CN111449646B - 一种心电图识别方法、装置、存储介质及电子设备 - Google Patents
一种心电图识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111449646B CN111449646B CN202010190390.9A CN202010190390A CN111449646B CN 111449646 B CN111449646 B CN 111449646B CN 202010190390 A CN202010190390 A CN 202010190390A CN 111449646 B CN111449646 B CN 111449646B
- Authority
- CN
- China
- Prior art keywords
- wave
- electrocardiogram
- bundle branch
- value
- waves
- 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.)
- Active
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
- A61B5/24—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
- A61B5/7203—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
-
- 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)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例公开了一种心电图识别方法、装置、存储介质及电子设备,其中,方法包括:提取心电图的第一数量的人工特征;基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。采用本申请实施例,通过结合阈值以及基于多示例学习的支持向量机模型识别,可以有效进行分类,提高心电图识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种心电图识别方法、装置、存储介质及电子设备。
背景技术
左束支阻滞和右束支阻滞是可能危及生命的心律失常疾病,是最常见的心律失常疾病之一,其发病率逐年增加。如果左束支阻滞或右束支阻滞能够在病理过程早期快速自动地发现,可以降低并发症的风险,增加治愈可能性。由于医生无法对心电图进行实时分析,并且实际左束支阻滞和右束支阻滞信号形态复杂且在某些导联上相似,诊断依赖于临床经验。而计算机辅助诊断系统能解决临床经验有限和观察误差的局限性,因此在左束支阻滞和右束支阻滞的辅助诊断上,成为重要的技术手段。
虽然束支阻滞类检测方法有很多研究,并取得优异的结果,但区分左束支阻滞和右束支阻滞的算法依然不多。现有的计算机辅助左束支阻滞和右束支阻滞分类方法主要有机器学习分类方法,深度学习分类方法。两种方法均通过学习先验样本得到模型,从而区分左束支阻滞和右束支阻滞。但由于数据样本不平衡,两种方法常容易过拟合,从而无法有效分类,降低了识别的准确性。
发明内容
本申请实施例提供了一种心电图识别方法、装置、存储介质及电子设备,通过结合阈值以及基于多示例学习的支持向量机模型识别,可以有效进行分类,提高心电图识别的准确性。所述技术方案如下:
第一方面,本申请实施例提供了一种心电图识别方法,所述方法包括:
提取心电图的第一数量的人工特征;
基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。
第二方面,本申请实施例提供了一种心电图识别装置,所述装置包括:
特征提取模块,用于提取心电图的第一数量的人工特征;
心电图分类模块,用于基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
在本申请实施例中,通过提取心电图的第一数量的人工特征,并基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。通过结合阈值以及基于多示例学习的支持向量机模型识别,可以有效进行分类,提高心电图识别的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种心电图识别方法的流程示意图;
图2是本申请实施例提供的一种心电图的举例示意图;
图3是本申请实施例提供的一种左束支阻滞、右束支阻滞以及正常心电图的举例示意图;
图4是本申请实施例提供的另一种心电图识别方法的流程示意图;
图5是本申请实施例提供的一种心电图识别装置的结构示意图;
图6是本申请实施例提供的一种心电图分类模块的结构示意图;
图7是本申请实施例提供的另一种心电图识别装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本申请的描述中,需要说明的是,除非另有明确的规定和限定,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面结合具体的实施例对本申请进行详细说明。
在一个实施例中,如图1所示,特提出了一种心电图识别方法,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的心电图识别装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。所述心电图识别装置可以为电子设备,包括但不限于:可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。
具体的,该心电图识别方法包括:
S101,提取心电图的第一数量的人工特征;
心电图是反映心脏活动的电信号,由一系列的波组所构成,每个波组代表着一个心动周期。一个波组主要包括P波、QRS波群及T波,如图2所示。
P波:心脏的激动发源于窦房结,然后传导到达心房,P波由心房除极所产生,是每一波组中的第一波,它反映了左、右心房的除极过程。前半部分代表右房,后半部分代表左房。反映了心房活动。
QRS波群:典型的QRS波群包括三个紧密相连的波,第一个向下的波称为Q波,继Q波后的一个高尖的直立波称为R波,R波后向下的波称为S波。QRS波反映了心室活动。
T波:T波位于S-T段之后,是一个比较低而占时较长的波,它是心室复极所产生的。T波反映复极化过程。
每个心电图包括多个特征,不同类型的特征用于判别不同类型的疾病。在本申请实施例中,由于房颤房扑均为房室传导性心律失常疾病,在心电图上表现为QRS复合波会较宽,大于120ms,出现显性S波,单相R波等现象,V1导联的心电波形如图3所示。在V1导联上,左右束支阻滞的差异体现在R波的幅值,宽度以及QRS波形态上。
因此,为判别该心电图属于左束支阻滞还是右束支阻滞,所述提取的第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值。还可以包括其他描述类S波的典型特征,例如:类S波能量的标准差,类S波、类Q波幅度的标准差等。
S102,基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。
可以理解的是,第一数量的人工特征中每个人工特征可对应一特征阈值。例如,提取11个人工特征,每个特征对应一阈值,通过将每个人工特征与对应的特征阈值进行比较,以判别该心电图属于左束支阻滞还是右束支阻滞,当采用这些特征阈值均无法判别时,则将该心电图确定为规则不可分样本,并将所提取的第一数量的人工特征输入至基于多示例学习的支持向量机模型中进行最终的判别,以实现对所述心电图进行束支阻滞的分类。
可选的,当在第一数量的人工特征中有部分特征通过阈值无法准确识别时,可选取其中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,以及所述基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类,所述第二数量小于或者等于所述第一数量。例如,提取11个人工特征,其中5个特征与对应的阈值进行比较时无法准确判断左右束支阻滞,则选取其中剩下的6个特征与对应的阈值进行比较判断。
其中,多示例学习(Multiple-Instance learning,MIL)可以被描述为:假设训练数据集中的每个数据是一个包(Bag),每个包都是一个示例(instance)的集合,每个包都有一个训练标记,而包中的示例是没有标记的;如果包中至少存在一个正标记的示例,则包被赋予正标记;而对于一个有负标记的包,其中所有的示例均为负标记。与监督学习相比,多示例学习数据集中的样本示例的标记是未知的,而监督学习的训练样本集中,每个示例都有一个已知的标记;与非监督学习相比,多示例学习仅仅只有包的标记是已知的,而非监督学习样本所有示例均没有标记。多示例学习的目的:归纳出单个示例的标签类别的概念;计算机通过对这些已标注的“包”学习,尽可能准确地对新的“包”的标签做出判断。
基于多示例学习框架的模型训练过程如下:
初始化:yi=YI,对于所有i∈I;
重复:
通过输入数据和初始化label计算W,b;
计算正包中所有样例的输出fi=Wxi+b;
更新xi的label,yi=sgn(fi),sgn为符号函数;
重复上述步骤,直到xi的label不在改变,停止训练;
输出(W,b)。
支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。
SVM使用铰链损失函数计算经验风险,并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类,是常见的核学习方法之一。
结合SIL和SVM,在多示例学习的框架下将图像标注变成了一种有监督的学习,可以提高模式识别的准确性。
可选的,所述基于多示例学习的支持向量机模型MIL-SVM还可采用Xgboost,LogisticRegression,SVM等分类器替代。
在本申请实施例中,通过提取心电图的第一数量的人工特征,并基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。通过结合阈值以及基于多示例学习的支持向量机模型识别,可以有效进行分类,提高心电图识别的准确性。
请参见图4,图4是本申请提出的一种心电图识别方法的另一种实施例的流程示意图。具体的:
S201,对心电图进行滤波处理;
心电图信号,是反映心脏活动的电信号,主要由P波,QRS波,T波组成如图2所示。P波反映了心房活动,QRS波反映了心室活动,T波反映复极化过程。
在本申请实施例中,可通过截止频率为0.5Hz,30Hz,40Hz的FIR带通滤波器对信号进行预处理,去除低频噪声和工频噪声的干扰,然后对信号重采样到250Hz。通过对心电图进行滤波处理,以便准确提取人工特征。
S202,提取所述心电图的第一数量的人工特征;
由于房颤房扑均为房室传导性心律失常疾病,在心电图上表现为QRS复合波会较宽,大于120ms,出现显性S波,单相R波等现象,V1导联的心电波形如图3所示。在V1导联上,左右束支阻滞的差异体现在R波的幅值,宽度以及QRS波形态上。因此,从这三个方面进行特征设计,共提取八种人工特征。即所述第一数量的人工特征包括:
(1)DF:DomainFrequency,功率谱密度最大值对应的频率值。可采用平均周期图法计算功率谱。周期图法,是把输入心电信号看做长度为N的序列X(n),n为离散样本点,X(n)为对应幅值,计算X(n)的离散傅里叶变化,得到X(ej2πf),F表示频率。然后再取X(ej2πf)幅值的平方,并除以N得到序列X(n)的功率谱密度, 为X(n)的功率谱密度。最大功率谱密度对应的频率值F为频率。
(3)PSD_Peak_std:功率谱密度极大值幅度的标准差。通过平均周期法得到功率谱。然后以当前样本点为窗口中心,采用大小为7个样本点的窗口,在滤波后的信号中进行滑动,当样本点幅值为窗口内最大值,则定义为一个极大值点,并记录其幅值。从而可以得到功率谱中极大值点的幅值序列Apeak。然后计算功率谱中所有极大值幅度的标准差Apeak=std(Apeak),std表示计算标准差。
(4)PSD_Fusion:一个QRS片段功率谱密度极大值幅度的标准差和极大值个数的比,在特征2的基础上再除以极大值的个数,如公式6所示,PSD_Peak_std是功率谱密度极大值幅度的标准差Npeak为功率谱密度中极大值的个数。
(5)Wavelet_sum:一个预设时长(如10s)心电信号的小波分解后系数的和。小波系数阈值,经过多次试验确定,设定阈值系数Wavelet_sum,称为小波系数和Wavelet_sum=D3+D4+D5+D6。其中,采用Daubechies4(Db4)小波对预处理后的心电信号进行离散小波分解,分解层数为N,本申请实施例中N=7(实际性能最佳),得到小波分解系数D1,D2,D3,D4,D5,D6,D7和A7。
(6)S_depth:指S波相对于R波的深度,S_depth=ecg(X_Q)-ecg(X_S)。S波的提取方法:对一个RR片段内(当前R波后0.15s,后一个R波前0.45s之前的片段)的信号,求取极小值,在求取得到的多个极小值(记为S1’,S2’,S3’,...)里面取一个最小值作为S波所在的位置。Q波的提取方法:对一个RR片段内(当前R波位置,前一个R波后0.65s之后的片段)的信号,求取极小值,在求取得到的多个极小值(记为Q1’,Q2’,Q3’,...)里面取一个最小值作为Q波所在的位置。其中,ecg(X_Q)表示Q波所在的位置,ecg(X_S)表示R波所在的位置。
(7)S length std:是S波长度的标准差。S波长度的获取方式如下:取两个R波之间的片段(当前R波后0.15s,后一个R波前0.45s之前的片段),通过大小为5个样本点的窗口,对片段进行滑动平均。然后以当前样本点为窗口中心,采用大小为7个样本点的窗口,在滤波后的信号中进行滑动,当样本点幅值为窗口内最大值,则定义为一个极小值点,即为类S波,类S波两边最近邻的极小值点距离定义为类S波长度。从而可以得到信号中,全部RR片段内类S波长度的离散序列,通过计算该序列的标准差得到特征值,S_length_std=std(S_length),类S_length表示信号内所有类S波长度的集合,std为计算标准差。
(8)R_height:R波的高度。R_height=ecg(X_R)-ecg(X_Q)。R波的提取方法:如果数据库有标注,就采用数据库现有的标注;如果没有标注就采用经典方法提取。Q波的提取方法:对一个RR片段内(当前R波位置,前一个R波后0.65s之后的片段)的信号,求取极小值,在求取得到的多个极小值(记为Q1’,Q2’,Q3’,...)里面取一个最小值作为Q波所在的位置。其中,ecg(X_R)表示R波所在的位置,ecg(X_Q)表示Q波所在的位置。
(9)S mean num:两个R波之间片段中类S波的个数的均值。和(7)相同在R波之间片段上定位类S波即可得到类S波的个数。计算信号中每个RR片段中类S波个数的均值NiS表示第i个RR片段内类S波的个数,N为RR片段的个数。
(10)Q length std:Q波长度的标准差。Q波长度的获取方式如下:取两个R波之间的片段(当前R波位置,前一个R波后0.65s之后的片段),通过大小为5个样本点的窗口,对片段进行滑动平均。然后以当前样本点为窗口中心,采用大小为7个样本点的窗口,在滤波后的信号中进行滑动,当样本点幅值为窗口内最大值,则定义为一个极小值点,即为类Q波,类Q波两边最近邻的极小值点距离定义为类Q波长度。从而可以得到信号中,全部RR片段内类Q波长度的离散序列,通过计算该序列的标准差得到特征值,Q_length_std=std(Q_length),类Q_length表示信号内所有类Q波长度的集合,std为计算标准差。
(11)SR ratio:S波相对于R波的深度比值。SR_ratio=S_depth./R_height。
S203,基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,对所述心电图进行束支阻滞分类;
由于PSD_Peak_std、Smeannum、Q length std等无法通过阈值准确对心电图进行束支阻滞分类,因此,选取其中第二数量的人工特征DF、PSD Peak、PSD_Fusion、Wavelet_sum、SR ratio、S length std,对每个人工特征与对应的特征阈值进行比较,进行左右束支阻滞的识别。
其中,可通过训练集样本的特征分布,并结合临床经验,确定每个特征对应的特征阈值。
具体的,当所述功率谱密度最大值对应的频率值大于第一特征阈值(DF>D1)时,确定所述心电图属于右束支阻滞RBBB,否则认为规则不可分,进入下一特征分类。通过DF来估计QRS变异程度,是由于左右束支阻滞在V1导联上面QRS的复杂度区分较为明显。在本申请实施例中,经过多次实验验证,取D1=6.2分类结果最佳。
当所述功率谱密度的最大值小于第二特征阈值(PSD_PEAK<D2)时,确定所述心电图属于左束支阻滞LBBB,否则认为规则不可分,进入下一特征分类。在V1导联上,左束支阻滞的QRS波波形相比右束支阻滞,波形变化更小一些。通过训练集特征分布设定阈值为D2,大于阈值即判定为LBBB。在本申请实施例中,经过多次实验验证,取D2=0.8时分类结果最佳。
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值(PSD_FUSION<D3)时,确定所述心电图属于左束支阻滞LBBB,否则认为规则不可分,进入下一特征分类。通过训练集特征分布设定阈值为D3。在本申请实施例中,经过多次实验验证,取D3=0.04时最终分类结果最佳。
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值(Wavelet_sum>D4)时,确定所述心电图属于右束支阻滞RBBB,否则认为规则不可分,进入下一特征分类。在V1导联上,经过频谱分析,发现正常左束支阻滞和右束支阻滞之间的小波系数存在较大差异。通过训练集特征分布设定阈值为D4,在本申请实施例中,经过多次实验验证,取D4=0.8时最终分类结果最佳。
