CN110558971A - 基于单目标及多目标的生成对抗网络心电图异常检测方法 - Google Patents
基于单目标及多目标的生成对抗网络心电图异常检测方法 Download PDFInfo
- Publication number
- CN110558971A CN110558971A CN201910713533.7A CN201910713533A CN110558971A CN 110558971 A CN110558971 A CN 110558971A CN 201910713533 A CN201910713533 A CN 201910713533A CN 110558971 A CN110558971 A CN 110558971A
- Authority
- CN
- China
- Prior art keywords
- data
- discriminator
- generator
- denoising
- electrocardiogram
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (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)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (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
本发明公开了一种基于单目标及多目标的生成对抗网络心电图异常检测方法,其将异常检测作为二元分类问题,不依赖于关于正常数据的假设并且需要较少的计算资源,在此基础上,本发明提出了一种新的异常检测算法SO‑GAAL,它利用生成性广告‑学习学习直接生成信息潜在异常值,解决了由“维数灾难”引起的信息缺失。本发明将SO‑GAAL的网络架构从单个发生器扩展到具有不同目标的多个发生器(MO‑GAAL),以防止单个发生器陷入模式崩溃问题。本发明为心电图异常检测提供了新的思路和解决方法,首次将对抗生成网络应用于心电图异常检测领域当中。
Description
技术领域
本发明涉及医疗心电图异常检测技术领域,具体为一种基于单目标及多目标的生成对抗网络心电图异常检测方法。
背景技术
近年来,随着深度学习、模糊识别、神经网络等技术水平的提高,心电图的异常检测方法不断得到改进和发展。目前关于心电信号异常的识别分类方法包含滤波和阈值法、模板匹配法、小波变换法、数学形态学法、神经网络法等。然而这些方法都或多或少面临着许多的限制。譬如数学形态学法虽具有较高的精确性、严谨性和抗噪性,但它对数据的预处理有着较高的要求,并因为极大的计算量而很少在实际中应用。神经网络法则属于近年来新兴的应用于生物医学的技术手段,其超强的学习能力使得异常检测的精确率得到提高、判别时间缩短、抗噪性能也得到改进,但是在实际应用中,神经网络法仍处于探索阶段。
关于异常点的检测方法,经典模型包括基于模型的检测算法和基于近邻的检测算法。其中基于模型的检测算法是直接为所有数据构造一个模型,然后基于数据与已构建的正常模式间的偏差计算离群值。基于近邻的检测算法则是度量数据点的稀有度,将远离其最近邻居的数据点判别为离群点。然而不同于以上两种经典模型,基于生成潜在离群点的检测算法则提出了新的检测思路。它首先通过生成潜在离群点来构造一个有标签的数据集,然后训练一个二分类器来对该数据集进行后续的检测。然而随着数据结构复杂度的增加,这些方法没办法为好的判别效果提供保障。
发明内容
为了克服上述问题,本发明提供一种基于单目标及多目标的生成对抗网络心电图异常检测方法。
本发明的技术方案是提供一种基于单目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值;
步骤3、潜在异常点的生成:用以随机噪音pz为输入的生成器随机生成多个潜在异常点;
步骤4、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤5:重复步骤3至步骤5,直到判别器与生成器达到纳什均衡;
步骤6:判别器返回异常点的分数,即1-D(X)。
一种基于多目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包
括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值,结构如图3所示;
步骤3、数据划分:将预处理后的数据集X=[x1,x2,...xn]∈Rd*n分割成k个子集X1:k,即将原始数据输入到判别器中,然后根据输出的判别结果,计算彼此间的相似性,最后将相似的用户划分在一起,将原数据平均分割成k份,满足
步骤4、潜在异常点的生成:用k个以随机噪音pz为输入的子生成器分别学习相应数据子集中数据的生成机制,即要求第j个子生成器Gj生成的异常点数据和原数据的第j个子集Xj的输出值相似;即满足:
步骤5、集成潜在异常点:将不同子生成器生成的数据潜在异常点集合集成在一起,为整个数据集提供一个合理的参考分布;
步骤6、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤7:重复步骤3至步骤6,直到判别器与生成器达到纳什均衡;
步骤8:判别器返回异常点的分数,即1-D(X)。
心电图一直是临床上诊断各种心脏疾病的重要手段,并广泛应用于手术麻醉、危重病人抢救、医学观察等领域。对于具有潜在性的心律异常的病人实施心电监护,可以有效地降低心血管疾病的死亡率,然而如何借助大数据信息手段更方便、快捷、有效的识别出异常心电图信号,对于患者来说有着重要的意义。
在本发明中,我们首先提出了一种新颖的基于最近的生成对抗性学习框架的心电图异常检测方法,我们称之为单目标生成对抗主动学习(SO-GAAL)。具体来说,它是一个在生成器G与判别器D之间执行的最大最小博弈过程,这也可以被认为是我们模型中的主动学习过程。我们采用随机产生的噪声作为生成器的输入,并通过鉴别器的引导直接产生位于真实数据内部或附近的信息性潜在异常值。结果,SO-GAAL中的鉴别器可以通过刻画出将潜在异常值与实际数据分开的划分边界,从而识别出异常值。然而,SO-GAAL产生信息潜在异常值的最终目标是为整个数据集提供合理的参考分布。如果所有信息潜在异常值随着训练的进行而发生在部分实际数据内部或附近,这可以被识别为模式崩溃问题,则SO-GAAL可能获得错误的检测结果。因此,当潜在异常值提供足够的信息时,应确定训练的停止节点,这对于没有任何先验信息的SO-GAAL来说是极其困难的。为了克服SO-GAAL的这一缺点,我们又进一步提出了一种多目标生成对抗主动学习(MO-GAAL),它将网络架构从单个发生器扩展到具有不同目标的多个发生器。这通过为整个数据集生成多个参考分布的混合来迁移模式崩溃问题。
本发明的有益效果是:本发明的一种基于单目标及多目标的生成对抗网络心电图异常检测方法具有如下有益效果:
1、我们将异常检测作为二元分类问题,不依赖于关于正常数据的假设并且需要较少的计算资源。在此基础上,我们提出了一种新的异常检测算法SO-GAAL,它利用生成性广告-学习学习直接生成信息潜在异常值,解决了由“维数灾难”引起的信息缺失。
2、我们将SO-GAAL的网络架构从单个发生器扩展到具有不同目标的多个发生器(MO-GAAL),以防止单个发生器陷入模式崩溃问题。
本发明为心电图异常检测提供了新的思路和解决方法,也是首次将对抗生成网络应用于心电图异常检测领域当中。
附图说明
图1为基于SO-GAAL的离群点检测机制的模型示意图;
图2为MO-GAAL的优化过程示意图;
图3为基于MO-GAAL的离群点检测机制的模型示意图;
图4为MO-GAAL的优化过程示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施例,进一步阐述本发明。
如图1至图4所示,本发明的一种基于单目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值,结构如图1所示;
步骤3、潜在异常点的生成:用以随机噪音pz为输入的生成器随机生成多个潜在异常点;
步骤4、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤5:重复步骤3至步骤5,直到判别器与生成器达到纳什均衡;
步骤6:判别器返回异常点的分数,即1-D(X)。
一种基于多目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值,结构如图3所示;
步骤3、数据划分:将预处理后的数据集X=[x1,x2,...xn]∈Rd*n分割成k个子集X1:k,即将原始数据输入到判别器中,然后根据输出的判别结果,计算彼此间的相似性,最后将相似的用户划分在一起,将原数据平均分割成k份,满足
步骤4、潜在异常点的生成:用k个以随机噪音pz为输入的子生成器分别学习相应数据子集中数据的生成机制,即要求第j个子生成器Gj生成的异常点数据和原数据的第j个子集Xj的输出值相似;即满足:
步骤5、集成潜在异常点:将不同子生成器生成的数据潜在异常点集合集成在一起,为整个数据集提供一个合理的参考分布;
步骤6、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤7:重复步骤3至步骤6,直到判别器与生成器达到纳什均衡;
步骤8:判别器返回异常点的分数,即1-D(X)。
本发明提出的是一种基于单目标生成对抗网络的心电图异常检测方法模型,并在此基础上扩展成一种基于多目标生成对抗网络的心电图异常检测方法模型。不同于传统的心电异常检测的特征识别方法,本文提出的发明不仅是无监督的、可适用于高维数据的异常点检测方法,而且首次将生成潜在异常数据与判别潜在异常数据间的博弈应用到心电图异常检测领域。
如图3所示,本实施例中,一种基于多目标生成对抗网络的心电图异常检测方法是按如下步骤进行:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示:考虑到心电图数据是一种黑白波形图像,我们可以将去噪后的心电信号图转化成神经网络可以处理的二维向量;
步骤1.3、对向量化后的数据进一步进行标准化处理,使其包含的浮点数据值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值,结构如图2所示;
步骤2.1、生成器的构造:生成器的目的就是随机生成均匀的潜在异常点分布对原数据进行补充,并根据异常点的分布相对密度小于正常点的相对密度这一属性,更有效的识别出原有数据中的异常点。这里我们引入一个均匀的参考分布μ,并通过数据相对于参考分布的相对密度ρ(x)来确定数据x的聚散度。
步骤2.2、判别器的构造:判别器则是构造一个函数ξ(x)∈[0,1]表示数据点输出正确的标签,并最小化函数ξ(x)的损失函数Lξ。最优的函数ξ(x)应该满足以下条件:
ξ(x|ρ(x)≥τ)→1
ξ(x|ρ(x)≤τ)→0
对于
ξ(xi|ρ(xi)≥τ)≥ξ(xi|ρ(xi)≤τ)
即,当数据的相对密度ρ(x)小于合理阈值τ时,数据有很大的概率为异常点,则函数ξ(x)应为其输出一个趋近于0的值;反之亦然。损失函数Lξ则如下所示:
其中,cn与co分别为正常数据和异常数据的误分类成本;
步骤3、数据划分:将预处理后的数据集X=[x1,x2,...xn]∈Rd*n分割成k个子集X1:k,即将原始数据输入到判别器中,然后根据判别结果的相似性,将原数据分割成k份
步骤4、潜在异常点的生成:利用不同的子生成器分别对应学习不同数据子集中的数据生成机制,即要求第j个子生成器Gj生成的异常点数据和原数据的第j个子集Xj的判别式的输出值相似。即满足:
步骤5、集成潜在异常点:将上述步骤获取到的k个子生成器生成的数据潜在异常点分布集成在一起,形成整个数据集的潜在异常点的参考分布;
步骤6、优化判别器:要求判别器尽最大可能的将上一步骤获得的整个数据集的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤7:重复步骤3至步骤6,直到判别器与生成器达到纳什均衡;
步骤8:判别器返回异常点的分数,即1-D(X)。
以上实施例仅为本发明其中的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于单目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值;
步骤3、潜在异常点的生成:用以随机噪音pz为输入的生成器随机生成多个潜在异常点;
步骤4、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小:
步骤5:重复步骤3至步骤5,直到判别器与生成器达到纳什均衡;
步骤6:判别器返回异常点的分数,即1-D(X)。
2.一种基于多目标的生成对抗网络心电图异常检测方法,其特征在于,所述方法包括如下步骤:
步骤1、数据预处理:
步骤1.1、对采集到的心电图信号数据集进行去噪处理:在去噪声处理中,普遍采用数字滤波技术实现去噪效果,即在算法处理部分对输入信号的噪声部分进行频率分析并去除这部分的信号,主要包括工频干扰、基线漂移、肌电干扰等干扰信号;
步骤1.2、将去噪处理后的图像用向量化表示,即将去噪后的心电信号图转化成神经网络可以处理的浮点数张量;
步骤1.3、将向量化后的数据进一步进行标准化处理,使浮点数据的值介于0-1范围内;
步骤2、生成器和判别器的构造:生成器和判别器均由多层神经网络构成,前者有多个输出值,后者仅有一个输出值;
步骤3、数据划分:将预处理后的数据集X=[x1,x2,...xn]∈Rd*n分割成k个子集X1:k,即将原始数据输入到判别器中,然后根据输出的判别结果,计算彼此间的相似性,最后将相似的用户划分在一起,将原数据平均分割成k份,满足
步骤4、潜在异常点的生成:用k个以随机噪音pz为输入的子生成器分别学习相应数据子集中数据的生成机制,即要求第j个子生成器Gj生成的异常点数据和原数据的第j个子集Xj的输出值相似;即满足:
步骤5、集成潜在异常点:将不同子生成器生成的数据潜在异常点集合集成在一起,为整个数据集提供一个合理的参考分布;
步骤6、优化判别器:要求判别器尽最大可能的将上一步骤获得的潜在异常点从真实数据中分别出来,即要求满足判别结果的损失函数最小;
步骤7:重复步骤3至步骤6,直到判别器与生成器达到纳什均衡;
步骤8:判别器返回异常点的分数,即1-D(X)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713533.7A CN110558971A (zh) | 2019-08-02 | 2019-08-02 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713533.7A CN110558971A (zh) | 2019-08-02 | 2019-08-02 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110558971A true CN110558971A (zh) | 2019-12-13 |
Family
ID=68774549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910713533.7A Pending CN110558971A (zh) | 2019-08-02 | 2019-08-02 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110558971A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067507A (zh) * | 2019-12-26 | 2020-04-28 | 常熟理工学院 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
CN112001481A (zh) * | 2020-08-14 | 2020-11-27 | 厦门纳龙科技有限公司 | 一种基于对抗学习的p波识别方法、终端设备及存储介质 |
CN112669274A (zh) * | 2020-12-23 | 2021-04-16 | 山东大学 | 一种用于表面异常区域像素级分割的多任务检测方法 |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
-
2019
- 2019-08-02 CN CN201910713533.7A patent/CN110558971A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111067507A (zh) * | 2019-12-26 | 2020-04-28 | 常熟理工学院 | 基于生成对抗网络和策略梯度的心电信号去噪方法 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN111814656A (zh) * | 2020-07-02 | 2020-10-23 | 山东省人工智能研究院 | 一种基于对抗生成网络的心电信号降噪方法 |
CN112001481A (zh) * | 2020-08-14 | 2020-11-27 | 厦门纳龙科技有限公司 | 一种基于对抗学习的p波识别方法、终端设备及存储介质 |
CN112669274A (zh) * | 2020-12-23 | 2021-04-16 | 山东大学 | 一种用于表面异常区域像素级分割的多任务检测方法 |
CN112669274B (zh) * | 2020-12-23 | 2022-06-17 | 山东大学 | 一种用于表面异常区域像素级分割的多任务检测方法 |
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110558971A (zh) | 基于单目标及多目标的生成对抗网络心电图异常检测方法 | |
Sharma et al. | Brain tumor segmentation using genetic algorithm and artificial neural network fuzzy inference system (ANFIS) | |
Nejad et al. | A new enhanced learning approach to automatic image classification based on Salp Swarm Algorithm | |
Hanbay | Deep neural network based approach for ECG classification using hybrid differential features and active learning | |
CN110288028B (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
Deepa et al. | Epileptic seizure detection using deep learning through min max scaler normalization | |
Chen et al. | Improved neural networks based on genetic algorithm for pulse recognition | |
Kulasingham et al. | Deep belief networks and stacked autoencoders for the p300 guilty knowledge test | |
Ganesh et al. | Gated deep reinforcement learning with red deer optimization for medical image classification | |
Ma et al. | Deep Learning‐Based Data Augmentation and Model Fusion for Automatic Arrhythmia Identification and Classification Algorithms | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
Nandini et al. | Design of subject independent 3D VAD emotion detection system using EEG signals and machine learning algorithms | |
Asghar et al. | Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification | |
Wankhade et al. | Deep learning of empirical mean curve decomposition-wavelet decomposed EEG signal for emotion recognition | |
Rana et al. | A novel spiking neural network for ecg signal classification | |
Kumar et al. | A multi-objective randomly updated beetle swarm and multi-verse optimization for brain tumor segmentation and classification | |
Qin et al. | EEG signal classification based on improved variational mode decomposition and deep forest | |
Kumar et al. | Modified soft rough set based ECG signal classification for cardiac arrhythmias | |
Cai et al. | Combination of EOG and EEG for emotion recognition over different window sizes | |
Zaorálek et al. | Patient-adapted and inter-patient ECG classification using neural network and gradient boosting | |
CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
Wang et al. | Ppg signal identification method based on csasvm | |
Janthakal et al. | A binary cross entropy u-net based lesion segmentation of granular parakeratosis | |
Du et al. | Diagnosis of atrial fibrillation based on unsupervised domain adaptation | |
Kebriaee et al. | Using an active learning semi-supervision algorithm for classifying of ECG signals and diagnosing heart diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |