CN111481192A - 一种基于改进U-Net的心电信号R波检测方法 - Google Patents
一种基于改进U-Net的心电信号R波检测方法 Download PDFInfo
- Publication number
- CN111481192A CN111481192A CN202010323589.4A CN202010323589A CN111481192A CN 111481192 A CN111481192 A CN 111481192A CN 202010323589 A CN202010323589 A CN 202010323589A CN 111481192 A CN111481192 A CN 111481192A
- Authority
- CN
- China
- Prior art keywords
- convolution
- wave
- net
- network model
- electrocardiosignal
- 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
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/7235—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
- G06F18/23—Clustering 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (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改进U‑Net的心电信号R波检测方法,属于心电信号技术领域该方法主要包括如下几个要点:1)对获取的心电数据进行预处理;2)将经过预处理的心电数据输入训练好的U‑net网络模型中;3)获取U‑net网络模型输出的心电信号分割数据;4)结合组平均聚类算法对分割结果进行优化,最终输出R波位置。与传统的R波检测方法相比,本发明引入深度学习中的分割网络,提高了在强噪声或波形异常环境下R波检测的正确率,该方法具有较好的定位灵敏度和鲁棒性。
Description
技术领域
本发明属于心电信号技术领域,涉及一种基于改进U-Net的心电信号R波检测方法。
背景技术
心电图(Electrocardiogram,ECG)R波的准确检测为后续的信号处理如心电信号分类、RR间隔和心率计算等过程提供了重要依据,是整个心电图自动诊断过程中关键一环。目前的R波检测方法主要包括基于小波变换、数学形态学和数字滤波器等。这些方法在很大程度上依赖于经验判断和固定的参数选择。对于随着时间、个体和环境的不同而变化的心电信号而言,特别是在处理可穿戴心电信号时,很难选出合适的参数进行检测。
卷积神经网络具有自适应、抗噪能力强、非线性等优点,相较于传统R波检测方法容易受噪声和R波形状的影响,基于卷积神经网络的R波检测方法可以自动处理不同噪声情况下的R波检测,具有较好的鲁棒性。
发明内容
有鉴于此,本发明的目的在于提供一种基于改进U-Net的心电信号R波检测方法,通过组平均聚类算法,确定R波准确位置的检测方法,以提高R波在强噪声信号中或异常节奏波形中的检测准确率。
为达到上述目的,本发明提供如下技术方案:
一种基于改进U-Net的心电信号R波检测方法,该方法包括以下步骤:
步骤S1,对获取的心电数据进行预处理;
步骤S2,将经过预处理的心电数据输入训练好的U-net网络模型中;
步骤S3,获取U-net网络模型输出的心电信号分割数据;
步骤S4,使用组平均聚类算法对分割结果进行优化,最终输出R波位置。
可选的,所述步骤S1中,预处理方法包括信号放大处理、滤波去噪处理、去基线漂移处理和/或去肌电干扰处理;为提升模型的收敛速度,对心电信号进行z-score归一化预处理。
可选的,在所述步骤S2之前还包括:
预先构建U-Net网络模型,并利用已知的/标记的心电信号和R波掩膜对构建的U-Net网络模型进行学习训练。
可选的,所述U-Net网络模型包括:收缩路径和扩展路径;
输入U-Net网络模型中的心电数据依次经过所述收缩路径和所述扩展路径的处理,获得R波所在区域的数据;
其中,所述收缩路径由4个依次链接的卷积块组成;
每个所述卷积块包括两个卷积层,卷积核大小为13*1,两个卷积的步长均为1,使用ReLU激活函数,在每个卷积块末端应用一个大小为2*1、步长为2的最大池化层,并将卷积核个数变为原来卷积块的两倍。
可选的,所述扩展路径由3个依次链接的卷积块组成;
每个所述卷积块的末端进行一次上采样和一个卷积核大小为2*1的反卷积操作,生成的特征图与收缩路径中与之对应的卷积块生成的特征图相叠加,叠加之后的特征图继续由下一个链接的卷积块处理;
所述扩展路径经过三次反卷积,三次特征图叠加,三个卷积块的处理后,应用一个1*1卷积核对得到的8张特征图进行卷积,得到一个反映R波所在区域的一维序列。
可选的,所述构建的U-net网络模型中,卷积层采用零填充的方式,以保持收缩路径和扩展路径的输出维度;
随着卷积层的增多,模型的表示能力越强,能够提取更多复杂的特征,为防止模型过拟合,在第3、7和11层卷积网络后分别添加rate为0.2、0.5和0.2的Dropout层。
可选的,所述步骤S4中,使用组平均聚类算法对分割结果进行优化,确定出R波具体准确位置;计算公式如下:
其中ci与cj表示聚类簇,p与p'表示簇中的样本点。
本发明的有益效果在于:本发明创造提供了一种基于改进U-net网络的深度学习模型来实现R波检测的新方法,即通过设计一维卷积神经网络的U-net网络模型,可将心电数据输入U-net模型中进行训练,得到R波检测模型,最后应用该检测模型结合组平均层次聚类算法对待测心电信号进行R波检测,从而缓解人工提取特征的诸多问题,达到准确的检测结果,可广泛适用于短时强噪声或节律异常的心电信号R波检测。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明提供的改进U-net网络模块;
图2为原始心电信号及其掩膜图;图2(a)为原始心电信号;图2(b)为掩膜。
图3为测试心电信号的检测过程图;图3(a)为原始心电信号;图3(b)为改进U-Net网络输出结果;图3(c)为经组平均聚类算法优化后预测的R波峰位置。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本实施例公开了一种基于改进U-net的R波检测方法,其由两部分组成:改进U-Net网络和组平均聚类算法。第一部分预测出R波所在区域,第二部分具体输出R波位置,因为网络是以R波为中心来学习的,即每类的中值作为预测的R波位置。根据以上大致分析,具体实施步骤包括:
步骤S1,对获取的心电数据进行预处理;
这里的预处理过程是为了减少原始心电信号中各种噪声干扰,由于心电信号反映的是比较微弱的生理信号,对心电信号的采集和处理属于弱信号检测范畴,采集的心电信号不可避免的存在噪声干扰,包括工频干扰、基线漂移和肌电干扰等,因此可选择对所述样本心电信号进行预处理。其中,预处理方式可以但不限于包括有信号放大处理、滤波去噪处理、去基线漂移处理和/或去肌电干扰处理等。另外,为了提升模型的收敛速度,需要对心电信号进行z-score归一化预处理。
步骤S2,将经过预处理的心电数据输入训练好的U-net网络模型中;
应说明的是这里所述的U-net网络模型为改进之后的U-net网络模型,且是经过大量的心电信号和其对应R波掩膜训练完成后的U-net网络模型,网络模型结构图如图2所示。图2(a)为原始心电信号;图2(b)为掩膜。
图3为测试心电信号的检测过程图;图3(a)为原始心电信号;图3(b)为改进U-Net网络输出结果;图3(c)为经组平均聚类算法优化后预测的R波峰位置。
在步骤S2之前所述方法还包括:
预先构建U-Net网络模型,并利用已知的/标记的心电信号和R波掩膜对构建的U-Net网络模型进行学习训练,心电信号可通过现有心电采集设备采集得到(信号长度可举例为10秒,采样率可举例为500Hz)。
具体地,所述U-Net网络模型包括:收缩路径和扩展路径;
输入U-Net网络模型中的心电数据依次经过所述收缩路径和所述扩展路径的处理,获得R波所在区域的数据;
其中,所述收缩路径由4个依次链接的卷积块组成;
每个所述卷积块包括两个卷积层,卷积核大小为13*1,两个卷积的步长均为1,使用ReLU激活函数,在每个卷积块末端应用一个大小为2*1、步长为2的最大池化层,并将卷积核个数变为原来卷积块的两倍。
其中,所述扩展路径由3个依次链接的卷积块组成;
每个所述卷积块的末端进行一次上采样和一个卷积核大小为2*1的反卷积操作,生成的特征图与收缩路径中与之对应的卷积块生成的特征图相叠加,叠加之后的特征图继续由下一个链接的卷积块处理;
所述扩展路径经过三次反卷积,三次特征图叠加,三个卷积块的处理后,应用一个1*1卷积核对得到的8张特征图进行卷积,得到一个反映R波所在区域的一维序列。
同时为防止模型过拟合,在第3、7、11层卷积网络后分别添加rate为0.2、0.5和0.2的Dropout层。
最后应重点说明的是,本实施例中所述U-net网络模型中所述卷积层采用零填充的方式以保持收缩路径和扩展路径的输出维度。
步骤S3,获取U-net网络模型输出的心电信号分割数据;
步骤S4,使用组平均聚类算法对分割结果进行优化,最终输出R波位置;
上述步骤S4中所述的组平均聚类算法是对分割结果进行优化,用以补偿因强噪声环境而产生的假阳性,其公式如下:
其中ci与cj表示聚类簇,p与p'表示簇中的样本点。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于改进U-Net的心电信号R波检测方法,其特征在于:该方法包括以下步骤:
步骤S1,对获取的心电数据进行预处理;
步骤S2,将经过预处理的心电数据输入训练好的U-net网络模型中;
步骤S3,获取U-net网络模型输出的心电信号分割数据;
步骤S4,使用组平均聚类算法对分割结果进行优化,最终输出R波位置。
2.根据权利要求1所述的一种基于改进U-Net的心电信号R波检测方法,其特征在于:所述步骤S1中,预处理方法包括信号放大处理、滤波去噪处理、去基线漂移处理和/或去肌电干扰处理;为提升模型的收敛速度,对心电信号进行z-score归一化预处理。
3.根据权利要求1所述的一种基于改进U-Net的心电信号R波检测方法,其特征在于:在所述步骤S2之前还包括:
预先构建U-Net网络模型,并利用已知的/标记的心电信号和R波掩膜对构建的U-Net网络模型进行学习训练。
4.根据权利要求3所述的一种基于改进U-Net的心电信号R波检测方法,其特征在于:所述U-Net网络模型包括:收缩路径和扩展路径;
输入U-Net网络模型中的心电数据依次经过所述收缩路径和所述扩展路径的处理,获得R波所在区域的数据;
其中,所述收缩路径由4个依次链接的卷积块组成;
每个所述卷积块包括两个卷积层,卷积核大小为13*1,两个卷积的步长均为1,使用ReLU激活函数,在每个卷积块末端应用一个大小为2*1、步长为2的最大池化层,并将卷积核个数变为原来卷积块的两倍。
5.根据权利要求4所述的一种基于改进U-Net的心电信号R波检测方法,其特征在于:所述扩展路径由3个依次链接的卷积块组成;
每个所述卷积块的末端进行一次上采样和一个卷积核大小为2*1的反卷积操作,生成的特征图与收缩路径中与之对应的卷积块生成的特征图相叠加,叠加之后的特征图继续由下一个链接的卷积块处理;
所述扩展路径经过三次反卷积,三次特征图叠加,三个卷积块的处理后,应用一个1*1卷积核对得到的8张特征图进行卷积,得到一个反映R波所在区域的一维序列。
6.根据权利要求5所述的一种基于改进U-Net的心电信号R波检测方法,其特征在于:所述构建的U-net网络模型中,卷积层采用零填充的方式,以保持收缩路径和扩展路径的输出维度;
随着卷积层的增多,模型的表示能力越强,能够提取更多复杂的特征,为防止模型过拟合,在第3、7和11层卷积网络后分别添加rate为0.2、0.5和0.2的Dropout层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323589.4A CN111481192B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进U-Net的心电信号R波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323589.4A CN111481192B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进U-Net的心电信号R波检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111481192A true CN111481192A (zh) | 2020-08-04 |
CN111481192B CN111481192B (zh) | 2022-06-03 |
Family
ID=71790003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323589.4A Active CN111481192B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进U-Net的心电信号R波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111481192B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232253A (zh) * | 2020-10-26 | 2021-01-15 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112587151A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取装置 |
CN113300792A (zh) * | 2021-05-14 | 2021-08-24 | 广州大学 | 一种用于极弱射频干扰的标记方法、系统和存储介质 |
CN113491523A (zh) * | 2021-07-30 | 2021-10-12 | 济南汇医融工科技有限公司 | 一种心电信号特征点检测方法及系统 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114010204A (zh) * | 2021-11-09 | 2022-02-08 | 四川大学 | 基于深度学习分割网络的ecg信号的r峰检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
CN109377470A (zh) * | 2018-03-20 | 2019-02-22 | 任昊星 | 一种心脏病风险预测系统 |
WO2019161043A1 (en) * | 2018-02-15 | 2019-08-22 | GE Precision Healthcare LLC | System and method for synthesizing magnetic resonance images |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110688942A (zh) * | 2019-09-25 | 2020-01-14 | 西安邮电大学 | 一种基于InResNet网络的心电信号联合识别模块及方法 |
US20200051238A1 (en) * | 2018-08-13 | 2020-02-13 | International Business Machines Corporation | Anatomical Segmentation Identifying Modes and Viewpoints with Deep Learning Across Modalities |
CN110946566A (zh) * | 2019-12-16 | 2020-04-03 | 成都天奥电子股份有限公司 | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 |
-
2020
- 2020-04-22 CN CN202010323589.4A patent/CN111481192B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584854A (zh) * | 2013-11-29 | 2014-02-19 | 重庆海睿科技有限公司 | 心电信号r波的提取方法 |
WO2019161043A1 (en) * | 2018-02-15 | 2019-08-22 | GE Precision Healthcare LLC | System and method for synthesizing magnetic resonance images |
CN109377470A (zh) * | 2018-03-20 | 2019-02-22 | 任昊星 | 一种心脏病风险预测系统 |
US20200051238A1 (en) * | 2018-08-13 | 2020-02-13 | International Business Machines Corporation | Anatomical Segmentation Identifying Modes and Viewpoints with Deep Learning Across Modalities |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
CN110688942A (zh) * | 2019-09-25 | 2020-01-14 | 西安邮电大学 | 一种基于InResNet网络的心电信号联合识别模块及方法 |
CN110946566A (zh) * | 2019-12-16 | 2020-04-03 | 成都天奥电子股份有限公司 | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 |
Non-Patent Citations (10)
Title |
---|
JIMENEZ-PEREZ, G., ET AL: "U-Net Architecture for the Automatic Detection and Delineation of the Electrocardiogram", 《2019 COMPUTING IN CARDIOLOGY》 * |
JIMENEZ-PEREZ, G., ET AL: "U-Net Architecture for the Automatic Detection and Delineation of the Electrocardiogram", 《2019 COMPUTING IN CARDIOLOGY》, vol. 46, 31 December 2019 (2019-12-31), pages 1 - 4 * |
SHU LIH OH, ET AL: "Automated beat-wise arrhythmia diagnosis using modified U-net on extended electrocardiographic recordings with heterogeneous arrhythmia types", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
SHU LIH OH, ET AL: "Automated beat-wise arrhythmia diagnosis using modified U-net on extended electrocardiographic recordings with heterogeneous arrhythmia types", 《COMPUTERS IN BIOLOGY AND MEDICINE》, vol. 105, 28 February 2019 (2019-02-28), pages 92 - 101, XP085588927, DOI: 10.1016/j.compbiomed.2018.12.012 * |
