CN111700609A - 基于短时心电信号的房颤检测方法、装置及设备 - Google Patents
基于短时心电信号的房颤检测方法、装置及设备 Download PDFInfo
- Publication number
- CN111700609A CN111700609A CN202010731991.6A CN202010731991A CN111700609A CN 111700609 A CN111700609 A CN 111700609A CN 202010731991 A CN202010731991 A CN 202010731991A CN 111700609 A CN111700609 A CN 111700609A
- Authority
- CN
- China
- Prior art keywords
- short
- atrial fibrillation
- time
- neural network
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 230000000747 cardiac effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 abstract description 10
- 230000000306 recurrent effect Effects 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010042600 Supraventricular arrhythmias Diseases 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009424 thromboembolic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了本发明提供一种基于短时心电信号的房颤检测方法、装置及设备。本发明技术方案首先获取待识别的心电信号;将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;其中,所述房颤信号检测模型为多路卷积神经网络和双向循环递归神经网络结合的分类模型。本发明提出了一种多路卷积神经网络和双向循环递归神经网络结合的分类模型,多路卷积神经网络使得能够充分利用每条短时心电记录的所有节律信息,双向循环递归神经网络强化短时心电记录之间的时间序列属性,从而保证了可靠、准确地检测出房颤节律。
Description
技术领域
本发明属于心电监测技术领域,具体涉及一种基于短时心电信号的房颤检测方法、装置及设备。
背景技术
心房颤动(房颤)是常见的一种室上性心率失常。2010年,全世界房颤患者人数大约有3300多万人。而在65岁以上的人群中,患病率随着年龄增长而增加。虽然房颤本身并不代表一种致命的疾病,但它对居民公共健康有巨大的影响。此外,房颤可能导致高住院率以及卫生资源的广泛利用,给社会带来巨大的经济负担。心房颤动通常是无症状的,因此在血栓栓塞事件发生之前仍然可能检测不到。早期检测出房颤可以使用抗凝治疗来减轻中风和其他血栓栓塞并发症的风险。
来自植入式心脏监护仪的数据表明,可能需要长期的监测来检测临床上的房颤。动态心电图也是监测房颤的重要工具之一,它可以通过Holter采集长期、连续的心电信号。然而,佩戴Holter比较笨重,对人们的日常活动造成很大的影响。近年来,通过可穿戴设备对房颤进行监测越来越受欢迎。目前已有几种基于不同测量技术的可穿戴设备检测房颤。因此,使用动态心电图记录监测房颤具有重要意义。
近几年来,许多研究人员使用深度学习方法检测房颤。虽然使用深度学习方法检测房颤取得良好的成效,但是实时房颤检测的关键问题依然未解决。由于大多数房颤检测方法是基于静态心电信号建立模型,而在动态心电信号上的适用性受限。尤其是在短时不等长心电信号的节律信息有限的情况下,可靠准确的检测出房颤信号仍然是一个巨大的挑战。
发明内容
本发明针对现有技术的不足,提供一种基于短时心电信号的房颤检测方法、装置及设备,具体方案如下:
本发明一方面提供了一种基于短时心电信号的房颤检测方法,该方法包括:
获取待识别的心电信号;
将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;
其中,所述房颤信号检测模型通过下述方式建立:
获取短时ECG记录,将每条短时ECG记录切片为n个局部片段;
建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构;每路卷积神经网络为一个一维CNN结构,所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之后,在所述双向长短记忆神经网络之后设置Softmax分类器;
按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
基于上述,所述获取一条短时ECG记录的步骤,包括:获取整条或一条原始ECG记录;对所述原始ECG记录进行降采样后,再利用Daubechies 6小波变换对所述原始ECG记录进行9级小波分解,去除D1,D2,A9分量,并对剩下的分量进行重构,得到滤波后的短时ECG记录。
基于上述,所述将一条短时ECG记录切片为n个局部片段还包括重叠切片操作,其中重叠的采样点长度,根据公式(1)计算:
其中,L为一条短时ECG记录的长度,n为局部片段数,l为每个局部片段的长度,ol为局部片段之间的重叠长度。
基于上述,将切片后的短时ECG记录输入至所述网络结构中进行训练之前,采用z-score标准化技术进行样本数据标准化操作,其中,z-score标准化定义公式为:
E(x)是样本数据的均值,Var(x)是样本数据的标准差。
基于上述,每路卷积神经网络包括5个卷积层和5个池化层,按1个卷积层分组,组间由池化层隔开,第1、2组卷积层中滤波器数量均为4个,第3、4组卷积层中滤波器数量均为8个,最后一组卷积层中设置16个滤波器,前4组的池化层使用平均池化层AP,最后一组池化层使用全局平均池化层GAP。
基于上述,在所述房颤信号检测模型训练过程中,对每路卷积神经网络的卷积层使用L2正则化;在卷积神经网络和双向长短记忆神经网络之间增加比率为0.5的dropout;采用随机梯度下降SGD进行优化,在每一次循环迭代中更新模型参数。
本发明另一方面还提供了一种基于短时心电信号的房颤检测装置,所述装置包括:
信号获取模块,用于获取待识别的心电信号;
结果输出模块,用于将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;
其中,所述房颤信号检测模型通过下述方式建立:
获取短时ECG记录,将每条短时ECG记录切片为n个局部片段;
建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构;每路卷积神经网络为一个一维CNN结构,所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之后,在所述双向长短记忆神经网络之后设置Softmax分类器;
按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
本发明还提供了一种基于短时心电信号的房颤检测设备,所述设备包括处理器和存储器,所述存储器中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以实现所述的基于短时心电信号的房颤检测方法。
本发明还提供了一种存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的基于短时心电信号的房颤检测方法。
本发明相对现有技术具有突出的实质性特点和显著进步,具体地说,本发明提出了一种多路卷积神经网络和双向循环递归神经网络结合的分类模型,多路卷积神经网络使得能够充分利用每条短时心电记录的所有节律信息,双向循环递归神经网络强化短时心电记录之间的时间序列属性,从而保证了可靠、准确地检测出房颤节律。
附图说明
图1本发明房颤信号检测模型的网络架构。
图2本发明基于短时心电信号的房颤检测方法的算法流程图。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
如图1和图2所示,一种基于短时心电信号的房颤检测方法,该方法包括:
获取待识别的心电信号;
将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果。
所述房颤信号检测模型通过下述方式建立:
获取短时ECG记录,将每条短时ECG记录切片为n个局部片段。
具体的,采用如下方式获取短时ECG记录并切片:
(1)降采样:由于深度卷积网络是将整条心电信号或一条心电信号的某个片段作为输入。因此,对原始心电信号的采样频率进行下采样有助于减少网络的复杂度以及缩短模型训练时间。本发明采用的降采样策略为将两个数据集中所有动态心电信号降采样到120Hz。
(2)去噪:用Daubechies 6(db6)小波变换对原始心电信号进行9级小波分解,去除D1,D2,A9分量,并剩下的分量进行重构,得到滤波后的信号。
(3)信号切割:本发明所使用的短时心电样本数据,其信号时间长度不一,最短的记录有6s,最长的有60s,最长是最短的10倍。本发明将每条记录切取n个片段,每条片段的长度为ls。这样,每ECG条记录就被分割成相同形式的n×ls片段组。为了充分利用每条短时心电记录的所有节律信息,可以采用重叠的切割方案,具体重叠的采样点长度,可以根据公式(1)计算。这样就能提取整条的短时心电特征,弥补不能提取短时心电记录所有节律信息的不足。
其中,L为一条ECG记录的长度,n为片段数,l为每个片段的长度,ol为片段之间的重叠长度。
(4)标准化:不同人之间的ECG信号记录的幅度存在着较大的变换,甚至同一个人ECG记录不同导联信号的幅度也会存在着变化。通过标准化输入数据使得本发明模型在训练过程中即能防止模型梯度爆炸,又能让模型收敛的更快。本发明采用z-score标准化技术使得心电信号幅值大小服从统一的数据分布。公式(2)为z-score标准化定义。
其中,E(x)是样本数据的均值,Var(x)是样本数据的标准差。
建立n路卷积神经网络MCCNN和1路双向长短记忆神经网络BLSTM组合的网络结构;每路卷积神经网络MCCNN为一个一维CNN结构,所述双向长短记忆神经网络BLSTM连接设置在所述n路卷积神经网络MCCNN之后,在所述双向长短记忆神经网络BLSTM之后设置Softmax分类器;按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
本发明对每一条短时ECG记录都搭建一个对应的模型训练。在这个网络结构中,对于一条记录的n个片段,是作为一个整体,输入到不同的分支中。每个分支都是个1维CNN结构,处理的是一个时长为ls的局部片段,有利于增强其对局部特征的感知。由于局部片段是按照ECG记录的时间顺序切取的,这n个局部片段之间存在时间序列特性,为了强化这种特性,最终n个分支由一个双向长短记忆神经网络BLSTM强化它们之间的时间序列属性,最后通过softmax层进行分类。
在卷积神经网络MCCNN网络中,根据切片长度l设置channel的个数n。 其中,max L是一条短时心电记录的长度,l是每个切片的长度。每路卷积神经网络包括5个卷积层和5个池化层,按1个卷积层分组,组间由池化层隔开,第1、2组卷积层中滤波器数量均为4个,第3、4组卷积层中滤波器数量均为8个,最后一组卷积层中设置16个滤波器,前4组的池化层使用平均池化层AP,最后一组池化层使用全局平均池化层GAP。
与产生顺序不变表示的池化层相反,使用双向长短记忆神经网络BLSTM来考虑CNN提取的n个片段的心电特征。这n个片段是按照ECG记录的时间顺序切取的,片段之间包含动态时序信息,这些动态节律变化可能会编码额外的信息,有助于做出更准确的预测。
在所述房颤信号检测模型训练过程中,对每路卷积神经网络MCCNN的卷积层使用L2正则化,改善网络模型过拟合问题;同时,在卷积神经网络和双向长短记忆神经网络之间增加比率为0.5的dropout,以减轻由于切片之间的心电信号重叠造成的信息冗余;采用随机梯度下降SGD进行优化,在每一次循环迭代中更新模型参数。
具体的房颤信号检测模型网络参数设置
MCCNN-BLSTM超参数的优化是一个重要组成部分。有许多类型的梯度下降优化算法,如随机梯度下降(SGD),自适应梯度下降(Adagrad)和自适应动量估计(Adam)。为了降低每个时间步的训练时间,小批量梯度下降优化算法较早的被引入。但SGD容易收敛到局部最优,并且在某些情况下可能被困在鞍点。因此引入动量以加速模型在正确的方向收敛,并降低模型陷入局部最优的可能。自适应梯度下降能在训练中动态地调整学习率。更新频繁的参数减小学习率,更新次数低的参数增大学习率。自适应动量估计利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。每一次迭代学习率都有个确定范围,使得参数更新比较平稳。虽然Adam被认为均有最好的整体性能,但是在好的初始化和学习率调度方案的情况下,SGD的结果更可靠。
本发明训练方法中,使用批量为128的SGD算法,初始学习率为0.01,每10次训练速率指数衰减10倍,学习率η衰减定义为
其中,η0是初始学习率,N是epoch的大小。
过拟合是机器学习中存在的普遍问题。深度学习模型具有较高的复杂度,其不仅仅拟合输入信号和类别标签之间的关系,还拟合了随机误差和信号噪音。为了防止过拟合,本发明还引入正则化。训练过程中,前5层CNN网络模型参数的L2正则化参数添加到损失函数中。因此,最终的损失函数定义为
本发明还采用了另外一种正则化方法是Dropout技术。它的原理可以简单的理解为在神经网络训练的过程中以概率P丢弃部分神经元。L2正则化是通过修改损失函数实现降低过拟合的可能,而Dropout是通过修改网络自身。针对心电信号记录长度小于平均心电信号长度的心电信号,切片之间信息存在冗余。为减轻这种情况,在CNN与BLSTM之间增加Dropout,并将Dropout概率值设置为0.5。
在深度网络模型学习期间找到真正的全局最小值并不是必要的。因此,当学习期间损失或者准确率进入相对平坦的区域时,可以选择使用早期停止(Early stopping)技术。早期停止可以看作是一种不引人注目的正规化形式而不会影响学习动力,这种策略可以与其他正规化技术结合使用。使用该技术可以防止模型过拟合,加快学习的速度。默认情况下,考虑到有效性和效率,可以将早期停止时期的最大数量设置为150。表1中给出了该模型参数的默认设置。
表1.模型参数设置
验证实验
实验使用的数据集是来自2017 PhysioNet/CinC Challenge的短时心电数据集和2018年中国生理信号挑战赛的短时心电数据集。
本发明方法的目的是检测单导联短时心电信号中的房颤节律。为了有效的实现这个目的,网络输入的设计(即信号切片方式)和网络结构的设计是至关重要的。
如表2所示,对不同卷积个数(channels)配置的MCCNN-BLSTM进行了评估。对输入心电图记录切割成不同的时长的切片来设置卷积个数(channels)。其中,对于不同长度的短时心电信号输入,切片长度l分别设置为6s(11channels CNN)、10s(7channels CNN)、15s(5channels CNN)、20s(4channels CNN)、25s(3channels CNN)、30s(3channels CNN)。实验结果对比见表2。实验结果表明,当心电记录时间为25s时,3channels CNN-BLSTM的分类准确率最高,为98.65%。
表2.MCNN-BLSTM网络在2017PhysioNet/CinC Challenge数据集上的表现结果
为了验证所提出MCCNN-BLSTM网络结构在不同数据库上的普适性,分析了该网络在China Physiological Signal Challenge 2018测试集上的分类结果,结果对比见表3。通过对表3结果可以看出,在China Physiological Signal Challenge 2018测试集上,MCCNN-BLSTM模型得到了94.59%的准确率。这证明本发明提出的MCCNN-BLSTM方法能够推广到不同数据集上的具有相同节律的标签。
表3.MCCNN-BLSTM(l=25s)网络在两个数据集上的表现.
基于与上述方法同样的发明构思,本发明另一个实施例中还提供了一一种基于短时心电信号的房颤检测装置,所述装置包括:信号获取模块,用于获取待识别的心电信号;结果输出模块,用于将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;其中,所述房颤信号检测模型通过下述方式建立:获取短时ECG记录,将每条短时ECG记录切片为n个局部片段;建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构;每路卷积神经网络为一个一维CNN结构,所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之后,在所述双向长短记忆神经网络之后设置Softmax分类器;按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
基于与上述方法同样的发明构思,本发明另一个实施例中还提供了一种基于短时心电信号的房颤检测设备,所述设备包括处理器和存储器,所述存储器中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以实现如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。
基于与上述方法同样的发明构思,本发明另一个实施例中还提供了一种存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (10)
1.一种基于短时心电信号的房颤检测方法,其特征在于,该方法包括:
获取待识别的心电信号;
将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;
其中,所述房颤信号检测模型通过下述方式建立:
获取短时ECG记录,将每条短时ECG记录切片为n个局部片段;
建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构;每路卷积神经网络为一个一维CNN结构,所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之后,在所述双向长短记忆神经网络之后设置Softmax分类器;
按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
2.根据权利要求1所述的基于短时心电信号的房颤检测方法,其特征在于,所述获取一条短时ECG记录的步骤,包括:获取整条或一条原始ECG记录;对所述原始ECG记录进行降采样后,再利用Daubechies 6小波变换对所述原始ECG记录进行9级小波分解,去除D1,D2,A9分量,并对剩下的分量进行重构,得到滤波后的短时ECG记录。
6.根据权利要求1所述的基于短时心电信号的房颤检测方法,其特征在于:每路卷积神经网络包括5个卷积层和5个池化层,按1个卷积层分组,组间由池化层隔开,第1、2组卷积层中滤波器数量均为4个,第3、4组卷积层中滤波器数量均为8个,最后一组卷积层中设置16个滤波器,前4组的池化层使用平均池化层AP,最后一组池化层使用全局平均池化层GAP。
7.根据权利要求1所述的基于短时心电信号的房颤检测方法,其特征在于:在所述房颤信号检测模型训练过程中,对每路卷积神经网络的卷积层使用L2正则化;在卷积神经网络和双向长短记忆神经网络之间增加比率为0.5的dropout;采用随机梯度下降SGD进行优化,在每一次循环迭代中更新模型参数。
8.一种基于短时心电信号的房颤检测装置,其特征在于,所述装置包括:
信号获取模块,用于获取待识别的心电信号;
结果输出模块,用于将所述待识别的心电信号输入至预先建立的房颤信号检测模型中,输出房颤信号的检测结果;
其中,所述房颤信号检测模型通过下述方式建立:
获取短时ECG记录,将每条短时ECG记录切片为n个局部片段;
建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构;每路卷积神经网络为一个一维CNN结构,所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之后,在所述双向长短记忆神经网络之后设置Softmax分类器;
按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所述网络结构中进行训练,生成所述房颤信号检测模型。
9.一种基于短时心电信号的房颤检测设备,其特征在于:所述设备包括处理器和存储器,所述存储器中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以实现如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。
10.一种存储介质,其特征在于:所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731991.6A CN111700609A (zh) | 2020-07-27 | 2020-07-27 | 基于短时心电信号的房颤检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731991.6A CN111700609A (zh) | 2020-07-27 | 2020-07-27 | 基于短时心电信号的房颤检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111700609A true CN111700609A (zh) | 2020-09-25 |
Family
ID=72547817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731991.6A Pending CN111700609A (zh) | 2020-07-27 | 2020-07-27 | 基于短时心电信号的房颤检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111700609A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349790A (zh) * | 2020-10-16 | 2021-09-07 | 山东大学 | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN117257324A (zh) * | 2023-11-22 | 2023-12-22 | 齐鲁工业大学(山东省科学院) | 基于卷积神经网络和ecg信号的房颤检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN111419220A (zh) * | 2020-03-27 | 2020-07-17 | 山东省人工智能研究院 | 一种基于共振稀疏分解的十二导联心电信号房颤检测方法 |
-
2020
- 2020-07-27 CN CN202010731991.6A patent/CN111700609A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203692A (zh) * | 2017-05-09 | 2017-09-26 | 哈尔滨工业大学(威海) | 基于深度卷积神经网络的房颤检测的实现方法 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN111419220A (zh) * | 2020-03-27 | 2020-07-17 | 山东省人工智能研究院 | 一种基于共振稀疏分解的十二导联心电信号房颤检测方法 |
Non-Patent Citations (1)
Title |
---|
X. XU, S. JEONG AND J. LI,: "Interpretation of Electrocardiogram (ECG) Rhythm by Combined CNN and BiLSTM", 《IEEE ACCESS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349790A (zh) * | 2020-10-16 | 2021-09-07 | 山东大学 | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 |
CN113349790B (zh) * | 2020-10-16 | 2022-08-09 | 山东大学 | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 |
CN114469133A (zh) * | 2021-12-14 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN114469133B (zh) * | 2021-12-14 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 一种无扰式房颤监测方法 |
CN117257324A (zh) * | 2023-11-22 | 2023-12-22 | 齐鲁工业大学(山东省科学院) | 基于卷积神经网络和ecg信号的房颤检测方法 |
CN117257324B (zh) * | 2023-11-22 | 2024-01-30 | 齐鲁工业大学(山东省科学院) | 基于卷积神经网络和ecg信号的房颤检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN111700609A (zh) | 基于短时心电信号的房颤检测方法、装置及设备 | |
Thill et al. | Temporal convolutional autoencoder for unsupervised anomaly detection in time series | |
US11324455B2 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
CN106805965A (zh) | 一种心电信号分类方法及装置 | |
Yuan et al. | Automated atrial fibrillation detection based on deep learning network | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
CN110179453A (zh) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 | |
Farag | A self-contained STFT CNN for ECG classification and arrhythmia detection at the edge | |
CN110477909B (zh) | 一种基于静息态脑电数据的性别分类方法 | |
CN113951893B (zh) | 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 | |
Yu et al. | DDCNN: A deep learning model for AF detection from a single-lead short ECG signal | |
CN115736944A (zh) | 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm | |
WO2023004572A1 (zh) | 模型训练方法、信号识别方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN113180679A (zh) | 一种单导联心电异常信号识别方法 | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
Ilbeigipour et al. | Real‐Time Heart Arrhythmia Detection Using Apache Spark Structured Streaming | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
CN114692698A (zh) | 一种基于残差网络的一维心电数据分类方法 | |
CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
Rana et al. | A lightweight dnn for ecg image classification | |
Zhang et al. | A classification method of arrhythmia based on adaboost algorithm |
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 |