CN110309758B - 心电信号特征提取方法、装置、计算机设备及存储介质 - Google Patents
心电信号特征提取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110309758B CN110309758B CN201910560660.8A CN201910560660A CN110309758B CN 110309758 B CN110309758 B CN 110309758B CN 201910560660 A CN201910560660 A CN 201910560660A CN 110309758 B CN110309758 B CN 110309758B
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- neural network
- deep neural
- electrocardiosignal
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及心电信号特征提取方法、装置、计算机设备及存储介质。所述心电信号特征提取方法包括:获取待检测的心电信号的单个心拍信号;将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块;获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到心电信号的特征信息。本发明利用特定的深度神经网络对各种类型的心电信号进行特征提取学习,能够解决心电信号特征学习过程中深度网络中存在的梯度消失问题;相对于传统的神经网络特征提取方法,对心电信号特征学习结果的准确率更高。
Description
技术领域
本发明涉及神经网络技术领域,特别是涉及心电信号特征提取方法、网络训练方法、心电信号特征提取装置、网络训练装置、计算机设备以及计算机可读存储介质。
背景技术
起搏器是产生周期性电脉冲的电刺激器,其产生的脉冲通过电板传到心脏,引起心脏收缩,使心脏恢复正常心率工作。人体是导体,起搏心电信号(以下简称pace信号)和正常窦性心律信号都会被心电测量电路所采集,作为心电信号(Electrocardiogram,ECG);另外,心电测量电路所采集的心电信号中还可能包括肌电及电极移位产生的高频噪声等。因此,有必要对心电测量电路所采集的心电信号进行识别。
目前,对于对心电测量电路所采集的心电信号进行识别,需要提前对pace信号、正常窦性心律信号和噪声信号各自对应的特征进行提取。对此,有研究人员提出通过神经网络进行心电信号中特征信息的提取,然而由于心电信号中噪声或者不确定的信号因素较多,并且传统的神经网络在进行心电信号类型识别的过程中,普遍存在的梯度消失问题,因此传统的神经网络对心电信号中深度特征信息的提取效果不够理想。
发明内容
基于此,有必要针对传统的神经网络对心电信号中深度特征信息的提取效果不够理想的问题,提供一种心电信号特征提取方法、网络训练方法、心电信号特征提取装置、网络训练装置、计算机设备以及计算机可读存储介质。
一方面,本发明实施例提供一种心电信号特征提取方法,包括:
获取待检测的心电信号的单个心拍信号;
将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;
获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
在其中一个实施例中,所述深度神经网络包括依次排列的以下层次结构:
输入层,用于输入待检测的心电信号的单个心拍信号;
卷积层,用于对所述单个心拍信号进行特征提取;
第一激活层,用于对所述卷积层提取到的心电特征数据进行非线性处理;
第一卷积残差块,用于对所述第一激活层的输出进行学习;
第二卷积残差块,用于对所述第一卷积残差块的输出进行学习;
第三卷积残差块,用于对所述第二卷积残差块的输出进行学习;
第四卷积残差块,用于对所述第三卷积残差块的输出进行学习;
第二激活层,用于对所述第四卷积残差块提取到的数据进行非线性处理;
LSTM层,用于通过记忆单元和遗忘门,对所述第二激活层得到的数据进行长时或者短时的记忆操作;
Dropout层,用于根据预设参数,将输入所述Dropout层的数据中的一部分设置为0;
全连接层,对Dropout层的输出进行全连接操作,得到所述心电信号的深度特征信息;
输出层,用于基于全连接层得到的所述心电信号的深度特征信息,输出所述单个心拍信号对应的类型信息;
其中,所述输入层、卷积层、第一激活层以及第一卷积残差块的输出通道维度相等,所述第二卷积残差块、第三卷积残差块、第四卷积残差块的输出通道维度分别是其上一层卷积残差块的输出通道维度的两倍。
在其中一个实施例中,所述卷积层的确定过程包括:根据心电信号特征学习的经验值,对卷积层参数进行迭代调整;所述卷积层参数包括卷积核参数和卷积层的层数;并以跨数据集的测试结果作为评估指标,来衡量所述深度神经网络的泛化能力,直到所述泛化能力满足设定条件,确定所述卷积层参数。
在其中一个实施例中,所述第一卷积残差块、第二卷积残差块、第三卷积残差块、第四卷积残差块中均包含至少2个卷积子层,且所述至少2个卷积子层均为一维卷积层,同一卷积残差块中的所述至少2个卷积子层的卷积核大小相同。
在其中一个实施例中,所述第一卷积残差块、第二卷积残差块、第三卷积残差块以及第四卷积残差块均包括依次排布的:第一卷积子层、第一BatchNorm子层、激活子层、第二卷积子层、第二BatchNorm子层以及采样子层。
在其中一个实施例中,每个卷积残差块之后还包括一个池化层;
所述池化层与其上层卷积残差块的采样率相同,用于对其连接的上层输出数据进行下采样处理,以降低网络中的参数量和减少冗余信息。
在其中一个实施例中,所述多个池化层均为最大池化层;所述卷积层的尺寸为32×11;和/或,所述LSTM层的尺寸为256×2。
在其中一个实施例中,所述全连接层包括多层结构,其中最后一层为softmax层。
又一方面,本发明实施例提供一种深度神经网络的训练方法,所述深度神经网络如上述任一实施例所述,所述训练方法包括:
获取训练样本,所述训练样本为已知分类标识的心电信号的单个心拍信号;
将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练。
再一方面,本发明实施例提供一种心电信号特征提取装置,包括:
信号获取模块,用于获取待检测的心电信号的单个心拍信号;
信号处理模块,用于将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;
以及,特征提取模块,用于获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
再一方面,本发明实施例提供一种深度神经网络的训练装置,用于训练如上述任一实施例所述深度神经网络,所述训练装置包括:
样本获取模块,用于获取训练样本,所述训练样本为带有分类标识的心电信号的单个心拍信号;
训练模块,用于将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练。
再一方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述任一实施例的方法。
再一方面,本发明实施例提供一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一实施例的方法。
上述技术方案中的一个技术方案具有如下优点或有益效果:基于待检测的心电信号的单个心拍信号,通过经过训练的深度神经网络对所述单个心拍信号进行特征学习;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,由此可得到所述心电信号的特征信息;本发明的深度神经网络网络结构简单,利用至少两个级联的卷积残差块对各种类型的心电信号的深度特征进行残差学习,相对于传统的神经网络,对各种类型的心电信号的深度特征学习结果的准确率更高。
附图说明
图1为一个实施例心电信号特征提取方法的流程示意图;
图2为一个实施例中心电信号单个心拍的示意图;
图3为一个实施例中卷积残差块的结构示意图;
图4为一实施例的深度神经网络的结构示意图;
图5为一个实施例中深度神经网络的训练方法流程图;
图6为一个实施例中心电信号特征提取装置的结构示意图;
图7为一个实施例中深度神经网络训练装置的结构示意图;
图8为一个实施例的计算机设备的结构示意图。
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,以下结合附图及实施例,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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明以下实施例提供的心电信号特征提取方法和深度神经网络的训练方法,可以应用于计算机设备,该计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中,心电信号特征提取方法流程参考图1所示,包括以下步骤:
S110,获取待检测的心电信号的单个心拍信号。
本发明实施例中,待检测的心电信号的信号类型已知,其类型可以是pace信号类型、正常窦性心律信号类型或者噪声信号类型,待检测的心电信号单个心拍可以理解为,一个包含RSTUPQ波的波段信号;其中,P波是最初产生偏离的波,它反映心房除极过程的电位变化,代表了两个心房的去极;Q波是R波前向下(负向)的波;R波是第一个向上(正向)的波;S波是R后第一个向下的波;T波是心室快速复极过程产生的电流所形成的波,代表心室肌复极过程引起的电位变化;U波是在T波后0.02-0.04s出现的振幅较低的波。波形例如图2所示。
进一步地,在获取待检测的心电信号的单个心拍信号之前,还可以包括对所述待检测的心电信号进行预处理。预处理可以包括对原始心电信号进行滤波、采样和波形信息提取等操作,例如:通过模拟电路对原始心电信号的模拟信号进行阻抗匹配、过滤、放大等处理;然后由模数转换器把心电信号的模拟信号转化为数字信号,并存储到存储器中。其中,实际采集获得的原始心电信号中可能包含各种噪声,且波形粗糙不光滑,导致QRS等波段中蕴含的有用信息难以提取;可以采用巴特沃斯滤波器等低通数字滤波器进行低通滤波,从原始心电信号中滤除300Hz以上的高频噪声,得到滤波后的心电信号O(t);最后,可以采用小波变换技术提取心电信号O(t)中的各个波段的波形,即提取心电信号O(t)中P、Q、R、S、T、U波的波形,例如图2所示。
待检测的心电信号的单个心拍信号为一维信号,具体地,获取到的单个心拍信号中,可以包含如下特征信息中的至少一种类型:形态学特征、统计特征、频域特征、相空间特征、时频域特征、信息熵特征、心率变异性特征。
S120,将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后。
由于本发明实施例采用的深度神经网络中包含卷积残差块,因此也可以称作深度残差网络。
其中,全连接层可以理解为,全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层可以前一层中具有类别区分性的局部信息;为了提升网络性能,全连接层每个神经元的激励函数一般采用ReLU函数,当然也可以采用其他能够避免和纠正梯度消失问题的激励函数。最后一层全连接层的输出值被传递给一个输出,可以采用softmax逻辑回归进行分类,此时最后一层也可称为softmax层。
在一个实施例中,在深度神经网络中,各个卷积残差块中可以包含至少2个卷积子层。当为2个卷积子层时,卷积残差块的结构如图3所示,该卷积残差块输入是x,期望输出是H(x),即H(x)是期望的复杂潜在映射;通过“shortcut connections(捷径连接)”的方式,直接把输入x传到输出作为初始结果,输出结果为H(x)=F(x)+x;当F(x)=0时,那么H(x)=x,即恒等映射。于是对于卷积残差块的学习目标改变了,不再是学习一个完整的输出,而是目标值H(X)和x的差值,即残差F(x)=H(x)-x,训练目标就是要将残差结果逼近于0,使得随着网络加深,网络的识别准确率不下降。基于上述卷积残差块的神经网络结构,打破了神经网络n-1层的输出只能给n层作为输入的惯例,使某一层的输出可以直接跨过几层,作为后面某一层的输入,可以叠加更多层的网络,提高学习深度,同时保证整个网络模型的学习结果的误差在可接受范围内。
S130,获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
上述实施例的心电信号特征提取方法,基于已知类型的心电信号的单个心拍信号,通过经过训练的深度神经网络对所述单个心拍信号进行特征学习;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,由此可得到各种类型的心电信号对应的特征信息;本发明的深度神经网络网络结构简单,利用至少两个级联的卷积残差块对心电信号的特征进行残差学习,相对于传统的神经网络,对心电信号特征学习结果的准确率更高。
需要说明的是,在神经网络的逻辑架构中,一般分成输入层、隐藏层和输出层。输入层负责接收数据信号,隐藏层负责对数据信号的分解与处理,最后的结果被整合到输出层。每层中可以包括一个或者多个处理单元,这些处理单元可以认为是模拟了一个神经元,若干个处理单元组成了一个层,若干个层再组成了一个网络,即"神经网络"。一般来说,神经网络中的隐藏层越多,对应的网络深度越大,对应的学习和数据处理能力越强。然而在不断加神经网络的深度时,网络模型的准确率会先上升然后达到饱和,再持续增加深度时则会导致准确率下降。那么假设:现有一个比较浅的网络已达到了饱和的准确率,这时在它后面再加上几个恒等映射层(也即输出等于输入),这样就增加了网络的深度,并且误差不会增加。基于这种使用恒等映射的思想的网络,便是深度残差网络,例如resNet网络。
进一步地,为了确保提取到的特征信息更为准确,在步骤S130之前,还可以包括步骤:获取所述深度神经网络的输出,根据该输出得到所述深度神经网络对所述心电信号的分类结果;将所述分类结果与所述心电信号的已知类型比较,若两者一致,则执行步骤S130,由此得到所述心电信号的特征信息;若两者不一致,表明所述深度神经网络对所述心电信号的分类识别不够准确,因此所述深度神经网络识别到的特征信息也不够理想,即所述深度神经网络中的全连接层学习到的特征信息不够准确,在这种情况下,不执行步骤S130。
通过将神经网络输出的分类结果和心电信号的实际类型进行比较,根据比较结果从深度神经网络的全连接层提取输入的心电信号的特征信息,对于各种类型的心电信号,有利于保证信号特征提取的准确度。
将提取到的各种类型心电信号的特征信息,应用于对未知类型的心电信号的识别场景中,能够提高对未知类型的心电信号的类型识别结果。例如:一方面,获取未知类型的心电信号的浅层特征信息(例如形态学特征、统计特征、频域特征、相空间特征、时频域特征、信息熵特征和/或心率变异性特征等);另一方面,获取各种已知类型心电信号的深度特征信息(已知类型心电信号的特征信息通过上述实施例提取);最后,将未知类型的心电信号的浅层特征信息,以及各种已知类型心电信号的深度特征信息,一起输出经过训练的神经网络(该神经网络可以是本发明实施例提供的深度神经网络,也可以是其他神经网络),根据该神经网络的输出,可以得到未知类型的心电信号的分类结果。由于神经网络在对未知类型的心电信号分类时,参考了各种已知类型心电信号的深度特征信息,因此最终对未知类型的心电信号的分类结果的准确性得以提高。
在本发明一个实施例中,参考图4所示,用于心电信号特征提取的深度神经网络可以包括依次排列的以下层次结构:
输入层,用于输入待检测的心电信号的单个心拍信号;
卷积层,用于对所述单个心拍信号进行特征提取;
第一激活层,用于对所述卷积层提取得到的心电特征数据进行非线性处理,使得整个网络可以逼近任何非线性函数;第一激活层中设置有激活函数,常见的激活函数包括sigmoid、tanh、ReLU,通过激活函数以引入非线性因素。在一个实施例中,第一激活层的激活函数采用ReLU函数,即线性整流函数,又称修正线性单元,是一种神经网络中常用的激活函数,具有收敛快、求梯度简单的特征,其计算公式为,对于输入的负数,输出全为0,即输出=0;对于输入的正值,则原样输出,即:输出=输入。也可以为其他能够消除和纠正梯度消失问题的激活函数。
在一些情况下,也将卷积层和激活层一起称作卷积层(为了便于区分,本发明实施例中将这样的卷积层成为广义卷积层),广义卷积层实质是由卷积核的权值和偏置项构成,在一个广义卷积层中,上一层的输出被一个卷积核进行卷积,并通过一个激活函数得到输出的特征映射图。一般地,广义卷积层输出的特征映射图可以表示为:
第一卷积残差块,用于对第一激活层的输出进行学习;
第二卷积残差块,用于对所述第一卷积残差块的输出进行学习;
第三卷积残差块,用于对所述第二卷积残差块的输出进行学习;
第四卷积残差块,用于对所述第三卷积残差块的输出进行学习;
第二激活层,用于对所述第四卷积残差块提取得到的数据进行非线性处理;第二激活层中设置有激活函数,以再次引入非线性因素。这里的激活函数可以为ReLU函数,即线性整流函数,又称修正线性单元,是一种神经网络中常用的激活函数,通常指代非线性函数。也可以为其他能够消除和纠正梯度消失问题的激活函数。
LSTM(Long Short-Term Memory,长短期记忆网络)层,用于通过记忆单元和遗忘门,对所述第二激活层得到的数据进行长时或者短时的记忆操作,由此处理长时依赖并解决消失的梯度问题。
LSTM是一种时间循环神经网络结构,适用于处理和预测时间序列中间隔和延迟相对较长的重要事件,该层与上一层结构上的关系不大。一般神经网络中记忆单元每次只能记忆前面一个时刻的值,每一次都会重新给记忆单元赋值,从而刷新,而在LSTM中,遗忘门的功能是什么时候要把过去记忆的东西忘掉,因此只要遗忘门不关闭(忘记)就会记得前面序列的所有信息。LSTM包括四个输入Input Gate,一个输出Output Gate。Input Gate的功能是外界能否存入值到记忆单元里去,当Input Gate打开时,能存入,当Input Gate关闭时,则不能存入值;Output Gate的功能是决定记忆单元的值能否传递到外面单元去,当Output Gate打开时,能传递,当Output Gate关闭时,则不能传递,因此记忆单元输出的值受Output Gate的控制。其中,Input Gate和Output Gate以及遗忘门的打开和关闭,都可以通过自学习得到的。
Dropout层,用于根据预设参数,将输入所述Dropout层的数据中的一部分设置为0,以减少对所述单个心拍信号进行分类过程中的过度拟合。所述预设参数可以是该层的控制参数keep,当参数keep为0.9时,表示输入该层的数据中10%的数据会在该层被设置为0。
全连接层,对Dropout层的输出进行全连接操作,得到所述心电信号的深度特征信息;全连接层采用有softmax激活函数;
输出层,用于基于全连接层得到的所述心电信号的深度特征信息,输出所述单个心拍信号对应的类型信息。
其中,输入层、卷积层、第一激活层以及第一卷积残差块的输出通道维度相等,所述第二卷积残差块、第三卷积残差块、第四卷积残差块的输出通道维度分别是其上一层卷积残差块的输出通道维度的两倍;在一个实施例中,所述深度神经网络中各层的输出通道维度可以为图4中给出的示例。
进一步地,针对深度神经网络中的卷积层,其确定过程还可以包括:根据心电信号特征学习的经验值,对卷积层参数进行迭代设置,包括:卷积核参数设置的范围为[3,20],调整步长为1;卷积核的个数范围[16,128],调整步长为16;网络层数的范围为[1,8],调整步长为1;并且,还可以跨数据集的测试结果作为评估指标,来衡量所述深度神经网络的泛化能力,直到所述泛化能力满足设定条件,确定所述卷积层参数。其中,以跨数据集的测试结果作为评估指标,指的是采用一个数据集用作训练,采用其他不一样的数据集作为测试,由这种方式得到的评估指标来衡量所述深度神经网络的泛化能力,使得衡量结果更加真实可靠,更符合实际应用。
可以理解的,对卷积层参数进行迭代设置的过程中,参数的取值范围和调整步长,还可以根据实际情况进行调整,不局限于上述举例。
基于本发明上述实施例的深度神经网络,可以学习得到输入的心电信号的深度特征信息,所谓的深度特征信息是相对而言的,深度特征信息不同于时域信息或者频域信息,是神经网络通过大量的样本学习,得到的属于同一类型样本所具有的、人难以理解的信息。
上述深度神经网络的输出层输出的类型信息,可包含各种预设心电信号类型及其对应的概率,预设心电信号类型为预先划分出的心电信号的类型。比如,预设的心电信号类型包括如下至少一种:pace类型、噪声类型、正常心电信号类型;对应地,如果单个心拍通过上述深度神经网络学习之后,输出层输出的信息中,pace类型对应的概率,大于其他类型(噪声类型、正常心电信号类型)对应的概率,则对所述单个心拍的分类结果为pace类型。
进一步的,在一个实施例中,在图4所示的深度神经网络中,卷积层的尺寸可以为32×11,表示卷积层包括32个滤波器,每个滤波器(卷积核)kernel_size的大小为11。因为该深度神经网络处理的是一维信号,而非二维图像,所以卷积核的kernel_size只有一个数字即可。不同的滤波器有不同的参数,不同的滤波器可以检测输入信号中的不同特征,某一个滤波器对输入信号进行滤波时,就是将滤波器分别与输入信号的同大小区域进行点乘,每次滤波器依次从左往右从上往下滑过该输入信号的所有的区域,让该滤波器对输入信号的某一个与滤波器尺寸同大小的信号区域进行点乘,点乘后各个乘积求和得到新的过滤后的信号。
在一个具体实施例中,在上述深度神经网络中,第一卷积残差块、第二卷积残差块、第三卷积残差块、第四卷积残差块中均包含2个卷积子层,且所述2个卷积子层均为一维卷积层,属于同一卷积残差块中的2个卷积子层的卷积核大小相同。进一步地,各个卷积残差块的具体结构例如,包括依次排布的:第一卷积子层、第一BatchNorm子层、激活子层、第二卷积子层、第二BatchNorm子层以及采样子层。同一卷积残差块中每个卷积子层的尺寸均为[32×5];表示每个卷积子层包括32个滤波器,每个滤波器(卷积核)的kernel_size的大小为5。
这样的卷积残差块,网络结构简单,通过基本模块(卷积层)堆叠形成,使得卷积残差块可以很轻松地移植到其他网络中;并且利用卷积残差块的残差学习,能够解决深度网络中的梯度消失问题,相对于传统的神经网络,基于上述多个卷积残差块构建的深度神经网络,对心电信号的特征识别准确率更高。
在一个实施例中,在上述深度神经网络中,每个卷积残差块之后还包括一个池化层;池化层与其上层卷积残差块的采样率相同,用于对其连接的上层输出数据进行下采样处理,以降低网络中的参数量和减少冗余信息。池化层主要作用在于对输入的特征信息进行压缩,一方面使特征信息量变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征;常用的池化方式包括最大池化、求和池化和平均池化。
在一个实施例中,上述深度神经网络中,所述多个池化层可以均采用最大池化层。最大池化层,是在每一个区域中寻找最大值的池化层。根据实际情况,也可以选用平均池化层等其他类型的池化层。
在上述深度神经网络中,LSTM层的尺寸为256×2,表示LSTM层包括256个滤波器,每个滤波器(卷积核)的大小为2。
在上述深度神经网络中,全连接层包括4层结构,其中最后一层采用有softmax激活函数,因此为softmax层。
上述实施例深度神经网络,其网络结构简单,通过卷积层、激活层、卷积残差块、LSTM层、Dropout层、全连接层等基本模块的巧妙组合,形成不同层数的网络;利用该深度神经网络中多个卷积残差块对心电信号的特征进行残差学习,能够解决心电信号特征学习过程中深度网络中存在的梯度消失问题;相对于传统的神经网络,上述实施例的深度神经网络对心电信号特征学习结果的准确率更高。
对于上述实施例提供的深度神经网络,本发明实施例提供一种深度神经网络的训练方法,参考图5所示,所述训练方法包括步骤:
步骤S401,获取训练样本,所述训练样本为带有分类标识的心电信号的单个心拍信号;
具体地,训练样本可以是pace信号、正常窦性心律信号和噪声信号的单个心拍信号的特征信息,这里的特征信息可以包括形态学特征、统计特征、频域特征、相空间特征、时域特征、信息熵特征、心率变异性特征中任意一项。
步骤S402,将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练。
具体地,所述采用标准反向传播方法,对所述深度神经网络进行训练的过程可以包括:
采用batch normalization进行数据标准化处理(即是在网络训练过程中对每层的输入数据加一个标准化处理),批处理的batch大小可以设置为32。
根据预先构建的权重更新模型,更新网络中的权重;所述权重更新模型基于权重参数、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数构建;其中,当前层的权重大小,与学习率、正则化参数和损失函数成负相关的关系,与训练样本的总数、批量大小和权重成正相关的关系;
以及,根据预先构建的偏移量更新模型,更新网络中的偏移量;所述偏移量更新模型基于权重、层数、学习率、批量大小和损失函数构建;其中,当前层的偏移量大小,与学习率和损失函数成负相关的关系,与批量大小和权重成正相关的关系。
例如,可以采用如下公式更新网络中的权重:
并且,可以采用如下公式更新偏移量:
其中,w、l、n、λ、ts、x和c分别表示权重、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数;初始学习率n=0.002,初始正则化λ=0.2,初始偏移量参数为0.7。
对于上述深度神经网络而言,网络误差是内部链接权重的函数,改进网络,意味着通过改变链接权重以减少这种误差。直接选取合适的权重太难,可通过误差函数的梯度下降,采取设定的步长,迭代地的改进权重;网络就是通过不断地迭代更新权重,以期达到更好的性能。所谓的梯度下降,即所迈出的每一步的方向,都是在当前位置向下斜率的最大方向。通过训练,可以不断减少网络误差,直到网络误差达到设定的条件。
基于与上述实施例中的心电信号特征提取方法相同的思想,本发明实施例还提供心电信号特征提取装置。如图6所示,在一个实施例中,心电信号特征提取装置包括:
信号获取模块501,用于获取待检测的心电信号的单个心拍信号;
信号处理模块502,用于将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;
以及,特征提取模块503,用于获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
另一方面,基于与上述实施例中的深度神经网络训练方法相同的思想,本发明实施例还提供深度神经网络训练装置,用于训练上述任一实施例所述的深度神经网络。如图7所示,在一个实施例中,深度神经网络训练装置具体包括:
样本获取模块601,用于获取训练样本,所述训练样本为带有分类标识的心电信号的单个心拍信号;
训练模块602,用于将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练。
在一个实施例中,其中的训练模块602可以具体包括:
标准化单元,用于采用batch normalization进行数据标准化处理,可以设置批处理的batch大小为32;
权重更新单元,用于根据预先构建的权重更新模型,更新网络中的权重;所述权重更新模型基于权重参数、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数构建;其中,当前层的权重大小,与学习率、正则化参数和损失函数成负相关的关系,与训练样本的总数、批量大小和权重成正相关的关系。
以及,偏移量更新单元,用于根据预先构建的偏移量更新模型,更新网络中的偏移量;所述偏移量更新模型基于权重、层数、学习率、批量大小和损失函数构建;其中,当前层的偏移量大小,与学习率和损失函数成负相关的关系,与批量大小和权重成正相关的关系。
关于心电信号特征提取装置以及深度神经网络训练装置的具体限定,可以参见上文中对于相应方法的限定,在此不再赘述。上述心电信号特征提取装置以及深度神经网络训练装置中的各个模块,可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
此外,上述示例的心电信号特征提取装置以及深度神经网络训练装置的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述心电信号特征提取装置以及深度神经网络训练装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
