CN111449644A - 一种基于时频变换和数据增强技术的生物电信号分类方法 - Google Patents
一种基于时频变换和数据增强技术的生物电信号分类方法 Download PDFInfo
- Publication number
- CN111449644A CN111449644A CN202010196976.6A CN202010196976A CN111449644A CN 111449644 A CN111449644 A CN 111449644A CN 202010196976 A CN202010196976 A CN 202010196976A CN 111449644 A CN111449644 A CN 111449644A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- dimensional
- signal
- transformation
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000033764 rhythmic process Effects 0.000 description 10
- 206010003658 Atrial Fibrillation Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 206010003662 Atrial flutter Diseases 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000018152 Cerebral disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000007 visual effect 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
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于时频变换和数据增强技术的生物电信号分类方法。本发明利用图像领域的数据增强技术扩展时频变换后的数据样本，从而提高分类算法的准确率。具体流程包括：将一维生物电信号实施时频变换获得系数矩阵，即二维的时频矩阵图像；基于时频矩阵图像，利用数据增强技术扩增数据样本，解决样本不足以及不同类型间分布不均匀的问题；利用机器学习方法提取时频矩阵图像的特征，采用图像分类的方式实现对生物电信号的分类。本发明适用于心电、脑电、肌电等多种生物电信号的自动检测和分类，在信号处理研究领域和临床医学上均具有一定的应用价值。本发明方法的应用范围可推广至所有的单导联或多导联电生理信号的研究。
Description
技术领域
本发明涉及生物电信号的分析，具体涉及一种基于时频变换和数据增强技术的生物电信号分类方法。
背景技术
生物电信号是一维的时序信号，用于获取人体各种生理参数，在健康检测和疾病诊断中扮演着重要角色。生物电信号有多种类型，例如，心电信号能够反映正常和病理情况下心脏的电生理特性，可用于检测心律失常以及心肌缺血、心肌梗死等多种疾病；脑电信号能够表征大脑皮层不同区域的神经活动情况，为癫痫、痴呆、肿瘤等脑部疾病的诊断提供重要依据。
人工智能在近年来得到了飞速发展，通过机器学习算法自动提取生物电信号中的特征，从而对疾病进行检测或提前预测的相关研究得到了广泛关注。尤其是深度神经网络，目前在图像分类等领域得到了广泛应用。然而，将深度神经网络等算法用于分析生物电信号的一个普遍困境是：由于网络参数较多，需要大量的训练样本，但是大多数公开的数据集仅来自少量患者，且不同疾病类型的样本分布十分不均衡。
样本分布不均衡，限制了分类器对于某些数量较少样本类型的学习。目前的解决办法是利用数据增强技术将产生的样本用于扩充较少样本类型的原始数据集。但是由于数据增强技术和分类算法针对二维图像更加成熟，因此这种方法对提高生物电信号的分类准确率作用有限。本发明提出了一种基于时频转换后的二维时频矩阵图像，利用数据增强技术扩增数据样本，从而利用在图像领域性能优异的机器学习方法实现对生物电信号的分类。通过时频变换，能够得到信号在时间域和频率域的联合分布信息，清晰地描述信号频率随时间的变化，很好地体现生物电信号这类时变非平稳信号的特征。同时基于二维图像进行增强和分类的机器学习算法比一维时序信号更为成熟，有助于提高生物电信号的分类准确率。
发明内容
本发明的目的在于提供一种基于时频变换和数据增强技术的生物电信号分类方法，本发明方法缓解样本分布不均衡和样本数不充足对一维生物电信号分类带来的局限性，同时充分利用在二维图像领域性能优异的机器学习方法。本发明方法通过时频变换将一维信号转换成二维时频矩阵图像，在二维时频矩阵图像的基础上利用数据增强技术扩增数据样本，进一步利用机器学习方法实现对生物电信号进行分类。通过对转换后的训练集样本进行扩充，以及利用在二维图像领域发展更成熟的数据增强和分类算法，此发明方法可用于建立更精准的疾病分类模型。
本发明提出的一种基于时频变换和数据增强技术的生物电信号分类方法，具体步骤如下：
