CN111261283A - 基于金字塔型卷积层的心电信号深度神经网络建模方法 - Google Patents

基于金字塔型卷积层的心电信号深度神经网络建模方法 Download PDF

Info

Publication number
CN111261283A
CN111261283A CN202010072764.7A CN202010072764A CN111261283A CN 111261283 A CN111261283 A CN 111261283A CN 202010072764 A CN202010072764 A CN 202010072764A CN 111261283 A CN111261283 A CN 111261283A
Authority
CN
China
Prior art keywords
electrocardiosignal
convolution
convolution layer
layer
pyramid
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.)
Granted
Application number
CN202010072764.7A
Other languages
English (en)
Other versions
CN111261283B (zh
Inventor
蒋明峰
鲁薏
李杨
汪亚明
杨晓城
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.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
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 Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202010072764.7A priority Critical patent/CN111261283B/zh
Publication of CN111261283A publication Critical patent/CN111261283A/zh
Application granted granted Critical
Publication of CN111261283B publication Critical patent/CN111261283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • 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
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开了基于金字塔型卷积层的心电信号深度神经网络建模方法。搭建更优的深度卷积神经网络模型很有必要。本发明具体步骤如下：将传入的心电信号分别输入到不同卷积核的卷积层中，使得整个输入信号的每个感受野都通过不同的卷积核重复作用；接着，将多个卷积分支形成的特征图输出进行级联，并经过一个卷积核为1的卷积层以得到得到最终的心电信号特征图；心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。本发明能够在自动提取心电信号特征的同时，保留住多尺度的心电信号细节信息，呈现出含有更丰富特征的特征图，有效提高了心律失常识别和分类的准确性。

Description

基于金字塔型卷积层的心电信号深度神经网络建模方法
技术领域
本发明属于心电信号分类技术领域，具体涉及一种基于金字塔型卷积层的心电信号深度神经网络建模方法。
背景技术
心血管疾病的诊断是心电图分析的主要应用领域之一。据世界卫生组织报道，心血管疾病是世界范围内死亡的主要原因。在心血管疾病中，心律失常(Arrhythmia)发生最多，而心室颤动(Atrial fibrillation，AF)就是其中一种最为常见的心律失常疾病，会引起心跳不规律、迅速收缩等症状。发生房颤时，心跳的频率往往快而不规则，有时可以达到100次/min～160次/min。检测房颤有助于慢性房颤的早期诊断、治疗和并发症的预防，因此，如何对其进行精确分类一直是生物医学研究的热点之一。
深度学习(DeepLearning)能够从原始输入中自动学习到深层特征，而无需手动提取特征。现有的心电分析算法大多是采用DNNs实现的，用DNNs对心电数据进行处理时，构建端到端网络架构这些用DNNs对心电数据进行分类的研究也取得了良好的效果。在神经网络中，卷积神经网络特有的卷积层和池化层使其具有很好的特征提取功能。因此，为了使心电分类更加准确，搭建更优的深度卷积神经网络模型很有必要。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于金字塔型卷积层的心电信号深度神经网络建模方法，使用端到端的深度卷积神经网络来对心电信号分类，不需要做噪音滤波、去除伪影等预处理步骤，从实验角度上来讲，保证了心电分类处理效率；将卷积层做改进，构建出多分支的金字塔型卷积层结构并对卷积核进行分析后调整，保证没有经过预处理的心电信号能够得到多尺度的多个特征面，并保证心电信号特征提取多尺度的优化；将金字塔型卷积层应用于深度卷积神经网络中的第一层，保证了一开始的心电特征提取多面性，对后续神经网络的分类处理工作有很大意义。本发明能有效提高对于房颤类别的分类准确性。
本发明具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n+1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1。
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练,具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个不同卷积核的常规卷积层分支形成的特征图。
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
Figure BDA0002377713040000021
其中，X为级联后的特征图，Concat表示各常规卷积层分支形成的特征图在通道上的级联，
Figure BDA0002377713040000022
表示第l个常规卷积层分支形成的特征图。
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图。
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
进一步，心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
Figure BDA0002377713040000023
式中，
Figure BDA0002377713040000024
表示第l个常规卷积层的第α通道心电信号输入，而当l＝1时，第1个常规卷积层的第α通道心电信号输入
Figure BDA0002377713040000025
就是原始的心电信号输入；
Figure BDA0002377713040000026
表示第l个常规卷积层的第α通道输出，f(·)为激励函数；Mα表示第α通道中特征图的第l-1层特征图子集，i表示特征图子集中的各个特征单元，
Figure BDA0002377713040000027
表示第l-1个常规卷积层中第i个特征单元的输出，
Figure BDA0002377713040000028
是第l个常规卷积层中第α通道第i个特征单元位置上的卷积核矩阵，bias是偏置项，“*”是卷积符号。
本发明相比于现有技术的有益效果在于：
本发明的金字塔型卷积层对于同一组心电数据从不同角度多分支进行特征提取，并且最后再聚合，提高了网络的鲁棒性，对房颤类别等类别分类性能更好。本发明能够在自动提取心电信号特征的同时，保留住多尺度的心电信号细节信息，呈现出含有更丰富特征的特征图。从构建模型的层面上讲，能够在相同数据量的情况下构建出分类效果更好的模型。与更高维度的数据应用相比，金字塔型卷积层在对一维心电数据进行训练和处理在时间层面上具有大幅度缩减，所需的资源占用也大幅度减小，特别地，本发明极大地提高了心电信号类别中房颤类别的分类效率，具有很大的可实用性。本发明提升了病人检查结果的准确性，在临床医学技术应用中具有重要意义。
附图说明
图1为本发明的流程示意图。
图2为本发明中金字塔型卷积层的构成示意图。
图3为本发明中具有金字塔型卷积层的网络架构示意图。
具体实施方式
为了更加具体地描述本发明，下面结合附图对本发明的技术方案进行详细说明。
如图1、2和3所示，基于金字塔型卷积层的心电信号深度神经网络建模方法，将心电信号输入到基于金字塔型卷积层的心电信号深度神经网络模型中，在该网络模型中，第一层卷积层为金字塔型卷积层，之后的卷积层都为普通卷积层，且包含在残差块中。具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；如图1所示，采用残差连接的方式，通过残差块(本实施例中m＝16)构建网络架构。本实施例的残差块内部，让两层卷积去拟合输入数据和通过最大池化层映射后的输出数据之间的残差。金字塔型卷积层由n+1个常规卷积层(Convolutional layer)组成，n≥2，本实施例中n＝6；为了控制网络参数与计算量，将前n个常规卷积层的卷积核设置较小，其中最大为16，最小为4，中间四个分别取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1。
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练,具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中,由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，心电信号的每个感受野都通过不同的卷积核重复作用，从而得到n个不同卷积核的常规卷积层分支形成的特征图。
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
Figure BDA0002377713040000041
其中，X为级联后的特征图，Concat表示各常规卷积层分支形成的特征图在通道上的级联，
Figure BDA0002377713040000042
表示第l个常规卷积层分支形成的特征图。
在本发明中，级联金字塔型卷积层的n个非线性激活层(即n个常规卷积层)，代替单一非线性激活层，增加了判别能力。
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图。
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值(本实施例中取100)或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
其中，心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
Figure BDA0002377713040000043
式中，
Figure BDA0002377713040000044
表示第l个常规卷积层的第α通道心电信号输入，而当l＝1时，第1个常规卷积层的第α通道心电信号输入
Figure BDA0002377713040000045
就是原始的心电信号输入；
Figure BDA0002377713040000046
表示第l个常规卷积层的第α通道输出，f(·)为激励函数；Mα表示第α通道中特征图的第l-1层特征图子集，i表示特征图子集中的各个特征单元，
Figure BDA0002377713040000047
表示第l-1个常规卷积层中第i个特征单元的输出，
Figure BDA0002377713040000048
是第l个常规卷积层中第α通道第i个特征单元位置上的卷积核矩阵，bias是偏置项，“*”是卷积符号。
为了验证基于金字塔型卷积层的心电信号深度神经网络建模方法在心电信号分类上的性能，采用2017年Cinc挑战赛的8528条心电数据进行实验，如表1所示，包含4类心拍类型，它们分别是正常节律、房颤节律、其他节律和噪声。本实施例将该8528条心电数据中的10％作为测试集，其余90％作为训练集，又将训练集中的10％作为验证集。
表1
Figure BDA0002377713040000051
将本实施例(金字塔型卷积层的n＝6，作为实施例1)与普通算法(金字塔型卷积层替换成一层常规卷积层，作为对比例)和3分支算法(金字塔型卷积层的n＝3，作为实施例2)进行比较，用准确度(Accuracy，用Acc表示)、序列级别精度(Sequence Level Accuracy，用SeqF1表示)以及集合级别精度(Set Level Accuracy，用SetF1表示)作为客观评价指标来衡量分类效果，以验证本发明方法的分类性能。
其中，准确度定义为：
Figure BDA0002377713040000052
式中，TP是正样本的正确预测数，TN是负样本的正确预测数，FN是正样本的不正确预测数，FP是负样本的不正确预测数。
实施例1与普通算法相比，准确度从85.4％提升到了85.7％。
序列级别精度(SeqF1)定义为：将预测标签和真实标签之间以一个序列的长度做平均重叠。对于每一个记录，需要每秒大约一次进行预测。将这些预测与正确注释结果(真实标签)进行比较。
集合级别精度(SetF1)：不是将记录的标签视为序列，而是将每30秒记录中出现的一组唯一的心律失常视为基础事实注释。与“序列级别精度”不同，“集合级别精度”不会因记录中的时间未对准而受到影响。从正确注释结果和模型预测得出的特殊类别标签之间计算集合级别精度。
表2为三种算法的序列级别精度和集合级别精度对比，可以看到，随着金字塔卷积层金字塔的扩大、层数的增加，本发明模型的序列级别精度评分有了明显的提升；且实施例1与对比例评分相比，对于窦性节律(正常节律)序列级别精度(用qF1N表示)从0.793提升到了0.906，对于房颤节律序列级别精度(用qF1A表示)从0.719提升到了0.823，对于其他节律序列级别精度(用qF1O表示，噪声序列级别精度用qF1P表示)从0.703提高到了0.789，四种节律的序列级别精度平均得分从0.857提高到了0.920。从集合级别精度评分来看，4种节律分类均有提升,窦性节律集合级别精度用tF1N表示,房颤节律集合级别精度用tF1A表示,其他节律集合级别精度用tF1O表示,噪声集合级别精度用tF1P表示。通过对比容易发现，金字塔型卷积层提高了网络的鲁棒性，因此可以看到这两类客观评价指标评分都有明显提升，在特征提取方面提供了一些改进，保留更多的细节信息。
表2
Figure BDA0002377713040000061
表3为三种算法的序列级AUC(SeqAUC)和集合级AUC(setAUC)对比，可以发现，实施例1与对比例评分相比，序列级别的类加权平均曲线下面积和集合级别的类加权平均都有提升，序列级别的类加权平均曲线下面积从0.976提高到了0.981，集合级别的类加权平均从0.964提高到了0.969。实施例1和实施例2的深度残差网络中，所有节律分类的序列级AUC(窦性节律序列级AUC用qAUCN表示,房颤节律序列级AUC用qAUCA表示,其他节律序列级AUC用qAUCO表示,噪声序列级AUC用qAUCP表示)都高于0.941，所有分类的集合级AUC(窦性节律集合级AUC用tAUCN表示,房颤节律集合级AUC用tAUCA表示,其他节律集合级AUC用tAUCO表示,噪声集合级AUC用tAUCP表示)都高于0.931。由此可见，本发明可以使得模型具有较好的心电分类性能。
表3
Figure BDA0002377713040000062

Claims (2)

1.基于金字塔型卷积层的心电信号深度神经网络建模方法，具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n+1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1；
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练，具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个不同卷积核的常规卷积层分支形成的特征图；
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
Figure FDA0002377713030000011
其中，X为级联后的特征图，Concat表示各常规卷积层分支形成的特征图在通道上的级联，
Figure FDA0002377713030000012
表示第l个常规卷积层分支形成的特征图；
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图；
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类；
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
2.根据权利要求1所述基于金字塔型卷积层的心电信号深度神经网络建模方法，其特征在于：心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
Figure FDA0002377713030000013
式中，
Figure FDA0002377713030000014
表示第l个常规卷积层的第α通道心电信号输入，而当l＝1时，第1个常规卷积层的第α通道心电信号输入
Figure FDA0002377713030000021
就是原始的心电信号输入；
Figure FDA0002377713030000022
表示第l个常规卷积层的第α通道输出，f(·)为激励函数；Mα表示第α通道中特征图的第l-1层特征图子集，i表示特征图子集中的各个特征单元，
Figure FDA0002377713030000023
表示第l-1个常规卷积层中第i个特征单元的输出，
Figure FDA0002377713030000024
是第l个常规卷积层中第α通道第i个特征单元位置上的卷积核矩阵，bias是偏置项，“*”是卷积符号。
CN202010072764.7A 2020-01-21 2020-01-21 基于金字塔型卷积层的心电信号深度神经网络建模方法 Active CN111261283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010072764.7A CN111261283B (zh) 2020-01-21 2020-01-21 基于金字塔型卷积层的心电信号深度神经网络建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010072764.7A CN111261283B (zh) 2020-01-21 2020-01-21 基于金字塔型卷积层的心电信号深度神经网络建模方法

Publications (2)

Publication Number Publication Date
CN111261283A true CN111261283A (zh) 2020-06-09
CN111261283B CN111261283B (zh) 2023-05-09

Family

ID=70949159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010072764.7A Active CN111261283B (zh) 2020-01-21 2020-01-21 基于金字塔型卷积层的心电信号深度神经网络建模方法

Country Status (1)

Country Link
CN (1) CN111261283B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112244863A (zh) * 2020-10-23 2021-01-22 京东方科技集团股份有限公司 信号识别方法、信号识别装置、电子设备及可读存储介质
CN114169366A (zh) * 2021-11-19 2022-03-11 北京师范大学 神经反馈训练系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894045A (zh) * 2016-05-06 2016-08-24 电子科技大学 一种基于空间金字塔池化的深度网络模型的车型识别方法
CN108647614A (zh) * 2018-04-28 2018-10-12 吉林大学 心电图心拍分类识别方法及系统
GB201900883D0 (en) * 2019-01-22 2019-03-13 Toshiba Kk A computer vision system and method
CN110706242A (zh) * 2019-08-26 2020-01-17 浙江工业大学 一种基于深度残差网络的对象级边缘检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894045A (zh) * 2016-05-06 2016-08-24 电子科技大学 一种基于空间金字塔池化的深度网络模型的车型识别方法
CN108647614A (zh) * 2018-04-28 2018-10-12 吉林大学 心电图心拍分类识别方法及系统
GB201900883D0 (en) * 2019-01-22 2019-03-13 Toshiba Kk A computer vision system and method
US20200234447A1 (en) * 2019-01-22 2020-07-23 Kabushiki Kaisha Toshiba Computer vision system and method
CN110706242A (zh) * 2019-08-26 2020-01-17 浙江工业大学 一种基于深度残差网络的对象级边缘检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ABDELHAFID DAKHIA, TIANTIAN WANG, HUCHUAN LU: "Multi-scale Pyramid Pooling Network for salient object detection" *
冯翔;吴瀚;司冰灵;季超;: "基于嵌网融合结构的卷积神经网络手势图像识别方法" *
张雨丰;郑忠龙;刘华文;向道红;何小卫;李知菲;何依然;KHODJA ABD ERRAOUF;: "基于特征图切分的轻量级卷积神经网络" *
朱威;王图强;陈悦峰;何德峰;: "基于多尺度残差网络的对象级边缘检测算法" *
蒋明峰,王洪: "基于小波分析与神经网络相结合的表面肌电信号识别的研究" *
顾婷婷;赵海涛;孙韶媛;: "基于金字塔型残差神经网络的红外图像深度估计" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112244863A (zh) * 2020-10-23 2021-01-22 京东方科技集团股份有限公司 信号识别方法、信号识别装置、电子设备及可读存储介质
CN114169366A (zh) * 2021-11-19 2022-03-11 北京师范大学 神经反馈训练系统和方法
CN114169366B (zh) * 2021-11-19 2023-10-20 北京师范大学 神经反馈训练系统和方法

Also Published As

Publication number Publication date
CN111261283B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN110890155B (zh) 一种基于导联注意力机制的多类心律失常检测方法
Shi et al. Automated heartbeat classification based on deep neural network with multiple input layers
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
Ghiasi et al. Atrial fibrillation detection using feature based algorithm and deep convolutional neural network
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
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
CN107595276B (zh) 一种基于单导联心电信号时频特征的房颤检测方法
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
CN111329469A (zh) 一种心律异常预测方法
CN113229825A (zh) 一种基于深度神经网络的多标签多导联心电图分类方法
CN111202512A (zh) 一种基于小波变换与dcnn的心电图分类方法和装置
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
CN112932433A (zh) 一种心电图的心律失常自动分类方法
CN111261283B (zh) 基于金字塔型卷积层的心电信号深度神经网络建模方法
CN113180679A (zh) 一种单导联心电异常信号识别方法
Dhyani et al. Analysis of ECG-based arrhythmia detection system using machine learning
CN113080993A (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
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
Nonaka et al. Electrocardiogram classification by modified EfficientNet with data augmentation
Chen et al. Multi-channel lightweight convolution neural network for anterior myocardial infarction detection
CN116898451A (zh) 用具有多尺度注意力机制的神经网络实现房颤预测的方法
Wang et al. Pay attention and watch temporal correlation: a novel 1-D convolutional neural network for ECG record classification
Kumari et al. Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network
Roland et al. An automated system for arrhythmia detection using ECG records from MITDB

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