CN109567793B - 一种面向心律不齐分类的ecg信号处理方法 - Google Patents

一种面向心律不齐分类的ecg信号处理方法 Download PDF

Info

Publication number
CN109567793B
CN109567793B CN201811365043.4A CN201811365043A CN109567793B CN 109567793 B CN109567793 B CN 109567793B CN 201811365043 A CN201811365043 A CN 201811365043A CN 109567793 B CN109567793 B CN 109567793B
Authority
CN
China
Prior art keywords
ecg
ecg signal
layer
sub
arrhythmia
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
CN201811365043.4A
Other languages
English (en)
Other versions
CN109567793A (zh
Inventor
周兴社
刘帆
王柱
於志文
倪红波
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201811365043.4A priority Critical patent/CN109567793B/zh
Publication of CN109567793A publication Critical patent/CN109567793A/zh
Application granted granted Critical
Publication of CN109567793B publication Critical patent/CN109567793B/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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种ECG信号处理方法，可以从多个时频解析度对ECG信号进行分析，并分别利用SB‑LSTM和TD‑CNN从ECG子层信号中挖掘信号的整体波动模式和局部波动模式，最终使用Sum Rule对每个ECG子层的中间分类结果进行融合，获取更加准确、健壮的分类结果。该方法避免了人工分类所产生的个体间差异和个体内差异，能够获得稳定的分类结果，此外，该方法不需要借助任何专家知识、不需要手动设计各种特征、不需要进行特征选择处理、不需要单独构建分类器，是典型的端到端方法，具有使用便捷、分类精度高等特点。

Description

一种面向心律不齐分类的ECG信号处理方法
技术领域
本发明涉及生物医学领域，具体地，涉及一种面向心律不齐分类的ECG信号处理方法。
背景技术
“心律不齐”指的是心跳或快或慢，超过了一般范围。很多心律不齐都没有任何症状。心律不齐有五个分型：非异位型(N:Non-ectopic)、室性异位型(V:Ventricularectopic)、室上性异位型(S:Supraventricular ectopic)、混合型(F:Fusion)、未知型(Q:Unknown)。不同个体的心脏活动模式具有较大差异，甚至相同个体的心脏活动模式在不同时段也表现出巨大差异，这使得对心律不齐进行准确分类变得异常困难。
现有心率不齐分类方法主要分为两大类：1)基于专业医生的人工分类方法；2)基于特征提取、特征选择及分类器构建的计算机辅助分类方法。前者需要医生具有极其丰富的临床经验，且需耗费大量的时间成本，效率很低；此外，基于人工的检测及分类方法往往存在个体间差异和个体内差异，分类结果的一致性较差。后者虽然借助计算机大大降低了时间成本，且保证了结果的一致性，但其必须根据专家知识提前设计若干个特征。由于心脏活动模式在个体间和个体内都存在巨大差异，统一设计的特征难以准确刻画所有情况下的心脏活动模式，这限制了该种方法的分类精度。
发明内容
本发明提供一种面向心律不齐分类的ECG信号处理方法，以解决心律不齐分类精度较低的问题。
本发明的技术方案为：
一种面向心律不齐分类的ECG信号处理方法，包括以下步骤：
S1：对ECG信号进行R峰检测、心跳提取、数据平衡预处理操作，得到格式统一的ECG信号段；
S2：对S1输出的ECG信号段进行小波分解操作，得到多个时频解析度下的ECG子层信号；
S3：利用多层双向长短时记忆神经网络，分别从S2输出的每个ECG子层进行中挖掘长时依赖关系，刻画ECG信号段的整体变化趋势；
S4：利用二维卷积神经网络，从每个经过S3处理后的ECG信号子层中挖掘局部特征，以刻画ECG信号中不同波形成分的特点；并得到每个ECG子层信号属于不同心律不齐分型的概率；
S5：将S4中每个ECG子层属于不同心律不齐分型的概率进行融合，从而得到该ECG信号段的最终分类结果。
进一步地，一种面向心律不齐分类的ECG信号处理方法，所述S1中，首先使用Pan-Tompkins算法定位ECG信号中的R峰的位置；然后以R峰为中心截取适当数量的采样点作为当前心跳所对应的ECG信号段；最后采用SMOTE算法对实例较少的心率不齐分型进行上采样处理，得到数量平衡的数据集。
进一步地，一种面向心律不齐分类的ECG信号处理方法，S2中得到多个时频解析度下的ECG子层信号是指利用小波分解技术对ECG信号进行若干级分解，并根据每层细节分量的小波系数进行信号重构，从而得到若干不同时频解析度下的ECG子层信号。
进一步地，一种面向心律不齐分类的ECG信号处理方法，所述S3中利用多层双向长短时记忆神经网络以刻画ECG信号的整体波动模式是指：使用结构相同的多个多层长短时记忆神经网络并行地处理S2中得到的多个ECG子层信号，并将每层的处理结果并行地作为下一层网络的输入。
进一步地，一种面向心律不齐分类的ECG信号处理方法，所述S4中使用二维卷积神经网络刻画ECG信号中不同波形成分的波动模式是指：使用结构相同的多个二维卷积神经网络并行地处理S3中得到的多个ECG子层信号，并得到每个子层信号属于不同心率不齐分型的概率。
进一步地，一种面向心律不齐分类的ECG信号处理方法，所述S5中对每个ECG子层信号属于不同心率不齐分型的概率进行融合，是指利用Sum Rule技术，将上述概率进行融合，最终确定原始ECG信号段(即未分解的)所属的心率不齐分型。
本发明的有益效果为：所述的ECG信号处理方法，可以从多个时频解析度对ECG信号进行分析，并分别利用SB-LSTM和TD-CNN从ECG子层信号中挖掘信号的整体波动模式和局部波动模式，最终使用Sum Rule对每个ECG子层的中间分类结果进行融合，获取更加准确、健壮的分类结果。该方法避免了人工分类所产生的个体间差异和个体内差异，能够获得稳定的分类结果，此外，该方法不需要借助任何专家知识、不需要手动设计各种特征、不需要进行特征选择处理、不需要单独构建分类器，是典型的端到端方法，具有使用便捷、分类精度高等特点。
附图说明
图1是本发明一种面向心律不齐分类的ECG信号处理方法总体流程示意图；
图2是本发明一种面向心律不齐分类的ECG信号处理方法实施例中基于ECG的心率不齐分类模型的结构示意图；
图3是本发明一种面向心律不齐分类的ECG信号处理方法实施例中所设计的SB-LSTM结构示意图。
图4是本发明一种面向心律不齐分类的ECG信号处理方法实施例中所设计的SB-LSTM中的LSTM单元的结构示意图。
图5是本发明一种面向心律不齐分类的ECG信号处理方法实施例中所设计的TD-LSTM结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及其附图，对本发明中的技术方案进行清楚、完整地描述。
如图1所示，一种面向心律不齐分类的ECG信号处理方法，包括以下步骤：
S1：对ECG进行R峰检测、心跳提取、数据平衡等预处理操作，得到格式统一的ECG信号段。
R峰是ECG信号中表征一次心跳的最明显标志，因此可以用R峰所在位置表示每一次心跳发生的时刻。在本发明实施例中，采用流行的Pan-Tompkins算法进行R峰检测。然后，以R峰所在时刻为中心，选取适当数量的采样点来代表当次心跳所对应的ECG信号段。鉴于本发明实施例中ECG信号的采样频率为360Hz，而人体正常心率范围为60-100次/分，因此以R峰为中心选择256个采样点作为当次心跳所对应的ECG信号段，这样既可以最大程度保留当次心跳的主要信息，又避免混入相邻心跳的信息。然后，再对该256个采样点进行二次抽样(每4个采样点抽取一个)，使得每个心跳最终由64个采样点组成。由于正常心跳类型占全部心跳的绝大多数，因此需要对其余数量较少的心律不齐分型进行上采样操作。本发明实施例利用SMOTE算法实现该上采样操作。具体地，首先对不同心律不齐分型进行聚类操作，然后随机地从数量较少的分型中挑选一个实例作为种子，并找到距离其最近的K个该类型实例(本例中K设为10，且以欧式距离作为距离度量方法)，从该K个实例所张成的空间中随机选择一点作为新合成的实例，重复该操作，直到该心律不齐分型的实例个数达到合适的数量，最终使得所有心律不齐分型的实例个数相等即可。
S2：对S1输出的ECG信号段进行小波分解操作，得到多个时频解析度下的ECG子层信号。
利用小波分解操作将ECG信号分解为若干ECG子层信号，从而可以从多个时频解析度中挖掘更多隐含信息，以提升最终的分类性能。本发明实施例中，采用DWT技术进行ECG信号分解。具体地，使用Daubechies D6(“db6”)作为小波基。由于本发明实施例中，每个心跳所对应的ECG信号已经转换为90Hz，因此仅对每一个ECG信号段进行6层分解。其中，最后一次分解所得到的近似分量的频率范围为0-1.4.6Hz。在重构ECG子层信号时，分别用第一至第六层细节分量的小波系数进行信号重构(其他分量的小波系数置为0)，分别得到6个ECG子层信号，记为D1，D2，D3，D4，D5，D6。于此同时，同时利用第一至第六层细节分量的小波系数进行信号重构(第六层近似分量的小波系数置为0，因为它的主要成分为信号噪音)，得到另一个ECG子层信号，记为D0。需要注意的是，D0，D1，D2，D3，D4，D5,D6的长度相同，均由64个采样点组成。
S3：利用多层双向长短时记忆神经网络，分别从S2输出的每个ECG子层进行中挖掘长时依赖关系，从而刻画ECG信号段的整体变化趋势。
本发明实施例中使用SB-LSTM神经网络结构来挖掘每一个ECG子层信号中采样点之间的长期依赖关系，以刻画ECG信号段的整体波动模式。所设计的SB-LSTM网络结构如图3所示，它由三层双向LSTM构成。其中，上一层的输出作为下一层的输入，且保持上一层LSTM的结果输出给下一层同方向LSTM。每个LSTM的内部结构如图4所示，它由三个门构成，即：忘记门、输入门及输出门。三个门相互作用，共同控制LSTM状态的更新。其中，忘记门用来丢掉LSTM之前状态中的无用信息；输入门决定当前应当给LSTM状态添加哪些信息；输出门确定当前细胞应当将哪些信息作为LSTM的最终状态。给定t时刻的输入向量xt，LSTM的输出ht以及LSTM的状态ct按照如下公式进行更新：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
Figure BDA0001868290270000073
Figure BDA0001868290270000072
ht＝ot⊙tanh(ct)
其中，[X,Y]表示矩阵X与矩阵Y的链接结果；Wf,bf,Wi,bi,Wo及bo分别代表忘记门、输入门及输出门的权重和偏置项；σ表示激活函数，⊙表示矩阵按元素相乘操作；
Figure BDA0001868290270000071
Wc,bc分别表示与当前LSTM的输入对应的中间输出结果、权重矩阵及偏置项。具体在实施时，每个LSTM中的隐藏神经元个数设置为32个；S2中所得到的7个ECG子层信号(D0，D1，D2，D3，D4，D5，D6)分别并行地由1个SB-LSTM进行处理，并最终得到7组输出(每个输出由前向输出结果和后向输出结果组成，其大小为64×64的矩阵)。
S4：利用二维卷积神经网络，从每个经过S3处理后的ECG信号子层中挖掘局部特征，以刻画ECG信号中不同波形成分的特点；并得到每个ECG子层信号属于不同心律不齐分型的概率。
本发明实施例中使用TD-CNN神经网络结构来挖掘每一个ECG子层信号的局部特征，以刻画ECG信号中不同波形成分的波动模式。本发明实施例中所设计的TD-CNN网络结构如图5所示，它由两个卷积层、一个最大值池化层(Max-pooling)、一个平均池化层(Avg-pooling)、两个全连接层组成。具体地，第一个卷积层拥有32个过滤器(filters)，每个过滤器的大小为4×4矩阵，且步长为2；Max-pooling的接收域大小也为4×4，但步长为4；第二个卷积层的过滤器的个数设置为64个，以得到更高层的信号表示；Max-pooling层的接收域大小及步长与Max-pooling层相同；两个全连层所含的神经元个数分别设为32和5，并在最后一个全链接层之后添加一个Softmax层，从而将网络输出结果转换成概率分布形式。计算时，将S3中所得到的7组输出结果分别并行地由1个TD-CNN进行处理，最终得到7组结果，每个结果分别表示对应的ECG子层信号属于不同心律不齐分型的概率。
S5：将S4中每个ECG子层属于不同心律不齐分型的概率进行融合，从而得到该ECG信号段的最终分类结果。
在S4中得到了每个ECG子层信号分别属于不同心率不齐分型的概率(即中间结果)，为了更加准确地确定原始ECG信号段(即未进行分解的ECG信号)究竟属于哪种分型，需要对这些中间结果进行融合，得到最终的分类结果。本发明实施例中，使用Sum Rule技术进行中间结果融合。具体地，给定一个ECG子层信号xl(l＝1，2，…，N)(N表示子层的个数)，P(ωi|xl)(i＝1，2，3，4，5)表示xl属于ωi分型的概率(ω1,ω2,ω3,ω4和ω5分别表示5种心率不齐分型，即N、S、V、F和Q)。最终，原始ECG信号段所属分型可以由以下公式确定：
Figure BDA0001868290270000091
在训练整个神经网络模型时，每个心率不齐分型使用one-hot格式进行编码，采用分类交叉熵函数计算网络的损失；使用LeakyRelu作为网络中神经元的激活函数；使用Adam优化器来更新网络中的各个参数；网络中的各种参数，如权重矩阵、偏置等均初始化为随机值；为了避免过拟合现象，本发明实施例使用下降学习率技术(学习率初始值为0.002，每1000次迭代，学习率下降为原来的90％)、L-2正则化技术(正则化强度设置为10-4)、dropout技术(添加在二维卷积神经网络中的Avg-pooling之后，且保持率设置为0.95)对网络进行处理；数据集按0.7:0.1：0.2的比例划分为训练集、验证集、测试集，每次训练以128个实例作为一个mini-batch，每100次迭代计算一次网络性能，整个数据集训练5遍，选择在测试集上性能最优的模型作为最终的模型。

Claims (4)

1.一种面向心律不齐分类的ECG信号处理方法，其特征在于：包括以下步骤：
S1：对ECG信号进行R峰检测、心跳提取、数据平衡预处理操作，得到格式统一的ECG信号段；
S2：对S1输出的ECG信号段进行小波分解操作，得到多个时频解析度下的ECG子层信号；
S3：利用多层双向长短时记忆神经网络，分别从S2输出的每个ECG子层进行中挖掘长时依赖关系，刻画ECG信号段的整体变化趋势；所述利用多层双向长短时记忆神经网络以刻画ECG信号的整体波动模式是指：使用结构相同的多个多层长短时记忆神经网络并行地处理S2中得到的多个ECG子层信号，并将每层的处理结果并行地作为下一层网络的输入；
S4：利用二维卷积神经网络，从每个经过S3处理后的ECG信号子层中挖掘局部特征，以刻画ECG信号中不同波形成分的特点；并得到每个ECG子层信号属于不同心律不齐分型的概率；所述使用二维卷积神经网络刻画ECG信号中不同波形成分的波动模式是指：使用结构相同的多个二维卷积神经网络并行地处理S3中得到的多个ECG子层信号，并得到每个子层信号属于不同心率不齐分型的概率；
S5：将S4中每个ECG子层属于不同心律不齐分型的概率进行融合，从而得到该ECG信号段的最终分类结果。
2.根据权利要求1所述的一种面向心律不齐分类的ECG信号处理方法，其特征在于：所述S1中，首先使用Pan-Tompkins算法定位ECG信号中的R峰的位置；然后以R峰为中心截取适当数量的采样点作为当前心跳所对应的ECG信号段；最后采用SMOTE算法对实例较少的心率不齐分型进行上采样处理，得到数量平衡的数据集。
3.根据权利要求1所述的一种面向心律不齐分类的ECG信号处理方法，其特征在于：S2中得到多个时频解析度下的ECG子层信号是指利用小波分解技术对ECG信号进行若干级分解，并根据每层细节分量的小波系数进行信号重构，从而得到若干不同时频解析度下的ECG子层信号。
4.根据权利要求1所述的一种面向心律不齐分类的ECG信号处理方法，其特征在于：所述S5中对每个ECG子层信号属于不同心率不齐分型的概率进行融合，是指利用SumRule技术，将上述概率进行融合，最终确定原始ECG信号段(即未分解的)所属的心率不齐分型。
CN201811365043.4A 2018-11-16 2018-11-16 一种面向心律不齐分类的ecg信号处理方法 Active CN109567793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811365043.4A CN109567793B (zh) 2018-11-16 2018-11-16 一种面向心律不齐分类的ecg信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811365043.4A CN109567793B (zh) 2018-11-16 2018-11-16 一种面向心律不齐分类的ecg信号处理方法

Publications (2)

Publication Number Publication Date
CN109567793A CN109567793A (zh) 2019-04-05
CN109567793B true CN109567793B (zh) 2021-11-23

Family

ID=65922950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811365043.4A Active CN109567793B (zh) 2018-11-16 2018-11-16 一种面向心律不齐分类的ecg信号处理方法

Country Status (1)

Country Link
CN (1) CN109567793B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110507299B (zh) * 2019-04-11 2022-05-13 研和智能科技(杭州)有限公司 一种心率信号检测装置及方法
CN110555388A (zh) * 2019-08-06 2019-12-10 浙江大学 基于cnn和lstm的心内异常激动点定位模型构建方法
WO2021031155A1 (zh) * 2019-08-21 2021-02-25 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110495878B (zh) * 2019-08-21 2022-05-27 中国科学院深圳先进技术研究院 基于ecg的疾病预测方法、装置及电子设备
CN110731773B (zh) * 2019-10-28 2022-10-28 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
TWI766260B (zh) * 2020-03-30 2022-06-01 國立陽明交通大學 用於訓練一多任務學習網路以判別心電圖資料的方法及系統
CN111528832B (zh) * 2020-05-28 2023-04-18 四川大学华西医院 一种心律失常分类方法及其有效性验证方法
CN111759304B (zh) * 2020-07-01 2022-09-30 杭州脉流科技有限公司 心电图异常识别方法、装置、计算机设备和存储介质
CN113349790B (zh) * 2020-10-16 2022-08-09 山东大学 基于s型重构的2d卷积神经网络的心拍分类方法及系统
CN113317791B (zh) * 2021-05-28 2023-03-14 温州康宁医院股份有限公司 一种基于被测者的音频确定抑郁症严重程度的方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN106611055A (zh) * 2016-12-27 2017-05-03 大连理工大学 基于层叠式神经网络的中文模糊限制信息范围检测方法
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
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
US20170372475A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Method and System for Vascular Disease Detection Using Recurrent Neural Networks
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108445751A (zh) * 2018-02-28 2018-08-24 天津大学 融合递归图与深度学习的多目标ssvep意念控制法及应用
CN108542386A (zh) * 2018-04-23 2018-09-18 长沙学院 一种基于单通道eeg信号的睡眠状态检测方法和系统
CN108776788A (zh) * 2018-06-05 2018-11-09 电子科技大学 一种基于脑电波的识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
US20170372475A1 (en) * 2016-06-23 2017-12-28 Siemens Healthcare Gmbh Method and System for Vascular Disease Detection Using Recurrent Neural Networks
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN106611055A (zh) * 2016-12-27 2017-05-03 大连理工大学 基于层叠式神经网络的中文模糊限制信息范围检测方法
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
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108445751A (zh) * 2018-02-28 2018-08-24 天津大学 融合递归图与深度学习的多目标ssvep意念控制法及应用
CN108542386A (zh) * 2018-04-23 2018-09-18 长沙学院 一种基于单通道eeg信号的睡眠状态检测方法和系统
CN108776788A (zh) * 2018-06-05 2018-11-09 电子科技大学 一种基于脑电波的识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Deep Convolutional Neural Network Model to Classify Heartbeats;U.Rajendra Acharya;《Comput. Biol. Med》;20171001;全文 *
A Novel Wavelet Sequence Based On Deep Bidirectional-LSTM Network Model For ECG Signal Classification;O.Yildirim;《Computer. Biol. Med》;20180601;第189页第1段、第192页第4段-第195页第2段，附图3-6 *
Automated Diagnosis Of Arrhythmia Using Combination Of CNN and LSTM Techniques With Variable Length Heart Beats;Shu Lih Oh;《Computer. Biol. Med》;20180606;第279页第4段-第281页第2段，附图2 *

Also Published As

Publication number Publication date
CN109567793A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109567793B (zh) 一种面向心律不齐分类的ecg信号处理方法
CN113627518B (zh) 利用迁移学习实现神经网络脑电情感识别模型的方法
CN109376751B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
CN109036553B (zh) 一种基于自动抽取医疗专家知识的疾病预测方法
CN112667080B (zh) 基于深度卷积对抗网络的脑电信号无人平台智能控制方法
Ziasabounchi et al. ANFIS based classification model for heart disease prediction
CN111000553B (zh) 一种基于投票集成学习的心电数据智能分类方法
CN107256393A (zh) 基于深度学习的一维生理信号的特征提取与状态识别
CN109620152B (zh) 一种基于MutiFacolLoss-Densenet的心电信号分类方法
CN112699960B (zh) 基于深度学习的半监督分类方法、设备及存储介质
Gavrishchaka et al. Advantages of hybrid deep learning frameworks in applications with limited data
CN112508110A (zh) 一种基于深度学习的心电信号图的分类方法
CN104771163A (zh) 基于csp和r-csp算法的脑电信号特征提取方法
CN107832737A (zh) 基于人工智能的心电图干扰识别方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN110522412A (zh) 基于多尺度脑功能网络分类脑电信号的方法
CN112070067A (zh) 一种光体积描计信号的散点图分类方法和装置
CN112380959A (zh) 一种基于图神经网络的单变量时间序列分类方法
CN111297327B (zh) 一种睡眠分析方法、系统、电子设备及存储介质
CN111261278A (zh) 一种基于三维图像的深度学习模型的心脏疾病检测方法
CN113035348A (zh) 一种基于gru特征融合的糖尿病诊断方法
CN113298131A (zh) 一种基于注意力机制的时序数据缺失值插补方法
CN117193537A (zh) 一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
CN108021873B (zh) 一种聚类非对称互信息的脑电信号癫痫分类方法及系统

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