CN110046604B - 一种基于残差网络的单导联ecg心律失常检测分类方法 - Google Patents

一种基于残差网络的单导联ecg心律失常检测分类方法 Download PDF

Info

Publication number
CN110046604B
CN110046604B CN201910339996.1A CN201910339996A CN110046604B CN 110046604 B CN110046604 B CN 110046604B CN 201910339996 A CN201910339996 A CN 201910339996A CN 110046604 B CN110046604 B CN 110046604B
Authority
CN
China
Prior art keywords
network
residual
beat
layer
arrhythmia detection
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
Application number
CN201910339996.1A
Other languages
English (en)
Other versions
CN110046604A (zh
Inventor
张路桥
王娟
李飞
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN201910339996.1A priority Critical patent/CN110046604B/zh
Publication of CN110046604A publication Critical patent/CN110046604A/zh
Application granted granted Critical
Publication of CN110046604B publication Critical patent/CN110046604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明属于医学信息处理技术领域，公开了一种基于残差网络的单导联ECG心律失常检测分类方法及系统，对原始ECG信号进行分割：以1秒钟作为窗口长度，对原始ECG信号进行分割；使用残差网络对信号进行处理:分割后的数据输入网络，处理后网络输出结果为对应ECG信号的识别结果。本发明无需对原始心电信号进行分拍处理，也无需任何对齐；可实现对正常心博，左束支传导阻滞，右束支传导阻滞，房性早搏，异常房性早搏，交界性早搏，室性早搏，室上性早搏，心室融合心跳，房性逸搏，交界性逸搏，室性逸搏，起搏心搏，起搏融合心跳的分类识别；在MIT‑BIH心律失常数据库上测试综合准确率达到了96％以上。

