CN108962393B - 基于压缩图神经网络的自动心律失常分析方法 - Google Patents
基于压缩图神经网络的自动心律失常分析方法 Download PDFInfo
- Publication number
- CN108962393B CN108962393B CN201810451719.5A CN201810451719A CN108962393B CN 108962393 B CN108962393 B CN 108962393B CN 201810451719 A CN201810451719 A CN 201810451719A CN 108962393 B CN108962393 B CN 108962393B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- unit
- dimension
- sample
- 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
Links
Images
Classifications
-
- 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
-
- 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]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (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压缩图神经网络的自动心律失常分析方法,它包括:两种采样方式生成多通道心电图样本;所得600维心电信号沿第二个维度拼接,原始心电信号为两导联时,等效为4*600*1维心电信号样本,将四个通道的输入信号输入到合并层中合并,输出600*4维信号。在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像。图像编码层后串联三层卷积层单元;卷积层单元包括使用二维卷积提取二维心电信号编码图片特征的卷积层以及依次串联的一激励单元操作和一池化层操作;串联一个激励单元为softmax的全连接层;输出;学习深度神经网络的参数,对样本进行自动识别;解决了现有心律失常分析系统尚不足以满足临床应用的准确率需求的问题。
Description
技术领域
本发明涉及医学信号处理技术领域,更确切地说,本发明涉及一种基于压缩图神经网络的自动心律失常分析方法。
背景技术
近些年,针对心电图的辅助诊断设备发展迅速,随着信息领域的科技进步,特别是随着模式识别技术的进展,心电图设备的功能不再是仅仅获取心电信号、打印心电图,而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息,有效节省诊断时间,提高医生的诊断效率,是重要的辅助医疗设备之一。
工作在计算器件上的自动心律失常分析系统是此类设备的核心,技术途径有两种,一是通过提取表征了心电图有效信息的特征向量,输入到分类器算法得到心拍的类别;二是通过深度学习技术自动学习特征并进行识别,得到心拍的类别。
基于深度学习技术的心律失常分析系统可以利用数据红利,有效提高识别精度,然而目前的心律失常分析系统尚不足以满足临床应用的准确率需求。
发明内容
本发明的目的是为解决现有心律失常分析系统尚不足以满足临床应用的准确率需求的问题,而提供一种基于压缩图神经网络的自动心律失常分析方法。
一种基于压缩图神经网络的自动心律失常分析方法,它包括:
1)采用两种采样方式进行复合采样,生成多通道心电图样本;
a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;
b.对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;
将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数。将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input,即为图一中的Input1, Input2, Input3, Input4;
2)搭建深度神经网络
深度神经网络包括多个依次串联的卷积层单元和全连接层单元,且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作;所述卷积单元使用的是二维卷积,用于提取二维心电信号编码图片的特征。
3)学习深度神经网络的参数;
4)对样本进行自动识别;
所述的搭建深度神经网络,当心电数据集拥有两导联信号时,输入信号维度为4*600*1。将四个通道的输入信号输入到合并层中沿最后一维合并,合并层输出为600*4维的信号。合并层的输出作为图像编码层的输入,合并层中将心电信号归一化到0-1的范围之间,再使用量化的方法,乘以量化电平数255即可将数据范围映射到0-255之间,再使用One-hot编码的方式对信号编码,编码后的心电信号维度为600*1024。对编码后的信号使用线性缩放的方式缩小20倍,缩小后的维度为30*52,调整输出维度为52*30*1作为卷积层的输入。图像编码层输出连接到串联的三层卷积层单元中,每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作;第一个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);第二个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第二层池化单元后的特征图维度为11*6*32。第三个卷积层单元的卷积核数为64个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第三层池化单元后的特征图维度为4*2*64。
所述的深度神经网络为三个依次串联的卷积层单元和全连接层单元;
将三层卷积单元输出的特征图输入到全连接层单元中,取全连接层单元的隐藏层数为64,全连接层单元输出特征图维度为64;全连接层单元的输出串联一个激励单元为softmax的全连接层,全连接层的输出维度为4,即类别数。最终所述深度神经网络模型输出预测向量维度;
所述的深度神经网络输出的预测向量维度为4;使用keras开源框架和python语言搭建,使用交叉熵作为损失函数,使用Adam优化器优化损失函数;
所述的学习深度神经网络的参数为:初始化所述深度神经网络的训练参数,将采样好的信号划分为训练集样本和测试集样本;即从总体样本中随机抽取一部分数目的样本当作训练集,对于其他未选中的样本视为测试集。再将训练集中的多通道心电信号X输入到初始化后的深度神经网络中,以最小化代价函数为目标进行迭代,以生成所述深度神经网络并保存下来;其中,每迭代一次则更新一次所述训练参数,直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近,即可停止训练并保存当前网络的训练参数和模型结构信息;
所述的对样本进行自动识别为:将划分好的测试集样本全部输入到已保存的所述神经网路中,运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出,将测试集样本的标签使用one-hot编码的方法生成4维的标签向量,再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确。
附图说明
图1为深度神经网络结构图。
具体实施方式
实施例1基于深度神经网络的自动心律失常分析方法
下面结合附图和具体的实施方式对本发明作进一步说明。
具体实例为国际通行心电图数据库MIT-BIH Arrhythmia Database(mitdb),该数据库的数据及使用说明公开于行业内周知的physionet.org网站;数据库包含47位患者两导联方式的半小时360Hz心电图记录,并已通过了心脏病医生手动标注;从所述数据集中选出四种按照AAMI标准划分的心拍类别组合作为效果评估依据,包括N类(正常心拍或束支传导阻滞心拍)、S类(室上性异常心拍)、V类(心室异常心拍)、F类(融合心拍);这四种类别的标签以及与mitdb数据集中类别的对应关系如表1;在本实例中,通过工作在计算机上的软件系统和行业内所周知的Matlab和python仿真环境进行实现。
本实施例的详细步骤如下:
一 .采用复合采样方式生成多通道心电图样本的实现
将所述的mitdb数据集中的原始信号去噪后,采用如下两种采样方式扩增信号的通道数:
(1)采样方式一为:对每个导联的心电信号,前后各取100个点再重采样到固定维度600;生成图1中的Input1和Input3;
(2)采样方式二为:对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;生成图1中的Input2和Input4;
将由此两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数。将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入,即为图一中的Input1, Input2, Input3, Input4。
二 .搭建深度神经网络
(1)所述深度神经网络的具体结构
所述深度模型输入为合并各个通道后的心电信号X,因为mitdb数据集拥有两导联信号,所以输入信号维度为4*600*1。将四个通道的输入信号输入到合并层中沿最后一维合并,合并层输出为600*4维的信号。合并层的输出作为图像编码层的输入,合并层中将心电信号归一化到0-1的范围之间,再使用量化的方法,乘以量化电平数255即可将数据范围映射到0-255之间,再使用One-hot编码的方式对信号编码,编码后的心电信号维度为600*1024。对编码后的信号使用线性缩放的方式缩小20倍,缩小后的维度为30*52,调整输出维度为52*30*1作为卷积层的输入。图像编码层输出连接到串联的三层卷积层单元中,每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作;第一个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第一层池化单元后的特征图维度为25*14*32。第二个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第二层池化单元后的特征图维度为11*6*32。第三个卷积层单元的卷积核数为64个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第三层池化单元后的特征图维度为4*2*64。
将三层卷积单元输出的特征图输入到全连接层单元中,取全连接层单元的隐藏层数为64,全连接层单元输出特征图维度为64。全连接层单元的输出串联一个激励单元为softmax的全连接层,全连接层的输出维度为4,即类别数。最终所述深度神经网络模型输出的预测向量y_pred维度为4。
(2)所述深度神经网络的具体实现
所述模型使用keras开源框架和python语言搭建,网路结构参数如表3。所述神经网络使用keras框架中的函数式模型搭建,即从 keras.models模块中导入Model函数,设置Model的输入为所述经过复合采样后的多通道心电信号X,输出为维度为4的预测向量y_pred。通过导入keras.layers模块中的Conv2D函数构造一维卷积层,通过导入keras.layers模块中的MaxPooling2D函数构造一维最大化池化层,通过导入keras.layers模块中的Dense函数构造全连接层单元。
三.学习深度神经网络的参数
首先初始化所述深度神经网络的训练参数,将采样好的信号划分为训练集样本和测试集样本,划分后的数据集如表2所示。将训练集中使用复合方式采样后的多通道心电信号输入到初始化后的深度神经网络中,所述深度神经网络中使用交叉熵作为代价函数;Keras中使用categorical_crossentropy函数,所述深度神经网络中通过构建的函数式模型Model实例化一个对象model,在model.compile函数中设置参数loss为'categorical_crossentropy'; 并使用Adam优化器以最小化代价函数为目标进行迭代,通过在model.compile函数中设置参数optimizer为‘Adam’进行优化, 以生成所述深度神经网络并保存为hd5后缀的文件model1.hd5;其中,每迭代一次则更新一次所述训练参数;直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近,即可停止训练并保存当前网络的训练参数和模型结构信息;所述深度神经网络共训练了3000个批次,每个批次为64个样本。
四 .对样本进行自动识别
将划分好的测试集样本全部输入到已保存的所述神经网路model1.hd5中,运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出y_pred,将测试集样本的标签使用one-hot编码的方法生成4维的标签向量y_label,在keras.utils模块中提供np_utils.to_categorical函数对输入的测试集标签进行one-hot编码,再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确,即统计y_pred 和y_label对应位置值相同的样本个数num,用num除以测试集样本总数即为最终的准确率。
按照表1,将AAMI标准下四种类型的心拍进行标记。
按照表1,将AAMI标准下四种类型的心拍进行标记。
按照表2所示的数量,随机抽取所有心拍中的一部分作为实施例的分类训练集;在剩余的心拍中,除去训练集以外的所有心拍作为测试集。
按照表3所列的网络结构参数,网络每层的层类型如Type列中对应位置的参数值,每层的层类型如Output layer列中对应位置的参数值,将网络每层的核大小设为Kernelsize中对应位置的参数值,将网络每层核的移动步长设为Strides中对应位置的参数值。
Claims (6)
1.一种基于压缩图神经网络的自动心律失常分析方法,它包括:
1)采用两种采样方式进行复合采样,生成多通道心电图样本;
a.对每个导联的心电信号,心拍前后各取100个点再重采样到固定维度600的向量;生成Input1和Input3;
b.对每个导联的心电信号,心拍前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600的向量;生成Input2和Input4;
将上述两种采样方式所得的600维心电信号沿第二个维度向量拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为两种采样方式,该导联心电信号的通道数为2;那么原始每个导联的心电数据经过所述两种采样方式形成4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input;
2)搭建深度神经网络
深度神经网络包括多个依次串联的卷积层单元和全连接层单元,且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元和一池化层;所述卷积层单元使用的是二维卷积,用于提取二维心电信号编码图片的特征;
3)学习深度神经网络的参数;
4)对样本进行自动识别。
2.根据权利要求1所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:
所述的搭建深度神经网络,当心电数据集拥有两导联信号时,输入信号维度为4*600*1;将四个通道的输入信号输入到合并层中沿最后一维合并,合并层输出为600*4维的信号,合并层的输出作为图像编码层的输入,合并层中将心电信号归一化到0-1的范围之间,再使用量化的方法,乘以量化电平数255即可将数据范围映射到0-255之间,再使用One-hot编码的方式对信号编码,编码后的心电信号维度为600*1024;对编码后的信号使用线性缩放的方式缩小20倍,缩小后的维度为30*52,调整输出维度为52*30*1作为卷积层的输入,图像编码层输出连接到串联的三层卷积层单元中,每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作;第一个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);第二个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第二层池化单元后的特征图维度为11*6*32;第三个卷积层单元的卷积核数为64个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);经过第三层池化单元后的特征图维度为4*2*64。
3.根据权利要求2所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:所述的深度神经网络为三个依次串联的卷积层单元和全连接层单元;
将三层卷积层单元输出的特征图输入到全连接层单元中,取全连接层单元的隐藏层数为64,全连接层单元输出特征图维度为64;全连接层单元的输出串联一个激励单元为softmax的全连接层,全连接层的输出维度为4,即类别数,最终所述深度神经网络模型输出预测向量维度。
4.根据权利要求3所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:所述的深度神经网络输出的预测向量维度为4;使用keras开源框架和python语言搭建,使用交叉熵作为损失函数,使用Adam优化器优化损失函数。
5.根据权利要求1、2、3或4所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:所述的学习深度神经网络的参数为:初始化所述深度神经网络的训练参数,将采样好的信号划分为训练集样本和测试集样本;即从总体样本中随机抽取一部分数目的样本当作训练集,对于其他未选中的样本视为测试集;再将训练集中的多通道心电信号X输入到初始化后的深度神经网络中,以最小化代价函数为目标进行迭代,以生成所述深度神经网络并保存下来;其中,每迭代一次则更新一次所述训练参数,直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近,即可停止训练并保存当前网络的训练参数和模型结构信息。
6.根据权利要求5所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:所述的对样本进行自动识别为:将划分好的测试集样本全部输入到已保存的所述神经网络中,运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出,将测试集样本的标签使用one-hot编码的方法生成4维的标签向量,再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810451719.5A CN108962393B (zh) | 2018-05-12 | 2018-05-12 | 基于压缩图神经网络的自动心律失常分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810451719.5A CN108962393B (zh) | 2018-05-12 | 2018-05-12 | 基于压缩图神经网络的自动心律失常分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108962393A CN108962393A (zh) | 2018-12-07 |
CN108962393B true CN108962393B (zh) | 2019-10-15 |
Family
ID=64499144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810451719.5A Active CN108962393B (zh) | 2018-05-12 | 2018-05-12 | 基于压缩图神经网络的自动心律失常分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108962393B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770891B (zh) * | 2019-01-31 | 2022-04-29 | 上海交通大学 | 心电信号预处理方法及预处理装置 |
CN110141220B (zh) * | 2019-06-20 | 2022-03-15 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测系统 |
CN110277165B (zh) * | 2019-06-27 | 2021-06-04 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN112329609A (zh) * | 2020-11-03 | 2021-02-05 | 山东大学 | 基于2d心拍的特征融合迁移学习心律失常分类系统 |
CN113171106A (zh) * | 2021-04-25 | 2021-07-27 | 安徽十锎信息科技有限公司 | 基于vq-vae2和深度神经网络方法的心电异常检测方法 |
CN113288157A (zh) * | 2021-05-19 | 2021-08-24 | 浙江理工大学 | 基于深度可分离卷积和改进损失函数的心律失常分类方法 |
CN113440149B (zh) * | 2021-07-12 | 2023-09-29 | 齐鲁工业大学 | 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 |
CN115357554B (zh) * | 2022-10-24 | 2023-02-24 | 浪潮电子信息产业股份有限公司 | 一种图神经网络压缩方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2018
- 2018-05-12 CN CN201810451719.5A patent/CN108962393B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108962393A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108962393B (zh) | 基于压缩图神经网络的自动心律失常分析方法 | |
CN108764457B (zh) | 基于采样通道融合深度神经网络的自动心律失常分析方法 | |
CN108875575A (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
CN108937912A (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
CN108720831A (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
CN108766557B (zh) | 基于通道信号融合神经网络的自动心律失常分析方法 | |
CN107203692A (zh) | 基于深度卷积神经网络的房颤检测的实现方法 | |
CN110141219B (zh) | 基于导联融合深度神经网络的心肌梗死自动检测方法 | |
CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
CN110141220B (zh) | 基于多模态融合神经网络的心肌梗死自动检测系统 | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN111956212B (zh) | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
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 | |
CN109558912A (zh) | 一种基于深度可分离卷积的阿尔兹海默病分类方法 | |
CN109448703A (zh) | 结合深度神经网络和主题模型的音频场景识别方法及系统 | |
CN110584654A (zh) | 一种基于多模态卷积神经网络心电信号分类方法 | |
CN110363772A (zh) | 基于对抗网络的心脏mri分割方法及系统 | |
CN110897634A (zh) | 一种基于生成对抗网络的心电信号生成方法 | |
CN114224288B (zh) | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 | |
CN108766581A (zh) | 健康医疗数据的关键信息挖掘方法及辅助诊断系统 | |
Liu et al. | Inter-patient congestive heart failure detection using ECG-convolution-vision transformer network | |
CN113855042A (zh) | 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 | |
CN112786190B (zh) | 一种多维数据融合的医疗健康诊疗方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221208 Address after: 264006 No.1, No. 10, Hengshan Road, Yantai District, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province Patentee after: Fengxiang (Shandong) Medical Technology Co.,Ltd. Address before: 264025 No. 186 Hongqi Middle Road, Zhifu District, Shandong, Yantai Patentee before: LUDONG University |
|
TR01 | Transfer of patent right |