CN110037683B - 用于识别心律类型的改进卷积神经网络及其训练方法 - Google Patents
用于识别心律类型的改进卷积神经网络及其训练方法 Download PDFInfo
- Publication number
- CN110037683B CN110037683B CN201910257096.2A CN201910257096A CN110037683B CN 110037683 B CN110037683 B CN 110037683B CN 201910257096 A CN201910257096 A CN 201910257096A CN 110037683 B CN110037683 B CN 110037683B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional
- atrial fibrillation
- heart rhythm
- kernels
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
技术领域
本申请属于心电图处理技术领域,尤其是涉及一种用于识别心律类型的改进卷积神经网络及其训练方法。
背景技术
心电图(ECG)是从体表记录心脏每一心动周期所产生的电活动变化形成的图形。通过心电图可以表征出人的多种心脏疾病。其中心房颤动(简称房颤)是最常见的持续性心律失常。房颤目前分类没有统一,对房颤的识别也较为复杂。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)。近些年,利用卷积神经网络等神经网络来识别心电图中的房颤类型得到了越来越多的应用。比如徐晓艳的硕士论文《基于机器学习的房颤识别算法研究》中,明确记载了使用卷积神经网络进行房颤识别的方法。韩小岑的硕士论文《基于心房活动特征和卷积神经网络的房颤检测》中,也对使用卷积神经网络进行房颤识别的方法进行了研究,然而这些论文中均是将现有的卷积神经网络直接应用在房颤识别上,没有针对房颤的识别进行任何优化,这导致其对心电图中房颤识别的准确率不能进一步提高。
发明内容
本发明要解决的技术问题是:为解决现有技术中对心电图中房颤识别的准确率较低、漏检率较高的不足,从而提供一种对心电图中房颤识别的准确率高、漏检率低的用于识别心律类型的改进卷积神经网络及其训练方法。
本发明解决其技术问题所采用的技术方案是:
一种用于识别心律类型的改进卷积神经网络的训练方法,包括以下步骤:
S1:获取训练数据库,训练数据库为已知为房颤或非房颤的心电数据;
S2:对心电数据进行预处理;
S3:对卷积神经网络进行训练,卷积神经网络由若干卷积层和若干池化层、一个全连接层和一个分类器层构成,训练时在分类器层中输入已知的房颤或非房颤的结果;所述神经网络采用损失函数为:其中,c表示损失大小,n表示样本个数,x为样本,y为样本x对应的标签,a为通过以样本x为输入并且用当前的神经网络计算出的输出大小,α,β均为正则化系数。
优选地,本发明的用于识别心律类型的改进卷积神经网络的训练方法,所述损失函数中α=0.8-1.2,β=0.8-1.2。
优选地,本发明的用于识别心律类型的改进卷积神经网络的训练方法,对所述心电信号进行预处理时,采用预设截止频率的滤波器对所述心电信号进行滤波处理。
优选地,本发明的用于识别心律类型的改进卷积神经网络的训练方法,对所述心电信号进行预处理,包括以下步骤:
判断所述心电信号的采样频率是否为预设频率;
当所述采样频率不是所述预设频率时,采用内插法将所述心电信号重采样为所述预设频率的心电信号。
优选地,本发明的用于识别心律类型的改进卷积神经网络的训练方法,对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将心电信号重采样为500Hz。
优选地,本发明的用于识别心律类型的改进卷积神经网络的训练方法,
S1步骤中,采用至少1万条10s的房颤心电信号和至少1万条均匀混合的其他类型心电信号作为训练数据形成训练数据库,以0和1 分别作为房颤和非房颤的心电信号的标签;
S3步骤中,卷积神经网络具有8层网络,8层网络中第1-6层为 layer1-layer6,均由一个卷积层和一个池化层组成,layer1中卷积层包含5个核,卷积核大小均为224,layer1中池化层中的步长和核大小均为2;layer2卷积层包含5个核,卷积核大小均为112,layer2中池化层中的步长和核大小均为2;layer3卷积层包含10个核,卷积核大小均为100,layer3中池化层中的步长和核大小均为2;layer4卷积层包含10个核,卷积核大小均为50,layer4中池化层中的步长和核大小均为2;layer5卷积层包含10个核,卷积核大小均为48,layer5中池化层中的步长和核大小均为2;layer6卷积层包含10个核,卷积核大小均为24,layer4中池化层中的步长和核大小均为2;layer6的输出特征个数为30个,最终经过全连接层layer7计算后输出10个特征。
本发明还提供一种用于识别心律类型的改进卷积神经网络,由上述的训练方法得到。
本发明还提供一种用于识别心律类型的改进卷积神经网络,
包括:
第一神经网络,由上述的训练方法得到,且所述损失函数中α=1-1.2,β=0.8-1,用于对经预处理的待识别的心电信号进行心律类型识别,当识别的心律类型为非房颤时输出心律类型;
第二神经网络,由上述的训练方法得到,所述损失函数中α=0.8-1,β=1.0-1.2,用于对经所述第一神经网络识别的心律类型为房颤的心电信号再次进行心律类型识别,并输出心律类型。
优选地,本发明的用于识别心律类型的改进卷积神经网络,第一神经网络采用损失函数中的α=1.2,β=1。
优选地,本发明的用于识别心律类型的改进卷积神经网络,第二神经网络采用损失函数中的α=0.8,β=1.2。
本发明的有益效果是:
本发明实施例中,采用已知为房颤或非房颤的心电数据作为训练数据库为神经网络进行训练,卷积神经网络由若干卷积层和若干池化层、一个全连接层和一个分类器层构成,采用的损失函数为:使用该损失函数可以使卷积神经网络在训练时加大对假阴性的惩罚,从而实现保证准确率的前提下,降低漏检率,提高准确性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的基于改进卷积神经网络的识别心律类型的方法的流程图;
图2是本申请实施例的改进卷积神经网络的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种用于识别心律类型的改进卷积神经网络的训练方法,如图1所示,包括以下步骤:
S1:获取训练数据库,训练数据库为已知为房颤或非房颤的心电数据,心电数据长度可以为10s,优选为4s,4s时间至少能够包括6 个心跳,能够在保证准确率的情况下提高识别效率,训练神经网络时的心电数据长度与将来待识别的心电信号等长即可;
采用至少1万条10s的房颤心电信号和至少1万条均匀混合的其他类型心电信号作为训练数据形成训练数据库,其中0和1分别作为房颤和非房颤的的心电信号的标签;
S2:对心电数据进行预处理;
对心电数据进行预处理;采用预设截止频率的滤波器对所述心电信号进行滤波处理。
也可以对所述心电信号的采样频率进行预处理,包括以下步骤:
判断所述心电信号的采样频率是否为预设频率;
当所述采样频率不是所述预设频率时,采用内插法将所述心电信号重采样为所述预设频率的心电信号。
比如:预处理时,采用上下截止频率分别为0.1Hz、100Hz的fir 滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将心电信号重采样为500Hz。
S3:对8层网络的卷积神经网络(CNN)进行训练,卷积神经网络(CNN)的结构为,8层网络中第1-6层(layer1-layer6),均由一个卷积层和一个池化层组成;layer1中卷积层包含5个核,卷积核大小均为224,layer1中池化层中的步长和核大小均为2;layer2卷积层包含5个核,卷积核大小均为112,layer2中池化层中的步长和核大小均为2;layer3卷积层包含10个核,卷积核大小均为100,layer3 中池化层中的步长和核大小均为2;layer4卷积层包含10个核,卷积核大小均为50,layer4中池化层中的步长和核大小均为2;layer5卷积层包含10个核,卷积核大小均为48,layer5中池化层中的步长和核大小均为2;layer6卷积层包含10个核,卷积核大小均为24,layer4 中池化层中的步长和核大小均为2;全连接层(layer7)的输入神经元个数与layer6的输出特征个数一致,训练中损失函数使用以下公式:layer6的输出特征个数为30个,最终经过全连接层计算后输出10个特征。以全连接层输出的10个特征又作为输入,输入到分类器层(layer8)中,并且输入已知的为房颤或非房颤的结果进行训练,其中,所使用的训练算法可以采用现有的任意训练算法均可。训练算法可以为:随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。
损失函数中,c表示损失大小,n表示样本个数,x为样本,y为样本x对应的标签,a为通过以样本x为输入并且用当前的神经网络计算出的输出大小。其中,α,β均为正则化系数。优选α=0.8-1.2,β=0.8-1.2。损失函数是用于计算损失的函数,损失即为单个样本的预测值与真实值的差,使用该损失函数可以使卷积神经网络在训练时加大对假阴性的惩罚,从而实现保证准确率的前提下,降低漏检率,提高准确性。
进行心律类型识别时,将预处理后的待识别的心电信号输入神经网络中,经过预先训练的神经网络的layer1-7后输出的10个特征, 10个特征又输入到分类器层(layer8)中,layer8经过对待识别的心电信号进行计算输出结果,输出结果为0或1,其中0代表非房颤, 1代表房颤。
表1各网格层如下表所示:
效果实施例
表2:不同损失函数下的CNN的对房颤的心电数据识别的准确性
从上表中可以看到,损失函数中α=0.8-0.9,β=1.1-1.2,α在0.8 时,取得房颤准确率的最大值,β在1.2时取得房颤准确率的最大值。α在1.2时,取得非房颤准确率的最大值,β在1时取得非房颤准确率的最大值。
因此,作为进一步的改进,本申请的用于识别心律类型的改进卷积神经网络:
第一神经网络,由实施例中的训练方法得到,且所述损失函数中α=1-1.2,β=0.8-1,优选为α=1.2,β=1,用于对经预处理的待识别的心电信号进行心律类型识别,当识别的心律类型为非房颤时输出心律类型;
第二神经网络,由实施例中的训练方法得到,所述损失函数中α=0.8-1,β=1.0-1.2,优选为α=0.8,β=1.2,用于对经所述第一神经网络识别的心律类型为房颤的心电信号再次进行心律类型识别,并输出心律类型。
α=1.2,β=1的第一神经网络,对非房颤的心电图识别准确率高,房颤的心电图识别准确率低,因此通过第一神经网络先验证心电图是否为非房颤。α=0.8,β=1.2的第二神经网络对房颤的心电图识别准确率高,非房颤的心电图识别准确率低,将第一神经网络识别得到的结果为房颤的心电图再次通过第二神经网络进行识别,可以结合两个神经网络的优点,提高识别的准确率。第一神经网络和第二神经网络均识别心电图为房颤类型时才认为心电图为房颤类型,第一神经网络和第二神经网络识别为非房颤类型的就认为心电图为非房颤类型。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和 /或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (5)
1.一种用于识别心律类型的基于改进卷积神经网络的装置,其特征在于,
包括:
第一神经网络,用于对经预处理的待识别的心电信号进行心律类型识别,当识别的心律类型为非房颤时输出心律类型;
第二神经网络,用于对经所述第一神经网络识别的心律类型为房颤的心电信号再次进行心律类型识别,并输出心律类型,心律类型包括房颤类型和非房颤类型;
第一神经网络和第二神经网络的训练步骤为:
S1:获取训练数据库,训练数据库为已知为房颤或非房颤的心电数据;
S2:对心电数据进行预处理;
S3:对卷积神经网络进行训练,卷积神经网络由若干卷积层和若干池化层、一个全连接层和一个分类器层构成,训练时在分类器层中输入已知的房颤或非房颤的结果;
其中第一神经网络和第二神经网络均采用如下损失函数:其中,c表示损失大小,n表示样本个数,x为样本,y为样本x对应的标签,a为通过以样本x为输入并且用当前的神经网络计算出的输出大小,α,β均为正则化系数;第一神经网络的损失函数中α=1.2、β=1,第二神经网络的损失函数中α=0.8、β=1.2;
第一神经网络和第二神经网络均识别心电图为房颤类型时才认为心电图为房颤类型,第一神经网络、第二神经网络识别为非房颤类型的就认为心电图为非房颤类型。
2.根据权利要求1所述的用于识别心律类型的基于改进卷积神经网络的装置,其特征在于,对所述心电数据进行预处理时,采用预设截止频率的滤波器对所述心电信号进行滤波处理。
3.根据权利要求2所述的用于识别心律类型的基于改进卷积神经网络的装置,其特征在于,对所述心电信号进行预处理,包括以下步骤:
判断所述心电信号的采样频率是否为预设频率;
当所述采样频率不是所述预设频率时,采用内插法将所述心电信号重采样为所述预设频率的心电信号。
4.根据权利要求3所述的用于识别心律类型的基于改进卷积神经网络的装置,其特征在于,对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波,如果心电信号采样频率不是500Hz时,则采用最邻近内插法将心电信号重采样为500Hz。
5.根据权利要求4所述的用于识别心律类型的基于改进卷积神经网络的装置,其特征在于,
S1步骤中,采用至少1万条10s的房颤心电信号和至少1万条均匀混合的其他类型心电信号作为训练数据形成训练数据库,以0和1分别作为房颤和非房颤的心电信号的标签;
S3步骤中,卷积神经网络具有8层网络,8层网络中第1-6层为layer1-layer6,均由一个卷积层和一个池化层组成,layer1中卷积层包含5个核,卷积核大小均为224,layer1中池化层中的步长和核大小均为2;layer2卷积层包含5个核,卷积核大小均为112,layer2中池化层中的步长和核大小均为2;layer3卷积层包含10个核,卷积核大小均为100,layer3中池化层中的步长和核大小均为2;layer4卷积层包含10个核,卷积核大小均为50,layer4中池化层中的步长和核大小均为2;layer5卷积层包含10个核,卷积核大小均为48,layer5中池化层中的步长和核大小均为2;layer6卷积层包含10个核,卷积核大小均为24,layer4中池化层中的步长和核大小均为2;layer6的输出特征个数为30个,最终经过全连接层layer7计算后输出10个特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257096.2A CN110037683B (zh) | 2019-04-01 | 2019-04-01 | 用于识别心律类型的改进卷积神经网络及其训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257096.2A CN110037683B (zh) | 2019-04-01 | 2019-04-01 | 用于识别心律类型的改进卷积神经网络及其训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110037683A CN110037683A (zh) | 2019-07-23 |
CN110037683B true CN110037683B (zh) | 2020-12-29 |
Family
ID=67275764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910257096.2A Active CN110037683B (zh) | 2019-04-01 | 2019-04-01 | 用于识别心律类型的改进卷积神经网络及其训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110037683B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666865B (zh) * | 2020-06-02 | 2023-05-23 | 上海数创医疗科技有限公司 | 多导联心电信号卷积神经网络分类方法及其使用方法 |
CN112587146B (zh) * | 2020-11-25 | 2022-08-16 | 上海数创医疗科技有限公司 | 基于改进损失函数的神经网络的心律类型识别方法和装置 |
CN112603324B (zh) * | 2020-11-25 | 2022-01-21 | 上海数创医疗科技有限公司 | 基于改进损失函数的神经网络的训练方法 |
CN113180690B (zh) * | 2021-04-21 | 2022-12-09 | 上海数创医疗科技有限公司 | 一种心电诊断模型的判断方法及心电检测装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054B (zh) * | 2014-02-17 | 2018-08-07 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
US9949714B2 (en) * | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN105868689B (zh) * | 2016-02-16 | 2019-03-29 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN108113666B (zh) * | 2017-12-19 | 2019-06-21 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN109124620B (zh) * | 2018-06-07 | 2022-03-25 | 深圳市太空科技南方研究院 | 一种房颤检测方法、装置及设备 |
CN108880781A (zh) * | 2018-06-14 | 2018-11-23 | 成都信息工程大学 | 一种对加掩防护加密设备的无掩码神经网络攻击方法 |
CN109276255B (zh) * | 2018-11-27 | 2023-02-28 | 平安科技(深圳)有限公司 | 一种肢体震颤检测方法及装置 |
-
2019
- 2019-04-01 CN CN201910257096.2A patent/CN110037683B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110037683A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110037683B (zh) | 用于识别心律类型的改进卷积神经网络及其训练方法 | |
CN110037682B (zh) | 基于改进卷积神经网络的识别心律类型的方法 | |
CN110717415B (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN110236520B (zh) | 基于双卷积神经网络的心电图类型识别装置 | |
Xia et al. | A novel wearable electrocardiogram classification system using convolutional neural networks and active learning | |
Ham et al. | Classification of cardiac arrhythmias using fuzzy ARTMAP | |
CN110717416B (zh) | 基于特征选取的st段分类识别用神经网络训练方法 | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
CN110046604B (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
CN110037684A (zh) | 基于改进卷积神经网络的识别心律类型的装置 | |
CN110367968B (zh) | 一种右束支阻滞检测方法、装置、设备及存储介质 | |
CN111666865B (zh) | 多导联心电信号卷积神经网络分类方法及其使用方法 | |
Zhang et al. | ECG signal classification with deep learning for heart disease identification | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
WO2023004572A1 (zh) | 模型训练方法、信号识别方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
WO2021114704A1 (zh) | 高阶多项式激活函数的st段分类神经网络及其应用 | |
Park et al. | Cascade classification with adaptive feature extraction for arrhythmia detection | |
Hoang et al. | Multi-leads ECG premature ventricular contraction detection using tensor decomposition and convolutional neural network | |
CN112603324B (zh) | 基于改进损失函数的神经网络的训练方法 | |
CN111956202A (zh) | 基于样本分布改进的卷积神经网络的训练方法及模型 | |
CN113180690B (zh) | 一种心电诊断模型的判断方法及心电检测装置 | |
CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及系统 | |
CN111449646B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
CN111449647B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
CN112587146B (zh) | 基于改进损失函数的神经网络的心律类型识别方法和装置 |
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 |