CN109846472A - 基于BiLSTM-Attention深度神经网络的心搏分类方法 - Google Patents
基于BiLSTM-Attention深度神经网络的心搏分类方法 Download PDFInfo
- Publication number
- CN109846472A CN109846472A CN201910095804.7A CN201910095804A CN109846472A CN 109846472 A CN109846472 A CN 109846472A CN 201910095804 A CN201910095804 A CN 201910095804A CN 109846472 A CN109846472 A CN 109846472A
- Authority
- CN
- China
- Prior art keywords
- layer
- bilstm
- attention
- neural network
- attention mechanism
- 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.)
- Pending
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于BiLSTM‑Attention深度神经网络的心搏分类方法，包括以下步骤：1)、数据预处理，采用双正交小波变换去除高频噪声和基线漂移；2)、特征提取，通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行提取；3)、模型训练，通过BiLSTM‑Attention神经网络对检测的步骤2)中检测的波形进行深度学习分类；本发明具有心电信号分类准确、有效对心电信号进行深度学习分类的优点。
Description
技术领域
本发明属于心拍检测分类技术领域，具体涉及一种基于BiLSTM-Attention深度神经网络的心搏分类方法。
背景技术
心律失常(arrhythmia)是由于心脏活动的起源或传导受阻导致的心脏博动的频率或节律异常，而引起的心电活动异常症状，它是心血管疾病中一组重要的疾病。心脏活动分析是智能判断人体各项指标参数的关键，而心电图(electrocardiography，ECG)是被普遍采用的非侵入性检查和诊断心律失常等多种心脏疾病的重要手段，也是反映心脏周期性活动的重要指标，在全世界的临床中得到广泛的应用。心律失常作为极其常见而又非常重要的疾病类型，它的识别是心电图智能诊断分析的重要内容之一。由于患者ECG波形特征的不确定性和ECG模式的个性化，现今还没有完全统一的ECG诊断的标准分类方法。
在过去的几十年中，大多数方案利用信号处理或机器学习技术来对心拍进行识别。其中决策树具有易于理解和解释，可以可视化分析，容易提取出规则等优点；朴素贝叶斯算法比较简单，对缺失数据也不太敏感；支持向量机(SVM)具有可以解决机器学习在小样本情况下的问题，能够解决高维问题等优势；聚类具有简单且快速的优点；隐马尔可夫模型解决了标注问题；人工神经网络具有学习能力及并行处理能力强，分布式存储等优点。但这些机器学习算法进行的特征提取及模型分类，不能全面的对每一个心电采样点提取特征。
发明内容
本发明的目的是克服现有技术的不足而提供一种心电信号分类准确、有效对心电信号进行深度学习分类的基于BiLSTM-Attention深度神经网络的心搏分类方法。
本发明的技术方案如下：
一种基于BiLSTM-Attention深度神经网络的心搏分类方法，包括以下步骤：
1)、数据预处理，采用双正交小波变换去除高频噪声和基线漂移；
2)、特征提取，通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行提取；
3)、模型训练，通过BiLSTM-Attention神经网络对检测的步骤2)中检测的波形进行深度学习分类。
进一步，所述步骤3)的具体分类方法为：
首先，构建基于注意力机制的BiLSTM神经网络，然后利用构建的所述基于注意力机制的BiLSTM神经网络对RR间期及QRS波群数据进行处理分类。
进一步，所述基于注意力机制的BiLSTM神经网络包括BiLSTM神经网络层、注意力机制层以及输出层；
所述BiLSTM神经网络层包括输入层、前向传播层、后向传播层；
所述输入层作为RR间期及QRS波群数据的输入端，分别向前向传播层及后向传播层传递信息流；
所述前向传播层及后向传播层分别向注意力机制层传递信息流；
所述注意力机制层向输出层传递信息流；
具体的，所述注意力机制层进行数据处理时采用的公式如下：
ut＝tanh(wwht+bw) 公式1
st＝∑tatht 公式3
所述公式1-公式3中，ht是上一层BiLSTM神经网络层的输出向量，ww表示权重系数，bw表示偏置系数，ut表示ht所决定的能量值，at为各个隐藏层状态在新的隐藏层状态中所占比重大小的权重系数，uw为表示随机初始化的注意力矩阵，st为经过Attention机制的输出向量；
所述uw随机初始化并在训练过程中不断学习；
所述输出层进行数据处理时采用的公式如下：
yj＝softmax(wjst+bj) 公式4
所述公式4中，wj表示注意力机制层到输出层的待训练的权重系数矩阵，bj表示待训练相对应的偏置，yj为输出的心拍预测类型；
具体的，为wj定义7个权重系数：
w1-输入层到前向传播层的权重系数；
w2-输入层到后向传播层的权重系数；
w3-前向传播层到前向传播层自身的权重系数；
w4-后向传播层到后向传播层自身的权重系数；
w5-前向传播层到注意力基质层的权重系数；
w6-后向传播层到注意力机制层的权重系数；
w7-注意力机制层到输出层的权值权重系数。
与现有技术相比，本发明的有益效果是：
1、本发明采用双正交小波变换，其具有良好的空间和频域定位特性使其能够进行多尺度的详细分析，能够有效地从ECG信号中提取信号信息；
2、本发明中的注意力机制具有模拟人脑注意力的特点，其核心思想是对重要的内容分配较多的注意力，对其他部分分配较少的注意力，从而能够对经过BiLSTM神经网络处理的心电信号进行深度学习分类，根据心电信号的重要程度进行选择性分析分类，从而有效提高心电检测的精确度；
3、本发明提供的BiLSTM神经网络中，前向传播层和后向传播层之间没有信息流，有效了BiLSTM神经网络个层之间的循环性，并且BiLSTM神经网络的个层能够学习长期依赖，而不保留冗余的上下文信息，与注意力机制层相结合有效对心电信信号进行深度、精确学习分类；
总之，本发明具有心电信号分类准确、有效对心电信号进行深度学习分类的优点。
附图说明
图1为本发明的心拍分类流程图。
图2为本发明中基于注意力机制的BiLSTM神经网络模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于BiLSTM-Attention深度神经网络的心搏分类方法，包括以下步骤：
1)、数据预处理，采用双正交小波变换去除高频噪声和基线漂移；
2)、特征提取，通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行提取；
3)、模型训练，通过BiLSTM-Attention神经网络对检测的步骤2)中检测的波形进行深度学习分类。
进一步，所述步骤3)的具体分类方法为：
首先，构建基于注意力机制的BiLSTM神经网络，然后利用构建的所述基于注意力机制的BiLSTM神经网络对RR间期及QRS波群数据进行处理分类。
进一步，所述基于注意力机制的BiLSTM神经网络包括BiLSTM神经网络层、注意力机制层以及输出层；
所述BiLSTM神经网络层包括输入层、前向传播层、后向传播层；
所述输入层作为RR间期及QRS波群数据的输入端，分别向前向传播层及后向传播层传递信息流；
所述前向传播层及后向传播层分别向注意力机制层传递信息流；
所述注意力机制层向输出层传递信息流；
具体的，所述注意力机制层进行数据处理时采用的公式如下：
ut＝tanh(wwht+bw) 公式1
st＝∑tatht 公式3
所述公式1-公式3中，ht是上一层BiLSTM神经网络层的输出向量，ww表示权重系数，bw表示偏置系数，ut表示ht所决定的能量值，at为各个隐藏层状态在新的隐藏层状态中所占比重大小的权重系数，uw为表示随机初始化的注意力矩阵，st为经过Attention机制的输出向量；
所述uw随机初始化并在训练过程中不断学习；
所述输出层进行数据处理时采用的公式如下：
yj＝softmax(wjst+bj) 公式4
所述公式4中，wj表示注意力机制层到输出层的待训练的权重系数矩阵，bj表示待训练相对应的偏置，yj为输出的心拍预测类型；
具体的，为wj定义7个权重系数：
w1-输入层到前向传播层的权重系数；
w2-输入层到后向传播层的权重系数；
w3-前向传播层到前向传播层自身的权重系数；
w4-后向传播层到后向传播层自身的权重系数；
w5-前向传播层到注意力基质层的权重系数；
w6-后向传播层到注意力机制层的权重系数；
w7-注意力机制层到输出层的权值权重系数。
本实施例中，所述BiLSTM神经网络的基本思想是：每一个训练序列都由两个前向和后向的长短期记忆网络层组成，而且这两个长短期记忆网络层都连接着注意力机制层；这个结构给注意力机制层输入序列中的每一个点提供完整的过去和未来的上下文信息；在第t时刻输入的xt在BiLSTM神经网络中通过BiLSTM层特征提取后，模型能够更加全面地学习心拍之间的关系，BiLSTM可以看成两个单向的LSTM，所以BiLSTM在t时刻的隐藏层状态通过前向隐藏层状态和后向隐藏层状态加权求和得到，具体公式如下：
其中，wt、vt分别表示t时刻BiLSTM所对应的前向隐藏层状态和后向隐层状态所对应的权重，bt表示t时刻隐层状态所对应的偏置。
实验验证：
1、问题定义
心拍分类的问题可以定义为对ECG心拍时序信号B＝[b1，...，bn]的输入进行识别分类的任务的序列，输出标签c＝[c1，...，c5]序列的每个ci是C的不同节拍类型之一。每个输出标签对应于输入的一部分。本实施例使用BiLSTM-Attention模型在监督学习框架中以端到端的方式解决了这个问题。损失函数是ECG心跳分类的交叉熵误差。可以表示为：
其中，B是训练数据，C是心拍类别的数量，b表示一个心拍；pc(b)是用输出层预测b为类别c的概率，表示预测c类是否为正确的心拍类别，其值为1或0。
2、训练模型
采用Nadam方法进行模型训练，采用该方法进行基于注意力机制的BiLSTM神经网络的模型训练的算法描述如下：
3、实验数据集的使用
本实施例中，使用MIT-BIH心律失常数据库，该数据库包含47个受试者的48个ECG记录，每个记录包含半小时的二导联动态心电图段，采样率为360Hz。研究对象包括25名男性和22名女性，年龄在23～89岁之间，体重在53～135公斤之间。本实施例依据ANSI/AAMIEC57：2012标准将所有心拍数据分为N(正常或者束支传导阻滞节拍)，S(室上性异常节拍)，V(心室异常节拍)，F(融合节拍)，4类节拍。
本实施例MIT-BIH心律失常数据库中的89538个心拍进行了分类统计，我们从中随机使用90％的数据用于训练集，10％的数据用于测试集；81693个被专家记录为N型的心拍，其中的73502个被用于训练，8191个被用于测试。2561个被记录为S型的心拍，其中2295个用于训练，266个用于测试。4519个被记录为V型的心拍，其中4073个用于训练，446个被用于测试。只有765个被记录为F型的心拍，其中709个用于训练，56个用于测试。可以看出，实验是在不平衡样本下进行的，不同类型的心拍个数有很大的不同；N型数量大约是S型数量的32倍，V型数量的18倍，F型数量的107倍。
实验数据分布情况表如下：
4、评价指标
本实施例评估ECG分类的指标规定了准确度(Acc)、灵敏度(Sen)，精确度(Ppr)，特异性(Spe)和综合指标(F1)。F1使用调和平均值来整合灵敏度和阳性检测率。灵敏度(Sen)在总阳性率中的比例为真，灵敏度越高，表明鉴定心律失常患者的正确率越高。精确度(Ppr)是所有阳性病例中真阳性的比例，精度越高意味着该模型越能更好定位非心律失常患者的心律失常患者。以上几项评估指标计算如下：
其中，TP(真阳性)表示该类别心拍被正确分类的个数，FP(假阳性)表示不属于该类别却被算法分为该类别的心拍个数，TN(真阴性)表示，FN(假阴性)表示该类别被错分为其它类别的心拍个数。
本实施例的验证实验是在具有i7-7700K处理器和32GB RAM的PC上使用tensorflow-gpu 1.11.0及Keras 2.2.4和Matlab 2017B开发工具进行的；在算法的优化过程中，通过评估测试集上的测试损失来保存最佳模型；为了训练出一个较优的模型，模型参数的设置非常关键。
(实验数据库：MIT-BIH Arrhythmia Database总心搏数据量包括训练数据和测试数据，共计109454)
每个心搏数据提取包含235个点(we extract 235-point segments at R peaksfrom the recordings.For each segment，there are 90 sampling points before theR peak and 144 sampling points after it.R波前提取90个点，R波顶点后提取144个点，包含R波位置145个点)，以下所说的数据都是包含两个导联信息的数据。(数据库是两个导联的心律失常数据库)。
训练数据的分布情况表：
| 0 | N | 81560 |
| 1 | S | 2528 |
| 2 | V | 6450 |
| 3 | F | 723 |
| 4 | Q | 7248 |
测试数据的分布情况表：
| 0 | N | 9035 |
| 1 | S | 253 |
| 2 | V | 785 |
| 3 | F | 79 |
| 4 | Q | 793 |
1、仅仅21个P-QRS-T完整的波形的测试数据集实验结果
计算结果如下表：
| TP | TN | FP | FN | Sen | Spe | Ppr | ACC | F1 | |
| 1 | 8934 | 1738 | 172 | 101 | 0.9888 | 0.9099 | 0.9811 | 0.9751 | 0.9850 |
| 2 | 205 | 10665 | 27 | 48 | 0.8103 | 0.8103 | 0.8836 | 0.9931 | 0.8454 |
| 3 | 679 | 10071 | 89 | 106 | 0.8650 | 0.8650 | 0.8841 | 0.9822 | 0.8744 |
| 4 | 26 | 10855 | 11 | 53 | 0.3291 | 0.3291 | 0.7027 | 0.9942 | 0.4483 |
| 5 | 766 | 10116 | 36 | 27 | 0.9660 | 0.9660 | 0.9551 | 0.9942 | 0.9605 |
则，Acc_avg＝0.969392416628598，保留两位小数96.94。
2、仅仅-21个P-QRS-T完整的波形的测试数据集实验结果
| TP | TN | FP | FN | Sen | Spe | Ppr | ACC | F1 | |
| 1 | 9022 | 1862 | 48 | 13 | 0.9986 | 0.9749 | 0.9947 | 0.9944 | 0.9966 |
| 2 | 220 | 10682 | 10 | 33 | 0.8696 | 0.9991 | 0.9565 | 0.9961 | 0.9110 |
| 3 | 765 | 10149 | 11 | 20 | 0.9745 | 9995 | 0.9858 | 0.9972 | 0.9801 |
| 4 | 68 | 10861 | 5 | 11 | 0.8608 | 0.9997 | 0.9315 | 0.9985 | 0.8947 |
| 5 | 793 | 10149 | 3 | 0 | 1 | 0.9660 | 0.9962 | 0.9942 | 0.9981 |
则，Acc_avg＝0.992964824120603，保留两位小数99.30。
3、仅仅+21个P-QRS-T完整的波形的实验结果
| TP | TN | FP | FN | Sen | Spe | Ppr | ACC | F1 | |
| 1 | 9021 | 1878 | 32 | 14 | 0.9985 | 0.9832 | 0.9965 | 0.9958 | 0.9975 |
| 2 | 238 | 10682 | 10 | 15 | 0.9407 | 0.9991 | 0.9597 | 0.9977 | 0.9501 |
| 3 | 767 | 10146 | 14 | 18 | 0.9771 | 9986 | 0.9821 | 0.9971 | 0.9796 |
| 4 | 66 | 10864 | 2 | 13 | 0.8354 | 0.9998 | 0.9706 | 0.7786 | 0.8980 |
| 5 | 790 | 10147 | 5 | 3 | 0.9962 | 0.9995 | 0.937 | 0.9993 | 0.9950 |
则，Acc_avg＝0.994243947007766，保留两位小数99.42。
因此，利用本发明提供的基于注意力机制的BiLSTM神经网络模型进行心拍识别，显著提高了对心拍的预测精度，受数据的不平衡影响较小；上述分析表明，本发明使用的基于注意力机制的BiLSTM神经网络模型在心拍识别上的精确性和稳定性得到了提高，对正常或束支传导阻滞、室上性异常节拍和心室异常心拍识别度高，对融合心拍也有一定的识别度，有利于准确识别心律失常，在动态心电图分析领域具有明显的临床意义和实用性