当所述S波相对于R波的深度比值大于第五特征阈值(SR_ratio>D5)时,确定所述心电图属于左束支阻滞LBBB,否则认为规则不可分,进入下一特征分类。在V1导联上,左束支阻滞的S波波形相比右束支阻滞更深大一些,因此SR比值更大。通过训练集特征分布设定阈值为D5。在本申请实施例中,经过多次实验验证,取D5=4.6时最终分类结果最佳。
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值(S_Length_std>D6)时,确定所述心电图属于右束支阻滞RBBB,否则认为规则不可分,进入下一特征分类。在V1导联上,右束支阻滞的S波波形相比左束支阻滞更为复杂,类S波更多,变化更明显。通过训练集特征分布设定阈值为D6。在本申请实施例中,经过多次实验验证,取D6=3.9时最终分类结果最佳。
需要说明的是,上述6个特征的判别不分先后顺序,通过其中任一特征可识别该心电图的分类时,则无需进入下一特征的判别。
S204,当采用所述第二数量的人工特征以及所述每个所述人工特征对应的特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
当所述功率谱密度最大值对应的频率值小于或者等于第一特征阈值(DF<=D1),且所述功率谱密度的最大值大于或者等于第二特征阈值(PSD_PEAK>=D2),且所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比大于或者等于第三特征阈值(PSD_FUSION>=D3),且所述预设时长心电信号的小波分解后系数的和小于或者等于第四特征阈值(Wavelet_sum<=D4),所述S波相对于R波的深度比值小于或者等于第五特征阈值(SR_ratio<=D5),且所述两个R波之间片段中类S波的个数的均值小于或者等于第六特征阈值(S_Length_std<=D6)时,对所述第一数量的人工特征进行归一化处理,将每个特征处理成“零均值,一方差”:
x为原始心电信号,μ为均值,σ为标准差,xnorm为归一化后的信号。将归一化处理后的所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类,完成对待检信号进行分类。
其中,基于多示例学习的SVM采用线性核函数,惩罚因子0.01,训练样本采样率0.8。基于多示例学习的SVM的优化目标为公式16所示,ω,b为训练参数反映基于多实例学习的SVM超平面的法向量系数和偏移系数;C为惩罚因子;yi为实际信号类型;ωxi+b为输入特征xi距离超平面的距离。通过训练,修改ω,b参数得到最优超平面,使样本可分的置信度最大。
给定一组训练心电信号Γ={Xi,i=1,...,M},每一条心电信号Xi,可以看做是一系列心拍构成的集合Θ(Xi)={xij,j=1,...,N},这些心拍的特征向量构成SVM的训练样本集。根据标准假设,包标签(即一条心电信号)YI和样例标签(即心电信号内的每一个心拍)yi的关系如下:
yi=-1,s.t.YI=-1
那么结合多样例学习思想的SVM目标函数如下:
s.t.yi(wTxi+b)≥1-ξi,i=1,...,N
ξi≥0,i=1,...,N
在上述公式中,每个原始训练心电信号被视为由多个样例(心拍)组成的包。一个包被赋予正标记,当且仅当包中至少有一个示例为正示例,一个包被标记为负包,当且仅当包中所有示例均为负示例。也就是说,要寻找一个线性判别函数,使得每个正包中的至少一个示例在正半面,负包中的所有示例在负平面。
在本申请实施例中,通过提取心电图的第一数量的人工特征,并基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。通过采用规则分类,引入临床经验,实现对典型房颤房扑的有效分类,避免深度模型和机器学习模型由于过拟合问题。当采用规则分类无法识别时,再采用基于多示例学习的支持向量机模型作为二级分类器,进一步区分规则无法区分的样本,通过集成两个弱分类器的方式相互弥补缺陷,提升模型分类能力。(3)针对S波特性的特征提取,从形态,时序,频域等维度,提取S波的相关信息,提高房颤房扑分类能力。(4)设计多样例识别网络,有效降低了人工标注心拍进行有监督学习所花费的时间和人力成本。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图5,其示出了本申请一个示例性实施例提供的心电图识别装置的结构示意图。该心电图识别装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置1包括特征提取模块10和心电图分类模块20。
特征提取模块10,用于提取心电图的第一数量的人工特征;
心电图分类模块20,用于基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。
可选的,所述心电图分类模块20,具体用于:
基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,以及所述基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类,所述第二数量小于或者等于所述第一数量。
可选的,如图6所示,所述心电图分类模块20,包括:
第一分类单元201,用于基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,对所述心电图进行束支阻滞分类;
第二分类单元202,用于当采用所述第二数量的人工特征以及所述每个所述人工特征对应的特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
可选的,所述第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值。
可选的,所述第二数量的人工特征至少包括功率谱密度最大值对应的频率值、功率谱密度的最大值、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度比值以及两个R波之间片段中类S波的个数的均值;
所述第一分类单元201,具体用于:
当所述功率谱密度最大值对应的频率值大于第一特征阈值时,确定所述心电图属于右束支阻滞;
当所述功率谱密度的最大值小于第二特征阈值时,确定所述心电图属于左束支阻滞;
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值时,确定所述心电图属于左束支阻滞;
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值时,确定所述心电图属于右束支阻滞;
当所述S波相对于R波的深度比值大于第五特征阈值时,确定所述心电图属于左束支阻滞;
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值时,确定所述心电图属于右束支阻滞。
可选的,所述第二分类单元202,具体用于:
当所述功率谱密度最大值对应的频率值小于或者等于第一特征阈值,且所述功率谱密度的最大值大于或者等于第二特征阈值,且所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比大于或者等于第三特征阈值,且所述预设时长心电信号的小波分解后系数的和小于或者等于第四特征阈值,所述S波相对于R波的深度比值小于或者等于第五特征阈值,且所述两个R波之间片段中类S波的个数的均值小于或者等于第六特征阈值时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
可选的,所述第二分类单元202,具体用于:
对所述第一数量的人工特征进行归一化处理;
将归一化处理后的所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
可选的,如图7所示,所述装置还包括:
心电图滤波模块30,用于对所述心电图进行滤波处理。
需要说明的是,上述实施例提供的心电图识别装置在执行心电图识别方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的心电图识别装置与心电图识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,通过提取心电图的第一数量的人工特征,并基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。通过采用规则分类,引入临床经验,实现对典型房颤房扑的有效分类,避免深度模型和机器学习模型由于过拟合问题。当采用规则分类无法识别时,再采用基于多示例学习的支持向量机模型作为二级分类器,进一步区分规则无法区分的样本,通过集成两个弱分类器的方式相互弥补缺陷,提升模型分类能力。此外,针对类S波特性的特征提取,从形态,时序,频域等维度,提取类S波的相关信息,提高左右束支阻滞的分类能力。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图4所示实施例的所述消息处理方法,具体执行过程可以参见图1-图4所示实施例的具体说明,在此不进行赘述。
本申请还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行如上述图1-图4所示实施例的所述消息处理方法,具体执行过程可以参见图1-图4所示实施例的具体说明,在此不进行赘述。
请参见图8,为本申请实施例提供了一种电子设备的结构示意图。如图8所示,所述电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个服务器1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行服务器1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心电图识别应用程序。
在图8所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的心电图识别应用程序,并具体执行以下操作:
提取心电图的第一数量的人工特征;
基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。
在一个实施例中,所述处理器1001在执行基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类时,具体执行以下操作:
基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,以及所述基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类,所述第二数量小于或者等于所述第一数量。
在一个实施例中,所述处理器1001在执行基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,以及所述基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类时,具体执行以下操作:
基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,对所述心电图进行束支阻滞分类;
当采用所述第二数量的人工特征以及所述每个所述人工特征对应的特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
在一个实施例中,所述第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值。
在一个实施例中,所述第二数量的人工特征至少包括功率谱密度最大值对应的频率值、功率谱密度的最大值、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度比值以及两个R波之间片段中类S波的个数的均值;所述处理器1001在执行基于所述第一数量的人工特征中第二数量的人工特征,以及所述第二数量的人工特征中每个所述人工特征对应的特征阈值,对所述心电图进行束支阻滞分类时,具体执行以下操作:
当所述功率谱密度最大值对应的频率值大于第一特征阈值时,确定所述心电图属于右束支阻滞;
当所述功率谱密度的最大值小于第二特征阈值时,确定所述心电图属于左束支阻滞;
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值时,确定所述心电图属于左束支阻滞;
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值时,确定所述心电图属于右束支阻滞;
当所述S波相对于R波的深度比值大于第五特征阈值时,确定所述心电图属于左束支阻滞;
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值时,确定所述心电图属于右束支阻滞。
在一个实施例中,所述处理器1001在执行当采用所述第二数量的人工特征以及所述每个所述人工特征对应的特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类时,具体执行以下操作:
当所述功率谱密度最大值对应的频率值小于或者等于第一特征阈值,且所述功率谱密度的最大值大于或者等于第二特征阈值,且所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比大于或者等于第三特征阈值,且所述预设时长心电信号的小波分解后系数的和小于或者等于第四特征阈值,所述S波相对于R波的深度比值小于或者等于第五特征阈值,且所述两个R波之间片段中类S波的个数的均值小于或者等于第六特征阈值时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
在一个实施例中,所述处理器1001在执行将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类时,具体执行以下操作:
对所述第一数量的人工特征进行归一化处理;
将归一化处理后的所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
在一个实施例中,所述处理器1001在执行提取心电图的第一数量的人工特征之前,还执行以下操作:
对所述心电图进行滤波处理。
在本申请实施例中,通过提取心电图的第一数量的人工特征,并基于所述第一数量的人工特征、所述第一数量的人工特征中每个所述人工特征对应的特征阈值以及基于多示例学习的支持向量机模型,对所述心电图进行束支阻滞分类。通过采用规则分类,引入临床经验,实现对典型房颤房扑的有效分类,避免深度模型和机器学习模型由于过拟合问题。当采用规则分类无法识别时,再采用基于多示例学习的支持向量机模型作为二级分类器,进一步区分规则无法区分的样本,通过集成两个弱分类器的方式相互弥补缺陷,提升模型分类能力。此外,针对类S波特性的特征提取,从形态,时序,频域等维度,提取类S波的相关信息,提高左右束支阻滞的分类能力。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (6)
1.一种心电图识别装置,其特征在于,所述装置包括:特征提取模块和心电图分类模块,所述心电图分类模块包括:第一分类单元和第二分类单元;
所述特征提取模块,用于提取心电图的第一数量的人工特征,所述第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值;
所述第一分类单元,用于当所述功率谱密度最大值对应的频率值大于第一特征阈值时,确定所述心电图属于右束支阻滞;
当所述功率谱密度的最大值小于第二特征阈值时,确定所述心电图属于左束支阻滞;
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值时,确定所述心电图属于左束支阻滞;
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值时,确定所述心电图属于右束支阻滞;
当所述S波相对于R波的深度比值大于第五特征阈值时,确定所述心电图属于左束支阻滞;
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值时,确定所述心电图属于右束支阻滞;
所述第二分类单元,用于当采用所述功率谱密度最大值对应的频率值、功率谱密度的最大值、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度比值、两个R波之间片段中类S波的个数的均值以及对应的第一特征阈值、第二特征阈值、第三特征阈值、第四特征阈值、第五特征阈值、第六特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
2.根据权利要求1所述的装置,其特征在于,
所述第二分类单元还用于当所述功率谱密度最大值对应的频率值小于或者等于第一特征阈值,且所述功率谱密度的最大值大于或者等于第二特征阈值,且所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比大于或者等于第三特征阈值,且所述预设时长心电信号的小波分解后系数的和小于或者等于第四特征阈值,所述S波相对于R波的深度比值小于或者等于第五特征阈值,且所述两个R波之间片段中类S波的个数的均值小于或者等于第六特征阈值时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
3.根据权利要求2所述的装置,其特征在于,
所述第二分类单元还用于对所述第一数量的人工特征进行归一化处理;
将归一化处理后的所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
4.根据权利要求1所述的装置,其特征在于,所述装置还包括:
心电图滤波模块,用于提取所述心电图的第一数量的人工特征之前,对所述心电图进行滤波处理。
5.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如下步骤:
提取心电图的第一数量的人工特征,所述第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值;
当所述功率谱密度最大值对应的频率值大于第一特征阈值时,确定所述心电图属于右束支阻滞;
当所述功率谱密度的最大值小于第二特征阈值时,确定所述心电图属于左束支阻滞;
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值时,确定所述心电图属于左束支阻滞;
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值时,确定所述心电图属于右束支阻滞;
当所述S波相对于R波的深度比值大于第五特征阈值时,确定所述心电图属于左束支阻滞;
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值时,确定所述心电图属于右束支阻滞;
当采用所述功率谱密度最大值对应的频率值、功率谱密度的最大值、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度比值、两个R波之间片段中类S波的个数的均值以及对应的第一特征阈值、第二特征阈值、第三特征阈值、第四特征阈值、第五特征阈值、第六特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
6.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如下步骤:
提取心电图的第一数量的人工特征,所述第一数量的人工特征至少包括:功率谱密度最大值对应的频率值、功率谱密度的最大值、功率谱密度极大值幅度的标准差、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度、S波长度的标准差、R波的高度、两个R波之间片段中类S波的个数的均值、Q波长度的标准差、S波相对于R波的深度比值;
当所述功率谱密度最大值对应的频率值大于第一特征阈值时,确定所述心电图属于右束支阻滞;
当所述功率谱密度的最大值小于第二特征阈值时,确定所述心电图属于左束支阻滞;
当所述QRS片段功率谱密度极大值幅度的标准差和极大值个数的比小于第三特征阈值时,确定所述心电图属于左束支阻滞;
当所述预设时长心电信号的小波分解后系数的和大于第四特征阈值时,确定所述心电图属于右束支阻滞;
当所述S波相对于R波的深度比值大于第五特征阈值时,确定所述心电图属于左束支阻滞;
当所述两个R波之间片段中类S波的个数的均值大于第六特征阈值时,确定所述心电图属于右束支阻滞;
当采用所述功率谱密度最大值对应的频率值、功率谱密度的最大值、QRS片段功率谱密度极大值幅度的标准差和极大值个数的比、预设时长心电信号的小波分解后系数的和、S波相对于R波的深度比值、两个R波之间片段中类S波的个数的均值以及对应的第一特征阈值、第二特征阈值、第三特征阈值、第四特征阈值、第五特征阈值、第六特征阈值均无法对所述心电图进行束支阻滞分类时,将所述第一数量的人工特征输入至基于多示例学习的支持向量机模型中,输出所述心电图对应的束支阻滞分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190390.9A CN111449646B (zh) | 2020-03-18 | 2020-03-18 | 一种心电图识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190390.9A CN111449646B (zh) | 2020-03-18 | 2020-03-18 | 一种心电图识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111449646A CN111449646A (zh) | 2020-07-28 |
CN111449646B true CN111449646B (zh) | 2023-05-02 |
Family
ID=71671021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010190390.9A Active CN111449646B (zh) | 2020-03-18 | 2020-03-18 | 一种心电图识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111449646B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617851A (zh) * | 2021-01-06 | 2021-04-09 | 北京航空航天大学 | 一种基于心电信号的脑力负荷分类方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037687A (zh) * | 2019-04-09 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112413A1 (en) * | 2009-11-06 | 2011-05-12 | Newcardio, Inc | Method for automated ekg analysis |
US8954138B2 (en) * | 2011-11-16 | 2015-02-10 | Cardiac Pacemakers, Inc. | Using device based electrograms to identify bundle branch block morphology |
KR20180020724A (ko) * | 2016-08-19 | 2018-02-28 | 주식회사 케이티 | 나선형 신경망 네트워크 기반의 딥러닝에서 특징맵의 계산을 위한 피라미드 히스토리 맵 생성 방법 및 특징맵 생성 방법 |
CN108514414A (zh) * | 2018-05-11 | 2018-09-11 | 上海北京大学微电子研究院 | 一种信号处理设备、人体心电信号处理及疾病预测方法 |
CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
CN109770860B (zh) * | 2019-03-28 | 2022-05-17 | 广州视源电子科技股份有限公司 | 一种心电信号处理装置和心电设备 |
CN110367936B (zh) * | 2019-08-05 | 2022-01-28 | 广州视源电子科技股份有限公司 | 心电信号检测方法及装置 |
CN110367968B (zh) * | 2019-08-15 | 2022-04-15 | 广州视源电子科技股份有限公司 | 一种右束支阻滞检测方法、装置、设备及存储介质 |
CN110522442B (zh) * | 2019-08-16 | 2022-07-08 | 广州视源电子科技股份有限公司 | 多导联心电异常检测装置、电子设备和存储介质 |
CN110522443B (zh) * | 2019-08-30 | 2022-05-03 | 广州视源电子科技股份有限公司 | 基于心电信号的房室传导阻滞检测方法、装置和电子设备 |
CN110826631B (zh) * | 2019-11-08 | 2022-11-08 | 广州视源电子科技股份有限公司 | 心率失常疾病的分类方法、装置、存储介质和处理器 |
-
2020
- 2020-03-18 CN CN202010190390.9A patent/CN111449646B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037687A (zh) * | 2019-04-09 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的室性早搏心跳定位方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111449646A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
Li et al. | Inter-patient arrhythmia classification with improved deep residual convolutional neural network | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
CN108968941B (zh) | 一种心律失常检测方法、装置及终端 | |
US11051741B2 (en) | Non-invasive detection of coronary heart disease from short single-lead ECG | |
WO2021253709A1 (zh) | 心电图心搏分类方法、装置、电子设备和介质 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
Zhao et al. | Spectro-temporal ECG analysis for atrial fibrillation detection | |
CN110558975B (zh) | 一种心电信号分类方法及系统 | |
US20240188895A1 (en) | Model training method, signal recognition method, apparatus, computing and processing device, computer program, and computer-readable medium | |
CN108742697A (zh) | 心音信号分类方法及终端设备 | |
CN111657925A (zh) | 基于机器学习的心电信号分类方法、系统、终端以及存储介质 | |
CN107958214A (zh) | Ecg信号的并行分析装置、方法和移动终端 | |
Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
Yu et al. | A switchable scheme for ECG beat classification based on independent component analysis | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
Nahak et al. | Evaluation of handcrafted features and learned representations for the classification of arrhythmia and congestive heart failure in ECG | |
CN111449646B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
CN111449647B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 | |
Li et al. | A novel abnormal ECG beats detection method | |
WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
Raj et al. | Application of variational mode decomposition and ABC optimized DAG-SVM in arrhythmia analysis |
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 |