CN109394205B - 一种基于深度神经网络的心电信号分析方法 - Google Patents
一种基于深度神经网络的心电信号分析方法 Download PDFInfo
- Publication number
- CN109394205B CN109394205B CN201811162176.1A CN201811162176A CN109394205B CN 109394205 B CN109394205 B CN 109394205B CN 201811162176 A CN201811162176 A CN 201811162176A CN 109394205 B CN109394205 B CN 109394205B
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiosignal
- neural network
- layer
- task
- 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
-
- 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)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (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深度神经网络的心电信号多病症分析方法,包括:采集12导联心电信号数据;将12导联心电信号数据截取为等长的目标心电信号数据;将目标心电信号数据代入目标深度神经网络模型,输出目标深度神经网络模型预测的N个任务的概率;根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果。
Description
技术领域
本发明涉及人工智能数据分析技术领域,尤其涉及一种基于深度神经网络的心电信号分析方法。
背景技术
心电信号(Electrocardiogram,ECG),又称心电图。现有的心电信号分析技术,主要分为两大类。第一类,是基于专家知识的心电信号测量值统计分析方法。该方法需要先识别出一段心电信号中的每一次心搏(Beat),再识别出每一次心搏中的各个特征波段(如P波、QRS波群、ST段、T波等),最后,根据各个特征波段的测量值,判断该心搏可能出现的问题。
现有的心电信号分析技术存在以下几个缺点:有的方法需要依赖于大量医学领域的专家知识,需要耗费大量的人力资源,分析效果有天然的瓶颈,有的方法需要首先进行大量的特征工程,该步骤需要消耗大量的工作精力,分析效果不稳定,直接基于原始数据,容易受到干扰信号的影响,分析技术的鲁棒性不足,可扩展性较差,没有考虑不同分析任务下的区别与共性。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于深度神经网络的心电信号分析方法;
本发明提出的一种基于深度神经网络的心电信号分析方法,包括:
S1、采集12导联心电信号数据;
S2、将12导联心电信号数据截取为等长的目标心电信号数据;
S3、将目标心电信号数据代入目标深度神经网络模型,输出目标深度神经网络模型预测的N个任务的概率;
S4、根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果。
优选地,步骤S2,具体包括:采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据,其中,滑动窗口的宽度为目标心电信号数据的长度。
优选地,步骤S3,具体包括:
S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X)))))),其中,X为目标心电信号数据,X∈RW×12,R为实数集合,W为目标心电信号数据的长度,F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层;
S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰,保留X在预设频率区间的心电信号的信息,得到X{1}∈RW×12并输出;
S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分,得到k个等长数据片,得到X{2}∈RW2×k×12并输出;
S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征,得到k个维度为d的X{3}∈Rk×d并输出;
S35、在循环层对Rk×d进行整体特征提取,得到X{4}∈Rr并输出,其中,r表示循环层的隐藏节点个数;
S36、将X{4}∈Rr进行线性组合,得到紧密的较低维度特征X{5}∈Rc并输出,其中,c表示线性组合的个数;
S37、将X{5}∈Rc代入N个任务预测层,得到Y=[Y1,Y2,…,YN],其中Yi为X{5}在第i个任务的概率,i≤N。
优选地,步骤S34,具体包括:
在对X{2}中每个数据片进行局部特征提取得到d个局部特征过程中,不同数据片上的卷积层进行权值共享;卷积层在输出的过程中,输出的顺序按照数据片分片的顺序排列;
优选地,步骤S34,具体包括:卷积层由块结构堆叠而成的网络结构,每个块结构包括一个批量正则化、一个修正的线性激活函数、一个随机删除、一个卷积操作,每两个块结构之间用残差操作连接,该残差操作是矩阵间元素级别的加法。
优选地,步骤S35,具体包括:
循环层为双向连接的循环神经网络,输入分别用正向输入和反向输入两种方式,将前向循环神经网络的输出和后向循环神经网络的输出进行拼接,得到循环层的输出结果X{4}∈Rr。
优选地,步骤S36,具体包括:
将X{4}∈Rr进行线性组合的公式为:X{5}=DX{4},其中,D表示线性组合的权重矩阵,该公式代表矩阵乘法。
优选地,步骤S4,具体包括:
将N个任务的概率分别与对应N个任务预设的概率阈值进行比较,当N个任务中某个任务的概率大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况出现;当N个任务中某个任务的概率不大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况不出现。
本发明通过采集12导联心电信号数据,将12导联心电信号数据截取为等长的目标心电信号数据,将目标心电信号数据代入目标深度神经网络模型的干扰识别层、数据分片层、卷积层、循环层、全连接层、多任务层中进行预测分析,输出目标深度神经网络模型预测的N个任务的概率,根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果,如此,不需要依赖任何医学领域的专业知识,也不需要依赖于繁琐的特征工程,完全基于已有的心电信号数据,自动完成特征提取,实现端到端的多任务心电信号分析。此外,本发明还具有很强的抗干扰能力,能够很好的抵抗各类的干扰信号的影响,关注与心电信号本身的结果。
附图说明
图1为本发明提出的一种基于深度神经网络的心电信号分析方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种基于深度神经网络的心电信号分析方法,包括:
步骤S1,采集12导联心电信号数据。
在具体方案中,采集标准的心电信号数据,包含I、II、III、V1、V2、V3、V4、V5、V6、avR、avL、avF共计12导联(Lead),采样率为fHz,每条数据可以是任意长度。对于任意一条原始的心电信号,表示为X0∈RW×12其中n为该信号的数据长度,n=f×t,t为该信号采集的时间长度。
步骤S2,将12导联心电信号数据截取为等长的目标心电信号数据。
步骤S2具体包括:采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据,其中,滑动窗口的宽度为目标心电信号数据的长度。
在具体方案中,为了得到固定长度的数据,用以输入到模型中,采用滑动窗口对原始数据进行截取。滑动窗口的宽度是W,滑动步长是stride,则截取出的第i条数据的起始位置为(i-1)×stride,终止位置为(i-1)×stride+W;最终得到的数据记为S∈RW×m×12,其中m是每一个原始数据经过滑动窗口截取后所得到的数据个数,滑动窗口的宽度为W,也是下述目标心电信号数据的长度,12是导联的数量,一般W取10秒。
步骤S3,将目标心电信号数据代入目标深度神经网络模型,输出目标深度神经网络模型预测的N个任务的概率。
步骤S3,具体包括:
S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X)))))),其中,X为目标心电信号数据,X∈RW×12,R为实数集合,W为目标心电信号数据的长度,F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层;
S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰,保留X在预设频率区间的心电信号的信息,得到X{1}∈RW×12并输出;
S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分,得到k个等长数据片,得到X{2}∈RW2×k×12并输出;
S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征,得到k个维度为d的X{3}∈Rk×d并输出;
S34,具体包括:在对X{2}中每个数据片进行局部特征提取得到d个局部特征过程中,不同数据片上的卷积层进行权值共享;卷积层在输出的过程中,输出的顺序按照数据片分片的顺序排列;
具体的,卷积层由块结构堆叠而成的网络结构,每个块结构包括一个批量正则化、一个修正的线性激活函数、一个随机删除、一个卷积操作,每两个块结构之间用残差操作连接,该残差操作是矩阵间元素级别的加法。
S35、在循环层对Rk×d进行整体特征提取,得到X{4}∈Rr并输出,其中,r表示循环层的隐藏节点个数;
S35,具体包括:
循环层为双向连接的循环神经网络,输入分别用正向输入和反向输入两种方式,将前向循环神经网络的输出和后向循环神经网络的输出进行拼接,得到循环层的输出结果X{4}∈Rr。
S36、将X{4}∈Rr进行线性组合,得到紧密的较低维度特征X{5}∈Rc并输出,其中,c表示线性组合的个数;
S36,具体包括:将X{4}∈Rr进行线性组合的公式为:X{5}=DX{4},其中,D表示线性组合的权重矩阵,该公式代表矩阵乘法。
S37、将X{5}∈Rc代入N个任务预测层,得到Y=[Y1,Y2,…,YN],其中Yi为X{5}在第i个任务的概率,i≤N。
在具体方案中,目标深度神经网络模型是一个端到端的架构,记为F,输入是经过滑动窗口截取后的等长的目标心电信号数据X∈RW×12,输出是N个任务的结果Y=[Y1,Y2,…,YN],则该模型可以表示为:Y=F(X),其中F是一个复合函数,代表由多个神经网络层的叠加,更具体的表示为:F6(F5(F4(F3(F2(F1(X)))))),F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层;
无论采用何种设备采集心电信号,都会受到各种来源的噪声干扰,降低心电信号的质量。因此,需要在干扰识别层中剔除噪声的影响,得到干净的心电信号,提高数据质量,提升分析结果的精度。本方案中,干扰识别层采用信号处理中的滤波器剔除心电信号的噪声,通过高通滤波器剥离出高频率的噪声,通过低通滤波器剥离出低频率的基线漂移,剩余的成分即为有效的心电信号;输入X∈RW×12,在频域上剔除低频的基线漂移)和高频的噪的干扰,保留预设频率区间(如:0.5Hz到50Hz)的有效心电信号的信息,得到与输入同样大小的X{1}∈RW×12。
以滑动窗口的宽度等于10秒为例,输入数据分片层的长度为10秒的心电信号数据,一般会包含10至20次心搏,由于心电信号的这些心搏之间具有一定的相似性,所以,建立模型的时候也不需要一整段数据重复建模。传统的做法是识别出QRS波群,再根据波群进行划分。这样做有两个问题:划分的精度依赖于QRS的识别精度,在有干扰的情况下,效果不佳;每个心搏的长短不一,这样的数据难以统一建模;
本方案是对一段心电信号X{1}∈RW×12直接进行宽度为W2且无重叠的切分,得到k个较短的等长数据片X{2}∈RW2×k×12,在每个小片上建立权值共享的神经网络模型,这样做的好处是:扩充了训练数据的数量,增加了训练数据的多样性;通过权值共享,可以在保证模型精度的情况下,降低模型的复杂度,提高模型的泛化能力;使得后续的训练更加容易,也能够使得后面的神经网络层更加鲁棒。
卷积层,对数据分片层输出的大小为RW2×12的每个数据片,在卷积层进行局部特征提取,不同数据片上的卷积层进行权值共享。卷积层最终得到的局部特征个数为d,将这些卷积层的输出按照分片的顺序进行排列,得到卷积层的输出X{3}∈Rk×d。
卷积层由卷积操作、批量正则化、随机删除、修正的线性激活函数堆叠而成。卷积操作的人工神经元可以响应一部分覆盖范围内的周围单元,达到自动提取局部特征的目的。而通过多个卷积层的叠加,就可以提取到不同层级的局部特征和总体特征,现有的研究也表明,更多叠加的卷积层能够更好地提取到更多有效的特征。然而,如果将多个卷积操作直接首位顺次连接,这样得到的神经网络模型,在训练时候会产生梯度爆炸或者梯度消失的问题,而导致训练过程无法收敛,无法得到有意义的模型结果。本方案中构建了由块结构堆叠而成的网络结构,这样可以堆叠更多的网络层,而不会产生梯度爆炸或者梯度消失的问题。具体的,每个块结构包括一个批量正则化、一个修正的线性激活函数、一个随机删除、一个卷积操作。此外,每两个块结构之间用残差操作连接,该操作是矩阵间元素级别的加法。具体的,本发明的卷积层由30个块结构组成,块结构的卷积操作是序列上的1维卷积,随机删除的比例是50%。每两个顺次连接的块结构之间用残差操作连接。大小为RW2×12的小数据片经过每个块结构,得到的结果大小为R结果步长×核的数量。在使用采样率为500Hz的心电信号时,卷积核的大小为16,每2个块结构进行一次步长为2的降采样,第一个块结构的卷积操作采用64个核,此后的每4个块结构将核的数量翻倍。在最后一个块结构的输出,对结果步长这一维度进行全局的平均操作,从而得到大小为Rd的特征向量,d的大小可唯一确定,不需要进行额外的设定,最后,堆叠这k个特征向量,得到卷积层的输出X{3}∈Rk×d。
循环层由循环神经网络(RecurrentNeuralNetwork,RNN)组成,循环神经网络包含多个循环传递的神经元单元,由双向的长短时记忆神经单元(Long-shortTermMemory,缩写为LSTM)组成。这种人工神经元将状态在自身网络中循环传递,在时间维度上进行了展开,代表信息在时间维度从前往后的的传递和积累,可以描述动态时间行为,接受更广泛的时间序列结构输入。
本方案中,使用的循环神经网络包含128个长短时记忆神经单元。输入步长为k的X{3}∈Rk×d,对于第t步的X{3}(t)∈Rd,通过下面的计算方式得到第t步的输出h(t)其中h(0)=X{3}(0):
i(t)=δ(Wi·[h(t-1),X{3}(t)]+bi)
o(t)=δ(Wo·[h(t-1),X{3}(t)]+bo)
h(t)=o(t)*tanh(C(t))
最终的输出结果是h=h(k)。简化表示为h=RNN(X{3})。
本方案使用了双向连接的循环神经网络,也就是说,k个步骤的输入分别用正向输入和反向输入两种方式,不仅计算了从前向后的传递和积累,还计算了从后向前的传递和积累,从而更加精确的反应了序列的总体特征。将前向循环神经网络的输出和后向循环神经网络的输出进行拼接,得到循环层的输出结果X{4}∈Rr。
全连接层是一个线性变换,将较高维度的特征X{4}∈Rr进行线性组合,得到更加紧密的较低维度特征X{5}∈Rc。
多任务层,将全连接层的输出进入到不同任务的预测层,每个预测层输出是一个数值Yi∈[0,1],代表该心电信号在第i个任务上的概率。
步骤S4,根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果,具体包括:将N个任务的概率分别与对应N个任务预设的概率阈值进行比较,当N个任务中某个任务的概率大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况出现;当N个任务中某个任务的概率不大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况不出现。
在具体方案中,多任务层得到的结果是N个0到1之间的概率值,将概率值转化为最终的预测结果(1代表该情况出现,0代表该情况不出现),需要给定阈值thresh。由于不同的阈值选择,模型预测的精确度(Precision)和灵敏度(Recall)都会有很大差异,而不同场景下对于二者的要求也不相同。因此,该阈值应该由真实使用场景所决定。
本实施方式通过采集12导联心电信号数据,采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据,将目标心电信号数据代入目标深度神经网络模型的干扰识别层、数据分片层、卷积层、循环层、全连接层、多任务层中进行预测分析,输出目标深度神经网络模型预测的N个任务的概率,根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果,如此,不需要依赖任何医学领域的专业知识,也不需要依赖于繁琐的特征工程,完全基于已有的心电信号数据,自动完成特征提取,实现端到端的多任务心电信号分析。此外,本实施方式还具有很强的抗干扰能力,能够很好的抵抗各类的干扰信号的影响,关注与心电信号本身的结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于深度神经网络的心电信号分析方法,其特征在于,包括:
S1、采集12导联心电信号数据;
S2、将12导联心电信号数据截取为等长的目标心电信号数据;
S3、将目标心电信号数据代入目标深度神经网络模型,输出目标深度神经网络模型预测的N个任务的概率;
S4、根据N个任务的概率和对应N个任务预设的概率阈值,得到N个任务的预测结果;
所述步骤S3,具体包括:
S31、目标深度神经网络模型为F6(F5(F4(F3(F2(F1(X)))))),其中,X为目标心电信号数据,X∈RW×12,R为实数集合,W为目标心电信号数据的长度,F1为干扰识别层、F2为数据分片层、F3为卷积层、F4为循环层、F5为全连接层、F6为多任务层;
S32、干扰识别层在频域上剔除X的低频的基线漂移和高频的噪音的干扰,保留X在预设频率区间的心电信号的信息,得到X{1}∈RW×12并输出;
S33、数据分片层对X{1}∈RW×12进行滑动窗口宽度为W2且无重叠的切分,得到k个等长数据片,得到X{2}∈RW2×k×12并输出;
S34、卷积层对X{2}中每个数据片进行局部特征提取得到d个局部特征,得到k个维度为d的X{3}∈Rk×d并输出;
S35、在循环层对Rk×d进行整体特征提取,得到X{4}∈Rr并输出,其中,r表示循环层的隐藏节点个数;
S36、将X{4}∈Rr进行线性组合,得到紧密的较低维度特征X{5}∈Rc并输出,其中,c表示线性组合的个数;
S37、将X{5}∈Rc代入N个任务预测层,得到Y=[Y1,Y2,…,YN],其中Yi为X{5}在第i个任务的概率,i≤N。
2.根据权利要求1所述的一种基于深度神经网络的心电信号分析方法,其特征在于,步骤S2,具体包括:采用滑动窗口将12导联心电信号数据截取为等长的目标心电信号数据,其中,滑动窗口的宽度为目标心电信号数据的长度。
3.根据权利要求1所述的一种基于深度神经网络的心电信号分析方法,其特征在于,步骤S34,具体包括:
在对X{2}中每个数据片进行局部特征提取得到d个局部特征过程中,不同数据片上的卷积层进行权值共享;卷积层在输出的过程中,输出的顺序按照数据片分片的顺序排列;
卷积层由块结构堆叠而成的网络结构,每个块结构包括一个批量正则化、一个修正的线性激活函数、一个随机删除、一个卷积操作,每两个块结构之间用残差操作连接,该残差操作是矩阵间元素级别的加法。
4.根据权利要求1所述的一种基于深度神经网络的心电信号分析方法,其特征在于,步骤S35,具体包括:
循环层为双向连接的循环神经网络,输入分别用正向输入和反向输入两种方式,将前向循环神经网络的输出和后向循环神经网络的输出进行拼接,得到循环层的输出结果X{4}∈Rr。
5.根据权利要求1所述的一种基于深度神经网络的心电信号分析方法,步骤S36,具体包括:
将X{4}∈Rr进行线性组合的公式为:X{5}=DX{4},其中,D表示线性组合的权重矩阵,该公式代表矩阵乘法。
6.根据权利要求1所述的一种基于深度神经网络的心电信号分析方法,步骤S4,具体包括:
将N个任务的概率分别与对应N个任务预设的概率阈值进行比较,当N个任务中某个任务的概率大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况出现;当N个任务中某个任务的概率不大于该任务对应的概率阈值时,则该任务预测结果为该任务对应的情况不出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162176.1A CN109394205B (zh) | 2018-09-30 | 2018-09-30 | 一种基于深度神经网络的心电信号分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162176.1A CN109394205B (zh) | 2018-09-30 | 2018-09-30 | 一种基于深度神经网络的心电信号分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109394205A CN109394205A (zh) | 2019-03-01 |
CN109394205B true CN109394205B (zh) | 2022-06-17 |
Family
ID=65466698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811162176.1A Active CN109394205B (zh) | 2018-09-30 | 2018-09-30 | 一种基于深度神经网络的心电信号分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109394205B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109602415B (zh) * | 2018-11-12 | 2022-02-18 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
CN110090016B (zh) * | 2019-04-28 | 2021-06-25 | 心医国际数字医疗系统(大连)有限公司 | 定位r波位置的方法及系统、使用lstm神经网络的r波自动检测方法 |
CN110309758B (zh) * | 2019-06-26 | 2021-12-03 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
CN113040778B (zh) * | 2019-12-26 | 2022-07-29 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
CN113130024A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 医疗事件的预测方法及穿戴设备、计算机可读存储介质 |
WO2022179645A2 (zh) * | 2022-06-13 | 2022-09-01 | 合肥心之声健康科技有限公司 | 心电图分析方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107945804A (zh) * | 2017-12-07 | 2018-04-20 | 杭州测质成科技有限公司 | 基于语音识别的任务管理与量具数据提取系统及其方法 |
CN108510456A (zh) * | 2018-03-27 | 2018-09-07 | 华南理工大学 | 基于感知损失的深度卷积神经网络的草图简化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107137072B (zh) * | 2017-04-28 | 2019-09-24 | 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 |
CN107256393B (zh) * | 2017-06-05 | 2020-04-24 | 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 |
CN108390706B (zh) * | 2018-01-30 | 2020-10-27 | 东南大学 | 一种基于深度学习的大规模mimo信道状态信息反馈方法 |
-
2018
- 2018-09-30 CN CN201811162176.1A patent/CN109394205B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN107945804A (zh) * | 2017-12-07 | 2018-04-20 | 杭州测质成科技有限公司 | 基于语音识别的任务管理与量具数据提取系统及其方法 |
CN108510456A (zh) * | 2018-03-27 | 2018-09-07 | 华南理工大学 | 基于感知损失的深度卷积神经网络的草图简化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109394205A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
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 | |
CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
CN109411041A (zh) | 心电信息处理方法和心电工作站系统 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
Azuaje et al. | Predicting coronary disease risk based on short-term RR interval measurements: A neural network approach | |
CN111528832B (zh) | 一种心律失常分类方法及其有效性验证方法 | |
CN110638430A (zh) | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 | |
CN111626114A (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
EP4227852A1 (en) | Scatter diagram classification method and apparatus for photoplethysmography signal | |
CN109887594A (zh) | 一种基于modwt和tdcnn的多导联心律失常智能诊断方法 | |
CN110236529A (zh) | 一种基于modwt和lstm的多导联心律失常智能诊断方法 | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
CN110537907B (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
Zubair et al. | Removal of motion artifacts from ECG signals by combination of recurrent neural networks and deep neural networks | |
Kulkarni | DWT and ANN based heart arrhythmia disease diagnosis from MIT-BIH ECG signal data |
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 |