Description

一种基于残差网络的单导联ECG心律失常检测分类方法
技术领域
本发明属于医学信息处理技术领域，尤其涉及一种基于残差网络的单导联ECG心律失常检测分类方法。
背景技术
目前，最接近的现有技术：
现有技术中，用于提取心律不齐的特征参数的方法、用于识别心律不齐的装置及计算机可读介质(公开号：108852347A)，需要做参数、特征提取，本方法无需进行特征提取。
现有技术中，基于稀疏表示和神经网络的心律不齐识别分类方法(公开号：108647584A)，需要进行参数提取，预处理复杂(需要对原始心电图进行分拍，需要降维等处理)，只能分辨6种心律不齐类型。
3Robust ECG Signal Classification for Detection of AtrialFibrillation Using a Novel Neural Network，使用了卷积神经网络，但只能识别正常、房颤、噪声和其它四种类别，综合准确率亦只能达到82％。
4Cardiologist-Level Arrhythmia Detection with Convolutional NeuralNetworks，使用了卷积神经网络，并以序列方式识别，但只能识别12种心律不齐类型，综合准确率低于80％。
综上所述，现有技术存在的问题是：
(1)传统的人工诊断方法存在工作量大，受识读人员的经验、水平影响大，容易出现差错。
(2)现有各类自动化处理方法，存在的问题主要包括：
需要对心电信号进行分拍，即识别出P波、QRS波群等，而分拍过程，本身就有可能引入错误，并对最终识别效果造成影响。
需要人工方式进行特征提取，比如：最大电压、最小电压等，该过程一方面工作量大，另一方面不同的特征提取方法，对最终识别结果亦有较大影响。
可识别心律失常类型较少，常见的包括：4种、6种等。
有些识别方法需要使用全部12导联的数据，这也无形中提高了识别、检测难度。
解决上述技术问题的难度：
综上，如何使用较少导联数据，甚至只是用一导联数据，在不进行分拍、人工特征提取的前提下，直接将原始心电信号，作为序列进行处理，并实现多种心律不齐类型的高效、准确识别是比较困难的，也是值得研究的。
解决上述技术问题的意义：
相关算法的提出，有助于降低心律失常检测的难度、门槛，比如：可以通过智能手表即可实现心律不齐的筛查，这无疑将大大提高各类心脏疾病，早期筛查的普及程度、检测的准确程度，有利于心血管疾病的早期预防。
发明内容
针对现有技术存在的问题，本发明提供了一种基于残差网络的单导联ECG心律失常检测分类方法。
本发明是这样实现的，一种基于残差网络的单导联ECG心律失常检测分类方法包括：
对原始ECG信号进行分割：以1秒钟作为时间窗口长度，根据采样率，或者该时间段内ECG信号的电压值，比如：采样率为360Hz，则获取360个点的电压值。
将获取到的数据点，直接作为残差网络的输入(即以序列方式处理原始信号，不进行分拍、不进行人工特征提取)，经网络处理后的输出结果，即为原始ECG信号的心律失常识别和分类结果。
本发明的另一目的在于提供一种实施所述基于残差网络的单导联ECG心律失常检测分类方法的基于残差网络的单导联ECG心律失常检测分类系统包括：
原始ECG信号分割模块，以1秒钟作为窗口长度，对原始ECG信号进行分割；
使用残差网络对信号进行处理模块，分割后的数据输入网络，处理后网络输出结果为对应ECG信号的识别结果。
进一步，残差网络包括10个残差块，每个残差块包含3个卷积层；每组残差块之间安置Maxpooling层；共3个全连接层；每个全连接层前增加Dropout层。
进一步，残差网络进一步包括：
1)Batch Normalization：批规范化层，加快收敛；
2)MaxPooling1D：一维最大池化层；
3)Conv1D：一维卷积层；
4)Pre-Activation：预激活层，此处全部选择ReLu，即修正线性单元作为激活函数；
5)Flatten：整平层，将多维数据转化为一维数据；
6)Dropout：丢弃层，随机丢弃一定比例的连接，用于防止过拟合；
7)Full Connection：全连接层；
8)Softmax：Softmax激活函数；
9)点划线代表Skip Connection，即跳跃连接，用于构建残差单元。
本发明的另一目的在于提供一种基于残差网络的单导联ECG心律失常检测分类程序，运行与终端，所述基于残差网络的单导联ECG心律失常检测分类程序实现所述的基于残差网络的单导联ECG心律失常检测分类方法。
本发明的另一目的在于提供一种终端，所述终端搭载实现所述基于残差网络的单导联ECG心律失常检测分类方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于残差网络的单导联ECG心律失常检测分类方法。
综上所述，本发明的优点及积极效果为：
本发明通过心电信号实现了心律失常识别；识别过程无需对原始心电信号进行分拍、人工特征提取；只需要单导联心电信号即可完成识别，数据采集设备要求低、采集操作要求低；可识别正常心博，左束支传导阻滞，右束支传导阻滞，房性早搏，异常房性早搏，交界性早搏，室性早搏，室上性早搏，心室融合心跳，房性逸搏，交界性逸搏，室性逸搏，起搏心搏，起搏融合心跳，未标记等共15种心律类型，适用范围广。
本发明识别准确率高，在MIT-BIH心律失常数据库上测试综合准确率达到了96％以上。
附图说明
图1是本发明实施例提供的基于残差网络的单导联ECG心律失常检测分类方法流程图。
图2是本发明实施例提供的基于残差网络的单导联ECG心律失常检测分类系统图。
图中：1、原始ECG信号分割模块；2、使用残差网络对信号进行处理模块。
图3是本发明实施例提供的网络结构图。
图4是本发明实施例提供的训练集各类型数据分布图。
图5是本发明实施例提供的测试集各类型数据分布图。
图6是本发明实施例提供的训练过程中模型准确率变化(20轮)图。
图7是本发明实施例提供的混淆矩阵图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前心律失常检测主要使用ECG，即心电信号进行检测和诊断。
传统的人工诊断方法存在多种缺陷：工作量大。受识读人员的经验、水平影响大。容易出现差错。由于上述问题，提出了很多自动化的检测算法，但现有的各类算法普遍存在以下两方面问题：需要对心电信号进行分拍，即识别出P波、QRS波群等，在此基础上才能进行各类失常不齐的检测。而心电信号分拍过程不可避免的存在误差，一旦出现错误，其对后续心律失常检测便会带来影响。可识别的心律失常类型较少，比较常见的包括：区分正常窦性心律和心律失常；区分正常窦性心律和特定类型的心律不齐(比如：房颤)；除上述问题之外，如何使用较少的导联数据实现检测，如何提高识别准确率也是各类现有检测算法面临的挑战。
为解决上述问题，下面结合具体方案对本发明作详细描述。
如图1所示，本发明实施例基于残差网络的单导联ECG心律失常检测分类方法包括：
S101:对原始ECG信号进行分割：以1秒钟作为窗口长度，对原始ECG信号进行分割。也可以采用2秒、5秒等窗口长度，但实验结果表明其对准确率影响不大。另外，根据采样频率不同，窗口包含的ECG信号数据点数量可能有所不同，此处MIT-BIH心律失常数据采样率为360Hz，即360次/秒。
S102:使用残差网络对信号进行处理:分割后的数据输入网络，处理后网络输出结果即为对应ECG信号的识别结果。
如图2所示，本发明提供的基于残差网络的单导联ECG心律失常检测分类系统包括：
原始ECG信号分割模块1，以1秒钟作为窗口长度，对原始ECG信号进行分割。
使用残差网络对信号进行处理模块2，分割后的数据输入网络，处理后网络输出结果为对应ECG信号的识别结果。
本发明实施例提供的网络结构如图3所示，其中共使用了5组(每组2个)共10个残差块，每个残差块包含3个卷积层；每组残差块之间安排一个Maxpooling层；共3个全连接层。同时，为避免过拟合，每个全连接层前增加了Dropout层。
在本发明实施例中，残差网络进一步包括：
Batch Normalization：批规范化层，加快收敛。
MaxPooling1D：一维最大池化层。
Conv1D：一维卷积层。
Pre-Activation：预激活层，此处全部选择ReLu，即修正线性单元作为激活函数。
Flatten：整平层，将多维数据转化为一维数据。
Dropout：丢弃层，随机丢弃一定比例的连接，防止过拟合。
Full Connection：全连接层。
Softmax：Softmax激活函数。
点划线代表Skip Connection，即跳跃连接，用于构建残差单元。
本发明的基于残差网络的单导联ECG心律失常检测分类系统各模块参数设置如下：
MaxPooling1D：第1个MaxPooling1D单元使用大小为2的卷积核，步长为2，边缘填充；其余MaxPooling1D单元均使用大小为2的卷积核，步长为2，边缘不填充。
Conv1D：使用大小为2的卷积核，步长为2，边缘填充。卷积核数量依次递增，第一组卷积核数量为64，第二组卷积核数量为128，第三组卷积核数量为256，第四组卷积核数量为512，第五组卷积核数量为1024。
Dropout：系数设置为0.25，即随机丢弃25％的连接。
模型共有参数20,169,110个，其中可训练参数20,139,284，不可训练参数29,826个。
下面结合实验过程及结果对本发明作进一步描述。
原始数据共48段30分钟的两导联(II、V5)数据，采样率为360Hz，即每秒钟360个采样点。
使用II导联按照360个采样点大小的窗口将数据进行分段，同时生成分段对应的标签。
在标签生成过程中，如果遇到一段数据出现两个不同标签，将取第一个标签作为该段数据的标签。
在标签生成过程中，还将剔除非搏动分类的标签，比如：波形发生、P波峰值、节律变化等。
处理后，共得到15类84895条数据及其标注。其中，各类型数据数量如下：正常窦性心律56096，左束支传导阻滞6529，右束支传导阻滞6135，房性早搏1829，异常房性早搏128，交界性早搏56，室上性早搏2，室性早搏6257，心室融合心跳797，房性逸搏12，交界性逸搏225，室性逸搏102，起搏心搏5863，起搏融合心跳835，未标记29条。
将上述数据按照70％训练集(其中70％训练，30％验证)，30％测试集的比例划分训练、测试集。训练、测试集各类型数据分布如图4与图5所示。
将数据输入图3中35层的一维残差卷积网络进行训练，损失函数使用交叉熵损失函数，优化器使用随机梯度下降，冲量0.9，权值衰减0.0001，批大小为200。20轮左右即可实现较高的识别准确率，某次训练过程准确率变化如图6所示。
对应的混淆矩阵如图7所示，图7中数字与搏动类型的对应关系如下：0：正常心博，1：左束支传导阻滞，2：右束支传导阻滞，3：房性早搏，4：异常房性早搏，5：交界性早搏，6：室性早搏，7：心室融合心跳，8：房性逸搏，9：交界性逸搏，10：室性逸搏，11：起搏心搏，12：起搏融合心跳，13：未标记。室上性早搏数据仅有2条，未在图中显示。
取10次训练过程的平均值，准确率为训练集98.81％，验证集96.37％，并在测试集上取得96.67％的准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于残差网络的单导联ECG心律失常检测分类方法，其特征在于，所述基于残差网络的单导联ECG心律失常检测分类方法包括：
对原始ECG信号进行分割：以1秒钟作为时间窗口长度，根据采样率或1秒钟时间段内ECG信号的电压值，获取多个点的电压值；
将获取到的电压值数据点，直接作为残差网络的输入，经网络处理后，输出原始ECG信号的心律失常识别和分类结果；
直接作为残差网络的输入中，以序列方式处理原始信号，不进行分拍、不进行人工特征提取。
2.一种实施权利要求1所述基于残差网络的单导联ECG心律失常检测分类方法的基于残差网络的单导联ECG心律失常检测分类系统，其特征在于，所述基于残差网络的单导联ECG心律失常检测分类系统包括：
原始ECG信号分割模块，以1秒钟作为窗口长度，对原始ECG信号进行分割；
使用残差网络对信号进行处理模块，分割后的数据输入网络，处理后网络输出结果为对应ECG信号的识别结果。
3.如权利要求2所述的基于残差网络的单导联ECG心律失常检测分类系统，其特征在于，残差网络包括10个残差块，每个残差块包含3个卷积层；每组残差块之间安置Maxpooling层；共3个全连接层；每个全连接层前增加Dropout层。
4.如权利要求3所述的基于残差网络的单导联ECG心律失常检测分类系统，其特征在于，残差网络进一步包括：
1)BatchNormalization：批规范化层，加快收敛；
2)MaxPooling1D：一维最大池化层；
3)Conv1D：一维卷积层；
4)Pre-Activation：预激活层，此处全部选择ReLu，即修正线性单元作为激活函数；
5)Flatten：整平层，将多维数据转化为一维数据；
6)Dropout：丢弃层，随机丢弃一定比例的连接，用于防止过拟合；
7)FullConnection：全连接层；
8)Softmax：Softmax激活函数；
9)点划线代表SkipConnection，即跳跃连接，用于构建残差单元。
5.一种终端，其特征在于，所述终端搭载实现权利要求1所述基于残差网络的单导联ECG心律失常检测分类方法的控制器。
6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的基于残差网络的单导联ECG心律失常检测分类方法。
CN201910339996.1A 2019-04-25 2019-04-25 一种基于残差网络的单导联ecg心律失常检测分类方法 Active CN110046604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910339996.1A CN110046604B (zh) 2019-04-25 2019-04-25 一种基于残差网络的单导联ecg心律失常检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910339996.1A CN110046604B (zh) 2019-04-25 2019-04-25 一种基于残差网络的单导联ecg心律失常检测分类方法

Publications (2)

Publication Number Publication Date
CN110046604A CN110046604A (zh) 2019-07-23
CN110046604B true CN110046604B (zh) 2023-05-30

Family

ID=67279364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910339996.1A Active CN110046604B (zh) 2019-04-25 2019-04-25 一种基于残差网络的单导联ecg心律失常检测分类方法

Country Status (1)

Country Link
CN (1) CN110046604B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110236483B (zh) * 2019-06-17 2021-09-28 杭州电子科技大学 一种基于深度残差网络的糖尿病性视网膜病变检测的方法
CN110889448A (zh) * 2019-11-26 2020-03-17 北京华医共享医疗科技有限公司 一种基于卷积神经网络的心电分类方法
CN111067505A (zh) * 2019-12-25 2020-04-28 北京多唯阳光科技有限责任公司 心律失常检测的方法、装置以及存储介质
CN111329445B (zh) * 2020-02-20 2023-09-15 广东工业大学 基于组卷积残差网络和长短期记忆网络的房颤识别方法
CN113712565B (zh) * 2020-05-20 2023-08-22 华为技术有限公司 早搏检测方法及其电子设备和介质
CN111956213A (zh) * 2020-07-29 2020-11-20 鲁东大学 心电信号的qrs点检测方法
CN112957054B (zh) * 2021-01-25 2023-06-23 北京工业大学 一种基于通道注意力分组残差网络的12导联心电信号分类方法
CN112906748A (zh) * 2021-01-25 2021-06-04 浙江大学 基于残差网络的12导联ecg心律失常检测分类模型构建方法
CN113288161A (zh) * 2021-06-02 2021-08-24 南京信息工程大学 一种基于改进残差网络单导联ecg信号分类方法及系统
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035231A (en) * 1997-10-29 2000-03-07 Siemens Elema Ab Electrocardiogram signal processing apparatus
CN108649961A (zh) * 2018-05-08 2018-10-12 北京理工大学 一种基于边信息先验的多导联心电信号重构估计方法
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
CN109303560A (zh) * 2018-11-01 2019-02-05 杭州质子科技有限公司 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9717438B2 (en) * 2014-10-29 2017-08-01 Khalifa University of Science and Technology Medical device for detecting a ventricular arrhythmia event
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
CN107657318A (zh) * 2017-11-13 2018-02-02 成都蓝景信息技术有限公司 一种基于深度学习模型的心电图分类方法
CN109063552B (zh) * 2018-06-22 2021-03-30 深圳大学 一种多导联心电信号分类方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6035231A (en) * 1997-10-29 2000-03-07 Siemens Elema Ab Electrocardiogram signal processing apparatus
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
CN108649961A (zh) * 2018-05-08 2018-10-12 北京理工大学 一种基于边信息先验的多导联心电信号重构估计方法
CN109303560A (zh) * 2018-11-01 2019-02-05 杭州质子科技有限公司 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法

Also Published As

Publication number Publication date
CN110046604A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
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
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN109620152B (zh) 一种基于MutiFacolLoss-Densenet的心电信号分类方法
CN109117730B (zh) 心电图心房颤动实时判断方法、装置、系统及存储介质
CN107837082A (zh) 基于人工智能自学习的心电图自动分析方法和装置
CN110974214A (zh) 一种基于深度学习的自动心电图分类方法、系统及设备
WO2021071688A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN113995419B (zh) 一种基于心跳节律信号的房颤发生风险预测系统及其应用
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN109907753B (zh) 一种多维度ecg信号智能诊断系统
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN112932433B (zh) 一种心电图的心律失常自动分类方法
CN112426160A (zh) 一种心电信号类型识别方法及装置
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
CN109124620A (zh) 一种房颤检测方法、装置及设备
CN115736944A (zh) 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN109674474B (zh) 睡眠呼吸暂停识别方法、设备及计算机可读介质
CN111557660A (zh) 一种亚群体深度学习框架下的心律失常识别方法
CN111261283B (zh) 基于金字塔型卷积层的心电信号深度神经网络建模方法
CN113288157A (zh) 基于深度可分离卷积和改进损失函数的心律失常分类方法
CN110537907B (zh) 一种基于奇异值分解的心电信号压缩及识别方法
CN115429284B (zh) 心电信号分类方法、系统、计算机设备以及可读存储介质
CN113679393B (zh) 基于对比预测编码的ecg数据特征生成模型

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