CN109222963A - 一种基于卷积神经网络的心电异常识别分类方法 - Google Patents
一种基于卷积神经网络的心电异常识别分类方法 Download PDFInfo
- Publication number
- CN109222963A CN109222963A CN201811394101.6A CN201811394101A CN109222963A CN 109222963 A CN109222963 A CN 109222963A CN 201811394101 A CN201811394101 A CN 201811394101A CN 109222963 A CN109222963 A CN 109222963A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- data
- neuron
- layer
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (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卷积神经网络的心电异常识别分类方法,方法包括从MIT数据库中获取心电数据,对所获取的数据工频干扰噪声、基线运动噪声与高频噪声干扰,对处理后的数据进行R波峰值检测,前后取点绘制图片,搭建卷积神经网络模型对图片进行训练,采用10倍交叉验证评估性能指标。本发明使用基于卷积神经网络的方法,通过对卷积神经网络的结构配置及优化提高了心电异常识别分类的准确率及增加了分类种数。本发明主要解决的技术问题是通过心电数据进行心电异常的识别分类,辅助给医生提供参考,降低误诊、漏诊率,减轻医生的工作量;应用卷积神经网络自动学习特征,减少了特征提取的工作量及复杂度。
Description
技术领域
本发明涉及心电信号识别分类领域,特别是涉及一种基于卷积神经网络的心电异常识别分类方法。
背景技术
临床上,心脑血管疾病是一种对人体健康构成重大威胁的常见慢性疾病之一,该疾病的发病率、死亡率、复发率均较高。根据世界卫生组织(世卫组织)的数据,2017年大约有1870万人死于心血管疾病。心电图(Electrocardiogram,ECG)检查是通过两两电极之间或电极与中央电势端之间组成一个个不同的导联,通过导联线与心电图机电流计的正负极相连,记录了心脏的电活动。心电图能够在某种程度上客观的体现心脏的健康情况,已经成为临床上重要的常规检查手段,是医生诊断心脏疾病的得力助手,所以对于诊断心脏相关的疾病、评估心脏健康状态具有重要的意义。
近年来,随着模糊识别、人工智能、神经网络等技术水平的提高,目前对于心电信号异常心律的识别分类主要为人工智能、模式技术、统计分类、句法分析等方法的研究。例如姚成等提出了基于连续小波变换的心电信号QRS波识别算法,再运用逻辑判断、聚类和模糊聚类三者结合对异常心电实现准确聚类的算法;赵毅设计了一种基于小波分析和改进的BP神经网络算法;刘世雄结合模糊数学和聚类算法,采取了差分结合多特征模式识别及统计方法。但是经过分析不难发现,上述这些方法不仅需要大量的特征提取计算,还需要医学领域的专家知识,耗费大量的工作精力和人力资源,最重要的一点是这些方法对心电异常识别分类的准确率并不高,识别的种类数也较少。
发明内容
本发明目的在于提供一种基于卷积神经网络的心电异常识别分类方法,其主要解决的问题是提高心电异常识别分类的准确率,增多分类种数,为医生提供比较可靠的辅助和参考;减少的研究人员特征提取的工作量和复杂度。
具体地,本发明提供一种基于卷积神经网络的心电异常识别分类方法,其包括以下步骤:
S1、获取数据:从心电数据库中下载心电数据;
S2、对数据进行去噪处理,采用自适应陷波器去除工频干扰,之后采用带通滤波器选取有效频段进行滤波,带通滤波器的滤波范围为0.5Hz~45Hz;
S3、提取数据的R波峰值点:将去噪后的数据采用二进样条小波进行分解,做四层分解选取第三层数据进行提取,采用求极值对的过零点法定位R波峰值点;
S4、生成图片:将所求的R波峰值点位置与注释所给的R波峰值点位置进行比较,选取符合要求的R波峰值点位置,取其峰值点的前0.3秒和后0.4秒的数据绘制图片,放到对应异常类型文件夹下,选取波形质量好的图片;
S5、搭建CNN模型:构建多层卷积神经网络,多层卷积神经网络包含卷积层、池化层和全连接层,通过层数的搭建和每层参数的配置完成CNN模型的搭建;
所述卷积层输出值的计算公式为:
其中,xi,j表示图像的第i行第j列元素;wm,n表示第m行第n列权重;wb表示filter的偏置项;ai,j表示Feature Map的第i行第j列元素;f表示激活函数;
S6、优化CNN模型;对所搭建的CNN模型进行优化,对每层卷积层进行批量正则化,使用Relu激活函数减轻梯度消失问题;
S7、CNN模型的训练;CNN模型的训练算法为反向传播算法,采用十倍交叉循环重复训练多次;
S8、CNN模型的测试输出:如步骤S7所述,采用十倍交叉验证进行测试,在每一轮中获取评估性能指标,最后,通过对所有训练中记录的平均性能进行计算,获得总体性能指标。
优选地,步骤S7中所述反向传播算法具体包括以下步骤:
S71、前向计算每个神经元的输出值aj;
S72、反向计算每个神经元的误差项δj,为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数,即
S73、计算每个神经元连接权重wji的梯度,公式为其中,j表示网络的第j个神经元,wji表示从神经元i连接到神经元j的权重,ai表示神经元i的输出。
优选地,所述Relu激活函数为f(x)=max(0,x)。
优选地,步骤S5中搭建了九层卷积神经网络,三个卷积层,三个池化层,三个全连接层,最后一层为处理多分类任务的softmax层。
优选地,步骤S2中采用50Hz自适应陷波去除了工频干扰,再采用带通滤波器选取0.5~45Hz的有效频段。
优选地,步骤S7中采用十倍交叉循环重复训练十次。
优选地,步骤S6中在卷积层和激活函数之间利用批量正则化层来加速神经网络训练,降低对网络初始化的敏感性。
本发明与现有技术相比,具有以下优点:
①本发明能够减少特征提取的工作量和复杂度,基于卷积神经网络的心电异常识别分类方法只需要提取R波峰值点位置,由于R波高耸,峰值点的提取也较容易,将做好的图片放进搭建的模型中去训练,自动学习提取特征,省去了研究员特征提取的工作。
②本发明提高了准确率,为医疗人员提供了可靠地辅助与参考。通过对大量图片的反复训练,对算法的不断优化,使得心电异常识别分类准确率得到的一定的提高,为医疗人员提供了可靠地辅助与参考,减少误诊、漏诊率。
附图说明
图1为本发明的工作流程示意图;
图2为MIT-BIH心电数据库中心电数据组成图;
图3为心电信号原始数据与去噪数据对比图;
图4为心电数据R波峰值点提取结果图;
图5为生成的心电数据图片;
图6为卷积神经网络架构示意图;以及
图7为CNN模型测试输出图。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
具体地,本发明提供一种基于卷积神经网络的心电异常识别分类方法,如图1所示,其包括以下步骤:
S1、获取数据:从心电数据库中下载心电数据;
从这页到第6页页眉都错了,应该是说明书S2、对数据进行去噪处理,采用自适应陷波器去除工频干扰,之后采用带通滤波器选取有效频段进行滤波,带通滤波器的滤波范围为0.5Hz~45Hz;
S3、提取数据的R波峰值点:将去噪后的数据采用二进样条小波进行分解,选取第三层数据进行提取,采用求极值对的过零点法定位R波峰值点;
S4、生成图片:将所求的R波峰值点位置与注释所给的R波峰值点位置进行比较,选取符合要求的R波取其峰值点的前0.3秒和后0.4秒的数据绘制图片,放到对应异常类型文件夹下,并对生成的图片进行筛选;
S5、搭建CNN模型:构建多层卷积神经网络,多层卷积神经网络包含卷积层、池化层和全连接层,通过层数的搭建和每层参数的配置完成CNN模型的搭建;
卷积层输出值的计算公式为:
其中,xi,j表示图像的第i行第j列元素;wm,n表示第m行第n列权重;wb表示filter的偏置项;ai,j表示Feature Map的第i行第j列元素;f表示激活函数;
S6、优化CNN模型;对所搭建的CNN模型进行优化,对每层卷积层进行批量正则化,使用Relu激活函数减轻梯度消失问题;
S7、CNN模型的训练;CNN模型的训练算法为反向传播算法,采用十倍交叉循环重复训练十次;
S8、CNN模型的测试输出:如步骤S7,采用十倍交叉验证进行测试,在每一轮中获取评估性能指标,最后,通过对所有训练中记录的平均性能进行计算,获得总体性能指标。
优选地,步骤S7中反向传播算法具体包括以下步骤:
S71、前向计算每个神经元的输出值aj;
S72、反向计算每个神经元的误差项δj,为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数,即
S73、计算每个神经元连接权重wji的梯度,公式为其中,j表示网络的第j个神经元,wji表示从神经元i连接到神经元j的权重,ai表示神经元i的输出。
优选地,Relu激活函数为f(x)=max(0,x)。
实施例
步骤一:数据的获取;本发明所采用的数据是从MIT-BIH心电数据库中下载的,如图2所示,MIH-BIH中由头文件.hea,数据文件.dat,注释文件.art组成一条记录,采样频率是360Hz,包含41种心电异常类型的原始数据。
步骤二:数据的去噪;去燥后如图3所示,心电信号是采自于人体体表的一种生物电信号,具有生物电信号的共性:幅值微弱、低频、阻抗大、随机性等,心电信号大部分能量集中在0.05~100Hz,QRS波群能量集中在5~45Hz,P、T波频率一般在10Hz以下。心电数据主要存在三种干扰,50Hz工频干扰;基线漂移,频率范围通常为0.15~0.3Hz之间,有时会达到1Hz;肌电干扰,频率范围很广。先采用50Hz自适应陷波去除工频干扰,在采用带通滤波器选取有效频段,带通滤波器上限为0.5Hz,下限为45Hz。
步骤三:数据的R波峰值点提取;将去噪后的数据采用二进样条小波进行分解,选取第三层数据进行提取,先用斜率法寻找正负极大值对,再寻找正负极值对,极值对的过零点即为R波峰值点,如图4所示。
步骤四:图片的生成;将所求的R波峰值点位置与注释所给的R波峰值点位置做比较,符合要求的R波取其峰值点的前0.3秒和后0.4秒的数据绘制图片,存放到对应异常类型文件夹下,并对生成图片进行筛选,生成的心电图片如图5所示。
步骤五:CNN模型的搭建;本发明构建了三个卷积层、三个池化层和三个全连接层,配置每层参数,完成CNN模型的搭建,卷积神经网络架构示意图如图6所示。
步骤六:CNN模型的优化;对所搭建的CNN模型进行优化,对每层卷积层进行批量正则化,使用Relu激活函数减轻梯度消失问题。
步骤七:CNN模型的训练;CNN模型的训练算法为反向传播算法,采用十倍交叉验证进行循环训练,将ECG图片随机分成10个相等的部分,选取其中的九部分用来训练,剩下的一部分作为测试,循环重复十次。
卷积神经网络的训练算法为反向传播算法,整个算法分为三个步骤:
前向计算每个神经元的输出值aj(j表示网络的第j个神经元,以下同);
反向计算每个神经元的误差项δj,它实际上是网络的损失函数Ed对神经元加权输入netj的偏导数,即
计算每个神经元连接权重wji的梯度(表示从神经元i连接到神经元j的权重),公式为其中,ai表示神经元i的输出。
步骤八:CNN模型的测试输出;如步骤七,采用十倍交叉验证进行测试,将剩下的每一部分放入对应的模型中进行测试,在每一轮中评估性能指标(特异性、灵敏度和准确性)。最后,通过对所有10轮中记录的平均性能,获得总体性能指标,CNN模型测试输出图如图7所示。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于卷积神经网络的心电异常识别分类方法,其特征在于:其包括以下步骤:
S1、获取数据:从心电数据库中下载心电数据;
S2、对数据进行去噪处理,采用自适应陷波器去除工频干扰,之后采用带通滤波器选取有效频段进行滤波,带通滤波器的滤波范围为0.5Hz~45Hz;
S3、提取数据的R波峰值点:将去噪后的数据采用二进样条小波进行分解,做四层分解选取第三层数据进行提取,采用求极值对的过零点法定位R波峰值点;
S4、生成图片:将所求的R波峰值点位置与注释所给的R波峰值点位置进行比较,选取符合要求的R波峰值点位置,取其峰值点的前0.3秒和后0.4秒的数据绘制图片,放到对应异常类型文件夹下,选取波形质量好的图片;
S5、搭建CNN模型:构建多层卷积神经网络,多层卷积神经网络包含卷积层、池化层和全连接层,通过层数的搭建和每层参数的配置完成CNN模型的搭建;
所述卷积层输出值的计算公式为:
其中,xi,j表示图像的第i行第j列元素;wm,n表示第m行第n列权重;wb表示filter的偏置项;ai,j表示Feature Map的第i行第j列元素;f表示激活函数;
S6、优化CNN模型;对所搭建的CNN模型进行优化,对每层卷积层进行批量正则化,使用Relu激活函数减轻梯度消失问题;
S7、CNN模型的训练;CNN模型的训练算法为反向传播算法,采用十倍交叉循环重复训练多次;
S8、CNN模型的测试输出:如步骤S7所述,采用十倍交叉验证进行测试,在每一轮中获取评估性能指标,最后,通过对所有训练中记录的平均性能进行计算,获得总体性能指标。
2.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:步骤S7中所述反向传播算法具体包括以下步骤:
S71、前向计算每个神经元的输出值aj;
S72、反向计算每个神经元的误差项δj,为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数,即
S73、计算每个神经元连接权重wji的梯度,公式为其中,j表示网络的第j个神经元,wji表示从神经元i连接到神经元j的权重,ai表示神经元i的输出。
3.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:所述Relu激活函数为f(x)=max(0,x)。
4.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:步骤S5中搭建了九层卷积神经网络,三个卷积层,三个池化层,三个全连接层,最后一层为处理多分类任务的softmax层。
5.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:步骤S2中采用50Hz自适应陷波去除了工频干扰,再采用带通滤波器选取0.5~45Hz的有效频段。
6.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:步骤S7中采用十倍交叉循环重复训练十次。
7.根据权利要求1所述的基于卷积神经网络的心电异常识别分类方法,其特征在于:步骤S6中在卷积层和激活函数之间利用批量正则化层来加速神经网络训练,降低对网络初始化的敏感性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811394101.6A CN109222963A (zh) | 2018-11-21 | 2018-11-21 | 一种基于卷积神经网络的心电异常识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811394101.6A CN109222963A (zh) | 2018-11-21 | 2018-11-21 | 一种基于卷积神经网络的心电异常识别分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109222963A true CN109222963A (zh) | 2019-01-18 |
Family
ID=65076257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811394101.6A Pending CN109222963A (zh) | 2018-11-21 | 2018-11-21 | 一种基于卷积神经网络的心电异常识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109222963A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
CN109864714A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 一种基于深度学习的心电信号分析方法 |
CN110074775A (zh) * | 2019-04-30 | 2019-08-02 | 郑州大学 | 基于ga-elm混合模型的急性心肌梗死定位方法 |
CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断系统 |
CN111568410A (zh) * | 2020-05-18 | 2020-08-25 | 中国矿业大学 | 一种基于12导联和卷积神经网络的心电数据分类方法 |
CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
CN112231975A (zh) * | 2020-10-13 | 2021-01-15 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备可靠性分析的数据建模方法及系统 |
CN112244855A (zh) * | 2020-11-13 | 2021-01-22 | 上海优加利健康管理有限公司 | 一种面向心电数据的数据处理系统 |
CN115721318A (zh) * | 2022-11-24 | 2023-03-03 | 西安工程大学 | 一种心电信号降噪处理方法、系统、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
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 |
CN108256426A (zh) * | 2017-12-15 | 2018-07-06 | 安徽四创电子股份有限公司 | 一种基于卷积神经网络的人脸表情识别方法 |
CN108428224A (zh) * | 2018-01-09 | 2018-08-21 | 中国农业大学 | 基于卷积神经网的动物体表温度检测方法及装置 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 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 |
CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
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 |
-
2018
- 2018-11-21 CN CN201811394101.6A patent/CN109222963A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345600A (zh) * | 2013-06-24 | 2013-10-09 | 中国科学院深圳先进技术研究院 | 一种心电信号数据处理方法 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN107657318A (zh) * | 2017-11-13 | 2018-02-02 | 成都蓝景信息技术有限公司 | 一种基于深度学习模型的心电图分类方法 |
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 |
CN108256426A (zh) * | 2017-12-15 | 2018-07-06 | 安徽四创电子股份有限公司 | 一种基于卷积神经网络的人脸表情识别方法 |
CN108428224A (zh) * | 2018-01-09 | 2018-08-21 | 中国农业大学 | 基于卷积神经网的动物体表温度检测方法及装置 |
CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 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 |
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 |
Non-Patent Citations (4)
Title |
---|
李罗,卢建刚: "无线心电信号采集系统研究", 《计算机测量与控制》 * |
王永国: "基于DSP的实时Holter系统", 《研究与论著》 * |
郝贺: "基于心率变异性的人体精神疲劳检测系统研究", 《东北大学硕士学位论文》 * |
韩君泽: "心电信号自动检测与诊断方法的研究", 《哈尔滨工业大学所示学位论文》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109805924A (zh) * | 2019-02-15 | 2019-05-28 | 济南大学 | 基于cnn的心电信号处理方法及心律不齐检测系统 |
CN109864714A (zh) * | 2019-04-04 | 2019-06-11 | 北京邮电大学 | 一种基于深度学习的心电信号分析方法 |
CN110074775A (zh) * | 2019-04-30 | 2019-08-02 | 郑州大学 | 基于ga-elm混合模型的急性心肌梗死定位方法 |
CN110432892A (zh) * | 2019-08-05 | 2019-11-12 | 苏州米特希赛尔人工智能有限公司 | 机器学习心电图自动诊断系统 |
CN111568410A (zh) * | 2020-05-18 | 2020-08-25 | 中国矿业大学 | 一种基于12导联和卷积神经网络的心电数据分类方法 |
CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
CN111956208B (zh) * | 2020-08-27 | 2021-04-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
CN112231975A (zh) * | 2020-10-13 | 2021-01-15 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备可靠性分析的数据建模方法及系统 |
CN112244855A (zh) * | 2020-11-13 | 2021-01-22 | 上海优加利健康管理有限公司 | 一种面向心电数据的数据处理系统 |
CN112244855B (zh) * | 2020-11-13 | 2022-08-26 | 上海乐普云智科技股份有限公司 | 一种面向心电数据的数据处理系统 |
CN115721318A (zh) * | 2022-11-24 | 2023-03-03 | 西安工程大学 | 一种心电信号降噪处理方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107184198A (zh) | 一种心电信号分类识别方法 | |
Kanani et al. | ECG heartbeat arrhythmia classification using time-series augmented signals and deep learning approach | |
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 | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
Zhang et al. | ECG signal classification with deep learning for heart disease identification | |
Yoon et al. | Deep learning-based electrocardiogram signal noise detection and screening model | |
CN106901723A (zh) | 一种心电图异常自动诊断方法 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN110464334A (zh) | 一种基于复合深度学习网络的心电图异常检测方法 | |
CN110148466A (zh) | 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 | |
CN108309284A (zh) | 心电图t波终点检测方法和装置 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Gharaviri et al. | Comparison of neural network, ANFIS, and SVM classifiers for PVC arrhythmia detection | |
Shi et al. | Automated heartbeat classification based on convolutional neural network with multiple kernel sizes |
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: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |