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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-01-28 CN CN201910080223.6A patent/CN109620210B/zh active Active
Patent Citations (8)
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)
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)
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 |