CN106901723A - 一种心电图异常自动诊断方法 - Google Patents
一种心电图异常自动诊断方法 Download PDFInfo
- Publication number
- CN106901723A CN106901723A CN201710261359.8A CN201710261359A CN106901723A CN 106901723 A CN106901723 A CN 106901723A CN 201710261359 A CN201710261359 A CN 201710261359A CN 106901723 A CN106901723 A CN 106901723A
- Authority
- CN
- China
- Prior art keywords
- electrocardiographic
- rnn
- automatic diagnosis
- cnn
- electrocardiographic abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开一种心电图异常自动诊断方法,涉及心电图异常自动诊断技术领域,结合RNN神经网络对时间序列的学习能力和CNN对空间特征的学习能力,对心电图这种生物信号进行特征学习,自动表征不同类型的异常心电图,构建基于深度神经网络的分类器,利用带类型标注的心电图训练以提高分类准确率,实现对不同心律失常类型的自动分类。本发明避免了人工提取特征的过程,然后利用RNN、CNN对心电图进行时序特征、空间特征组成分类器,通过有监督学习训练该分类器,使其能够自动诊断异常心电图;提高了心电图异常自动诊断分类的准确性。
Description
技术领域
本发明涉及心电图异常自动诊断技术领域,具体的说是一种心电图异常自动诊断方法。
背景技术
心电图是诊断心脏有关的诸多疾病最直接的方法和依据,凭借经济、可靠、快速,且非入侵式测量方法等优势,已经被普遍应用在临床多年。心脏的电生理活动能够直观反映在心电图上,心电图蕴含的的波形、周期等信息是医生进行诊断的有力证据。
心电图异常自动诊断是一种重要的医疗辅助功能,它可以通过计算机直接对人体心电信号进行自动诊断,检测出异常心电图波段,同时对异常种类进行分类。除了和采集信号的设备等相关外,自动诊断和分类的准确性严重依赖于分类算法的实现。一般心电图信号异常类型的分类算法首先需要凭借专业经验总结不同异常类型对应的心电图特征,以图形特征和统计特征为主要特征来源。不同人和不同的异常类型都可能表现为不同的特征,这就造成了特征的多样性和强弱相关性不同。另一方面,分类效果不仅和特征选取质量相关,也取决于由医生经验到计算机特征实现算法的转换质量,医生经验并非100%可转化成具体的计算机算法。
并且,许多心电图异常信号转瞬即逝,只有长时间观测才能捕捉,依靠人力无法实现长时间、实时诊断。传统的自动诊断方法多以程序化医生经验为主,需要大量手动特征提取、筛选工作,诊断效果并不突出。深度学习技术的发展极大促进了特征学习方法的进步,本发明提出了一种基于循环神经网络和卷积神经网络的心电图异常自动诊断方法。
不同于传统的FNNs(Feed-forward Neural Networks,前向反馈神经网络),RNN(Recurrent Neural Networks,循环神经网络)引入了定向循环,能够处理那些输入之间前后关联的问题。RNN的目的是用来处理序列数据。在传统的神经网络模型中,是从输入层到隐含层再到输出层,层与层之间是全连接的,每层之间的节点是无连接的。而RNN中一个序列数据当前的输出与前面的输出有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上,RNN能够对任何长度的序列数据进行处理。
RNN已经在众多自然语言处理(Natural Language Processing,NLP)中取得了巨大成功以及广泛应用。在RNN中,目前使用最广泛最成功的模型便是LSTM(Long Short-TermMemory,长短时记忆模型)模型,该模型通常比vanilla RNN能够更好地对长短时依赖进行表达,该模型相对于一般的RNN,只是在隐藏层做了手脚。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,是近年发展起来,并引起广泛重视的一种高效识别方法。它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。CNN包括卷积层(alternatingconvolutional layer)和池层(pooling layer)。
CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征,一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种心电图异常自动诊断方法和方法。
本发明所述一种心电图异常自动诊断方法,解决上述技术问题采用的技术方案如下:所述心电图异常自动诊断方法,结合RNN神经网络对时序特征的学习能力和CNN神经网络对空间特征的学习能力,对心电图这种生物信号进行特征学习;自动表征不同类型的异常心电图,构建一神经网络分类器;
利用标注好异常类型的心电图数据集训练该分类器,改善自动诊断的效果;使该分类器能够自动诊断异常心电图,实现对不同心律失常类型的自动分类。
优选的,首先,联合多个RNN神经网络学习每个导联心电图的时序特征,层级堆叠CNN神经网络学习多导联心电图的空间特征;然后将CNN神经网络和RNN神经网络连接到merge层,将两个神经网络的输出特征合并,输入到两个堆叠的全连接层,最后接入softmax层作为输出层,输出心电图异常种类的概率分布,整个结构组合成一个神经网络分类器。
本发明所述一种心电图异常自动诊断方法和方法,与现有技术相比具有的有益效果是:本发明主要利用对时序特征具有较强学习能力的递归神经网络RNN和对空间结构特征具有较强学习能力的卷积神经网络CNN对心电图信号进行特征学习,避免了人工提取特征的过程,然后利用其特征组成分类器,通过有监督学习训练该分类器,使其能够自动诊断异常心电图;提高了心电图异常自动诊断分类的准确性。
附图说明
附图1是基于RNN和CNN的二导联心电图异常自动诊断流程图;
附图2是心电图信号输入LSTM网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明所述一种心电图异常自动诊断方法进一步详细说明。
针对心电图异常的自动化诊断,本发明提出了一种心电图异常自动诊断方法,是基于循环神经网络(RNN)和卷积神经网络(CNN)的心电图异常自动诊断方法,利用神经网络自动学习心电图异常的特征,包括利用RNN进行时序特征学习,以及利用CNN进行空间特征学习,然后构建分类器,使用心电图异常数据进行训练,实现心电图异常的自动诊断。
实施例:
本实施例所述心电图异常自动诊断方法,结合RNN神经网络对时序特征的学习能力和CNN神经网络对空间特征的学习能力,对心电图这种生物信号进行特征学习;自动表征不同类型的异常心电图,构建一基于深度神经网络的神经网络分类器;利用带类型标注的心电图训练该分类器以提高分类准确率,使其自动诊断异常心电图,实现对不同心律失常类型的自动分类。
所述心电图异常自动诊断方法,主要实现过程为:首先,联合多个RNN学习每个导联的心电图时序特征,层级堆叠CNN学习多导联心电图的空间特征;然后合并上述两种特征送入普通的全连接层,最后接入softmax层作为输出层,输出心电图异常种类的概率分布,整个结构组合成一个神经网络分类器。
并且,利用标注好异常类型的心电图数据集训练该网络分类器,改善自动诊断的效果。
RNN组成的时序特征学习的学习单元,由单个或多个基本类型的独立的RNN网络组成,例如LSTM神经网络,每个导联信号输入到一个独立的RNN网络中。CNN组成的空间特征学习同样能够适应单导联或多导联心电图信号,在常见的深度学习编程框架(例如TensorFlow)中,只需改变其输入层的channel个数即可。
下面从本实施例所述心电图异常自动诊断方法的具体实施步骤,来详细了解其具体技术内容,如下:
第一、设计网络结构
将层级堆叠的CNN网络和平行的RNN网络连接到merge层,将两个神经网络的输出特征合并,然后输入到两个堆叠的全连接层,最后接入softmax层;RNN网络可选LSTM或者GRU等。附图1是基于RNN和CNN的二导联心电图异常自动诊断流程图,如附图1所示以二导联的心电图信号为例,使用LSTM网络。
第二、设定空间特征学习CNN神经网络的输入:根据心电图机规格确定心电图导联数目c和信号采集频率n;设定CNN空间特征学习的输入向量维度为1×n,channel=c;
设定时序特征学习RNN神经网络的输入:时序特征学习内LSTM网络个数为c,每个LSTM层数为n,深度为1。
第三、输入心跳信号到网络
截取心电图数据的一个导联上的一小段信号,记为s=[x0 x1 … xt … xn-1],信号点个数为n,使其包含一个完整心跳周期,归一化信号值使xt∈[0,1],t=0,1,...,n-1.;然后对s进行one-hot化,得到如附图2所示。将s和分别输入到CNN神经网络和RNN神经网络。
若心电图数据为多导联,则截取对应时间段上的所有信号进行上述变换之后输入到网络。附图2具体展示了单导联心电图信号输入到一个LSTM中,与之对应的,多个导联信号分别输入到多个LSTM中。
第四、训练整个神经网络分类器
目标函数使用交叉熵损失函数,训练采用小批量随机梯度下降法(mini-batchstochastic gradient descent)对损失函数进行优化,达到理想精度后停止训练。
训练完成之后,得到了一个可以对心电图异常进行分类的模型,输入心电图信号段,模型输出该信号段的异常类型概率分布,概率值最大的即为该段信号的异常类型,进而实现心电图异常的自动诊断。
上述具体实施方式仅是本发明的具体个案,本发明的专利保护范围包括但不限于上述具体实施方式,任何符合本发明的权利要求书的且任何所属技术领域的普通技术人员对其所做的适当变化或替换,皆应落入本发明的专利保护范围。
Claims (7)
1.一种心电图异常自动诊断方法,其特征在于,结合RNN神经网络对时序特征的学习能力和CNN神经网络对空间特征的学习能力,对心电图这种生物信号进行特征学习;自动表征不同类型的异常心电图,构建一神经网络分类器;
利用标注好异常类型的心电图数据集训练该分类器,改善自动诊断的效果;使该分类器能够自动诊断异常心电图,实现对不同心律失常类型的自动分类。
2.根据权利要求1所述一种心电图异常自动诊断方法,其特征在于,首先,联合多个RNN神经网络学习每个导联心电图的时序特征,层级堆叠CNN神经网络学习多导联心电图的空间特征;
然后,将CNN神经网络和RNN神经网络连接到merge层,将两个神经网络的输出特征合并,输入到两个堆叠的全连接层,最后接入softmax层作为输出层,输出心电图异常种类的概率分布,整个结构组合成一个神经网络分类器。
3.根据权利要求2所述一种心电图异常自动诊断方法,其特征在于,所述RNN神经网络选为LSTM。
4.根据权利要求3所述一种心电图异常自动诊断方法,其特征在于,设定空间特征学习CNN神经网络的输入:根据心电图机规格确定心电图导联数目c和信号采集频率n;设定CNN空间特征学习的输入向量维度为1×n,channel=c。
5.根据权利要求4所述一种心电图异常自动诊断方法,其特征在于,设定时序特征学习RNN神经网络的输入:时序特征学习内LSTM网络个数为c,每个LSTM层数为n,深度为1。
6.根据权利要求5所述一种心电图异常自动诊断方法,其特征在于,单导联心电图信号输入到一个LSTM中,截取心电图数据的一个导联上的一小段信号,记为s=[x0 x1 … xt …xn-1],信号点个数为n,使其包含一个完整心跳周期,归一化信号值使xt∈[0,1],t=0,1,...,n-1.;然后对s进行one-hot化,得到将s和分别输入到CNN神经网络和RNN神经网络;
与之对应的,多个导联心电图信号分别输入到多个LSTM中。
7.根据权利要求6所述一种心电图异常自动诊断方法,其特征在于,训练整个神经网络分类器:目标函数使用交叉熵损失函数,训练采用小批量随机梯度下降法对损失函数进行优化,达到理想精度后停止训练,得到了一个能够对心电图异常进行分类的模型;在该模型中输入心电图信号段,模型输出该信号段的异常类型概率分布,概率值最大的即为该段信号的异常类型,进行心电图异常的自动诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261359.8A CN106901723A (zh) | 2017-04-20 | 2017-04-20 | 一种心电图异常自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261359.8A CN106901723A (zh) | 2017-04-20 | 2017-04-20 | 一种心电图异常自动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106901723A true CN106901723A (zh) | 2017-06-30 |
Family
ID=59210559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710261359.8A Pending CN106901723A (zh) | 2017-04-20 | 2017-04-20 | 一种心电图异常自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106901723A (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107595243A (zh) * | 2017-07-28 | 2018-01-19 | 深圳和而泰智能控制股份有限公司 | 一种病症评估方法及终端设备 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
CN107807971A (zh) * | 2017-10-18 | 2018-03-16 | 北京信息科技大学 | 一种自动图像语义描述方法 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108021934A (zh) * | 2017-11-23 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 多要素识别的方法及装置 |
CN108039203A (zh) * | 2017-12-04 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于深度神经网络的心律失常的检测系统 |
CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN108814584A (zh) * | 2018-04-12 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号检测方法、终端和计算机可读存储介质 |
CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
CN108875601A (zh) * | 2018-05-31 | 2018-11-23 | 郑州云海信息技术有限公司 | 动作识别方法和lstm神经网络训练方法和相关装置 |
CN109119159A (zh) * | 2018-08-20 | 2019-01-01 | 北京理工大学 | 一种基于快速权重机制的深度学习医疗诊断系统 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
CN109589110A (zh) * | 2018-12-28 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109662707A (zh) * | 2018-12-18 | 2019-04-23 | 深圳先进技术研究院 | 疾病概率获取方法、装置、电子设备和计算机可读介质 |
CN109846474A (zh) * | 2019-03-26 | 2019-06-07 | 深圳市理邦精密仪器股份有限公司 | 心电图的处理方法及装置、心电图的远程处理方法及系统 |
CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110200624A (zh) * | 2019-07-02 | 2019-09-06 | 重庆大学 | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 |
CN110215191A (zh) * | 2019-06-25 | 2019-09-10 | 杨安素 | 孕期健康监测可穿戴设备的控制方法、装置及存储介质 |
CN110236521A (zh) * | 2019-05-20 | 2019-09-17 | 上海数创医疗科技有限公司 | 用于心电图类型识别的双卷积神经网络 |
CN110320802A (zh) * | 2019-07-02 | 2019-10-11 | 北京交通大学 | 基于数据可视化的复杂系统信号时序识别方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
CN110507299A (zh) * | 2019-04-11 | 2019-11-29 | 研和智能科技(杭州)有限公司 | 一种心率信号检测装置及方法 |
CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
WO2019241994A1 (zh) * | 2018-06-22 | 2019-12-26 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
EP3608918A1 (en) * | 2018-08-08 | 2020-02-12 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
CN110881966A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市游弋科技有限公司 | 利用lstm网络对心电数据进行处理的算法 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
WO2020061870A1 (zh) * | 2018-09-27 | 2020-04-02 | 深圳大学 | Lstm的端到端单导联心电图分类方法 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111358460A (zh) * | 2020-03-03 | 2020-07-03 | 京东方科技集团股份有限公司 | 心律失常的识别方法、装置及电子设备 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
CN111565633A (zh) * | 2018-03-30 | 2020-08-21 | 三星Sds 株式会社 | 利用人工智能的时间序列数据学习及分析方法 |
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测系统 |
CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
WO2021017313A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 房颤的检测方法、装置、计算机设备及存储介质 |
KR20210054975A (ko) * | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN113855063A (zh) * | 2021-10-21 | 2021-12-31 | 华中科技大学 | 一种基于深度学习的心音自动诊断系统 |
KR20220134216A (ko) | 2021-03-26 | 2022-10-05 | 한국과학기술연구원 | 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템 |
-
2017
- 2017-04-20 CN CN201710261359.8A patent/CN106901723A/zh active Pending
Cited By (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107595243A (zh) * | 2017-07-28 | 2018-01-19 | 深圳和而泰智能控制股份有限公司 | 一种病症评估方法及终端设备 |
CN107595243B (zh) * | 2017-07-28 | 2021-08-17 | 深圳和而泰智能控制股份有限公司 | 一种病症评估方法及终端设备 |
CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN107510452B (zh) * | 2017-09-30 | 2019-10-08 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN107807971A (zh) * | 2017-10-18 | 2018-03-16 | 北京信息科技大学 | 一种自动图像语义描述方法 |
CN108280115B (zh) * | 2017-10-24 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
CN108021934B (zh) * | 2017-11-23 | 2022-03-04 | 创新先进技术有限公司 | 多要素识别的方法及装置 |
CN108021934A (zh) * | 2017-11-23 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 多要素识别的方法及装置 |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN107981858B (zh) * | 2017-11-27 | 2020-12-01 | 上海优加利健康管理有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
CN108039203A (zh) * | 2017-12-04 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于深度神经网络的心律失常的检测系统 |
CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
CN111565633A (zh) * | 2018-03-30 | 2020-08-21 | 三星Sds 株式会社 | 利用人工智能的时间序列数据学习及分析方法 |
CN108814584A (zh) * | 2018-04-12 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号检测方法、终端和计算机可读存储介质 |
CN108720831A (zh) * | 2018-05-12 | 2018-11-02 | 鲁东大学 | 一种基于导联深度神经网络的自动心律失常分析方法 |
CN108836307A (zh) * | 2018-05-14 | 2018-11-20 | 广东工业大学 | 一种心电智能检测装置、设备及移动终端 |
CN108875601A (zh) * | 2018-05-31 | 2018-11-23 | 郑州云海信息技术有限公司 | 动作识别方法和lstm神经网络训练方法和相关装置 |
CN110179453B (zh) * | 2018-06-01 | 2020-01-03 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
WO2019241994A1 (zh) * | 2018-06-22 | 2019-12-26 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
EP3608918A1 (en) * | 2018-08-08 | 2020-02-12 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
CN109119159B (zh) * | 2018-08-20 | 2022-04-15 | 北京理工大学 | 一种基于快速权重机制的深度学习医疗诊断系统 |
CN109119159A (zh) * | 2018-08-20 | 2019-01-01 | 北京理工大学 | 一种基于快速权重机制的深度学习医疗诊断系统 |
WO2020047750A1 (zh) * | 2018-09-04 | 2020-03-12 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
CN111163690A (zh) * | 2018-09-04 | 2020-05-15 | 深圳先进技术研究院 | 心律失常的检测方法、装置、电子设备及计算机存储介质 |
CN110881966A (zh) * | 2018-09-10 | 2020-03-17 | 深圳市游弋科技有限公司 | 利用lstm网络对心电数据进行处理的算法 |
WO2020061870A1 (zh) * | 2018-09-27 | 2020-04-02 | 深圳大学 | Lstm的端到端单导联心电图分类方法 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
CN109394205B (zh) * | 2018-09-30 | 2022-06-17 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号分析方法 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN109567793B (zh) * | 2018-11-16 | 2021-11-23 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
CN109567793A (zh) * | 2018-11-16 | 2019-04-05 | 西北工业大学 | 一种面向心律不齐分类的ecg信号处理方法 |
CN109886444B (zh) * | 2018-12-03 | 2023-07-11 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109662707A (zh) * | 2018-12-18 | 2019-04-23 | 深圳先进技术研究院 | 疾病概率获取方法、装置、电子设备和计算机可读介质 |
CN109589110A (zh) * | 2018-12-28 | 2019-04-09 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
CN109589110B (zh) * | 2018-12-28 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN109871742B (zh) * | 2018-12-29 | 2021-05-14 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN109846474B (zh) * | 2019-03-26 | 2022-04-05 | 深圳市理邦精密仪器股份有限公司 | 心电图的处理方法及装置、心电图的远程处理方法及系统 |
CN109846474A (zh) * | 2019-03-26 | 2019-06-07 | 深圳市理邦精密仪器股份有限公司 | 心电图的处理方法及装置、心电图的远程处理方法及系统 |
CN110507299A (zh) * | 2019-04-11 | 2019-11-29 | 研和智能科技(杭州)有限公司 | 一种心率信号检测装置及方法 |
CN110236521A (zh) * | 2019-05-20 | 2019-09-17 | 上海数创医疗科技有限公司 | 用于心电图类型识别的双卷积神经网络 |
CN110215191B (zh) * | 2019-06-25 | 2022-07-01 | 杨安素 | 孕期健康监测可穿戴设备的控制方法、装置及存储介质 |
CN110215191A (zh) * | 2019-06-25 | 2019-09-10 | 杨安素 | 孕期健康监测可穿戴设备的控制方法、装置及存储介质 |
CN110200624A (zh) * | 2019-07-02 | 2019-09-06 | 重庆大学 | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 |
CN110320802A (zh) * | 2019-07-02 | 2019-10-11 | 北京交通大学 | 基于数据可视化的复杂系统信号时序识别方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
WO2021017313A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 房颤的检测方法、装置、计算机设备及存储介质 |
CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
KR20210054975A (ko) * | 2019-11-06 | 2021-05-14 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102471086B1 (ko) | 2019-11-06 | 2022-11-25 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
KR102142841B1 (ko) * | 2019-11-06 | 2020-08-10 | 메디팜소프트(주) | Ai 기반 심전도 판독 시스템 |
CN111012332A (zh) * | 2020-01-20 | 2020-04-17 | 太原理工大学 | 基于神经网络的12导联心电信号多标签分类方法 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111358460A (zh) * | 2020-03-03 | 2020-07-03 | 京东方科技集团股份有限公司 | 心律失常的识别方法、装置及电子设备 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测系统 |
CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
KR20220134216A (ko) | 2021-03-26 | 2022-10-05 | 한국과학기술연구원 | 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템 |
CN113855063B (zh) * | 2021-10-21 | 2022-11-11 | 华中科技大学 | 一种基于深度学习的心音自动诊断系统 |
CN113855063A (zh) * | 2021-10-21 | 2021-12-31 | 华中科技大学 | 一种基于深度学习的心音自动诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106901723A (zh) | 一种心电图异常自动诊断方法 | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
CN108836302A (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN109119156A (zh) | 一种基于bp神经网络的医疗诊断系统 | |
CN109907753B (zh) | 一种多维度ecg信号智能诊断系统 | |
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
Ji et al. | A deep multi-task learning approach for ECG data analysis | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
CN109887594A (zh) | 一种基于modwt和tdcnn的多导联心律失常智能诊断方法 | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
CN110974213A (zh) | 基于深度堆栈网络的心电信号识别方法 | |
Tao et al. | ECG-based expert-knowledge attention network to tachyarrhythmia recognition | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
Wang et al. | Pay attention and watch temporal correlation: a novel 1-D convolutional neural network for ECG record classification | |
Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
Alagarsamy et al. | Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |