CN111904411A - 基于多尺度特征提取的多导联心跳信号分类方法及装置 - Google Patents

基于多尺度特征提取的多导联心跳信号分类方法及装置 Download PDF

Info

Publication number
CN111904411A
CN111904411A CN202010863099.3A CN202010863099A CN111904411A CN 111904411 A CN111904411 A CN 111904411A CN 202010863099 A CN202010863099 A CN 202010863099A CN 111904411 A CN111904411 A CN 111904411A
Authority
CN
China
Prior art keywords
lead
feature
feature map
heartbeat
input
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
Application number
CN202010863099.3A
Other languages
English (en)
Other versions
CN111904411B (zh
Inventor
郝鹏翼
尹鑫
吴福理
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010863099.3A priority Critical patent/CN111904411B/zh
Publication of CN111904411A publication Critical patent/CN111904411A/zh
Application granted granted Critical
Publication of CN111904411B publication Critical patent/CN111904411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7203—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
    • A61B5/725—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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

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

Abstract

本发明公开了基于多尺度特征提取的多导联心跳信号分类的方法及装置，首先对多导联心跳信号进行预处理，得到心跳信号堆叠矩阵，然后将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量，最后将三种不同尺度的深层特征向量进行融合，得到特征融合向量，并基于此对多导联心跳信号进行分类。本发明先提取浅层特征，在提取深层特征，可使深层特征质量更加优秀，进而提升最终分类的性能。

Description

基于多尺度特征提取的多导联心跳信号分类方法及装置
技术领域
本发明属于医疗图像处理领域，尤其涉及了一种基于多尺度特征提取的多导联心跳信号分类方法及装置。
背景技术
心电图(ECG)作为一项简单、快速、非侵入式的检查方式，被广泛作为心血管疾病的初步检查手段。标准的心电图一般由12条导联组成，每条导联以电信号的方式记录着心脏不同方向上的跳动情况，从而能综合反映心脏的健康状况。而每条导联又由若干个心跳波形构成，根据心脏跳动的规律，一个标准的心跳波形主要由P波段、QRS波群、T波段组成。这些波段以固定的顺序出现，记录着心脏的健康状况。异常波形的出现往往表明心脏产生病变，例如心肌梗死可能产生ST段压低、ST段抬高、T波倒置等异常波形，所以心跳波形对于分析心电图具有重要意义。然而，逐一分析心电图中的心跳波形是一项十分耗时，耗精力的任务，且对于医生的经验要求较高，有存在误诊的可能性。所以需要自动化的分析检测系统以辅助医生分析心电信号，从而做出更主观、更准确的判断。
公开号为CN109063552A的中国专利申请，公开了一种多导联心电信号分类和系统，该系统通过多支路卷积残差神经网络处理多导联心电信号以提取特征，对提取的特征进行融合，最后基于Softmax函数对融合后的特征进行分类。但方法针对整条心电信号提取特征，而单个心电信号包含众多心跳信号，故较难提取出能够区分不同类型的有效特征，从而导致分类性能较为一般。
现有技术普遍存在提取的特征不够全面，分类准确度、精确度较差、效率较等问题。
发明内容
本申请的目的是提供一种基于多尺度特征提取的多导联心跳信号分类方法及装置，用以避免现有技术所存在的提取的特征不够全面，分类准确度、精确度较差、效率较等问题。
为了实现上述目的，本申请技术方案如下：
一种基于多尺度特征提取的多导联心跳信号分类的方法，包括：
获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ；
将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对多导联心跳信号进行分类。
进一步的，所述获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵，包括：
步骤1.1、输入多导联心电信号Soriginal，对于每条导联心跳信号
Figure BDA0002648828730000021
使用中值滤波器消除基线偏移现象，滤波器窗口大小为WS，得到基线矫正后的导联心跳信号
Figure BDA0002648828730000022
步骤1.2、对基线校正后的导联心跳信号
Figure BDA0002648828730000023
按如下公式进行振幅归一化，得到归一化后的导联心跳信号
Figure BDA0002648828730000024
Figure BDA0002648828730000025
其中，x和xp分别表示
Figure BDA0002648828730000026
信号值和
Figure BDA0002648828730000027
信号值，min和max分别表示
Figure BDA0002648828730000028
的最小、最大值，newmin和newmax分别表示
Figure BDA0002648828730000029
的最小、最大值；
步骤1.3、将各导联心跳信号
Figure BDA00026488287300000210
分割为若干个心跳信号，根据导联心跳信号中的R点标注信息，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为0.6秒的心跳信号BSi，i表示该心跳属于i导联；
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为导联数量，n为单个心跳的长度。
进一步的，所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，包括：
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1，l为导联心跳信号数量，n为单个心跳的长度，得到输出特征图Ft，其维度为heightt×widtht；
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为heightt×widtht。
进一步的，所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ，包括：
步骤3.1、将浅层特征图Fshallow输入至卷积核大小为shallowheight×3的一维残差卷积块RC3_1，得到特征图
Figure BDA0002648828730000031
其维度为
Figure BDA0002648828730000032
Figure BDA0002648828730000033
步骤3.2、将特征图
Figure BDA0002648828730000034
输入至卷积核大小为
Figure BDA0002648828730000035
的一维残差卷积块RC3_2，得到特征图
Figure BDA0002648828730000036
其维度为
Figure BDA0002648828730000037
步骤3.3、将特征图
Figure BDA0002648828730000038
输入至卷积核大小为
Figure BDA0002648828730000039
的一维残差卷积块RC3_3，得到特征图
Figure BDA00026488287300000310
其维度为
Figure BDA00026488287300000311
步骤3.4、对特征图
Figure BDA00026488287300000312
使用全局平均池化，得到尺度为3的深层特征向量Fα，其维度为heightα×1；
步骤3.5、将浅层特征图Fshallow输入至卷积核大小为shallowheight×5的一维残差卷积块RC5_1，得到特征图
Figure BDA00026488287300000313
其维度为
Figure BDA00026488287300000314
Figure BDA00026488287300000315
步骤3.6、将特征图
Figure BDA00026488287300000316
输入至卷积核大小为
Figure BDA00026488287300000317
的一维残差卷积块RC5_2，得到特征图
Figure BDA00026488287300000318
其维度为
