CN107391900B - 房颤检测方法、分类模型训练方法及终端设备 - Google Patents

房颤检测方法、分类模型训练方法及终端设备 Download PDF

Info

Publication number
CN107391900B
CN107391900B CN201710310466.5A CN201710310466A CN107391900B CN 107391900 B CN107391900 B CN 107391900B CN 201710310466 A CN201710310466 A CN 201710310466A CN 107391900 B CN107391900 B CN 107391900B
Authority
CN
China
Prior art keywords
layer
convolution
local
inputting
training
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.)
Active
Application number
CN201710310466.5A
Other languages
English (en)
Other versions
CN107391900A (zh
Inventor
陈一昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710310466.5A priority Critical patent/CN107391900B/zh
Publication of CN107391900A publication Critical patent/CN107391900A/zh
Application granted granted Critical
Publication of CN107391900B publication Critical patent/CN107391900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请提供了一种房颤检测方法、分类模型训练方法及终端设备，该方法包括：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；将心搏间隔序列输入变换卷积神经网络，得到房颤检测分类结果，变换卷积神经网络包括变换层、局部卷积层和全局卷积层。利用训练得到的TCNN对实时的ECG信号进行房颤检测，并可利用积累的ECG及其房颤检测分类结果训练TCNN，使其误差越来越小，房颤检测分类结果越来越准确。

Description

房颤检测方法、分类模型训练方法及终端设备
技术领域
本申请涉及医疗数据分析领域，尤其涉及一种房颤检测方法、分类模型训练方法及终端设备。
背景技术
心房颤动(简称房颤)是最常见的持续性心律失常，常伴有心悸、眩晕、胸部不适、气短等症状。目前，房颤检测方法分为基于R-R间隔分析的方法和基于波形识别的方法。其中基于波形识别的方法受波形分析结果影响较大，而基于R-R间隔分析的方法效果相对稳定且性能更好。
基于R-R间隔分析的方法中，目前性能最好的方法是基于样本熵的方法。对R-R间隔进行变换后计算样本熵，通常房颤的样本熵会更大，从而据此来检测房颤。但该方法是目前在实际应用中虚警率较高，性能仍有待改进。
发明内容
有鉴于此，本申请实施例提供了一种房颤检测方法、分类模型训练方法及终端设备，用以解决现有技术中房颤检测虚警率高，性能不佳的技术问题。
根据本申请实施例的一个方面，提供了一种房颤检测方法，所述方法包括：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；将心搏间隔序列输入变换卷积神经网络，得到房颤检测分类结果，变换卷积神经网络包括变换层、局部卷积层和全局卷积层。
根据本申请实施例的另一方面，提供了一种训练房颤检测分类模型的方法，所述方法包括：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据；将训练数据输入初始化的变换卷积神经网络，变换卷积神经网络包括变换层、局部卷积层和全局卷积层；按照预设迭代次数进行迭代并完成对局部卷积层和全局卷积层的训练。
根据本申请实施例的另一方面，提供了一种终端设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；将心搏间隔序列输入变换卷积神经网络，得到房颤检测分类结果，变换卷积神经网络包括变换层、局部卷积层和全局卷积层。
根据本申请实施例的另一方面，提供了一种终端设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据；将训练数据输入初始化的变换卷积神经网络，变换卷积神经网络包括变换层、局部卷积层和全局卷积层；按照预设迭代次数进行迭代并完成对局部卷积层和全局卷积层的训练。
本申请实施例的有益效果包括：利用训练得到的TCNN，对实时的ECG信号进行房颤检测，将患者的实时ECG信号预处理为预设长度的心搏间隔序列并作为测试数据输入TCNN以检测出其中的房颤和非房颤，利用积累的ECG及其房颤检测分类结果训练该TCNN，使其误差越来越小，房颤检测分类结果越来越准确。
附图说明
通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本申请实施例训练房颤检测分类模型的方法的流程示意图；
图2是本申请实施例中TCNN的架构示意图；
图3是本申请实施例房颤检测方法的流程示意图；
图4是本申请实施例房颤检测方法的流程示意图。
具体实施方式
以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本申请实施例对心电图(electrocardiogram，ECG)信号进行预处理获取每个心搏对应的预设长度的心搏间隔序列，心搏间隔序列可作为训练数据来训练用于房颤检测的变换卷积神经网络(Transform convolution neural network，TCNN)；利用训练得到的TCNN，可对实时的ECG信号进行房颤检测，将患者的实时ECG信号预处理为预设长度的心搏间隔序列并作为测试数据输入TCNN以检测出其中的房颤和非房颤；利用积累的ECG及其房颤检测分类结果训练该TCNN，可使其误差越来越小，房颤检测分类结果越来越准确。
图1是本申请实施例提供的训练房颤检测分类模型的方法，适用于终端设备，终端设备可以是计算机、数据处理设备、医疗控制台、具有数据处理和显示功能的ECG检测设备等，该方法包括以下步骤。
S10，对ECG信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据。
ECG信号是医疗机构在一定的统计周期内(例如，一年)积累的历史患者的ECG信号。通过R波提取算法确定ECG信号的R波位置，得到心搏间隔(R-R间隔)。例如，半小时的ECG包含2731次心搏，对应2731个R波，得到2730个RR间隔。对每一次心搏，取前后各63个R-R间隔，得到长度为127的R-R间隔，将每次心搏对应的长度为127的R-R间隔组成R-R间隔序列以及ECG信号的房颤检测结果作为训练数据，来训练用于房颤检测的TCNN。
S11，将训练数据输入初始化的变换卷积神经网络，变换卷积神经网络包括变换层、局部卷积层和全局卷积层。
在训练之前，需要构建初始化的TCNN。初始化TCNN的变换层、局部卷积层、全局卷积层以及内部滤波器的权重矩阵。TCNN构建完成后，再输入训练数据开始训练各层滤波器参数。TCNN的构造如图2所示，输入为原始ECG信号并通过R波提取确定R波位置，得到R-R间隔(RRI)，将每一段RRI序列输入TCNN的变换层进行预设的一系列变换，包括但不限于保持原始数据，滤波，下采样等。再将分别得到的变换结果输入局部卷积层，对每个变换结果进行独立的局部卷积(LC)。将分别得到的局部卷积结果连接起来得到一个新的序列，新的序列作为全局卷积层的输入，进行全局卷积(GC)并经过全连接(FC)处理后，得到最终分类结果，即房颤和非房颤两个类别。
在一个实施例中，首先按照第一预设参数初始化TCNN。例如，第一预设参数包括变换层的变换类型及相应滤波器的维数，局部卷积层中卷积层和池化层的滤波器维数，全局卷积层中卷积层和池化层的维数，全连接层的节点数等。再初始化各滤波器的权重矩阵。例如各滤波器其中每个元素被初始化为[-0.5，0.5]之间的随机数。
再根据第二预设参数确定训练批次。第二预设参数可以是训练数据的分组数量，根据该分组数量计算出每一批参加训练的样本数量；或者第二预设参数也可以是每一批参加训练的样本数量，并计算出训练数据的分组数量(即参加训练的批次)。
将训练数据按照训练批次分批输入初始化的TCNN对TCNN进行训练。
S12，按照预设迭代次数进行迭代并完成对TCNN的训练。
每一次迭代包括前向传播、反向传播和梯度下降优化等过程。训练数据中的R-R间隔序列经过变换层、局部卷积层、全局卷积层处理后得到房颤检测的预测结果的过程即为前向传播。再利用预测结果的误差进行反向传播，利用梯度下降优化法依次调整全局卷积层、局部卷积层和变换层的滤波器的权重矩阵及偏置，以缩小预测结果与实际检测结果之间的误差，从而达到对TCNN的训练效果。
完成预设次数的迭代过程后，对TCNN的训练结束，可将其用于临床的实时房颤检测。
在S12变换层对R-R间隔序列进行变换过程中，对每一段R-R间隔序列进行多种预设类型的变换，包括但不限于保持原始数据(即把原始R-R间隔序列作为后续的输入)、滤波(可以是高通，低通，带通，或者是小波等形式的滤波器组)、下采样(以获取不同尺度的信息)等简单变换，也可以是局部样本熵、高阶矩等统计特征计算。例如，一段长度为127的R-R间隔序列进行上述变换时，如果保持原始数据其长度仍为127，滤波变换中如果滤波器的维数为11，则其输出结果长度为117，下采样变换中如果采用3倍下采样得到长度为43的变换结果等。
在S12对多种变换结果分别进行独立的局部卷积的过程中，对原始数据使用一种卷积核，对滤波结果使用另一种卷积核，对下采样结果同样采用不同的卷积核。卷积后经过一个池化层，输入下一个阶段。局部卷积层的层数，结构可以根据实际需求调整。例如上例中，如果局部卷积层卷积核长度为11，那么，对原始数据卷积后，其输出结果的长度由127变为117，对滤波结果卷积后其输出结果的长度由117变为107，对下采样结果卷积后其输出结果的长度由43变为33。此时共生成256个特征映射，共有3*256个卷积核。对各种变换结果卷积后再经过一个9倍下采样池化层，使其数据结果从(117+107+43)变为256个(13+12+6)，并输入全局卷积层。
在S12进行全局卷积的过程中，将局部卷积层各个部分的输出结果连接起来得到一个新的序列，新的序列作为全局卷积(GC)的输入，经过卷积、池化后再经过一个全连接层(FC)，得到预测结果。例如，将连接后的序列作为全局卷积的输入，使用长度11的卷积核进行卷积处理，再经过9倍下采样池化后，得到一个512维向量，经过全连接层的softmax回归模型进行二分类，即得到包括房颤和非房颤两个类别的预测分类结果。
softmax回归模型二分类的假设函数为：
Figure BDA0001286948650000061
其中一个类别的预测概率为
Figure BDA0001286948650000062
另一个类别的预测概率为
Figure BDA0001286948650000063
其中θ’＝θ2–θ1；θ2和θ1代表模型参数。
在S12的反向传导和梯度下降优化过程中，采用反向传播算法进行训练：即通过预测结果与训练数据中的实际检测结果的误差进行学习，调整TCNN各层滤波器的权重矩阵W和偏置b。此时代价函数表示为：
Figure BDA0001286948650000064
从后向前逐级计算全局卷积层、局部卷积层、变换层产生的误差，再计算各级权重矩阵和偏置的梯度，采用梯度下降法使代价函数最小化来实现权重矩阵W和偏置b的优化：
Figure BDA0001286948650000065
依照上述过程经过预设次数的迭代过程后，即完成对TCNN的训练，可利用训练后的TCNN对临床实时的ECG进行房颤检测，其过程如图3所示。
S20，对实时ECG信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列。与执行S10的过程相同，不再重复说明。
S21，将心搏间隔序列输入TCNN，得到房颤检测分类结果，TCNN包括变换层、局部卷积层和全局卷积层。
该过程相当于训练TCNN时，每一次迭代中的正向传播过程。将R-R间隔序列输入TCNN的变换层，分别进行多种预设的变换处理得到对应的多个变换结果；再将多个变换结果输入TCNN的局部卷积层，分别进行局部卷积、池化处理，得到多个局部卷积结果；再将多个局部卷积结果连接成一个序列并输入TCNN的全局卷积层，经过卷积、池化和全连接处理后得到实时的房颤检测分类结果，包括房颤和非房颤两类。每一步执行过程与前文对迭代过程中正向传播过程的描述相同，不再进行重复说明。从而利用训练的TCNN对患者的实时ECG进行房颤检测，在使用的TCNN中，通过采用多种变换方法，提取R-R间隔序列的多频带、多尺度信息，通过卷积神经网络综合考虑上述多种信息，自动提取其中有价值的信息，从而更准确的检测房颤。
此外，还可以利用预设统计周期内(例如，三个月、半年、一年等)积累的ECG信号及其对应的房颤检测分类结果训练所使用的TCNN，在医疗机构积累了一定数量的临床检测数据后，可按照前文所述训练TCNN的方法进一步训练TCNN，此时该房颤检测方法如图4所示进一步包括以下步骤。
S22，利用预设统计周期内积累的ECG信号及其对应的房颤检测分类结果训练TCNN，调整变换层、局部卷积层和全局卷积层中滤波器的权重矩阵和偏置。
该过程与前文所述的迭代训练过程相同，不再重复说明，即利用积累的ECG信号及其对应的房颤检测分类结果在TCNN中从后向前(全局卷积层——局部卷积层——变换层)逐级调整滤波器的权重矩阵和偏置，从而使TCNN得到的房颤检测分类结果越来越准确。
此外，本申请实施例中，终端设备可以通过硬件处理器(hardware processor)来实现上述各个功能步骤。终端设备包括：处理器，用于存储处理器可执行指令的存储器；其中，处理器被配置为：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；将心搏间隔序列输入变换卷积神经网络，得到房颤检测分类结果，变换卷积神经网络包括变换层、局部卷积层和全局卷积层。
在一个实施例中，将心搏间隔序列输入变换卷积神经网络，得到房颤检测分类结果包括：将心搏间隔序列输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果；将多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果；将多个局部卷积结果组成一个序列并输入全局卷积层，经过卷积、池化和全连接处理后得到房颤检测分类结果。
在一个实施例中，将心搏间隔序列输入变换层，分别进行多种预设的变换处理得到对应的多个变换结果包括：对心搏间隔序列分别进行滤波、下采样和保持原始序列中的任意一种或多种处理。
在一个实施例中，全连接处理为利用softmax回归模型对经过卷积、池化处理的特征进行二分类，得到包括房颤和非房颤两个类别的分类结果。
在一个实施例中，该处理器进一步配置为：利用预设统计周期内积累的心电图信号及其对应的房颤检测分类结果训练所述变换层、局部卷积层和全局卷积层滤波器的权重矩阵和偏置。
在一个实施例中，利用预设统计周期内积累的心电图信号及其对应的房颤检测分类结果包括：训练时通过反向传播算法依次调整所述全局卷积层、局部卷积层和变换层滤波器的权重矩阵和偏置。
或者，该终端设备的处理器被配置为：对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据；将训练数据输入初始化的变换卷积神经网络，变换卷积神经网络包括变换层、局部卷积层和全局卷积层；按照预设迭代次数进行迭代并完成对局部卷积层和全局卷积层的训练。
在一个实施例中，将训练数据输入初始化的变换卷积神经网络包括：按照预设参数初始化所述变换层、局部卷积层和全局卷积层并确定训练数据的训练批次；将训练数据按照训练批次分批输入初始化的变换卷积神经网络。
在一个实施例中，按照预设参数进行迭代并完成局部卷积层和全局卷积层的训练包括：对变换卷积神经网络进行前向传播、反向传播和梯度下降优化，完成一次迭代；根据预设迭代次数完成变换卷积神经网络的训练，得到变换卷积神经网络模型。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种终端设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；
将所述心搏间隔序列输入变换卷积神经网络，所述变换卷积神经网络包括变换层、局部卷积层和全局卷积层；
其中，将所述心搏间隔序列输入变换卷积神经网络包括：将所述心搏间隔序列输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果；
将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果；
将所述多个局部卷积结果组成一个序列并输入所述全局卷积层，经过卷积、池化和全连接处理后得到房颤检测分类结果；
其中，将所述心搏间隔序列输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果包括：
对所述心搏间隔序列分别进行滤波、下采样和保持原始序列处理；
其中，所述将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果包括：
对原始数据使用一种卷积核，对滤波结果使用另一种卷积核，对下采样结果采用又一种卷积核。
2.根据权利要求1所述的终端设备，其特征在于，所述全连接处理为利用softmax回归模型对经过卷积、池化处理的特征进行二分类，得到包括房颤和非房颤两个类别的分类结果。
3.根据权利要求1所述的终端设备，其特征在于，所述处理器还被配置为执行：
利用预设统计周期内积累的所述心电图信号及其对应的房颤检测分类结果训练所述变换层、局部卷积层和全局卷积层滤波器的权重矩阵和偏置。
4.根据权利要求3所述的终端设备，其特征在于，利用预设统计周期内积累的所述心电图信号及其对应的房颤检测分类结果训练所述变换层、局部卷积层和全局卷积层的权重矩阵和偏置包括：
训练时通过反向传播算法依次调整所述全局卷积层、局部卷积层和变换层滤波器的权重矩阵和偏置。
5.一种终端设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行：
对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据；
将所述训练数据输入初始化的变换卷积神经网络，所述变换卷积神经网络包括变换层、局部卷积层和全局卷积层；
按照预设迭代次数进行迭代并完成对所述局部卷积层和全局卷积层的训练；
其中，按照预设迭代次数进行迭代并完成对所述局部卷积层和全局卷积层的训练包括：
将所述训练数据输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果；
将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果；
将所述多个局部卷积结果组成一个序列并输入所述全局卷积层，经过卷积、池化和全连接处理；
其中，将所述训练数据输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果包括：
对所述心搏间隔序列分别进行滤波、下采样和保持原始序列处理；
其中，所述将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理包括：
对原始数据使用一种卷积核，对滤波结果使用另一种卷积核，对下采样结果采用又一种卷积核。
6.根据权利要求5所述的终端设备，其特征在于，将所述训练数据输入初始化的变换卷积神经网络包括：
按照预设参数初始化所述变换层、局部卷积层和全局卷积层并确定所述训练数据的训练批次；
将所述训练数据按照所述训练批次分批输入所述初始化的变换卷积神经网络。
7.根据权利要求5所述的终端设备，其特征在于，按照预设参数进行迭代并完成所述局部卷积层和全局卷积层的训练包括：
对所述变换卷积神经网络进行前向传播、反向传播和梯度下降优化，完成一次迭代；
根据预设迭代次数完成所述变换卷积神经网络的训练，得到变换卷积神经网络模型。
CN201710310466.5A 2017-05-05 2017-05-05 房颤检测方法、分类模型训练方法及终端设备 Active CN107391900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710310466.5A CN107391900B (zh) 2017-05-05 2017-05-05 房颤检测方法、分类模型训练方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710310466.5A CN107391900B (zh) 2017-05-05 2017-05-05 房颤检测方法、分类模型训练方法及终端设备

Publications (2)

Publication Number Publication Date
CN107391900A CN107391900A (zh) 2017-11-24
CN107391900B true CN107391900B (zh) 2020-07-14

Family

ID=60338690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710310466.5A Active CN107391900B (zh) 2017-05-05 2017-05-05 房颤检测方法、分类模型训练方法及终端设备

Country Status (1)

Country Link
CN (1) CN107391900B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107837082B (zh) * 2017-11-27 2020-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN108113666B (zh) * 2017-12-19 2019-06-21 中国科学院深圳先进技术研究院 房颤信号的识别方法、装置和设备
US11013470B2 (en) * 2018-06-08 2021-05-25 Cambridge Heartwear Limited Detecting abnormalities in ECG signals
CN109480824B (zh) * 2018-12-11 2021-10-08 武汉中旗生物医疗电子有限公司 心电波形数据的处理方法、装置和服务器
CN111839506B (zh) * 2019-04-30 2021-10-12 清华大学 脑力负荷检测方法及装置
CN110148466B (zh) * 2019-05-15 2022-11-25 东北大学 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法
CN110547792B (zh) * 2019-07-31 2022-02-15 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
CN112971790A (zh) * 2019-12-18 2021-06-18 华为技术有限公司 一种心电信号的检测方法、装置、终端以及存储介质
CN111803062B (zh) * 2020-07-22 2023-06-13 江苏正心智能科技有限公司 一种基于深度学习的房颤事件检测方法
CN114224351A (zh) * 2022-01-13 2022-03-25 浙江好络维医疗技术有限公司 一种基于融合多个深度学习模型的房颤识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105726018A (zh) * 2016-02-06 2016-07-06 河北大学 一种与rr间期无关的房颤自动检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104352229B (zh) * 2014-10-21 2017-04-26 成都云卫康医疗科技有限公司 一种能实时检测脉率血氧的健康监测手环

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105726018A (zh) * 2016-02-06 2016-07-06 河北大学 一种与rr间期无关的房颤自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Modeling and Propagating CNNs in a Tree Structure for Visual Tracking";Hyeonseob Nam etc，;《CVPR》;20160825;摘要、第3-4节、图2 *

Also Published As

Publication number Publication date
CN107391900A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN107391900B (zh) 房颤检测方法、分类模型训练方法及终端设备
CN110840402B (zh) 一种基于机器学习的房颤信号识别方法及系统
JP7304901B2 (ja) 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN109394205B (zh) 一种基于深度神经网络的心电信号分析方法
US20160073969A1 (en) Medical Imaging System Providing Disease Prognosis
CN112200162B (zh) 基于端到端网络的非接触式心率测量方法、系统和装置
CN113440149B (zh) 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法
CN112329609A (zh) 基于2d心拍的特征融合迁移学习心律失常分类系统
CN109124620B (zh) 一种房颤检测方法、装置及设备
CN109886135A (zh) 一种低分辨率人脸识别方法、装置及存储介质
CN110717415A (zh) 基于特征选取的st段分类卷积神经网络及其使用方法
CN112070067B (zh) 一种光体积描计信号的散点图分类方法和装置
Liu et al. Multiscale adaptive basis function modeling of spatiotemporal vectorcardiogram signals
CN109887594A (zh) 一种基于modwt和tdcnn的多导联心律失常智能诊断方法
CN117651523A (zh) 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法
CN117425431A (zh) 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
CN114519370A (zh) 一种基于深度学习早停机制的左心室肥大检测方法及系统
WO2021031155A1 (zh) 一种基于ecg的多尺度特征提取方法及装置
Saxena et al. Coronary heart disease detection using nonlinear features and online sequential extreme learning machine
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
CN114711780A (zh) 多导联心电图信号处理方法、装置、设备及存储介质
CN112022140B (zh) 一种心电图的诊断结论自动诊断方法及系统

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
GR01 Patent grant
GR01 Patent grant