（1）对样本采集到的生物电信号进行预处理，即对采集到的生物电信号先进行裁剪片段、重采样和归一化等操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸和肌电噪声等干扰，得到原始一维生物电信号片段，将预处理后得到的一维生物电信号片段按照标签分成正常类型和若干种异常类型；
（2）将步骤（1）得到的原始一维生物电信号片段中的若干种异常类型，根据信号采样率f s ，设计合理的窗口宽度和窗函数，对其进行时频变换，获得系数矩阵，即得到二维的时频矩阵图像，用于后续的信号生成和分类模型中；
（3）对步骤（2）得到的二维的时频矩阵图像，选择数据增强方法，在得到的真实图像基础上，利用增强模型生成与其相似的图像；
（4）重复步骤（3），对于每种样本不足的类型，分别使用相应的增强模型生成多个和真实图像相似的生成图像，所述图像为时频矩阵；
（5）基于步骤（4）生成的时频矩阵，结合步骤（1）原始一维生物电信号的相位矩阵，可通过时频变换的逆变换得到生成的一维信号，将生成的一维信号和对应的原始一维生物电信号对比，用于进一步观察生成的时频矩阵对原始一维生物电信号的影响，更直观地判断增强模型的可靠性；
（6）将步骤（2）得到的二维的时频矩阵图像按照比例划分成训练集和测试集，对于训练集中样本较少的几种类型，选取若干个由步骤（4）得到的生成图像，将其与真实图像混合，最终得到各类型样本数均衡的训练集；
（7）利用机器学习的方法建立模型，通过图像分类的方式对信号进行分类；将步骤（6）得到的各类型样本数均衡的训练集输入该模型中进行训练，设置模型的损失函数和优化准则等相关参数，经过指定次数迭代之后，将测试集数据输入模型进行测试，检验该模型的准确率。
本发明中，步骤（2）中对一维的生物电信号片段进行时频变换得到信号在时间域和频率域的联合分布信息，所述时频变换方法包含但不局限于小波变换、短时傅里叶变换、伪Wigner-Ville变换、希尔伯特黄变换、S变换或广义S变换等中任一种。
本发明中，步骤（3）中对于时频变换后的数据样本使用数据增强方法：所述数据增强方法为选取一定数量的生成样本扩展原始数据集，将生成样本和真实样本混合，得到一个各类型样本数量相同的数据集，用于后续训练分类网络；所述数据增强方法包含但不局限于对图片进行翻转变换、平移变换、尺度变换、添加噪声扰动、SMOTE过采样或基于生成对抗网络生成信号等中任一种。
本发明中，步骤（7）中使用机器学习的方法对时频矩阵图像进行分类：其训练集是由生成样本和真实样本混合得到的均衡数据集，基于训练好的分类模型，对测试集样本进行预测，进而对分类模型的性能进行评估。
本发明具有以下有益效果：
1. 本发明基于时频变换，将一维的生物电信号转换成二维时频矩阵图像，能够得到信号在时间域和频率域的联合分布信息，清晰地描述信号频率随时间的变化，很好地体现生物电信号这类时变非平稳信号的特征。
2. 本发明把对于一维生物电信号分析，转变为对二维图像的分析，在提取时频域特征的同时，将传统的信号处理方法与图像处理方法相结合，利用比一维时序信号更为成熟的二维图像增强和分类的算法，通过图像分类的方式实现信号的分类，为信号处理的研究人员提供了新的思路。
3. 本发明通过数据增强技术得到更多的样本，生成的样本数据和真实样本数据有着相似的分布，通过样本扩增，能够得到一个各种类型样本均衡的数据集。
4. 本发明可用于正常或其他异常类型信号的自动检测和分类，适用于心电、脑电、肌电等多种生物电信号，在信号处理研究领域和临床医学上均具有一定的应用价值。
5. 本发明方法的应用范围可推广至所有的单导联或多导联电生理信号的研究。
附图说明
图1是基于时频变换和生成对抗网络数据增强技术的心电信号增强以及分类算法的总体流程图。
图2是基于短时傅里叶变换的时频变换方法对心电信号进行处理后，真实时频矩阵图像和生成时频矩阵图像的示意图。
图3是实施例1真实的一维心电信号的示意图。其中：(a) 为房颤信号，(b) 为房扑信号，(c) 为室性二联律信号，(d) 为窦律信号，(e) 为起搏信号，(f) 为室性三联律信号。
图4是使用短时傅里叶逆变换得到的一维心电生成信号的示意图，用于与原始的信号做直观对比，进一步判断增强模型的可靠性。其中：(a) 为房颤信号，(b) 为房扑信号，(c) 为室性二联律信号，(d) 为窦律信号，(e) 为起搏信号，(f) 为室性三联律信号。
具体实施方式
下面结合附图和实施例对本发明方法及其应用做进一步详细说明。实施例仅用于对本发明进行说明，而非限定条件。在本发明技术方案的基础上，凡根据本发明原理对该实施例的各种变形或修正，均不应排除在本发明的保护范围之外。
实施例1：将本发明的基于时频变换和数据增强技术的生物电信号分类方法应用于心电信号的分析。本实施例的心电数据是来自公开的MIT-BIH心律失常数据库。工作流程如下：
（1）选择来源于MIT-BIH心律失常数据集的48条30min长的动态心电图信号进行预处理。每条信号都包含两个导联，仅选择II导联信号，信号采样率f s 为360Hz。预处理过程是先将信号切割成6s的片段，然后将信号重新采样到125Hz之后，采用截止频率为0.5Hz的二阶巴特沃斯高通滤波器来抑制基线漂移。本实施例中选取预处理后6种类型的心律信号作为原始数据集，即图1中的真实信号。原始数据集的分布情况为：房颤（AF）1269条，房扑（AFL）104条，室性二联律（B）272条，正常窦性心律（NSR）2000条，起搏节律（P）530条和室性三联律（T）137条。
（2）将步骤（1）得到的6种类型的信号片段均进行时频变换。本实施例中，采用短时傅里叶变换（STFT）这种时频变换方法处理心电信号片段，获得每个6s片段对应的时频系数矩阵。短时傅里叶变换的基本思想是在信号上添加一个时间窗口，并在该窗口中进行傅立叶变换。具体方法是，在信号上添加一个长度为250个点数的汉明窗，每次滑动重叠的点数为240。因此，频率分辨率为0.5Hz，而时间分辨率为0.08s，频率和时间的范围分别为0-62.5Hz和0-6s，产生了大小为125×75的时频矩阵，然后将系数幅度矩阵归一化，得到图1中的真实图像（时频矩阵图像），作为图1中增强模型和分类模型的输入。
（3）将步骤（2）得到的时频矩阵图像用于训练信号增强模型，构建生成对抗网络作为增强模型。生成对抗网络由生成器与判别器组成，其中生成器的输入是从潜在空间中随机采样得到的噪声信号，其输出结果需要尽量模仿训练集中的真实样本。判别器的输入为真实样本或生成器的输出，其目的是将生成器的输出从真实样本中尽可能分辨出来，而生成器则要尽可能地欺骗判别器。两个网络相互对抗、不断调整参数，在最理想的情况下，生成器可以生成与真实样本极其相似的图片，而判别器很难判断这张生成的图片是否为真。本实施例中生成对抗网络模型的基本架构如表1表格所示。生成器和判别器网络均为6层。生成对抗模型的训练过程中使用的数据全部为真实数据，优化器为Adam，生成器和鉴别器的学习率均设置为0.0002，迭代次数为200次。
表1：
（4）对于每种样本不足的心律类型，分别使用步骤（3）得到的相应的增强模型训练生成多个和真实时频矩阵图像相似的生成时频矩阵图像。如图2所示，其中（a）图是各种心律的真实时频矩阵图像，（b）图是通过生成对抗网络得到的生成时频矩阵图像。
（5）基于步骤（4）生成的时频矩阵图像，分别结合原信号的相位矩阵，通过短时傅里叶逆变换得到生成的一维信号，和原始的一维生物电信号做对比。图3所示是各种心律的真实心电信号示例，图4所示是通过生成对抗网络生成的心电信号示例。
（6）将真实图像中的20%的样本作为测试集，其他数据作为训练集。由于数据库中正常窦性心律信号样本数量远远超过其他5类的样本数量，因此，对于训练集中正常窦性心律之外的其他5类信号，添加一定数量的生成时频矩阵图像，将它们和真实时频矩阵图像混合，最终得到扩充后的各类型样本数均衡的训练集。
（7）基于扩充后的样本集，构建卷积神经网络模型对信号进行分类。本实施例中，使用在图像分类领域表现优异的VGG13卷积神经网络模型进行分类，使用SoftMax作为最终输出层，得到各类别的预测概率，用于确定样本属于哪个类别。训练过程采用随机梯度下降算法优化网络参数；学习率、权重衰减率和动量因子分别设置为0.001、10-6和0.9。将步骤（5）中得到的分布均匀的训练集输入网络进行训练，批处理的大小为64，迭代次数为60。训练完成后，可将测试集数据输入训练后的VGG13卷积神经网络模型以检验其分类准确率。
Claims (4)
1.一种基于时频变换和数据增强技术的生物电信号分类方法，其特征在于具体步骤如下：
（1）对样本采集到的生物电信号进行预处理，即对采集到的生物电信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸和肌电噪声的干扰，得到原始一维生物电信号片段，将预处理后得到的一维生物电信号片段按照标签分成正常类型和若干种异常类型；
（2）将步骤（1）得到的原始一维生物电信号片段中的若干种异常类型，根据信号采样率f s ，设计合理的窗口宽度和窗函数，对其进行时频变换，获得系数矩阵，即得到二维的时频矩阵图像，用于后续的信号生成和分类模型中；
（3）对步骤（2）得到的二维的时频矩阵图像，选择数据增强方法，在得到的真实图像基础上，利用增强模型生成与其相似的图像；
（4）重复步骤（3），对于每种样本不足的类型，分别使用相应的增强模型生成多个和真实图像相似的生成图像，所述图像为时频矩阵；
（5）基于步骤（4）生成的时频矩阵，结合步骤（1）原始一维生物电信号的相位矩阵，可通过时频变换的逆变换得到生成的一维信号，将生成的一维信号和对应的原始一维生物电信号对比，用于进一步观察生成的时频矩阵对原始一维生物电信号的影响，更直观地判断增强模型的可靠性；
（6）将步骤（2）得到的二维的时频矩阵图像按照比例划分成训练集和测试集，对于训练集中样本较少的几种类型，选取若干个由步骤（4）得到的生成图像，将其与真实图像混合，最终得到各类型样本数均衡的训练集；
（7）利用机器学习的方法建立模型，通过图像分类的方式对信号进行分类；将步骤（6）得到的各类型样本数均衡的训练集输入该模型中进行训练，设置模型的损失函数和优化准则，经过指定次数迭代之后，将测试集数据输入模型进行测试，检验该模型的准确率。
2.根据权利要求1所述的方法，其特征在于步骤（2）中对一维的生物电信号片段进行时频变换得到信号在时间域和频率域的联合分布信息，所述时频变换方法为小波变换、短时傅里叶变换、伪Wigner-Ville变换、希尔伯特黄变换、S变换或广义S变换中任一种。
3.根据权利要求1所述的方法，其特征在于步骤（3）中对于时频变换后的数据样本使用数据增强方法：所述数据增强方法为选取一定数量的生成样本扩展原始数据集，将生成样本和真实样本混合，得到一个各类型样本数量相同的数据集，用于后续训练分类网络；所述数据增强方法为对图片进行翻转变换、平移变换、尺度变换、添加噪声扰动、SMOTE过采样或基于生成对抗网络生成信号中任一种。
4.根据权利要求1所述的方法，其特征在于步骤（7）中使用机器学习的方法对时频矩阵图像进行分类：其训练集是由生成样本和真实样本混合得到的均衡数据集，基于训练好的分类模型，对测试集样本进行预测，进而对分类模型的性能进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010196976.6A CN111449644A (zh) | 2020-03-19 | 2020-03-19 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010196976.6A CN111449644A (zh) | 2020-03-19 | 2020-03-19 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111449644A true CN111449644A (zh) | 2020-07-28 |
Family
ID=71671927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010196976.6A Pending CN111449644A (zh) | 2020-03-19 | 2020-03-19 | 一种基于时频变换和数据增强技术的生物电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111449644A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
| CN112364845A (zh) * | 2021-01-12 | 2021-02-12 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
| CN112370017A (zh) * | 2020-11-09 | 2021-02-19 | 腾讯科技（深圳）有限公司 | 脑电信号分类模型的训练方法和装置、以及电子设备 |
| CN112370066A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于生成对抗网络的脑卒中康复系统脑机接口方法 |
| CN112418347A (zh) * | 2020-12-09 | 2021-02-26 | 浙江工业大学 | 一种基于无线电信号分类的对抗增强方法 |
| CN112806977A (zh) * | 2021-02-05 | 2021-05-18 | 复旦大学 | 基于多尺度融合网络的生理参数测量方法 |
| CN112971799A (zh) * | 2021-02-04 | 2021-06-18 | 北京理工大学 | 基于机器学习的无刺激胎心监护分类方法 |
| 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 |
| CN113598784A (zh) * | 2021-08-25 | 2021-11-05 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| WO2022166307A1 (zh) * | 2021-02-07 | 2022-08-11 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
| CN115429289A (zh) * | 2022-09-01 | 2022-12-06 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
| CN116527461B (zh) * | 2023-04-28 | 2024-05-24 | 哈尔滨工程大学 | 一种基于遮挡分析的电磁信号时域增强方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150374300A1 (en) * | 2014-06-27 | 2015-12-31 | The Regents Of The University Of Michigan | Early detection of hemodynamic decompensation using taut-string transformation |
| CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
| CN107863111A (zh) * | 2017-11-17 | 2018-03-30 | 合肥工业大学 | 面向交互的语音语料处理方法及装置 |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN109036465A (zh) * | 2018-06-28 | 2018-12-18 | 南京邮电大学 | 语音情感识别方法 |
| CN109490861A (zh) * | 2018-10-29 | 2019-03-19 | 北京科技大学 | 一种高炉料线提取方法 |
| CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
| CN109886214A (zh) * | 2019-02-26 | 2019-06-14 | 中南民族大学 | 一种基于图像处理的鸟鸣声特征强化方法 |
| CN109893118A (zh) * | 2019-03-05 | 2019-06-18 | 武汉大学 | 一种基于深度学习的心电信号分类诊断方法 |
| CN110236518A (zh) * | 2019-04-02 | 2019-09-17 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
-
2020
- 2020-03-19 CN CN202010196976.6A patent/CN111449644A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150374300A1 (en) * | 2014-06-27 | 2015-12-31 | The Regents Of The University Of Michigan | Early detection of hemodynamic decompensation using taut-string transformation |
| CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
| CN107863111A (zh) * | 2017-11-17 | 2018-03-30 | 合肥工业大学 | 面向交互的语音语料处理方法及装置 |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN109036465A (zh) * | 2018-06-28 | 2018-12-18 | 南京邮电大学 | 语音情感识别方法 |
| CN109490861A (zh) * | 2018-10-29 | 2019-03-19 | 北京科技大学 | 一种高炉料线提取方法 |
| CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
| CN109886214A (zh) * | 2019-02-26 | 2019-06-14 | 中南民族大学 | 一种基于图像处理的鸟鸣声特征强化方法 |
| CN109893118A (zh) * | 2019-03-05 | 2019-06-18 | 武汉大学 | 一种基于深度学习的心电信号分类诊断方法 |
| CN110236518A (zh) * | 2019-04-02 | 2019-09-17 | 武汉大学 | 基于神经网络的心电及心震信号联合分类的方法及装置 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
| CN112370066A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于生成对抗网络的脑卒中康复系统脑机接口方法 |
| CN112370017A (zh) * | 2020-11-09 | 2021-02-19 | 腾讯科技（深圳）有限公司 | 脑电信号分类模型的训练方法和装置、以及电子设备 |
| CN112418347A (zh) * | 2020-12-09 | 2021-02-26 | 浙江工业大学 | 一种基于无线电信号分类的对抗增强方法 |
| CN112364845A (zh) * | 2021-01-12 | 2021-02-12 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
| CN112364845B (zh) * | 2021-01-12 | 2021-05-25 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
| CN112971799A (zh) * | 2021-02-04 | 2021-06-18 | 北京理工大学 | 基于机器学习的无刺激胎心监护分类方法 |
| CN112806977B (zh) * | 2021-02-05 | 2022-03-18 | 复旦大学 | 基于多尺度融合网络的生理参数测量方法 |
| CN112806977A (zh) * | 2021-02-05 | 2021-05-18 | 复旦大学 | 基于多尺度融合网络的生理参数测量方法 |
| WO2022166307A1 (zh) * | 2021-02-07 | 2022-08-11 | 山东省人工智能研究院 | 一种基于特征提取与深度学习的心电信号自动分类方法 |
| 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 |
| CN113598784A (zh) * | 2021-08-25 | 2021-11-05 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| CN113598784B (zh) * | 2021-08-25 | 2024-04-09 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| CN115429289A (zh) * | 2022-09-01 | 2022-12-06 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
| CN115429289B (zh) * | 2022-09-01 | 2024-05-31 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
| CN116527461B (zh) * | 2023-04-28 | 2024-05-24 | 哈尔滨工程大学 | 一种基于遮挡分析的电磁信号时域增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
| 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 | |
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| Liang et al. | Scalp EEG epileptogenic zone recognition and localization based on long-term recurrent convolutional network | |
| Javadi et al. | Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning | |
| EP3692903A1 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
| Abibullaev et al. | A new QRS detection method using wavelets and artificial neural networks | |
| Wu et al. | A novel method to detect multiple arrhythmias based on time-frequency analysis and convolutional neural networks | |
| Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
| Prasanth et al. | Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands | |
| WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
| Keshavamurthy et al. | Review paper on denoising of ECG signal | |
| CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
| Rujoie et al. | Classification and evaluation of the severity of tricuspid regurgitation using phonocardiogram | |
| CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
| Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia | |
| Lan et al. | Arrhythmias classification using short-time Fourier transform and GAN based data augmentation | |
| Kusumandari et al. | Application of convolutional neural network classifier for wireless arrhythmia detection | |
| Bairagi et al. | Early diagnosis of Alzheimer disease using EEG signals: the role of pre-processing | |
| CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
| Roland et al. | An automated system for arrhythmia detection using ECG records from MITDB | |
| Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA | |
| Akdeniz et al. | Classification of cardiac arrhythmias using Zhao-Atlas-Marks time-frequency distribution |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200728 |