CN109350032B - 一种分类方法、系统、电子设备及存储介质 - Google Patents

一种分类方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN109350032B
CN109350032B CN201811204920.XA CN201811204920A CN109350032B CN 109350032 B CN109350032 B CN 109350032B CN 201811204920 A CN201811204920 A CN 201811204920A CN 109350032 B CN109350032 B CN 109350032B
Authority
CN
China
Prior art keywords
classification
probability
algorithm
module
list
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
Application number
CN201811204920.XA
Other languages
English (en)
Other versions
CN109350032A (zh
Inventor
张玮
朱涛
李毅
罗伟
朱佳兵
康成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zoncare Bio Medical Electronics Co ltd
Original Assignee
Wuhan Zoncare Bio Medical Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Zoncare Bio Medical Electronics Co ltd filed Critical Wuhan Zoncare Bio Medical Electronics Co ltd
Priority to CN201811204920.XA priority Critical patent/CN109350032B/zh
Publication of CN109350032A publication Critical patent/CN109350032A/zh
Application granted granted Critical
Publication of CN109350032B publication Critical patent/CN109350032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种分类方法、系统、电子设备及存储介质，用于解决现有技术中在心电检查工作中的心电图诊断准确性非常低的问题。该方法包括：将待测样本输入第一分类算法，计算获得第一概率列表，以及，将待测样本输入第二分类算法，计算获得第二概率列表；第一概率列表以及第二概率列表包括待测样本归属于各目标分类的概率；从第一概率列表中筛选出概率最高的第一分类，从第二概率列表中筛选出概率最高的第二分类；判断第一分类与第二分类是否相同；若否，则将各目标分类在第一概率列表中的概率与在第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；从第三概率列表中筛选出概率最高的第三分类，将第三分类作为最终分类。

Description

一种分类方法、系统、电子设备及存储介质
技术领域
本申请涉及机器学习的技术领域，尤其涉及一种分类方法、系统、电子设备及存储介质。
背景技术
在心电检查工作中，心电图主要反映心脏的电激动的过程，是医生进行心脏检查和诊断的一个重要的临床手段。传统的心电信号诊断是医生根据心电图机采集的时序心电信号，结合心电图机的自动诊断参数和结论，给出诊断结果。心电图信号本身复杂性很强，不同种族、性别、年龄的人在各种病理情况下的差异性很大。诊断标准通常是医生的多年临床经验的概括，每个专家积累的临床经验不同，现有的各种诊断标准也无法完全涵盖所有专家的经验。
目前在心电检查的工作中，心电检查作为常规检查项目，医院里每天要产生大量的心电数据，但是专业心电图医师资源匮乏，高强度、重复性的阅片工作可能会造成心电信号的误诊，心电图诊断只有不到40％的准确性。因此，现有技术中存在着在心电检查工作中的心电图诊断准确性非常低的问题。
发明内容
有鉴于此，本申请提供一种分类方法、系统、电子设备及存储介质，用于解决现有技术中在心电检查工作中的心电图诊断准确性非常低的问题。
本申请提供了的一种分类方法，应用于电子设备，包括：将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表；所述第一概率列表以及所述第二概率列表包括所述待测样本归属于各目标分类的概率；从所述第一概率列表中筛选出概率最高的第一分类，以及，从所述第二概率列表中筛选出概率最高的第二分类；判断所述第一分类与所述第二分类是否相同；若否，则将各目标分类在所述第一概率列表中的概率与在所述第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；从所述第三概率列表中筛选出概率最高的第三分类，并将所述第三分类作为最终分类。
可选地，在本申请实施例中，在所述判断所述第一分类与所述第二分类是否相同之后，还包括：若所述第一分类与所述第二分类相同，则将所述第一分类作为最终分类。
可选地，在本申请实施例中，在所述将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表之前，还包括：对多个训练样本通过自动诊断算法进行计算，获得多个导联信号以及多个导联信号的特征值；对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值；根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法；根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法。
