CN109259756B - 基于非平衡训练的二级神经网络的ecg信号处理方法 - Google Patents
基于非平衡训练的二级神经网络的ecg信号处理方法 Download PDFInfo
- Publication number
- CN109259756B CN109259756B CN201811024705.1A CN201811024705A CN109259756B CN 109259756 B CN109259756 B CN 109259756B CN 201811024705 A CN201811024705 A CN 201811024705A CN 109259756 B CN109259756 B CN 109259756B
- Authority
- CN
- China
- Prior art keywords
- heart beat
- abnormal
- heart
- neural network
- beat
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于非平衡训练的二级神经网络的ECG信号处理方法,包括以下步骤:预处理:采集ECG信号,并采用滤波器消除基线漂移和工频干扰;寻找ECG信号的波形的R峰,并进行ECG信号的心拍分割。信号识别:采用非平衡训练的二级神经网络识别心拍分割后的ECG信号,获得异常的ECG信号和正常的ECG信号,其中,非平衡训练需与二级神经网络搭配使用。压缩处理:将所述的ECG信号进行基于智能诊断的自适应压缩。
Description
技术领域
本发明涉及信号处理技术领域,尤其是基于非平衡训练的二级神经网络的ECG信号处理方法。
背景技术
心脏病是威胁人类生命的主要疾病之一,长期以来,对心脏病的研究一直是医学界的重要课题。人体心电图,作为心脏电活动在体表的综合表现,蕴涵着丰富的反映心脏节律及其电传导的生理和病理信息,所以心电图常用于分析、判断各种心律失常,也可用于诊断心肌受损的程度以及心房、心室的功能结构状况,在指导心脏疾病的治疗和康复上具有重大的参考价值,同时也是目前分析与鉴别各种心律失常最精确的方法之一。
心电图作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。大量临床医学观察发现,大部分心律失常都有突发性和偶发性的特点,产生的时间和频率无固定的规律,因此,需要经过长时间不间断的观察才能捕获失常的心律。常规心电图只采集特定时间内的一段心电波形,然而有些患者的心电异常并不在采集的那段时间内发生,因此仅依靠常规心电图来检查一个人是否患有心脏疾病并不可靠。为此,美国物理学、实验物理学家Norman J.Holter将动态心电图技术应用于心脏活动的监测领域,故称为Holter心电图。这种Holter心电系统将24小时模拟ECG(心电)信号直接记录于磁带式记录仪,这便是早期的动态心电监测。这类早期的心电监测设备,虽然较原本医院里的大型ECG监测设备来讲,基本上满足了连续监测的要求,但是其并不具有智能诊断的功能,只能依靠医生的后期诊断,不能及时作出反馈,且人工分析的数据较为繁多。
另外,由于病态心电图种类繁多、变异极大,同种病理不同患者的心电图、甚至同一患者不同时刻的心电图都存在着较大的差异,要对其做出准确判断,必须通常需要医师具有丰富的领域知识和积累大量的临床经验。若医师长期从事大量图形的识别工作,极易疲劳,且容易出现漏检和出错的情况。为了满足心电监测自动分类准确的需求,帮助医师从繁琐的图形识别工作中解脱出来,具有智能诊断功能的穿戴式ECG智能监测设备应运而生,这种设备可以完成ECG智能诊断与ECG信号传输。
智能诊断,是对ECG信号波形进行分类,传统的ECG信号波形算法是基于ECG波形形态结构对心拍类型进行自动分类的,该方法包括模板匹配、结构描述、模型参数、线性预测等。模板匹配法利用固定或动态模板与检测到的ECG信号进行比较,利用匹配到的模板种类对心拍进行分类。而结构描述法则利用一些复杂的拓扑结构来表征ECG波形,根据ECG信号的实际波形来反推其结构的分类。现存的心律不齐的分类算法主要有两种,一种是基于特征的分类算法,这种算法是通过在神经网络之前加入特征提取模块,即特征工程,然后把特征传入神经网络进行判断。其不足之处在于:第一,同一病人在不同阶段的心电图均有差异,单纯依赖特征工程提取既定的这些特征,可能降低整套算法的泛化能力;第二,提取特征的过程较为复杂,可能增加计算复杂度。第三,选取合适的特征可能需要耗费人力和时间。另一种就是端对端的结构,该结构依赖机器学习算法,直接将原始的波形信号经过非常简单的预处理送入神经网络,由神经网络自动提取特征,完成最后的识别和判断。这种方案通过训练,让网络自动提取特征,规避了很多人的主观判断带来的不合理特征,这样使得整个模型拥有更强的泛化能力,可以达到一个更高的精确度。但是,采用神经网络的方式存在以下不足:处理功耗高,影响穿戴设备电池寿命,且占用体积大。
另外,长时间的ECG波形传输耗能较高,为了提高ECG信号的存储和分析效率,必须采用数据压缩技术对ECG信号进行压缩,以便在不损失重要的诊断信息的前提下,取得更大的压缩比,以便节省ECG信号传输所消耗的能量。现存的ECG信号压缩技术分为有损压缩和无损压缩。常见的有损压缩方案主要有三类:第一类是直接压缩,其普遍是基于时域上信号的相关性,消除其中的冗余信息来达到压缩的目的,常见的插值法和多项式预测法。第二类是变换域压缩,其主要是根据信号的频域关系,利用另一个空间里更为稀疏的表示方法来达到压缩的目的,常见的变换方法有傅里叶变换,小波变换等。第三类是基于特征参数提取压缩,这种方法一般采用提取信号的特征点或建立信号模型,在解压时,根据信号的特征点参数或者是模型参数来恢复信号。而无损压缩大多都是基于有损压缩,在设备中设置解压模块,将有损压缩信号和原信号之间相减取得残差,最后将残差与有损压缩信号同时传输。在压缩过程中,存在以下不足之处:第一,通过单纯的无损压缩方案将信号完整的传输出去,虽然可以很好的保留信号的原貌,很难提高压缩比。第二,若只是有损压缩方案将ECG信号传输出去,虽然达到了高压缩比,但是压缩恢复出来的信号质量差,容易丢失重要的诊断信息。
发明内容
本发明的目的在于提供一种基于非平衡训练的二级神经网络的ECG信号处理方法,本发明采用的技术方案如下:
基于非平衡训练的二级神经网络的ECG信号处理方法,包括以下步骤:
预处理:采集ECG信号,并采用滤波器消除基线漂移和工频干扰;寻找ECG信号的波形的R峰,并进行ECG信号的心拍分割。
信号识别:采用非平衡训练的神经网络识别心拍分割的ECG信号,获得异常的ECG信号和正常的ECG信号。
压缩处理:将所述异常的ECG信号采用无损压缩,且将所述正常的ECG信号采用有损压缩。
优选地,所述神经网络为二级神经网络,且识别单心拍包括以下步骤:
预判:向所述第一级神经网络加载数个标准库的单心拍,并向标准库中的异常的单心拍的损失项添加权值m,并联合BP算法训练第一级神经网络,并通过非平衡训练的第一级神经网络判别异常的单心拍和正常的单心拍;所述单心拍的标准库包括N节拍、S节拍、V节拍、F节拍和Q节拍;所述正常的单心拍为N节拍,且异常的单心拍为S节拍、V节拍、F节拍和Q节拍其中之一;所述权值m为大于0、且不等于1的超参数。
判断异常的单心拍的类型:将所述异常的单心拍导入第二级神经网络,提取异常的单心拍的波形特征,判断异常的单心拍的类型。
更进一步地,向所述第一级神经网络加载数个标准库的单心拍,并向标准库中的异常的单心拍的损失项添加权值m,得到损失函数J(w),其表达式为:
其中,y(i)表示第i个样本的真实类型,Φ(i)表示二值神经网络给出第i个样本的预测结果,n表示样本的总数,w表示训练的权值。
更进一步地,所述判断异常的单心拍的类型,包括利用神经网络获取异常的单心拍的波形特征识别求得该异常的单心拍的类型。
进一步地,所述基于智能诊断的压缩处理,包括以下步骤:
获取经二级神经网络识别的单心拍;
按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,并进行无损压缩;所述K为大于等于1的自然数;
按时间顺序提取剩余正常的单心拍,并进行有损压缩,获得连续的动态心电图。
优选地,所述按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,包括以下步骤:
步骤R11,若任一异常的单心拍的前一单心拍为正常的单心拍,则判断该异常的单心拍前正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍前的K个正常的单心拍,否则提取该异常的单心拍前的全部正常的单心拍;
步骤R12,若任一异常的单心拍的前一单心拍为异常的单心拍,则向前推移一个单心拍,并重复步骤R11。
优选地,所述按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,包括以下步骤:
步骤R21,若任一异常的单心拍的后一单心拍为正常的单心拍,则判断该异常的单心拍后正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍后的K个正常的单心拍,否则提取该异常的单心拍后的全部正常的单心拍;
步骤R22,若任一异常的单心拍的后一单心拍为异常的单心拍,则向后推移一个单心拍,并重复步骤R21。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地设置低通滤波器和高通滤波器,消除ECG信号中的基线漂移和工频干扰,保证ECG信号的真实性,为识别、压缩提供保障。
(2)本发明通过寻找ECG信号波形的R峰,以此为界限进行分割。在分割的基础上,逐一判断单心拍的正常、异常情况以及异常类型,为压缩提供基础条件。
(3)本发明巧妙的利用二级神经网络分级的架构,由异常心拍不经常出现这一客观规律,使得只有第一级功耗小的神经网络保持工作,而第二级功耗大的神经网络不经常工作,由此节省了大量的处理功耗。
(4)本发明巧妙地在神经网络的标准损失函数中添加权值,以提高识别的敏感度,几乎杜绝异常的单心拍被划分入正常的单心拍范围内。虽然,存在部分正常的单心拍被划分入异常的单心拍范围内,但采用第二级神经网络二次识别经第一级神经网络识别为异常的单心拍,如此一来,既能保证单心拍的识别准确度,又能解决二级神经网络中第一级神经网络对第二级神经网络的制约,由此出现的精确度下降问题。可以说,本发明可实现一举多得的效果。
(5)本发明采用无损压缩异常的单心拍和该异常的单心拍前后K个正常的单心拍,保证了数据记载完整、真实;且采用有损压缩其他的正常的单心拍。在不损失异常ECG信号质量的前提下提高了压缩比,从而降低了传输功耗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的处理流程图。
图2为本发明的二级神经网络结构示意图。
图3为本发明的压缩发送流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图3所示,本实施例提供了一种基于非平衡训练的二级神经网络的ECG信号处理方法,既能保证识别的准确性,又能减少计算工作量,保证异常心电信号保持完整、真实,还能降低处理的能耗。具体来说,包括以下步骤:
第一步,预处理:采集ECG信号,并采用滤波器消除基线漂移和工频干扰;寻找ECG信号的波形的R峰,并进行ECG信号的心拍分割。例如,首先,将采集的ECG信号依次加入0.5Hz的低通滤波器和50Hz的高通滤波器滤波,消除ECG信号的波形中的基线漂移和工频干扰。然后,采用小波变换为基础的模极大值法寻找经滤波器滤波后的ECG信号的波形的R峰,以ECG信号的波形的R峰为界限进行心拍分割,得到数个连续的单心拍。在此,本实施例仅采用了小波变换为基础的模极大值法寻找ECG信号的波形的R峰,并未对模极大值法本身进行改进,因此,在此不予赘述。
第二步,信号识别:采用非平衡训练的神经网络识别心拍分割的ECG信号,获得异常的ECG信号和正常的ECG信号。其中,以第一级神经网络为多层感知机(例如MLP)、第二级神经网络为卷积神经网络(例如CNN)为例,其他方式的步骤相同,在此就不予赘述。
(1)预判:向所述第一级神经网络加载数个标准库的单心拍,并向标准库中的异常的单心拍的损失项添加权值m,并采用BP算法训练第一级神经网络,并通过训练的第一级神经网络判别异常的单心拍和正常的单心拍。根据AAMI标准将单心拍分为N节拍(正常或者束支传导阻滞节拍)、S节拍(室上性异常节拍)、V节拍(心室异常节拍)、F节拍(融合节拍)和Q节拍(未能分类的节拍)。其中,所述正常的单心拍为N节拍,且异常的单心拍为S节拍、V节拍、F节拍和Q节拍其中之一。向异常的ECG信号的损失项添加权值m,得到损失函数J(w),其表达式为:
其中,y(i)表示第i个样本的真实类型,Φ(i)表示二值神经网络给出第i个样本的预测结果,n表示样本的总数,w表示训练的权值。
具体来说,通过该搭配分级神经网络的训练方法,在BP训练的过程中,加入权值m使y(i)=1时的样本梯度变大,使得所有权值的变化方向更加偏向于y(i)=1的样本,也就是异常样本,由此可让整个网络对异常样本更加敏感。虽然这种方法可能会对整体网络的精确度造成一定的影响,但是我们第二级神经网络(例如卷积神经网络)中依然拥有正常分类,在第一级神经网络判断成异常的正常样本,可以在第二级神经网络中进行补充判断,由此我们几乎消除了第一级神经网络网络对于第二级神经网络的限制。向多层感知机的隐藏层1中输入T个添加权值的单心拍,再将隐藏层1输出的结果输入给隐藏层2,并由隐藏层2输出异常的单心拍和正常的单心拍的判断结果。
(2)判断异常的单心拍的详细类型:将所述异常的单心拍导入第二级神经网络,提取异常的单心拍的波形特征,判断异常的单心拍的类型。
首先,将异常的单心拍的波形输入卷积层,自动提取特征;然后,采用池化层降低特征维度。最后,利用全连接层整合多个卷积层的特征,综合进行判断ECG信号的详细类型(例如N,S,V,F,Q)。
第三步,基于智能诊断的压缩处理:将所述的ECG信号进行基于智能诊断的自适应压缩,即将所述异常的ECG信号采用无损压缩,且将所述正常的ECG信号采用有损压缩。
首先,获取经二级神经网络识别的单心拍,其中,包括正常、异常的单心拍。然后,按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,并进行无损压缩。所述K为大于等于1的自然数。
(1)当任一异常的单心拍的前一单心拍为正常的单心拍,则判断该异常的单心拍前正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍前的K个正常的单心拍,否则提取该异常的单心拍前的全部正常的单心拍。
(2)当任一异常的单心拍的前一单心拍为异常的单心拍,则向前推移一个单心拍,并重复步骤(1)。依次类推,找到连续的异常单心拍最前端(时间轴)的异常单心拍,提取最前端的异常单心拍前K个正常的单心拍(若不足K个,则全部提取)。
(3)当任一异常的单心拍的后一单心拍为正常的单心拍,则判断该异常的单心拍后正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍后的K个正常的单心拍,否则提取该异常的单心拍后的全部正常的单心拍。
(4),若任一异常的单心拍的后一单心拍为异常的单心拍,则向后推移一个单心拍,并重复步骤(3)。同理地,采用(2)方式提取连续异常的单心拍中最后一个异常的单心拍后的K个正常的单心拍(若不足K个,则全部提取)。
最后,按时间顺序提取剩余正常的单心拍,并进行有损压缩,获得连续的动态心电图。在此基础上,将异常单心拍(构成连续的一段或者仅单个异常单心拍)及其前后K个正常的单心拍采用无损压缩,并发送在发送器。另外,将剩余的正常的单心拍采用有损压缩并发送至发送器。需要说明的是,发送至发送器的单心拍是按时间先后顺序的。如此一来,便能大大提高ECG信号的压缩比,降低传输的功耗。可以说,与现有技术相比,本发明具有突出的实质性特点和显著的进步,在信号处理技术领域具有广阔的市场前景。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (6)
1.基于非平衡训练的二级神经网络的ECG信号处理方法,其特征在于,包括以下步骤:
预处理:采集ECG信号,并采用滤波器消除基线漂移和工频干扰;寻找ECG信号的波形的R峰,并进行ECG信号的心拍分割;
信号识别:采用非平衡训练的神经网络识别心拍分割的ECG信号,获得异常的ECG信号和正常的ECG信号;
压缩处理:将所述异常的ECG信号采用无损压缩,且将所述正常的ECG信号采用有损压缩;
所述神经网络为二级神经网络,且识别单心拍包括以下步骤:
预判:向二级神经网络的第一级神经网络加载数个标准库的单心拍,并向标准库中的异常的单心拍的损失项添加权值m,并联合BP算法训练第一级神经网络,并通过训练的第一级神经网络判别异常的单心拍和正常的单心拍;所述单心拍的标准库包括N节拍、S节拍、V节拍、F节拍和Q节拍;所述正常的单心拍为N节拍,且异常的单心拍为S节拍、V节拍、F节拍和Q节拍其中之一;所述权值m为大于0、且不等于1的超参数;
判断异常的单心拍的类型:将所述异常的单心拍导入第二级神经网络,提取异常的单心拍的波形特征,判断异常的单心拍的类型。
3.根据权利要求1所述的基于非平衡训练的二级神经网络的ECG信号处理方法,其特征在于,所述判断异常的单心拍的类型,包括利用神经网络获取异常的单心拍的波形特征识别求得该异常的单心拍的类型。
4.根据权利要求1所述的基于非平衡训练的二级神经网络的ECG信号处理方法,其特征在于,所述压缩处理,包括以下步骤:
获取经二级神经网络识别的单心拍;
按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,并进行无损压缩;所述K为大于等于1的自然数;
按时间顺序提取剩余正常的单心拍,并进行有损压缩,获得连续的动态心电图。
5.根据权利要求4所述的基于非平衡训练的二级神经网络的ECG信号处理方法,其特征在于,所述按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,包括以下步骤:
步骤R11,若任一异常的单心拍的前一单心拍为正常的单心拍,则判断该异常的单心拍前正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍前的K个正常的单心拍,否则提取该异常的单心拍前的全部正常的单心拍;
步骤R12,若任一异常的单心拍的前一单心拍为异常的单心拍,则向前推移一个单心拍,并重复步骤R11。
6.根据权利要求4所述的基于非平衡训练的二级神经网络的ECG信号处理方法,其特征在于,所述按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍,包括以下步骤:
步骤R21,若任一异常的单心拍的后一单心拍为正常的单心拍,则判断该异常的单心拍后正常的单心拍的个数是否大于K,若正常的单心拍的个数大于等于K,则同时提取该异常的单心拍后的K个正常的单心拍,否则提取该异常的单心拍后的全部正常的单心拍;
步骤R22,若任一异常的单心拍的后一单心拍为异常的单心拍,则向后推移一个单心拍,并重复步骤R21。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024705.1A CN109259756B (zh) | 2018-09-04 | 2018-09-04 | 基于非平衡训练的二级神经网络的ecg信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024705.1A CN109259756B (zh) | 2018-09-04 | 2018-09-04 | 基于非平衡训练的二级神经网络的ecg信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109259756A CN109259756A (zh) | 2019-01-25 |
CN109259756B true CN109259756B (zh) | 2020-12-18 |
Family
ID=65188176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024705.1A Active CN109259756B (zh) | 2018-09-04 | 2018-09-04 | 基于非平衡训练的二级神经网络的ecg信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109259756B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037684A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的装置 |
CN111449645B (zh) * | 2020-03-07 | 2021-07-06 | 河南大学 | 心电图心拍智能分类识别方法 |
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 |
CN112263261A (zh) * | 2020-10-26 | 2021-01-26 | 生物岛实验室 | 健康监测设备 |
CN113598782A (zh) * | 2021-08-02 | 2021-11-05 | 储慧民 | 预测室性心律失常起源位置的系统、电子设备和存储介质 |
CN114818837B (zh) * | 2022-06-29 | 2022-10-14 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431855A (zh) * | 2013-08-30 | 2013-12-11 | 重庆理工大学 | 起搏心电信号的非平衡深度压缩方法 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105962926A (zh) * | 2016-04-18 | 2016-09-28 | 中国人民解放军总医院 | 基于心电图的心拍特征分析方法和设备 |
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
CN107582058A (zh) * | 2017-10-19 | 2018-01-16 | 武汉大学 | 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100286543A1 (en) * | 2009-05-05 | 2010-11-11 | Siemens Medical Solutions Usa, Inc. | Automated Cardiac Status Determination System |
US9854973B2 (en) * | 2014-10-25 | 2018-01-02 | ARC Devices, Ltd | Hand-held medical-data capture-device interoperation with electronic medical record systems |
-
2018
- 2018-09-04 CN CN201811024705.1A patent/CN109259756B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431855A (zh) * | 2013-08-30 | 2013-12-11 | 重庆理工大学 | 起搏心电信号的非平衡深度压缩方法 |
CN105105743A (zh) * | 2015-08-21 | 2015-12-02 | 山东省计算中心(国家超级计算济南中心) | 基于深度神经网络的心电图智能诊断方法 |
CN105962926A (zh) * | 2016-04-18 | 2016-09-28 | 中国人民解放军总医院 | 基于心电图的心拍特征分析方法和设备 |
CN106214123A (zh) * | 2016-07-20 | 2016-12-14 | 杨平 | 一种基于深度学习算法的心电图综合分类方法 |
CN107582058A (zh) * | 2017-10-19 | 2018-01-16 | 武汉大学 | 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109259756A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN110537910B (zh) | 基于心电和心音信号联合分析的冠心病无创筛查系统 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
Ma et al. | Multi-classification of arrhythmias using ResNet with CBAM on CWGAN-GP augmented ECG Gramian Angular Summation Field | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
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 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
Zhang et al. | Application of deep neural network for congestive heart failure detection using ECG signals | |
Liu et al. | Precise and efficient heartbeat classification using a novel lightweight-modified method | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
CN111839505A (zh) | 一种基于心血管系统电-机械活动信息的房颤分级方法 | |
Liu et al. | Automatic Arrhythmia Detection Based on Convolutional Neural Networks. | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
Liang et al. | Classification of Arrhythmia From ECG Signals Using CSL-Net | |
Nanarkar et al. | A Survey on Classification and identification of Arrhythmia using Machine Learning techniques |
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 |