CN111460956B - 一种基于数据增强与损失加权的不平衡心电样本分类方法 - Google Patents

一种基于数据增强与损失加权的不平衡心电样本分类方法 Download PDF

Info

Publication number
CN111460956B
CN111460956B CN202010222769.3A CN202010222769A CN111460956B CN 111460956 B CN111460956 B CN 111460956B CN 202010222769 A CN202010222769 A CN 202010222769A CN 111460956 B CN111460956 B CN 111460956B
Authority
CN
China
Prior art keywords
peak
heart beat
sample
random
data enhancement
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
Application number
CN202010222769.3A
Other languages
English (en)
Other versions
CN111460956A (zh
Inventor
燕婷
张重庆
舒明雷
王英龙
刘辉
高天雷
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.)
Shandong University of Science and Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
Original Assignee
Shandong University of Science and Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Shandong Institute of Artificial Intelligence
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 Shandong University of Science and Technology, Shandong Computer Science Center National Super Computing Center in Jinan, Shandong Institute of Artificial Intelligence filed Critical Shandong University of Science and Technology
Priority to CN202010222769.3A priority Critical patent/CN111460956B/zh
Publication of CN111460956A publication Critical patent/CN111460956A/zh
Application granted granted Critical
Publication of CN111460956B publication Critical patent/CN111460956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

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

Abstract

一种基于数据增强与损失加权的不平衡心电样本分类方法，通过对数据进行相应的处理实现了数据增强，增强了心拍样本的多样性和代表性，防止过拟合现象的发生；并通过批处理加权损失函数，使每一类心拍样本的权重处于一个动态的非线性变化的过程，得到一个较优的处理心拍类别样本不平衡的方法，分类结果优于现有的最先进的分类方法。可以积极推动便携式心律失常时检测设备的发展。

Description

一种基于数据增强与损失加权的不平衡心电样本分类方法
技术领域
本发明涉及心电信号分类技术领域，具体涉及一种基于数据增强与损失加权的不平衡心电样本分类方法。
背景技术
心电图是一种用来检测心脏活动的标准技术，心电图中心电信号的检测对于心律失常判断具有重大的意义。因此，如何对心电图中心电信号进行准确的判断是当前心电信号分类研究的主要方向。尽管现有的心电信号分类方法有很多，但在一定程度上都存在一些不足。由于在现有的很多心律失常数据库中，心电信号的心拍样本都存在一定的类别样本不平衡问题，而现有的处理不平衡样本的方法主要是通过数据层面和分类器层面来解决这一问题。
数据层面的方法主要有随机过采样，随机欠采样和SMOTE等算法。在随机过采样方法中，由于只是对少数类样本进行复制，扩大了数据规模，增加了模型训练复杂度，并没有增强样本的多样性和代表性，可能引起过拟合问题的产生；随机下采样方法中，会丢失一些样本，可能会损失部分有用信息，造成模型学习到的有助于心拍分类的特征很少；SMOTE算法增加了类别之间重叠的可能性，可能会生成一些没有提供有用信息的样本，具有改变样本类别的风险。分类器层面的方法有阈值移动等方法，这在一定程度上提高了样本数较多类的阈值大小，会使部分少数类的分类精度提高，但在类别样本数目差距较大的情况下，并不能保证所有少数类的分类精度都提高。
根据上述描述可知，有效的解决心拍类别样本不平衡问题，是目前心拍分类中面临的重要挑战。
发明内容
本发明为了克服以上技术的不足，提供了一种分类效果优异的基于数据增强与损失加权的不平衡心电样本分类方法。
本发明克服其技术问题所采用的技术方案是：
一种基于数据增强与损失加权的不平衡心电样本分类方法，包括如下步骤：
a)选择MIT-BIH心率失常库中的导联Ⅱ信号作为所需心电信号的数据；
b)计算机对所选取的心电信号通过预处理方法进行降噪和心拍分割，得到心拍样本D；
c)将分割后的心拍样本D按比例进行随机裁剪、随机平移和随机加噪相结合的方法对心拍样本进行数据增强操作；
d)将增强后的心拍样本传入模型进行特征提取；
e)使用分类器，通过对损失函数的改变，使每类心拍样本的权重处于动态变化的过程，对心拍样本进行分类。
进一步的，步骤b)的处理步骤如下：
b-1)利用计算机使用滤波器对获取的心电信号中的ECG信号进行降噪，得到降噪后的心电信号xj；
b-2)计算机读取MIT-BIH心率失常库中的R峰值，去除每条记录第一个R峰和最后一个R峰后得到N-2个R峰，以N-2个R峰位置为基准点将降噪后的心电信号xj分割成N-2个独立的心拍xheartbeat；
b-3)利用计算机为N-2个心拍xheartbeat分别添加xtime，xtime包含三个时间特征，分别为
Figure BDA0002426569860000021
为当前R峰值与前一个R峰值之间的距离，
Figure BDA0002426569860000022
为当前R峰值与后一个R峰值之间的距离，
Figure BDA0002426569860000023
为滑动窗口内给定ECG信号在过去10秒内所有的RR间隔的平均值。
进一步的，步骤c)的处理步骤为将心拍样本D随机分为两个部分，得到DA和DB，对DA进行随机剪裁变换操作，将剪裁变换后的DA与DB合并得到新的数据集D1，将数据集D1随机分为两个部分得到
Figure BDA0002426569860000024
及
Figure BDA0002426569860000025
对
Figure BDA0002426569860000026
作，将随机平移变换后的
Figure BDA0002426569860000027
与
Figure BDA0002426569860000028
合并得到新的数据集D2，将数据集D2随机分为两个部分得到
Figure BDA0002426569860000029
及
Figure BDA00024265698600000210
对
Figure BDA00024265698600000211
进行随机加噪操作，将加噪后的
Figure BDA00024265698600000212
与
Figure BDA00024265698600000213
合并得到最终的数据集D3。
进一步的，步骤d)的处理步骤如下：
d-1)将增加后的各个心拍传入CNN模型中，根基公式
Figure BDA0002426569860000031
计算第一层卷积层的矩阵尺寸W1，式中F为卷积核的大小，F＝32，s为步长，s＝3，P为填充边界的大小，P＝0；
d-2)使用Dropout对M*W1进行正则化处理，其中M为数据增强后的心拍的个数，Dropout＝0.1；
d-3)使用Relu作为激活函数；
d-4)进入卷积神经网络的池化层，采用Max pooling通过
Figure BDA0002426569860000032
进行降维得到矩阵W2，式中d为池化层的步长，d＝2；
d-5)将矩阵W2再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W3；
d-6)将矩阵W3再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W4，计算矩阵W4时卷积核F＝16。
进一步的，步骤e)的处理步骤如下：
e-1)通过公式
Figure BDA0002426569860000033
建立损失函数的权重，通过公式
Figure BDA0002426569860000034
建立损失函数，式中M为数据增强后的心拍的个数，wi,k为第i批第k类的权值，k∈{N,S,V,F,Q}，N、S、V、F、Q为MIT-BIH心率失常库中心拍的五种类别，Li为第i批的损失，yi,jj∈(1,2,...,M)为第i批第j个样本的标签，ε＝0.02，β为权值调整因子，β＝2；
e-2)将矩阵W4与M个xtime拼接，拼接后传入Fully connected中，且使输出空间的维度为32；
e-3)通过Softmax分类器进行心拍分类。
优选的，步骤b-1)中计算机使用长度为360、截止频率为0.5-40Hz的FIR滤波器。
优选的，步骤b-2)中R峰左侧的分割窗口为195ms，R峰右侧的分割窗口为315ms。优选的，步骤c)中的随机剪裁通过公式fc(s1,s2)，以时间间隔(195×s1,315×s2)在心电信号QRS波峰周围裁剪一段心电图并缩放到维度184维的方式进行计算，其中s1与s2为尺度因子，0.85≤s1≤1.15，0.85≤s2≤1.15，步骤c)中随机平移通过公式fγ(λ)以剪裁心电信号片段在QRS波峰周围的时间间隔(195+λ,315+λ)的方式进行计算，其中λ为随平移因子，-75≤λ≤75，步骤c)中的随机加噪通过公式fη(σ)的方式进行计算，σ为给心电信号添加高斯噪声的信噪比，15dB≤σ≤30dB，数据增强后得到M个心拍xheartbeat，即[M,184]，其中M＞N，将分割后原始的N-2个独立的心拍xheartbeat中每个心拍数据增强后增加的个数的多少对N-2个原始的时间特征xtime进行复制，得到M个时间特征xtime，即[M,3]，其中M＞N。
本发明的有益效果是：通过对数据进行相应的处理实现了数据增强，增强了心拍样本的多样性和代表性，防止过拟合现象的发生；并通过批处理加权损失函数，使每一类心拍样本的权重处于一个动态的非线性变化的过程，得到一个较优的处理心拍类别样本不平衡的方法，分类结果优于现有的最先进的分类方法。可以积极推动便携式心律失常时检测设备的发展。
附图说明
图1为本发明的流程图；
图2为本发明的数据增强操作的流程图；
图3为本发明的数据增加操作的示例图；
图4为本发明的心拍分类的模型图。
具体实施方式
下面结合附图1至附图4对本发明做进一步说明。
一种基于数据增强与损失加权的不平衡心电样本分类方法，包括如下步骤：
a)选择MIT-BIH心率失常库中的导联Ⅱ信号作为所需心电信号的数据；
b)计算机对所选取的心电信号通过预处理方法进行降噪和心拍分割，得到心拍样本D；
c)将分割后的心拍样本D按比例进行随机裁剪、随机平移和随机加噪相结合的方法对心拍样本进行数据增强操作；
d)将增强后的心拍样本传入模型进行特征提取；
e)使用分类器，通过对损失函数的改变，使每类心拍样本的权重处于动态变化的过程，对心拍样本进行分类。
通过对数据进行相应的处理实现了数据增强，增强了心拍样本的多样性和代表性，防止过拟合现象的发生；并通过批处理加权损失函数，使每一类心拍样本的权重处于一个动态的非线性变化的过程，得到一个较优的处理心拍类别样本不平衡的方法，分类结果优于现有的最先进的分类方法。可以积极推动便携式心律失常时检测设备的发展。
进一步的，步骤b)的处理步骤如下：
b-1)利用计算机使用滤波器对获取的心电信号中的ECG信号进行降噪，得到降噪后的心电信号xj。优选的，计算机使用长度为360、截止频率为0.5-40Hz的FIR滤波器。
b-2)计算机读取MIT-BIH心率失常库中的R峰值，去除每条记录第一个R峰和最后一个R峰后得到N-2个R峰，以N-2个R峰位置为基准点将降噪后的心电信号xj分割成N-2个独立的心拍xheartbeat；优选的，R峰左侧的分割窗口为195ms，R峰右侧的分割窗口为315ms。
b-3)利用计算机为N-2个心拍xheartbeat分别添加xtime，xtime包含三个时间特征，分别为
Figure BDA0002426569860000061
为当前R峰值与前一个R峰值之间的距离，
Figure BDA0002426569860000062
为当前R峰值与后一个R峰值之间的距离，
Figure BDA0002426569860000063
为滑动窗口内给定ECG信号在过去10秒内所有的RR间隔的平均值。最终得到N-2个xtime的时间特性。
进一步的，步骤c)的处理步骤为将心拍样本D随机分为两个部分，得到DA和DB，对DA进行随机剪裁变换操作，将剪裁变换后的DA与DB合并得到新的数据集D1，将数据集D1随机分为两个部分得到
Figure BDA0002426569860000064
及
Figure BDA0002426569860000065
对
Figure BDA0002426569860000066
进行随机平移变换操作，将随机平移变换后的
Figure BDA0002426569860000067
与
Figure BDA0002426569860000068
合并得到新的数据集D2，将数据集D2随机分为两个部分得到
Figure BDA0002426569860000069
及
Figure BDA00024265698600000610
对
Figure BDA00024265698600000611
进行随机加噪操作，将加噪后的
Figure BDA00024265698600000612
与
Figure BDA00024265698600000613
合并得到最终的数据集D3。
具体的，步骤c)中的随机剪裁通过公式fc(s1,s2)，以时间间隔(195×s1,315×s2)在心电信号QRS波峰周围裁剪一段心电图并缩放到维度184维的方式进行计算，其中s1与s2为尺度因子，0.85≤s1≤1.15，0.85≤s2≤1.15，步骤c)中随机平移通过公式fγ(λ)以剪裁心电信号片段在QRS波峰周围的时间间隔(195+λ,315+λ)的方式进行计算，其中λ为随平移因子，-75≤λ≤75，步骤c)中的随机加噪通过公式fη(σ)的方式进行计算，σ为给心电信号添加高斯噪声的信噪比，15dB≤σ≤30dB，数据增强后得到M个心拍xheartbeat，即[M,184]，其中M＞N，将分割后原始的N-2个独立的心拍xheartbeat中每个心拍数据增强后增加的个数的多少对N-2个原始的时间特征xtime进行复制，得到M个时间特征xtime，即[M,3]，其中M＞N。
进一步的，步骤d)的处理步骤如下：
d-1)将增加后的各个心拍传入CNN模型中，根基公式
Figure BDA00024265698600000614
计算第一层卷积层的矩阵尺寸W1，式中F为卷积核的大小，F＝32，s为步长，s＝3，P为填充边界的大小，P＝0。
d-2)使用Dropout对M*W1进行正则化处理，其中M为数据增强后的心拍的个数，为了防止过拟合现象的产生，其中Dropout＝0.1。
d-3)使用Relu作为激活函数。
d-4)进入卷积神经网络的池化层，采用Max pooling通过
Figure BDA0002426569860000071
进行降维得到矩阵W2，式中d为池化层的步长，d＝2。
d-5)将矩阵W2再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W3。
d-6)将矩阵W3再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W4，计算矩阵W4时卷积核F＝16。
进一步的，步骤e)的处理步骤如下：
e-1)在MIT-BIH数据库中，数据增强产生的高质量合成样本不如类N多，分类结果存在偏倚，因此通过训练阶段的批处理加权损失给少数类的样本分配较大的权重，通过公式
Figure BDA0002426569860000072
建立损失函数的权重，通过公式
Figure BDA0002426569860000073
建立损失函数，式中M为数据增强后的心拍的个数，wi,k为第i批第k类的权值，k∈{N,S,V,F,Q}，N、S、V、F、Q为MIT-BIH心率失常库中心拍的五种类别，Li为第i批的损失，yi,jj∈(1,2,...,M)为第i批第j个样本的标签，ε是为了防止某一批样本只有一种类别时权值为0而引入的参数，ε＝0.02，β为权值调整因子，当β＝0时，每一类的权值相等，当β越大，类的权值则以非线性的方式变化越小，我们选用β＝2，在训练阶段与传统的布局类权值相比，Li是动态变化的，可以灵活的调整权值的大小。
e-2)将矩阵W4与M个xtime拼接，拼接后传入Fully connected中，且使输出空间的维度为32。
e-3)通过Softmax分类器进行心拍分类。

Claims (5)

1.一种基于数据增强与损失加权的不平衡心电样本分类方法，其特征在于，包括如下步骤：
a)选择MIT-BIH心率失常库中的导联Ⅱ信号作为所需心电信号的数据；
b)计算机对所选取的心电信号通过预处理方法进行降噪和心拍分割，得到心拍样本D；
c)将分割后的心拍样本D按比例进行随机裁剪、随机平移和随机加噪相结合的方法对心拍样本进行数据增强操作；
d)将增强后的心拍样本传入模型进行特征提取；
e)使用分类器，通过对损失函数的改变，使每类心拍样本的权重处于动态变化的过程，对心拍样本进行分类；
b-1)利用计算机使用滤波器对获取的心电信号中的ECG信号进行降噪，得到降噪后的心电信号xj；
b-2)计算机读取MIT-BIH心率失常库中的N个R峰值，去除每条记录第一个R峰和最后一个R峰后得到N-2个R峰，以N-2个R峰位置为基准点将降噪后的心电信号xj分割成N-2个独立的心拍xheartbeat；
b-3)利用计算机为N-2个心拍xheartbeat分别添加xtime，xtime包含三个时间特征，分别为
Figure FDA0003034525810000011
Figure FDA0003034525810000012
为当前R峰值与前一个R峰值之间的距离，
Figure FDA0003034525810000013
为当前R峰值与后一个R峰值之间的距离，
Figure FDA0003034525810000014
为滑动窗口内给定ECG信号在过去10秒内所有的RR间隔的平均值；
步骤d)的处理步骤如下：
d-1)将增加后的各个心拍传入CNN模型中，根基公式
Figure FDA0003034525810000015
计算第一层卷积层的矩阵尺寸W1，式中F为卷积核的大小，F＝32，s为步长，s＝3，P为填充边界的大小，P＝0；
d-2)使用Dropout对M*W1进行正则化处理，其中M为数据增强后的心拍的个数，Dropout＝0.1；
d-3)使用Relu作为激活函数；
d-4)进入卷积神经网络的池化层，采用Max pooling通过
Figure FDA0003034525810000021
进行降维得到矩阵W2，式中d为池化层的步长，d＝2；
d-5)将矩阵W2再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W3；
d-6)将矩阵W3再次传入CNN模型中，重复步骤d-1)至步骤d-4)，得到矩阵W4，计算矩阵W4时卷积核F＝16；
步骤e)的处理步骤如下：
e-1)通过公式
Figure FDA0003034525810000022
建立损失函数的权重，通过公式
Figure FDA0003034525810000023
建立损失函数，式中M为数据增强后的心拍的个数，wi,k为第i批第k类的权值，k∈{N,S,V,F,Q}，N、S、V、F、Q为MIT-BIH心率失常库中心拍的五种类别，Li为第i批的损失，yi,jj∈(1,2,...,M)为第i批第j个样本的标签，ε＝0.02，β为权值调整因子，β＝2；
e-2)将矩阵W4与M个xtime拼接，拼接后传入Fully connected中，且使输出空间的维度为32；
e-3)通过Softmax分类器进行心拍分类。
2.根据权利要求1所述的基于数据增强与损失加权的不平衡心电样本分类方法，其特征在于：步骤c)的处理步骤为将心拍样本D随机分为两个部分，得到DA和DB，对DA进行随机剪裁变换操作，将剪裁变换后的DA与DB合并得到新的数据集D1，将数据集D1随机分为两个部分得到
Figure FDA0003034525810000031
及
Figure FDA0003034525810000032
对
Figure FDA0003034525810000033
进行随机平移变换操作，将随机平移变换后的
Figure FDA0003034525810000034
与
Figure FDA0003034525810000035
合并得到新的数据集D2，将数据集D2随机分为两个部分得到
Figure FDA0003034525810000036
及
Figure FDA0003034525810000037
对
Figure FDA0003034525810000038
进行随机加噪操作，将加噪后的
Figure FDA0003034525810000039
与
Figure FDA00030345258100000310
合并得到最终的数据集D3。
3.根据权利要求1所述的基于数据增强与损失加权的不平衡心电样本分类方法，其特征在于:步骤b-1)中计算机使用长度为360、截止频率为0.5-40Hz的FIR滤波器。
4.根据权利要求1所述的基于数据增强与损失加权的不平衡心电样本分类方法，其特征在于:步骤b-2)中R峰左侧的分割窗口为195ms，R峰右侧的分割窗口为315ms。
5.根据权利要求2所述的基于数据增强与损失加权的不平衡心电样本分类方法，其特征在于:步骤c)中的随机剪裁通过公式fc(s1,s2)，以时间间隔(195×s1,315×s2)在心电信号QRS波峰周围裁剪一段心电图并缩放到维度184维的方式进行计算，其中s1与s2为尺度因子，0.85≤s1≤1.15，0.85≤s2≤1.15，步骤c)中随机平移通过公式fγ(λ)以剪裁心电信号片段在QRS波峰周围的时间间隔(195+λ,315+λ)的方式进行计算，其中λ为随平移因子，-75≤λ≤75，步骤c)中的随机加噪通过公式fη(σ)的方式进行计算，σ为给心电信号添加高斯噪声的信噪比，15dB≤σ≤30dB，数据增强后得到M个心拍xheartbeat，即[M,184]，其中M＞N，将分割后原始的N-2个独立的心拍xheartbeat中每个心拍数据增强后增加的个数的多少对N-2个原始的时间特征xtime进行复制，得到M个时间特征xtime，即[M,3]，其中M＞N。
CN202010222769.3A 2020-03-26 2020-03-26 一种基于数据增强与损失加权的不平衡心电样本分类方法 Active CN111460956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010222769.3A CN111460956B (zh) 2020-03-26 2020-03-26 一种基于数据增强与损失加权的不平衡心电样本分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010222769.3A CN111460956B (zh) 2020-03-26 2020-03-26 一种基于数据增强与损失加权的不平衡心电样本分类方法

Publications (2)

Publication Number Publication Date
CN111460956A CN111460956A (zh) 2020-07-28
CN111460956B true CN111460956B (zh) 2021-06-29

Family

ID=71685046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010222769.3A Active CN111460956B (zh) 2020-03-26 2020-03-26 一种基于数据增强与损失加权的不平衡心电样本分类方法

Country Status (1)

Country Link
CN (1) CN111460956B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109602414B (zh) * 2018-11-12 2022-01-28 安徽心之声医疗科技有限公司 一种多视角转换的心电信号数据增强方法
CN112244802A (zh) * 2020-10-16 2021-01-22 山东省人工智能研究院 一种基于Stockwell变换的BCG信号心率提取方法
CN112686091B (zh) * 2020-11-23 2024-02-23 南京信息工程大学 基于深度神经网络的两步骤心律失常分类方法
CN112617850B (zh) * 2021-01-04 2022-08-30 苏州大学 心电信号的早搏心拍检测系统
CN113349792B (zh) * 2021-05-31 2022-10-11 平安科技（深圳）有限公司 基于多导联心电信号的分类方法、装置、设备及介质
CN113509186B (zh) * 2021-06-30 2022-10-25 重庆理工大学 基于深度卷积神经网络的ecg分类系统与方法
CN113974644B (zh) * 2021-11-26 2023-03-24 苏州大学 一种房颤信号生成方法及系统
CN114386079B (zh) * 2022-03-23 2022-12-06 清华大学 基于对比学习的加密流量分类方法及装置
CN114886404B (zh) * 2022-07-13 2022-10-28 西南民族大学 一种电子设备、装置及存储介质
CN117594227B (zh) * 2024-01-18 2024-04-30 微脉技术有限公司 基于穿戴设备的健康状态监控方法、装置、介质及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102020673B1 (ko) * 2013-05-03 2019-09-11 삼성전자주식회사 시계열 패턴 마이닝 방법 및 장치
CN104970789B (zh) * 2014-04-04 2017-12-19 中国科学院苏州纳米技术与纳米仿生研究所 心电图分类方法及系统
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置
CN106901723A (zh) * 2017-04-20 2017-06-30 济南浪潮高新科技投资发展有限公司 一种心电图异常自动诊断方法
CN107510452B (zh) * 2017-09-30 2019-10-08 扬美慧普（北京）科技有限公司 一种基于多尺度深度学习神经网络的心电检测方法

Also Published As

Publication number Publication date
CN111460956A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111460956B (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN109394205B (zh) 一种基于深度神经网络的心电信号分析方法
CN110522444B (zh) 一种基于Kernel-CNN的心电信号识别分类方法
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及系统
CN111007566B (zh) 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法
CN113177357B (zh) 一种电力系统暂态稳定评估方法
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN113295702B (zh) 电气设备故障诊断模型训练方法和电气设备故障诊断方法
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
CN110477909B (zh) 一种基于静息态脑电数据的性别分类方法
CN110543832A (zh) 基于随机森林和卷积神经网络的脑电数据分类方法
CN113274031B (zh) 一种基于深度卷积残差网络的心律失常分类方法
CN115736944A (zh) 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
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
CN115130509A (zh) 基于条件式变分自编码器的心电信号生成方法
CN114692698A (zh) 一种基于残差网络的一维心电数据分类方法
CN115545111B (zh) 一种基于聚类自适应混合采样的网络入侵检测方法及系统
CN117112991A (zh) 一种基于改进深度残差收缩网络的轴承故障诊断方法
CN117171544A (zh) 基于多通道融合卷积神经网络的电机振动故障诊断方法
CN112932431B (zh) 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法
CN113876331B (zh) 一种面向心电信号的半监督房颤自动检测系统
CN114705431A (zh) 基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法
CN114528906A (zh) 一种旋转机械的故障诊断方法、装置、设备和介质

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