CN110148466A - 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 - Google Patents
一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 Download PDFInfo
- Publication number
- CN110148466A CN110148466A CN201910401402.5A CN201910401402A CN110148466A CN 110148466 A CN110148466 A CN 110148466A CN 201910401402 A CN201910401402 A CN 201910401402A CN 110148466 A CN110148466 A CN 110148466A
- Authority
- CN
- China
- Prior art keywords
- signal
- layer
- atrial fibrillation
- bcg
- transfer learning
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明提供一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,涉及计算机辅助诊断技术领域。该方法首先对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理,并设定所有信号数据的分帧长度为24秒;然后构建进行房颤辅助检测的卷积神经网络;训练所构建的卷积神经网络并进参数更新;提取实测BCG信号的迁移学习特征向量并构建随机森林分类器;将测试集中BCG信号作为卷积神经网络的输入,获取迁移学习模型特征参数并输入到随机森林分类器,通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。本发明方法,有利于扩展BCG信号的日常应用领域,且为BCG开展心脏相关疾病辅助诊断及预测提供可行方案。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其涉及一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法。
背景技术
随着穿戴式设备的日益盛行,无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段,包括心电图(Electrocardiogram,即ECG)、心磁图、心音、心阻抗图等,均需在人体体表附着电极等检测设备,对监测环境、条件及操作人员具有一定的要求,且给受试者的日常生活造成极大的不便。尤其阵发性房颤具有发作时间不确定,发作突然且临床表现不明显等特点,因此迫切需要一种非接触式实时监测心脏功能的的方法。
心冲击信号(Ballistocardiogram,即BCG)通过检测心脏搏动传导至体表的微弱振动,间接反映心脏的工作状态,是一种无感评估人体心脏动力学性能的先进检测手段。但BCG信号存在幅值微弱、易受干扰等特点且缺少较为完善的数据库,卷积神经网络(Convolutional Neural Networks,CNN)等深度学习常见模型,对输入数据量具有一定的要求,通常需要大批量的数据来进行网络的训练及调试,因此不适合应用于BCG信号的分析;传统的机器学习方法虽适用于小批量数据的训练及调试,但其通常需要提取信号的波形特征,而BCG信号的波形随检测设备的不同有着较大的差异,具有较高的时间复杂度,因此机器学习方法不适合应用于日常BCG信号的处理。综上,需要一种适用于BCG信号日常监护的房颤疾病计算机辅助诊断方法,以满足心血管疾病家庭非接触检测的需求。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,实现对心冲击信号阵发性房颤的辅助检测。
为解决上述技术问题,本发明所采取的技术方案是:一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,包括以下步骤:
步骤1:对同步实测的ECG信号、BCG信号及现有的房颤疾病数据库中的ECG信号进行预处理,并针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.1:采集同一受试者的同步ECG信号、BCG信号,并分别对其信号进行归一化处理,以获取实测数据;
步骤1.2:从现有的房颤疾病数据库中获取房颤ECG信号,并根据实测ECG信号的采样频率,对数据库中获取的ECG信号进行重采样处理,使其与步骤1.1中的实测数据采样频率一致;
步骤1.3:针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.4:应用实测ECG信号作为诊断标准,将每一帧实测同步BCG信号标记为房颤和非房颤二类,其中,房颤标定为1,非房颤标定为0;
步骤1.5:将70%的实测BCG数据作为训练集、20%的实测BCG数据作为验证集、10%的实测BCG数据作为测试集;
步骤2:构建进行房颤辅助检测的卷积神经网络;所述卷积神经网络包括4层卷积层、6层池化层和1层Flatten层以及3层全连接层,具体设计方法为:
步骤2.1:以分帧长度为24秒的数据库中获取的ECG信号作为输入向量,确定输入层的神经元数目;
步骤2.2:构建两个特征提取模块和一个降维模块;其中,第一个特征提取模块包括两层卷积层和两层池化层,第二个特征提取模块包括四层卷积层与四层池化层;降维模块包括一层Flatten层及三层全连接层;
步骤2.3:设计输出层为2个神经元,0-1组合判定为非房颤,1-0组合判定为房颤,0-0及1-1组合则需要进行二次判定;
步骤3:训练所构建的卷积神经网络并进参数更新:应用从数据库中获取的房颤ECG数据对卷积神经网络进行逐层预训练并更新网络参数;然后固定第一层卷积层和第二层卷积层的网络参数,以实测BCG信号作为输入向量,建立新型交叉熵损失函数更新网络参数,获取迁移学习后的卷积神经网络模型,具体方法为:
步骤3.1:应用从数据库中获取的ECG信号对所设计的卷积神经网络进行预训练并更新网络参数;
步骤3.2:应用实测BCG信号训练集对预训练后的卷积神经网络进行监督二次训练,获取迁移学习后的卷积神经网络模型,即BCG信号迁移学习模型;
首先固定预训练后的第一层卷积层和第二层卷积层参数,然后以损失函数不再减小为基准,获取最优化网络参数;其中:卷积层与池化层的激活函数选用Relu函数,全连接层选用softmax函数,损失函数针对CNN输出层的特点,设计为采用如下公式:
其中,C为新型交叉熵损失函数,y为期望的输出向量,x为神经元个数:非房颤为0-1,房颤为1-0;a为CNN输出层的实际输出向量;
步骤4:提取实测BCG信号的迁移学习特征向量并构建随机森林分类器:将迁移学习后的CNN全连接层的输出作为BCG信号迁移学习模型特征参数,设计并优化随机森林分类器,使其性能最优;
步骤4.1:应用实测BCG信号验证集作为二次训练后CNN网络的输入,提取降维模块所生成信号的高维特征作为BCG信号迁移学习特征参数;
步骤4.2:构建随机森林分类器,设定分类器的参数,并设定分类器输出结果为0或1,其中,0为非房颤,1为非房颤;
步骤4.3:将BCG信号迁移学习特征参数作为随机森林分类器的输入,进行十折交叉验证,将随机森林分类器的输出结果转化为混淆矩阵,并对随机森林分类器参数进行二次调试,以获取最优特异性、敏感性、准确度和精度的性能参数;
步骤5、将测试集中BCG信号作为卷积神经网络的输入,获取迁移学习模型特征参数并输入到随机森林分类器,通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,应用无感检测的BCG信号辅助诊断房颤疾病,利用ECG与BCG的同源性,将采用大数据量ECG数据库信号预训练后的CNN迁移至小数据量的BCG实测信号中,进而进行房颤及非房颤的判断。该发明有利于扩展BCG信号的日常应用领域,且为BCG开展心脏相关疾病辅助诊断及预测提供可行方案。
附图说明
图1为本发明实施例提供的一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法的流程图;
图2为本发明实施例提供的实测ECG信号图,其中,(a)为实测房颤ECG信号图,(b)实测非房颤ECG信号图;
图3为本发明实施例提供的实测BCG信号图,其中,(a)为实测房颤BCG信号图,(b)实测非房颤BCG信号图;
图4为本发明实施例提供的CNN结构图。
图中,1、卷积层;2、池化层;3、Flatten层;4、全连接层;5、输出。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,如图1所示,包括以下步骤:
步骤1:对同步实测的ECG信号、BCG信号及现有的房颤疾病数据库中的ECG信号进行预处理,并针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.1:采集同一受试者的同步ECG信号、BCG信号,并分别对其信号进行归一化处理,以获取实测数据;
步骤1.2:从现有的房颤疾病数据库中获取房颤ECG信号,并根据实测ECG信号的采样频率,对数据库中获取的ECG信号进行重采样处理,使其与步骤1.1中的实测数据采样频率一致;
本实施例中,房颤疾病数据库使用PhysioNet/Computing in CardiologyChallenge 2017数据。
步骤1.3:针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.4:应用实测ECG信号作为诊断标准,将每一帧实测同步BCG信号标记为房颤和非房颤二类,其中,房颤标定为1,非房颤标定为0;
步骤1.5:将70%的实测BCG数据作为训练集、20%的实测BCG数据作为验证集、10%的实测BCG数据作为测试集;
本实施例实际采集的同步BCG信号、ECG信号如图2和3所示,均来自于实验室搭建的多生理信号采集座椅,其中BCG信号应用薄膜压力传感器采集,ECG信号采用三导联心电电极采集。
步骤2:构建进行房颤辅助检测的卷积神经网络;所述卷积神经网络包括4层卷积层、6层池化层和1层Flatten层以及3层全连接层,具体设计方法为:
步骤2.1:以分帧长度为24秒的数据库中获取的ECG信号作为输入向量,确定输入层的神经元数目;
步骤2.2:构建两个特征提取模块和一个降维模块;其中,第一个特征提取模块包括两层卷积层和两层池化层,第二个特征提取模块包括四层卷积层与四层池化层;降维模块包括一层Flatten层及三层全连接层;
步骤2.3:设计输出层为2个神经元,0-1组合判定为非房颤,1-0组合判定为房颤,0-0及1-1组合则需要进行二次判定,该设计主要针对BCG信号易受干扰的特点,以提高分类判断的精度;
本实施例中,卷积神经网络由三个模块构成,如图4所示,其中模块1和模块2为特征提取模块,模块3为降维模块。模块1由两层卷积层与两层池化层组成,两层卷积层的卷积核数目分别为32和64,卷积核大小均为9×1,两层池化层的卷积核数目均为3,卷积核大小均为3×1。模块2由四层卷积层与两层池化层组成,前两层卷积层卷积核数目均为128、后两层卷积层卷积核数目均为256,四层卷积层的卷积核大小均为9×1,两层池化层的卷积核数目均为3,卷积核大小均为3×1;模块3由1层Flatten层以及3层全连接层组成,3层全连接层神经元数目分别为256、128、9,对应9×1的迁移学习模型特征;卷积神经网络的各层参数具体如表1所示;
表1卷积神经网络各层参数
层数 | 卷积核数目 | 卷积核大小 | 步长 |
1(卷积层) | 32 | 9×1 | 1 |
2(池化层) | 3 | 3×1 | 1 |
3(卷积层) | 64 | 9×1 | 1 |
4(池化层) | 3 | 3×1 | 1 |
5(卷积层) | 128 | 9×1 | 1 |
6(卷积层) | 128 | 9×1 | 1 |
7(池化层) | 3 | 3×1 | 1 |
8(卷积层) | 256 | 9×1 | 1 |
9(卷积层) | 256 | 9×1 | 1 |
10(池化层) | 3 | 3×1 | 1 |
全连接层 | 256(神经元数) | ||
全连接层 | 128(神经元数) | ||
全连接层 | 9(神经元数) |
步骤3:训练所构建的卷积神经网络并进参数更新:应用从数据库中获取的房颤ECG数据对卷积神经网络进行逐层预训练并更新网络参数;然后固定第一层卷积层和第二层卷积层的网络参数,以实测BCG信号作为输入向量,建立新型交叉熵损失函数更新网络参数,获取迁移学习后的卷积神经网络模型,具体方法为:
步骤3.1:应用大批量从数据库中获取的ECG信号对所设计的卷积神经网络进行预训练并更新网络参数;本实施例中,使用12000帧从数据库中获取的ECG信号对所设计的卷积神经网络进行预训练;
步骤3.2:应用小批量实测BCG信号训练集对预训练后的卷积神经网络进行监督二次训练,获取迁移学习后的卷积神经网络模型,即BCG信号迁移学习模型;本实施例中,使用2000帧实测BCG信号训练集对预训练后的卷积神经网络进行监督二次训练;
首先固定预训练后的第一层卷积层和第二层卷积层参数,然后以损失函数不再减小为基准,获取最优化网络参数;其中:卷积层与池化层的激活函数选用Relu函数,全连接层选用softmax函数,损失函数针对CNN输出层的特点,设计为采用如下公式:
其中,C为新型交叉熵损失函数,y为期望的输出向量,x为神经元个数:非房颤为0-1,房颤为1-0;a为CNN输出层的实际输出向量;
步骤4:提取实测BCG信号的迁移学习特征向量并构建随机森林分类器:将迁移学习后的CNN全连接层的输出作为BCG信号迁移学习模型特征参数,设计并优化随机森林分类器,使其性能最优;
步骤4.1:应用实测BCG信号验证集作为二次训练后CNN网络的输入,提取降维模块所生成信号的高维特征作为BCG信号迁移学习特征参数;
步骤4.2:构建随机森林分类器,设定分类器的参数,并设定分类器输出结果为0或1,其中0为非房颤,1为非房颤;
本实施例中,设定随机森林分类器的参数为:min_samples_split=2,n_jobs=8,n_estimators=10,verbose=0,其余为默认。
步骤4.3:将BCG信号迁移学习特征参数作为随机森林分类器的输入,进行十折交叉验证,将随机森林分类器的输出结果转化为混淆矩阵,并对随机森林分类器参数进行二次调试,以获取最优特异性、敏感性、准确度和精度的性能参数;
步骤5、将测试集中BCG信号作为卷积神经网络的输入,获取迁移学习模型特征参数并输入到随机森林分类器,通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。
本实施例还分别应用未预训练的CNN及线性判别分析、二次判别分析、支持向量机、朴素贝叶斯、递归树、决策树等经典机器学习方法,对同组BCG信号进行房颤疾病检测对比实验,并计算各实验的特异性、敏感性、准确性、精度等性能参数,评估本发明方法的分类性能。
本实施例中,将通过各种方法实现对BCG信号进行房颤疾病检测的输出结果转化为混淆矩阵表示,如表2所示:
表2混淆矩阵
设Z表示一个2×2混淆矩阵,其中Zij为实际类为i而预测类为j的数据量,使用Z定的分类结果的、性和、性的数量及敏感性、特异性、准确性、精度的表 式如式(2)-(9)所示:
性:tpk=Ckk (2)
性:fpk=∑i≠kCki (3)
性:tnk=∑i,j≠kCij (4)
性:fnk=∑i≠kCik (5)
特异性:
敏感性:
准确性:
精度:
最后应说明的是:以上实施例 用以说明本发明的技术方案,而非对其限制;管参前述实施例对本发明进行 详细的说明,本领域的 通技术人员应当理解:其 然可以对前述实施例所记 的技术方案进行,或者对其中 分或者全 技术特征进行等同;而或者,并不使相应技术方案的本 本发明 利要求所限定的范围。
Claims (2)
1.一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,其特征在于:包括以下步骤:
步骤1:对同步实测的ECG信号、BCG信号及现房颤疾病数据库中的ECG信号进行预处理,并针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.1:采集同一受试者的同步ECG信号、BCG信号,并分别对其信号进行归一化处理,以获取实测数据;
步骤1.2:从现有的房颤疾病数据库中获取房颤ECG信号,并根据实测ECG信号的采样频率,对数据库中获取的ECG信号进行重采样处理,使其与步骤1.1中的实测数据采样频率一致;
步骤1.3:针对房颤疾病的特点,设定所有信号数据的分帧长度为24秒,作为神经网络的输入向量;
步骤1.4:应用实测ECG信号作为诊断标准,将每一帧实测同步BCG信号标记为房颤和非房颤二类,其中,房颤标定为1,非房颤标定为0;
步骤1.5:将70%的实测BCG数据作为训练集、20%的实测BCG数据作为验证集、10%的实测BCG数据作为测试集;
步骤2:构建进行房颤辅助检测的卷积神经网络;所述卷积神经网络包括4层卷积层、6层池化层和1层Flatten层以及3层全连接层,具体设计方法为:
步骤2.1:以分帧长度为24秒的数据库中获取的ECG信号作为输入向量,确定输入层的神经元数目;
步骤2.2:构建两个特征提取模块和一个降维模块;其中,第一个特征提取模块包括两层卷积层和两层池化层,第二个特征提取模块包括四层卷积层与四层池化层;降维模块包括一层Flatten层及三层全连接层;
步骤2.3:设计输出层为2个神经元,0-1组合判定为非房颤,1-0组合判定为房颤,0-0及1-1组合则需要进行二次判定;
步骤3:训练所构建的卷积神经网络并进参数更新:应用从数据库中获取的房颤ECG数据对卷积神经网络进行逐层预训练并更新网络参数;然后固定第一层卷积层和第二层卷积层的网络参数,以实测BCG信号作为输入向量,建立新型交叉熵损失函数更新网络参数,获取迁移学习后的卷积神经网络模型,具体方法为:
步骤3.1:应用从数据库中获取的ECG信号对所设计的卷积神经网络进行预训练并更新网络参数;
步骤3.2:应用实测BCG信号训练集对预训练后的卷积神经网络进行监督二次训练,获取迁移学习后的卷积神经网络模型,即BCG信号迁移学习模型;
步骤4:提取实测BCG信号的迁移学习特征向量并构建随机森林分类器:将迁移学习后的CNN全连接层的输出作为BCG信号迁移学习模型特征参数,设计并优化随机森林分类器,使其性能最优;
步骤4.1:应用实测BCG信号验证集作为二次训练后CNN网络的输入,提取降维模块所生成信号的高维特征作为BCG信号迁移学习特征参数;
步骤4.2:构建随机森林分类器,设定分类器的参数,并设定分类器输出结果为0或1,其中,0为非房颤,1为非房颤;
步骤4.3:将BCG信号迁移学习特征参数作为随机森林分类器的输入,进行十折交叉验证,将随机森林分类器的输出结果转化为混淆矩阵,并对随机森林分类器参数进行二次调试,以获取最优特异性、敏感性、准确度和精度的性能参数;
步骤5、将测试集中BCG信号作为卷积神经网络的输入,获取迁移学习模型特征参数并输入到随机森林分类器,通过随机森林分类器的输出结果判断该BCG信号是否为房颤疾病类型。
2.根据权利要求1所述的一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法,其特征在于:所述步骤3.2的具体方法为:
首先固定预训练后的第一层卷积层和第二层卷积层参数,然后以损失函数不再减小为基准,获取最优化网络参数;其中:卷积层与池化层的激活函数选用Relu函数,全连接层选用softmax函数,损失函数针对CNN输出层的特点,设计为采用如下公式:
其中,C为新型交叉熵损失函数,y为期望的输出向量,x为神经元个数:非房颤为0-1,房颤为1-0;a为CNN输出层的实际输出向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401402.5A CN110148466B (zh) | 2019-05-15 | 2019-05-15 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401402.5A CN110148466B (zh) | 2019-05-15 | 2019-05-15 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110148466A true CN110148466A (zh) | 2019-08-20 |
CN110148466B CN110148466B (zh) | 2022-11-25 |
Family
ID=67595288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401402.5A Active CN110148466B (zh) | 2019-05-15 | 2019-05-15 | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148466B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111643073A (zh) * | 2020-04-30 | 2020-09-11 | 京东方科技集团股份有限公司 | 心电数据识别装置及方法、设备、计算机可读存储介质 |
CN113078958A (zh) * | 2021-03-29 | 2021-07-06 | 河海大学 | 一种基于迁移学习的网络节点距离矢量同步方法 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN114010171A (zh) * | 2020-03-18 | 2022-02-08 | 南京润楠医疗电子研究院有限公司 | 一种基于心跳数据的分类器设置方法 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN114521900A (zh) * | 2022-02-21 | 2022-05-24 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN116229521A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于多尺度特征的心脏信息检测方法、装置以及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177661A1 (zh) * | 2016-04-15 | 2017-10-19 | 乐视控股(北京)有限公司 | 基于卷积神经网络的视频检索方法及系统 |
CN107391900A (zh) * | 2017-05-05 | 2017-11-24 | 陈昕 | 房颤检测方法、分类模型训练方法及终端设备 |
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 |
-
2019
- 2019-05-15 CN CN201910401402.5A patent/CN110148466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177661A1 (zh) * | 2016-04-15 | 2017-10-19 | 乐视控股(北京)有限公司 | 基于卷积神经网络的视频检索方法及系统 |
CN107391900A (zh) * | 2017-05-05 | 2017-11-24 | 陈昕 | 房颤检测方法、分类模型训练方法及终端设备 |
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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111134662B (zh) * | 2020-02-17 | 2021-04-16 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN114010171A (zh) * | 2020-03-18 | 2022-02-08 | 南京润楠医疗电子研究院有限公司 | 一种基于心跳数据的分类器设置方法 |
CN114010171B (zh) * | 2020-03-18 | 2023-10-20 | 南京润楠医疗电子研究院有限公司 | 一种基于心跳数据的分类器设置方法 |
CN111643073A (zh) * | 2020-04-30 | 2020-09-11 | 京东方科技集团股份有限公司 | 心电数据识别装置及方法、设备、计算机可读存储介质 |
CN113078958B (zh) * | 2021-03-29 | 2022-04-29 | 河海大学 | 一种基于迁移学习的网络节点距离矢量同步方法 |
CN113078958A (zh) * | 2021-03-29 | 2021-07-06 | 河海大学 | 一种基于迁移学习的网络节点距离矢量同步方法 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN114469133B (zh) * | 2021-12-14 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN114521900A (zh) * | 2022-02-21 | 2022-05-24 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN114521900B (zh) * | 2022-02-21 | 2022-11-15 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN116229521A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于多尺度特征的心脏信息检测方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110148466B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148466A (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
EP3692900A1 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN110731773B (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
CN109717833A (zh) | 一种基于人体运动姿态的神经疾病辅助诊断系统 | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN103054562A (zh) | 基于多路脉搏波波形分析的心血管功能检测方法及其装置 | |
CN110464334A (zh) | 一种基于复合深度学习网络的心电图异常检测方法 | |
CN109222963A (zh) | 一种基于卷积神经网络的心电异常识别分类方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN109846474A (zh) | 心电图的处理方法及装置、心电图的远程处理方法及系统 | |
CN112906748A (zh) | 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 | |
Lu et al. | An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
CN110693510A (zh) | 一种注意力缺陷多动障碍辅助诊断装置及其使用方法 | |
CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
Du et al. | Recognition of child congenital heart disease using electrocardiogram based on residual of residual network | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
Liu et al. | Multi-label classification of 12-lead ECGs by using residual CNN and class-wise attention | |
CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
CN115414049A (zh) | 一种基于深度神经网络的可穿戴心电图实时诊断系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |