CN111920405A - 一种房颤信号识别系统及方法 - Google Patents

一种房颤信号识别系统及方法 Download PDF

Info

Publication number
CN111920405A
CN111920405A CN202010966563.1A CN202010966563A CN111920405A CN 111920405 A CN111920405 A CN 111920405A CN 202010966563 A CN202010966563 A CN 202010966563A CN 111920405 A CN111920405 A CN 111920405A
Authority
CN
China
Prior art keywords
atrial fibrillation
attention mechanism
cnn
electrocardiosignals
lstm network
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
Application number
CN202010966563.1A
Other languages
English (en)
Inventor
马凤英
张敬瑶
梁玮
纪鹏
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202010966563.1A priority Critical patent/CN111920405A/zh
Publication of CN111920405A publication Critical patent/CN111920405A/zh
Pending legal-status Critical Current

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
    • A61B5/7235—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种房颤信号识别系统及方法，包括：对获取的心电信号添加房颤类型标签，构建训练集；基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN‑LSTM网络模型；采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN‑LSTM网络模型进行训练；以训练后的基于注意力机制的CNN‑LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN‑LSTM网络实现对数据特征提取及序列上下文的学习，提供高精度房颤信号识别方法，提高房颤信号识别的可靠新和准确性。

Description

一种房颤信号识别系统及方法
技术领域
本发明涉及信号处理技术领域，特别是涉及一种房颤信号识别系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
房颤即心房颤动，其心电波形常表现为RR间期绝对不规则、P波消失等，由于心电图中的R波幅值较大，相对于P波和f波而言，R波更易于对房颤信号的检测和定位。
现有对房颤信号的识别方法中，采用RR间期作为房颤检测的依据，两个R波相隔的时间为RR间期；但是，发明人认为，由于心电信号中存在噪声，使用RR间期作为房颤识别依据，无法保证识别精度。
现有的可穿戴式心电监测设备通过无线传输将心电波形的参数信息发送到远程服务器，并与各种移动终端结合，以达到完成心电监测的目的。目前可穿戴式心电监测设备中，使用卷积神经网络和QRS波相结合，将提取的特征输入不同的分类器进行自动检测，但是发明人发现，该方法存在重要特征丢失的隐患，且需要较长的心电信号，计算复杂度高、准确性差、分类存在误差，同样无法保证识别的准确性和可靠性。
发明内容
为了解决上述问题，本发明提出了一种房颤信号识别系统及方法，构建基于注意力机制的卷积神经网络CNN与联合长短时记忆网络LSTM的预测模型，采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN-LSTM网络实现对数据特征提取及序列上下文的学习，提供一种高精度房颤信号识别方法，提高房颤信号识别的可靠新和准确性。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种房颤信号识别系统，包括：
获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；
构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
第二方面，本发明提供一种房颤信号识别方法，包括：
对获取的心电信号添加房颤类型标签，构建训练集；
基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第二方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第二方面所述的方法。
第五方面，本发明提供一种心电监测设备，包括第一方面所述的系统和/或完成第二方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明构建基于注意力机制的卷积神经网络CNN与联合长短时记忆网络LSTM的预测模型，提供一种高精度房颤信号识别方法，增强从原始心电信号数据中提取复杂非线性特征的能力，无需人为干预，用于心电信号中对于房颤信号的自动识别。
本发明采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN-LSTM网络实现对数据特征提取及序列上下文的学习，以此判断输入信号是否为房颤信号，通过神经网络实现对房颤信号的自动分类识别，具有较高的鲁棒性，全面识别房颤信号，提高房颤信号识别的可靠新和准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的一种房颤信号识别流程示意图；
图2(a)-2(b)为本发明实施例1提供的房颤片段与正常片段的对比示意图；
图3为本发明实施例1提供的基于注意力机制的CNN-LSTM网络结构图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种房颤信号识别系统，包括：
获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；
构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
在本实施例中，所述获取模块中：获取相同数目的包含房颤信号的心电信号和正常心电信号，如图2(a)-2(b)所示，根据心电信号是否为房颤信号的判断结果，添加房颤类型为是或否的标签；
优选地，若正常心电信号数目大于房颤心电信号数目，将正常心电信号进行截取，保留与房颤心电信号相同数目的心拍，将获得的心电数据选取70％的作为训练集，选取30％作为测试集。
在本实施例中，所述构建模块中，CNN网络广泛用于图像处理，同样也常用于生理信号的形态分析，CNN网络卷积核用于捕获和提取输入中的局部相关特征，但是由于过滤器大小的限制，CNN很难学习序列数据中的上下文相关性；LSTM通过使用存储单元和门机制解决上述问题，有助于模型在CNN获得的特征图中捕获时间动态；注意力机制可以使CNN关注高重要度特征，以实现数据特征的有效提取和LSTM输入信息的优化；因此，本实施例将三者结合，构建基于注意力机制的CNN-LSTM网络模型，以获得更好的分类识别结果。
如图3所示，基于注意力机制的CNN-LSTM网络模型具体包括：
注意力机制子模块：将训练集数据输入注意力机制模块中准确获取显著性特征；
CNN网络子模块：对CNN网络模型进行参数设置，添加深层卷积网络和池化层，扩大显著性特征对应的输入感受野，学习当前局部序列特征的重要程度；
LSTM网络子模块：将CNN网络的输出传输至LSTM网络隐藏层，LSTM网络隐藏层的输入不仅包括当前时刻心电特征序列Xt，还包括前一时刻隐藏层状态Ct-1；计算输出矢量ht-1，并计算当前状态的输出矢量ht和Ct；
LSTM中的关键部分是通过忘记门删除前一时刻隐藏层单元状态Ct-1信息，将信息传递到当前时刻隐藏层状态Ct中，以将新信息添加到下一个状态中，最后根据当前Ct和ht确定输出值。
根据上述构建的基于注意力机制的CNN-LSTM网络模型确定待测心电信号中是否包含房颤信号；
本实施例还可通过使用测试集验证模型的分类精度，采用混淆矩阵描述房颤分类的准确率，以此训练得到最优网络模型；本实施例模型实现较高的分类精度以及房颤的实时检测，有效提高了房颤识别的准确性与效率。
实施例2
本实施例提供一种房颤信号识别方法，包括：
对获取的心电信号添加房颤类型标签，构建训练集；
基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例2中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例2中所述的方法。
实施例2中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在更多实施例中，还提供一种心电监测设备，包括实施例1所述的系统和/或完成实施例2所述的方法。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种房颤信号识别系统，其特征在于，包括：
获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；
构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
2.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述构建模块中的基于注意力机制的CNN-LSTM网络模型，将CNN网络的输出传输至LSTM网络隐藏层，所述LSTM网络隐藏层的输入包括当前时刻心电特征序列和前一时刻隐藏层状态，得到当前时刻隐藏层状态及其输出矢量。
3.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述LSTM网络通过忘记门将删除前一时刻隐藏层状态，将删除的信息传递到当前时刻隐藏层状态中，以将新信息添加到下一个状态中，输出当前时刻隐藏层状态及其输出矢量。
4.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述构建模块中，对注意力机制添加深层卷积网络和池化层，扩大显著性特征对应的输入感受野，学习当前局部序列显著性特征的重要程度。
5.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述训练模块中，对基于注意力机制的CNN-LSTM网络模型的训练采用混淆矩阵以得到最优网络模型。
6.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述获取模块中，获取相同数目的包含房颤信号的心电信号和正常心电信号，根据心电信号是否为房颤信号的判断结果，添加房颤类型为是或否的标签。
7.一种房颤信号识别方法，其特征在于，包括：
对获取的心电信号添加房颤类型标签，构建训练集；
基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求7所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求7所述的方法。
10.一种心电监测设备，其特征在于，包括权利要求1-6任一项所述的系统和/或完成权利要求7所述的方法。
CN202010966563.1A 2020-09-15 2020-09-15 一种房颤信号识别系统及方法 Pending CN111920405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966563.1A CN111920405A (zh) 2020-09-15 2020-09-15 一种房颤信号识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966563.1A CN111920405A (zh) 2020-09-15 2020-09-15 一种房颤信号识别系统及方法

Publications (1)

Publication Number Publication Date
CN111920405A true CN111920405A (zh) 2020-11-13

Family

ID=73334620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966563.1A Pending CN111920405A (zh) 2020-09-15 2020-09-15 一种房颤信号识别系统及方法

Country Status (1)

Country Link
CN (1) CN111920405A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139600A (zh) * 2021-04-23 2021-07-20 广东安恒电力科技有限公司 基于联邦学习的智能电网设备异常检测方法和系统
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN113349791A (zh) * 2021-05-31 2021-09-07 平安科技（深圳）有限公司 异常心电信号的检测方法、装置、设备及介质
CN113876331A (zh) * 2021-10-26 2022-01-04 华中科技大学 一种面向心电信号的半监督房颤自动检测系统
CN114711781A (zh) * 2022-03-30 2022-07-08 上海夏先机电科技发展有限公司 基于深度学习和专家特征融合的心律失常检测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108388348A (zh) * 2018-03-19 2018-08-10 浙江大学 一种基于深度学习和注意力机制的肌电信号手势识别方法
CN109620205A (zh) * 2018-12-26 2019-04-16 上海联影智能医疗科技有限公司 心电数据分类方法、装置、计算机设备和存储介质
CN109740481A (zh) * 2018-12-26 2019-05-10 山东科技大学 基于跳跃连接的cnn与lstm结合的房颤信号分类方法
CN110179453A (zh) * 2018-06-01 2019-08-30 山东省计算中心（国家超级计算济南中心） 基于卷积神经网络和长短期记忆网络的心电图分类方法
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及系统
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN111329445A (zh) * 2020-02-20 2020-06-26 广东工业大学 基于组卷积残差网络和长短期记忆网络的房颤识别方法
CN111436926A (zh) * 2020-04-03 2020-07-24 山东省人工智能研究院 基于统计特征和卷积循环神经网络的房颤信号检测方法
CN111626114A (zh) * 2020-04-20 2020-09-04 哈尔滨工业大学 基于卷积神经网络的心电信号心律失常分类系统
CN111631705A (zh) * 2020-05-29 2020-09-08 广州视源电子科技股份有限公司 心电异常检测方法、模型训练方法、装置、设备及介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108388348A (zh) * 2018-03-19 2018-08-10 浙江大学 一种基于深度学习和注意力机制的肌电信号手势识别方法
CN110179453A (zh) * 2018-06-01 2019-08-30 山东省计算中心（国家超级计算济南中心） 基于卷积神经网络和长短期记忆网络的心电图分类方法
CN109620205A (zh) * 2018-12-26 2019-04-16 上海联影智能医疗科技有限公司 心电数据分类方法、装置、计算机设备和存储介质
CN109740481A (zh) * 2018-12-26 2019-05-10 山东科技大学 基于跳跃连接的cnn与lstm结合的房颤信号分类方法
CN110840402A (zh) * 2019-11-19 2020-02-28 山东大学 一种基于机器学习的房颤信号识别方法及系统
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN111329445A (zh) * 2020-02-20 2020-06-26 广东工业大学 基于组卷积残差网络和长短期记忆网络的房颤识别方法
CN111436926A (zh) * 2020-04-03 2020-07-24 山东省人工智能研究院 基于统计特征和卷积循环神经网络的房颤信号检测方法
CN111626114A (zh) * 2020-04-20 2020-09-04 哈尔滨工业大学 基于卷积神经网络的心电信号心律失常分类系统
CN111631705A (zh) * 2020-05-29 2020-09-08 广州视源电子科技股份有限公司 心电异常检测方法、模型训练方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139600A (zh) * 2021-04-23 2021-07-20 广东安恒电力科技有限公司 基于联邦学习的智能电网设备异常检测方法和系统
CN113349791A (zh) * 2021-05-31 2021-09-07 平安科技（深圳）有限公司 异常心电信号的检测方法、装置、设备及介质
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN113288162B (zh) * 2021-06-03 2022-06-28 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN113288163A (zh) * 2021-06-04 2021-08-24 浙江理工大学 基于注意力机制的多特征融合心电信号分类模型建模方法
CN113876331A (zh) * 2021-10-26 2022-01-04 华中科技大学 一种面向心电信号的半监督房颤自动检测系统
CN113876331B (zh) * 2021-10-26 2022-08-02 华中科技大学 一种面向心电信号的半监督房颤自动检测系统
CN114711781A (zh) * 2022-03-30 2022-07-08 上海夏先机电科技发展有限公司 基于深度学习和专家特征融合的心律失常检测方法及系统

Similar Documents

Publication Publication Date Title
CN111920405A (zh) 一种房颤信号识别系统及方法
KR102451795B1 (ko) 심전도 신호의 검출 방법
EP3801238B1 (en) Detecting abnormalities in ecg signals
CN108922622B (zh) 一种动物健康监测方法、装置及计算机可读存储介质
CN109919928B (zh) 医学影像的检测方法、装置和存储介质
WO2019119518A1 (zh) 房颤信号的识别方法、装置和设备
CN112734731B (zh) 一种牲畜温度检测方法、装置、设备和存储介质
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
CN108229522B (zh) 神经网络的训练方法、属性检测方法、装置及电子设备
US20230080098A1 (en) Object recognition using spatial and timing information of object images at diferent times
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
WO2019234457A1 (en) Detecting abnormalities in ecg signals
CN111144337B (zh) 火灾检测方法、装置及终端设备
CN112426160A (zh) 一种心电信号类型识别方法及装置
WO2021147866A1 (zh) Ecg信号的获取方法及装置、存储介质、电子装置
CN114241240A (zh) 脑部图像的分类方法、装置、电子设备及存储介质
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质
CN113240666B (zh) 一种医学影像预处理方法、装置、设备及存储介质
CN111507289A (zh) 视频匹配方法、计算机设备和存储介质
CN109543610B (zh) 车辆检测跟踪方法、装置、设备及存储介质
CN116052230A (zh) 一种掌静脉识别方法、装置、设备及存储介质
CN113673318B (zh) 一种动作检测方法、装置、计算机设备和存储介质
CN105956550B (zh) 一种视频鉴别的方法和装置
CN114469126A (zh) 心电数据的分类处理方法、装置、存储介质及计算机设备
CN112070022A (zh) 人脸图像识别方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113