ZedGraph显示心电图,并模仿走纸,移动心电图像

Chriswu9010 2014-03-28 06:08:39
Y轴为心电数据,X轴是根据Y轴计算得到的(基本上可以理解成:时间轴)。

使用ZedGraph控件,模拟实时的心电数据在winform画出,目前如果将全部数据显示出来,得到的效果图如下:

X轴和Y轴上很粗的黑线是因为坐标尺度小图像太大,拥挤在一起形成 的

如果将X轴坐标只显示一部分,大致效果图,如下:


肯定是只显示部分图像,更加真实、方便观看,未显示的图像仍然需要存在。
所以,目前只需要:通过时间(没隔1s)来控制图像整体向左移动,烦请高人指点,谢谢
谢!谢!
语言表达不清,望请海涵。

...全文
3211 8 打赏 收藏 转发到动态 举报
写回复
用AI写文章
8 条回复
切换为时间正序
请发表友善的回复…
发表回复
fiof_kjv 2014-05-20
  • 打赏
  • 举报
回复
能否把你这个demo发给我,学习下。735066314@qq.com
yp19910928 2014-05-15
  • 打赏
  • 举报
回复
能否把你这个demo发给我下、学习下。240233205@qq.com
Chriswu9010 2014-05-01
  • 打赏
  • 举报
回复
引用 3 楼 chenrong980 的回复:
// 首先去掉list前n个数组。再清除曲线再重新绘制, zedGraphControl1.AxisChange();//不加这个就不是动态的,加了这个x轴会变动,这个我还没有弄好,只是提供给你一个参考方法 private void timer1_Tick(object sender, EventArgs e) { // 首先去掉list前10个数组。 zedGraphControl1.GraphPane.CurveList.Clear();//清除曲线 LineItem myCurve = zedGraphControl1.GraphPane.AddCurve("", list, Color.Red, SymbolType.None);// 重新绘制 zedGraphControl1.AxisChange();// zedGraphControl1.Refresh(); }
谢谢,才看到,在尝试中
Chriswu9010 2014-05-01
  • 打赏
  • 举报
回复
引用 2 楼 happy09li 的回复:
http://bbs.csdn.net/topics/390404605 跟这个类似
谢谢,才看到,在尝试中
Chriswu9010 2014-05-01
  • 打赏
  • 举报
回复
引用 1 楼 Q1092926267 的回复:
既然是每秒移动一次就不要用时间绑定 吧时间轴转换为int绑定的时候根据一秒数据量提取数据绑定就好了
谢谢,才看到,在尝试中
chenrong980 2014-04-16
  • 打赏
  • 举报
回复
// 首先去掉list前n个数组。再清除曲线再重新绘制, zedGraphControl1.AxisChange();//不加这个就不是动态的,加了这个x轴会变动,这个我还没有弄好,只是提供给你一个参考方法 private void timer1_Tick(object sender, EventArgs e) { // 首先去掉list前10个数组。 zedGraphControl1.GraphPane.CurveList.Clear();//清除曲线 LineItem myCurve = zedGraphControl1.GraphPane.AddCurve("", list, Color.Red, SymbolType.None);// 重新绘制 zedGraphControl1.AxisChange();// zedGraphControl1.Refresh(); }
熙风 2014-04-15
  • 打赏
  • 举报
回复
six-years 2014-04-10
  • 打赏
  • 举报
回复
既然是每秒移动一次就不要用时间绑定 吧时间轴转换为int绑定的时候根据一秒数据量提取数据绑定就好了
内容概要:本文系统研究了基于CNN-SVM的卷积神经网络与支持向量机融合的数据分类预测方法,聚焦其在工业故障识别中的应用,提供了完整的Matlab代码实现。通过CNN提取输入数据的深层空间特征,再由SVM进行高精度分类,充分发挥两者优势,有效提升了故障识别的准确性、鲁棒性与泛化能力。该方法特别适用于处理电力系统、机械设备等领域的高维、非线性、强噪声监测数据,在变压器故障诊断、轴承缺陷识别等场景中具有重要应用价值。文档还整合了机器学习、深度学习、图像处理、路径规划、电力系统优化等多个前沿科研方向的技术资源,配套大量Matlab/Simulink仿真案例与Python代码,全面支持科研复现与工程实践。; 适合人群:具备一定编程基础,熟练掌握Matlab或Python语言,从事电气工程、自动化、人工智能、机械故障诊断等相关领域研究的研发人员及高校研究生; 使用场景及目标:① 实现工业设备的状态监测与多类别故障分类;② 深入理解CNN与SVM融合模型的设计原理与工程实现细节;③ 借助所提供的丰富算法案例开展科研复现、模型优化与系统仿真验证; 阅读建议:建议按照文档目录结构系统化学习,结合百度网盘提供的完整代码资源进行动手实践,重点关注CNN特征提取层与SVM分类器之间的数据接口设计与参数调优策略,同时可延伸学习文中涉及的其他智能算法及其在电力系统、信号处理等领域的交叉应用,全面提升科研创新能力。

4,818

社区成员

发帖
与我相关
我的任务
社区描述
.NET技术 图表区
社区管理员
  • 图表区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