CN110638430B - 级联神经网络ecg信号心律失常分类模型的搭建方法 - Google Patents

级联神经网络ecg信号心律失常分类模型的搭建方法 Download PDF

Info

Publication number
CN110638430B
CN110638430B CN201911012613.6A CN201911012613A CN110638430B CN 110638430 B CN110638430 B CN 110638430B CN 201911012613 A CN201911012613 A CN 201911012613A CN 110638430 B CN110638430 B CN 110638430B
Authority
CN
China
Prior art keywords
ecg signal
convolution
arrhythmia
neural network
module
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
CN201911012613.6A
Other languages
English (en)
Other versions
CN110638430A (zh
Inventor
陶砚蕴
张宇祯
王凯欣
蔡涛
卢力峥
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN201911012613.6A priority Critical patent/CN110638430B/zh
Publication of CN110638430A publication Critical patent/CN110638430A/zh
Application granted granted Critical
Publication of CN110638430B publication Critical patent/CN110638430B/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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种级联神经网络ECG信号心律失常分类模型的搭建方法，具体包括：建立卷积模块；建立特征表达模块；对特征表达进行第一级softmax计算，判断形态异常的心律失常；获取多组心博特征表达；建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；通过所述关联表达判断异常心律类别；对所述级联神经网络模型进行训练。其具有自动化的数据类型特征提取能力，可判断形态异常的心律失常及节律异常的心律失常类型。

Description

级联神经网络ECG信号心律失常分类模型的搭建方法
技术领域
本发明涉及心律疾病诊断技术领域，具体涉及一种级联神经网络ECG信号心律失常分类模型的搭建方法。
背景技术
心律失常是一类重要的心血管疾病，可导致心悸、头晕、黑朦、晕厥等症状，甚至导致猝死，因此，其诊断与治疗有着重要的临床意义。心律失常是心脏电活动异常引起的，而心脏电活动可以通过表面电极来测量，并存储为任意时间长度的心电脉冲数据，也就是体表心电图(Electrocardiogram，ECG)。通过检测患者的常规ECG或者对其ECG进行动态监测即动态心电图(Holter)，医师可以分析患者心率、心律及相关波形，进行心血管疾病，尤其是心律失常诊断。ECG信号是一种非平稳生物信号，受患者活动等影响较大。心律失常的发生大多为发作性，以不规则的间隔出现于信号中。临床上，Holter分析软件自动建立正常心搏、房性早搏、室性早搏的模板，再根据模板给出患者每一心跳的初步诊断，由医生完成复核，由于基线漂移、软件识别能力不足等原因，仪器诊断的准确率并不高。而且Holter中记录的ECG信号的数据体量巨大，每条记录在10万次心搏左右，医生复核需要耗费大量时间，对于ECG信号中的重要信息产生误读和疏漏也是在所难免。引入机器学习技术辅助ECG信号识别与心律失常诊断能够极大提高效率并降低误诊率。
不同个体间正常信号的P-QRS序列并不相同，而心律失常信号的P-QRS序列差异性更大。在ECG信号的预处理时，QRS的提取相对简单，而P波振幅小，心律失常时还可能叠加在QRS波群和T波中，P波检测和提取是十分复杂的问题。级联深度结构决定了级联深度网络特征提取的能力和分类的性能，针对ECG信号同时具有时间和空间形态属性，模型须具备对正常心律信号和心律失常信号的特征提取能力。在训练时，随机梯度下降和其他变种算法是级联深度网络参数优化的主要方法，但随机方法只能得到比例较小的优秀结果，浪费计算资源，在ECG信号的大规模数据场景中面临重大挑战。
发明内容
本发明要解决的技术问题是提供一种级联神经网络ECG信号心律失常分类模型和ECG信号心律失常分类方法。
为了解决上述技术问题，本发明提供了一种级联神经网络ECG信号心律失常分类模型的搭建方法，所述分类模型通过以下步骤建立：
S1、建立级联神经网络模型，具体包括：
S11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；
S12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；
S13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；
S14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；
S15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；
S16、通过所述关联表达判断异常心律类别；
S2、对所述级联神经网络模型进行训练。
作为优选的，所述S11，具体包括：
处理ECG心电数据的输入，ECG信号以一维向量的形式进入该模块，并且卷积模块对ECG信号进行卷积计算，获取ECG信号中的心搏特征；
所述卷积模块计算方法为：
Figure GDA0003666282770000031
Figure GDA0003666282770000032
其中，ω为卷积核参数，x为信号输入，b为每个卷积计算的偏置量，ReLU为激活函数，pool代表了池化函数。
作为优选的，所述S12，具体包括：
卷积模块处理后提取的特征经过全链接转换成一维向量，该一维向量为提取的ECG心搏特征的特征表达；
所述特征表达的计算方法为：
y＝Relu(h*ω+b)，
其中，h是卷积计算的输出，ω为特征表达的连接权重，b为该层的偏置量。
作为优选的，所述第一级softmax计算为：
Figure GDA0003666282770000033
其中，yi是特征表达向量的第i个元素，
Figure GDA0003666282770000034
是输出概率向量的第i个元素。
作为优选的，所述S16，具体包括：
使用第二级softmax函数处理关联表达，所述第二级softmax函数计算为：
Figure GDA0003666282770000041
其中，这里的yi是记忆模块的特征表达向量的第i个元素，得到的结果
Figure GDA0003666282770000042
是输出概率向量的第i个元素。
作为优选的，所述S2包括：
计算心博识别的损失函数；
根据所述心博信号的损失函数调整卷积模块和特征表达模块的权重。
作为优选的，所述“计算心博识别的损失函数”，具体包括：
在训练卷积模块时，卷积核参数朝向交叉熵损失函数不断减小的方向变化；交叉熵损失函数：(6)
Figure GDA0003666282770000043
其中，
Figure GDA0003666282770000044
表示心拍特征所属的类别概率；s为标签向量one-hot编码。
作为优选的，所述S2包括：
计算心律识别的损失函数；
根据所述心律识别的损失函数调整长短时记忆模块的参数，所述长短时记忆模块的参数具体包括：遗忘门、输入门、状态参数和输出门。
作为优选的，所述“计算心律识别的损失函数”，具体包括：
在训练长短时记忆模块时，遗忘门、输入门和输出门参数朝向交叉熵损失函数不断减小的方向变化，交叉熵损失函数：
Figure GDA0003666282770000051
其中，
Figure GDA0003666282770000052
表示心律信息所属的类别概率，a为标签向量。
一种ECG信号心律失常疾病分类方法，基于上述的级联神经网络ECG信号心律失常分类模型。
本发明的有益效果：
(1)本发明相比传统的计算机自动化诊断模型，本发明具有自动化的数据类型特征提取能力，不需要再进行QRS或者P波的识别和特征提取；
(2)相比用于心电信号分类的神经网络模型，级联网络具有数据的多类型特征提取能力，卷积层具有局部感知野和权值共享的优势，获取异常心搏的特征；记忆网络元件具备提取时间依赖关系，获取异常心律特征。
(3)相比用于心电信号分类的神经网络模型，多任务网络能够对异常ECG心拍和心律特征同时进行学习，实现多种类型的心律失常诊断。
附图说明
图1为本发明的卷积-长短时记忆神经网络结构示意图；
图2为本发明的卷积-长短时记忆神经网络的多任务训练流程流程图；
图3为左束支传导阻滞的ECG信号和正常心博ECG信号示意图，其中，图3(a)为左束支传导阻滞的ECG信号，图3(b)为正常心博ECG信号；
图4为房性早搏的ECG信号；
图5为室扑心律失常的ECG信号。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1-图2所示，本发明公开了一种级联神经网络ECG信号心律失常分类模型的搭建方法，所述分类模型通过以下步骤建立：
S1、建立级联神经网络模型，具体包括：
S11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；
S12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；
S13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；
S14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；
S15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；
S16、通过所述关联表达判断异常心律类别；
S2、对所述级联神经网络模型进行训练。
本发明使用级联神经网络的ECG信号特征提取和心律失常分类模型。首先建立多属性特征提取的级联网络，卷积网络提取了ECG节拍信息，包括P波和QRS特征，判断形态异常的心律失常；第二级的长短时记忆网络找到ECG信号的节律关联，判断节律异常的心律失常类型；在全链接层使用了Softmax分类器，提高分类准确性；使用进化超参数优化算法和End-to-End training方法，提高级联深度网络超参数的全局收敛性，跳出局部最优陷阱，具备了最佳网络参数。
如图1所示，本发明涉及到的级联神经网络结构。
(1)卷积模块：处理ECG心电数据的输入，ECG信号以一维向量的形式进入该模块，并且卷积模块对ECG信号进行卷积计算，获取ECG信号中的心搏特征；卷积计算方法如下：
Figure GDA0003666282770000071
其中，ω为卷积核参数，x为信号输入，b为每个卷积计算的偏置量，ReLU为激活函数。pool代表了池化函数。
(2)特征表达：卷积模块处理后提取的特征经过全链接转换成一维向量，该向量就是提取的ECG心搏特征的特征表达；计算方法如下：
(2)
y＝Relu(h*ω+b)
其中，h是卷积计算的输出，ω为特征表达的连接权重，b为该层的偏置量。
(3)第一级softmax函数：该函数处理第一级卷积模块的特征表达，对其进行softmax计算如下：
Figure GDA0003666282770000072
其中，yi是特征表达向量的第i个元素，得到的结果
Figure GDA0003666282770000073
是输出概率向量的第i个元素，其中接近1的位置代表该特征所属的异常心搏类别。
长短时记忆模块：该模块处理t-k到t时刻的时间序列信息(t-k到t时刻的特征表达)，找到它们之间的关联关系，获得ECG信号的节律信息；遗忘门、输入输出门公式如下：
Figure GDA0003666282770000081
其中，xt为细胞的输入，ht-1为上一时刻细胞的输出，σ为激活函数；ot表示输出，ft为遗忘概率，it为输入门接受信息概率；Wf为遗忘门权重，Wi为输入们权重，Wo为输出们权重；bf和bi分别是遗忘门和输入门的偏置；Ct-1为上一时刻的状态，Ct为更新后的状态，
Figure GDA0003666282770000082
为备选的更新状态。
(4)第二级softmax函数：该函数处理的是多个时序特征之间的关联表达，对其进行softmax计算，方法如公示(5)：
Figure GDA0003666282770000083
其中，这里的yi是记忆模块的特征表达向量的第i个元素，得到的结果
Figure GDA0003666282770000084
是输出概率向量的第i个元素，其中接近1的位置代表该特征所属的异常心律的类别。
本发明涉及到一种级联神经网络的心搏特征提取过程和心律时间关联性，其目的是获取多样性特征，诊断不同的心律失常疾病。
如图2所示，本发明涉及到的级联神经网络训练流程。为了实现该目标，模块的实施细节如下：
(1)数据预处理
将不同心律失常类型的ECG数据进行固定长度分割，每段长度为n＝400个采样点，输入到每个卷积模块的数据就是n个点的数据段，便于一维卷积模块的计算；对于房颤、室扑和时速等类型ECG信号，连续取c个数据片段(可以是9～15)，每个片段也是n点，连续输入到卷积模块中计算；
(2)卷积模块处理
该模块包含了两个卷积层，一个池化层。输入为长度n的一维向量数据。
第一层卷积：处理输入数据，卷积核为1*9的窗口，可以选取不同的卷积核大小。卷积核的数量为k＝8，输出矩阵对边置0；经过激活函数ReLu输出，得到n元素k深度的矩阵；
第二层卷积：处理第一层卷积的输出，卷积核为1*9的窗口，卷积核的数量为k＝16，输出矩阵对边置0；经过激活函数ReLu输出，得到n元素k深度的矩阵；
池化层将矩阵压缩成1/2的矩阵。卷积模块与特征表达模块的权重需要根据任务1的损失函数进行调整。
(3)心搏识别的损失函数计算(任务1)
在训练卷积模块时，卷积核参数朝向交叉熵损失函数不断减小的方向变化。
交叉熵损失函数：(6)
Figure GDA0003666282770000091
其中，
Figure GDA0003666282770000092
表示卷积第一级softmax的输出概率向量(心拍特征所属的类别概率)；s为标签向量(one-hot编码)。
(4)长短时记忆模块的时序关联信息处理
处理卷积模块以及特征表达输出的向量。长短时记忆模块的时间步长和c(c个连续数据片段)的大小相等，隐含层节点数为100。长短时记忆模块的参数(遗忘门Wf，输入门Wi，状态参数Wc和输出门Wo)，需要根据任务2的损失函数进行调整。
(5)心律识别的损失函数计算(任务2)
在训练长短时记忆模块时，遗忘门、输入门和输出门参数朝向交叉熵损失函数不断减小的方向变化。交叉熵损失函数：(7)
Figure GDA0003666282770000101
其中，
Figure GDA0003666282770000102
表示卷积第二级softmax的输出概率向量(心律信息所属的类别概率)；a为标签向量(one-hot编码)。
(6)迭代训练
根据设置的迭代次数2000代，批量数据为50，梯度下降方法进行级联神经网络参数的训练，直到最大的迭代次数为止。
具体的，在在Tensorflow平台中进行测试，测试如下：
(1)左束支传导阻滞识别的测试：取250个数据，每个数据段400个点，分为两类心搏，正常心搏与左束支传导阻滞，其中80％的数据用于训练，20％的用于测试。
输入数据，其中，图3(a)为左束支传导阻滞的ECG信号；图3(b)为正常心搏ECG信号。
迭代训练2000代，得到的训练正确率为98.46％；在测试集合上的测试正确率为97.87％。
(2)房性早搏的测试：取250个数据，每个数据段400个点，两类心搏识别，正常心搏与房性早搏，其中80％的数据用于训练，20％的用于测试；
输入数据，其中，图4为房性早搏的ECG信号。
迭代训练2000代，得到的训练总体正确率为97.95％；在测试集合上的测试正确率100％。
(3)室扑心律失常的测试：取100个数据，每个数据段400个点，分为5个时间步长(分5次连续输入)，两类心律识别，正常心律与室扑心律，其中80％的数据用于训练，20％的用于测试；
输入数据，其中，图5为室扑心律失常的ECG信号，图5(a)为第一时间段的室扑心律失常的ECG信号，图5(b)为第二时间段的室扑心律失常的ECG信号，图5(c)为第三时间段的室扑心律失常的ECG信号，图5(d)为第四时间段的室扑心律失常的ECG信号，图5(e)为第四时间段的室扑心律失常的ECG信号。
迭代训练2000代，得到的训练总体正确率为87.75％；在测试集合上的测试正确率81.89％。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述分类模型通过以下步骤建立：
S1、建立级联神经网络模型，具体包括：
S11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；
S12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；
S13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；
S14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；
S15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；
S16、通过所述关联表达判断异常心律类别；
S2、对所述级联神经网络模型进行训练，包括：
数据预处理，将不同心律失常类型的ECG数据进行固定长度分割，对于房颤、室扑和时速类型ECG信号，连续取c个数据片段，连续输入到卷积模块中计算；
卷积模块处理，卷积模块包含了两个卷积层，一个池化层：第一层卷积处理输入数据，第二层卷积处理第一层卷积的输出，得到矩阵；池化层将矩阵压缩成1/2的矩阵；
计算心博识别的损失函数，根据所述心博识别的损失函数调整卷积模块和特征表达模块的权重。
2.如权利要求1所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述S11，具体包括：
处理ECG心电数据的输入，ECG信号以一维向量的形式进入该模块，并且卷积模块对ECG信号进行卷积计算，获取ECG信号中的心搏特征；
所述卷积模块计算方法为：
Figure FDA0003666282760000021
Figure FDA0003666282760000022
其中，ω为卷积核参数，x为信号输入，b为每个卷积计算的偏置量，ReLU为激活函数，pool代表了池化函数。
3.如权利要求1所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述S12，具体包括：
卷积模块处理后提取的特征经过全链接转换成一维向量，该一维向量为提取的ECG心搏特征的特征表达；
所述特征表达的计算方法为：
y＝Relu(h*ω+b)，
其中，h是卷积计算的输出，ω为特征表达的连接权重，b为该层的偏置量。
4.如权利要求1所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述第一级softmax计算为：
Figure FDA0003666282760000031
其中，yi是特征表达向量的第i个元素，
Figure FDA0003666282760000032
是输出概率向量的第i个元素。
5.如权利要求1所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述S16，具体包括：
使用第二级softmax函数处理关联表达，所述第二级softmax函数计算为：
Figure FDA0003666282760000033
其中，这里的yi是记忆模块的特征表达向量的第i个元素，得到的结果
Figure FDA0003666282760000034
是输出概率向量的第i个元素。
6.如权利要求5所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述“计算心博识别的损失函数”，具体包括：
在训练卷积模块时，卷积核参数朝向交叉熵损失函数不断减小的方向变化；交叉熵损失函数：(6)
Figure FDA0003666282760000035
其中，
Figure FDA0003666282760000036
表示心拍特征所属的类别概率；s为标签向量one-hot编码。
7.如权利要求1所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述S2包括：
计算心律识别的损失函数；
根据所述心律识别的损失函数调整长短时记忆模块的参数，所述长短时记忆模块的参数具体包括：遗忘门、输入门、状态参数和输出门。
8.如权利要求7所述的级联神经网络ECG信号心律失常分类模型的搭建方法，其特征在于，所述“计算心律识别的损失函数”，具体包括：
在训练长短时记忆模块时，遗忘门、输入门和输出门参数朝向交叉熵损失函数不断减小的方向变化，交叉熵损失函数：
Figure FDA0003666282760000041
其中，
Figure FDA0003666282760000042
表示心律信息所属的类别概率，a为标签向量。
9.一种ECG信号心律失常分类方法，其特征在于，基于权利要求1-权利要求8中任一项所述的级联神经网络ECG信号心律失常分类模型。
CN201911012613.6A 2019-10-23 2019-10-23 级联神经网络ecg信号心律失常分类模型的搭建方法 Active CN110638430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012613.6A CN110638430B (zh) 2019-10-23 2019-10-23 级联神经网络ecg信号心律失常分类模型的搭建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012613.6A CN110638430B (zh) 2019-10-23 2019-10-23 级联神经网络ecg信号心律失常分类模型的搭建方法

Publications (2)

Publication Number Publication Date
CN110638430A CN110638430A (zh) 2020-01-03
CN110638430B true CN110638430B (zh) 2022-08-09

Family

ID=69013296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012613.6A Active CN110638430B (zh) 2019-10-23 2019-10-23 级联神经网络ecg信号心律失常分类模型的搭建方法

Country Status (1)

Country Link
CN (1) CN110638430B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111358460A (zh) * 2020-03-03 2020-07-03 京东方科技集团股份有限公司 心律失常的识别方法、装置及电子设备
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
CN111956216A (zh) * 2020-07-29 2020-11-20 鲁东大学 基于滤波和卷积神经网络的低质量心电信号中qrs点识别
JP7022957B1 (ja) 2020-08-17 2022-02-21 公立大学法人会津大学 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム
CN112450942B (zh) * 2020-11-26 2023-01-24 中国人民解放军南部战区总医院 心电信号的监测方法、系统、装置及介质
CN115358270B (zh) * 2022-08-19 2023-06-20 山东省人工智能研究院 一种基于多任务mtef-net的心电分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
EP3456246A1 (en) * 2017-09-19 2019-03-20 Tata Consultancy Services Limited A cascaded binary classifier for identifying rhythms in a single-lead electrocardiogram (ecg) signal
CN108595643A (zh) * 2018-04-26 2018-09-28 重庆邮电大学 基于多分类节点卷积循环网络的文本特征提取及分类方法
CN110179453B (zh) * 2018-06-01 2020-01-03 山东省计算中心（国家超级计算济南中心） 基于卷积神经网络和长短期记忆网络的心电图分类方法
CN109645980A (zh) * 2018-11-14 2019-04-19 天津大学 一种基于深度迁移学习的心律异常分类方法
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统

Also Published As

Publication number Publication date
CN110638430A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN110890155B (zh) 一种基于导联注意力机制的多类心律失常检测方法
CN106725428B (zh) 一种心电信号分类方法及装置
Murugesan et al. Ecgnet: Deep network for arrhythmia classification
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
US11324455B2 (en) Artificial intelligence-based interference recognition method for electrocardiogram
US20170112401A1 (en) Automatic method to delineate or categorize an electrocardiogram
CN111626114B (zh) 基于卷积神经网络的心电信号心律失常分类系统
CN110974214A (zh) 一种基于深度学习的自动心电图分类方法、系统及设备
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN115470828A (zh) 基于卷积与自注意力机制的多导联心电图分类识别方法
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
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
CN112957054B (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
Fang et al. Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave
Khan et al. Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia
CN112932433A (zh) 一种心电图的心律失常自动分类方法
Rahuja et al. A deep neural network approach to automatic multi-class classification of electrocardiogram signals
Chakroborty Accurate Arrhythmia classification using auto-associative neural network
CN115470832B (zh) 一种基于区块链的心电信号数据处理方法
CN113876331B (zh) 一种面向心电信号的半监督房颤自动检测系统
Zhang Arrhythmias Classification Based on CNN and LSTM_ATTENTION Hybrid Model
Balcı A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation
Wen et al. ECG beat classification using GreyART network
CN112022149A (zh) 一种基于心电信号的房颤检测方法

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