CN110811591A - 一种基于心率变异性的心力衰竭分级方法 - Google Patents
一种基于心率变异性的心力衰竭分级方法 Download PDFInfo
- Publication number
- CN110811591A CN110811591A CN201911054223.5A CN201911054223A CN110811591A CN 110811591 A CN110811591 A CN 110811591A CN 201911054223 A CN201911054223 A CN 201911054223A CN 110811591 A CN110811591 A CN 110811591A
- Authority
- CN
- China
- Prior art keywords
- rate variability
- heart rate
- data
- heart failure
- heart
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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心率变异性的心力衰竭分级方法,研究了基于心率变异性的心力衰竭分级方法,首先对收集到的心电信号进行预处理,包括去噪、去基线漂移等,接着利用Pan‑Tompkins算法定位出心电信号中R峰的位置,通过定位出的R峰位置可以提取出病人的心率变异性数据,再将数据进行分组,尽量使每组数据中不同类别的数据保持平衡,最后将数据输入进神经网络训练模型,以达到辅助医生对心衰分级的目的,为临床的诊断和治疗提供了一种新的有效的方法。
Description
技术领域
本发明一种基于心率变异性的心力衰竭分级方法,属于心力衰竭分级方法技术领域。
背景技术
心力衰竭(Heart Failure)是一种复杂的临床综合征,具有很高的发病率和致死率,大约3%-5%的住院患者都与心衰有关。据欧洲心脏病学会(ESC)报道,现在大约有2600万成年人被确诊为心衰,同时每年大约有360万人被诊断出心衰。心衰患者中有17%-45%的病人在确诊心衰的第一年死亡,剩下的患者可能会在5年内死亡。与心衰有关的费用约占所有医疗保健支出的1%-2%,其中大部分与经常性住院治疗有关。心衰在发展的不同阶段表现出不同的特征,目前国际上流行的心衰分类标准有纽约心脏病协会(NYHA)的心衰分级标准,它按照患者的运动能力和疾病的症状状态将心衰分为I,II,III,IV四级,还有美国心脏学会(AHA)及美国心脏病学会(ACC)共同制定的心衰分期标准,它按照心衰的发展程度将心衰分为A,B,C,D四期。对于心衰,不同的阶段有不同的治疗方法。对心衰的准确诊断和正确分期有助于医生采取相应的治疗手段,增加病人的存活率,减少病人的治疗费用和痛苦。
目前,在医院可以通过心电图,心脏彩超,临床检查等对心衰进行诊断和分级。心电图作为一种无创性检查,具有价格低,检查快,效果好等优点,在检查心衰并对心衰进行分级中起着重要的作用。心率变异性(HRV)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息,通过分析病人的心率变异性信号,可以对心衰起到预测和诊断的作用。通常,心率变异性可以通过心电信号得到。
深度学习属于人工神经网络领域,从1980年以后兴起。从2006年开始,深度学习在各个领域引发极大的兴趣,并取得很大突破。深度学习的出现,使得利用计算机辅助诊断系统协助医生对心衰进行分级有着重要的意义。
发明内容
为克服现有技术的不足,本发明提供了一种基于心率变异性的心力衰竭分级方法,为临床心力衰竭的诊断和治疗提供了一种有效的方法。
本发明通过以下技术方案实现:
一种基于心率变异性的心力衰竭分级方法,包括以下步骤:
步骤一、对采集到的心电信号进行预处理,去除噪声和基线漂移,得到心率变异性数据;
步骤二、将收集到的心率变异性信号进行裁剪分组,使每组数据中不同类别的数据保持平衡;
步骤三、将处理好的心率变异性信号放入神经网络中训练,采用十折交叉验证(10-fold cross validation)的方法训练出最好的模型;
步骤四、利用步骤三训练好的模型对待评级的心率变异性数据做预测,只需要将未评级的心率变异性数据输入进步骤三训练好的最佳模型中,模型可以自动评级。输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。
优选的,所述步骤一中预处理的具体方法如下:
1)使用0.1-100Hz的带通滤波器进行滤波处理去除噪声;
2)使用零相移滤波器去除基线漂移;
3)使用Pan-Tompkins算法定位出心电信号中R峰的位置,通过定位出的R峰位置,提取出病人的心率变异性数据,得到带有标记的心率变异性数据。
优选的,所述步骤二中心率变异性信号进行裁剪分组的过程,选择的采样点数量为512个。
所述步骤二中裁剪的方法是在原始心率变异性数据上通过滑窗按照固定长度无重叠地裁剪。裁剪的长度是根据实验效果得出的最优长度,这个裁剪长度既不会因为长度过长而造成多余的计算量,也不会因为长度过短使模型学习到的信息少从而得到的效果。
优选的,步骤三中所述神经网络为一维卷积神经网络。
优选的,所述一维卷积神经网络包括9个卷积层和2个循环层,并在训练过程中增加残差块。
优选的,所述9个卷积层中第一个卷积层的卷积核长度为8,卷起核通道数为64,步长为1;其余所有卷积层的卷积核长度为8,卷积核通道数为64、128、192、256,每一个残差块后增加1次,残差块中第一个卷积层的步长为1,第二个卷积层的步长为2。
优选的,所述步骤三中神经网络的训练方法为:
首先将分段后的心率变异性数据随机打乱收集在一起,接着采用十折交叉验证的方法,将收集齐的数据平均分成十等份,取第一份为验证集,其余九份为训练集,将训练集的数据放入搭好的神经网络中进行训练,并在验证集上验证模型的性能,接着取第二份为验证集,其余九份为训练集重复上述过程;重复十次后,取性能最好的模型为最佳模型。
优选的,所述步骤四中,使用训练好的模型对待评级的心率变异性数据做预测,具体包括以下步骤:
1)输入数据;
2)残差连接过程中接卷积层和最大池化层,池化层中的步长为2;
3)在每个卷积前使用批正则化处理,同时使用ReLU激活函数,当输入x大于0时,输出为x,当输入小于0时,输出为0,用公式表示为:;
4)激活函数之后接Dropout层,在所有的卷积层后,接入两个循环层,提取到与时间相关的特征;
5)最后接入一个全连接层,用Softmax函数将结果输出为4类结果,分别为:心衰I级、心衰II级、心衰III级、心衰IV级。
与现有技术相比,本发明具有如下有益效果:
本发明研究了基于心率变异性的心力衰竭分级方法,首先对收集到的心电信号进行预处理,包括去噪、去基线漂移等,接着利用Pan-Tompkins算法定位出心电信号中R峰的位置,通过定位出的R峰位置可以提取出病人的心率变异性数据,再将数据进行分组,尽量使每组数据中不同类别的数据保持平衡,最后将数据输入进神经网络训练模型,以达到辅助医生对心衰分级的目的,为临床的诊断和治疗提供了一种新的有效的方法。
本发明裁剪分组方法既不会因为采样点过少而造成漏诊和误诊,同时也不会因为心率变异性数据过长而增加计算量。
采用一维卷积核时,这种结构更适合于处理一维的数据,如语音信号,心电信号等,并且由于它结构较简单,计算代价通常也会小很多
在神经网络中加入残差块之后,加快深度网络的收敛速度,提高分类性能。
附图说明
图1为本发明采用Pan-Tompkins算法处理过的心电信号图;
图2为本发明不同NYHA分级的心衰患者的心率变异性信号图;
图3为本发明残差块的结构图;
图4为本发明神经网络的具体结构图。
图5为采用本发明方法对心衰分级的步骤流程图。
具体实施方式
下面结合具体实施例对本发明做进一步的详细说明,但是本发明的保护范围并不限于这些实施例,凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。
一种基于心率变异性的心力衰竭分级方法,包括以下步骤:
步骤一、对采集到的心电信号进行预处理,去除噪声和基线漂移,得到心率变异性数据;
通常采集到的心电信号一般包含很多噪声,这些噪声的存在,会对提取心电信号中的关键信息产生一定的影响,并且噪声中不包含有用的信息,对神经网络的训练没有帮助。预处理的具体方法如下:
1)使用0.1-100Hz的带通滤波器进行滤波处理去除噪声;
2)使用零相移滤波器去除基线漂移;
3)使用Pan-Tompkins算法定位出心电信号中R峰的位置,通过定位出的R峰位置,提取出病人的心率变异性数据,得到带有标记的心率变异性数据。
最终得到的是带有标记的心率变异性数据。经过Pan-Tompkins算法处理的心电信号如图1所示,使用Pan-Tompkins算法处理心电信号后,可以在原始心电信号上定位出R峰的位置,R峰位置在图中用点表示。通过定位出的R峰位置,可以提取出该心电信号所对应的心率变异性数据。
通过R峰位置提取到不同NYHA分级的病人的心率变异性信号数据如图2所示,其中(a)为NYHA I级,(b)为NYHA II级,(c)为NYHA II级,(d)为NYHA IV级仅凭肉眼很难对患者的心率变异性数据进行心衰的分级,因此,需要将获得的心率变异性数据使用本发明中的方法进行处理后,自动对其进行分级。
步骤二、将收集到的心率变异性信号进行裁剪分组,使每组数据中不同类别的数据保持平衡;选择的采样点数量为512个。
裁剪的方法是在原始心率变异性数据上通过滑窗按照固定长度无重叠地裁剪。裁剪的长度是根据实验效果得出的最优长度,这个裁剪长度既不会因为长度过长而造成多余的计算量,也不会因为长度过短使模型学习到的信息少从而得到的效果。
神经网络很难去处理长短不一的数据,因此,在将心率变异性数据放入神经网络训练之前,需要将心率变异性数据取到相同的长度。太长的心率变异性数据会增大计算量,降低算法的实时性,而太短的心率变异性数据包含的信息较少,在实际应用中会造成误诊或漏诊。综合考虑之后,本发明决定将心率变异性数据的采样点选为512个,这样裁剪分组可以将一个病人的心率变异性数据裁剪为很多段,同时,这样裁剪既不会因为采样点过少而造成漏诊和误诊,同时也不会因为心率变异性数据过长而增加计算量。
步骤三、将处理好的心率变异性信号放入神经网络中训练,采用十折交叉验证(10-fold cross validation)的方法训练出最好的模型;
所述神经网络为一维卷积神经网络,包括9个卷积层和2个循环层,并在训练过程中增加残差块。所述9个卷积层中第一个卷积层的卷积核长度为8,卷起核通道数为64,步长为1;其余所有卷积层的卷积核长度为8,卷积核通道数为64、128、192、256,每一个残差块后增加1次,残差块中第一个卷积层的步长为1,第二个卷积层的步长为2。
本发明采用神经网络对心率变异性数据进行处理,从而对心衰进行分级。一维卷积神经网络是一种特殊的卷积神经网络,一般所提到的卷积神经网络的卷积核是一个二维矩阵,本发明所采用的一维卷积神经网络的卷积核是一个一维的向量。由于一般的卷积神经网络的卷积核是二维矩阵,它更适合于处理图像、视频等数据。当采用一维卷积核时,这种结构更适合于处理一维的数据,如语音信号,心电信号等,并且由于它结构较简单,计算代价通常也会小很多。目前,一维卷积神经网络已经在音频生成和机器翻译领域取得了巨大的成功。
本发明设计了一个包含9个卷积层和2个循环层的神经网络。增加网络的深度可能会导致网络收敛变慢,而且并不一定能使分类性能提高。对于这个问题,在网络连接中加入残差块(Residual Block)可以有效地解决。在神经网络中加入这种结构的残差块之后,这一层的神经网络可以不用学习整个的输出,而是学习上一个网络输出的残差。从而加快深度网络的收敛速度,提高分类性能。残差块的结构如图3所示。
十折交叉验证就是将所有数据随机分成十等份,第一次取第一份作为验证集验证模型的性能,其余九份作为训练集训练模型;接着选取第二份作验证集,其余九份作训练集。重复十次后,取十次验证中性能最好的模型作为最好的模型。
所述神经网络的训练方法为:
首先将分段后的心率变异性数据随机打乱收集在一起,接着采用十折交叉验证的方法,将收集齐的数据平均分成十等份,取第一份为验证集,其余九份为训练集,将训练集的数据放入搭好的神经网络中进行训练,并在验证集上验证模型的性能,接着取第二份为验证集,其余九份为训练集重复上述过程;重复十次后,取性能最好的模型为最佳模型。
步骤四、利用训练好的模型对待评级的心率变异性数据做预测,输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。
使用训练好的模型对待评级的心率变异性数据做预测,具体包括以下步骤:
1)输入数据;
2)残差连接过程中接卷积层和最大池化层,池化层中的步长为2;
4)激活函数之后接Dropout层,在所有的卷积层后,接入两个循环层,提取到与时间相关的特征;
5)最后接入一个全连接层,用Softmax函数将结果输出为4类结果,分别为:心衰I级、心衰II级、心衰III级、心衰IV级。
本发明设计的神经网络结构如图4所示。第一个卷积层的卷积核长度为8,卷起核通道数为64,步长为1。其余所有卷积层的卷积核长度为8,卷积核通道数为64、128、192、256,每一个残差块后增加1次,残差块中第一个卷积层的步长为1,第二个卷积层的步长为2。
残差连接过程中接卷积层和最大池化层,卷积层保证残差连接处的通道数相同,池化层主要的作用是下采样,通过去掉数据中不重要的样本,进一步减少参数数量,池化层中的步长为2;在每个卷积前使用批正则化(Batch Normalization)处理,这可以加速网络的收敛。同时使用ReLU激活函数,使用该激活函数避免了梯度爆炸和梯度消失问题。当输入x大于0时,输出为x,当输入小于0时,输出为0,用公式表示为: ;
激活函数之后接Dropout层,Dropout层可以有效缓解过拟合的发生。在所有的卷积层后,接入两个循环层,循环层可以提取到与时间相关的特征,在卷积层后接入循环层可以得到理想的结果,最后接入一个全连接层,用Softmax函数将结果输出为4类结果,分别为:心衰I级、心衰II级、心衰III级、心衰IV级。
本发明不会限制于本文所示的实施例,而是要符合与本文所公开的原理和新颖性特点相一致的最宽范围。
Claims (6)
1.一种基于心率变异性的心力衰竭分级方法,其特征在于,包括以下步骤:
步骤一、对采集到的心电信号进行预处理,去除噪声和基线漂移,得到心率变异性数据;
步骤二、将收集到的心率变异性信号进行裁剪分组,使每组数据中不同类别的数据保持平衡;
步骤三、将处理好的心率变异性信号放入神经网络中训练,采用十折交叉验证的方法训练出最好的模型;
步骤四、利用步骤三训练好的模型对待评级的心率变异性数据做预测,输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。
2.根据权利要求1所述的一种基于心率变异性的心力衰竭分级方法,其特征在于,所述步骤一中预处理的具体方法如下:
1)使用0.1-100Hz的带通滤波器进行滤波处理去除噪声;
2)使用零相移滤波器去除基线漂移;
3)使用Pan-Tompkins算法定位出心电信号中R峰的位置,通过定位出的R峰位置,提取出病人的心率变异性数据,得到带有标记的心率变异性数据。
3.根据权利要求1所述的一种基于心率变异性的心力衰竭分级方法,其特征在于,所述步骤二中裁剪的方法是在原始心率变异性数据上通过滑窗按照固定长度无重叠地裁剪。
4.根据权利要求1所述的一种基于心率变异性的心力衰竭分级方法,其特征在于,步骤三中所述神经网络为一维卷积神经网络。
5.根据权利要求4所述的一种基于心率变异性的心力衰竭分级方法,其特征在于,所述一维卷积神经网络包括9个卷积层和2个循环层,并在训练过程中增加残差块。
6.根据权利要求1所述的一种基于心率变异性的心力衰竭分级方法,其特征在于,所述步骤三中神经网络的训练方法为:
首先将分段后的心率变异性数据随机打乱收集在一起,接着采用十折交叉验证的方法,将收集齐的数据平均分成十等份,取第一份为验证集,其余九份为训练集,将训练集的数据放入搭好的神经网络中进行训练,并在验证集上验证模型的性能,接着取第二份为验证集,其余九份为训练集重复上述过程;重复十次后,取性能最好的模型为最佳模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054223.5A CN110811591A (zh) | 2019-10-31 | 2019-10-31 | 一种基于心率变异性的心力衰竭分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054223.5A CN110811591A (zh) | 2019-10-31 | 2019-10-31 | 一种基于心率变异性的心力衰竭分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110811591A true CN110811591A (zh) | 2020-02-21 |
Family
ID=69551828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054223.5A Pending CN110811591A (zh) | 2019-10-31 | 2019-10-31 | 一种基于心率变异性的心力衰竭分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110811591A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
CN113440144A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置 |
CN114520054A (zh) * | 2020-11-18 | 2022-05-20 | 英业达科技有限公司 | 心衰竭预测组件及心衰竭预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
CN102961140A (zh) * | 2008-07-25 | 2013-03-13 | 雷斯梅德有限公司 | 探测和治疗心力衰竭的方法和装置 |
CN105228513A (zh) * | 2013-05-20 | 2016-01-06 | 心脏起搏器股份公司 | 用于检测心力衰竭的方法和装置 |
CN105852807A (zh) * | 2016-03-25 | 2016-08-17 | 中山大学 | 一种无监督式自主神经功能量化评估方法 |
CN105873504A (zh) * | 2013-11-01 | 2016-08-17 | 美敦力监控公司 | 充血性心力衰竭风险状态确定方法及相关设备 |
WO2018106146A2 (ru) * | 2016-11-24 | 2018-06-14 | Александр Викторович Ежков | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий |
CN110151138A (zh) * | 2019-05-29 | 2019-08-23 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
-
2019
- 2019-10-31 CN CN201911054223.5A patent/CN110811591A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102961140A (zh) * | 2008-07-25 | 2013-03-13 | 雷斯梅德有限公司 | 探测和治疗心力衰竭的方法和装置 |
CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
CN105228513A (zh) * | 2013-05-20 | 2016-01-06 | 心脏起搏器股份公司 | 用于检测心力衰竭的方法和装置 |
CN105873504A (zh) * | 2013-11-01 | 2016-08-17 | 美敦力监控公司 | 充血性心力衰竭风险状态确定方法及相关设备 |
CN105852807A (zh) * | 2016-03-25 | 2016-08-17 | 中山大学 | 一种无监督式自主神经功能量化评估方法 |
WO2018106146A2 (ru) * | 2016-11-24 | 2018-06-14 | Александр Викторович Ежков | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий |
CN110151138A (zh) * | 2019-05-29 | 2019-08-23 | 中山大学 | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
CN111345803B (zh) * | 2020-03-20 | 2022-04-12 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
CN113440144A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置 |
CN113440144B (zh) * | 2020-03-26 | 2022-12-27 | 太原理工大学 | 一种使用卷积神经网络DenseNet检测早期心力衰竭的方法和装置 |
CN114520054A (zh) * | 2020-11-18 | 2022-05-20 | 英业达科技有限公司 | 心衰竭预测组件及心衰竭预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
JP7018133B2 (ja) | 人工知能に基づく心電図心拍自動識別分類方法 | |
Musallam et al. | Electroencephalography-based motor imagery classification using temporal convolutional network fusion | |
Luo et al. | Patient‐Specific Deep Architectural Model for ECG Classification | |
Cui et al. | Automatic Sleep Stage Classification Based on Convolutional Neural Network and Fine‐Grained Segments | |
CN107203692A (zh) | 基于深度卷积神经网络的房颤检测的实现方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Yang et al. | Classification of acoustic physiological signals based on deep learning neural networks with augmented features | |
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 | |
Alaskar et al. | The implementation of pretrained AlexNet on PCG classification | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
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 | |
CN113768519B (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
Tseng et al. | Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis | |
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 | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
Lan et al. | Arrhythmias classification using short-time Fourier transform and GAN based data augmentation | |
Wang et al. | QRS detection in ECG signal based on residual network | |
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 | |
CN113749658B (zh) | 基于集成学习的心肺耦合抑郁状态识别方法及系统 | |
Xia et al. | Retinal vessel segmentation via a coarse-to-fine convolutional neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |