CN108256453A - 一种基于一维ecg信号提取二维cnn特征的方法 - Google Patents
一种基于一维ecg信号提取二维cnn特征的方法 Download PDFInfo
- Publication number
- CN108256453A CN108256453A CN201810012821.5A CN201810012821A CN108256453A CN 108256453 A CN108256453 A CN 108256453A CN 201810012821 A CN201810012821 A CN 201810012821A CN 108256453 A CN108256453 A CN 108256453A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- data
- holocentric
- sample
- jump
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于一维ECG信号提取二维CNN特征的方法,包括:对原始连续时间内的心电数据预处理得到单心跳的离散数值样本,采用三次样条差值的方法作用于单心跳的离散数据,补充数据点之间的缺失信息,增加新的数据点;按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,并进行处理获得二维心电图片;将二维心电图片作为二维卷积特征的输入元素;划分数据集,训练集和测试集中的样本比例接近1:1,彼此之间无交叉数据;构建2D‑CNN模型,提取神经网络特征;应用分类器作用于提取的特征完成对单心跳的分类。本发明基于一维的心电信号,提出心电信号转化和二维特征提取的算法,从而提高心电信号计算机辅助诊断系统的准确度。
Description
技术领域
本发明涉及机器学习技术与生物医学工程技术领域,尤其涉及一种基于一维ECG(心电图)信号提取二维CNN(卷积神经网络)特征的方法。
背景技术
心律不齐导致的心血管疾病是全世界面临的一大健康难题,它能导致病患暂时性休克甚至猝死。当前,精确诊断与及时治疗是应对心血管疾病最为有效的措施。ECG是目前最主要的检测和诊断心脏疾病的手段。然而,在疾病的检查中产生的大量影像信息易使医生疲劳,且诊断精度受医师的职业能力、经验等主观因素影响。在此背景下,通过机器学习方法来判定心脏是否有问题或心脏疾病的具体类型成为一个得到广泛关注的研究热点。
在心脏疾病尤其是心律失常的计算机辅助诊断技术中,被检测者心跳所属的具体类型需要通过分类技术实现。为获得良好的诊断准确率,需找到可以准确描述心律失常心跳样本的特征量。常用的描述心跳的特征包括:形态特征、纹理特征及小波特征等。
专利“一种心电信号分类识别方法”(CN 107184198A)对原始心电图波形数据进行心电图节律信息和PQRST(心电图的五个基本波)波形的提取,获取心电图节律信息和PQRST波形的数字化数据,从而完成心电信号的分类识别。很好的发挥了形态学特征的作用。通常,更多的特征维数可以使分类器建模更加准确与稳定,从而提高分类准确率。但实际上,特征维数较高时,其中可能存在相互依赖或与分类目标不相关的冗余特征,这些特征的存在会使得运算复杂度升高,导致分析特征与训练模型所需的时间加长。同时,构建的分类模型也会更加复杂,导致其泛化能力下降,出现维数灾难。通过对从心跳信号提取出的特征进行选择,不相关或冗余的特征可被剔除,从而达到减少特征个数,提高模型精度并减少运行时间的目的。
因此,在近年与心跳信号相关的多项研究中,特征选择得到了广泛应用。其中,专利“基于特征选择的心律失常分类方法”(CN106377247A)采用Relif的方法计算每种特征权重,根据特征权重指导种群初始化,并根据个体适应度好坏依据选择概率、交叉概率和变异概率分别进行选择、交叉和变异操作得到下一代,从而达到特征选择的目的。
但以上研究均是基于人工提取ECG信号特征的方法,特征提取和选择方案在实验中进行选择与组合,这不仅需要大量的实验进行验证,也考验人的分析与组合能力。并且将特征提取与特征选择分开进行,步骤多且易外界环境的影响。而近些年发展起来的深度学习技术恰好弥补了这一缺陷,它是集特征提取与选择为一体,对输入的原始样本能自动提取高度抽象化、最具代表性的特征,虽然深的网络耗时较大,但提取的特征冗余度小且操作简单,对分类精度的提高作用显著。
专利“一种可移动心电图监测系统及监测方法”(CN 106344005A)针对心电的数字型信号利用CNN网络提取出代表性特征,运行速度快且能用于可穿戴设备的移植。但该方法仅限于一维信号的提取,每个训练样本只是单个心跳的离散数据点,信息量较少。而将一维离散点信号连续化处理并提取二维卷积的特征,在理论上可以得到具有良好代表性和分类能力的特征集,且能获得较好的分类效果。
发明内容
本发明提供了一种基于一维ECG信号提取二维CNN特征的方法,本发明基于一维的心电信号,提出心电信号转化和二维特征提取的算法,从而提高心电信号计算机辅助诊断系统的准确,详见下文描述:
一种基于一维ECG信号提取二维CNN特征的方法,所述方法包括以下步骤:
对原始连续时间内的心电数据预处理得到单心跳的离散数值样本,采用三次样条差值的方法作用于单心跳的离散数据,补充数据点之间的缺失信息,增加新的数据点;
按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,并进行处理获得二维心电图片;将二维心电图片作为二维卷积特征的输入元素;
划分数据集,训练集和测试集中的样本比例接近1:1,彼此之间无交叉数据;
构建2D-CNN模型,提取神经网络特征,该2D-CNN模型包括:卷积层、pooling层、全连接层、dropout层;
应用分类器作用于提取的神经网络特征完成对单心跳的分类。
进一步地,所述按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,并进行处理获得二维心电图片具体为:
增加信息点并按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,使用某一预设宽度、高度的窗口对ECG设备的屏幕进行限制,截取曲线,进而获取某一预设宽度、高度的二维心电图片。
其中,所述2D-CNN模型具体为:
卷积层,用于提取出线性心跳样本的代表特征,完成样本二维卷积特征的提取;
pooling层,用于减少卷积层的特征数进而降低运算参数;
全连接层:用于将多通道的数据整合成一维特征向量,根据多层神经网络的特性,再次抽象特征并在最后一层对样本进行分类;
dropout层,用于避免过拟合情况发生;
除全连接层采用softmax函数之外,其余各层均采用Relu的激活函数。
具体实现时,所述卷积层具体为;
增强样本的边界信息,设置若干个卷积通道;还用于检测样本的局部角点特征,通道数增加一倍。
进一步地,所述方法还包括:
采用中值滤波器去除数据的基线漂移,使用低通滤波器去除工频干扰与高频噪声。
本发明提供的技术方案的有益效果是:
1、本发明针对心脏疾病计算机辅助诊断,同时顾及特征的分类能力与物理意义,提出将一维信号二维处理的方法;
2、本发明对心跳图片构建二维卷积神经网络用于提取可全面描述心跳信号特性、且维数较低的心跳特征,该特征表现出了较好的代表能力,获得了良好的分类准确率;
3、经实验比较,在应用于分类诊断时,本发明获取的特征集在多个评价指标上具有明显优势。
附图说明
图1为二维卷积框架图;
图2为本发明提供的一种基于一维ECG信号提取二维CNN特征的方法的流程图。
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,下面对本发明实施方式作进一步地详细描述。
根据背景技术中的上述分析,本发明实施例考虑对连续的心跳信号进行预处理获得单个心跳,并将一维单心跳信号转化为二维的心电图片,利用二维卷积神经网络(2D-CNN)提取单心跳图片的代表性特征,最后应用分类器作用于提取的特征完成对单心跳的分类。
实施例1
本发明实施例的目的是基于一维的心电信号,提出信号转化和二维特征提取的算法,从而提高心电信号计算机辅助诊断系统的准确率,本方法主要有两个部分组成,心电信号转化和二维卷积特征提取,参见图1和图2,该方法具体步骤如下:
101:心电信号转化;
该心电信号转化用于心电信号在维度上的转换,对原始连续时间内的心电数据预处理得到单心跳的离散数值样本,并对这些一维信号样本用数学的方法进行转化,得到与之对应的二维图片。具体包括如下步骤:
(1)信号预处理:
用低频和高频的组合滤波器作用原始心跳数据,目的是去除数据噪声和基线漂移;
(2)信号分割:
按照正常人的脉搏跳动情况,对处理后连续时间内单个人的心跳数据集进行分割,从而获得大量单心跳的数据样本;
其中,该样本中可能包含多种不同类型的疾病,本发明实施例依照国际化分类标准(AAMI标准)将多种类型整合成NSVFQ五大类疾病用于判断。
(3)信号转换:
利用三次样条差值的方法作用单心跳的离散数据点,补充数据点之间的缺失信息,拟合获得二维心电图片,为二维卷积特征模块提供输入元素。
102:二维卷积特征提取。
该步骤用于图像的二维特征获取,以获得良好的特征子集,从而提高分类性能与心脏疾病诊断准确率。
测试集和训练集的每个样本经过本发明实施例的二维卷积模型,可得到一个200维的特征向量,该特征向量很好的表征了样本的属性,特征之间彼此相关性很低且整体冗余度小。
ECG原始数据集经过以上两个模块之后可得到单心跳的卷积特征向量,每个心跳信号拥有相同的维度但数值不同,由此可以用简单分类器完成每个心跳信号的分类研究。
综上所述,本发明实施例基于一维的心电信号,提出信号转化和二维特征提取的算法,从而提高心电信号计算机辅助诊断系统的准确率。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:对数据集进行预处理与分割,获取含有288个数据点的一维单心跳数据集;
本发明实施例使用公开数据库MIT-BIH中的心律失常数据集,其中有48位受试者各半个小时的监测数据,共10万多个单心跳。实验将会依据病人的不同划分为训练集(SD1)和测试集(SD2)。
其中,SD1为编号101,106,108,109,112,114,115,116,118,119,122,124,201,203,205,207,208,209,215,220,223和230的受试者。SD2为编号100,103,105,111,113,117,121,123,200,202,210,212,213,214,219,221,222,228,231,232,233和234的受试者。
本发明实施例采用中值滤波器去除数据的基线漂移,使用低通滤波器去除工频干扰与高频噪声。按照正常人的心跳频率,即75(次/分钟)分割过滤后的心跳信号,在R峰值两侧各取90和198个数据点,以此得到含有288个数据点的一维单心跳数据集。
202:信号转化过程;
ECG信号属于正弦函数的拟合曲线。本发明实施例采用三次样条插值技术对每个一维信号增加新的数据点。对288个给定的数据集{Xi},可以用287段三次多项式在数据点之间构建一个三次样条,数据之间满足:
插值特性:S(Xi)=f(Xi),i=1,…,287
样条相互连接:Si-1(Xi)=Si(Xi),i=1,…,287
两次连续可导:S′i-1(Xi)=S′i(Xi),S″i-1(Xi)=S″i(Xi),i=1,…,287
其中,f(X)表示正弦函数,S(X)为f(X)的样条插值函数且S(X)满足:当X∈[X0,X1]时,S(X)=S0(X);当X∈[X1,X2]时,S(X)=S1(X);以此类推,当X∈[Xn-1,Xn]时,S(X)=Sn-1(X)。
以此方式增加信息点并按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线。然后,使用一个宽度为1200像素,高度为900像素的窗口来像ECG设备的屏幕一样限制曲线。通过这种方式,可获得了一张1200×900图像。Y轴对应于ECG信号的归一化幅度。为了降低CNN的计算成本,经过一系列试验后,2D-CNN输入的心电图像设定为96×72。
203:取得测试和训练数据;
本发明实施例所用数据库按照本节201讲述的方式划分数据集。其中,训练集包括5020个样本图片,测试集包括4947个样本图片,两数据集样本比例接近1:1,彼此之间无交叉数据。数据集之间的样本分布大体相同,对后期测试集样本在训练模型上正确分类提供了保障。
204:对样本构建2D-CNN模型,具体层的安排如下:
1、卷积层:第一个卷积层的作用是增强样本的边界信息,设置4个卷积通道,每个通道的卷积核均设置为{{1,1,1},{1,-7,1},{1,1,1}}。第二个卷积层的作用是检测样本的局部角点特征,通道数增加一倍,且卷积核大小均设为(5,5)。两层卷积即可提取出线性心跳样本的代表特征,完成样本二维卷积特征的一般提取。
2、pooling层:本层的目标是减少卷积层的特征数进而降低运算参数从而加快计算速度。将pooling窗大小设置为(2,2)即可达到降低4倍卷积特征的目的。
3、全连接层:本层类似人工神经网络,主要目的即是将多通道的数据整合成一维特征向量,根据多层神经网络的特性,再次抽象特征并在最后一层对样本进行分类。本部分采用含有一个隐含层的人工神经网络模型,对每层的神经元设置为200,100,5。即整合后的卷积特征共有200维,隐含层100个神经元,最后达到分为5类疾病的目的。
4、dropout层:在每两个全连接层之间加入dropout层用于避免过拟合情况的发生,依据dropout层的工作原理,每次训练的神经元会按照设定的比列暂时休眠,当下次训练时,本轮神经元再次参与训练。本发明实施例设置经验值为0.5,即每次样本进入模型时,在全连接层将会有一半的神经元不参与此次样本的训练。
除最后一层用于分类的全连接层采用softmax之外,其余各层均采用Relu的激活函数。
综上所述,本发明实施例基于一维的心电信号,提出信号转化和二维特征提取的算法,从而提高心电信号计算机辅助诊断系统的准确率。
实施例3
下面结合表1对实施例1和2中的方案进行进一步地介绍,详见下文描述:
表1给出了专利“基于特征选择的心律失常分类方法”(CN106377247A)的分类方法和本分类方法的对比结果。两种方法均在相同的测试与训练集上进行实验,实验采用以下几个指标对分类结果进行评价:
其中,整体准确率用于表现所有样本分类的情况,而灵敏度和特异性用于衡量每类样本的分类情况,即五大类心律失常疾病均用灵敏度和特异性分别表示。
表1特征分类性能比较
由表1数据可以看出,本方法在各项指标上均相比专利CN106377247A具有明显优势,因此经本方法获得的特征子集具有更好的分类能力。
其中,上述N类、S类、V类、F类和Q类均为本领域技术人员所公知,本发明实施例对此不做赘述。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于一维ECG信号提取二维CNN特征的方法,其特征在于,所述方法包括以下步骤:
对原始连续时间内的心电数据预处理得到单心跳的离散数值样本,采用三次样条差值的方法作用于单心跳的离散数据,补充数据点之间的缺失信息,增加新的数据点;
按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,并进行处理获得二维心电图片;将二维心电图片作为二维卷积特征的输入元素;
划分数据集,训练集和测试集中的样本比例接近1:1,彼此之间无交叉数据;
构建2D-CNN模型,提取神经网络特征,该2D-CNN模型包括:卷积层、pooling层、全连接层、dropout层;
应用分类器作用于提取的神经网络特征完成对单心跳的分类。
2.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法,其特征在于,所述按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,并进行处理获得二维心电图片具体为:
增加信息点并按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线,使用某一预设宽度、高度的窗口对ECG设备的屏幕进行限制,截取曲线,进而获取某一预设宽度、高度的二维心电图片。
3.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法,其特征在于,所述2D-CNN模型具体为:
卷积层,用于提取出线性心跳样本的代表特征,完成样本二维卷积特征的提取;
pooling层,用于减少卷积层的特征数进而降低运算参数;
全连接层:用于将多通道的数据整合成一维特征向量,根据多层神经网络的特性,再次抽象特征并在最后一层对样本进行分类;
dropout层,用于避免过拟合情况发生;
除全连接层采用softmax函数之外,其余各层均采用Relu的激活函数。
4.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法,其特征在于,所述卷积层具体为;
增强样本的边界信息,设置若干个卷积通道;还用于检测样本的局部角点特征,通道数增加一倍。
5.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法,其特征在于,所述方法还包括:
采用中值滤波器去除数据的基线漂移,使用低通滤波器去除工频干扰与高频噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012821.5A CN108256453A (zh) | 2018-01-06 | 2018-01-06 | 一种基于一维ecg信号提取二维cnn特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012821.5A CN108256453A (zh) | 2018-01-06 | 2018-01-06 | 一种基于一维ecg信号提取二维cnn特征的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256453A true CN108256453A (zh) | 2018-07-06 |
Family
ID=62725786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810012821.5A Pending CN108256453A (zh) | 2018-01-06 | 2018-01-06 | 一种基于一维ecg信号提取二维cnn特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256453A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109124595A (zh) * | 2018-07-20 | 2019-01-04 | 南开大学 | 基于动态三维脉搏波图像的智能脉搏诊断方法 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断系统 |
CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度神经网络的心电图分析方法、装置、计算机设备和系统 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
CN113349790A (zh) * | 2020-10-16 | 2021-09-07 | 山东大学 | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 |
CN113557704A (zh) * | 2019-03-29 | 2021-10-26 | 华为技术有限公司 | 使用基于极化的信号空间映射的用于无线通信的方法和装置 |
CN114366116A (zh) * | 2022-01-28 | 2022-04-19 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286852A (zh) * | 2015-11-05 | 2016-02-03 | 北京众云在线科技有限公司 | 心电信号的检测方法和装置 |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN107184198A (zh) * | 2017-06-01 | 2017-09-22 | 广州城市职业学院 | 一种心电信号分类识别方法 |
-
2018
- 2018-01-06 CN CN201810012821.5A patent/CN108256453A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286852A (zh) * | 2015-11-05 | 2016-02-03 | 北京众云在线科技有限公司 | 心电信号的检测方法和装置 |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
CN107184198A (zh) * | 2017-06-01 | 2017-09-22 | 广州城市职业学院 | 一种心电信号分类识别方法 |
Non-Patent Citations (2)
Title |
---|
WEI LU ET AL: "Feature fusion for imbalanced ECG data analysis", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
褚晶辉等: "循环谱分析在心律失常分类中的应用研究", 《计算机科学与探索》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109124595A (zh) * | 2018-07-20 | 2019-01-04 | 南开大学 | 基于动态三维脉搏波图像的智能脉搏诊断方法 |
CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度神经网络的心电图分析方法、装置、计算机设备和系统 |
CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
CN113557704A (zh) * | 2019-03-29 | 2021-10-26 | 华为技术有限公司 | 使用基于极化的信号空间映射的用于无线通信的方法和装置 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断系统 |
CN109907753B (zh) * | 2019-04-23 | 2022-07-26 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断系统 |
CN111126332A (zh) * | 2019-12-31 | 2020-05-08 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111126332B (zh) * | 2019-12-31 | 2022-04-22 | 桂林电子科技大学 | 基于轮廓特征的跳频信号分类方法 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
CN113349790A (zh) * | 2020-10-16 | 2021-09-07 | 山东大学 | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 |
CN114366116A (zh) * | 2022-01-28 | 2022-04-19 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
CN114366116B (zh) * | 2022-01-28 | 2023-08-25 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256453A (zh) | 一种基于一维ecg信号提取二维cnn特征的方法 | |
Chouhan et al. | Soft computing approaches for image segmentation: a survey | |
CN108256452A (zh) | 一种基于特征融合的ecg信号分类的方法 | |
Barata et al. | A system for the detection of pigment network in dermoscopy images using directional filters | |
US6745156B2 (en) | Petroleum exploration and prediction apparatus and method | |
CN106682616A (zh) | 基于双通道特征深度学习的新生儿疼痛表情识别方法 | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN109620211A (zh) | 一种基于深度学习的智能化异常心电辅助诊断方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Shin et al. | Decision boundary-based anomaly detection model using improved AnoGAN from ECG data | |
CN109934089A (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN112472048B (zh) | 用于心血管疾病患者脉象识别的神经网络的实现方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
Wang et al. | Multi-class arrhythmia detection based on neural network with multi-stage features fusion | |
Desai et al. | Decision support system for arrhythmia beats using ECG signals with DCT, DWT and EMD methods: A comparative study | |
CN107301409A (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN106778830A (zh) | 基于双聚类挖掘及AdaBoost的肿瘤分类方法 | |
CN109044339A (zh) | 一种极限卷积神经网络的ecg信号诊断方法 | |
Paul et al. | Hybrid shallow and deep learned feature mixture model for arrhythmia classification | |
CN112686091B (zh) | 基于深度神经网络的两步骤心律失常分类方法 |
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 |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |