CN111329469A - 一种心律异常预测方法 - Google Patents
一种心律异常预测方法 Download PDFInfo
- Publication number
- CN111329469A CN111329469A CN202010146361.2A CN202010146361A CN111329469A CN 111329469 A CN111329469 A CN 111329469A CN 202010146361 A CN202010146361 A CN 202010146361A CN 111329469 A CN111329469 A CN 111329469A
- Authority
- CN
- China
- Prior art keywords
- input vector
- ecg
- predicting
- models
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 206010003119 arrhythmia Diseases 0.000 title claims description 8
- 230000006793 arrhythmia Effects 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 84
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000033764 rhythmic process Effects 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 206010040741 Sinus bradycardia Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Cardiology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心律异常预测方法，包括以下步骤：将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；将输入向量通过多个RNN模型训练获得多个底层分类器；采用全连接神经网络融合多个底层分类器预测ECG异常事件。本发明先采用多种CNN模型提取ECG数据的特征向量后组合成输入向量，再采用RNN提取输入向量中的时序信息，构成具有预测ECG异常能力的底层分类器，最后底层分类器再次预测ECG数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步使预测结果更为精准。
Description
技术领域
本发明属于心电生理分析技术领域，具体涉及一种心律异常预测方法。
背景技术
心律失常是心血管疾病中重要的一组疾病，它可单独发病，亦可与其他心血管病伴发，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。因此，对心律的精准诊断与及时治疗是应对心血管疾病的有效措施。目前，通过利用心电图机从体表记录心脏每一心动周期所产生的电活动，制成心电图（ECG）用于检测和诊断心律情况。然而，通过医生对心电图分析和判断，容易受医生的职业能力或经验等主观因素影响，同时数量庞大的心电图影像会使医生疲劳，导致工作效率较低。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。
深度学习技术通过对处理后的ECG进行特征提取与选择，分析并判断心脏的运转情况。因此，对ECG的特征提取效果直接决定了分类性能，目前主要方法模型有两种，一种是采用卷积神经网络（CNN）提取某段ECG数据后通入神经网络进行预测判断，另一种是采用循环神经网络（RNN）对ECG数据进行预测判断。只使用一个模型，或者使用一类模型对于ECG异常事件的预测虽然已经能有不错的效果，但是对于一些特定的异常事件的预测，某一类模型可能会出现较大的误判率。
发明内容
本发明的目的是为了解决上述单一模型对ECG数据预判容易出现误判的技术问题，提供一种心率异常预测方法，采用多种不同模型预测ECG数据的异常情况，并采用全连接神经网络模型将多种预测结果融合后生成最佳预测结果，使预测结果更真实地反映ECG数据情况。
为了解决上述问题，本发明按以下技术方案予以实现的：
本发明所述一种心律异常预测方法，包括以下步骤：
将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；
将输入向量通过多个RNN模型训练获得多个底层分类器；
采用全连接神经网络融合多个底层分类器预测ECG异常事件。
进一步地，所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：
采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；
将多个特征向量在深度方向合并，形成输入向量。
进一步地，所述CNN模型包括卷积层和池化层，所述卷积层用于提取ECG数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。
进一步地，所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量之前包括获取ECG数据集并对其预处理，具体为：
获取医疗心电样本；
对医疗心电样本进行增强操作，并对其竖直翻转后获得ECG数据集。
进一步地，所述对原始心跳样本的数据进行增强操作包括对医疗心电样本数据进行随机平移或加减。
进一步地，所述将输入向量通过多个RNN模型训练获得多个底层分类器具体为：
多个RNN模型分别提取输入向量的时序信息，生成多个具有独立预测ECG异常事件的底层分类器。
进一步地，采用全连接神经网络融合多个底层分类器预测ECG异常事件包括以下步骤：
对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；
各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。
日前用于预测ECG异常事件的模型常见类型包括卷积神经网络（CNN）和循环神经网络（RNN），各模型对ECG异常事件的单独预测存在一定的误判情况，漏判或错判容易使心律失常患者错过最佳治愈时期。采用现有的集成算法（如Stacking算法）将多种卷积神经网络（CNN）和循环神经网络（RNN）对ECG预测结果的融合，预测结果的横向融合较好地提高预测精度，避免单一模型的误判。但经申请人研究发现，卷积神经网络（CNN）具有强大的特征提取能力，和循环神经网络（RNN）具有优秀的连续采样点之间的时序把控能力，针对于动态的ECG数据，两类模型的纵向融合可更有效地提高预测精度，使预测结果更真实地反映ECG数据情况。本发明先采用多种CNN模型提取ECG数据的特征向量后组合成输入向量，再采用RNN提取输入向量中的时序信息，构成具有预测ECG异常能力的底层分类器，最后底层分类器再次预测ECG数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步使预测结果更为精准。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
图1是本发明的心律异常预测方法的流程图；
图2是实施例1中一段时间内部分的ECG离散点示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明所述的心律异常预测方法，包括以下步骤：
步骤S100：将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量。
其中，ECG数据集是实时获取人体心脏产生的电活动数据，具体可通过智能手环或医学仪器等现有技术获取人体的心率，形成ECG数据集，作为一实施例，ECG数据集是由医学仪器获得心电图，分析并获取心电图的医疗心电样本。为了进一步提高对ECG异常预测分类的准确率，需要对ECG数据集预处理，具体是对医疗心电样本进行增强操作，该增强操作包括对医疗心电样本的数据通过随机平移或加减，扩充原有的医疗心电样本形成新样本，并对新样本进行竖直翻转操作，获得最终的ECG数据集。扩充样本数据后形成的ECG数据集有效抑制深度学习网络的过拟合现象，提高ECG异常预测分类的准确率。
ECG数据通过多个CNN模型生成多个特征向量，并由特征向量堆叠形成输入向量，具体包括以下步骤：
步骤S101：采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；
CNN模型包括常用的CNN模型种类，如Alexnet模型、Googlenet模型、Vgg模型、Resnet模型，采用多种不同类型的CNN模型分别获取ECG数据集的空间特征，得到多个相同维数的特征向量。作为一实施例，采用多个一维的CNN模型提取ECG数据集中离散点的空间特征，形成多个一维特征向量。其中，一维的CNN模型包括卷积层和池化层，优选地，每个CNN模型的卷积层设置有3个，第一卷积层设置5个卷积通道，每个通道的卷积核均设置为21*1；第二个卷积层设置16个卷积通道，每通道的卷积核大小为13*1；第三个卷积层则设置了20个卷积通道，每个通道卷积核均为9*1；在第三个卷积层之后添加一层单通道1*1大小的卷积核，将各通道特征整合为一维特征向量，形成特征图。池化层用于对特征图特征选择和信息过滤后生成特征向量。
步骤S102：将多个特征向量在深度方向合并，形成输入向量。每一特征向量都含有特定的时序特征，将所有特征向量相互并联，形成一个新的输入向量。
步骤S200：将输入向量通过多个RNN模型训练获得多个底层分类器。
其中，RNN模型包括常用的RNN模型种类，如LSTM模型、GRU模型，多个RNN模型分别提取输入向量中各特征向量的时序特征，生产多个可独立预测ECG异常事件的底层分类器。作为另一种实施例，RNN模型分别与各CNN模型的池化层结合，直接训练各CNN模型生成的特征向量形成底层分类器。
步骤S300：采用全连接神经网络融合多个底层分类器预测ECG异常事件。
具体地，包括以下步骤：
步骤S301：对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；
步骤S302：各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。
全连接神经网络包括输入层、隐含层和输出层，其中输入层接收预测矩阵中的各参数值，隐含层包括设置的偏置项和激活函数，可将偏置项设置为+1，激活函数根据偏置项推导为1/（1+ｅ-z），激活函数主要用于将数据归一化和打破网络的线性关系，使输出层输出一个关于输入层的长度为X的向量，X为ECG异常事件的种类，随后将向量X通入sigmoid函数后计算对应异常事件出现的概率。
本发明先采用多种CNN模型提取ECG数据的特征向量后组合成输入向量，再采用RNN提取输入向量中的时序信息，构成具有预测ECG异常能力的底层分类器，最后底层分类器再次预测ECG数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步提高预测结果的准确率。
下面结合具体例子对心律异常预测方法的进一步说明。
某研究中心提供的4万个医疗心电样本，对医疗心电样本的数据进行随机平移或加减，竖直翻转后形成ECG数据集，单位时间内，多个CNN模型提取ECG数据集的特征向量后沿导联（导联包括I、I1、V1、V2、V3、V4、V5）方向叠加，堆叠形成单位时间内的输入向量，随后沿时间构成ECG离散点，如图2所示，其为一段时间内部分的ECG离散点。多个RNN模型分别训练各单位时间的输入向量，获得底层分类器。各底层分类器再次预测ECG离散点数据获得预测结果，并采用全连接神经网络将预测结果融合形成向量X，向量X通入sigmoid函数后计算对应异常事件出现的概率，其中异常事件包括但不限于窦性心律、T波改变、窦性心动过缓、正常ECG、左心室高电压、窦性心动过速、QRS低电压，准确分析医疗心电样本对应的异常事件的概率。
本实施例所述一种心律异常预测方法的其它结构参见现有技术。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种心律异常预测方法，其特征在于，包括以下步骤：
将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；
将输入向量通过多个RNN模型训练获得多个底层分类器；
采用全连接神经网络融合多个底层分类器预测ECG异常事件。
2.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：
采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；
将多个特征向量在深度方向合并，形成输入向量。
3.根据权利要求2所述的心律异常预测方法，其特征在于：所述CNN模型包括卷积层和池化层，所述卷积层用于提取ECG数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。
4.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量之前包括获取ECG数据集并对其预处理，具体为：
获取医疗心电样本；
对医疗心电样本进行增强操作，并对其竖直翻转后获得ECG数据集。
5.根据权利要求4所述的心律异常预测方法，其特征在于：所述对原始心跳样本的数据进行增强操作包括对医疗心电样本数据进行随机平移或加减。
6.根据权利要求1所述的心律异常预测方法，其特征在于：所述将输入向量通过多个RNN模型训练获得多个底层分类器具体为：
多个RNN模型分别提取输入向量的时序信息，生成多个具有独立预测ECG异常事件的底层分类。
7.根据权利要求1所述的心律异常预测方法，其特征在于：采用全连接神经网络融合多个底层分类器预测ECG异常事件包括以下步骤：
对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；
各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146361.2A CN111329469A (zh) | 2020-03-05 | 2020-03-05 | 一种心律异常预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146361.2A CN111329469A (zh) | 2020-03-05 | 2020-03-05 | 一种心律异常预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111329469A true CN111329469A (zh) | 2020-06-26 |
Family
ID=71174084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010146361.2A Pending CN111329469A (zh) | 2020-03-05 | 2020-03-05 | 一种心律异常预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111329469A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
| CN112329609A (zh) * | 2020-11-03 | 2021-02-05 | 山东大学 | 基于2d心拍的特征融合迁移学习心律失常分类系统 |
| CN112842342A (zh) * | 2021-01-25 | 2021-05-28 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| CN113080993A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于改进多基分类器集成的自动心律失常分析方法 |
| CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
| CN113344127A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 一种数据预测方法、装置、设备及存储介质 |
| CN114376521A (zh) * | 2021-12-27 | 2022-04-22 | 天翼云科技有限公司 | 一种睡眠状态识别模型训练、睡眠分期方法及装置 |
| CN115089196A (zh) * | 2022-08-22 | 2022-09-23 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
| KR20230169577A (ko) * | 2022-06-09 | 2023-12-18 | 연세대학교 원주산학협력단 | 단일 심전도 기반의 심부전 중증도 예측 시스템 및 단일 심전도 기반의 심부전 중증도 예측 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108511055A (zh) * | 2017-02-27 | 2018-09-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
| CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 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 |
-
2020
- 2020-03-05 CN CN202010146361.2A patent/CN111329469A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108511055A (zh) * | 2017-02-27 | 2018-09-07 | 中国科学院苏州纳米技术与纳米仿生研究所 | 基于分类器融合及诊断规则的室性早搏识别系统及方法 |
| CN110555388A (zh) * | 2019-08-06 | 2019-12-10 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
| CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 刘玉良 等: "《SAR图像处理及应用研究》", 西安电子科技大学出版社, pages: 126 - 127 * |
| 田婧等: "基于卷积神经网络的ECG信号识别方法", 《杭州电子科技大学学报(自然科学版)》 * |
| 田婧等: "基于卷积神经网络的ECG信号识别方法", 《杭州电子科技大学学报(自然科学版)》, no. 06, 15 November 2018 (2018-11-15), pages 62 - 66 * |
| 韦张跃昊: "基于深度学习的心电信号分类算法研究", 《中国优秀博硕士学位论文全文数据库》, 15 January 2020 (2020-01-15), pages 34 - 56 * |
| 魏雪云 等: "《SAR图像处理及应用研究》" * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112120691A (zh) * | 2020-09-22 | 2020-12-25 | 浙江智柔科技有限公司 | 基于深度学习的信号识别方法、装置和计算机设备 |
| CN112329609A (zh) * | 2020-11-03 | 2021-02-05 | 山东大学 | 基于2d心拍的特征融合迁移学习心律失常分类系统 |
| CN112842342B (zh) * | 2021-01-25 | 2022-03-29 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
| CN112842342A (zh) * | 2021-01-25 | 2021-05-28 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
| CN112932431A (zh) * | 2021-01-26 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| CN112932431B (zh) * | 2021-01-26 | 2022-09-27 | 山西三友和智慧信息技术股份有限公司 | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
| CN113080993B (zh) * | 2021-03-30 | 2023-02-03 | 北京芯动卫士科技有限公司 | 一种基于改进多基分类器集成的自动心律失常分析方法 |
| CN113080993A (zh) * | 2021-03-30 | 2021-07-09 | 北京芯动卫士科技有限公司 | 一种基于改进多基分类器集成的自动心律失常分析方法 |
| CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
| CN113344127A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 一种数据预测方法、装置、设备及存储介质 |
| CN113344127B (zh) * | 2021-06-29 | 2024-04-26 | 中国平安人寿保险股份有限公司 | 一种数据预测方法、装置、设备及存储介质 |
| CN114376521A (zh) * | 2021-12-27 | 2022-04-22 | 天翼云科技有限公司 | 一种睡眠状态识别模型训练、睡眠分期方法及装置 |
| KR20230169577A (ko) * | 2022-06-09 | 2023-12-18 | 연세대학교 원주산학협력단 | 단일 심전도 기반의 심부전 중증도 예측 시스템 및 단일 심전도 기반의 심부전 중증도 예측 방법 |
| KR102670568B1 (ko) * | 2022-06-09 | 2024-05-28 | 연세대학교 원주산학협력단 | 단일 심전도 기반의 심부전 중증도 예측 시스템 및 단일 심전도 기반의 심부전 중증도 예측 방법 |
| CN115089196A (zh) * | 2022-08-22 | 2022-09-23 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
| CN115089196B (zh) * | 2022-08-22 | 2022-11-11 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
| WO2024041038A1 (zh) * | 2022-08-22 | 2024-02-29 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111329469A (zh) | 一种心律异常预测方法 | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| Naz et al. | From ECG signals to images: a transformation based approach for deep learning | |
| 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 | |
| Li et al. | SLC-GAN: An automated myocardial infarction detection model based on generative adversarial networks and convolutional neural networks with single-lead electrocardiogram synthesis | |
| Dokur et al. | ECG beat classification by a novel hybrid neural network | |
| Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
| WO2020006939A1 (zh) | 基于生成式对抗网络的心电图生成及分类方法 | |
| 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 | |
| CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
| 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 | |
| KR20130050707A (ko) | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 | |
| 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 | |
| Feng et al. | Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection | |
| CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
| JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
| CN112932433A (zh) | 一种心电图的心律失常自动分类方法 | |
| Daydulo et al. | Cardiac arrhythmia detection using deep learning approach and time frequency representation of ECG signals | |
| Gyawali et al. | Learning to disentangle inter-subject anatomical variations in electrocardiographic data | |
| Hassan et al. | Performance comparison of CNN and LSTM algorithms for arrhythmia classification | |
| 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 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |