CN110522444B - 一种基于Kernel-CNN的心电信号识别分类方法 - Google Patents

一种基于Kernel-CNN的心电信号识别分类方法 Download PDF

Info

Publication number
CN110522444B
CN110522444B CN201910829064.5A CN201910829064A CN110522444B CN 110522444 B CN110522444 B CN 110522444B CN 201910829064 A CN201910829064 A CN 201910829064A CN 110522444 B CN110522444 B CN 110522444B
Authority
CN
China
Prior art keywords
kernel
layer
convolution
neural network
transformation
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
CN201910829064.5A
Other languages
English (en)
Other versions
CN110522444A (zh
Inventor
包志强
赵志超
王宇霆
罗小宏
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN201910829064.5A priority Critical patent/CN110522444B/zh
Publication of CN110522444A publication Critical patent/CN110522444A/zh
Application granted granted Critical
Publication of CN110522444B publication Critical patent/CN110522444B/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]
    • 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)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于Kernel‑CNN的心电信号识别分类方法，将核变换引入卷积过程构成核变换卷积操作，进一步增强模型特征提取的能力；并将其通过在美国麻省理工学院提供的MIT‑BIH数据库中提供的数据进行验证，结果表明本发明模型相比于卷积神经网络在相同预测正确率上有较低的LOSS值。本发明的卷积神经网络具有出色特征提取能力，通过将核变换引入卷积操作，实现数据的非线性映射，进一步增强了卷积过程特征提取的能力。心电信号输入训练好的网络之后，可以得到五种分类的概率值，选择概率值最大的作为该数据所属类型。不需要信号先验知识，也不需要专家的输入，可以从心电信号中提取有效的特征，可应用于医疗器械对心电图的识别并分类。

Description

一种基于Kernel-CNN的心电信号识别分类方法
技术领域
本发明属于医疗器械技术领域，涉及医疗器械中的心电信号智能识别，特别涉及一种基于Kernel-CNN的心电信号识别分类方法。
背景技术
根据2019年世界卫生组织(WHO)的最新报告，心血管疾病(CVD)是导致人类死亡的主要疾病之一，心血管疾病高死亡率的特点使得它不断影响着我们人类的正常生活。心血管疾病的预防、诊断和治疗俨然已经成为社会需要解决的重要课题。
心电信号(Electrocardiosignal，ECG)的自动分类技术可总结为：信号采集、预处理、特征提取以及分类。在整个流程中，特征提取具有至关重要的作用并且能直接影响最终分类的结果。目前心电自动分类常用离散小波变换，特征选择，隐马尔可夫模型(HMM)，混合专家等技术。Subramanian B等提出了一种新的小波变换技术用于心电信号节拍的压缩(Subramanian B,Ramasamy,Asokan.Investigation on the Compression ofElectrocardiogram Signals Using Dual Tree Complex Wavelet Transform[J].IeteJournal ofResearch,2017,63(3):1-11.)。Teijeiro T等提出一种对心电图的外展解释，获得每一次心跳的一组定性形态学和节律特征的方法([4]Teijeiro T,Felix P,PresedoJ,et al.Heartbeat classification using abstract features from the abductiveinterpretation ofthe ECG[J].IEEE Journal ofBiomedical and Health Informatics,2018,22(2):409-420.)。OliveiraJ等提出隐马尔可夫模型用于心电图节拍分割和分类。这些方法需要一定的信号先验知识以及经常需要专家输入，这些限制了该方法的应用。
发明内容
本发明解决的技术问题在于提供一种基于Kernel-CNN的心电信号识别分类方法，不需要信号先验知识，也不需要专家的输入，可以从心电信号中提取有效的特征，可应用于医疗器械对心电图的识别并分类。
本发明是通过以下技术方案来实现：
一种基于Kernel-CNN的心电信号识别分类方法，包括以下操作：
1)构建由输入层、核变换卷积层、池化层、全连接层以及输出层组成的核卷积神经网络，其中，输入层接收心电信号，核变换卷积层是在卷积层中加入核变换操作以提取心电信号中的数据特征，池化层对提取到的数据特征经过池化操作降维，全连接层是将降维的数据特征综合起来，输出层输出分类结果及概率；
设输入的心电信号为矩阵A，其中一个核变换卷积核为矩阵B，所述的核变换卷积层的核变换卷积过程为：
对输入的心电信号和核变换卷积核分别作核变换得到高维空间图Ak和高维空间核Bk；
将高维空间图Ak按照高维空间核的大小以固定步长划分为n×n个矩阵；
Figure BDA0002190049000000021
对高维空间图Ak中每一个矩阵
Figure BDA0002190049000000022
和高维空间核Bk进行卷积运算，将每个矩阵卷积的结果表示为Cnn；
Figure BDA0002190049000000023
则核变换卷积后的结果表示为矩阵C；
Figure BDA0002190049000000024
输出层采用softmax函数将多个神经元的输出映射到(0,1)区间，这些数值为心电信号分类结果的概率且概率总和为1；
2)对构建的核卷积神经网络利用训练集进行以下学习训练：
a、将每一个心电数据的损失表示为loss＝-log(pi)，pi为第i个心电信号输出层对应类别的概率，选用包括正常搏动型、左束支传导阻滞型、右束支传导阻滞型、室性早搏型以及房性早搏型这五类心电信号的训练集进行训练，每类数据含多个样本；每次迭代后所有数据的损失为LOSS，
Figure BDA0002190049000000031
其中I为类别，J为每种类别的样本数量；
b、利用反向传播调节核卷积神经网络参数，在核卷积神经网络前向传播后，得到每一层每一个节点的输出值，然后确定核卷积神经网络的损失函数LOSS，在输出层计算出输出和样本值的残差，并分别计算出其他各层各节点的残差，最后分别求出损失函数对于权值和偏置的偏导数，根据梯度下降法更新权值和偏置；经过多轮迭代核卷积神经网络达到收敛状态，得到优化的核卷积神经网络参数；
c、以多轮迭代后的训练集和测试集的LOSS值，选取LOSS值最小时的核函数参数σ取值；
3)将未知类型的心电信号输入训练好的核卷积神经网络，输入的信号依次经过核变换卷积层、池化层、全连接层的处理，由输出层的softmax函数输出各分类结果的概率，并以概率值最大的类型作为心电信号分类的结果。
所述的核卷积神经网络的参数设置包括：核变换卷积核的个数、核变换卷积核的大小，核变换卷积核的步长，池化层的步长以及全连接层的大小。
进一步的，设置核变换卷积核的个数为20，大小为21个采样点，核变换卷积核的步长为1个采样点，池化层步长为2个采样点，全连接层为50个神经单元。
进一步的，核变换卷积中核函数采用RBF核函数：
K(x,x')＝exp(-x-x'||2/2σ2) (4)
其中，σ为核半径且σ＞0。
进一步的，RBF核函数中参数σ取值为3.27。
与现有技术相比，本发明具有以下有益的技术效果：
核变换是一种非线性变换的方法，本发明提出基于核变换的核卷积神经网络(Kernel-ConvolutionalNeuralNetwork,Kernel-CNN)，将核变换引入卷积过程构成核变换卷积操作，进一步增强模型特征提取的能力；并将其通过在美国麻省理工学院提供的MIT-BIH数据库中提供的数据进行学习、训练和验证，结果表明本发明模型相比于卷积神经网络在相同预测正确率上有较低的LOSS值。
进一步的，本发明的卷积神经网络具有出色特征提取能力，通过将核变换引入卷积操作，实现数据的非线性映射，进一步增强了卷积过程特征提取的能力。心电信号输入训练好的网络之后，可以得到五种分类的概率值，选择概率值最大的作为该数据所属类型。
本发明的Kernel-CNN和没有加入核变换的网络同样经过150次迭代训练后，本发明的卷积神经网络在训练集和测试集上的LOSS值均小于没有加入核变换的网络，本发明网络LOSS值分别为1.601和1.484，没有加入核变换的网络LOSS值分别为1.864和1.744。LOSS值反映了网络对于数据预测的概率值大小，当LOSS值越小时，说明网络对输入数据预测的概率值越大，也就是说有更大的概率属于这种类型疾病，本网络对每个数据预测的平均概率值为p＝10-1.601/1000≈99.632％，卷积神经网络对每个数据预测的平均概率值为p＝10-1.864/1000≈99.571％，因此本发明网络具有较好的效果。利用本发明进行具体的心电信号分类，对于的输入测试数据，对比输出和标签统计预测的正确率，在测试数据集大小为1000时，预测的正确率为0.985，也就是有985个数据预测正确。
附图说明
图1为本发明流程图。
图2为本发明网络的识别流程图。
图3为卷积神经网络中卷积层的过程。
图4为本发明的核变换卷积层的过程图，表示该层的核变换卷积的具体过程，基于图3加入了核变换操作。
图5为卷积神经网络网络和本发明网络150次迭代训练时LOSS值的趋势对比图。
图6为表示卷积神经网络网络和本发明网络150次迭代训练时测试数据的LOSS值趋势对比图。
图7为本发明输出的五种类型数据分类的结果图。
具体实施方式
下面结合实施例对本发明做进一步详细描述，所述是对本发明的解释而不是限定。
本发明提供的基于Kernel-CNN的心电信号识别分类方法，将核变换引入卷积过程构成核变换卷积操作，增强模型特征提取的能力；具体包括以下操作：
步骤1)：构建核卷积神经网络
该核卷积神经网络由输入层、核变换卷积层、池化层、全连接层以及输出层组成，输入层负责输入心电数据，核变换卷积层负责提取数据特征，池化层负责对提取到的数据特征的降维，全连接层是将降维的特征综合起来；输出层则是输出识别的五种心电类型的概率，分别为正常搏动、左束支传导阻滞、右束支传导阻滞、室性早搏以及房性早搏。
1.1)该网络的参数设置包括：核变换卷积核的个数、核变换卷积核的大小，核变换卷积核的步长，池化层的步长以及全连接层的大小。
具体的，设置核变换卷积核的个数为20，大小为21个采样点，核变换卷积核的步长为1个采样点，池化层步长为2个采样点，全连接层为50个神经单元。
1.2)核变换卷积层的结构
核变换卷积层是本发明的重点，传统的卷积神经网络中，通常是由输入层、卷积层、池化层、全连接层和输出层组成，本发明基于传统卷积神经网络的基础在卷积层中加入核变换操作，构成核变换卷积层；
为了描述核变换卷积层的过程，设输入数据为矩阵A，其中一个核变换卷积核为矩阵B，可将核变换卷积过程描述如下：
1.2.1)对输入数据和核变换卷积核分别作核变换得到高维空间图Ak和高维空间核Bk，通过做核变换，实现对数据和核变换卷积核的高维映射，增加了数据的特征。
1.2.2)将高维空间矩阵按照高维空间核的大小以固定步长划分为n×n个矩阵。
Figure BDA0002190049000000061
1.2.3)实现对高维空间图中每一个矩阵
Figure BDA0002190049000000062
和高维空间核Bk的卷积运算，由于核变换的卷积等于卷积的核变换。因此，可以将每个矩阵卷积的结果表示为Cnn。
Figure BDA0002190049000000063
则核变换卷积后的结果可表示为矩阵C
Figure BDA0002190049000000071
最后对核变换卷积后的结果经过池化操作，实现特征的降维，进而压缩数据的维度和参数的数量，再进全连接层将卷积层所提取到的特征综合起来，最后通过softmax函数得到最终五种疾病类型的概率。
输出层中softmax函数用于分类过程中，它将多个神经元的输出映射到(0,1)区间，通过softmax函数，依次计算出属于每种类型疾病的概率，这些概率总和为1，将概率最大的类型作为该网络预测输出。
1.3)核变换卷积中核函数的选择
常用的核函数有：线性核函数、多项式核函数、径向基(RBF)核函数以及sigmoid核函数，这些核函数都在不同应用问题中展现了优异的效果，本发明选用RBF核函数，它是所有核函数中应用最广泛的一种。
K(x,x')＝exp(-x-x'||2/2σ2) (4)
其中，σ为核半径且σ＞0。
记该网络为N，当N的输入为心电信号，输出属于这五种心脏类型的概率，选择概率值最大的类型作为该网络对输入数据预测的结果。
2)核卷积神经网络的学习
该核卷积神经网络训练集和测试集均选用来自美国麻省理工学院提供的MIT-BIH数据库的中数据，该数据库从真实研究对象中采集，且训练集和测试集每种类型均选用200个心电数据，数据之间没有重合。
2.1)将每一个心电数据的损失表示为loss＝-log(pi)，pi为第i个心电信号输出层对应类别的输出概率，本网络训练选用五类心电信号，每类数据含200个样本，定义每次迭代后所有数据的损失为LOSS，
Figure BDA0002190049000000072
I为类别，J每种类别的样本数量，i为第i类数据，j为第j个样本。
LOSS值为反映每次迭代后所有数据的损失函数之和，可以用来表征网络的性能，当LOSS值越小时，则反映了当前网络对输入数据得到了较高的预测率，也就是预测的越准确。
2.2)选用反向传播去调节网络参数，最常使用的方法为梯度下降法，经过多轮迭代得到优异的网络参数。
梯度下降法是神经网络训练中经常使用的一种方法，梯度数学上表示的是上升最快的方向，负梯度则表示下降最快的方向，通过该方法可以最快的使神经网络达到收敛。
首先实现网络的前向传播，并得到每一层每一个节点的输出值，其次确定网络的损失函数，在输出层计算出输出和样本值的残差，并分别计算出其他各层各节点的残差，最后分别求出损失函数对于权值和偏置的偏导数，根据梯度下降法更新权值和偏置。经过150轮的迭代，网络达到收敛状态，输入未知类型心电信号，该网络可以输出属于这种属于五种心电信号类型的概率值。
2.3)通过多次试验，得到效果优异的核函数以及核函数的参数。
RBF核函数是应用最广泛的一种核函数，RBF核函数中的参数是σ，且σ必须大于0，当σ取值合适时，会有较好的效果。因此，每次给σ赋值不断增长的数值，观察150次迭代后的训练集和测试集的LOSS值，通过多次试验发现，当RBF核函数中参数σ取值为3.27时，经过150次迭代后训练集以及测试集上的LOSS值为最小，分别为1.601、1.484。
因此，本发明选用RBF核函数，并且核函数中的参数σ取值为3.27。
3)心电信号的自动识别
3.1)将步骤2)训练好的网络作为心电信号自动识别的网络。
3.2)将未知类型的心电信号输入训练好的网络，经过核变换卷积层提取信号特征，池化层对特征实现降维，压缩特征的数据量，再过全连接层将降维的特征综合起来，最后经过softmax函数输出属于五种类型的概率，选择概率值最大的作为该网络对心电信号预测的结果。
图5表示卷积神经网络和本发明网络150次迭代训练时LOSS值的趋势图，绘图数据来自网络训练过程中每次迭代后的LOSS值，图5表明了两种网络在训练过程中都是逐渐收敛的，通过两种网络的对比，本发明网络在150次迭代后LOSS值小于卷积神经网络，体现了本发明网络有较好的结果。
图6所示为卷积神经网络和本发明网络150次迭代训练时测试数据的LOSS值趋势图对比图，绘图数据来自每次迭代训练后，使用测试数据产生的LOSS值。两种网络都有较好的收敛效果，本发明网络在150次迭代后LOOS值小于卷积神经网络，再一次体现了本发明网络的优异性。
具体的，本发明的Kernel-CNN和没有加入核变换的网络同样经过150次迭代训练后，本发明的卷积神经网络在训练集和测试集上的LOSS值均小于没有加入核变换的网络，本发明网络LOSS值分别为1.601和1.484，没有加入核变换的网络LOSS值分别为1.864和1.744。
LOSS值反映了网络对于数据预测的概率值大小，当LOSS值越小时，说明网络对输入数据预测的概率值越大，也就是说有更大的概率属于这种类型疾病，本网络对每个数据预测的平均概率值为p＝10-1.601/1000≈99.632％，卷积神经网络对每个数据预测的平均概率值为p＝10-1.864/1000≈99.571％，因此本发明网络具有较好的效果。
图7为本发明输出的五种类型数据分类的结果图，深色表示预测正确的数量，浅色表示预测错误的数量，在1000个测试样本中，总共有985个样本预测正确，15个样本预测错误，该网络预测正确率为0.985。
以上给出的实施例是实现本发明较优的例子，本发明不限于上述实施例。本领域的技术人员根据本发明技术方案的技术特征所做出的任何非本质的添加、替换，均属于本发明的保护范围。

Claims (6)

1.一种基于Kernel-CNN的心电信号识别分类方法，其特征在于，包括以下操作：
1)构建由输入层、核变换卷积层、池化层、全连接层以及输出层组成的核卷积神经网络，其中，输入层接收心电信号，核变换卷积层是在卷积层中加入核变换操作以提取心电信号中的数据特征，池化层对提取到的数据特征经过池化操作降维，全连接层是将降维的数据特征综合起来，输出层输出分类结果及概率；
设输入的心电信号为矩阵A，其中一个核变换卷积核为矩阵B，所述的核变换卷积层的核变换卷积过程为：
对输入的心电信号和核变换卷积核分别作核变换得到高维空间图Ak和高维空间核Bk；
将高维空间图Ak按照高维空间核的大小以固定步长划分为n×n个矩阵；
Figure FDA0002190048990000011
对高维空间图Ak中每一个矩阵
Figure FDA0002190048990000012
和高维空间核Bk进行卷积运算，将每个矩阵卷积的结果表示为Cnn；
Figure FDA0002190048990000013
则核变换卷积后的结果表示为矩阵C；
Figure FDA0002190048990000014
输出层采用softmax函数将多个神经元的输出映射到(0,1)区间，这些数值为心电信号分类结果的概率且概率总和为1；
2)对构建的核卷积神经网络利用训练集进行以下学习训练：
a、将每一个心电数据的损失表示为loss＝-log(pi)，pi为第i个心电信号输出层对应类别的概率，选用包括正常搏动型、左束支传导阻滞型、右束支传导阻滞型、室性早搏型以及房性早搏型这五类心电信号的训练集进行训练，每类数据含多个样本；每次迭代后所有数据的损失为LOSS，
Figure FDA0002190048990000021
其中I为类别，J为每种类别的样本数量；
b、利用反向传播调节核卷积神经网络参数，在核卷积神经网络前向传播后，得到每一层每一个节点的输出值，然后确定核卷积神经网络的损失函数LOSS，在输出层计算出输出和样本值的残差，并分别计算出其他各层各节点的残差，最后分别求出损失函数对于权值和偏置的偏导数，根据梯度下降法更新权值和偏置；经过多轮迭代核卷积神经网络达到收敛状态，得到优化的核卷积神经网络参数；
c、观察 多轮迭代后的训练集和测试集的LOSS值，选取LOSS值最小时的核函数参数σ取值；
3)将未知类型的心电信号输入训练好的核卷积神经网络，输入的信号依次经过核变换卷积层、池化层、全连接层的处理，由输出层的softmax函数输出各分类结果的概率，并以概率值最大的类型作为心电信号分类的结果。
2.如权利要求1所述的基于Kernel-CNN的心电信号识别分类方法，其特征在于，所述的核卷积神经网络的参数设置包括：核变换卷积核的个数， 核变换卷积核的大小，核变换卷积核的步长，池化层的步长以及全连接层的大小。
3.如权利要求2所述的基于Kernel-CNN的心电信号识别分类方法，其特征在于，设置核变换卷积核的个数为20，大小为21个采样点，核变换卷积核的步长为1个采样点，池化层步长为2个采样点，全连接层为50个神经单元。
4.如权利要求1所述的基于Kernel-CNN的心电信号识别分类方法，其特征在于，核变换卷积中核函数采用RBF核函数：
K(x,x')＝exp(-||x-x'||2/2σ2) (4)
其中，σ为核半径且σ＞0。
5.如权利要求4所述的基于Kernel-CNN的心电信号识别分类方法，其特征在于，RBF核函数中参数σ取值为3.27。
6.如权利要求1所述的基于Kernel-CNN的心电信号识别分类方法，其特征在于，输出层的输出分类包括正常搏动型、左束支传导阻滞型、右束支传导阻滞型、室性早搏型以及房性早搏型；选择概率值最大的类型作为核卷积神经网络对输入的心电信号的 分类结果。
CN201910829064.5A 2019-09-03 2019-09-03 一种基于Kernel-CNN的心电信号识别分类方法 Active CN110522444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910829064.5A CN110522444B (zh) 2019-09-03 2019-09-03 一种基于Kernel-CNN的心电信号识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910829064.5A CN110522444B (zh) 2019-09-03 2019-09-03 一种基于Kernel-CNN的心电信号识别分类方法

Publications (2)

Publication Number Publication Date
CN110522444A CN110522444A (zh) 2019-12-03
CN110522444B true CN110522444B (zh) 2022-03-25

Family

ID=68666686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910829064.5A Active CN110522444B (zh) 2019-09-03 2019-09-03 一种基于Kernel-CNN的心电信号识别分类方法

Country Status (1)

Country Link
CN (1) CN110522444B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160167A (zh) * 2019-12-18 2020-05-15 北京信息科技大学 基于s变换深度卷积神经网络的主轴故障分类识别方法
CN110974214A (zh) * 2019-12-20 2020-04-10 华中科技大学 一种基于深度学习的自动心电图分类方法、系统及设备
CN111428580A (zh) * 2020-03-04 2020-07-17 威海北洋电气集团股份有限公司 基于深度学习的个体信号识别算法及系统
CN111666865B (zh) * 2020-06-02 2023-05-23 上海数创医疗科技有限公司 多导联心电信号卷积神经网络分类方法及其使用方法
CN113012807B (zh) * 2021-03-04 2023-06-09 武汉中旗生物医疗电子有限公司 一种ecg信号标记方法、系统、装置及计算机可读存储介质
CN113057647B (zh) * 2021-03-25 2022-04-22 山东省人工智能研究院 一种心电信号的质量评估方法
CN114366116B (zh) * 2022-01-28 2023-08-25 南方医科大学 一种基于Mask R-CNN网络及心电图的参数获取方法
CN115221798B (zh) * 2022-09-19 2022-12-30 中南大学 一种电池热过程时空建模预测方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944493A (zh) * 2017-11-30 2018-04-20 天津大学 一种基于卷积神经网络的第一导联心电图心拍分类方法
CN109512423A (zh) * 2018-12-06 2019-03-26 杭州电子科技大学 一种基于确定学习与深度学习的心肌缺血危险分层方法
CN109887594A (zh) * 2018-12-17 2019-06-14 浙江好络维医疗技术有限公司 一种基于modwt和tdcnn的多导联心律失常智能诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11556777B2 (en) * 2017-11-15 2023-01-17 Uatc, Llc Continuous convolution and fusion in neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944493A (zh) * 2017-11-30 2018-04-20 天津大学 一种基于卷积神经网络的第一导联心电图心拍分类方法
CN109512423A (zh) * 2018-12-06 2019-03-26 杭州电子科技大学 一种基于确定学习与深度学习的心肌缺血危险分层方法
CN109887594A (zh) * 2018-12-17 2019-06-14 浙江好络维医疗技术有限公司 一种基于modwt和tdcnn的多导联心律失常智能诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多层PCA特征融合的人脸遮挡检测;刘浩博 等;《湖南城市学院学报》;20180131;第27卷(第1期);第44页 *

Also Published As

Publication number Publication date
CN110522444A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110522444B (zh) 一种基于Kernel-CNN的心电信号识别分类方法
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
CN112508110A (zh) 一种基于深度学习的心电信号图的分类方法
CN113288163A (zh) 基于注意力机制的多特征融合心电信号分类模型建模方法
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN109394205B (zh) 一种基于深度神经网络的心电信号分析方法
CN112932433B (zh) 一种心电图的心律失常自动分类方法
CN113274031B (zh) 一种基于深度卷积残差网络的心律失常分类方法
CN109907753B (zh) 一种多维度ecg信号智能诊断系统
CN113080993B (zh) 一种基于改进多基分类器集成的自动心律失常分析方法
CN109033990B (zh) 基于类内类间距离的cnn模型心拍分类方法
CN111261278A (zh) 一种基于三维图像的深度学习模型的心脏疾病检测方法
US20230225663A1 (en) Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution
CN115530788A (zh) 基于自注意力机制的心律失常分类方法
CN113768514A (zh) 基于卷积神经网络与门控循环单元的心律失常分类方法
CN113509185A (zh) 基于多模态病人信息注意力建模的心肌梗塞分类方法
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
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
CN112957054A (zh) 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
CN110613445B (zh) 一种基于dwnn框架的心电信号的识别方法
CN112560784B (zh) 一种基于动态多尺度卷积神经网络的心电图分类方法
CN116350234A (zh) 基于gcnn-lstm模型的ecg心律失常分类方法及系统
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
CN116172573A (zh) 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法

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