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于BiLSTM-Attention深度神经网络的心搏分类方法，其特征在于，包括以下步骤：
1)、数据预处理，采用双正交小波变换去除高频噪声和基线漂移；
2)、特征提取，通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行提取；
3)、模型训练，通过BiLSTM-Attention神经网络对检测的步骤2)中检测的波形进行深度学习分类。
2.根据权利要求1所述的基于BiLSTM-Attention深度神经网络的心搏分类方法，其特征在于，所述步骤3)的具体分类方法为：
首先，构建基于注意力机制的BiLSTM神经网络，然后利用构建的所述基于注意力机制的BiLSTM神经网络对RR间期及QRS波群数据进行处理分类。
3.根据权利要求2所述的基于BiLSTM-Attention深度神经网络的心搏分类方法，其特征在于：
所述基于注意力机制的BiLSTM神经网络包括BiLSTM神经网络层、注意力机制层以及输出层；
所述BiLSTM神经网络层包括输入层、前向传播层、后向传播层；
所述输入层作为RR间期及QRS波群数据的输入端，分别向前向传播层及后向传播层传递信息流；
所述前向传播层及后向传播层分别向注意力机制层传递信息流；
所述注意力机制层向输出层传递信息流；
具体的，所述注意力机制层进行数据处理时采用的公式如下：
ut＝tanh(wwht+bw) 公式1
st＝∑tatht 公式3
所述公式1-公式3中，ht是上一层BiLSTM神经网络层的输出向量，ww表示权重系数，bw表示偏置系数，ut表示ht所决定的能量值，at为各个隐藏层状态在新的隐藏层状态中所占比重大小的权重系数，uw为表示随机初始化的注意力矩阵，st为经过Attention机制的输出向量；
所述uw随机初始化并在训练过程中不断学习；
所述输出层进行数据处理时采用的公式如下：
yj＝soft max(wjst+bj) 公式4
所述公式4中，wj表示注意力机制层到输出层的待训练的权重系数矩阵，bj表示待训练相对应的偏置，yj为输出的心拍预测类型；
具体的，为wj定义7个权重系数：
w1-输入层到前向传播层的权重系数；
w2-输入层到后向传播层的权重系数；
w3-前向传播层到前向传播层自身的权重系数；
w4-后向传播层到后向传播层自身的权重系数；
w5-前向传播层到注意力基质层的权重系数；
w6-后向传播层到注意力机制层的权重系数；
w7-注意力机制层到输出层的权值权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910095804.7A CN109846472A (zh) | 2019-01-30 | 2019-01-30 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910095804.7A CN109846472A (zh) | 2019-01-30 | 2019-01-30 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109846472A true CN109846472A (zh) | 2019-06-07 |
Family
ID=66897203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910095804.7A Pending CN109846472A (zh) | 2019-01-30 | 2019-01-30 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109846472A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990608A (zh) * | 2019-12-03 | 2020-04-10 | 哈尔滨工业大学 | 一种基于Siamese结构双向长短时记忆网络的三维模型检索方法 |
| CN111184511A (zh) * | 2020-02-04 | 2020-05-22 | 西安交通大学 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
| CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
| CN111623797A (zh) * | 2020-06-10 | 2020-09-04 | 电子科技大学 | 一种基于深度学习的步数测量方法 |
| CN112036467A (zh) * | 2020-08-27 | 2020-12-04 | 循音智能科技(上海)有限公司 | 基于多尺度注意力神经网络的异常心音识别方法及装置 |
| CN112199503A (zh) * | 2020-10-28 | 2021-01-08 | 南京信息工程大学 | 一种基于特征增强的非平衡Bi-LSTM的中文文本分类方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113288163A (zh) * | 2021-06-04 | 2021-08-24 | 浙江理工大学 | 基于注意力机制的多特征融合心电信号分类模型建模方法 |
| CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
| CN113616216A (zh) * | 2021-09-10 | 2021-11-09 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
| CN113712525A (zh) * | 2020-05-21 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 一种生理参数处理方法、装置及医疗设备 |
| CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 之江实验室 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689437B1 (en) * | 2000-06-16 | 2010-03-30 | Bodymedia, Inc. | System for monitoring health, wellness and fitness |
| CA2775675A1 (en) * | 2008-10-29 | 2010-05-14 | The Regents Of The University Of Colorado | Long term active learning from large continually changing data sets |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN108052982A (zh) * | 2017-12-22 | 2018-05-18 | 北京联合网视文化传播有限公司 | 一种基于贴图表情的情感检测方法以及系统 |
| CN108764194A (zh) * | 2018-06-04 | 2018-11-06 | 科大讯飞股份有限公司 | 一种文本校验方法、装置、设备及可读存储介质 |
| CN108829801A (zh) * | 2018-06-06 | 2018-11-16 | 大连理工大学 | 一种基于文档级别注意力机制的事件触发词抽取方法 |
| CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
| CN109145112A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于全局信息注意力机制的商品评论分类方法 |
-
2019
- 2019-01-30 CN CN201910095804.7A patent/CN109846472A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689437B1 (en) * | 2000-06-16 | 2010-03-30 | Bodymedia, Inc. | System for monitoring health, wellness and fitness |
| CA2775675A1 (en) * | 2008-10-29 | 2010-05-14 | The Regents Of The University Of Colorado | Long term active learning from large continually changing data sets |
| CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
| CN108052982A (zh) * | 2017-12-22 | 2018-05-18 | 北京联合网视文化传播有限公司 | 一种基于贴图表情的情感检测方法以及系统 |
| CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
| CN108764194A (zh) * | 2018-06-04 | 2018-11-06 | 科大讯飞股份有限公司 | 一种文本校验方法、装置、设备及可读存储介质 |
| CN108829801A (zh) * | 2018-06-06 | 2018-11-16 | 大连理工大学 | 一种基于文档级别注意力机制的事件触发词抽取方法 |
| CN109145112A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于全局信息注意力机制的商品评论分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高成亮，徐华２，高凯: "结合词性信息的基于注意力机制的双向LSTM的中文文本分类", 《河北科技大学学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990608A (zh) * | 2019-12-03 | 2020-04-10 | 哈尔滨工业大学 | 一种基于Siamese结构双向长短时记忆网络的三维模型检索方法 |
| CN111184511A (zh) * | 2020-02-04 | 2020-05-22 | 西安交通大学 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
| CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
| CN113712525A (zh) * | 2020-05-21 | 2021-11-30 | 深圳市理邦精密仪器股份有限公司 | 一种生理参数处理方法、装置及医疗设备 |
| CN111623797A (zh) * | 2020-06-10 | 2020-09-04 | 电子科技大学 | 一种基于深度学习的步数测量方法 |
| CN111623797B (zh) * | 2020-06-10 | 2022-05-20 | 电子科技大学 | 一种基于深度学习的步数测量方法 |
| CN112036467A (zh) * | 2020-08-27 | 2020-12-04 | 循音智能科技(上海)有限公司 | 基于多尺度注意力神经网络的异常心音识别方法及装置 |
| CN112036467B (zh) * | 2020-08-27 | 2024-01-12 | 北京鹰瞳科技发展股份有限公司 | 基于多尺度注意力神经网络的异常心音识别方法及装置 |
| CN112199503A (zh) * | 2020-10-28 | 2021-01-08 | 南京信息工程大学 | 一种基于特征增强的非平衡Bi-LSTM的中文文本分类方法 |
| CN112199503B (zh) * | 2020-10-28 | 2023-04-28 | 南京信息工程大学 | 一种基于特征增强的非平衡Bi-LSTM的中文文本分类方法 |
| CN113080990B (zh) * | 2021-03-25 | 2023-01-10 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
| CN113288163A (zh) * | 2021-06-04 | 2021-08-24 | 浙江理工大学 | 基于注意力机制的多特征融合心电信号分类模型建模方法 |
| CN113616216A (zh) * | 2021-09-10 | 2021-11-09 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
| CN113616216B (zh) * | 2021-09-10 | 2024-02-27 | 郑州大学 | 一种基于BiLSTM-Treg的心电信号分类方法 |
| CN115040089A (zh) * | 2022-08-16 | 2022-09-13 | 之江实验室 | 一种基于深度学习的脉搏波峰值检测与分类的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109846472A (zh) | 基于BiLSTM-Attention深度神经网络的心搏分类方法 | |
| CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
| Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
| CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
| Luo et al. | Multi-classification of arrhythmias using a HCRNet on imbalanced ECG datasets | |
| Singh et al. | Classification of short unsegmented heart sound based on deep learning | |
| CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
| CN109363670A (zh) | 一种基于睡眠监测的抑郁症智能检测方法 | |
| CN110464334A (zh) | 一种基于复合深度学习网络的心电图异常检测方法 | |
| KR102632272B1 (ko) | 컨볼루션 인공신경망을 이용한 심방세동과 울혈성 심부전의 분류방법 | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| CN102670190A (zh) | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 | |
| CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
| CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
| CN104473660A (zh) | 一种基于子带能量包络自相关特征的异常心音识别方法 | |
| Gao et al. | Real time ECG characteristic point detection with randomly selected signal pair difference (RSSPD) feature and random forest classifier | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| Zhang et al. | Automatic diagnosis of arrhythmia with electrocardiogram using multiple instance learning: From rhythm annotation to heartbeat prediction | |
| Saraswat et al. | Classification of ECG signals using cross-recurrence quantification analysis and probabilistic neural network classifier for ventricular tachycardia patients | |
| CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
| Rajeshwari et al. | Detection of phonocardiogram event patterns in mitral valve prolapse: An automated clinically relevant explainable diagnostic framework | |
| Hu et al. | Feature extraction and choice in PCG based on Hilbert Transfer | |
| CN112022149B (zh) | 一种基于心电信号的房颤检测方法 | |
| CN116451129A (zh) | 一种脉象分类识别方法及系统 |
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 |