佟彦妮等: "基于卷积神经网络的房室肥大心电图的自动识别与分类诊断", 《中国医疗器械杂志》 * |
佟彦妮等: "基于卷积神经网络的房室肥大心电图的自动识别与分类诊断", 《中国医疗器械杂志》, vol. 44, no. 1, 31 January 2020 (2020-01-31), pages 20 - 23 * |
吐尔地托合提等: "一种结合GAAC和K-means的维吾尔文文本聚类算法", 《计算机工程与科学》 * |
吐尔地托合提等: "一种结合GAAC和K-means的维吾尔文文本聚类算法", 《计算机工程与科学》, vol. 35, no. 7, 31 July 2013 (2013-07-31), pages 149 - 155 * |
吴建等: "基于差分阈值与模板匹配的心电R波提取算法", 《重庆邮电大学学报(自然科学版)》 * |
吴建等: "基于差分阈值与模板匹配的心电R波提取算法", 《重庆邮电大学学报(自然科学版)》, vol. 27, no. 3, 30 June 2015 (2015-06-30), pages 371 - 376 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232253A (zh) * | 2020-10-26 | 2021-01-15 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112232253B (zh) * | 2020-10-26 | 2021-11-09 | 南通大学 | 一种粗糙合理粒度驱动的胎儿心电图异常检测方法 |
CN112587151A (zh) * | 2020-11-11 | 2021-04-02 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取装置 |
CN113300792A (zh) * | 2021-05-14 | 2021-08-24 | 广州大学 | 一种用于极弱射频干扰的标记方法、系统和存储介质 |
CN113491523A (zh) * | 2021-07-30 | 2021-10-12 | 济南汇医融工科技有限公司 | 一种心电信号特征点检测方法及系统 |
CN114010204A (zh) * | 2021-11-09 | 2022-02-08 | 四川大学 | 基于深度学习分割网络的ecg信号的r峰检测方法及系统 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN113951893B (zh) * | 2021-12-02 | 2023-02-03 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111481192B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
Elhaj et al. | Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals | |
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 | |
Javadi et al. | Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning | |
CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
CN110495877B (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
He et al. | Recognition of ECG patterns using artificial neural network | |
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 | |
Chen et al. | Region aggregation network: improving convolutional neural network for ECG characteristic detection | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
CN111568410A (zh) | 一种基于12导联和卷积神经网络的心电数据分类方法 | |
CN115062655A (zh) | 一种多导联心电信号分析方法及多导联心肌梗死分析系统 | |
Liu et al. | A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
Shukri et al. | Investigation on Elman neural network for detection of cardiomyopathy | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
Ghosal et al. | Ecg beat quality assessment using self organizing map | |
Ekhlasi et al. | Analysis of ECG signals to classify abnormal patterns by employing Artificial Neural Network and Discrete Wavelet Coefficients | |
CN114557705A (zh) | 基于机器学习的静息心电分析方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201016 Address after: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Applicant after: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Applicant after: Nanjing Zhiying Artificial Intelligence Research Institute Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |