CN111657914A - 基于深度学习的心电图形态的识别方法和装置 - Google Patents
基于深度学习的心电图形态的识别方法和装置 Download PDFInfo
- Publication number
- CN111657914A CN111657914A CN202010365665.8A CN202010365665A CN111657914A CN 111657914 A CN111657914 A CN 111657914A CN 202010365665 A CN202010365665 A CN 202010365665A CN 111657914 A CN111657914 A CN 111657914A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- network model
- label vector
- electrocardiosignals
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/7264—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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种基于深度学习的心电图形态的识别方法和装置,通过对识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段对信号段形成训练集和验证集能够最大程度地保证形态的基本特征,使得训练得到的卷积神经网络具有更好的鲁棒性和准确性。
Description
技术领域
本申请属于心电图处理技术领域,尤其是涉及一种基于深度学习的心电图形态的识别方法和装置。
背景技术
心电图由一系列的波组所构成,每个波组代表着每一个心动周期。一个波组包括P波、QRS波群、T波及U波,如图1所示,其每个波所代表的意义为:
(1)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,其反映了左、右心房的除极过程。前半部分代表右房,后半部分代表左房。
(2)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。
(3)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。
(4)U波:U波位于T波之后,比较低小,其发生机理未完全明确。一般认为是心肌激动的“激后电位”。
心电信号ST段和T波是心电波形的重要组成部分,许多心脏疾病的发生常伴随有ST段波形和T波的改变。目前对心电信号中ST段和T波的类型识别主要靠医生的经验,由此导致心电信号的类型识别不易准确。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供基于深度学习的心电图形态的识别方法和装置。
本发明解决其技术问题所采用的技术方案是:
本申请提供一种基于深度学习的心电图形态的识别方法,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型或ST波段形态类型;将心电信号依据类型标定标签向量,不同类型的标签向量不同且均为(a1,a2,……,at),a1,a2,……,at中仅有一个为1,其余为0;
S2:识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集;
S3:采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为t个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1。
本申请还提供一种基于深度学习的心电图形态的识别方法,包括以下步骤:
S4:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式输入到权利要求1的S3步骤中训练好的卷积神经网络;
S5:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为上述中S1步骤中标定标签向量时标签向量相同的形态类型。
优选地,本发明的基于深度学习的心电图形态的识别方法,所述T波形态类型包括正常、T波低平、T波倒置、T波高耸四种形态类型,所述ST波段形态类型包括正常、ST段抬高、ST段压低三种形态类型。
优选地,本发明的基于深度学习的心电图形态的识别方法,S1步骤中所述多导联心电信号的采样频率相同或者被预处理为相同,并且所述多导联心电图经过相同的滤波器进行滤波。
优选地,本发明的基于深度学习的心电图形态的识别方法,S1步骤中随机选取80%-85%的信号段组成训练集,15%-20%的信号段组成验证集。
优选地,本发明的基于深度学习的心电图形态的识别方法,所述信息载体为特定大小的图片。
优选地,本发明的基于深度学习的心电图形态的识别方法,所述卷积神经网络包括一个输入层以及若干卷积层、激励层、归一化层、池化层、注意力层和全连接层。
本发明还提供一种基于深度学习的心电图形态的识别方法,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,将心电信号依据T波形态标定标签向量,不同类型的标签向量不同且均为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第一训练集和第一验证集;
S2:将S1步骤收集心电信号依据ST波段形态标定标签向量,不同类型的标签向量不同且均为(a12,a22,……,at2),a12,a22,……,at2中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第二训练集和第二验证集;
S3:将S1步骤收集心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签向量,不同类型的标签向量不同且均为
其中标签向量中仅有一个数值为1,其余数值为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第三训练集和第三验证集;
S4:分别将第一训练集、第二训练集、第三训练集中的心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;
S5:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到S4步骤中训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。
本申请还提供一种基于深度学习的心电图形态的识别装置,包括:
标定模块:用于收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型或ST波段形态类型;将心电信号依据类型标定标签向量,不同类型的标签向量不同且均为(a1,a2,……,at),a1,a2,……,at中仅有一个为1,其余为0;
处理模块:用于识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集;
训练模块:用于采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为t个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1;
输入模块:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段输入到训练模块中训练好的卷积神经网络;
识别模块:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为标定模块中标定标签向量时标签向量相同的形态类型。
本申请还提供一种基于深度学习的心电图形态的识别装置,包括:
第一训练集生成模块:用于收集充分多条已知类型的临床静息多导联心电信号,将心电信号依据T波形态类型标定标签向量,不同类型的标签向量不同且均为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第一训练集和第一验证集;
第二训练集生成模块:用于将第一训练集生成模块中收集心电信号依据ST波段形态标定标签向量,不同类型的标签向量不同且均为(a12,a22,……,at2),a12,a22,……,at2中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第二训练集和第二验证集;
第三训练集生成模块:用于将第一训练集生成模块中收集心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签向量矩阵,不同类型的标签向量不同且均为
其中标签向量中仅有一个数值为1,其余数值为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第三训练集和第三验证集;
模型训练模块:用于分别将第一训练集、第二训练集、第三训练集中的心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;
结果输出模块:用于将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到模型训练模块中训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。本发明的有益效果是:
本申请的基于深度学习的心电图形态的识别方法和装置,通过对识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,使信号段形成训练集和验证集能够最大程度地保证形态的基本特征,使得训练得到的卷积神经网络具有更好的鲁棒性和准确性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例1的基于深度学习的心电图形态的识别方法识别T波形态类型时的流程图;
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
以下实施例中充分多条一般而言需每种类型不少于10000条,如果某种类型比如ST抬高等稀有病例条数较少,则可进行图像增强,采用通用的图像角度改变和添加干扰等增强方式将图片数据扩充到1万条左右,以使各个结论的数据相对平衡。
实施例1
本实施例提供一种基于深度学习的心电图形态的识别方法,如图1所示,用于识别T波形态类型,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型;将心电信号依据类型标定标签,不同形态类型的标签标定为(a1,a2,……,at);所述T波形态类型为正常、T波低平、T波倒置、T波高耸四种形态类型,因此t为4,可以将正常波形标记为(1,0,0,0)、T波低平标记为(0,1,0,0)、T波倒置标记为(0,0,1,0)、T波高耸标记为(0,0,0,1);
S2:识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集,随机选取80%-85%的信号段组成训练集,15%-20%的信号段组成验证集。
所述多导联心电信号的采样频率相同或者被预处理为相同,并且所述多导联心电图经过相同的滤波器进行滤波。
S3:采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为4个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1;
S1-S3步形成了基于深度学习的心电图形态的识别神经网络模型;
S4:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式输入到S3步骤中训练好的卷积神经网络;
S5:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为S1步骤中标定标签向量时标签向量相同的形态类型。
重新生成标签向量为(1,0,0,0)时为正常,输出值为(0,1,0,0)时为T波低平、输出值为(0,0,1,0)时为T波倒置、输出值为(0,0,0,1)时为T波高耸。
实施例2
本实施例提供一种基于深度学习的心电图形态的识别方法,如图1所示,用于识别ST波段形态类型,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个ST波段形态类型;将心电信号依据类型标定标签向量,不同形态类型的标签向量标定为(a1,a2,……,at);所述ST波段形态类型包括正常、ST段抬高、ST段压低三种形态类型,因此t为3;比如,进行以下标定:正常为(1,0,0)、ST段抬高为(0,1,0)、ST段压低为(0,0,1);
S2:识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集,随机选取80%-85%的信号段组成训练集,15%-20%的信号段组成验证集。(所述信息载体为特定大小的图片)
所述多导联心电信号的采样频率相同或者被预处理为相同,并且所述多导联心电图经过相同的滤波器进行滤波。
S3:采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为5个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1。
S1-S3步形成了基于深度学习的心电图形态的识别神经网络模型;
S4:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段输入到S3步骤找那个训练好的卷积神经网络;
S5:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为S1步骤中标定标签向量时标签向量相同的形态类型。
也即输出值为(1,0,0)时为正常,输出值为(0,1,0)时为ST段抬高、输出值为(0,0,1)时为ST段压低。
实施例3
本实施例提供一种基于深度学习的心电图形态的识别方法,如图1所示,用于同时识别T波形态类型和ST波段形态类型,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t1个T波形态类型;将心电信号依据类型T波形态标定标签,不同形态类型的标签标定为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;所述T波形态类型为正常、T波低平、T波倒置、T波高耸四种形态类型,因此t1为3,可以采用实施例1相同的标定方式。识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第一训练集和第一验证集,随机选取85%的信号段组成第一训练集,15%的信号段组成第一验证集。
S2:将S1步骤收集心电信号依据ST波段形态标定标签,不同形态类型的标签标定为(a11,a21,……,at2),a11,a21,……,at2中仅有一个为1,其余为0;所述ST波段形态类型包括正常、ST段抬高、ST段压低三种形态类型,因此t2为3;可以采用实施例1相同的标定方式。识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第二训练集和第二验证集,随机选取80%的信号段以信息载体形式形成第二训练集,20%的信号段组成第二验证集。
S3:将S1步骤收集心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签,不同形态类型的标签标定为t2*t1的向量矩阵;所述T波形态类型为正常、T波低平、T波倒置、T波高耸四种形态类型,所述ST波段形态类型包括正常、ST段抬高、ST段低下三种形态类型,T波形态类型和ST波段形态的排列组合共15种形成以下的标签向量(矩阵):其中标签向量中仅有一个数值为1,其余数值为0;
a11为1时表示心电信号为T波正常且ST段正常;
a12为1时表示心电信号为T波正常且ST段抬高;
a13为1时表示心电信号为T波正常且ST段低下;
a21为1时表示心电信号为T波低平且ST段正常;
a22为1时表示心电信号为T波低平且ST段抬高;
a23为1时表示心电信号为T波低平且ST段低下;
a31为1时表示心电信号为T波倒置且ST段正常;
a32为1时表示心电信号为T波倒置且ST段抬高;
a33为1时表示心电信号为T波倒置且ST段低下;
a41为1时表示心电信号为T波高耸且ST段正常;
a42为1时表示心电信号为T波高耸且ST段抬高;
a43为1时表示心电信号为T波高耸且ST段低下;
S4:识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第三训练集和第三验证集,随机选取80%的信号段组成第三训练集,20%的信号段组成第三验证集。
S5:分别将第一训练集、第二训练集、第三训练集采用训练集心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型即形成了基于深度学习的心电图形态的识别神经网络模型;
将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。
通过三个卷积神经网络模型的相互验证,能够进一步提高对于未知类型临床静息多导联心电信号的类型的认定的准确性,防止认定结果错误。
为了方便理解,以下为举例:
如果第一卷积神经网络模型输出值重新生成标签向量后N1为(0,1,0,0),第二卷积神经网络模型输出值重新生成标签向量后N2为(0,1,0),则认定未知类型临床静息多导联心电信号为T波低平且ST段抬高;
如果第一卷积神经网络模型输出值重新生成标签向量后N1为(0,1,0,0),第二卷积神经网络模型输出值重新生成标签向量后N2不为(0,1,0),则认定未知类型临床静息多导联心电信号为ST段抬高,T波类型不可知;
如果第一卷积神经网络模型输出值重新生成标签向量后N1不为(0,1,0,0),第二卷积神经网络模型输出值重新生成标签向量后N2为(0,1,0),则认定未知类型临床静息多导联心电信号为T波低平,ST段类型不可知;
如果第一卷积神经网络模型输出值重新生成标签向量后N1不为(0,1,0,0),第二卷积神经网络模型输出值重新生成标签向量后N2也不为(0,1,0),则未知类型临床静息多导联心电信号的类型不可知。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
上述实施例中,所述信号段先将波形数据绘制成特定大小的图片。
训练的卷积神经网络由20层构成:
第一层是输入层,输入图片(由波形数据绘制而成),图片大小128*128。
第二层为卷积层,包含64个滤波器,卷积核大小为(3,3),步长为1。
第三层为激励层,激励层主要使神经元具有了非线性的属性。
第四层为批量归一化层,批量主要是为了归一化输入数据。
第五层为池化层,池化窗大小为2,步长为2,主要抽象特征。
第六层为卷积层,同上,主要采集更大尺寸的特征。包含128个滤波器,卷积核大小为(3,3),步长为1。
第七层为ELU激励层。
第八层为批量归一化层。
第九层为卷积层,包含128个滤波器,卷积核大小为(3,3),步长为1。
第十层为ELU激励层。
第十一层为批量归一化层。
第十二层为池化层,池化窗大小为2,步长为2,抽取汇总特征。
第十三层为卷积层,包含256个滤波器,卷积核大小为(3,3),步长为1。
第十四层为ELU激励层。
第十五层为批量归一化层。
第十六层为卷积层,包含256个滤波器,卷积核大小为(3,3),步长为1。
第十七层为ELU激励层。
第十八层为批量归一化层。
第十九层为池化层,池化窗大小为2,步长为2。
第二十层为扁平化层(Flatten layer),将所有特征平铺。
第二十层分为4个子层。
第一子层为注意力层,注意力层主要是所有特征概率。
第二子层为64个节点的全连接层,激励函数为RELU,压缩特征。
第三子层为20个节点的全连接层,激励函数为RELU。
第四子层全连接层,输出神经元个数为4个类别,激励函数为softmax函数。输出的是4种T波形态概率。
如果输出的是3种ST形态概率,则第三子层为15个节点的全连接层,激励函数为RELU。输出神经元个数为3个类别,激励函数为softmax函数。输出的是3种ST形态。
如果输出的是12种ST形态与T波形态的组合概率,则第三子层为60个节点的全连接层,激励函数为RELU。输出神经元个数为3个类别,激励函数为softmax函数。输出的是12种STST形态与T波形态的组合。
输出的是各个类别的概率,概率最大就是判断结论。
卷积神经网络的训练优化算法有随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等,这里选择Adadelta,修改其的初始学习率0.1,batchsize选择512,也可以选择SGD算法。
实施例4
本申请还提供一种基于深度学习的心电图形态的识别装置,与实施例1和2相对应,包括:
标定模块:用于收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型或ST波段形态类型;将心电信号依据类型标定标签向量,不同类型的标签向量不同且均为(a1,a2,……,at),a1,a2,……,at中仅有一个为1,其余为0;
处理模块:用于识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集;
训练模块:用于采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为t个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1;
输入模块:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段输入到训练模块中训练好的卷积神经网络;
识别模块:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为标定模块中标定标签向量时标签向量相同的形态类型。
实施例5
本实施例提供一种基于深度学习的心电图形态的识别装置,与实施例3相对应,包括:
第一训练集生成模块:用于收集充分多条已知类型的临床静息多导联心电信号,将心电信号依据T波形态类型标定标签向量,不同类型的标签向量不同且均为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将以信息载体形式组成心电信号第一训练集和第一验证集;
第二训练集生成模块:用于将第一训练集生成模块中收集心电信号依据ST波段形态类型标定标签向量,不同类型的标签向量不同且均为(a12,a22,……,at2),a12,a22,……,at2中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第二训练集和第二验证集;
第三训练集生成模块:用于将第一训练集生成模块中收集心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签向量矩阵,不同类型的标签向量不同且均为
其中标签向量中仅有一个数值为1,其余数值为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第三训练集和第三验证集;
模型训练模块:用于分别将第一训练集、第二训练集、第三训练集采用训练集心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;
结果输出模块:用于将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到模型训练模块中训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于深度学习的心电图形态的识别方法,其特征在于,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型或ST波段形态类型;将心电信号依据类型标定标签向量,不同类型的标签向量不同且均为(a1,a2,……,at),a1,a2,……,at中仅有一个为1,其余为0;
S2:识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集;
S3:采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为t个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1。
2.根据权利要求1所述的基于深度学习的心电图形态的识别方法,其特征在于,还包括以下步骤:
S4:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式输入到权利要求1的S3步骤中训练好的卷积神经网络;
S5:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为权利要求1中S1步骤中标定标签向量时标签向量相同的形态类型。
3.根据权利要求2所述的基于深度学习的心电图形态的识别方法,其特征在于,所述T波形态类型包括正常、T波低平、T波倒置、T波高耸四种形态类型,所述ST波段形态类型包括正常、ST段抬高、ST段压低三种形态类型。
4.根据权利要求2或3所述的基于深度学习的心电图形态的识别方法,其特征在于,S1步骤中所述多导联心电信号的采样频率相同或者被预处理为相同,并且所述多导联心电图经过相同的滤波器进行滤波。
5.根据权利要求2-4任一项所述的基于深度学习的心电图形态的识别方法,其特征在于,S1步骤中随机选取80%-85%的信号段组成训练集,15%-20%的信号段组成验证集。
6.根据权利要求2-5任一项所述的基于深度学习的心电图形态的识别方法,其特征在于,所述信息载体为特定大小的图片。
7.根据权利要求6所述的基于深度学习的心电图形态的识别方法,其特征在于,所述卷积神经网络包括一个输入层以及若干卷积层、激励层、归一化层、池化层、注意力层和全连接层。
8.一种基于深度学习的心电图形态的识别方法,其特征在于,包括以下步骤:
S1:收集充分多条已知类型的临床静息多导联心电信号,将心电信号依据T波形态标定标签向量,不同类型的标签向量不同且均为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第一训练集和第一验证集;
S2:将S1步骤收集心电信号依据ST波段形态标定标签向量,不同类型的标签向量不同且均为(a12,a22,……,at2),a12,a22,……,at2中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第二训练集和第二验证集;
S3:将S1步骤收集心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签向量,不同类型的标签向量不同且均为其中标签向量中仅有一个数值为1,其余数值为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段组成心电信号第三训练集和第三验证集;
S4:分别将第一训练集、第二训练集、第三训练集中的心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;
S5:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到S4步骤中训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。
9.一种基于深度学习的心电图形态的识别装置,其特征在于,包括:
标定模块:用于收集充分多条已知类型的临床静息多导联心电信号,心电信号包括t个T波形态类型或ST波段形态类型;将心电信号依据类型标定标签向量,不同类型的标签向量不同且均为(a1,a2,……,at),a1,a2,……,at中仅有一个为1,其余为0;
处理模块:用于识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成训练集和验证集;
训练模块:用于采用训练集心电数据作为输入及其对应的标签向量作为输出对卷积神经网络进行训练,并以验证集对卷积神经网络进行验证,获取训练好的卷积神经网络,所述卷积神经网络的输出为t个数值组成的标签向量,且向量中的每个数值大于等于0小于等于1;
输入模块:将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段输入到训练模块中训练好的卷积神经网络;
识别模块:获取卷积神经网络的输出,读取输出值中的标签向量的最大值挑出并定义最大值为1其余值为0重新生成标签向量,认定临床静息多导联心电信号的形态类型为标定模块中标定标签向量时标签向量相同的形态类型。
10.一种基于深度学习的心电图形态的识别装置,其特征在于,包括:
第一训练集生成模块:用于收集充分多条已知类型的临床静息多导联心电信号,将心电信号依据T波形态类型标定标签向量,不同类型的标签向量不同且均为(a11,a21,……,at1),a11,a21,……,at1中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第一训练集和第一验证集;
第二训练集生成模块:用于将第一训练集生成模块中收集心电信号依据ST波段形态标定标签向量,不同类型的标签向量不同且均为(a12,a22,……,at2),a12,a22,……,at2中仅有一个为1,其余为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第二训练集和第二验证集;
第三训练集生成模块:用于将第一训练集生成模块中的心电信号依据T波形态类型和ST波段形态的组合形态类型标定标签向量矩阵,不同类型的标签向量不同且均为
其中标签向量中仅有一个数值为1,其余数值为0;识别出每个心电信号中的所有R波高点,并以R波高点作为起始和结尾进行区间划分,将心电信号划分成信号段,信号段继承来源心电信号的标签向量,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将信号段以信息载体形式形成第三训练集和第三验证集;
模型训练模块:用于分别将第一训练集、第二训练集、第三训练集中的心电数据作为输入及其对应的标签向量作为输出对三个卷积神经网络进行训练得到第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,并分别以第一验证集、第二验证集和第三验证集对第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型进行验证,获取训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型,所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出分别为三个标签向量;
结果输出模块:用于将未知类型临床静息多导联心电信号划分成信号段,每条信号段均为截取R波高点前一个区间的中点到下一个区间中点之间的波形数据,将所有信号段分别输入到模型训练模块中训练好的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型中;
获取第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的输出,将第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型输出值中的标签向量的最大值挑出并定义最大值为1其余值为0分别重新生成标签向量N1、N2和N3;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均相同时,才能认定临床静息多导联心电信号的类型为N3;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型相同但与标签向量N2所代表的ST波段形态类型不相同时,则认定临床静息多导联心电信号的类型为N2,ST波段形态类型为未知;
若标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签N1所代表的T波形态类型不相同但与标签向量N2所代表的ST波段形态类型相同时,则认定临床静息多导联心电信号的类型为N3,T波形态类型为未知;
当标签向量N3所代表的T波形态类型和ST波段形态类型的组合中与标签向量N1所代表的T波形态类型及标签向量N2所代表的ST波段形态类型均不相同时,认为未知类型临床静息多导联心电信号的类型不可确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365665.8A CN111657914A (zh) | 2020-04-30 | 2020-04-30 | 基于深度学习的心电图形态的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365665.8A CN111657914A (zh) | 2020-04-30 | 2020-04-30 | 基于深度学习的心电图形态的识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111657914A true CN111657914A (zh) | 2020-09-15 |
Family
ID=72383026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010365665.8A Pending CN111657914A (zh) | 2020-04-30 | 2020-04-30 | 基于深度学习的心电图形态的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111657914A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836302A (zh) * | 2018-03-19 | 2018-11-20 | 武汉海星通技术股份有限公司 | 基于深度神经网络的心电图智能分析方法及系统 |
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 |
CN110717416A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类识别用神经网络训练方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、系统及设备 |
-
2020
- 2020-04-30 CN CN202010365665.8A patent/CN111657914A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108836302A (zh) * | 2018-03-19 | 2018-11-20 | 武汉海星通技术股份有限公司 | 基于深度神经网络的心电图智能分析方法及系统 |
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 |
CN110717416A (zh) * | 2019-09-24 | 2020-01-21 | 上海数创医疗科技有限公司 | 基于特征选取的st段分类识别用神经网络训练方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、系统及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
CN112883803B (zh) * | 2021-01-20 | 2023-09-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108366750B (zh) | Ecg波形的自适应解译的系统和方法 | |
CN108875575B (zh) | 基于多通道信号融合深度神经网络自动心律失常分析方法 | |
CN111657915A (zh) | 基于深度学习的心电图形态的识别模型及其使用方法 | |
CN108113666A (zh) | 房颤信号的识别方法、装置和设备 | |
CN110046604B (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
CN111666865B (zh) | 多导联心电信号卷积神经网络分类方法及其使用方法 | |
JP2020528336A (ja) | 心電信号の検出 | |
CN111275093B (zh) | 一种用于多标签标注心电信号的心搏分类方法和装置 | |
CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
CN108937912B (zh) | 一种基于深度神经网络的自动心律失常分析方法 | |
CN106951499A (zh) | 一种基于翻译模型的知识图谱表示方法 | |
CN110717415B (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN110547792A (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN112883803B (zh) | 一种基于深度学习的心电信号分类方法、装置及存储介质 | |
CN110717416B (zh) | 基于特征选取的st段分类识别用神经网络训练方法 | |
CN112611982A (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN109589110A (zh) | 心电导联检测方法、装置、设备和存储介质 | |
CN110974211A (zh) | 高阶多项式激活函数的st段分类神经网络及其应用 | |
CN111091839A (zh) | 语音唤醒方法、装置、存储介质及智能设备 | |
CN111657914A (zh) | 基于深度学习的心电图形态的识别方法和装置 | |
CN114692809A (zh) | 基于神经集群的数据处理方法及装置、存储介质、处理器 | |
CN113593698B (zh) | 一种基于图注意网络的中医证型识别方法 |
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: 20200915 |