CN110037687A - 基于改进卷积神经网络的室性早搏心跳定位方法和装置 - Google Patents
基于改进卷积神经网络的室性早搏心跳定位方法和装置 Download PDFInfo
- Publication number
- CN110037687A CN110037687A CN201910281025.6A CN201910281025A CN110037687A CN 110037687 A CN110037687 A CN 110037687A CN 201910281025 A CN201910281025 A CN 201910281025A CN 110037687 A CN110037687 A CN 110037687A
- Authority
- CN
- China
- Prior art keywords
- layer
- length
- premature beat
- ventricular premature
- heartbeat
- 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
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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
Abstract
本申请涉及一种基于改进卷积神经网络的室性早搏心跳定位方法和装置,将获取心电图信号以步长为0.015‑0.025s、长度为0.4‑0.8s的滑动窗截取心电图信号形成截取段,并以此来训练卷积神经网络形成室性早搏心跳判断模型,0.4‑0.8s正好对应一个心跳周期的长度,设置步长为0.015‑0.025s可以有效避免R波的影响,满足对室性早搏心跳判断精度的同时又有利于减小计算量。
Description
技术领域
本申请属于心电图处理技术领域,尤其是涉及一种基于改进卷积神经网络的室性早搏心跳定位方法和装置。
背景技术
在窦房结冲动尚未抵达心室之前,由心室中的任何一个部位或室间隔的异位节律点提前发出电冲动引起心室的除极,称为室性期前收缩,简称室早。虽然见于正常健康人的偶发性室早在临床上并没有重要意义,但在检测者患有器质性心脏病的情况下,则必须结合临床病症和病史,根据不同情况进行分析并给予必要的治疗。尤其对于病人的动态心电图监护,更是需要挑选出室早并对其数量进行统计。
针对室早心跳的自动化诊断,国内外已经出现许多具有指导意义的成果,常用的技术路线是首先进行R波检测,然后再对该心跳进行诊断。这类方法的诊断准确度不仅与心跳诊断算法有关,而且受到R波检测算法的影响,因此导致诊断方法复杂、准确率低等诸多弊端。
中国专利文献CN108511055A,公开了一种基于分类器融合及诊断规则的室性早搏识别系统及方法,采用导联卷积神经网络和递归神经网络两个分类器来对室性早搏进行识别,然而该申请无法避免R波检测对室性早搏识别精度的影响,且该申请的技术方案无法获取室性早搏的起始时间。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种在无需使用R波检测算法的前提下对筛选出心跳并给出其发生时间的室性早搏心跳定位方法和装置。
本发明解决其技术问题所采用的技术方案是:
一种基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,包括以下步骤:
S1:获取心电图信号;
S2:以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段;
S3:将S2步骤中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳,所述室性早搏心跳判断模型为经过训练的卷积神经网络,且训练所使用的心电图信号以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取而形成截取段。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位方法,S1步骤中,还对心电数据进行预处理,预处理时,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,本发明的基于改进卷积神经网络的室性早搏心跳定位方法,S2步骤中长度为0.6s,步长为0.02s。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位方法,S3步骤中,对卷积神经网络进行训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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;卷积神经网络由包含一个分类器层的8层网络组成;其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征;以该30个特征作为分类器层layer8的输入层神经元的输入,输出层神经元个数为10个;分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位方法,全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入。
本申请还提供一种基于改进卷积神经网络的室性早搏心跳定位装置,包括:
心电图信号获取模块:用于获取心电图信号;
截取模块:用于以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段;
判断模块:将截取模块中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳,所述室性早搏心跳判断模型为经过训练的卷积神经网络,且训练所使用的心电图信号以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取而形成截取段。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位装置,心电图信号获取模块中,还对心电数据进行预处理,预处理时,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,本发明的基于改进卷积神经网络的室性早搏心跳定位装置,截取模块中长度为0.6s,步长为0.02s。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位装置,判断模块中,对卷积神经网络进行训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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;卷积神经网络包含一个分类器层的8层网络组成;其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征;以该30个特征作为分类器层layer8的输入层神经元的输入,输出层神经元个数为10个;分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值。
优选地,本发明的基于改进卷积神经网络的室性早搏心跳定位装置,全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入。
本发明的有益效果是:
本申请的基于改进卷积神经网络的室性早搏心跳定位方法和装置,将获取心电图信号以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段,并以此来训练卷积神经网络形成室性早搏心跳判断模型,0.4-0.8s正好对应一个心跳周期的长度,设置步长为0.015-0.025s可以有效避免R波的影响,满足对室性早搏心跳判断精度的同时又有利于减小计算量,且本申请还可以获取室性早搏的起始时间。
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是本申请实施例的心电图信号截取和处理过程的示意图;
图2是本申请实施例的卷积神经网络的结构示意图;
图3是基于改进卷积神经网络的室性早搏心跳定位方法的流程图。
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
本实施例提供一种基于改进卷积神经网络的室性早搏心跳定位方法,如图1所示,包括以下步骤:
S1:获取心电图信号,还可对心电数据进行预处理,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;
S2:以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段,长度优选为0.6s,0.4-0.8s正好对应一个心跳周期的长度,设置步长为0.015-0.025s可以有效避免R波的影响,满足临床精度的同时又有利于减小计算量,截取段从心电图信号首端或者尾端开始;
S3:将S2步骤中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳。
室性早搏心跳判断模型为经过训练的卷积神经网络,通过以下方法得到:
将已知的为室性早搏心跳的心电图信号输入卷积神经网络中,对卷积神经网络进行训练,获得室性早搏心跳判断模型;
训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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。卷积神经网络由包含一个分类器层的8层网络组成。其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征。这30个特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征作为分类器层(layer8)的输入,当然也可以直接将全连接层layer7的30个特征输入分类器层(layer8)。因此,分类器层(layer8)的输入层神经元的个数与全连接层layer7输出的个数相同,输出层神经元个数为10个。分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值,所述设定值为0.5。
局部最大最小值采用遍历式搜索的方法实现,将一段心电图信号截取的所有的截取段以心电图信号的时间先后顺序导入室性早搏心跳判断模型中并输出结果,并形成以输出结果为纵坐标,截取段的顺序编号为横坐标形成图像,图像中横坐标为0.6s/步长中的最大值(峰值)为局部最大值,该局部最大值大于0.5的,局部最大值对应的心电信号的时间即为室早心跳发生的起始点。
表1改进卷积神经网络(CNN)各网格层如下表所示:
本实施例还提供一种基于改进卷积神经网络的室性早搏心跳定位装置,包括:
心电图信号获取模块:用于获取心电图信号;
截取模块:用于以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段;
判断模块:将截取模块中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳,所述室性早搏心跳判断模型为经过训练的卷积神经网络。
心电图信号获取模块中,还对心电数据进行预处理,预处理时,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。
截取模块中长度为0.6s,步长为0.02s。
判断模块中,对卷积神经网络进行训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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;卷积神经网络由包含一个分类器层的8层网络组成;其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征;以该30个特征作为分类器层layer8的输入层神经元的输入,输出层神经元个数为10个;分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值。
作为一种改进,还可以将全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入,如此做可以提高精确度。
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 (10)
1.一种基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,包括以下步骤:
S1:获取心电图信号;
S2:以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段;
S3:将S2步骤中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳,所述室性早搏心跳判断模型为经过训练的卷积神经网络,且训练所使用的心电图信号以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取而形成截取段。
2.根据权利要求1所述的基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,S1步骤中,还对心电数据进行预处理,预处理时,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。
3.根据权利要求1或2所述的基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,S2步骤中长度为0.6s,步长为0.02s。
4.根据权利要求1-3任一项所述的基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,S3步骤中,对卷积神经网络进行训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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;卷积神经网络由包含一个分类器层的8层网络组成;其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征;以该30个特征作为分类器层layer8的输入层神经元的输入,输出层神经元个数为10个;分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值。
5.根据权利要求4所述的基于改进卷积神经网络的室性早搏心跳定位方法,其特征在于,全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入。
6.一种基于改进卷积神经网络的室性早搏心跳定位装置,其特征在于,包括:
心电图信号获取模块:用于获取心电图信号;
截取模块:用于以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段;
判断模块:将截取模块中一段心电图信号截取的所有的截取段导入输出值为一连续值的室性早搏心跳判断模型中进行判断,若室性早搏心跳判断模型中有输出大于连续值的中点值时,则认为该心电信号中具有室性早搏心跳,且室性早搏心跳的起始时刻为输出值超过连续值的中点值的局部最大值的时刻,若无大于连续值的中点值,则认为心电信号中没有室性早搏心跳,所述室性早搏心跳判断模型为经过训练的卷积神经网络,且训练所使用的心电图信号以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取而形成截取段。
7.根据权利要求6所述的基于改进卷积神经网络的室性早搏心跳定位装置,其特征在于,心电图信号获取模块中,还对心电数据进行预处理,预处理时,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。
8.根据权利要求6或7所述的基于改进卷积神经网络的室性早搏心跳定位装置,其特征在于,截取模块中长度为0.6s,步长为0.02s。
9.根据权利要求6-7任一项所述的基于改进卷积神经网络的室性早搏心跳定位装置,其特征在于,判断模块中,对卷积神经网络进行训练时采用至少1万个室性早搏心跳和至少1万个均匀类型的其他心跳作为训练数据进行训练,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;卷积神经网络由包含一个分类器层的8层网络组成;其中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,layer6中池化层中的步长和核大小均为2;全连接层layer7的输入层神经元个数与layer6的输出特征个数一致,输出层神经元个数为30个,因此经过计算后输出30个特征;以该30个特征作为分类器层layer8的输入层神经元的输入,输出层神经元个数为10个;分类器的输入层神经元个数为10个,输出层神经元个数为1个,输出值为[0,1]中间的任意值。
10.根据权利要求9所述的基于改进卷积神经网络的室性早搏心跳定位装置,其特征在于,全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281025.6A CN110037687A (zh) | 2019-04-09 | 2019-04-09 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281025.6A CN110037687A (zh) | 2019-04-09 | 2019-04-09 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110037687A true CN110037687A (zh) | 2019-07-23 |
Family
ID=67276624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910281025.6A Pending CN110037687A (zh) | 2019-04-09 | 2019-04-09 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110037687A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111449646A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111956201A (zh) * | 2020-07-22 | 2020-11-20 | 上海数创医疗科技有限公司 | 基于卷积神经网络的心拍类型识别方法和装置 |
WO2021027224A1 (zh) * | 2019-08-12 | 2021-02-18 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置以及识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005006209A1 (en) * | 2003-07-11 | 2005-01-20 | University College Dublin National University Of Ireland, Dublin | Method and apparatus for detecting paroxysmal atria fibrillation |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
WO2018119316A1 (en) * | 2016-12-21 | 2018-06-28 | Emory University | Methods and systems for determining abnormal cardiac activity |
CN108511055A (zh) * | 2017-02-27 | 2018-09-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
CN108670245A (zh) * | 2018-05-31 | 2018-10-19 | 哈尔滨工业大学深圳研究生院 | 一种心电信号检测方法及系统 |
-
2019
- 2019-04-09 CN CN201910281025.6A patent/CN110037687A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005006209A1 (en) * | 2003-07-11 | 2005-01-20 | University College Dublin National University Of Ireland, Dublin | Method and apparatus for detecting paroxysmal atria fibrillation |
CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
WO2018119316A1 (en) * | 2016-12-21 | 2018-06-28 | Emory University | Methods and systems for determining abnormal cardiac activity |
CN108511055A (zh) * | 2017-02-27 | 2018-09-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
CN108670245A (zh) * | 2018-05-31 | 2018-10-19 | 哈尔滨工业大学深圳研究生院 | 一种心电信号检测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027224A1 (zh) * | 2019-08-12 | 2021-02-18 | 广州视源电子科技股份有限公司 | 基于分组卷积神经网络的心电信号识别装置以及识别方法 |
CN111449646A (zh) * | 2020-03-18 | 2020-07-28 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111449646B (zh) * | 2020-03-18 | 2023-05-02 | 广州视源电子科技股份有限公司 | 一种心电图识别方法、装置、存储介质及电子设备 |
CN111956201A (zh) * | 2020-07-22 | 2020-11-20 | 上海数创医疗科技有限公司 | 基于卷积神经网络的心拍类型识别方法和装置 |
CN111956201B (zh) * | 2020-07-22 | 2022-09-06 | 上海数创医疗科技有限公司 | 基于卷积神经网络的心拍类型识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110037687A (zh) | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 | |
Salo et al. | Ectopic beats in heart rate variability analysis: effects of editing on time and frequency domain measures | |
CN109350037A (zh) | 一种从10秒心电图中识别房颤和房性早搏的方法 | |
JP6389907B2 (ja) | Gpuによる心電信号の並列解析方法 | |
WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
CN110037690A (zh) | 基于改进卷积神经网络的r波定位方法和装置 | |
WO2017091835A2 (en) | Medical imaging and efficient sharing of medical imaging information | |
CN102686151A (zh) | 用于处理光电体积描记信号的方法和装置 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
CN109431492A (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN107811649A (zh) | 一种基于深度卷积神经网络的心音多分类方法 | |
CN109171708A (zh) | 一种可除颤心律识别装置 | |
CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
CN108836269A (zh) | 一种融合心率呼吸体动的自动睡眠分期方法 | |
CN109509177A (zh) | 一种脑部影像识别的方法及装置 | |
CN110037691B (zh) | 用于r波定位的改进卷积神经网络 | |
Yang et al. | Proegan-ms: A progressive growing generative adversarial networks for electrocardiogram generation | |
CN109492107A (zh) | 一种导诊的方法及装置 | |
CN108601543A (zh) | 一种ecg信号处理方法及装置 | |
CN110037686A (zh) | 用于室早心跳定位的神经网络训练方法及卷积神经网络 | |
CN107890347B (zh) | 滤除工频干扰信号的控制方法及系统 | |
WO2019047165A1 (zh) | 滤除工频干扰信号的控制方法及系统 | |
CN110826631A (zh) | 心率失常疾病的分类方法、装置、存储介质和处理器 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |