с помощью детектора линейных линий Хаффа для вертикальных/горизонтальных линий.
  2. Оцените среднее расстояние между соседними линиями сетки (пикселями) и сохраняйте значение расстояния между сетками.
  3. Если обнаружение линейных Хаффа не удаётся, оцените расстояние с помощью анализа Фурье проекций строк/столбцов.
  4. Если анализ Фурье не даёт результатов для пунктирных сеток, оцените расстояние между ними с помощью обнаружения круга Хафа (или периодичности точек).
  5. Если все детекторы сетки выходят из строя, установите запасное значение интервала между отступами (например, 59 пикселей) и помечайте запись для проверки.
  6. Вычислите преобразование пикселя в мм с использованием обнаруженного расстояния и стандарта бумаги ЭКГ (например, 25 мм·с⁻1 и 10 мм·мВ⁻1; см. рисунок 1).
  7. Перемасштабируйте изображение с помощью бикубической интерполяции для нормализации масштаба между записями.
  8. Сохраняйте откалиброванные изображения на выходы/откалиброванные/ и сохраняйте журналы калибровки для каждой записи.
    ПРИМЕЧАНИЕ: См. Дополнительный файл 1 (Алгоритм 1) для ориентированного на реализацию псевдокода обнаружения интервалов между сетками и калибровки пикселя в физику.

5. Локализация 12-ведущих областей с помощью YOLOv12

  1. Загрузите обученную модель YOLOv12 для обнаружения свинцовых областей (см. Таблицу 2 для параметров обучения).
    1. Используйте реализацию фреймворка обучения/вывода YOLOv12 без архитектурных изменений для обнаружения и разделения 12 лидовых областей в каждом ЭКГ-изображении для оцифровки на последующих этапах (см. рисунок 1).
  2. Выполните вывод для каждого калиброванного изображения, используя установленный размер вывода (например, imgsz = 1024).
  3. Применяйте немаксимальное подавление и сохраняйте границу с наивысшей уверенностью для каждого класса ведущего.
  4. Экспортировать ограничивающие рамки в выходы/yolo_boxes/ в воспроизводимом формате (TXT/CSV/JSON).
  5. Сохраняйте изображения наложения с прогнозируемыми блоками и метками для проверки (см. рисунок 3 и рисунок 4).
  6. Отмечайте записи с отсутствующими лидами, дублированными лидами или несогласованной структурой и при необходимости исключайте их из автоматического экспорта.
    ПРИМЕЧАНИЕ: См. Дополнительный файл 1 (Алгоритм 2) для псевдокода извлечения лидов на основе YOLOv12 и постобработки коробок.

6. Локализация иконок лидов с помощью YOLOv12

  1. Загрузите обученную модель YOLOv12 для обнаружения иконок лида (см. Таблицу 2 для параметров обучения).
    1. Используйте ту же реализацию YOLOv12 для обучения/вывода без архитектурных изменений для обнаружения иконок лидов для надёжной идентификации лидов в гетерогенных макетах (см. рисунок 1).
  2. Запускайте вывод для каждого откалиброванного изображения, используя установленный размер вывода и пороги, указанные в основном тексте.
  3. Применяйте немаксимальное подавление и оставляйте блок с максимальной уверенностью для каждого класса лид-иконок.
  4. Экспортировать ограничивающие окна с иконками лида в выходы/yolo_boxes/ в воспроизводимом формате (TXT/CSV/JSON).
  5. Сохраняйте изображения наложения с предсказанными иконками лида и метками классов для проверки (см. рисунок 5 и рисунок 6).
  6. Оценивать эффективность обнаружения иконок лидов и отражать количественные результаты и метрические определения (см. таблицу 5 и 6).
  7. Сравните обнаружение лидов-регионов и лидов-иконок в рамках одного протокола оценки и условий отчётности во время выполнения.

7. Выращивать урожай в каждом регионе и стандартизировать культуры

  1. Обрезайте каждую область свинца с калиброванного изображения, используя предсказанные координаты ограничивающей рамки.
  2. Площадки обрезают до единого размера, когда регионы свинца различаются в зависимости от раскладки.
  3. Сохраняйте обрезанные изображения в выходы/lead_crops/ с помощью схемы именования: recordID_leadName.png.
  4. Убедитесь, что все 12 проводов присутствуют для каждой записи до извлечения формы волны (см. таблицы 3 и 4).

8. Сгенерировать двоичную маску сигнала для каждого лид-кропа

  1. Нормализуйте интенсивность каждого свинцового уреза до 8-битного диапазона.
  2. Примените адаптивное пороговое значение (или пороговое значение Оцу), чтобы отделить трек волны от фона/линии сетки.
  3. Примените морфологическую очистку (например, открытие/закрытие) для подавления остаточных артефактов сетки.
  4. Преодолейте небольшие промежутки в трассе с помощью интерполяции или заполнения на основе связности.
  5. Сохраните финальную бинарную маску в выходы/маски/ и проверьте качество маски на репрезентативных выборках (см. рисунок 7).
    ПРИМЕЧАНИЕ: См. дополнительный файл 1 (Алгоритм 3) для получения деталей генерации маски в свинцовых областях при использовании маскировки с ограничивающими рамами.

9. Извлекайте треки волновых форм (выберите либо извлечение путей на основе Витерби, либо улучшенную извлечение по центральной линии).

  1. Извлечение треков сигналов с использованием извлечения путей на основе Витерби
    1. Вычислите карту затрат на бинарной маске, которая наказывает разрывы и отдаёт предпочтение пикселям, похожим на следы.
    2. Запустите декодирование Витерби, чтобы получить путь с ограничением непрерывности через свинцовую культуру.
    3. Сглаживайте извлеченный путь и интерполируете отсутствующие сегменты при необходимости.
    4. Сохраняйте координаты пути на выходы/трассы/ и сохраняйте графики наложения для валидации (см. рисунок 8).
      ПРИМЕЧАНИЕ: См. дополнительный файл 2 (Алгоритм 4) для извлечения и визуализации псевдокода на основе Витерби.
  2. Извлечение трека волны с помощью улучшенной экстракции по центральной линии
    1. Скелетизуйте бинарную маску, чтобы получить кандидат по центральной линии.
    2. Удалите ложные ветви и отдельные компоненты, вызванные шумом от сетки.
    3. Сгладьте центральную линию и обеспечьте непрерывность слева направо.
    4. Интерполируйте короткие отсутствующие сегменты для сохранения непрерывности формы волны.
    5. Настройте параметры, специфичные для набора данных (например, пороги бинаризации, морфологические размеры ядра, длину обрезки, прочность сглаживания и пределы интерполяции зазоров) для оптимизации непрерывности центральной линии при условиях визуализации набора данных.
    6. Сохраняйте координаты центральной линии в выходы/трассировочные линии и сохраняйте графики наложения для валидации (см. рисунок 9).
      ПРИМЕЧАНИЕ: Используйте стандартный принцип центральной линии на основе скелетизации и повышайте устойчивость за счёт настройки параметров и послеобработки, специфичных для набора данных; см. Дополнительный файл 2 (Алгоритм 5) для извлечения центральной линии, сглаживания/интерполяции, настроек параметров и псевдокода для хранения.

10. Преобразовать трассы пикселей в откалиброванные сигналы (мВ против времени)

  1. Преобразуйте y-координаты пикселей в напряжение с помощью калиброванного масштаба сетки (10 мм·мВ⁻1) и отображения пикселя в мм.
  2. Преобразуйте координаты пикселей x во время с помощью калиброванного масштаба сетки (25 мм·с⁻1) и отображения пикселей в мм.
  3. Пересэмплируйте каждый провод до фиксированной частоты дискретизации (например, 100 Гц) и выровняйте все 12 проводов по времени.
  4. Сохраняйте 12-проводные сигналы как CSV-файлы в выходах/signals_csv/ с согласованными названиями столбцов и единицами.

11. Экспорт записей WFDB и проверка результатов

  1. Преобразуйте каждую 12-выводовую CSV в запись WFDB с помощью библиотеки WFDB.
  2. Запишите заголовок .hea с названием записи, частотой дискретизации, усилением сигнала, базовыми линиями и именами лидов.
  3. Запишите .dat-сигнальный файл с использованием согласованного числового типа (например, 16-битного) и единичной конвенции (например, μV).
  4. Перезагрузите каждую запись WFDB и нанесите график всех 12 лидов, чтобы подтвердить порядок лидов, наименование и выравнивание по времени (см. рисунок 10).
  5. Сохраняйте конечные выходы WFDB в outputs/wfdb/ и сохраняйте графики валидации.
    ПРИМЕЧАНИЕ: См. Дополнительный файл 3 (Алгоритм 7) для получения деталей преобразования CSV в WFDB и необязательной записи аннотаций, когда доступны метаданные.

12. Контрольные точки и устранение неполадок

  1. Отклоняйте или помечайте любую запись с ненадёжной калибровкой сетки, отсутствующими проводами или серьёзными перепятствиями.
  2. Запустить предварительную обработку и калибровку с отрегулированными параметрами для отмеченных записей.
  3. Заново запускайте обнаружение с обновлёнными порогами уверенности/IoU, когда лиды пропущены.
  4. Суммируем режимы отказа и критерии исключения в таблице результатов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Подготовка входных данных
Отчёты ЭКГ успешно конвертировались из PDF или сканов в стандартизированные изображения, выровненные по осям, пригодные для обработки на следующих этапах. Для бумажных ЭКГ сканы получались с частотой 300 dpi в оттенках серого и сохранялись в формате PNG/TIFF для уменьшения артефактов сжатия. Наиболее частыми проблемами входа были (i) чрезмерное сжатие при экспорте PDF, (ii) частичная обрезка, удаляющая свинцовые области или метки, и (iii) иск...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В данном исследовании представлен автоматизированный сквозной конвейер, который преобразует 12-выводные ЭКГ-изображения из PDF или отсканированных бумажных записей в цифровые сигналы, совместимые с WFDB, посредством калибровки сетки, локализации лида на основе YOLOv12 и извлечения формы волны с использованием поиска по пути Витерби или усовершенствованного метода центральнойлинии 1. Протокол включает контрольные точки проверки (наложения ограничивающих рамок, нало...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

У авторов нет конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, описанную в этой статье.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы благодарят больницу Там Дык за предоставление отчётов о ЭКГ без идентификации и за институциональную поддержку при сборе данных.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
GPU (тесты во время выполнения)NVIDIAGeForce RTX 3060 12 ГБNVIDIA GeForce RTX 3060 12 ГБ используется для тестов во время выполнения
NumPyNumPy1.26.4Числовая обработка
OpenCVOpenCV4.10.0.84Предварительная обработка изображений (deskew, фильтрация)
Операционная система (тесты во время выполнения)MicrosoftWindows 11Windows 11 используется для тестов во время выполнения
Конвертер PDF-to-imageЭтот протоколV1растризация в PDF при 300 DPI; предоставить URL репозитория в разделе Data Availability
PythonФонд программного обеспечения Python3.12.5Среда выполнения
PyTorchPyTorch0.5.0Бэкенд для YOLOv12
СканерКанонDR-C240300 DPI, оттенки серого, рекомендуем PNG/TIFF
scikit-imagescikit-image0.25.0Скелетизация и морфология (центральная линия)
UltralyticsUltralytics8.3.155Фреймворк обучения/вывода YOLOv12
wfdb (Python-пакет)PhysioNet4.1.2Экспорт WFDB (.hea/.dat)

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Muhammet, A., Fani, D., Christos, A., Idris, Z., Gruschen, R. V. Digitization and Linkage of PDF Formatted 12-Lead Electrocardiograms in Adult Congenital Heart Disease. CJC Pediatric and Congenit Heart Dis. 4 (5), 263-273 (2025).
  2. Baydoun, M., et al. High precision digitization of paper-based ECG records: A step toward smart machine learning. IEEE J Transl Eng Health Med. 7, 1-8 (2019).
  3. Demolder, A., et al. High precision ECG digitization using artificial intelligence. Biomed Signal Process Control. 72, 103331(2024).
  4. Prim, J., et al. A data pipeline for extraction and processing of electrocardiogram recordings. Comput Cardiol. 48, 1-4 (2021).
  5. Rautela, D., Bajeli, D., Kumar, M., Vaidya, A. Identifying cardiovascular disorders through ECG image analysis. Knowl-Based Syst. 186, 104925(2020).
  6. Reyna, M. A., et al. ECG-Image-Database: A dataset of ECG images with real-world imaging and patient annotations. arXiv. , (2024).
  7. Ribeiro, H., et al. Automatic 12-lead ECG classification using a convolutional network ensemble. Comput Cardiol. 47, 1-4 (2020).
  8. Jessy, K. S. J., Manikandan, D. G., Hemalatha, M. S., Veroncia, M. V. Detection of cardiovascular disease using ECG images in machine learning and deep learning. Int J Sci Res Sci Technol. 11, 131-139 (2024).
  9. Digitization of ECG records using signal extraction techniques. Karnaschandani, H., et al. 2024 Second International Conference on Data Science and Information System (ICDSIS), Hassan, India, , 1-8 (2024).
  10. Nguyen, C. V., Nguyen, H. N., Nguyen, D. A., Do, C. D. VinDigitizer: An image processing approach to digitize paper ECG records. Comput Cardiol. 51, 1-4 (2024).
  11. Patil, R., Narkhede, R. D., Vama, B., Suraliya, S., Raut, S. R. Auto lead extraction in ECG images: Identification of ECG paper records using deep learning. Biomed Signal Process Control. 72, 103339(2024).
  12. Santamaría, F., et al. ECGMiner: A flexible software for accurately digitizing ECG. Comput Methods Programs Biomed. 246, 108053(2024).
  13. Shivashankara, K. K., et al. An open ECG-image toolkit: ECG-ImageNet – an open image generation toolbox to facilitate deep learning-based electrocardiogram digitization. Biomed Signal Process. Control. 72, 103342(2024).
  14. Wang, L. H., et al. Paper-recorded ECG digitization method with automatic reference voltage selection for telemonitoring and diagnosis. Diagnostics. 14 (17), 1910(1910).
  15. Wang, T., Zhang, Y., Liu, X., Huang, Z., Qin, F. Automatic Detection of Arrhythmias Using a YOLO-Based Network with Long-Duration ECG Signals. Eng Proc. 2 (1), 84(2020).
  16. Wu, H., et al. A fully automated paper ECG digitisation algorithm using deep learning. Sci Rep. 12, 25284(2022).
  17. Júnior, O., et al. An automated machine learning method to efficiently classify the 12-lead ECG signal acquisition quality. Computing in Cardiology. 50, 1-6 (2023).
  18. Lence, A., et al. ECGtizer: A fully automated digitizing and signal recovery pipeline for electrocardiograms. arXiv. , (2024).
  19. Büyüksolak, O., Öksüz, İ Pic2Diagnosis: A Method for Diagnosis of Cardiovascular Diseases from the Printed ECG Pictures. Proc. IEEE EMBC. , (2025).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

12
Видео скоро будет доступно

Похожие статьи