可选地，在本申请实施例中，所述对所述多个导联信号进行时域特征算法计算和排序筛选，获得多个筛选后的特征值以及多个导联信号的特征值，包括：对所述多个导联信号进行时域特征算法计算，获得多个特征值；使用决策树算法对所述多个特征值进行计算，获得多个特征值的第一分值；使用随机森林算法对所述多个特征值进行计算，获得多个特征值的第二分值；使用梯度提升决策树算法对所述多个特征值进行拟合计算，获得多个特征值的第三分值；将所述多个特征值的第一分值、所述多个特征值的第二分值和所述多个特征值的第三分值分别相加，获得所述多个特征值的重要分；对所述多个特征值的重要分进行从高到低排序后，筛选出前面预设数量的特征值，获得多个筛选后特征值。
可选地，在本申请实施例中，所述根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法，包括：将所述多个筛选后特征值作为所述第一学习模型的训练参数，所述第一学习模型包括梯度提升决策树模型；将所述多个训练样本和所述多个筛选后的特征值作为输入对第一学习模型进行训练，获得训练后的第一分类算法。
可选地，在本申请实施例中，所述根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法，包括：将第一卷积层、最大池化层和第一归一化层依次相连，获得降维模块；将第二卷积层、第二归一化层、激活函数层和第三卷积层依次相连，获得残差模块；将多个所述残差模块依次相连，获得残差模块组；将全局归一化层、全局激活函数层、全局池化层和全连接层依次连接，获得全局模块；将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型；将所述多个训练样本作为输入对所述第二学习模型进行训练，获得所述第二分类算法。
可选地，在本申请实施例中，在所述将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型之后，还包括：将直连归一化层和直连激活函数层连接，获得跨层直连模块；将所述降维模块、所述跨层直连模块和所述全局模块依次相连，获得所述第二学习模型。
本申请还提供了一种分类系统，所述分类系统包括：列表获得模块，用于将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表；所述第一概率列表以及所述第二概率列表包括所述待测样本归属于各目标分类的概率；分类筛选模块，用于从所述第一概率列表中筛选出概率最高的第一分类，以及，从所述第二概率列表中筛选出概率最高的第二分类；分类判断模块，用于判断所述第一分类与所述第二分类是否相同；列表形成模块，用于将各目标分类在所述第一概率列表中的概率与在所述第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；最终分类模块，用于从所述第三概率列表中筛选出概率最高的第三分类，并将所述第三分类作为最终分类。
本申请还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如上所述的方法。
本申请还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上所述的方法。
本申请提供了一种分类方法、系统、电子设备及存储介质，通过两个分类算法对待测样本进行计算目标分类的概率，即分别通过第一分类算法和第二分类算法对待测样本的目标分类概率进行计算。当第一分类算法和第二分类算法算出的概率最高的分类不一致时，将两者的概率相加，再从中选出相加后概率最高对应的分类作为该待测样本的最终分类，两个分类算法相比一个分类算法来说，由于两个分类算法提取的特征不一样，算法机制也不一样，这样极大地提高了待测样本分类计算的准确率。通过这种方式从而有效地解决了现有技术中在心电检查工作中的心电图诊断准确性非常低的问题。
为使本申请的上述目的和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚的说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1示出了本申请实施例提供的分类方法流程示意图；
图2示出了本申请实施例提供的分类方法的完整流程示意图；
图3示出了本申请实施例提供的分类方法步骤S500之前的流程示意图；
图4示出了本申请实施例提供的分类方法步骤S200的流程示意图；
图5示出了本申请实施例提供的分类方法步骤S300的流程示意图；
图6示出了本申请实施例提供的分类方法步骤S400的流程示意图；
图7示出了本申请实施例提供的分类方法步骤S460之后的流程示意图；
图8示出了本申请实施例提供的分类系统结构示意图；
图9示出了本申请实施例提供的电子设备结构示意图；
图10示出了本申请实施例提供的存储介质结构示意图。
图标：106-存储介质；105-计算机程序；104-电子设备；103-存储器；102-处理器；101-分类系统；100-导联信号获得模块；200-筛选后特征值获得模块；300-第一分类算法获得模块；400-第二分类算法获得模块；500-列表获得模块；600-分类筛选模块；700-分类判断模块；800-列表形成模块；900-最终分类模块；910-最终分类子模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。
在本申请的描述中，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本方法应用包括但不限于心电图信号分类应用领域，下面为了便于理解，以心电图信号分类方法为例进行说明。
第一实施例
请参见图1，图1示出了本申请实施例提供的分类方法流程示意图。本申请提供了的一种分类方法，应用于电子设备，包括：
步骤S500：将待测样本输入第一分类算法，计算获得第一概率列表，以及，将待测样本输入第二分类算法，计算获得第二概率列表。第一概率列表以及第二概率列表包括待测样本归属于各目标分类的概率。
需要说明地是，这里的第一分类算法和第二分类算法是不同的学习算法，第一分类算法和第二分类算法包括：机器学习算法、深度学习算法、增强学习模型算法或者残差网络学习模型算法，深度学习算法利用大量的心电数据和多名专家标注综合给出的结论作为标签，送入深度学习模型结构中，经过若干轮的网络结构层的设计和参数的训练优化，深度学习模型自动提取心电信号特征与对应分类标签之间的映射关系，根据训练集和验证集的准确率的变化趋势，当准确率达到预期的标准时，即可最终确定模型的参数，即拟合出一种心电信号与标签对应的数学的表达方法。
步骤S600：从第一概率列表中筛选出概率最高的第一分类，以及，从第二概率列表中筛选出概率最高的第二分类。
其中，这里的第一分类和第二分类均是目标分类中的一个分类，这里的第一分类和第二分类可以相同，也可以不同，这里的第一分类和第二分类相同或者不同不应理解为对本申请的限制。目标分类为正常心电图、心律失常、阻滞、心室肥大4大类别中的一种。
步骤S700：判断第一分类与第二分类是否相同。
步骤S800：若否，则将各目标分类在第一概率列表中的概率与在第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表。
需要说明地是，这里的相加，可以是直接相同分类的概率进行相加，也可以是对其进行权重计算后再相加。举例来说，第一概率记为x1，第二概率为x2，两者经过权重取值后的和获得该概率和表示为w1x1+w2x2，这里的w1为第一分类算法的权重，这里的w2为第二分类算法的权重，w1和w2可以有预设关系例如w1+w2＝1。因此，这里的相加的具体形式和内容不应理解为对本申请的限制。
步骤S900：从第三概率列表中筛选出概率最高的第三分类，并将第三分类作为最终分类。
本申请中的第一分类算法例如传统手动特征的分类诊断方法、大大降低了对数据样本的需求，第二分类算法例如深度学习拥有超强的特征学习能力和泛化能力，但是需要大量的数据样本，结合两种模型的优点和缺点，生成一个增强学习模型，同时对错误数据进行残差迭代学习，根据不同的模型输出分类的准确率，进行不同的加权数据处理，综合给出分类的概率，可以有效的提高分类的准确率。两个分类算法相比一个分类算法来说，由于两个分类算法提取的特征不一样，算法机制也不一样，这样极大地提高了待测样本分类计算的准确率。
请参见图2，图2示出了本申请实施例提供的分类方法的完整流程示意图。可选地，在本申请实施例中，在判断第一分类与第二分类是否相同之后，还包括：
步骤S1000：若第一分类与第二分类相同，则将第一分类作为最终分类。
其中，当第一分类与第二分类相同时，表示第一分类算法和第二分类算法的结果是一致的，直接返回为最终分类结果，这将极大地提高算法的效率，减少运算步骤。
请参见图3，图3示出了本申请实施例提供的分类方法步骤S500之前的流程示意图。可选地，在本申请实施例中，在将待测样本输入第一分类算法，计算获得第一概率列表，以及，将待测样本输入第二分类算法，计算获得第二概率列表之前，还包括：
步骤S100：对多个训练样本通过自动诊断算法进行计算，获得多个导联信号以及多个导联信号的特征值。
其中，心电信号自动诊断算法根据12导联(即多个导联信号)的测量参数矩阵，进行一定的逻辑规则判断给出结论，不同的疾病影响因素复杂，参数、形态表现不一，采用心电自动诊断给出的43个时域参数的12导联测量矩阵，一共43*12＝516个特征参数作为模型的输入。
步骤S200：对多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值。
其中，对正常心电图、心律失常、阻滞、心室肥大4大类别进行分类识别，12导联信号经过时域特征算法提取43个特征值。采用三种不同的经典机器学习算法进行特征参数的筛选：随机森林、决策树和梯度提升决策树对其进行特征参数的筛选。
步骤S300：根据多个训练样本和多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法。
其中，采用三种不同的特征选择模型，即随机森林、决策树和梯度提升决策树，对12导联的43*12＝516个特征参数进行拟合计算，输出每个特征的重要性，根据特征重要性的数值范围及变化趋势，选择一定的阈值作为特征重要性的指标：(1)去掉低于阈值范围的特征值；(2)对3个模型输出特征值的重要性进行降序排练，综合计算每个特征值在12个导联的累计和，采用计分的方式计算每个特征值的12导联的综合重要性；(3)对3个模型输出的每个导联的所有特征值和进行求和，同样采用计分的方式对3个模型的12导联信号的重要性进行求和计算，判断不同导联的重要性。
步骤S400：根据多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法。
其中，将12导联10s信号全部作为输入送入模型中，对第二学习模型进行训练，第二学习模型包括残差神经网络模型，不同的心电信号变化差异大，网络结构有很多的特征需要进行运算和提取，残差网络通过加深的网络结构，可以通过层层映射，从低维度到高维度的提取大量的特征，找到输入信号和输出分类之间的映射关系参数。
请参见图4，图4示出了本申请实施例提供的分类方法步骤S200的流程示意图。可选地，在本申请实施例中，对多个导联信号进行时域特征算法计算和排序筛选，获得多个筛选后的特征值以及多个导联信号的特征值，包括：
步骤S210：对多个导联信号进行时域特征算法计算，获得多个特征值。
步骤S220：使用决策树算法对多个特征值进行计算，获得多个特征值的第一分值。
步骤S230：使用随机森林算法对多个特征值进行计算，获得多个特征值的第二分值。
步骤S240：使用梯度提升决策树算法对多个特征值进行拟合计算，获得多个特征值的第三分值。
步骤S250：将多个特征值的第一分值、多个特征值的第二分值和多个特征值的第三分值分别相加，获得多个特征值的重要分。
步骤S260：对多个特征值的重要分进行从高到低排序后，筛选出前面预设数量的特征值，获得多个筛选后特征值。
需要说明地是，对3个模型输出的每个导联的所有特征值和进行求和，同样采用计分的方式对3个模型的12导联信号的重要性进行求和计算，即将多个特征值的第一分值、多个特征值的第二分值和多个特征值的第三分值分别相加，这里的相加可以是按权重比例相加，具体请参见步骤S800中的说明解释。
请参见图5，图5示出了本申请实施例提供的分类方法步骤S300的流程示意图。可选地，在本申请实施例中，根据多个训练样本和多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法，包括：
步骤S310：将多个筛选后特征值作为第一学习模型的训练参数，第一学习模型包括梯度提升决策树模型。
步骤S320：将多个训练样本和多个筛选后的特征值作为输入对第一学习模型进行训练，获得训练后的第一分类算法。
其中，对12导联及43个特征值进行筛选评估，选择和分类准确性高的特征送入梯度提升决策树模型(Gradient Boosting Decision Tree，GBDT)模型，用于分类的训练，提示模型的最终效果，模型输出4个分类每个分类的概率值。
请参见图6，图6示出了本申请实施例提供的分类方法步骤S400的流程示意图。可选地，在本申请实施例中，根据多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法，包括：
步骤S410：将第一卷积层、最大池化层和第一归一化层依次相连，获得降维模块。
步骤S420：将第二卷积层、第二归一化层、激活函数层和第三卷积层依次相连，获得残差模块。
步骤S430：将多个残差模块依次相连，获得残差模块组。
步骤S440：将全局归一化层、全局激活函数层、全局池化层和全连接层依次连接，获得全局模块。
步骤S450：将降维模块、残差模块组和全局模块依次相连，获得第二学习模型。
步骤S460：将多个训练样本作为输入对第二学习模型进行训练，获得第二分类算法。
需要说明地是，不同的心电信号变化差异大，网络结构有很多的特征需要进行运算和提取，残差网络通过加深的网络结构，可以通过层层映射，从低维度到高维度的提取大量的特征，找到输入信号和输出分类之间的映射关系参数。详细的步骤如下：(1)采用12×10卷积核作为第一层卷积，神经元个数16，经过最大池化和Batch_norm(归一化层)层，对信号进行降维处理；(2)经过3组残差模块，每组残差模块有3层，第一子层为卷积计算，采用1×5的卷积核，1×1×2×1的步长，第二子层经过Batchnorm(归一化层)和线性整流函数(Rectified Linear Unit,ReLU)运算后，再经过1×5的卷积核，1×1×1×1的步长后输入第三层合并残差层，进行残差信号和原始信号的累加计算，最终的输出送入下一组残差模块，每组残差模块有6个残差单元，每组的第1个残差单元进行上一组残差模块的维度匹配，每组的另外5个残差单元神经元的个数保持不变；(3)采用L2正则方法和adam梯度优化方法进行超过500的epoch训练；(4)通过模型输出4个分类每个类别的准确率；
请参见图7，图7示出了本申请实施例提供的分类方法步骤S460之后的流程示意图。可选地，在本申请实施例中，在将降维模块、残差模块组和全局模块依次相连，获得第二学习模型之后，还包括：
步骤S470：将直连归一化层和直连激活函数层连接，获得跨层直连模块。
步骤S480：将降维模块、跨层直连模块和全局模块依次相连，获得第二学习模型。
需要说明地是，在经典卷积神经网络中采用残差网络进行分类，随着网络层数的加深，梯度会逐层衰减，最后传递到后层时，权重变化率很小，甚至是在做无规律的噪声波动，表明神经网络已经提取不了任何有用特征，为了解决梯度衰减的问题，残差网络通过巧妙的跨层直连连接，有效的解决了梯度消失的问题，使得网络在加深网络深度后仍能提取到有用的特征信息，有效的降低损失(loss)值，大大提升了测试集的准确率。
为了便于理解，下面介绍本申请实施例提供的另一种实施方式，本申请实施例提供的另一种实施方式详细描述如下：
1、根据心电信号的典型特征：心电信号由P波、QRS波群、T波组成，医生根据特征波形的幅值、间期以及波形的形态特征进行综合判断分析给出结论。传统的心电信号自动诊断算法根据12导联的测量参数矩阵，进行一定的逻辑规则判断给出结论，不同的疾病影响因素复杂，参数、形态表现不一，人为处理多维度复杂参数之间的关系难度极大。本文采用心电自动诊断给出的43个时域参数的12导联测量矩阵，一共43*12＝516个特征参数作为模型的输入，特征参数与诊断结论之间有着本质的关系，如果在进行特征工程的过程中，产生了大量的特征，而特征与特征之间会存在一定的相关性。太多的特征一方面会影响模型训练的速度，另一方面也可能会使得模型过拟合。所以在特征太多的情况下，我们可以利用不同的模型对特征进行筛选，选取出我们想要的前n个特征。本文对正常心电图、心律失常、阻滞、心室肥大4大类别进行分类识别，训练集4个分类每个分类有10000样本，共40000样本，测试集每个分类2000样本，共8000样本，12导联信号经过时域特征算法提取43个特征值。
2、采用三种不同的经典机器学习算法进行特征参数的筛选：采用随机森林(Random Forest，RF)、决策树(Decision tree，DT)和梯度提升决策树(Gradient BoostingDecision Tree，GBDT)。
(1)决策树：决策树是一种特征的非线性分割方法，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点。叶结点对应于决策结果，其他每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集，从根结点到每个叶结点的路径对应了一个判断测试序列。决策树的分类核心思想就是在数据集中找到一个最优特征，然后从这个特征的选值中找到一个最优候选值，根据最优候选值将数据集分为两个子集，然后递归上述操作过程，直到满足指定条件为止。
决策树实际就是寻找最纯净的划分方法，采用ID3算法使用信息增益作为不纯度的计算方法来划分属性。“信息熵”是度量样本集合纯度最常用的一种指标，假定当前样本集合D中第k类样本所占比例为Pk(k＝1,2,...n),则D的信息熵定义为：
Figure BDA0001830984520000141
Ent(D)的值越小，则D的纯度越高。
考虑到不同的分支结点所包含的样本数不同，给分支结点赋予权重，样本数越多的分支结点的影响越大，由此可计算出属性a对样本集D进行划分所获得的信息增益：
Figure BDA0001830984520000142
一般而言，信息增益越大，表示使用属性a来进行划分所获得的“纯度提升”越大，因此采用信息增益来进行决策树的划分属性选择。
(2)随机森林：随机森林，解决决策树泛化能力弱的缺点，在决策树的训练过程中引入了随机属性选择。采用Bagging策略：从样本集中有放回的选出Nb个样本，在所有样本上，对这n个样本建立若干个分类器，重复以上两步m次，共获得m个分类器，最后根据这m个分类器的投票结果决定数据属于哪个类别。
(3)梯度提升决策树：梯度的大小反映了当前预测值与目标值之间的距离。除第一棵决策树使用原始预测指标建树，之后的每一棵决策树都用前一棵决策树的预测值与目标值计算出来的负梯度来建树，即在原来模型的基础之上做进一步提升，使样本最终的残差趋近于0，整个串行建模过程相当于对预测结果朝目标值进行修正。模型把过程中每一棵决策树的输出结果累加，便可得到最终的预测输出。
梯度提升决策树通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单，并且是低方差和高偏差的。因为训练的过程是通过降低偏差来不断提高最终分类器的精度。弱分类器选择分类回归树，最终的总分类器是将每轮训练得到的弱分类器加权求和得到。
Figure BDA0001830984520000151
模型一共训练M轮，每轮产生一个弱分类器T(x；θm)。弱分类器的损失函数：
Figure BDA0001830984520000152
损失函数有平方损失函数、0-1损失函数、对数损失函数。
3、使用三个特征选择模型，对12导联的43*12＝516个特征参数进行拟合计算，输出每个特征的重要性，根据特征重要性的数值范围及变化趋势，选择一定的阈值作为特征重要性的指标1)去掉低于阈值范围的特征值；2)对3个模型输出特征值的重要性进行降序排练，综合计算每个特征值在12个导联的累计和，采用计分的方式计算每个特征值的12导联的综合重要性；3)对3个模型输出的每个导联的所有特征值和进行求和，同样采用计分的方式对3个模型的12导联信号的重要性进行求和计算，判断不同导联的重要性。
4、根据以上实验的方式，对12导联及43个特征值进行筛选评估，选择和分类准确性高的特征送入GBDT模型，用于分类的训练，提示模型的最终效果，模型输出4个分类每个分类的概率值。
5、采用38层的残差网络进行四分类的分类：在经典卷积神经网络中，随着网络层数的加深，梯度会逐层衰减，最后传递到后层时，权重变化率很小，甚至是在做无规律的噪声波动，表明神经网络已经提取不了任何有用特征，为了解决梯度衰减的问题，残差网络通过巧妙的跨层直连连接，有效的解决了梯度消失的问题，使得网络在加深网络深度后仍能提取到有用的特征信息，有效的降低loss值，大大提升了测试集的准确率。
将12导联10s信号全部作为输入送入模型中，对于模型来说60000点代表60000个特征，不同的心电信号变化差异大，网络结构有很多的特征需要进行运算和提取，残差网络通过加深的网络结构，可以通过层层映射，从低维度到高维度的提取大量的特征，找到输入信号和输出分类之间的映射关系参数。
(1)采用12×10卷积核作为第一层卷积，神经元个数16，经过最大池化和Batch_norm层，对信号进行降维处理；
(2)经过3组残差模块，每组残差模块有3层，第一子层为卷积计算，采用1×5的卷积核，1×1×2×1的步长，第二子层经过Batchnorm(归一化)和线性整流函数(RectifiedLinear Unit,ReLU)运算后，再经过1×5的卷积核，1×1×1×1的步长后输入第三层合并残差层，进行残差信号和原始信号的累加计算，最终的输出送入下一组残差模块，每组残差模块有6个残差单元，每组的第1个残差单元进行上一组残差模块的维度匹配，每组的另外5个残差单元神经元的个数保持不变；
(3)采用L2正则方法和adam梯度优化方法进行超过500的epoch训练；
(4)通过模型输出4个分类每个类别的准确率；
本申请实施例提供的另一种实施方式由于采用了3个经典的机器学习算法对心电信号的特征进行了重要性筛选和评估，38层的残差网络对心电信号进行了无压缩的特征计算和处理，因此两个网络输出的分类的概率权重均设为一致。当两个模型给出的分类一致时，保持类别的分类；当两个模型给出的分类不同时，某个类别的准确率均小于0.6时，对4个类别的准确率进行2个模型的求和计算，选择准确率大的分类作为最终分类；
第二实施例
请参见图8，图8示出了本申请实施例提供的分类系统结构示意图。本申请提供了的一种分类系统101，分类系统101包括：
导联信号获得模块100，用于对多个训练样本通过自动诊断算法进行计算，获得多个导联信号。
筛选后特征值获得模块200，用于对多个导联信号进行时域特征算法计算和排序筛选，获得多个筛选后的特征值。
第一分类算法获得模块300，用于根据多个训练样本和多个筛选后的特征值对第一学习模型进行训练，获得训练后的第一分类算法。
第二分类算法获得模块400，用于根据多个训练样本对第二学习模型进行训练，获得训练后的第二分类算法。
列表获得模块500，用于将待测样本输入第一分类算法，计算获得第一概率列表，以及，将待测样本输入第二分类算法，计算获得第二概率列表；第一概率列表以及第二概率列表包括待测样本归属于各目标分类的概率。
分类筛选模块600，用于从第一概率列表中筛选出概率最高的第一分类，以及，从第二概率列表中筛选出概率最高的第二分类。
分类判断模块700，用于判断第一分类与第二分类是否相同。
列表形成模块800，用于将各目标分类在第一概率列表中的概率与在第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表。
最终分类模块900，用于从第三概率列表中筛选出概率最高的第三分类，并将第三分类作为最终分类。
最终分类子模块910，用于将第一分类作为最终分类。
第三实施例
请参见图9，图9示出了本申请实施例提供的电子设备结构示意图。本申请提供了的一种电子设备104，包括：处理器102和存储器103，存储器103存储有处理器102可执行的机器可读指令，机器可读指令被处理器102执行时执行如上的方法。
第四实施例
请参见图10，图10示出了本申请实施例提供的存储介质结构示意图。本申请提供了的一种存储介质106，该存储介质106上存储有计算机程序105，该计算机程序105被处理器102运行时执行如上的方法。
本申请提供了一种分类方法、系统、电子设备及存储介质，通过两个分类算法对待测样本进行计算目标分类的概率，即分别通过第一分类算法和第二分类算法对待测样本的目标分类概率进行计算。当第一分类算法和第二分类算法算出的概率最高的分类不一致时，将两者的概率相加，再从中选出相加后概率最高对应的分类作为该待测样本的最终分类，两个分类算法相比一个分类算法来说，由于两个分类算法提取的特征不一样，算法机制也不一样，这样极大地提高了待测样本分类计算的准确率。通过这种方式从而有效地解决了现有技术中在心电检查工作中的心电图诊断准确性非常低的问题。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种分类方法，其特征在于，应用于电子设备，包括：
对多个心电信号的训练样本通过自动诊断算法进行计算，获得多个导联信号以及多个导联信号的特征值；
对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值；其中，所述时域特征算法包括随机森林算法、决策树算法以及梯度提升决策树算法；
根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法；
根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法；
将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表；所述第一概率列表以及所述第二概率列表包括所述待测样本归属于各目标分类的概率；
从所述第一概率列表中筛选出概率最高的第一分类，以及，从所述第二概率列表中筛选出概率最高的第二分类；
判断所述第一分类与所述第二分类是否相同；
若否，则将各目标分类在所述第一概率列表中的概率与在所述第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；
从所述第三概率列表中筛选出概率最高的第三分类，并将所述第三分类作为最终分类。
2.如权利要求1所述的分类方法，其特征在于，在所述判断所述第一分类与所述第二分类是否相同之后，还包括：
若所述第一分类与所述第二分类相同，则将所述第一分类作为最终分类。
3.如权利要求1所述的分类方法，其特征在于，所述对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值，包括：
使用所述决策树算法对所述多个特征值进行计算，获得多个特征值的第一分值；
使用所述随机森林算法对所述多个特征值进行计算，获得多个特征值的第二分值；
使用所述梯度提升决策树算法对所述多个特征值进行拟合计算，获得多个特征值的第三分值；
将所述多个特征值的第一分值、所述多个特征值的第二分值和所述多个特征值的第三分值分别相加，获得所述多个特征值的重要分；
对所述多个特征值的重要分进行从高到低排序后，筛选出前面预设数量的特征值，获得多个筛选后特征值。
4.如权利要求1所述的分类方法，其特征在于，所述根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法，包括：
将所述多个筛选后特征值作为所述第一学习模型的训练参数，所述第一学习模型包括梯度提升决策树模型；
将所述多个训练样本和所述多个筛选后的特征值作为输入对第一学习模型进行训练，获得训练后的第一分类算法。
5.如权利要求1所述的分类方法，其特征在于，所述根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法，包括：
将第一卷积层、最大池化层和第一归一化层依次相连，获得降维模块；
将第二卷积层、第二归一化层、激活函数层和第三卷积层依次相连，获得残差模块；
将多个所述残差模块依次相连，获得残差模块组；
将全局归一化层、全局激活函数层、全局池化层和全连接层依次连接，获得全局模块；
将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型；
将所述多个训练样本作为输入对所述第二学习模型进行训练，获得所述第二分类算法。
6.如权利要求5所述的分类方法，其特征在于，在所述将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型之后，还包括：
将直连归一化层和直连激活函数层连接，获得跨层直连模块；
将所述降维模块、所述跨层直连模块和所述全局模块依次相连，获得所述第二学习模型。
7.一种分类系统，其特征在于，所述分类系统包括：
导联信号获得模块，对多个心电信号的训练样本通过自动诊断算法进行计算，获得多个导联信号以及多个导联信号的特征值；对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值；其中，所述时域特征算法包括随机森林算法、决策树算法以及梯度提升决策树算法；
第一分类算法获得模块，根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法；其中，训练时，将心电信号分类识别为正常心电图、心率失常、阻滞和心室肥大四个类别中的一种；
第二分类算法获得模块，根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法；同样的，训练时，将心电信号分类识别为正常心电图、心率失常、阻滞和心室肥大四个类别中的一种；
列表获得模块，用于将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表；所述第一概率列表以及所述第二概率列表包括所述待测样本归属于各目标分类的概率；
分类筛选模块，用于从所述第一概率列表中筛选出概率最高的第一分类，以及，从所述第二概率列表中筛选出概率最高的第二分类；
分类判断模块，用于判断所述第一分类与所述第二分类是否相同；
列表形成模块，用于将各目标分类在所述第一概率列表中的概率与在所述第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；
最终分类模块，用于从所述第三概率列表中筛选出概率最高的第三分类，并将所述第三分类作为最终分类。
8.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1-6任一所述的方法。
9.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-6任一所述的方法。
CN201811204920.XA 2018-10-16 2018-10-16 一种分类方法、系统、电子设备及存储介质 Active CN109350032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811204920.XA CN109350032B (zh) 2018-10-16 2018-10-16 一种分类方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811204920.XA CN109350032B (zh) 2018-10-16 2018-10-16 一种分类方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109350032A CN109350032A (zh) 2019-02-19
CN109350032B true CN109350032B (zh) 2022-03-18

Family

ID=65349220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811204920.XA Active CN109350032B (zh) 2018-10-16 2018-10-16 一种分类方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109350032B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723622B (zh) * 2019-03-22 2024-04-26 安徽华米信息科技有限公司 心拍分类方法、装置、可穿戴设备及存储介质
CN110147445A (zh) * 2019-04-09 2019-08-20 平安科技（深圳）有限公司 基于文本分类的意图识别方法、装置、设备及存储介质
CN110246506A (zh) * 2019-05-29 2019-09-17 平安科技（深圳）有限公司 人声智能检测方法、装置及计算机可读存储介质
CN110265146B (zh) * 2019-06-17 2022-05-27 东北大学秦皇岛分校 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法
CN110837847A (zh) * 2019-10-12 2020-02-25 上海上湖信息技术有限公司 用户分类方法及装置、存储介质、服务器
CN110781805B (zh) * 2019-10-23 2024-05-07 北京鉴微知著智能科技有限公司 一种目标物体检测方法、装置、计算设备和介质
CN110889448A (zh) * 2019-11-26 2020-03-17 北京华医共享医疗科技有限公司 一种基于卷积神经网络的心电分类方法
CN111062396B (zh) * 2019-11-29 2022-03-25 深圳云天励飞技术有限公司 车牌号码识别方法、装置、电子设备及存储介质
CN112991072A (zh) * 2019-12-02 2021-06-18 泰康保险集团股份有限公司 数据处理的系统、方法、电子设备和存储介质
CN111265194B (zh) * 2019-12-11 2023-02-14 广州视源电子科技股份有限公司 心室肥大的检测方法、装置、存储介质和处理器
CN111221936B (zh) * 2020-01-02 2023-11-07 鼎富智能科技有限公司 一种信息匹配方法、装置、电子设备及存储介质
CN111291931B (zh) * 2020-02-05 2022-05-20 傲网信息科技（厦门）有限公司 动物育种预测方法、装置、电子设备和存储介质
CN111666275B (zh) * 2020-06-10 2023-06-09 创新奇智(广州)科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN112037911B (zh) * 2020-08-28 2024-03-05 北京万灵盘古科技有限公司 基于机器学习的精神评估的筛查系统及其训练方法
CN112244772A (zh) * 2020-10-15 2021-01-22 王映姗 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备
CN112545525B (zh) * 2020-11-30 2022-05-13 中国科学技术大学 心电图数据分类方法、装置及系统
CN112597764B (zh) * 2020-12-23 2023-07-25 青岛海尔科技有限公司 文本分类方法及装置、存储介质、电子装置
CN112568872B (zh) * 2020-12-30 2021-11-02 深圳大学 基于mri影像和血液生化指标的脑龄融合预测方法
CN112885459A (zh) * 2021-02-09 2021-06-01 清华珠三角研究院 一种心室肥大的预测系统、装置及存储介质
CN113111284B (zh) * 2021-04-12 2024-07-16 中国铁塔股份有限公司 归类信息展示方法、装置、电子设备和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4860762A (en) * 1988-06-03 1989-08-29 Hewlett-Packard Company Dual channel resolver for real time arrythmia analysis
CN105380643A (zh) * 2015-12-11 2016-03-09 浙江铭众科技有限公司 一种三导联心电电极的连接判别方法
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
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
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN108647565A (zh) * 2018-03-28 2018-10-12 浙江工业大学 一种基于深度学习模型对心电信号分类的数据预处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4860762A (en) * 1988-06-03 1989-08-29 Hewlett-Packard Company Dual channel resolver for real time arrythmia analysis
CN105380643A (zh) * 2015-12-11 2016-03-09 浙江铭众科技有限公司 一种三导联心电电极的连接判别方法
CN106108889A (zh) * 2016-07-20 2016-11-16 杨平 基于深度学习算法的心电图分类方法
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
CN108511055A (zh) * 2017-02-27 2018-09-07 中国科学院苏州纳米技术与纳米仿生研究所 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN108647565A (zh) * 2018-03-28 2018-10-12 浙江工业大学 一种基于深度学习模型对心电信号分类的数据预处理方法

Also Published As

Publication number Publication date
CN109350032A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109350032B (zh) 一种分类方法、系统、电子设备及存储介质
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN108231201B (zh) 一种疾病数据分析处理模型的构建方法、系统及应用方法
CN111261282A (zh) 一种基于机器学习的脓毒症早期预测方法
AU2021103976A4 (en) Asthma diagnosis system based on decision tree and improved SMOTE algorithm
CN110522444B (zh) 一种基于Kernel-CNN的心电信号识别分类方法
CN107582037A (zh) 基于脉搏波设计医疗产品的方法
CN113674864B (zh) 一种恶性肿瘤合并静脉血栓栓塞症风险预测方法
CN113274031B (zh) 一种基于深度卷积残差网络的心律失常分类方法
Nugroho et al. Effective predictive modelling for coronary artery diseases using support vector machine
CN112641451A (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
CN111145902A (zh) 一种基于改进人工神经网络的哮喘病诊断方法
CN112052874B (zh) 一种基于生成对抗网络的生理数据分类方法及系统
CN113593708A (zh) 基于集成学习算法的脓毒症预后预测方法
CN113288157A (zh) 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
CN116259415A (zh) 一种基于机器学习的患者服药依从性预测方法
CN117473424A (zh) 基于随机森林的变压器故障诊断方法、系统、设备及介质
CN114287910A (zh) 一种基于多阶段图卷积融合的脑功能连接分类方法
Jasim ECG signal classification based on deep learning by using convolutional neural network (CNN)
CN113111918A (zh) 基于异常样本检测和多维信息输出的脑卒中风险筛查方法
CN109300545B (zh) 一种基于rf的地中海贫血病的风险预警方法
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
CN111816298A (zh) 事件预测方法及其装置、存储介质、终端、云服务系统
CN116350234A (zh) 基于gcnn-lstm模型的ecg心律失常分类方法及系统
CN113066544B (zh) 基于CAA-Net与LightGBM的FVEP特征点检测方法

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