Figure BDA00026488287300000319
步骤3.7、将特征图
Figure BDA00026488287300000320
输入至卷积核大小为
Figure BDA00026488287300000321
的一维残差卷积块RC5_3，得到特征图
Figure BDA0002648828730000041
其维度为
Figure BDA0002648828730000042
步骤3.8、对特征图
Figure BDA0002648828730000043
使用全局平均池化，得到尺度为5的深层特征向量Fβ，其维度为heightβ×1；
步骤3.9、将浅层特征图Fshallow输入至卷积核大小为shallowheight×7的一维残差卷积块RC7_1，得到特征图
Figure BDA0002648828730000044
其维度为
Figure BDA0002648828730000045
Figure BDA0002648828730000046
步骤3.10、将特征图
Figure BDA0002648828730000047
输入至卷积核大小为
Figure BDA0002648828730000048
的一维残差卷积块RC7_2，得到特征图
Figure BDA0002648828730000049
其维度为
Figure BDA00026488287300000410
Figure BDA00026488287300000411
步骤3.11、将特征图
Figure BDA00026488287300000412
输入至卷积核大小为
Figure BDA00026488287300000413
的一维残差卷积块RC7_3，得到特征图
Figure BDA00026488287300000414
其维度为
Figure BDA00026488287300000415
Figure BDA00026488287300000416
步骤3.12、对特征图
Figure BDA00026488287300000417
使用全局平均池化，得到尺度为7的深层特征向量Fγ，其维度为heightγ×1。
进一步的，所述一维卷积块C1和一维卷积块C2均分别包括卷积层、批量归一化层、激活层和最大池化层，所述卷积层的卷积核大小为heightinput×widthinput，heightinput为输入矩阵的行数，widthinput可以设置为3、5或7。
进一步的，所述一维残差卷积块RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3均分别包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层，将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算，得到特征图F’，然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层，得到输出特征图。
进一步的，所述将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对心跳信号进行分类，包括：
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合，得到特征融合向量Ffusion，其维度为heightfusion×1，其中heightfusion＝heightα+heightβ+heightγ；
步骤4.2、将特征融合向量Ffusion输入至全连接层FC，得到分类结果向量Foutput，其维度为k×1，其中k为类别数量；
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活，得到多导联心跳信号的分类概率向量P＝(p1,…,pk)，取概率最高的对应类别作为该多导联心跳信号的分类结果：
Figure BDA0002648828730000051
其中，pw表示分类概率向量P中第w个值，vw表示分类结果向量Foutput中第w个值，k表示类别数量。
进一步的，所述全连接层FC包括两层全连接的神经元，第一层神经元的数量为heightfusion，第二层神经元的数量为k，k为类别数量。
本申请还提出了一种基于多尺度特征提取的多导联心跳信号分类的装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现上述方法的步骤。
本申请提出的一种基于多尺度特征提取的多导联心跳信号分类的方法及装置，首先对多导联心跳信号进行预处理，得到心跳信号堆叠矩阵，然后将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量，最后将三种不同尺度的深层特征向量进行融合，得到特征融合向量，并基于此对多导联心跳信号进行分类。本申请先获取浅层特征，再获取深层特征，通过两个一维卷积块C1、C2的计算，将原始数据特征映射到更高维度的特征空间上，即浅层特征；然后基于浅层特征再进行特征提取得到深层特征，可使深层特征质量更加优秀，进而提升最终分类的性能。本申请对预处理得到的心跳信号堆叠矩阵进行特征提取，分类准确度、精确度高，效率快。
附图说明
图1是本申请基于多尺度特征提取的多导联心跳信号分类的方法流程图；
图2是本申请一维卷积块结构示意图；
图3是本申请一维残差卷积块结构示意图；
图4是本申请的全连接层FC结构示意图；
图5是本申请实施例分类方法流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供的一种基于多尺度特征提取的多导联心跳信号分类的方法，如图1所示，包括：
获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ；
将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对多导联心跳信号进行分类。
本申请以标准的心电图为例进行说明，标准的心电图一般由12条导联心跳信号组成，导联心跳信号也简称为导联，每条导联心跳信号以电信号的方式记录着心脏不同方向上的跳动情况，从而能综合反映心脏的健康状况。而每条导联心跳信号又由若干个心跳波形构成，根据心脏跳动的规律，一个标准的心跳波形主要由P波段、QRS波群、T波段组成。
在做心电图检查时，心电图仪器输出检测到的多导联心跳信号，本申请将心电图仪器输出的多导联心跳信号也称为原始信号。对原始信号进行预处理，获得心跳信号堆叠矩阵，以进行后续的特征提取和分类。
本申请获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵，具体包括：
步骤1.1、输入多导联心跳信号Soriginal，对于每条导联心跳信号
Figure BDA0002648828730000071
使用中值滤波器消除基线偏移现象，滤波器窗口大小为WS，得到基线矫正后的导联心跳信号
Figure BDA0002648828730000072
步骤1.2、对基线校正后的导联心跳信号
Figure BDA0002648828730000073
按如下公式进行振幅归一化，得到归一化后的导联心跳信号
Figure BDA0002648828730000074
Figure BDA0002648828730000075
其中，x和xp分别表示
Figure BDA0002648828730000076
信号值和
Figure BDA0002648828730000077
信号值，min和max分别表示
Figure BDA0002648828730000078
的最小、最大值，newmin和newmax分别表示
Figure BDA0002648828730000079
的最小、最大值；
步骤1.3、将各导联心跳信号
Figure BDA00026488287300000710
分割为若干个心跳信号，根据导联心跳信号中的R点标注信息，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为0.6秒的心跳信号BSi，i表示该心跳属于i导联；
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为导联数量，n为单个心跳的长度。
需要说明的是，本申请滤波器窗口大小WS根据实际滤波效果进行选择，在实际的应用中设置为70时滤波效果最佳。在将各导联心跳信号
Figure BDA00026488287300000711
分割为若干个心跳信号时，利用Pan-Tompkins算法进行R点的检测，然后以R点为基准，左右各取0.3秒间隔作为单个心跳的长度。本实施例中，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，在保证单个心跳波形完整的同时，不引入相邻心跳的波形，仅为一个具体的实施例，在实际的使用中，可以根据心跳的快慢进行适当的调整。
本申请所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，包括：
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1，l为导联心跳信号数量，n为单个心跳的长度，得到输出特征图Ft，其维度为heightt×widtht；
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为heightt×widtht。
需要说明的是，本申请一维卷积块C1、一维卷积块C2的具体结构如图2所示，包括一个卷积核大小为heightinput×widthinput的卷积层、批量归一化层(也称为批量标准化层)、激活层和最大池化层。首先通过一维卷积层对输入的特征图进行计算，然后进行批量归一化和ReLU激活层处理，最后经过最大池化层输出处理后的特征图。
其中，卷积核大小为heightinput×widthinput的卷积层，heightinput为输入矩阵的行数，widthinput可以设置为3、5或7，上述实施例中widthinput选择了3。
本申请所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ，包括：
步骤3.1、将浅层特征图Fshallow输入至卷积核大小为shallowheight×3的一维残差卷积块RC3_1，得到特征图
Figure BDA0002648828730000081
其维度为
Figure BDA0002648828730000082
Figure BDA0002648828730000083
步骤3.2、将特征图
Figure BDA0002648828730000084
输入至卷积核大小为
Figure BDA0002648828730000085
的一维残差卷积块RC3_2，得到特征图
Figure BDA0002648828730000086
其维度为
Figure BDA0002648828730000087
步骤3.3、将特征图
Figure BDA0002648828730000088
输入至卷积核大小为
Figure BDA0002648828730000089
的一维残差卷积块RC3_3，得到特征图
Figure BDA00026488287300000810
其维度为
Figure BDA00026488287300000811
步骤3.4、对特征图
Figure BDA00026488287300000812
使用全局平均池化，得到尺度为3的深层特征向量Fα，其维度为heightα×1；
步骤3.5、将浅层特征图Fshallow输入至卷积核大小为shallowheight×5的一维残差卷积块RC5_1，得到特征图
Figure BDA00026488287300000813
其维度为
Figure BDA00026488287300000814
Figure BDA00026488287300000815
步骤3.6、将特征图
Figure BDA00026488287300000816
输入至卷积核大小为
Figure BDA00026488287300000817
的一维残差卷积块RC5_2，得到特征图
Figure BDA00026488287300000818
其维度为
Figure BDA00026488287300000819
步骤3.7、将特征图
Figure BDA00026488287300000820
输入至卷积核大小为
Figure BDA00026488287300000821
的一维残差卷积块RC5_3，得到特征图
Figure BDA00026488287300000822
其维度为
Figure BDA00026488287300000823
步骤3.8、对特征图
Figure BDA00026488287300000824
使用全局平均池化，得到尺度为5的深层特征向量Fβ，其维度为heightβ×1；
步骤3.9、将浅层特征图Fshallow输入至卷积核大小为shallowheight×7的一维残差卷积块RC7_1，得到特征图
Figure BDA0002648828730000091
其维度为
Figure BDA0002648828730000092
