CN108814585A - 心电信号处理方法、装置和计算机可读存储介质 - Google Patents
心电信号处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108814585A CN108814585A CN201810413507.8A CN201810413507A CN108814585A CN 108814585 A CN108814585 A CN 108814585A CN 201810413507 A CN201810413507 A CN 201810413507A CN 108814585 A CN108814585 A CN 108814585A
- Authority
- CN
- China
- Prior art keywords
- ecg
- sampling
- data compression
- convolution
- compression method
- 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.)
- Granted
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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号处理方法,包括以下步骤:获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;获得预设膨胀率,并采用与所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野;对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号;通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。本发明还公开了一种心电信号处理装置和计算机可读存储介质。本发明无需识别心电数据中R点,可以将任意长度的心电数据进行处理,响应快,稳定性与重复性好。
Description
技术领域
本发明涉及信息处理领域,尤其涉及心电信号处理方法、装置和计算机可读存储介质。
背景技术
基于心电图数据能诊断许多心血管相关疾病,如房颤、室性早搏等。这些病症在心电信号的判识标准各不一样,如房颤需要数分钟的连续有效心电片段,观察其中的RR间期、P波、F波等特征是否异常;而室性早搏只需数秒心电判断前后心拍波形与节律;右束支传导沮滞甚至只需要不到一秒的心拍信号即可判别。
同时,由于心电信号中不可避免地存在信号干扰与个体差异性,目前传统的算法对一段心电信号同时判断多种病症需要截取固定长度无噪音干扰片段、通过信号处理方法识别R点、对每种病症单独做二分类判断。因此,传统算法对心电信号长度、数据质量要求较多,还依赖信号处理方法定位R点,传统算法的稳定性与准确度较差。
发明内容
本发明的主要目的在于提供一种心电信号处理方法、装置和计算机可读存储介质,旨在解决传统算法对心电信号长度、数据质量要求较多,还依赖信号处理方法定位R点,传统算法的稳定性与准确度较差的技术问题。
为实现上述目的,本发明提供一种心电信号处理方法,所述心电信号处理方法包括以下步骤:
获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;
获得预设膨胀率,并采用所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野;
对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号;
通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。
可选地,所述心电信号处理方法,还包括:
对所述分类结果进行识别,获得对应的识别结果。
可选地,所述获得预设膨胀率之后,所述通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果的步骤之前还包括:
采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样;
从第二层卷积下采样开始,根据每次卷积下采样获得的结果以及上一层反卷积上采样获得的结果进行与卷积下采样层数相同的反卷积上采样,获得对应的分类信号。
可选地,所述采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样的步骤包括:
在卷积下采样的过程中将每层卷积下采样的结果进行归一化处理,并随机将隐藏层中部分神经元参数设为0。
可选地,所述心电信号处理方法还包括:
对所述分类结果进行二值型转换;
计算所述分类结果进行二值型转换的结果与对应的标签向量的差值平方和作为误差损失。
可选地,通过如下公式对所述分类结果进行二值型转换:
其中,z表示所述分类结果,σ(z)表示所述分类结果进行二值型转换后的结果。
可选地,所述心电信号处理方法还包括:
根据所述分类结果和对应的真实结果计算汉明损失和排序损失;
计算所述汉明损失和排序损失之和,并将所述汉明损失和排序损失之和作为误差损失。
可选地,通过如下公式计算所述汉明损失:
其中,nlabels表示分类结果的数量,表示第j个分类结果,表示对应的真实结果;
通过如下公式计算所述排序损失:
其中,R(y,f)表示排序损失,nsamples表示心电数据的样本数。
可选地,所述心电信号处理方法还包括:
获取预设时间段内的误差损失,并判断所述预设时间段内误差损失的变化是否小于预设值;
如果所述误差损失的变化大于或者等于预设值,则调整对应的参数,并采用调整后的参数对所述波形特征进行卷积下采样和反卷积上采样。
此外,为实现上述目的,本发明还提供一种心电信号处理装置,所述心电信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的心电信号处理方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有心电信号处理程序,所述心电信号处理程序被处理器执行时实现如上所述的心电信号处理方法的步骤。
本发明实施例提出的一种心电信号处理方法、装置和计算机可读存储介质,通过获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;获得预设膨胀率,并采用所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野,保留了下采样特征的位置信息;然后对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号,即将低维的下采样特征还原成与输入等长的分类信号;最后通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。本发明无需识别心电数据中R点,可以将任意长度的心电数据进行处理,响应快,稳定性与重复性好,可以对小于0.1秒的心电数据进行识别。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明心电信号处理方法第一实施例的流程示意图;
图3为本发明心电信号处理方法第二实施例的流程示意图;
图4为本发明实施例中一处理流程示意图;
图5为本发明实施例中一感受野的结果示意图;
图6为本发明心电信号处理方法第三实施例的流程示意图;
图7为本发明心电信号处理方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、便携计算机等具有数据处理功能的终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心电信号处理程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的心电信号处理程序,并执行以下操作:
获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;
获得预设膨胀率,并采用所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野;
对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号;
通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
对所述分类结果进行识别,获得对应的识别结果。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样;
从第二层卷积下采样开始,根据每次卷积下采样获得的结果以及上一层反卷积上采样获得的结果进行与卷积下采样层数相同的反卷积上采样,获得对应的分类信号。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
在卷积下采样的过程中将每层卷积下采样的结果进行归一化处理,并随机将隐藏层中部分神经元参数设为0。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
对所述分类结果进行二值型转换;
计算所述分类结果进行二值型转换的结果与对应的标签向量的差值平方和作为误差损失。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
通过如下公式对所述分类结果进行二值型转换:
其中,z表示所述分类结果,σ(z)表示所述分类结果进行二值型转换后的结果。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
根据所述分类结果和对应的真实结果计算汉明损失和排序损失;
计算所述汉明损失和排序损失之和,并将所述汉明损失和排序损失之和作为误差损失。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
通过如下公式计算所述汉明损失:
其中,nlabels表示分类结果的数量,表示第j个分类结果,表示对应的真实结果;
通过如下公式计算所述排序损失:
其中,R(y,f)表示排序损失,nsamples表示心电数据的样本数。
进一步地,处理器1001可以调用存储器1005中存储的心电信号处理程序,还执行以下操作:
获取预设时间段内的误差损失,并判断所述预设时间段内误差损失的变化是否小于预设值;
如果所述误差损失的变化大于或者等于预设值,则调整对应的参数,并采用调整后的参数对所述波形特征进行卷积下采样和反卷积上采样。
本发明心电信号处理设备的具体实施例与下述心电信号处理方法各实施例基本相同,在此不作赘述。
参照图2,图2为本发明心电信号处理方法第一实施例的流程示意图,所述心电信号处理方法包括:
步骤S10,获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征
本实施例中心电数据可以通过从数据库中读取预设数量的人群心电数据,每条心电数据的时长优选为40-240s,心电数据的采样频率为512HZ。具体实施中也可以采集多个人的心电数据。
获得心电数据后,对心电数据进行特征提取,具体地,通过卷积神经网络算法(CNN算法)进行特征提取,卷积神经网络算法是常用的视觉特征提取算法,特征提取过程与现有技术中相同,此处不做多余赘述。
步骤S20,获得预设膨胀率,并采用与所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野;
进行特征提取后,获取预存的膨胀率,该膨胀率为整数,且大于或等于2,然后采用与获得的膨胀率对应维空洞卷积对波形特征进行卷积下采样,具体地,若膨胀率为2,则采用一维空洞卷积对波形特征进行卷积下采样,若膨胀率为3,则采用二维空洞卷积对波形特征进行卷积下采样,即采用膨胀率-1维空洞卷积进行卷积下采样。具体而言采用与所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样是指相隔与所述膨胀率对应的信号点进行卷积下采样,比如膨胀率为2时,则相隔1个信号点进行卷积下采样;膨胀率为3时,则相隔2个信号点进行卷积下采样,这样相当于增大巻积核,并增加巻积空洞(dilatedconvolution),使得感受野增长,且去掉了池化层,保留了下采样特征的位置信息。
步骤S30,对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号;
步骤S40,通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。
根据步骤S20进行卷积下采样过程后,对处理后的数据进行反卷积上采样,最后对分类信号值通过sigmoid函数进行数值转化,得到该段心电数据的分类结果,该段心电数据的分类结果至少为一种分类结果,对应各种病症。
步骤S50,对所述分类结果进行识别,获得对应的识别结果。
根据步骤S40处理后的分类结果进行识别,具体判断步骤S40处理后的分类结果的是否与预设的病症特征数据匹配,从而识别分类结果所对应的多病症,本发明可以同时识别多种病症,无需将各种病症分开单独判断。
本发明实施例提出的一种心电信号处理方法、装置和计算机可读存储介质,通过获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;获得预设膨胀率,并采用所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野,保留了下采样特征的位置信息;然后对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号,即将低维的下采样特征还原成与输入等长的分类信号;最后通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。本发明无需识别心电数据中R点,可以将任意长度的心电数据进行处理,响应快,稳定性与重复性好,可以对小于0.1秒的心电数据进行识别。
进一步的,参照图3,图3为本发明心电信号处理方法第二实施例的流程示意图,基于上述图2所示的实施例,所述心电信号处理方法还包括:
步骤S60,采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样;
步骤S70,从第二层卷积下采样开始,根据每次卷积下采样获得的结果以及上一层反卷积上采样获得的结果进行与卷积下采样层数相同的反卷积上采样,获得对应的分类信号。
进一步地,本实施例中进行卷积下采样和反卷积上采样的次数可以为至少两次,以膨胀率为2,进行4次卷积下采样和反卷积上采样为例进行说明,参阅图4和图5,本实施例中膨胀率为2,即每隔1个信号点采样进入巻积操作单元,在获得心电数据(原始ECG信号)后,根据膨胀率进行第四层卷积下采样,每层的膨胀率不变,从第二层开始进行反卷积上采样,每次反卷积上采样是输入为本层卷积下采样的结果和上一层反卷积上采样的结果,此时第一反卷积上采样的输入则为第二层卷积下采样的结果,第二反卷积上采样的输入则为第三层卷积下采样的结果和第一反卷积上采样的结果,以此类推,在最后一层时,本实施例中为第四层,此时卷积下采样已经结束,因此第四层反卷积上采样的输入则为第三层反卷积上采样的结果。
经过多次的膨胀巻积后,t9的参数值代表了t0-t8的所有初始特征,如图5所述,大大增加了波形特征的感受野。其中,所述波形特征中第i+1层卷积核的感受野相对于第i层卷积核的感受野的计算公式为:
Fi+1=Fi*ai*ki,i=0,1,2,……,n-2
其中,Fi+1表示第i+1层的感受野大小,ki表示第i层的巻积核大小,a表示膨胀率,n表示卷积核的总层数。
其中,所述波形特征中第i+1层卷积核的感受野相对于第0层卷积核的感受野的计算公式为:
Fi+1=(ai+2-1)×(ai+2-1)
其中,Fi+1表示第i+1层的感受野大小,ki表示第i层的巻积核大小,a表示膨胀率。
进一步地,为了避免处理结果更加准确和过度拟合,在进行卷积下采样的过程中还可以包括步骤:
在卷积下采样的过程中将每层卷积下采样的结果进行归一化处理,并随机将隐藏层中部分神经元参数设为0。
本实施例中将每层卷积下采样的结果进行归一化处理,归一化处理的过程与现有技术中相同,此处不做赘述,
然后随机将隐藏层中部分神经元参数设为0,即进行dropout处理,此过程是为了减弱各个信号点之间的联合适应性,增强了泛化能力,从而避免过度拟合,其中隐藏层是指卷积神经网络中除输入层和输出层以外的其他各层,将卷积下采样和反卷积上采样的过程中输入的参数划分为输入层,输出计算结果的划分为输出层,即本发明实施例中进行卷积下采样和反卷积上采样的过程中除输入参数所在输入层和输出结果的输出层之前的其他处理层为隐藏层。
进一步的,参照图6,图6为本发明心电信号处理方法第三实施例的流程示意图,基于上述实施例,所述心电信号处理方法还包括:
步骤S80,对所述分类结果进行二值型转换;
步骤S90,计算所述分类结果进行二值型转换的结果与对应的标签向量的差值平方和作为误差损失。
进一步地,本发明也可以认为是一种心电数据深度学习模型,在获得分类结果后,对分类结果进行二值型转换,即将分类结果映射到(0,1)之间,分类结果进行二值型转换后获得的结果可以定义为预测结果,举例如下:
分类标签值为:[0,0,1,0,1],0代表该类不存在,1代表该类存在,该标签向量说明样本分类为第三类和第五类;神经网络的输出参数为[-1.0,5.0,-0.5,5.0,-0.5],无法直接和分类标签比较,而经过sigmoid运算后的输出值为[0.269,0.993,0.378,0.993,0.378],然后将计算所述分类结果进行二值型转换的结果与对应的标签向量的差值平方和作为误差损失,该误差损失用于判断此处结果的准确性,其中,通过如下公式对所述分类结果进行二值型转换:
其中,z表示所述分类结果,进行二值型转换后的结果。
本实施例以σ(z)的取值与对应0-1编码标签的差异可作为模型的目标函数进行优化拟合。
同时进一步地,在获得误差损失后,该方法还可以包括:
获取预设时间段内的误差损失,并判断所述预设时间段内误差损失的变化是否小于预设值;
如果所述误差损失的变化大于或者等于预设值,则调整对应的参数,并采用调整后的参数对所述波形特征进行卷积下采样和反卷积上采样。
获取预设时间段内的误差损失,然后判断预设时间段内误差损失的变化是否小于预设值,如果是,则认为结果比较准确,否则,认为结果存在问题,此时则进行自己学习/深度学习/自我训练,自我训练的具体过程为:在预设时间段内误差损失的变化大于或者等于预设损失时,调整卷积下采样和反卷积上采样两个过程中的部分参数,然后根据调整后的参数重新进行卷积下采样和反卷积上采样,并重新计算误差损失,在误差损失不再变小或者说预设时间段内误差损失的变化小于或等于预设值,则不需要在调整参数进行训练了,训练完成后则可以最后确定的参数进行心电信号的处理。
进一步的,参照图7,图7为本发明心电信号处理方法第四实施例的流程示意图,基于上述实施例,所述心电信号处理方法还包括:
步骤S100,根据所述分类结果和对应的真实结果计算汉明损失和排序损失;
步骤S110,计算所述汉明损失和排序损失之和,并将所述汉明损失和排序损失之和作为误差损失。
作为另一种实施例,本实施例中通过计算汉明损失和排序损失之和作为误差损失,具体地,通过如下公式计算所述汉明损失:
其中,nlabels表示分类结果的数量,表示第j个分类结果,表示对应的真实结果;
通过如下公式计算所述排序损失:
其中,R(y,f)表示排序损失,nsamples表示心电数据的样本数。
误差损失则为:
进一步地,在获得误差损失后,该方法还可以包括:
获取预设时间段内的误差损失,并判断所述预设时间段内误差损失的变化是否小于预设值;
如果所述误差损失的变化大于或者等于预设值,则调整对应的参数,并采用调整后的参数对所述波形特征进行卷积下采样和反卷积上采样。
获取预设时间段内的误差损失,然后判断预设时间段内误差损失的变化是否小于预设值,如果是,则认为结果比较准确,否则,认为结果存在问题,此时则进行自己学习/深度学习/自我训练,自我训练的具体过程为:在预设时间段内误差损失的变化大于或者等于预设损失时,调整卷积下采样和反卷积上采样两个过程中的部分参数,然后根据调整后的参数重新进行卷积下采样和反卷积上采样,并重新计算误差损失,在误差损失不再变小或者说预设时间段内误差损失的变化大于或等于预设值,则不需要在调整参数进行训练了,训练完成后则可以最后确定的参数进行心电信号的处理。
此外,本发明实施例还提出一种心电信号处理装置,该心电信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上心电信号处理方法的步骤。
本发明心电信号处理装置的具体实施例与上述心电信号处理方法各实施例基本相同,在此不作赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有心电信号处理程序,所述心电信号处理程序被处理器执行时实现如上心电信号处理方法中各实施例的操作:
本发明计算机可读存储介质的具体实施例与上述心电信号处理方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种心电信号处理方法,其特征在于,所述心电信号处理方法包括以下步骤:
获得心电数据,并通过预设的卷积神经网络对所述心电数据进行提取,获得对应的波型特征;
获得预设膨胀率,并采用与所述膨胀率对应维空洞卷积对所述波形特征进行卷积下采样,以增加所述波形特征的感受野;
对进行卷积下采样后的波形特征进行反卷积上采样,获得对应的分类信号;
通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果。
2.如权利要求1所述的心电信号处理方法,其特征在于,所述心电信号处理方法,还包括:
对所述分类结果进行识别,获得对应的识别结果。
3.如权利要求1所述的心电信号处理方法,其特征在于,所述获得预设膨胀率之后,所述通过Sigmoid函数对所述分类信号进行概率转化,获得对应的分类结果的步骤之前还包括:
采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样;
从第二层卷积下采样开始,根据每次卷积下采样获得的结果以及上一层反卷积上采样获得的结果进行与卷积下采样层数相同的反卷积上采样,获得对应的分类信号。
4.如权利要求3所述的心电信号处理方法,其特征在于,所述采用所述膨胀率对应维空洞卷积对所述波形特征进行至少两层卷积下采样的步骤包括:
在卷积下采样的过程中将每层卷积下采样的结果进行归一化处理,并随机将隐藏层中部分神经元参数设为0。
5.如权利要求1所述的心电信号处理方法,其特征在于,所述心电信号处理方法还包括:
对所述分类结果进行二值型转换;
计算所述分类结果进行二值型转换的结果与对应的标签向量的差值平方和作为误差损失。
6.如权利要求5所述的心电信号处理方法,其特征在于,通过如下公式对所述分类结果进行二值型转换:
其中,z表示所述分类结果,σ(z)表示所述分类结果进行二值型转换后的结果。
7.如权利要求1所述的心电信号处理方法,其特征在于,所述心电信号处理方法还包括:
根据所述分类结果和对应的真实结果计算汉明损失和排序损失;
计算所述汉明损失和排序损失之和,并将所述汉明损失和排序损失之和作为误差损失。
8.如权利要求7所述的心电信号处理方法,其特征在于,通过如下公式计算所述汉明损失:
其中,nlabels表示分类结果的数量,表示第j个分类结果,yj表示对应的真实结果;
通过如下公式计算所述排序损失:
其中,R(y,f)表示排序损失,nsamples表示心电数据的样本数。
9.如权利要求5或7所述的心电信号处理方法,其特征在于,所述心电信号处理方法还包括:
获取预设时间段内的误差损失,并判断所述预设时间段内误差损失的变化是否小于预设值;
如果所述误差损失的变化大于或者等于预设值,则调整对应的参数,并采用调整后的参数对所述波形特征进行卷积下采样和反卷积上采样。
10.一种心电信号处理装置,其特征在于,所述心电信号处理装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的心电信号处理方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有心电信号处理程序,所述心电信号处理程序被处理器执行时实现如权利要求1至9中任一项所述的心电信号处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413507.8A CN108814585B (zh) | 2018-05-03 | 2018-05-03 | 心电信号处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413507.8A CN108814585B (zh) | 2018-05-03 | 2018-05-03 | 心电信号处理方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108814585A true CN108814585A (zh) | 2018-11-16 |
CN108814585B CN108814585B (zh) | 2021-05-28 |
Family
ID=64148054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413507.8A Active CN108814585B (zh) | 2018-05-03 | 2018-05-03 | 心电信号处理方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108814585B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 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 |
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN110288028A (zh) * | 2019-06-27 | 2019-09-27 | 北京邮电大学 | 心电检测方法、系统、设备及计算机可读存储介质 |
CN110432924A (zh) * | 2019-08-06 | 2019-11-12 | 杭州智团信息技术有限公司 | 肠鸣音检测装置、方法和电子设备 |
CN111434305A (zh) * | 2019-01-15 | 2020-07-21 | 中山大学 | 基于卷积编解码神经网络的胎儿心电提取系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
CN105068644A (zh) * | 2015-07-24 | 2015-11-18 | 山东大学 | 一种基于卷积神经网络的p300脑电信号检测方法 |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
US10579929B2 (en) * | 2016-05-26 | 2020-03-03 | Ogma Intelligent Systems Corp. | Processing time-varying data streams using sparse predictive hierarchies |
US10685488B1 (en) * | 2015-07-17 | 2020-06-16 | Naveen Kumar | Systems and methods for computer assisted operation |
-
2018
- 2018-05-03 CN CN201810413507.8A patent/CN108814585B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400123A (zh) * | 2013-08-21 | 2013-11-20 | 山东师范大学 | 基于三轴加速度传感器及神经网络的步态类型鉴别方法 |
CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
US10685488B1 (en) * | 2015-07-17 | 2020-06-16 | Naveen Kumar | Systems and methods for computer assisted operation |
CN105068644A (zh) * | 2015-07-24 | 2015-11-18 | 山东大学 | 一种基于卷积神经网络的p300脑电信号检测方法 |
US10579929B2 (en) * | 2016-05-26 | 2020-03-03 | Ogma Intelligent Systems Corp. | Processing time-varying data streams using sparse predictive hierarchies |
CN106344005A (zh) * | 2016-10-28 | 2017-01-25 | 张珈绮 | 一种可移动心电图监测系统及监测方法 |
CN107137072A (zh) * | 2017-04-28 | 2017-09-08 | 北京科技大学 | 一种基于1d卷积神经网络的室性异位搏动检测方法 |
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
Non-Patent Citations (2)
Title |
---|
KIRANYAZ S: "《Convolutional Neural Networks for Patient-Specific ECG Classification》", 《ENGINEERING IN MEDICINE & BIOLOGY SOCIETY》 * |
安勇,王宏飞等: "《基于卷积神经网络的心电特征提取》", 《计算机工程与设计》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109480824A (zh) * | 2018-12-11 | 2019-03-19 | 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 |
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN111434305A (zh) * | 2019-01-15 | 2020-07-21 | 中山大学 | 基于卷积编解码神经网络的胎儿心电提取系统及方法 |
CN110288028A (zh) * | 2019-06-27 | 2019-09-27 | 北京邮电大学 | 心电检测方法、系统、设备及计算机可读存储介质 |
CN110288028B (zh) * | 2019-06-27 | 2021-11-02 | 北京邮电大学 | 心电检测方法、系统、设备及计算机可读存储介质 |
CN110432924A (zh) * | 2019-08-06 | 2019-11-12 | 杭州智团信息技术有限公司 | 肠鸣音检测装置、方法和电子设备 |
CN110432924B (zh) * | 2019-08-06 | 2021-10-22 | 杭州智团信息技术有限公司 | 肠鸣音检测装置、方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108814585B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108814585A (zh) | 心电信号处理方法、装置和计算机可读存储介质 | |
US11534097B2 (en) | Detection of electrocardiographic signal | |
CN107818314B (zh) | 脸部图像处理方法、装置及服务器 | |
CN108229269A (zh) | 人脸检测方法、装置和电子设备 | |
CN108038469A (zh) | 用于检测人体的方法和装置 | |
CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
CN106778685A (zh) | 心电图图像识别方法、装置及服务终端 | |
CN107273503A (zh) | 用于生成同语言平行文本的方法和装置 | |
CN109063706A (zh) | 文字模型训练方法、文字识别方法、装置、设备及介质 | |
CN108108807A (zh) | 学习型图像处理方法、系统及服务器 | |
CN108629326A (zh) | 目标体的动作行为识别方法及装置 | |
CN112041856A (zh) | 用于预测的跨模态神经网络 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
CN107886062B (zh) | 图像处理方法、系统及服务器 | |
CN108363979A (zh) | 基于双通道三维卷积神经网络的新生儿疼痛表情识别方法 | |
CN109376663A (zh) | 一种人体姿态识别方法及相关装置 | |
CN110197729A (zh) | 基于深度学习的静息态fMRI数据分类方法和装置 | |
CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
CN111870237A (zh) | 血压检测方法、装置、设备及介质 | |
CN109858528A (zh) | 推荐系统训练方法、装置、计算机设备及存储介质 | |
CN110037680A (zh) | 心电图的识别方法及装置、存储介质、计算机设备 | |
CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN108511066A (zh) | 信息生成方法和装置 | |
CN110197116A (zh) | 一种人体行为识别方法、装置和计算机可读存储介质 | |
CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 |
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 |