CN109620210A - 一种基于自编码模式的cnn与gru结合的心电信号分类方法 - Google Patents

一种基于自编码模式的cnn与gru结合的心电信号分类方法 Download PDF

Info

Publication number
CN109620210A
CN109620210A CN201910080223.6A CN201910080223A CN109620210A CN 109620210 A CN109620210 A CN 109620210A CN 201910080223 A CN201910080223 A CN 201910080223A CN 109620210 A CN109620210 A CN 109620210A
Authority
CN
China
Prior art keywords
peak
gru
ecg signal
layer
formula
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.)
Granted
Application number
CN201910080223.6A
Other languages
English (en)
Other versions
CN109620210B (zh
Inventor
王英龙
燕婷
张重庆
舒明雷
刘辉
孔祥龙
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.)
Shandong University of Science and Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Computer Science Center
Original Assignee
Shandong University of Science and Technology
Shandong Computer Science Center
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 Shandong University of Science and Technology, Shandong Computer Science Center filed Critical Shandong University of Science and Technology
Priority to CN201910080223.6A priority Critical patent/CN109620210B/zh
Publication of CN109620210A publication Critical patent/CN109620210A/zh
Application granted granted Critical
Publication of CN109620210B publication Critical patent/CN109620210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7235—Details of waveform analysis
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于自编码模式的CNN与GRU结合的心电信号分类方法，通过提取出原始信号中最具有代表性的特征，运用CNN+GRU进行特征提取，节省了空间，节省了很多训练空间，其中采用的GRU（门控循环单元）一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题，另一方面它比LSTM少一个门，更易于计算，能够提高训练效率，GRU优点在于当训练样本少时，可以使用防止过拟合，当训练样本多时，也可以节省很多的训练时间，能够提高网络的学习效率和心电信号识别的精度。

Description

一种基于自编码模式的CNN与GRU结合的心电信号分类方法
技术领域
本发明涉及ECG信号分类技术领域，具体涉及一种基于自编码模式的CNN与GRU 结合的心电信号分类方法。
背景技术
心电(ECG)信号是一种广泛用于反映潜在心脏状况的无创检测方法。心电信号是医生对病人心脏状况做出评价的最基本指标，但由于生理信号受到个体内部变化 的影响，例如，电极位置和噪声都会影响信号的波形，而且即使是健康受试者的 心电信号，在不同的情况下，QRS复合体、P波和R-R间隔的形状在不同的节拍 之间也不会是相同的，同类型的心律失常在相同患者的不同阶段之间的心电信号 很可能有明显变化，不同患者同种类型的心律失常在心电信号上的差异更大，这 对于人工判断来说是一项很大的挑战。
传统的心电信号分类方法，需要一定的信号先验知识或经常需要专家输入。这些限制了方法的应用，在对新受试者心电信号进行分类时，可能会遇到较大的变化， 使它们的准确性和效率往往差异很大。
发明内容
本发明为了克服以上技术的不足，提供了一种节省空间、易于计算、提高训练效率的基于自编码模式的CNN与GRU结合的心电信号分类方法。
本发明克服其技术问题所采用的技术方案是：
一种基于自编码模式的CNN与GRU结合的心电信号分类方法，包括如下步骤：
a)选择MIT-BIH心律失常库作为数据库，使用该数据库中的导联Ⅱ信号作为实验所需的数据；
b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信号中的P波、QRS波，利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波，利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号，得到去除基线漂移后的ECG信号；
c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理，去除信号中所含有的高频噪声，得到实验所需要的ECG信号数据；
d)计算机读取MIT-BIH心律失常库中的R峰值，得到N个R峰，去除第一个R 峰和第N个R峰，中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离的1/2作为一个心拍，得到N-2个心拍，对N-2个心拍进 行降采样处理；
e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR， 计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR，计算在 10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR，计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR，将pre-RR、post-RR、local-RR及global-RR拼接 成54维的矩阵输入模型；
f)以矩阵[N，Len]的形式传入矩阵输入模型，N表示样本数据个数，Len为每个 样本数据的维度，根据公式计算第一层卷积层的矩阵 尺寸W1，F为卷积核的大小，s为卷积核的移动幅度，P为零填充边界宽度；
g)计算机使用Batch Normalization算法对N*W1进行规范化计算；
h)进入卷积网络的池化层，通过公式计算降维后的矩阵大小W2，其中M 为池化层核尺寸；
i)进入第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积 层结果进行归一化处理，归一化处理后利用池化层降维，得到第二个卷积层计算 输出结果W3；
j)进入神经网络的GRU层，通过公式rt＝σ(Wrxt+Urht-1)计算重置门rt， 式中xt为t时刻隐藏层输入的ECG信号，ht-1为时刻t的前一个时间点输出的ECG 信号，Wr为reset门的权值，Ur为t时刻的前一时刻隐藏层reset门的权值， 通过公式zt＝σ(Wzxt+Uzht-1)计算更新门zt，其中Wz为update 门的权值，Uz为t时刻的前一个时间点隐藏层update门的权值，通过公式 计算最终输出结果ht，其中式中U为t时刻前一个时间点隐藏层的权 重，W为候选隐藏层的权值，完成ECG信号编码；
k)在ECG信号解码时采用卷积神经网络处理，采用两层卷积层，两层UpSampling1D层对编码的ECG信号进行解码；
l)在卷积神经网络中添加一个Dense层，使用softmax激活函数对解码后的ECG 信号进行分类；
m)使用categorical_crossentropy多分类交叉熵函数计算损失；
n)使用Adam优化函数优化GRU模型参数；
o)保存模型参数，运行结束。
进一步的，步骤d)中利用插值法对N-2个心拍进行降采样处理，降成50维。
进一步的，步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。
进一步的，步骤j)中GRU层所使用的激活函数是ReLU。
进一步的，步骤l)中ECG信号分成五类。
本发明的有益效果是：通过提取出原始信号中最具有代表性的特征，运用 CNN+GRU进行特征提取，节省了空间，节省了很多训练空间，其中采用的GRU(门 控循环单元)一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题， 另一方面它比LSTM少一个门，更易于计算，能够提高训练效率，GRU优点在于 当训练样本少时，可以使用防止过拟合，当训练样本多时，也可以节省很多的训 练时间，能够提高网络的学习效率和心电信号识别的精度。
具体实施方式
下面对本发明做进一步说明。
一种基于自编码模式的CNN与GRU结合的心电信号分类方法，包括如下步骤：
a)选择MIT-BIH心律失常库作为数据库，使用该数据库中的导联Ⅱ信号作为实验所需的数据；
b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信号中的P波、QRS波，利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波，利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号，得到去除基线漂移后的ECG信号；
c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理，去除信号中所含有的高频噪声，得到实验所需要的ECG信号数据；
d)计算机读取MIT-BIH心律失常库中的R峰值，得到N个R峰，去除第一个R 峰和第N个R峰，中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离的1/2作为一个心拍，得到N-2个心拍，对N-2个心拍进 行降采样处理；
e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR， 计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR，计算在 10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR，计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR，将pre-RR、post-RR、local-RR及global-RR拼接 成54维的矩阵输入模型；
f)以矩阵[N，Len]的形式传入矩阵输入模型，在编码阶段进行CNN-GRU组合的模型训练，N表示样本数据个数，Len为每个样本数据的维度，根据公式计算第一层卷积层的矩阵尺寸W1，F为卷积核的大小， s为卷积核的移动幅度，P为零填充边界宽度；
g)计算机使用Batch Normalization算法对N*W1进行规范化计算；
h)进入卷积网络的池化层，通过公式计算降维后的矩阵大小W2，其中M 为池化层核尺寸；
i)进入第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积 层结果进行归一化处理，归一化处理后利用池化层降维，得到第二个卷积层计算 输出结果W3；
j)进入神经网络的GRU层，GRU层分别有更新门和重置门两个门，通过公式 rt＝σ(Wrxt+Urht-1)计算重置门rt，rt用来计算候选隐藏层即当前时 刻中保留了多少前一时刻隐藏层ht-1的信息，式中xt为t时刻隐藏层输入的 ECG信号，ht-1为时刻t的前一个时间点输出的ECG信号，Wr为reset门的 权值，Ur为t时刻的前一时刻隐藏层reset门的权值，通过公式zt＝σ(Wzxt+Uzht-1)计算更新门zt，zt用来决定前一个时间点隐藏层 ht-1忘记多少信息，并且加入多少信息是属于候选隐藏层的，其中Wz为 update门的权值，Uz为t时刻的前一个时间点隐藏层update门的权值，通过 公式计算最终输出结果ht，其中 式中U为t时刻前一个时间点隐藏层的权重，W 为候选隐藏层的权值，完成ECG信号编码；
k)在ECG信号解码时采用卷积神经网络处理，采用两层卷积层，两层UpSampling1D层对编码的ECG信号进行解码；
l)在卷积神经网络中添加一个Dense层，使用softmax激活函数对解码后的ECG 信号进行分类；
m)使用categorical_crossentropy多分类交叉熵函数计算损失；
n)使用Adam优化函数优化GRU模型参数；
o)保存模型参数，运行结束。
通过提取出原始信号中最具有代表性的特征，运用CNN+GRU进行特征提取，节省了空间，节省了很多训练空间，其中采用的GRU(门控循环单元)一方面解决了 由于RNN训练时出现的梯度消失和梯度爆炸的问题，另一方面它比LSTM少一个 门，更易于计算，能够提高训练效率，GRU优点在于当训练样本少时，可以使用 防止过拟合，当训练样本多时，也可以节省很多的训练时间，能够提高网络的学 习效率和心电信号识别的精度。
步骤d)中利用插值法对N-2个心拍进行降采样处理，降成50维。
步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。
步骤j)中GRU层所使用的激活函数是ReLU。
步骤l)中ECG信号分成五类。

Claims (5)

1.一种基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于，包括如下步骤：
a)选择MIT-BIH心律失常库作为数据库，使用该数据库中的导联Ⅱ信号作为实验所需的数据；
b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG信号中的P波、QRS波，利用宽度为600ms的中值滤波器去除原始的ECG信号中的T波，利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T波后所剩的ECG信号，得到去除基线漂移后的ECG信号；
c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理，去除信号中所含有的高频噪声，得到实验所需要的ECG信号数据；
d)计算机读取MIT-BIH心律失常库中的R峰值，得到N个R峰，去除第一个R峰和第N个R峰，中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一个相邻的R峰值之间距离的1/2作为一个心拍，得到N-2个心拍，对N-2个心拍进行降采样处理；
e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR，计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR，计算在10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值local-RR，计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值global-RR，将pre-RR、post-RR、local-RR及global-RR拼接成54维的矩阵输入模型；
f)以矩阵[N，Len]的形式传入矩阵输入模型，N表示样本数据个数，Len为每个样本数据的维度，根据公式计算第一层卷积层的矩阵尺寸W1，F为卷积核的大小，s为卷积核的移动幅度，P为零填充边界宽度；
g)计算机使用Batch Normalization算法对N*W1进行规范化计算；
h)进入卷积网络的池化层，通过公式计算降维后的矩阵大小W2，其中M为池化层核尺寸；
i)进入第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理，归一化处理后利用池化层降维，得到第二个卷积层计算输出结果W3；
j)进入神经网络的GRU层，通过公式rt＝σ(Wrxt+Urht-1)计算重置门rt，式中xt为t时刻隐藏层输入的ECG信号，ht-1为时刻t的前一个时间点输出的ECG信号，Wr为reset门的权值，Ur为t时刻的前一时刻隐藏层reset门的权值，通过公式zt＝σ(Wzxt+Uzht-1)计算更新门zt，其中Wz为update门的权值，Uz为t时刻的前一个时间点隐藏层update门的权值，通过公式计算最终输出结果ht，其中式中U为t时刻前一个时间点隐藏层的权重，W为候选隐藏层的权值，完成ECG信号编码；
k)在ECG信号解码时采用卷积神经网络处理，采用两层卷积层，两层UpSampling1D层对编码的ECG信号进行解码；
l)在卷积神经网络中添加一个Dense层，使用softmax激活函数对解码后的ECG信号进行分类；
m)使用categorical_crossentropy多分类交叉熵函数计算损失；
n)使用Adam优化函数优化GRU模型参数；
o)保存模型参数，运行结束。
2.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于：步骤d)中利用插值法对N-2个心拍进行降采样处理，降成50维。
3.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于：步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。
4.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于：步骤j)中GRU层所使用的激活函数是ReLU。
5.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于：步骤l)中ECG信号分成五类。
CN201910080223.6A 2019-01-28 2019-01-28 一种基于自编码模式的cnn与gru结合的心电信号分类方法 Active CN109620210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910080223.6A CN109620210B (zh) 2019-01-28 2019-01-28 一种基于自编码模式的cnn与gru结合的心电信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910080223.6A CN109620210B (zh) 2019-01-28 2019-01-28 一种基于自编码模式的cnn与gru结合的心电信号分类方法

Publications (2)

Publication Number Publication Date
CN109620210A true CN109620210A (zh) 2019-04-16
CN109620210B CN109620210B (zh) 2019-10-25

Family

ID=66062338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910080223.6A Active CN109620210B (zh) 2019-01-28 2019-01-28 一种基于自编码模式的cnn与gru结合的心电信号分类方法

Country Status (1)

Country Link
CN (1) CN109620210B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287924A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于gru-rnn模型的土壤参数分类方法
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN110974213A (zh) * 2019-12-20 2020-04-10 哈尔滨理工大学 基于深度堆栈网络的心电信号识别方法
CN111297350A (zh) * 2020-02-27 2020-06-19 福州大学 融合源端影响的三心拍多模型综合决策心电特征分类方法
CN112022122A (zh) * 2020-09-29 2020-12-04 深圳职业技术学院 一种睡眠监测耳机
CN112932431A (zh) * 2021-01-26 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法
CN116407133A (zh) * 2023-06-02 2023-07-11 中国医学科学院阜外医院 心电信号的质量评估方法、装置、存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104055522A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种心律失常情况下心电信号身份识别方法
CN104367317A (zh) * 2014-10-15 2015-02-25 北京理工大学 多尺度特征融合的心电图心电信号分类方法
CN106214145A (zh) * 2016-07-20 2016-12-14 杨平 一种基于深度学习算法的心电图分类方法
CN106377247A (zh) * 2016-09-10 2017-02-08 天津大学 基于特征选择的心律失常分类方法
US20180249964A1 (en) * 2017-03-02 2018-09-06 Logos Care, Inc. Deep learning algorithms for heartbeats detection
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
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
WO2019006228A1 (en) * 2017-06-29 2019-01-03 The Procter & Gamble Company PROCESS FOR TREATING A SURFACE

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104055522A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种心律失常情况下心电信号身份识别方法
CN104367317A (zh) * 2014-10-15 2015-02-25 北京理工大学 多尺度特征融合的心电图心电信号分类方法
CN106214145A (zh) * 2016-07-20 2016-12-14 杨平 一种基于深度学习算法的心电图分类方法
CN106377247A (zh) * 2016-09-10 2017-02-08 天津大学 基于特征选择的心律失常分类方法
US20180249964A1 (en) * 2017-03-02 2018-09-06 Logos Care, Inc. Deep learning algorithms for heartbeats detection
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
WO2019006228A1 (en) * 2017-06-29 2019-01-03 The Procter & Gamble Company PROCESS FOR TREATING A SURFACE
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 (1)

* Cited by examiner, † Cited by third party
Title
JUN CAI ; CHANG WEI ; XIAN-LUN TANG ; CAN XUE ; QUAN CHANG: "The Motor Imagination EEG Recognition Combined with Convolution Neural Network and Gated Recurrent Unit", 《2018 37TH CHINESE CONTROL CONFERENCE (CCC)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287924A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于gru-rnn模型的土壤参数分类方法
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN110890155B (zh) * 2019-11-25 2022-10-28 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN110974213A (zh) * 2019-12-20 2020-04-10 哈尔滨理工大学 基于深度堆栈网络的心电信号识别方法
CN111297350A (zh) * 2020-02-27 2020-06-19 福州大学 融合源端影响的三心拍多模型综合决策心电特征分类方法
CN111297350B (zh) * 2020-02-27 2021-08-31 福州大学 融合源端影响的三心拍多模型综合决策心电特征分类方法
CN112022122A (zh) * 2020-09-29 2020-12-04 深圳职业技术学院 一种睡眠监测耳机
CN112932431A (zh) * 2021-01-26 2021-06-11 山西三友和智慧信息技术股份有限公司 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法
CN112932431B (zh) * 2021-01-26 2022-09-27 山西三友和智慧信息技术股份有限公司 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法
CN116407133A (zh) * 2023-06-02 2023-07-11 中国医学科学院阜外医院 心电信号的质量评估方法、装置、存储介质及电子设备
CN116407133B (zh) * 2023-06-02 2023-08-29 中国医学科学院阜外医院 心电信号的质量评估方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN109620210B (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN109620210B (zh) 一种基于自编码模式的cnn与gru结合的心电信号分类方法
Wu et al. A study on arrhythmia via ECG signal classification using the convolutional neural network
Kumari et al. An automated detection of heart arrhythmias using machine learning technique: SVM
Zhang et al. Automated detection of myocardial infarction using a gramian angular field and principal component analysis network
Lu et al. Feature fusion for imbalanced ECG data analysis
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
JP6522161B2 (ja) ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
CN110070067A (zh) 视频分类方法及其模型的训练方法、装置和电子设备
Sutaji et al. LEMOXINET: Lite ensemble MobileNetV2 and Xception models to predict plant disease
CN107811626A (zh) 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN110495877B (zh) 一种基于ecg的多尺度特征提取方法及装置
CN109124620B (zh) 一种房颤检测方法、装置及设备
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
Fablet et al. Automated fish age estimation from otolith images using statistical learning
Fati et al. A continuous cuffless blood pressure estimation using tree-based pipeline optimization tool
Lian et al. A fire-controlled MSPCNN and its applications for image processing
CN109106345A (zh) 脉搏信号特征检测方法和装置
Gupta et al. Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals
Sabor et al. Detection of the interictal epileptic discharges based on wavelet bispectrum interaction and recurrent neural network
CN113749658B (zh) 基于集成学习的心肺耦合抑郁状态识别方法及系统
CN108491769A (zh) 基于rr间期和多特征值的房颤分类方法
CN107837083A (zh) 基于最小二乘支持向量机的j波自动检测方法
Yildirim et al. Heartbeat type classification with optimized feature vectors

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