CN110236519B - 基于伪Wigner-Ville分布的心电图诊断方法 - Google Patents
基于伪Wigner-Ville分布的心电图诊断方法 Download PDFInfo
- Publication number
- CN110236519B CN110236519B CN201910417738.0A CN201910417738A CN110236519B CN 110236519 B CN110236519 B CN 110236519B CN 201910417738 A CN201910417738 A CN 201910417738A CN 110236519 B CN110236519 B CN 110236519B
- Authority
- CN
- China
- Prior art keywords
- data
- electrocardiogram
- neural network
- frequency
- amplitude
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于伪Wigner‑Ville分布的心电图诊断方法。对于各种类型的心电图,本发明先提取心电图的时间‑频率‑幅值三维特对应特征,并将其进行数据转换,最后将转换完成色的数据通过神经网络分析诊断。由于神经网络的特性,这样只需一次学习后即可对之后的心电图进行快速识别,大大节省了人工诊断所需的时间且可以做到实时监测,符合普通人群在无医生指导下的自主诊断要求。
Description
技术领域
本发明涉及一种心电识别系统中病例自动诊断方法。
背景技术
心电图(ECG或者EKG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。在心电识别系统中,需要有专业知识背景的医护人员对每一份心电图进行人工判别,这样的工作诊断速度慢且需要较高的人力。
发明内容
本发明目的是提供一种心电图自动识别方法。
为了达到上述目的,本发明的技术方案是提供了一种基于伪Wigner-Ville分布的心电图诊断方法,其特征在于,包括以下步骤:
步骤1:提取历史心电图的特征,获得历史心电图所对应的数据串string_1,将所有历史心电图的数据串string_1组成训练集,其中,提取心电图的特征包括以下步骤:
步骤1.1、读取心电图数据,通过伪Wigner-Ville分布计算得到心电数据时间、频率和幅度三者的映射关系并绘制得到三维图image_1;
步骤1.2、将得到三维图image_1进行数据转换获得二维数据,即得到数据矩阵matrix_1;
步骤1.3根据数据矩阵matrix_1,从数据矩阵matrix_1的顶部到底部逐行读取数据并将每行数据首尾拼接,形成二进制一维数据串string_1,数据串string_1中数值表示频率和幅度特征;
步骤2:将步骤1中得到的训练集输入到神经网络进行训练,包括以下步骤:
步骤2.1、搭建神经网络,确定神经网络整体架构的各个参数,并选择激活函数、优化算法、损失函数;
步骤2.2、初始化神经网络,将随机值分配给神经网络各层的权重和偏置;
步骤2.3、训练集中的数据串string_1分别通过神经网络输入层、隐藏层和输出层计算从而得到诊断结果;
步骤2.4、根据判别结果和病例标签,计算损失函数,并根据梯度下降算法调整各层权重和偏置:
步骤2.5、将训练集中的数据重复以上所有步骤,直至误差e≤0.001,此时得到结构稳定且预测准确率较高的神经网络结构;
步骤3:利用步骤1相同的方法提取实时获得的心电图的特征,将提取到的特征输入训练好的神经网络结构,从而得到诊断结论。
优选地,所述步骤1.2包括:
1)获得多频振幅曲线:沿时间轴以Δ=30ms作为间隔横切三维图image_1,得到多频振幅曲线;
2)将得到的多频振幅曲线进行二维叠加,得到频率-幅值图image_2;
3)针对频率-幅值图image_2,以Δ=9.3mV为间隔在表示幅度的Y轴-250mV至450mV范围内进行扫描;以间隔为0.67Hz沿表示频率的X轴在0到50Hz范围内扫描;在扫描过程中,若某一点存在于扫描线交点处,则矩阵对应的值将设置为1,通过上述两轮扫描,得到所述数据矩阵matrix_1。
优选地,在所述步骤1中,提取历史心电图的特征前,对心电数据进行高斯滤波处理,并根据每一心电数据的病症添加病理标签。
优选地,所述神经网络整体架构包括如下参数:
参数1:节点个数,包括输入层、输出层和隐藏层节点的数量;
参数2:学习率,即前一个节点对后一个节点影响的权重;
参数3:激活函数,用于提升网络的非线性建模能力;
参数4:优化算法,用于改善训练方式,从而最小化损失函数;
参数5:损失函数,用于用来计算测试集中目标值Y的真实值和预测值的偏差程度的。
对于各种类型的心电图,本发明先提取心电图的时间-频率-幅值三维特对应特征,并将其进行数据转换,最后将转换完成色的数据通过神经网络分析诊断。由于神经网络的特性,这样只需一次学习后即可对之后的心电图进行快速识别,大大节省了人工诊断所需的时间且可以做到实时监测,符合普通人群在无医生指导下的自主诊断要求。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,本发明提供的一种基于伪Wigner-Ville分布的心电图诊断方法,包括以下步骤:
步骤1、构建神经网络的训练集,包括以下步骤:
获取历史的心电数据后,对心电数据进行预处理,预处理包括对心电数据进行高斯滤波处理,并根据每一心电数据的病症添加病理标签。提取预处理后的心电数据的特征,特征提取的思路为:获取心电图的时间、频率和幅度的三维图,然后对三维图进行一系列变换,获得神经网络可以处理的一维数据,具体包括以下步骤:
步骤1.1、读取心电图数据,通过伪Wigner-Ville分布,计算得到心电数据时间、频率和幅度三者的映射关系并绘制得到三维图image_1;
步骤1.2、将得到三维图image_1进行数据转换,获得二维数据,该过程主要分为三部分:
1)获得多频振幅曲线:沿时间轴以Δ=30ms作为间隔横切三维图image_1,得到多频振幅曲线;
2)将得到的多频振幅曲线进行二维叠加,得到频率-幅值图image_2;
3)针对频率-幅值图image_2,以Δ=9.3mV为间隔在表示幅度的Y轴-250mV至450mV范围内进行扫描;以间隔为0.67Hz沿表示频率的X轴在0到50Hz范围内扫描;在扫描过程中,若某一点存在于扫描线交点处,则矩阵对应的值将设置为1,通过上述两轮扫描,得到所述数据矩阵matrix_1;
1.3根据数据矩阵matrix_1,从矩阵的顶部到底部逐行读取数据并将每行数据首尾拼接,形成二进制一维数据串string_1,数据串中数值表示频率和幅度特征。
步骤2:将步骤1中得到的string_1输入到神经网络进行训练。该步骤的主要子过程包括:
步骤2.1、搭建神经网络,确定神经网络整体架构的各个参数,并选择激活函数、优化算法、损失函数;神经网络参数包括:
参数1:节点个数,包括输入层、输出层和隐藏层节点的数量;
参数2:学习率,即前一个节点对后一个节点影响的权重;
参数3:激活函数,用于提升网络的非线性建模能力;
参数4:优化算法,用于改善训练方式,从而最小化损失函数;
参数5:损失函数,用于用来计算测试集中目标值Y的真实值和预测值的偏差程度的;
步骤2.2、初始化神经网络,将随机值分配给神经网络各层的权重和偏置;
步骤2.3、训练集中的数据串string_1分别通过神经网络输入层、隐藏层和输出层计算从而得到诊断结果;
步骤2.4、根据判别结果和病例标签,计算损失函数,并根据梯度下降算法调整各层权重和偏置:
步骤2.5、将训练集中的数据重复以上所有步骤,直至误差e≤0.001,此时得到结构稳定且预测准确率较高的神经网络结构;
步骤3:利用步骤1相同的方法提取实时获得的心电图的特征,将提取到的特征输入训练好的神经网络结构,从而得到诊断结论。
Claims (3)
1.一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法,其特征在于,包括以下步骤:
步骤1:提取历史心电图的特征,获得历史心电图所对应的数据串string_1,将所有历史心电图的数据串string_1组成训练集,其中,提取心电图的特征包括以下步骤:
步骤1.1、读取心电图数据,通过伪Wigner-Ville分布计算得到心电数据时间、频率和幅度三者的映射关系并绘制得到三维图image_1;
步骤1.2、将得到三维图image_1进行数据转换获得二维数据,即得到数据矩阵matrix_1,包括以下步骤:
1)获得多频振幅曲线:沿时间轴以Δ=30ms作为间隔横切三维图image_1,得到多频振幅曲线;
2)将得到的多频振幅曲线进行二维叠加,得到频率-幅值图image_2;
3)针对频率-幅值图image_2,以Δ=9.3mV为间隔在表示幅度的Y轴-250mV至450mV范围内进行扫描;以间隔为0.67Hz沿表示频率的X轴在0到50Hz范围内扫描;在扫描过程中,若某一点存在于扫描线交点处,则矩阵对应的值将设置为1,通过两轮扫描,得到所述数据矩阵matrix_1;
步骤1.3根据数据矩阵matrix_1,从数据矩阵matrix_1的顶部到底部逐行读取数据并将每行数据首尾拼接,形成二进制一维数据串string_1,数据串string_1中数值表示频率和幅度特征;
步骤2:将步骤1中得到的训练集输入到神经网络进行训练,包括以下步骤:
步骤2.1、搭建神经网络,确定神经网络整体架构的各个参数,并选择激活函数、优化算法、损失函数;
步骤2.2、初始化神经网络,将随机值分配给神经网络各层的权重和偏置;
步骤2.3、训练集中的数据串string_1分别通过神经网络输入层、隐藏层和输出层计算从而得到诊断结果;
步骤2.4、根据判别结果和病例标签,计算损失函数,并根据梯度下降算法调整各层权重和偏置:
步骤2.5、将训练集中的数据重复步骤2.4,直至误差e≤0.001,此时得到结构稳定且预测准确率较高的神经网络结构。
2.如权利要求1所述的一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法,其特征在于,在所述步骤1中,提取历史心电图的特征前,对心电数据进行高斯滤波处理,并根据每一心电数据的病症添加病理标签。
3.如权利要求1所述的一种基于伪Wigner-Ville分布的心电图诊断模型的建立方法,其特征在于,所述神经网络整体架构包括如下参数:
参数1:节点个数,包括输入层、输出层和隐藏层节点的数量;
参数2:学习率,即前一个节点对后一个节点影响的权重;
参数3:激活函数,用于提升网络的非线性建模能力;
参数4:优化算法,用于改善训练方式,从而最小化损失函数;
参数5:损失函数,用于用来计算测试集中目标值Y的真实值和预测值的偏差程度的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417738.0A CN110236519B (zh) | 2019-05-20 | 2019-05-20 | 基于伪Wigner-Ville分布的心电图诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417738.0A CN110236519B (zh) | 2019-05-20 | 2019-05-20 | 基于伪Wigner-Ville分布的心电图诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110236519A CN110236519A (zh) | 2019-09-17 |
CN110236519B true CN110236519B (zh) | 2021-11-16 |
Family
ID=67884617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417738.0A Active CN110236519B (zh) | 2019-05-20 | 2019-05-20 | 基于伪Wigner-Ville分布的心电图诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110236519B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001022883A1 (en) * | 1999-09-29 | 2001-04-05 | Siemens Corporate Research, Inc. | Multi-modal cardiac diagnostic decision support system and method |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
-
2019
- 2019-05-20 CN CN201910417738.0A patent/CN110236519B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001022883A1 (en) * | 1999-09-29 | 2001-04-05 | Siemens Corporate Research, Inc. | Multi-modal cardiac diagnostic decision support system and method |
CN107811626A (zh) * | 2017-09-10 | 2018-03-20 | 天津大学 | 一种基于一维卷积神经网络和s变换的心律失常分类方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
Non-Patent Citations (1)
Title |
---|
Arrhythmia Detection Using Wigner-Ville Distribution Based Neural Network;Sanjit等;《Precedia Computer Science》;20161231;第85卷;第806-811页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110236519A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN107890348B (zh) | 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 | |
CN108836302B (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN109480824B (zh) | 心电波形数据的处理方法、装置和服务器 | |
CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
KR20130050707A (ko) | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 | |
CN110897633A (zh) | 基于深度神经网络的心电信号分割方法 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
US20230397887A1 (en) | Scatter diagram classification method and apparatus for photoplethysmography signal | |
CN114431873B (zh) | 一种基于图卷积的心电图心率多类型预测模型构建方法 | |
CN115392319A (zh) | 一种融合心脏动力学模型和对抗生成网络的心电异常分类方法 | |
Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
CN114732415A (zh) | 一种基于snn网络的心电信号异常预测方法及装置 | |
CN110236519B (zh) | 基于伪Wigner-Ville分布的心电图诊断方法 | |
CN113679393B (zh) | 基于对比预测编码的ecg数据特征生成模型 | |
CN115281676A (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN111084621B (zh) | 基于深度自编码器的qrs波群形态识别方法和装置 | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
CN111839502A (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 |
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 |