在一个实施例中,提供了一种计算机设备,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储心电信号特征提取装置,或者深度神经网络训练装置的数据。该计算机程序被处理器执行时以实现一种心电信号特征提取方法,或者深度神经网络训练方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测的心电信号的单个心拍信号;将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取训练样本,所述训练样本为已知分类标识的心电信号的单个心拍信号;
将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练;
其中,所述深度神经网络为上述实施例所述的神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用batch normalization进行数据标准化处理,可以设置批处理的batch大小为32;
根据预先构建的权重更新模型,更新网络中的权重;所述权重更新模型基于权重参数、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数构建;其中,当前层的权重大小,与学习率、正则化参数和损失函数成负相关的关系,与训练样本的总数、批量大小和权重成正相关的关系;
以及,根据预先构建的偏移量更新模型,更新网络中的偏移量;所述偏移量更新模型基于权重、层数、学习率、批量大小和损失函数构建;其中,当前层的偏移量大小,与学习率和损失函数成负相关的关系,与批量大小和权重成正相关的关系。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测的心电信号的单个心拍信号;将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取训练样本,所述训练样本为已知分类标识的心电信号的单个心拍信号;
将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练;
其中,所述深度神经网络为上述实施例所述的神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用batch normalization进行数据标准化处理,可以设置批处理的batch大小为32;
根据预先构建的权重更新模型,更新网络中的权重;所述权重更新模型基于权重参数、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数构建;其中,当前层的权重大小,与学习率、正则化参数和损失函数成负相关的关系,与训练样本的总数、批量大小和权重成正相关的关系;
以及,根据预先构建的偏移量更新模型,更新网络中的偏移量;所述偏移量更新模型基于权重、层数、学习率、批量大小和损失函数构建;其中,当前层的偏移量大小,与学习率和损失函数成负相关的关系,与批量大小和权重成正相关的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种心电信号特征提取方法,其特征在于,包括:
获取待检测的心电信号的单个心拍信号;
将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;所述至少两个级联的卷积残差块的输出通道维度不同、尺寸相同;
获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息;
其中,所述深度神经网络包括依次排列的以下层次结构:输入层,卷积层,第一激活层,四个卷积残差块,第二激活层,LSTM层,Dropout层,全连接层,输出层;四个卷积残差块中的每一个卷积残差块中均包含2个卷积子层,且所述2个卷积子层均为一维卷积层;四个卷积残差块中的每一个卷积残差块的结构包括依次排布的:第一卷积子层、第一BatchNorm子层、激活子层、第二卷积子层、第二BatchNorm子层以及采样子层;
其中,所述深度神经网络基于如下训练步骤得到:
获取训练样本,所述训练样本为带有分类标识的心电信号的单个心拍信号;
将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练;
其中,所述采用标准反向传播方法,对所述深度神经网络进行训练的过程包括:
采用如下公式更新网络中的权重:
并且,采用如下公式更新偏移量:
其中,w、l、n、λ、ts、x和c分别表示权重、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数;初始学习率n=0.002,初始正则化λ=0.2,初始偏移量参数b0为0.7。
2.根据权利要求1所述方法,其特征在于,
输入层,用于输入待检测的心电信号的单个心拍信号;
卷积层,用于对所述单个心拍信号进行特征提取;
第一激活层,用于对所述卷积层提取到的心电特征数据进行非线性处理;
第一卷积残差块,用于对所述第一激活层的输出进行学习;
第二卷积残差块,用于对所述第一卷积残差块的输出进行学习;
第三卷积残差块,用于对所述第二卷积残差块的输出进行学习;
第四卷积残差块,用于对所述第三卷积残差块的输出进行学习;
第二激活层,用于对所述第四卷积残差块提取到的数据进行非线性处理;
LSTM层,用于通过记忆单元和遗忘门,对所述第二激活层得到的数据进行长时或者短时的记忆操作;
Dropout层,用于根据预设参数,将输入所述Dropout层的数据中的一部分设置为0;
全连接层,用于对所述Dropout层的输出进行全连接操作,得到所述心电信号的深度特征信息;
输出层,用于基于所述全连接层得到的所述心电信号的深度特征信息,输出所述单个心拍信号对应的类型信息;
其中,所述输入层、卷积层、第一激活层以及第一卷积残差块的输出通道维度相等,所述第二卷积残差块、第三卷积残差块、第四卷积残差块的输出通道维度分别是其上一层卷积残差块的输出通道维度的两倍。
3.根据权利要求1所述方法,其特征在于,所述卷积层的确定过程包括:根据心电信号特征学习的经验值,对卷积层参数进行迭代调整,所述卷积层参数包括卷积核参数和卷积层的层数;并以跨数据集的测试结果作为评估指标,来衡量所述深度神经网络的泛化能力,直到所述泛化能力满足设定条件,确定所述卷积层参数。
4.根据权利要求1所述方法,其特征在于,同一卷积残差块中的所述至少2个卷积子层的卷积核大小相同。
5.根据权利要求2至4任一项所述方法,其特征在于,
每个卷积残差块之后还包括一个池化层,所述池化层为最大池化层,且与其上层卷积残差块的采样率相同。
6.根据权利要求2至4任一项所述方法,其特征在于,
所述卷积层的尺寸为32×11;
所述LSTM层的尺寸为256×2。
7.根据权利要求2至4任一项所述方法,其特征在于,所述全连接层包括多层结构,其中最后一层为softmax层。
8.一种心电信号特征提取装置,其特征在于,包括:
信号获取模块,用于获取待检测的心电信号的单个心拍信号;
信号处理模块,用于将所述单个心拍信号输入经过训练的深度神经网络;所述深度神经网络中包含全连接层以及至少两个级联的卷积残差块,所述全连接层位于所述至少两个级联的卷积残差块之后;所述至少两个级联的卷积残差块的输出通道维度不同、尺寸相同;
以及,特征提取模块,用于获取所述全连接层针对所述单个心拍信号学习到的深度特征信息,得到所述心电信号的特征信息;
其中,所述深度神经网络包括依次排列的以下层次结构:输入层,卷积层,第一激活层,四个卷积残差块,第二激活层,LSTM层,Dropout层,全连接层,输出层;四个卷积残差块中的每一个卷积残差块中均包含2个卷积子层,且所述2个卷积子层均为一维卷积层;四个卷积残差块中的每一个卷积残差块的结构包括依次排布的:第一卷积子层、第一BatchNorm子层、激活子层、第二卷积子层、第二BatchNorm子层以及采样子层;
其中,所述深度神经网络基于如下训练步骤得到:
获取训练样本,所述训练样本为带有分类标识的心电信号的单个心拍信号;
将所述训练样本输入初始的深度神经网络,采用标准反向传播方法,对所述深度神经网络进行训练,直到所述深度神经网络对输入的训练样本的分类误差满足设定条件,停止训练;
其中,所述采用标准反向传播方法,对所述深度神经网络进行训练的过程包括:
采用如下公式更新网络中的权重:
并且,采用如下公式更新偏移量:
其中,w、l、n、λ、ts、x和c分别表示权重、层数、学习率、正则化参数、训练样本的总数、批量大小和损失函数;初始学习率n=0.002,初始正则化λ=0.2,初始偏移量参数b0为0.7。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一所述方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560660.8A CN110309758B (zh) | 2019-06-26 | 2019-06-26 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560660.8A CN110309758B (zh) | 2019-06-26 | 2019-06-26 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309758A CN110309758A (zh) | 2019-10-08 |
CN110309758B true CN110309758B (zh) | 2021-12-03 |
Family
ID=68076973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560660.8A Active CN110309758B (zh) | 2019-06-26 | 2019-06-26 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309758B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111166294B (zh) * | 2020-01-29 | 2021-09-14 | 北京交通大学 | 一种基于心跳间期的睡眠呼吸暂停自动检测方法及装置 |
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 |
CN111345817B (zh) * | 2020-02-25 | 2023-04-07 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
CN112671633B (zh) * | 2020-12-01 | 2022-08-23 | 重庆邮电大学 | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 |
CN113143204A (zh) * | 2021-01-28 | 2021-07-23 | 晨思(广州)医疗科技有限公司 | 心电信号质量评估方法、计算机装置和存储介质 |
CN117338310B (zh) * | 2023-11-16 | 2024-04-09 | 齐鲁工业大学(山东省科学院) | 一种基于对比学习和多尺度特征提取的心电信号分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
CN109044340A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 心电数据分类方法、装置、电子设备以及存储介质 |
CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109770862A (zh) * | 2019-03-29 | 2019-05-21 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190090774A1 (en) * | 2017-09-27 | 2019-03-28 | Regents Of The University Of Minnesota | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks |
-
2019
- 2019-06-26 CN CN201910560660.8A patent/CN110309758B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
CN109044340A (zh) * | 2018-08-29 | 2018-12-21 | 北京航空航天大学 | 心电数据分类方法、装置、电子设备以及存储介质 |
CN109394205A (zh) * | 2018-09-30 | 2019-03-01 | 安徽心之声医疗科技有限公司 | 一种基于深度神经网络的心电信号多病症分析方法 |
CN109171707A (zh) * | 2018-10-24 | 2019-01-11 | 杭州电子科技大学 | 一种智能心电图分类方法 |
CN109770862A (zh) * | 2019-03-29 | 2019-05-21 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110309758A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309758B (zh) | 心电信号特征提取方法、装置、计算机设备及存储介质 | |
Petmezas et al. | Automated atrial fibrillation detection using a hybrid CNN-LSTM network on imbalanced ECG datasets | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
Afkhami et al. | Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals | |
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
Uwaechia et al. | A comprehensive survey on ECG signals as new biometric modality for human authentication: Recent advances and future challenges | |
CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
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 | |
CN110384482A (zh) | 心电信号分类方法、装置、计算机设备和存储介质 | |
CN110226928B (zh) | 房颤伴室早和房颤伴差传的识别方法和装置 | |
CN110226920A (zh) | 心电信号识别方法、装置、计算机设备和存储介质 | |
CN109770862A (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
CN110522412B (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN112120691A (zh) | 基于深度学习的信号识别方法、装置和计算机设备 | |
Huang et al. | Robust multi-feature collective non-negative matrix factorization for ECG biometrics | |
Diker et al. | Feature extraction of ECG signal by using deep feature | |
Jadhav et al. | Arrhythmia disease classification using artificial neural network model | |
Singh et al. | Short and noisy electrocardiogram classification based on deep learning | |
Vrbancic et al. | Automatic detection of heartbeats in heart sound signals using deep convolutional neural networks | |
Nasiri et al. | Extracting fetal electrocardiogram signal using ANFIS trained by genetic algorithm | |
CN110226918B (zh) | 心电信号类型检测方法、装置、计算机设备及存储介质 | |
RU2461877C1 (ru) | Способ нейросетевого анализа состояния сердца |
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 |