CN110897634A - 一种基于生成对抗网络的心电信号生成方法 - Google Patents
一种基于生成对抗网络的心电信号生成方法 Download PDFInfo
- Publication number
- CN110897634A CN110897634A CN201911302083.9A CN201911302083A CN110897634A CN 110897634 A CN110897634 A CN 110897634A CN 201911302083 A CN201911302083 A CN 201911302083A CN 110897634 A CN110897634 A CN 110897634A
- Authority
- CN
- China
- Prior art keywords
- model
- electrocardiosignal
- real
- generation
- prediction
- 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
- A61B5/24—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出的一种基于生成对抗网络的心电信号生成方法,其特征在于,通过构建生成模型G和判别模型D组成生成对抗网络;生成模型G的输入为噪声信号,输出为模拟心电信号;判别模型D的输入为心电信号,输出为心电信号为真实心电信号的概率;通过生成模型G和判别模型D的对抗训练更新生成模型G,使得生成模型G根据噪声信号模拟真实的心电信号数据并输出。通过本发明可以无限量地产生接近于真实心电信号数据的模拟心电信号数据,大大提高了心电信号采集的效率,并释放了人力。
Description
技术领域
本发明涉及医学和计算机科学技术领域,尤其涉及一种基于生成对抗网络的心电信号生成方法。
背景技术
心电信号是通过在人体皮肤上放置电极采集的心脏电活动信号,是目前最方便且精确的心脏数据采集手段。分析心电信号可以无创伤地诊断多种心脏疾病,长期以来一直是医学、生物学、计算机科学领域内的研究热点。
近年来,随着大数据、人工智能技术的飞速发展,基于大规模心电信号数据建立的心电信号自动分析模型,已经取得了比传统模式识别方法更好的效果,这对于进一步提升国家的医疗水平有着十分重要的意义。
然而,心电信号数据的获取与采集会花费很大的人力物力。据统计,三甲医院的心电科采集一次心电信号数据花费在几十元人民币,耗费一位心电科医师大约10分钟的时间,采集到的有效数据通常在30秒至2分钟。数据量的不足,很难达到现阶段心电信号自动分析模型的训练需求,极大地阻碍了相关算法的成熟应用与落地。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于生成对抗网络的心电信号生成方法。
本发明提出的一种基于生成对抗网络的心电信号生成方法,通过构建生成模型G和判别模型D组成生成对抗网络;生成模型G的输入为噪声信号,输出为模拟心电信号;判别模型D的输入为心电信号,输出为心电信号为真实心电信号的概率;通过生成模型G和判别模型D的对抗训练更新生成模型G,使得生成模型G根据噪声信号模拟真实的心电信号数据并输出。
优选的,生成模型G和判别模型D均为神经网络模型。
优选的,包括以下步骤:
S1、构建生成模型G,其输入为r维的噪声信号z,输出为长度为d、导联数为c的模拟心电信号;
S2、构建判别模型D,其输入为长度为d、导联数为c的心电信号x,输出为数值P,0≦P≦1,P表示该心电信号是真实信号的概率;
S3、初始化生成模型G的模型参数θG和判别模型D的模型参数θD,预设精度阈值T;
S4、获取m个r维的噪声信号并输入生成模型G,获得m个长度为d、导联数为c的模拟心电信号样本Xfake;并从真实的心电信号中获得m个长度为d、导联数为c的心电信号真实样本Xreal;m为预设常数值;
S5、将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为训练样本,对判别模型D进行训练更新;
S6、计算更新后的判别模型D对训练数据的预测精度;如果预测精度大于精度阈值T,则固定判别模型D,并执行下一步;如果预测精度小于或者等于精度阈值T,则返回步骤S4;
S7、判别模型D固定后,获取新的噪声信号作为训练样本,并结合固定后的判别模型D对生成模型G进行训练更新并固定。
优选的,步骤S5具体为:将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为判别模型D的训练样本,训练过程中,采用梯度上升法对判别模型D进行参数更新。
优选的,梯度上升法采用的梯度计算公式为:
优选的,步骤S6中,计算更新后的判别模型D对训练数据的预测精度的方法为:重新获取k个r维的噪声信号并输入生成模型G进行训练,获得k个模拟心电信号作为虚拟验证样本;并从真实的心电信号中获得k个心电信号作为真实验证样本;将虚拟验证样本和真实验证样本均输入更新后的判别模型D,并根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度,k为预设常数值。
优选的,根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度的具体方法为:设置虚拟预测阈值和真实预测阈值,虚拟预测阈值小于0.5并大于0,真实预测阈值大于0.5并小于1;获取通过判别模型D获得的标注值大于真实预测阈值的真实验证样本数量作为第一数值,获取通过判别模型D获得的标注值小于虚拟预测阈值的虚拟验证样本数量作为第二数值;获取第一数值与第二数值之和除以虚拟预测阈值数量和真实预测阈值数量之和的商值作为判别模型D的预测精度。
优选的,步骤S7中,采用梯度下降法更新生成模型G的模型参数。
优选的,还包括步骤S8:循环N次执行步骤S4到S7,获得最终的生成模型G和判别模型D并固定,最终的生成模型G用于从输入的任意数量噪声信号中模拟生成相同数量的心电信号数据并输出。
本发明提出的一种基于生成对抗网络的心电信号生成方法,首先根据初始化的生成模型G训练判别模型D,使得判别模型D对生成模型G生成的虚拟心电信号具有辨识能力;然后再根据训练后的判别模型D对抗训练生成模型G,使得生成模型G能够根据噪声信号模拟生成足以假乱真的心电信号。
如此,通过本发明可以无限量地产生接近于真实心电信号数据的模拟心电信号数据,大大提高了心电信号采集的效率,并释放了人力。
附图说明
图1为本发明提出的一种基于生成对抗网络的心电信号生成方法流程图。
具体实施方式
参照图1,本发明提出的一种基于生成对抗网络的心电信号生成方法,通过构建生成模型G和判别模型D组成生成对抗网络;生成模型G的输入为噪声信号,输出为模拟心电信号;判别模型D的输入为心电信号,输出为心电信号为真实心电信号的概率;通过生成模型G和判别模型D的对抗训练更新生成模型G,使得生成模型G根据噪声信号模拟真实的心电信号数据并输出。
本实施方式中,生成模型G和判别模型D均为神经网络模型。
本实施方式中的基于生成对抗网络的心电信号生成方法,具体包括以下步骤。
S3、初始化生成模型G的模型参数θG和判别模型D的模型参数θD,预设精度阈值T。
S4、获取m个r维的噪声信号并输入生成模型G,获得m个长度为d、导联数为c的模拟心电信号样本Xfake;并从真实的心电信号中获得m个长度为d、导联数为c的心电信号真实样本Xreal;m为预设常数值。
具体的,本实施方式中,输入生成模型G的噪声信号随机获得。具体的,为了方便后续噪声信号的获得,可建立噪声库,用于存储预处理后的r维的噪声信号,以便在噪声库中随机抽取噪声样本进行生成模型G的训练。
同理,本实施方式中,也可先建立真实样本库,用于存储预处理后的长度为d、导联数为c的真实的心电信号,以便通过在真实样本库中进行随机抽样以获得心电信号真实样本。
S5、将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为训练样本,对判别模型D进行训练更新。
具体的,本步骤S5中,将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为判别模型D的训练样本,训练过程中,采用梯度上升法对判别模型D进行参数更新。本步骤中,梯度上升法采用的梯度计算公式为:
其中,Xreal[i]表示第i个心电信号真实样本Xreal,Xfake[i]表示第i个模拟心电信号样本Xfake。
S6、计算更新后的判别模型D对训练数据的预测精度;如果预测精度大于精度阈值T,则固定判别模型D,并执行下一步;如果预测精度小于或者等于精度阈值T,则返回步骤S4。即,当预测精度小于或者等于精度阈值T时,通过循环执行步骤S4-S6,对判别模型D进行重复训练,直至预测精度大于精度阈值T。
本实施方式中,计算更新后的判别模型D对训练数据的预测精度的方法为:重新获取k个r维的噪声信号并输入生成模型G进行训练,获得k个模拟心电信号作为虚拟验证样本;并从真实的心电信号中获得k个心电信号作为真实验证样本;将虚拟验证样本和真实验证样本均输入更新后的判别模型D,并根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度。
具体的,本实施方式中,可从噪声库中随机抽取k各噪声信号,通过生成模型G训练获得k个虚拟验证样本;并从真实样本库中直接抽取k个真实验证样本。k为预设常数值。
本实施方式中,根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度的具体方法为:设置虚拟预测阈值和真实预测阈值,虚拟预测阈值小于0.5并大于0,真实预测阈值大于0.5并小于1;获取通过判别模型D获得的标注值大于真实预测阈值的真实验证样本数量作为第一数值,获取通过判别模型D获得的标注值小于虚拟预测阈值的虚拟验证样本数量作为第二数值;获取第一数值与第二数值之和除以虚拟预测阈值数量和真实预测阈值数量之和的商值作为判别模型D的预测精度。
假设,当k个真实验证样本中,有k1个满足D(Xreal[i])大于真实预测阈值,即第一数值为k1;k个虚拟验证样本中,有k2个满足D(Xfake[i])小于虚拟预测阈值,即第二数值为k2。则,预测精度=(k1+k2)/2k。
S7、判别模型D固定后,获取新的噪声信号作为训练样本,并结合固定后的判别模型D对生成模型G进行训练更新并固定。具体的,本实施方式中,作为训练样本的噪声信号为r维的噪声信号,具体可从噪声库中随机抽取。
本步骤S7中,采用梯度下降法更新生成模型G的模型参数。具体的,梯度下降法采用的梯度计算公式为:其中,其中Z[i]表示第i条噪声,G(Z[i])表示生成模型G根据噪声Z[i]模拟生成的模拟心电信号,D(G(Z[i])表示判别模型D对模拟心电信号G(Z[i])标注的真实概率。
本实施方式中,首先根据初始化的生成模型G训练判别模型D,使得判别模型D对生成模型G生成的虚拟心电信号具有辨识能力;然后再根据训练后的判别模型D对抗训练生成模型G,使得生成模型G能够根据噪声信号模拟生成足以以假乱真的心电信号。
本发明具体实施时,为了进一步保证生成模型G对噪声信号的处理能力,可将生成模型G和判别模型D根据以下步骤,多次循环对抗训练,使得最终的生成模型G从造成信号中模拟的心电信号无限接近于真实的心电信号。
S8、循环N次执行步骤S4到S7,获得最终的生成模型G和判别模型D并固定,最终的生成模型G用于从输入的任意数量噪声信号中模拟生成相同数量的心电信号数据并输出。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于生成对抗网络的心电信号生成方法,其特征在于,通过构建生成模型G和判别模型D组成生成对抗网络;生成模型G的输入为噪声信号,输出为模拟心电信号;判别模型D的输入为心电信号,输出为心电信号为真实心电信号的概率;通过生成模型G和判别模型D的对抗训练更新生成模型G,使得生成模型G根据噪声信号模拟真实的心电信号数据并输出。
2.如权利要求1所述的基于生成对抗网络的心电信号生成方法,其特征在于,生成模型G和判别模型D均为神经网络模型。
3.如权利要求1所述的基于生成对抗网络的心电信号生成方法,其特征在于,包括以下步骤:
S1、构建生成模型G,其输入为r维的噪声信号z,输出为长度为d、导联数为c的模拟心电信号;
S2、构建判别模型D,其输入为长度为d、导联数为c的心电信号x,输出为数值P,0≦P≦1,P表示该心电信号是真实信号的概率;
S3、初始化生成模型G的模型参数θG和判别模型D的模型参数θD,预设精度阈值T;
S4、获取m个r维的噪声信号并输入生成模型G,获得m个长度为d、导联数为c的模拟心电信号样本Xfake;并从真实的心电信号中获得m个长度为d、导联数为c的心电信号真实样本Xreal;m为预设常数值;
S5、将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为训练样本,对判别模型D进行训练更新;
S6、计算更新后的判别模型D对训练数据的预测精度;如果预测精度大于精度阈值T,则固定判别模型D,并执行下一步;如果预测精度小于或者等于精度阈值T,则返回步骤S4;
S7、判别模型D固定后,获取新的噪声信号作为训练样本,并结合固定后的判别模型D对生成模型G进行训练更新并固定。
4.如权利要求3所述的基于生成对抗网络的心电信号生成方法,其特征在于,步骤S5具体为:将获得的模拟心电信号样本Xfake和心电信号真实样本Xreal作为判别模型D的训练样本,训练过程中,采用梯度上升法对判别模型D进行参数更新。
6.如权利要求3所述的基于生成对抗网络的心电信号生成方法,其特征在于,步骤S6中,计算更新后的判别模型D对训练数据的预测精度的方法为:重新获取k个r维的噪声信号并输入生成模型G进行训练,获得k个模拟心电信号作为虚拟验证样本;并从真实的心电信号中获得k个心电信号作为真实验证样本;将虚拟验证样本和真实验证样本均输入更新后的判别模型D,并根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度,k为预设常数值。
7.如权利要求6所述的基于生成对抗网络的心电信号生成方法,其特征在于,根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度的具体方法为:设置虚拟预测阈值和真实预测阈值,虚拟预测阈值小于0.5并大于0,真实预测阈值大于0.5并小于1;获取通过判别模型D获得的标注值大于真实预测阈值的真实验证样本数量作为第一数值,获取通过判别模型D获得的标注值小于虚拟预测阈值的虚拟验证样本数量作为第二数值;获取第一数值与第二数值之和除以虚拟预测阈值数量和真实预测阈值数量之和的商值作为判别模型D的预测精度。
8.如权利要求3所述的基于生成对抗网络的心电信号生成方法,其特征在于,步骤S7中,采用梯度下降法更新生成模型G的模型参数。
10.如权利要求3所述的基于生成对抗网络的心电信号生成方法,其特征在于,还包括步骤S8:循环N次执行步骤S4到S7,获得最终的生成模型G和判别模型D并固定,最终的生成模型G用于从输入的任意数量噪声信号中模拟生成相同数量的心电信号数据并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302083.9A CN110897634A (zh) | 2019-12-17 | 2019-12-17 | 一种基于生成对抗网络的心电信号生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302083.9A CN110897634A (zh) | 2019-12-17 | 2019-12-17 | 一种基于生成对抗网络的心电信号生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110897634A true CN110897634A (zh) | 2020-03-24 |
Family
ID=69826110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911302083.9A Pending CN110897634A (zh) | 2019-12-17 | 2019-12-17 | 一种基于生成对抗网络的心电信号生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110897634A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112807000A (zh) * | 2021-02-04 | 2021-05-18 | 首都师范大学 | 鲁棒性脑电信号的生成方法及装置 |
CN113768523A (zh) * | 2021-11-11 | 2021-12-10 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
CN114159069A (zh) * | 2021-12-14 | 2022-03-11 | 南京邮电大学 | 基于空间注意力的生成对抗网络心拍信号生成系统及方法 |
CN115530842A (zh) * | 2022-11-30 | 2022-12-30 | 合肥心之声健康科技有限公司 | 一种增强分类心电信号的神经网络模型鲁棒性的方法 |
CN114159069B (zh) * | 2021-12-14 | 2024-07-12 | 南京邮电大学 | 基于空间注意力的生成对抗网络心拍信号生成系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN108597496A (zh) * | 2018-05-07 | 2018-09-28 | 广州势必可赢网络科技有限公司 | 一种基于生成式对抗网络的语音生成方法及装置 |
CN109036573A (zh) * | 2018-07-06 | 2018-12-18 | 苏州大学 | 基于生成式对抗网络技术的心电图生成及分类方法 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
US20190353730A1 (en) * | 2018-05-18 | 2019-11-21 | Case Western Reserve University | System and method for generating a magnetic resonance fingerprinting dictionary using semi-supervised learning |
-
2019
- 2019-12-17 CN CN201911302083.9A patent/CN110897634A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220600A (zh) * | 2017-05-17 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN108597496A (zh) * | 2018-05-07 | 2018-09-28 | 广州势必可赢网络科技有限公司 | 一种基于生成式对抗网络的语音生成方法及装置 |
US20190353730A1 (en) * | 2018-05-18 | 2019-11-21 | Case Western Reserve University | System and method for generating a magnetic resonance fingerprinting dictionary using semi-supervised learning |
CN109036573A (zh) * | 2018-07-06 | 2018-12-18 | 苏州大学 | 基于生成式对抗网络技术的心电图生成及分类方法 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
Non-Patent Citations (1)
Title |
---|
王万良,李卓蓉: "生成式对抗网络研究进展", 《通信学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112807000A (zh) * | 2021-02-04 | 2021-05-18 | 首都师范大学 | 鲁棒性脑电信号的生成方法及装置 |
CN112807000B (zh) * | 2021-02-04 | 2023-02-28 | 首都师范大学 | 鲁棒性脑电信号的生成方法及装置 |
CN113768523A (zh) * | 2021-11-11 | 2021-12-10 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
CN113768523B (zh) * | 2021-11-11 | 2022-04-22 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
CN114159069A (zh) * | 2021-12-14 | 2022-03-11 | 南京邮电大学 | 基于空间注意力的生成对抗网络心拍信号生成系统及方法 |
CN114159069B (zh) * | 2021-12-14 | 2024-07-12 | 南京邮电大学 | 基于空间注意力的生成对抗网络心拍信号生成系统及方法 |
CN115530842A (zh) * | 2022-11-30 | 2022-12-30 | 合肥心之声健康科技有限公司 | 一种增强分类心电信号的神经网络模型鲁棒性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
CN110897634A (zh) | 一种基于生成对抗网络的心电信号生成方法 | |
CN110141220B (zh) | 基于多模态融合神经网络的心肌梗死自动检测系统 | |
CN108720831B (zh) | 一种基于导联深度神经网络的自动心律失常分析方法 | |
CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN108766557B (zh) | 基于通道信号融合神经网络的自动心律失常分析方法 | |
Ahmed et al. | An investigative study on motifs extracted features on real time big-data signals | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
CN111626114A (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN109091138A (zh) | 心律失常起源点的判断装置及标测系统 | |
CN111956212A (zh) | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 | |
CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN111956214A (zh) | 基于U-net端对端神经网络模型的QRS波自动检测方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN111460951A (zh) | 一种基于深度学习的心电信号自动分析方法 | |
CN109805924A (zh) | 基于cnn的心电信号处理方法及心律不齐检测系统 | |
CN115392319A (zh) | 一种融合心脏动力学模型和对抗生成网络的心电异常分类方法 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN112826507A (zh) | 一种感音神经性耳聋的脑功能网络演化建模方法 | |
CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 |
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 |