CN110327034B - 一种基于深度特征融合网络的心动过速心电图的筛查方法 - Google Patents
一种基于深度特征融合网络的心动过速心电图的筛查方法 Download PDFInfo
- Publication number
- CN110327034B CN110327034B CN201910297654.8A CN201910297654A CN110327034B CN 110327034 B CN110327034 B CN 110327034B CN 201910297654 A CN201910297654 A CN 201910297654A CN 110327034 B CN110327034 B CN 110327034B
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- tachycardia
- network
- model
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 208000001871 Tachycardia Diseases 0.000 title claims abstract description 35
- 230000006794 tachycardia Effects 0.000 title claims abstract description 35
- 238000012216 screening Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度特征融合网络的心动过速心电图的筛查方法,包括以下步骤:步骤一,数据处理,对原始心电图图像进行预处理,除去心电图中基线漂移和电力线干扰;步骤二,数据重构,将预处理过后的心电图图像中的十二导联分别进行框选分离,重新组织构建数据集;步骤三,模型构建,构建深度神经网络;步骤四,模型训练,输入处理以及重构后的数据到网络中进行参数调整,训练模型;步骤五,模型输出,利用训练过后的模型筛查心动过速心电图。本发明可以根据心电图筛查是否为心动过速。
Description
技术领域
本发明涉及医学图像分析领域及机器学习领域,特别涉及一种应用于十二导联心电图中心动过速的筛查,属于基于深度学习的医学图像分析领域。
背景技术
心动过速指的是每分钟心率超过100次,这是一种在临床上比较常见的疾病。在医学上可以分为生理性和病理性两种。生理性心动过速一般和体力活动、饮酒等有关,这往往不需要进行治疗。病理性心动过速一般由贫血、心机病等引起,一旦超过140次每分钟,就会产生危害甚至猝死,这就需要尽早进行治疗,所以如何根据心电图准确地筛查出心动过速非常重要。
常规心电图检查时,通常会安放4个肢体导联电极和V1-V6 6个胸前导联电极,记录常规12导联心电图,医生则可依据这12导联来进行诊断,此时医生需要花费大量时间和精力来对每个导联进行诊断,最后才能给出一个结果,而且由于影像中干扰噪声存在,容易造成一定几率的误诊,所以计算机辅助诊断是近年来应用于心电图识别心动过速中的一个重要手段,而传统的模型效率低,代价高,且往往会遗漏信息而造成准确率不高。而近年来深度学习进入人们视线,渐渐代替了很多传统的模型,成为了医学人工智能领域的一个最为重要的方法。所以如何利用深度学习,构建一个适用于判别心电图中心动过速的模型,意义重大。
发明内容
为了克服现有心电图识别心动过速方法的效率低。代价高、准确性较低的不足,为了准确筛查心动过速心电图,本发明提出了一种基于深度特征融合网络的心动过速心电图的筛查方法,实现了对心动过速的自动筛查。
本发明所采用的技术方案:
一种基于深度特征融合网络的心动过速心电图的筛查方法,包含以下步骤:
步骤一,数据处理,对原始心电图图像进行预处理,除去心电图中基线漂移和电力线干扰;
步骤二,数据重构,将预处理过后的心电图图像中的十二导联分别进行框选分离,重新组织构建数据集;
步骤三,模型构建,构建深度神经网络,过程如下:
步骤3.1将网络分为12个分支,即branch1—branch12,分别可接收128*128*3的图像输入;
步骤3.2构建12个分支的网络:每个分支单独通过一个Dense block以及Transition layer后,再将图像通过一个Dense block和Transition layer;
步骤3.3将12个分支网络中提取出来的特征(32*32*32)进行深度上的合并,构成一个32*32*384的特征图;
步骤3.4将合并后的特征图先经过3*3的卷积操作,随后进行Relu激活函数,再经过一个2*2的最大池化层;
步骤3.5重复3.4操作,获得8*8*64的特征图;
步骤3.6将上述操作得到的结果经过一个全连接层后再经过batchnormalization操作;
步骤3.7重复3.6操作两次后,经过一个Softmax激活函数,最后得到二分类的结果,所述二分类是心动过速心电图或非心动过速心电图;
步骤四,模型训练,输入重构后的数据到网络中进行参数调整,训练模型。
步骤五,模型输出,利用训练后的模型判别未知心电图是否属于心动过速,进行辅助筛查。
进一步,所述步骤一中,对心电图去除基线漂移的预处理过程为:将原始心电图通过像素长度为5的一维中值滤波去除QRS波,再将处理后的心电图通过像素长度为15的一维中值滤波去除T波和P波,将此心电图和原始心电图进行叠加,得到没有基线漂移的心电图。
所述步骤一中,对心电图去除电力线干扰的预处理过程为:将去除基线漂移的心电图通过一个12阶低通滤波器,截止频率为35HZ,得到去除电力线干扰的心电图。
所述步骤二中,对心电图数据重构的过程为:利用标注工具,从原始十二导联心电图图像中分别标注出心电图中十二个导联的位置,得到对应xml文件后制作tfrecord数据格式,用于网络数据输入,并在tfrecord中,将每个导联resize为128*128*3。
所述步骤四中,神经网络训练测试过程为:先从tfrecord数据格式中读取13个信息(I,II,III,avR,avL,avF,v1,v2,v3,v4,v5,v6这12个导联标注框以及一个标签信息),再将读取到的12个导联标注框输入到先前构建好的神经网络中(将12个导联分别输入到12个分支中);且验证方式采用7折交叉验证,保证模型准确率的可靠性。
本发明的核心在于将心电图拆分为12个导联信号输入至分支网络分别提取特征后再进行融合,可提取到更多有用特征。并采用了DenseNet网络中的Dense block以及Transition层,利用了该网络强化特征传播以及在弱化深层网络中梯度小时的优点,加深了网络层数并使得提取的特征更能表达出原始心电图的信息,从而取得高准确率的分类结果。
本发明利用了十二导联来构建分支神经网络并进行合并后再通过一个总神经网络,以此网络来进行心电图心动过速的筛查。与现有方法相比,其有益效果在于:此方法更高效且准确率更高,同时与现有利用单信号心电图进行诊断的神经网络相比,此方法提取利用了更多有用信息,将十二导联中的所有信息进行合并,能取得更高的准确率。
附图说明
图1是筛查心动过速心电图的流程图。
图2是基于深度特征融合的神经网络结构图。
图3是分支网络中Denseblock结构图。
图4是分支网络中transition layer结构图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1-图4,一种基于深度特征融合网络的心动过速心电图的筛查方法,包括以下五个步骤:
步骤一,数据处理,对原始心电图图像进行预处理,除去心电图中基线漂移和电力线干扰。
步骤二,数据重构,将预处理过后的心电图图像中的十二导联分别进行框选分离,重新组织构建数据集。
步骤三,模型构建,构建深度神经网络。
步骤四,模型训练,输入处理以及重构后的数据到网络中进行参数调整,训练模型。
步骤五,模型输出,利用训练过后的模型筛查心动过速心电图。
进一步,所述步骤一中,对心电图的预处理分为了两个步骤:
步骤1.1,移除基线漂移:将ECG信号经过两个一维中值滤波器,去除QRS波,P波和T波,此时将得到的信号与原始信号进行叠加,最终就可以得到去除基线漂移后的心电图数据。
步骤1.2,去除电力线干扰:将ECG信号经过一个低通滤波来去除电力线干扰。
所述步骤二中,利用标注工具对十二导联心电图进行框选标注,制作包含I,II,III,avR,avL,avF,v1,v2,v3,v4,v5,v6标注框的xml文件,根据xml文件制作tfrecord格式用于网络读取数据。
所述步骤三中,构建深度神经网络的过程为:
步骤3.1将网络分为12个分支,即branch1—branch12,分别可接收128*128*3的图像输入;
步骤3.2构建12个分支的网络:每个分支单独通过一个Dense block(12层)以及Transition layer后,再将图像通过一个Dense block(32层)和Transition layer;
其中,所述步骤3.2中的Dense block的网络架构充分利用了残差连接,即每一层都能够结合它前面所有层的输出,实现了特征重用,对于一个L层的Dense block,有L(L-1)/2个连接。子块组成结构为batch normalization+Relu+Conv(1*1)+batchnormalization+Conv(3*3),3.2步骤中所提的12层以及32层,即有12个此子结构以及32个此子结构。同时所述步骤3.2中的transition layer主要由batch normalization和1*1卷积核以及2*2的最大池化层组成;
步骤3.3将12个分支网络中提取出来的特征(32*32*32)进行深度上的合并,构成一个32*32*384的特征图;
步骤3.4将合并后的特征图先经过3*3的卷积操作,随后进行Relu激活函数。再经过一个2*2的最大池化层;
步骤3.5重复3.4操作,获得8*8*64的特征图;
步骤3.6将上述操作得到的结果经过一个全连接层后再经过batchnormalization操作;
步骤3.7重复3.6操作两次后,经过一个Softmax激活函数,最后得到二分类的结果。
所述步骤四中,神经网络训练测试过程为:先从tfrecord数据格式中读取13个信息(I,II,III,avR,avL,avF,v1,v2,v3,v4,v5,v6这12个导联标注框以及一个标签信息),再将读取到的12个导联标注框输入到先前构建好的神经网络中(将12个导联分别输入到12个分支中);且验证方式采用7折交叉验证,保证模型准确率的可靠性。
实例:本案例中,使用的心电图包含两类,包含心动过速和非心动过速。总数据集中共有849例样本,其中心动过速有438份样例,非心动过速有411份样例,且这849例均为十二导联心电图图像。训练过程采用7折交叉验证的方式,每折选取727例心电图作为训练集,122例心电图作为测试集,其中训练集和测试集中心电图的样本数量接近于1:1。下面具体描述心电图预处理及重构,网络构建以及网络训练测试过程。
步骤1心电图预处理及重构过程:
步骤1.1将原始心电图通过像素长度为5的一维中值滤波去除QRS波,再将处理后的心电图通过像素长度为15的一维中值滤波去除T波和P波,将此心电图和原始心电图进行叠加,得到没有基线漂移的心电图。
步骤1.2将去除基线漂移的心电图通过一个12阶低通滤波器,截止频率为35HZ,得到去除电力线干扰的心电图。
步骤1.3利用LabelImg标注工具,从原始十二导联心电图图像中分别标注出心电图中十二个导联的位置,得到对应xml文件后制作tfrecord数据格式,用于网络数据输入。并在tfrecord中,将每个导联resize为128*128*3。
步骤2网络构建过程:
整个网络由Tensorflow框架进行搭建,模型采用batch训练的方式,且定义batchsize为16。模型共训练400个epoch,且每10个训练轮次会返回训练集以及验证集的损失函数值,准确率,敏感性,特异性以及f1score。模型优化器采用SGD,Ir为0.05,且学习率随着优化次数增加而降低。网络中所有使用的卷积层和全连接层中所有参数设置为Xavier初始化方法,偏置值初始化为0。模型读取数据方式选择利用tfrecord数据格式从文件中读取数据。
进一步,网络架构主要由一个十二分支网络以及合并主网络组成。
步骤2.1十二分支网络构建过程:
步骤2.1.1十二分支网络中的每个分支由两个Dense block和Transition layer结构组成,即Dense block->Transition layer->Dense block->Transition layer。接受的输入大小为128*128*3。
步骤2.2.2每个Dense block增长率k为24,第一个Dense block有12个子结构块(Batch Normalization+Relu+Conv(1*1)+Batch Normalization+Conv(3*3))第二个Denseblock有32个子结构块。
步骤2.2.3每个Transition layer由Batch Normalization+Relu+Conv(1*1)+Dropout+Average Pooling组成。其中dropout rate设置为0.2。
步骤2.2合并主网络构建过程:
步骤2.2.1将分支网络的12个输出特征图进行concat(深度上进行合并)。将合并后的特征图通过2个卷积池化组合(Conv->pool->Conv->Pool)。其中第一个卷积层中卷积核为128个,大小为3*3,步长为1,padding设置为SAME。第二个卷积层卷积核为64,其余参数与第一个卷积层相同。两个池化层均采用最大池化层,大小为2*2,步长为2,padding设置为SAME。
步骤2.2.2将卷积池化后的特征图通过三个全连接层。第一个全连接层节点数为1024,第二个全连接层节点数为512,且均采用Relu为激活函数,提高网络的非线性表达。第三个全连接层的节点数为分类数(即节点数为2),采用Softmax作为激活函数。
步骤3网络训练测试过程:
模型训练就是向构建好的网络输入数据,即从tfrecord中读取十二导联的图像输入到已构建完成的网络中,将参数进行调整,采用交叉验证的方式,保证了模型准确率的可靠性。
经过上述步骤的操作,即可利用深层神经网络实现对心电图心动过速的精准判别。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种用于心动过速心电图筛查的深度特征融合网络模型构建方法,其特征在于,所述方法包括以下步骤:
步骤一,数据处理,对原始心电图图像进行预处理,除去心电图中基线漂移和电力线干扰;
步骤二,数据重构,将预处理过后的心电图图像中的十二导联分别进行框选分离,重新组织构建数据集;
步骤三,模型构建,构建深度神经网络,过程为:
步骤3.1将网络分为12个分支,即branch1—branch12,分别可接收128*128*3的图像输入;
步骤3.2构建12个分支的网络:每个分支单独通过一个Dense block以及Transitionlayer后,再将图像通过一个Dense block和Transition layer;
步骤3.3将12个分支网络中提取出来的特征(32*32*32)进行深度上的合并,构成一个32*32*384的特征图;
步骤3.4将合并后的特征图先经过3*3的卷积操作,随后进行Relu激活函数,再经过一个2*2的最大池化层;
步骤3.5重复3.4操作,获得8*8*64的特征图;
步骤3.6将上述操作得到的结果经过一个全连接层后再经过batch normalization操作;
步骤3.7重复3.6操作两次后,经过一个Softmax激活函数,最后得到二分类的结果,所述二分类是心动过速心电图或非心动过速心电图;
步骤四,模型训练,输入重构后的数据到网络中进行参数调整,训练模型。
2.如权利要求1所述的用于心动过速心电图筛查的深度特征融合网络模型构建方法,其特征在于:所述步骤一中,对心电图去除基线漂移的预处理过程为:将原始心电图通过像素长度为5的一维中值滤波去除QRS波,再将处理后的心电图通过像素长度为15的一维中值滤波去除T波和P波,将此心电图和原始心电图进行叠加,得到没有基线漂移的心电图。
3.如权利要求1所述的用于心动过速心电图筛查的深度特征融合网络模型构建方法,其特征在于:所述步骤一中,对心电图去除电力线干扰的预处理过程为:将去除基线漂移的心电图通过一个12阶低通滤波器,截止频率为35HZ,得到去除电力线干扰的心电图。
4.如权利要求1~3之一所述的用于心动过速心电图筛查的深度特征融合网络模型构建方法,其特征在于:所述步骤二中,对心电图数据重构的过程为:利用标注工具,从原始十二导联心电图图像中分别标注出心电图中十二个导联的位置,得到对应xml文件后制作tfrecord数据格式,用于网络数据输入,并在tfrecord中,将每个导联resize为128*128*3。
5.如权利要求1~3之一所述的用于心动过速心电图筛查的深度特征融合网络模型构建方法,其特征在于:所述步骤四中,神经网络训练测试过程为:利用tfrecord数据格式输入网络进行训练,且验证方式采用7折交叉验证,保证模型准确率的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297654.8A CN110327034B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度特征融合网络的心动过速心电图的筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297654.8A CN110327034B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度特征融合网络的心动过速心电图的筛查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110327034A CN110327034A (zh) | 2019-10-15 |
CN110327034B true CN110327034B (zh) | 2022-07-15 |
Family
ID=68139014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297654.8A Active CN110327034B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度特征融合网络的心动过速心电图的筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110327034B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110731773B (zh) * | 2019-10-28 | 2022-10-28 | 浙江工业大学 | 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 |
CN114098749B (zh) * | 2021-12-30 | 2024-04-05 | 清华大学 | 基于深度学习与诊断规则的心拍形态识别方法及系统 |
CN114818771B (zh) * | 2022-03-09 | 2024-07-16 | 武汉大学 | 一种基于深度主动半监督学习的心电信号分类方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014030162A1 (en) * | 2012-08-22 | 2014-02-27 | Ben-Gurion University Of The Negev Research & Development Authority | Separating clinically relevant sources of electrical activity in ecg signals |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
CN107145702A (zh) * | 2016-03-01 | 2017-09-08 | 西门子保健有限责任公司 | 基于医疗图像的心源性栓塞型中风风险预测系统和方法 |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108175402A (zh) * | 2017-12-26 | 2018-06-19 | 智慧康源(厦门)科技有限公司 | 基于残差网络的心电数据的智能识别方法 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
WO2019057676A1 (en) * | 2017-09-21 | 2019-03-28 | Koninklijke Philips N.V. | ATRIAL FIBRILLATION DETECTION USING SINGLE-LEAD ECG RECORDINGS |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202027572U (zh) * | 2011-01-24 | 2011-11-09 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析装置 |
CN110650671A (zh) * | 2015-11-23 | 2020-01-03 | 梅奥医学教育和研究基金会 | 处理用于分析物评估的生理电数据 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108836302B (zh) * | 2018-03-19 | 2021-06-04 | 武汉海星通技术股份有限公司 | 基于深度神经网络的心电图智能分析方法及系统 |
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 |
CN109589110B (zh) * | 2018-12-28 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 心电导联检测方法、装置、设备和存储介质 |
-
2019
- 2019-04-15 CN CN201910297654.8A patent/CN110327034B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014030162A1 (en) * | 2012-08-22 | 2014-02-27 | Ben-Gurion University Of The Negev Research & Development Authority | Separating clinically relevant sources of electrical activity in ecg signals |
CN107145702A (zh) * | 2016-03-01 | 2017-09-08 | 西门子保健有限责任公司 | 基于医疗图像的心源性栓塞型中风风险预测系统和方法 |
CN106725428A (zh) * | 2016-12-19 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种心电信号分类方法及装置 |
WO2019057676A1 (en) * | 2017-09-21 | 2019-03-28 | Koninklijke Philips N.V. | ATRIAL FIBRILLATION DETECTION USING SINGLE-LEAD ECG RECORDINGS |
CN107981858A (zh) * | 2017-11-27 | 2018-05-04 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108175402A (zh) * | 2017-12-26 | 2018-06-19 | 智慧康源(厦门)科技有限公司 | 基于残差网络的心电数据的智能识别方法 |
CN108647565A (zh) * | 2018-03-28 | 2018-10-12 | 浙江工业大学 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
Non-Patent Citations (1)
Title |
---|
Amrani, Moussa.Very deep feature extraction and fusion for arrhythmias detection.《NEURAL COMPUTING & APPLICATIONS》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN110327034A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203692B (zh) | 基于深度卷积神经网络的心电数据数字信号处理方法 | |
CN110327034B (zh) | 一种基于深度特征融合网络的心动过速心电图的筛查方法 | |
CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
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 | |
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 | |
CN109645983A (zh) | 一种基于多模块神经网络的不平衡心拍分类方法 | |
CN114129171B (zh) | 一种基于改进的残差密集网络的心电信号降噪方法 | |
CN112932433A (zh) | 一种心电图的心律失常自动分类方法 | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
Deevi et al. | HeartNetEC: a deep representation learning approach for ECG beat classification | |
CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
CN113509186A (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
CN115640507A (zh) | 一种基于心电心音联合分析的异常数据筛查方法 | |
CN116913504A (zh) | 用于单导联心律失常诊断的自监督多视图知识蒸馏方法 | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
CN113491523B (zh) | 一种心电信号特征点检测方法及系统 | |
CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
CN110327033A (zh) | 一种基于深度神经网络的心肌梗死心电图的筛查方法 | |
CN117017310A (zh) | 基于知识蒸馏的声电双模先天性心脏病预测装置 | |
CN111613321A (zh) | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 | |
Sane et al. | Detection of myocardial infarction from 12 lead ECG images | |
Zhang et al. | Multi-scale and multi-channel information fusion for exercise electrocardiogram feature extraction and classification | |
CN117421678B (zh) | 一种基于知识蒸馏的单导联房颤识别系统 | |
CN115281688B (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
Li et al. | Efficient ECG classification method for arrhythmia using MODWPT and adaptive incremental broad learning |
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 |