Figure BDA0002648828730000093
步骤3.10、将特征图
Figure BDA0002648828730000094
输入至卷积核大小为
Figure BDA0002648828730000095
的一维残差卷积块RC7_2，得到特征图
Figure BDA0002648828730000096
其维度为
Figure BDA0002648828730000097
Figure BDA0002648828730000098
步骤3.11、将特征图
Figure BDA0002648828730000099
输入至卷积核大小为
Figure BDA00026488287300000910
的一维残差卷积块RC7_3，得到特征图
Figure BDA00026488287300000911
其维度为
Figure BDA00026488287300000912
Figure BDA00026488287300000913
步骤3.12、对特征图
Figure BDA00026488287300000914
使用全局平均池化，得到尺度为7的深层特征向量Fγ，其维度为heightγ×1。
其中，一维残差卷积块(RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3)的结构如图3所示，包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层。首先将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算，得到特征图F’，然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层，得到输出特征图。
本申请所述将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对心跳信号进行分类，包括：
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合，得到特征融合向量Ffusion，其维度为heightfusion×1，其中heightfusion＝heightα+heightβ+heightγ；
步骤4.2、将特征融合向量Ffusion输入至全连接层FC，得到分类结果向量Foutput，其维度为k×1，其中k为类别数量；
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活，得到多导联心跳信号的分类概率向量P＝(p1,…,pk)，取概率最高的对应类别作为该多导联心跳信号的分类结果：
Figure BDA00026488287300000915
其中，pw表示分类概率向量P中第w个值，vw表示分类结果向量Foutput中第w个值，k表示类别数量。
本申请所述全连接层FC如图4所示，包括两层全连接的神经元，第一层神经元的数量为heightfusion，第二层神经元的数量为k，k为类别数量。
以下通过一个具体的实施例，如图5所示，输入的多导联心跳信号为12导联心跳信号，经过预处理后进行浅层特征提取。
其中预处理，执行以下步骤：
步骤1.1、输入12条导联心跳信号Soriginal，对于每条导联心跳信号
Figure BDA0002648828730000101
使用中值滤波器消除基线偏移现象，滤波器窗口大小为70，得到基线矫正后的导联信号
Figure BDA0002648828730000102
步骤1.2、对基线校正后的导联信号
Figure BDA0002648828730000103
按公式1进行振幅归一化，得到归一化后的导联信号
Figure BDA0002648828730000104
Figure BDA0002648828730000105
公式1中，x和xp分别表示原始信号值和归一化后的信号值，min和max分别表示原始信号中的最小、最大值，newmin和newmax分别表示归一化后信号中的最小、最大值，在本步骤中，newmin和newmx分别为0和1。
步骤1.3、将每条导联心跳信号
Figure BDA0002648828730000106
分割为若干个心跳信号，利用Pan-Tompkins算法进行R点的检测，然后以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为160个采样点的心跳信号BSi，i表示该心跳属于i导联；
步骤1.4，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为12，n为160。
本实施例，获取心跳信号的浅层特征图，包括：
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为12×3的一维卷积块C1，得到输出特征图Ft，其维度为32×160；
步骤2.2、将特征图Ft输入至卷积核大小为32×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为64×160。
本实施例，获取多尺度深层特征向量，包括：
步骤3.1、将浅层特征图Fshallow输入至卷积核大小为64×3的一维残差卷积块RC3_1，得到特征图
Figure BDA0002648828730000111
其维度为64×80；
步骤3.2、将特征图
Figure BDA0002648828730000112
输入至卷积核大小为64×3的一维残差卷积块RC3_2，得到特征图
Figure BDA0002648828730000113
其维度为128×40；
步骤3.3、将特征图
Figure BDA0002648828730000114
输入至卷积核大小为128×3的一维残差卷积块RC3_3，得到特征图
Figure BDA0002648828730000115
其维度为256×20；
步骤3.4、对特征图
Figure BDA0002648828730000116
使用全局平均池化，得到尺度为3的深层特征向量Fα，其维度为256×1；
步骤3.5、将浅层特征图Fshallow输入至卷积核大小为64×5的一维残差卷积块RC5_1，得到特征图
Figure BDA0002648828730000117
其维度为64×77；
步骤3.6、将特征图
Figure BDA0002648828730000118
输入至卷积核大小为64×5的一维残差卷积块RC5_2，得到特征图
Figure BDA0002648828730000119
其维度为128×36；
步骤3.7、将特征图
Figure BDA00026488287300001110
输入至卷积核大小为128×5的一维残差卷积块RC5_3，得到特征图
Figure BDA00026488287300001111
其维度为256×15；
步骤3.8、对特征图
Figure BDA00026488287300001112
使用全局平均池化，得到尺度为5的深层特征向量Fβ，其维度为256×1；
步骤3.9，将浅层特征图Fshallow输入至卷积核大小为64×7的一维残差卷积块RC7_1，得到特征图
Figure BDA00026488287300001113
其维度为64×74；
步骤3.10、将特征图
Figure BDA00026488287300001114
输入至卷积核大小为64×7的一维残差卷积块RC7_2，得到特征图
Figure BDA00026488287300001115
其维度为128×31；
步骤3.11、将特征图
Figure BDA00026488287300001116
输入至卷积核大小为128×7的一维残差卷积块RC7_3，得到特征图
Figure BDA00026488287300001117
其维度为256×10；
步骤3.12，对特征图
Figure BDA00026488287300001118
使用全局平均池化，得到尺度为7的深层特征向量Fγ，其维度为256×1。
本实施例，进行特征融合得到分类结果步骤包括：
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合，得到特征融合向量Ffusion，其维度为768×1；
步骤4.2、将特征融合向量Ffusion输入至全连接层FC，得到分类结果向量Foutput，其维度为4×1，其中4为类别数量；
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活，得到多导联心跳信号的分类概率向量P＝(p1,…,pk)，取概率最高的对应类别作为该多导联心跳信号的分类结果：
Figure BDA0002648828730000121
其中，pw表示分类概率向量P中第w个值，vw表示分类结果向量Foutput中第w个值，k表示类别数量。
在一个实施例中，本申请还提供了一种基于多尺度特征提取的多导联心跳信号分类的装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述基于多尺度特征提取的多导联心跳信号分类的方法的步骤。
关于基于多尺度特征提取的多导联心跳信号分类的装置的具体限定可以参见上文中对于基于多尺度特征提取的多导联心跳信号分类的方法的限定，在此不再赘述。
存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。
其中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述基于多尺度特征提取的多导联心跳信号分类的方法，包括：
获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ；
将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对多导联心跳信号进行分类。
2.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵，包括：
步骤1.1、输入多导联心电信号Soriginal，对于每条导联心跳信号
Figure FDA0002648828720000011
使用中值滤波器消除基线偏移现象，滤波器窗口大小为WS，得到基线矫正后的导联心跳信号
Figure FDA0002648828720000012
步骤1.2、对基线校正后的导联心跳信号
Figure FDA0002648828720000013
按如下公式进行振幅归一化，得到归一化后的导联心跳信号
Figure FDA0002648828720000014
Figure FDA0002648828720000015
其中，x和xp分别表示
Figure FDA0002648828720000016
信号值和
Figure FDA0002648828720000017
信号值，min和max分别表示
Figure FDA0002648828720000018
的最小、最大值，newmin和newmax分别表示
Figure FDA0002648828720000019
的最小、最大值；
步骤1.3、将各导联心跳信号
Figure FDA00026488287200000110
分割为若干个心跳信号，根据导联心跳信号中的R点标注信息，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为0.6秒的心跳信号BSi，i表示该心跳属于i导联；
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为导联数量，n为单个心跳的长度。
3.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，包括：
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1，l为导联心跳信号数量，n为单个心跳的长度，得到输出特征图Ft，其维度为heightt×widtht；
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为heightt×widtht。
4.根据权利要求3所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ，包括：
步骤3.1、将浅层特征图Fshallow输入至卷积核大小为shallowheight×3的一维残差卷积块RC3_1，得到特征图
Figure FDA0002648828720000021
其维度为
Figure FDA0002648828720000022
Figure FDA0002648828720000023
步骤3.2、将特征图
Figure FDA0002648828720000024
输入至卷积核大小为
Figure FDA0002648828720000025
的一维残差卷积块RC3_2，得到特征图
Figure FDA0002648828720000026
其维度为
Figure FDA0002648828720000027
步骤3.3、将特征图
Figure FDA0002648828720000028
输入至卷积核大小为
Figure FDA0002648828720000029
的一维残差卷积块RC3_3，得到特征图
Figure FDA00026488287200000210
其维度为
Figure FDA00026488287200000211
步骤3.4、对特征图
Figure FDA00026488287200000212
使用全局平均池化，得到尺度为3的深层特征向量Fα，其维度为heightα×1；
步骤3.5、将浅层特征图Fshallow输入至卷积核大小为shallowheight×5的一维残差卷积块RC5_1，得到特征图
Figure FDA00026488287200000213
其维度为
Figure FDA00026488287200000214
Figure FDA00026488287200000215
步骤3.6、将特征图
Figure FDA0002648828720000031
输入至卷积核大小为
Figure FDA0002648828720000032
的一维残差卷积块RC5_2，得到特征图
Figure FDA0002648828720000033
其维度为
Figure FDA0002648828720000034
步骤3.7、将特征图
Figure FDA0002648828720000035
输入至卷积核大小为
Figure FDA0002648828720000036
的一维残差卷积块RC5_3，得到特征图
Figure FDA0002648828720000037
其维度为
Figure FDA0002648828720000038
步骤3.8、对特征图
Figure FDA0002648828720000039
使用全局平均池化，得到尺度为5的深层特征向量Fβ，其维度为heightβ×1；
步骤3.9、将浅层特征图Fshallow输入至卷积核大小为shallowheight×7的一维残差卷积块RC7_1，得到特征图
Figure FDA00026488287200000310
其维度为
Figure FDA00026488287200000311
Figure FDA00026488287200000312
步骤3.10、将特征图
Figure FDA00026488287200000313
输入至卷积核大小为
Figure FDA00026488287200000314
的一维残差卷积块RC7_2，得到特征图
Figure FDA00026488287200000315
其维度为
Figure FDA00026488287200000316
Figure FDA00026488287200000317
步骤3.11、将特征图
Figure FDA00026488287200000318
输入至卷积核大小为
Figure FDA00026488287200000319
的一维残差卷积块RC7_3，得到特征图
Figure FDA00026488287200000320
其维度为
Figure FDA00026488287200000321
Figure FDA00026488287200000322
步骤3.12、对特征图
Figure FDA00026488287200000323
使用全局平均池化，得到尺度为7的深层特征向量Fγ，其维度为heightγ×1。
5.根据权利要求3所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述一维卷积块C1和一维卷积块C2均分别包括卷积层、批量归一化层、激活层和最大池化层，所述卷积层的卷积核大小为heightinput×widthinput，heightinput为输入矩阵的行数，widthinput可以设置为3、5或7。
6.根据权利要求4所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述一维残差卷积块RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3均分别包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层，将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算，得到特征图F’，然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层，得到输出特征图。
7.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对心跳信号进行分类，包括：
步骤4.1、将多尺度深层特征向量Fα、Fβ和Fγ进行纵向拼接融合，得到特征融合向量Ffusion，其维度为heightfusion×1，其中heightfusion＝heightα+heightβ+heightγ；
步骤4.2、将特征融合向量Ffusion输入至全连接层FC，得到分类结果向量Foutput，其维度为k×1，其中k为类别数量；
步骤4.3、将分类结果向量Foutput按照如下公式进行softmax激活，得到多导联心跳信号的分类概率向量P＝(p1,…,pk)，取概率最高的对应类别作为该多导联心跳信号的分类结果：
Figure FDA0002648828720000041
其中，pw表示分类概率向量P中第w个值，vw表示分类结果向量Foutput中第w个值，k表示类别数量。
8.根据权利要求7所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述全连接层FC包括两层全连接的神经元，第一层神经元的数量为heightfusion，第二层神经元的数量为k，k为类别数量。
9.一种基于多尺度特征提取的多导联心跳信号分类的装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求8中任意一项所述方法的步骤。
CN202010863099.3A 2020-08-25 2020-08-25 基于多尺度特征提取的多导联心跳信号分类方法及装置 Active CN111904411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010863099.3A CN111904411B (zh) 2020-08-25 2020-08-25 基于多尺度特征提取的多导联心跳信号分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010863099.3A CN111904411B (zh) 2020-08-25 2020-08-25 基于多尺度特征提取的多导联心跳信号分类方法及装置

Publications (2)

Publication Number Publication Date
CN111904411A true CN111904411A (zh) 2020-11-10
CN111904411B CN111904411B (zh) 2022-09-23

Family

ID=73279539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010863099.3A Active CN111904411B (zh) 2020-08-25 2020-08-25 基于多尺度特征提取的多导联心跳信号分类方法及装置

Country Status (1)

Country Link
CN (1) CN111904411B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112806977A (zh) * 2021-02-05 2021-05-18 复旦大学 基于多尺度融合网络的生理参数测量方法
CN112990025A (zh) * 2021-03-19 2021-06-18 北京京东拓先科技有限公司 用于处理数据的方法、装置、设备以及存储介质
CN113095302A (zh) * 2021-05-21 2021-07-09 中国人民解放军总医院 用于心律失常分类的深度模型、利用该模型的方法及装置
CN114611396A (zh) * 2022-03-15 2022-06-10 国网安徽省电力有限公司蚌埠供电公司 一种基于大数据分析线损的方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110190648A1 (en) * 2010-02-03 2011-08-04 Zhijun Gu Electrocardiogram Analysis and Parameter Estimation
CN104523266A (zh) * 2015-01-07 2015-04-22 河北大学 一种心电信号自动分类方法
CN107944493A (zh) * 2017-11-30 2018-04-20 天津大学 一种基于卷积神经网络的第一导联心电图心拍分类方法
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
CN109214250A (zh) * 2017-07-05 2019-01-15 中南大学 一种基于多尺度卷积神经网络的静态手势识别方法
US20190090774A1 (en) * 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
CN109645980A (zh) * 2018-11-14 2019-04-19 天津大学 一种基于深度迁移学习的心律异常分类方法
US20190236411A1 (en) * 2016-09-14 2019-08-01 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN110236520A (zh) * 2019-05-20 2019-09-17 上海数创医疗科技有限公司 基于双卷积神经网络的心电图类型识别方法和装置
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110619322A (zh) * 2019-10-18 2019-12-27 武汉大学 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN110693493A (zh) * 2019-10-12 2020-01-17 北京工业大学 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法
CN111242098A (zh) * 2020-02-27 2020-06-05 西安交通大学 一种结合特征提取和inception网络的心电数据分类方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110190648A1 (en) * 2010-02-03 2011-08-04 Zhijun Gu Electrocardiogram Analysis and Parameter Estimation
CN104523266A (zh) * 2015-01-07 2015-04-22 河北大学 一种心电信号自动分类方法
US20190236411A1 (en) * 2016-09-14 2019-08-01 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN109214250A (zh) * 2017-07-05 2019-01-15 中南大学 一种基于多尺度卷积神经网络的静态手势识别方法
US20190090774A1 (en) * 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
CN107944493A (zh) * 2017-11-30 2018-04-20 天津大学 一种基于卷积神经网络的第一导联心电图心拍分类方法
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
CN109645980A (zh) * 2018-11-14 2019-04-19 天津大学 一种基于深度迁移学习的心律异常分类方法
CN110236520A (zh) * 2019-05-20 2019-09-17 上海数创医疗科技有限公司 基于双卷积神经网络的心电图类型识别方法和装置
CN110495877A (zh) * 2019-08-21 2019-11-26 中国科学院深圳先进技术研究院 一种基于ecg的多尺度特征提取方法及装置
CN110693493A (zh) * 2019-10-12 2020-01-17 北京工业大学 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法
CN110619322A (zh) * 2019-10-18 2019-12-27 武汉大学 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
CN111242098A (zh) * 2020-02-27 2020-06-05 西安交通大学 一种结合特征提取和inception网络的心电数据分类方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUNLI WANG 等: "A 12-Lead ECG Arrhythmia Classification Method Based on 1D Densely Connected CNN", 《SPRINGER NATURE SWITZERLAND》 *
L. N. SHARMA: "Multiscale Energy and Eigenspace Approach to Detection and Localization of Myocardial Infarction", 《 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
YIFU CHU等: "ECG Authentication Method Based on Parallel Multi-Scale One-Dimensional Residual Network With Center and Margin Loss", 《IEEE ACCESS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112806977A (zh) * 2021-02-05 2021-05-18 复旦大学 基于多尺度融合网络的生理参数测量方法
CN112806977B (zh) * 2021-02-05 2022-03-18 复旦大学 基于多尺度融合网络的生理参数测量方法
CN112990025A (zh) * 2021-03-19 2021-06-18 北京京东拓先科技有限公司 用于处理数据的方法、装置、设备以及存储介质
CN113095302A (zh) * 2021-05-21 2021-07-09 中国人民解放军总医院 用于心律失常分类的深度模型、利用该模型的方法及装置
CN114611396A (zh) * 2022-03-15 2022-06-10 国网安徽省电力有限公司蚌埠供电公司 一种基于大数据分析线损的方法

Also Published As

Publication number Publication date
CN111904411B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN111904411B (zh) 基于多尺度特征提取的多导联心跳信号分类方法及装置
Cai et al. Accurate detection of atrial fibrillation from 12-lead ECG using deep neural network
CN108596142B (zh) 一种基于PCANet的心电特征提取方法
CN111956212B (zh) 基于频域滤波-多模态深度神经网络的组间房颤识别方法
WO2021071688A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
EP4003147A1 (en) Deep end-to-end classification of electrocardiogram data
CN111956211A (zh) 单导联心电信号房颤自动检测方法
CN112603330B (zh) 心电信号识别分类方法
CN112690802B (zh) 一种检测心电信号的方法、装置、终端及存储介质
CN113080996B (zh) 一种基于目标检测的心电图分析方法及装置
CN115666387A (zh) 基于多导联的心电信号识别方法和心电信号识别装置
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
CN110693488A (zh) 心电信号处理系统、方法、电子设备及可读存储介质
CN111631704B (zh) 基于心电与脑电信息结合的糖尿病前期检测系统和方法
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Yang et al. A novel method for automated congestive heart failure and coronary artery disease recognition using THC-Net
CN113180688B (zh) 基于残差神经网络的冠心病心电图筛查系统及方法
CN114041800A (zh) 心电信号实时分类方法、装置及可读存储介质
Sane et al. Detection of myocardial infarction from 12 lead ECG images
CN112989971B (zh) 一种不同数据源的心电数据融合方法及装置
CN109009047B (zh) 一种心律失常检测方法、装置及设备
CN113647954A (zh) 双通道混合网络模型的心血管疾病识别方法、装置及介质
CN113647959A (zh) 一种心电波形信号的波形识别方法、装置及设备
CN111345814A (zh) 一种心电信号中心拍的分析方法、装置、设备和存储介质
CN113712525A (zh) 一种生理参数处理方法、装置及医疗设备

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