CN111990988A - 基于密集连接卷积循环神经网络的心电信号房颤检测装置 - Google Patents
基于密集连接卷积循环神经网络的心电信号房颤检测装置 Download PDFInfo
- Publication number
- CN111990988A CN111990988A CN202010794952.0A CN202010794952A CN111990988A CN 111990988 A CN111990988 A CN 111990988A CN 202010794952 A CN202010794952 A CN 202010794952A CN 111990988 A CN111990988 A CN 111990988A
- Authority
- CN
- China
- Prior art keywords
- neural network
- atrial fibrillation
- module
- layer
- fibrillation detection
- 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 78
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000747 cardiac effect Effects 0.000 claims 3
- 239000012634 fragment Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000008034 disappearance Effects 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002567 electromyography Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning 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
- A61B5/7203—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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (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
本发明公开了一种基于密集连接卷积循环神经网络的心电信号房颤检测装置，包括数据获取模块、预处理模块、房颤检测模块、训练模块；房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，密集连接卷积神经网络有效解决梯度消失以及网络延展性问题的同时使得特征得到了更加充分的利用，双向循环神经网络使得网络本身更适用于时序信号的分析场景，检测装置先后从空间域和时间域对心电信号进行检测，通过两种网络的结合和级联最终实现了可观的房颤检测准确率。本发明的技术方案，相比于传统的房颤分段检测操作流程更加简单，鲁棒性和算法的稳定性也更强。
Description
技术领域
本发明属于人工智能深度神经网络领与心电信号识别技术领域，尤其涉及一种基于密集连接卷积循环神经网络的心电信号房颤检测装置。
背景技术
心房颤动，简称房颤，是一种临床上较为常见的潜在危害较高的心脏心律失常疾病。尽管其并非致死性疾病，主要是由其引起的电生理变化会引起患者疲劳、心悸和胸痛等不适症状，严重者则会因其影响到正常的心脏血液动力供给而引起严重的如脑卒中、脑梗塞、高血压等并发症，进而可能影响到生命安全健康。正是由于其早期的隐匿性以及严重的长期患病影响，导致高效准确的心房颤动检测算法十分必要。房颤检测的金标准是ECG十二导联心电图，通过其波形表现进而判断患者是否患有房颤。而房颤检测算法的实施和设计也主要是依托于房颤在心电图上的两个特征表现，即P波消失并被一系列不规则的f波替代，以及RR间期不规则的特点。
目前现有的房颤检测算法当中，主要分为两类：一类是基于心电图房颤特征表现的特征提取和使用常见机器学习分类器进行分类的两步检测方法，比较常见的是基于P波分析、RR间期分析以及自定义特征提取的三种特征提取方式；另一类是基于深度学习网络的房颤检测算法，即通过构建端到端的深度神经网络进行房颤检测。上述两种方法中，前者的主要问题在于其特征提取过程复杂且不易操作，不利于算法应用和推广，同时受到噪声等不稳定因素影响的可能性更高，鲁棒性不够强。而后者尽管简化了原本的复杂特征提取过程，但是其中很多算法没有考虑到卷积神经网络本身可能带来的梯度消失等问题，需要一种更加高效，可以有效避免梯度消失问题，网络可拓展性更强并且能有效应用于时序信号分析场景的网络。
发明内容
为了解决上述已有技术存在的不足，本发明提出一种基于密集连接卷积循环神经网络的心电信号房颤检测装置，简化了传统方法的复杂特征提取和前处理过程，实现了利用端到端的神经网络的房颤检测算法，同时提出了基于密集连接卷积循环神经网络的心电信号房颤检测方法，该方法将能够有效防止梯度消失和梯度爆炸问题同时具有更强网络延展性的密集连接卷积神经网络应用于一维时序的心电信号分析。本发明的具体技术方案如下：
基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，包括数据获取模块、预处理模块、房颤检测模块、训练模块，其中，
所述数据获取模块用于获取包含专业医生标注的房颤信息的单导联心电信号片段；
所述预处理模块将所述数据获取模块获取的心电信号片段进行降噪处理去除噪声；
所述房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，所述房颤检测模型包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，所述密集连接神经网络包括至少一个重复模块，所述重复模块由至少一个密集连接模块与过渡模块连接而成，所述密集连接模块是由至少一层密集连接层构成，每个密集连接层由依次连接的第一标准化层、第一线性整流函数层、第一卷积层、第二标准化层、第二线性整流函数层和第二卷积层构成，密集连接层之间直接相连；所述密集连接模块之间通过过渡模块连接，所述过渡模块由依次连接的第三标准化层、第三线性整流函数层、第三卷积层、池化层构成；所述双向循环神经网络包括至少一层双向循环神经网络；所述输出判别分类层为一个线性分类器，输出结果；
所述训练模块的处理过程为对所述密集连接卷积循环神经网络房颤检测模型随机选取初始参数，将所述数据获取模块获得的数据按照比例划分为训练集、验证集和测试集，将训练集和验证集数据用于模型训练和参数选择，循环获得最优参数模型，再用测试集验证最优参数模型的效果；
经所述数据获取模块、所述预处理模块、所述房颤检测模块、所述训练模块模型处理后得到最优参数模型，将被检测单导联心电信号直接输入最优参数模型，即能够自动判别被检测单导联心电信号是否有房颤。
进一步地，所述数据获取模块获取的心电信号片段采样频率不小于125Hz，片段长度不小于6s。
进一步地，所述预处理模块采用带通滤波器同时去除低频段的基线漂移噪声、高频段的工频干扰以及人体肌电干扰噪声。
进一步地，所述双向循环神经网络为长短期记忆网络或门控制循环单元网络。
本发明的有益效果在于：
1.本发明提出的密集连接卷积循环神经网络结构是一种端到端的深度学习网络，能够通过输入的心电信号实现房颤的一步检测，相比于传统的房颤分段检测操作流程更加简单，鲁棒性和算法的稳定性也更强；
2.本发明基于卷积循环神经网络理论，将密集连接卷积神经网络与双向循环神经网络实现了有效的结合，提出了密集连接卷积循环神经网络，实现了准确率较为可观的房颤检测；
3.本发明使用的密集连接神经网络可以有效解决当网络层数增加出现的梯度消失和梯度爆炸问题，网络本身具有较强的拟合能力，同时将其与双向循环神经网络结合，在卷积神经网络之后又使用双向循环神经网络来进一步分析心电信号数据，使得整个网络模型更适用于本发明的时序信号分析，也使得网络本身比一般的卷积神经网络或者一维密集连接卷积神经网络准确率更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1是本发明的基于密集连接卷积循环神经网络的心电信号房颤检测装置结构图；
图2是本发明的密集连接卷积循环神经网络房颤检测模型结构图；
图3是本发明的基于密集连接卷积循环神经网络的心电信号房颤检测流程图；
图4是本发明一个实例的密集连接模块和不同密集连接模块之间的过渡模块的结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1-3所示，本发明将深度神经网络应用于心电信号房颤检测领域，将原本用于二维图像识别的密集连接卷积网络应用到一维并且与用于时序信号分析的双向循环神经网络结合用于心电信号房颤检测。
本发明的一种基于密集连接卷积循环神经网络的心电信号房颤检测装置，由密集连接卷积神经网络和双向循环神经网络构成，前者有效解决梯度消失以及网络延展性问题的同时使得特征得到了更加充分的利用，而后者也使得网络本身更适用于时序信号的分析场景，检测装置先后从空间域和时间域对心电信号进行检测，通过两种网络的结合和级联最终实现了可观的房颤检测准确率。
具体地，基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，包括数据获取模块、预处理模块、房颤检测模块、训练模块，其中，
数据获取模块用于获取不少于3000条包含专业医生标注的房颤信息的单导联心电信号片段；
预处理模块将数据获取模块获取的心电信号片段进行降噪处理去除噪声；
房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，房颤检测模型包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，密集连接神经网络包括至少一个重复模块，重复模块由至少一个密集连接模块与过渡模块连接而成，密集连接模块是由至少一层密集连接层构成，每个密集连接层由依次连接的第一批量标准化层、第一线性整流函数层、第一卷积层、第二批量标准化层、第二线性整流函数层和第二卷积层构成，密集连接层之间直接相连；密集连接模块之间通过过渡模块连接，过渡模块由依次连接的第三批量标准化层、第三线性整流函数层、第三卷积层、池化层构成；双向循环神经网络包括至少一层双向循环神经网络；输出判别分类层为一个线性分类器，输出结果；
训练模块的处理过程为对密集连接卷积循环神经网络房颤检测模型随机选取初始参数，将数据获取模块获得的数据按照比例划分为训练集、验证集和测试集，将训练集和验证集数据用于模型训练和参数选择，通过不断的向模型批量送入数据来实现网络参数的更新，循环获得最优参数模型，再用测试集验证最优参数模型的效果；
经数据获取模块、预处理模块、房颤检测模块、训练模块模型处理后得到最优参数模型，将被检测单导联心电信号直接输入最优参数模型，即能够自动判别被检测单导联心电信号是否有房颤。
数据获取模块获取的心电信号片段采样频率不小于125Hz，片段长度不小于6s。
预处理模块采用0.1-50Hz带通滤波器同时去除低频段的基线漂移噪声、高频段的工频干扰以及人体肌电干扰噪声。
双向循环神经网络为长短期记忆网络或门控制循环单元网络。
密集连接卷积循环神经网络房颤检测模型的建立依托于pytorch、tensorflow或keras。
本发明基于深度学习神经网络，简化了传统方法的复杂特征提取和前处理过程，实现了利用端到端的神经网络的房颤检测算法，同时提出了基于密集连接卷积循环神经网络的心电信号房颤检测装置，将能够有效防止梯度消失和梯度爆炸问题同时具有更强网络延展性的密集连接卷积神经网络应用于一维时序的心电信号分析。同时将其与在时序信号分析中表现较好的双向循环神经网络结合实现了通过短时心电信号预测是否有房颤，对信号同时进行了空间域和时间域的处理，充分利用空间域和时间域的两种网络优势，实现了准确率较为可观的房颤检测。
为了方便理解本发明的上述技术方案，以下通过具体实施例对本发明的上述技术方案进行详细说明。
首先，数据获取模块所获取的单导联心电信号数据，需包含专业医生的房颤标注，具体为，将单导联心电信号的房颤标注记录在csv文件中，有房颤的单导联将收集到的单导联心电信号数据标记为1，其他不含房颤的数据标记为0，此文件即密集连接卷积循环神经网络房颤检测模型的训练标签。
同时，预处理模块对所使用的单导联心电信号数据进行降噪预处理，使用截止频率为0.1-50Hz的带通滤波器进行预处理，有效去除低频段的基线漂移噪声和高频段的工频干扰、人体肌电干扰等噪声。
其次，参照图2和图4，本实例房颤检测模块搭建的密集连接卷积循环神经网络房颤检测模型由数据获取模块、预处理模块、房颤检测模块、训练模块构成。
房颤检测模块搭建的密集连接卷积循环神经网络房颤检测模型包括一层卷积层、4个密集连接模块和过渡模块相连构成的重复模块、2层门控制循环单元网络和输出判别层，具体结构顺序为一层卷积层、密集连接模块1、过度模块1、密集连接模块2、过度模块2、密集连接模块3、过度模块3、密集连接模块4、过度模块4、两层双向循环神经网络、输出判别层。
其中，每个密集连接模块包含8个密集连接层，每个密集连接层由依次连接的第一批量标准化层、第一线性整流函数层、第一卷积层、第二批量标准化层、第二线性整流函数层和第二卷积层构成，密集连接层之间直接相连；过渡模块由依次连接的第三批量标准化层、第三线性整流函数层、第三卷积层、池化层构成。
所有卷积均为一维卷积结构，边界用零填充。
根据搭建好的模型设定初始参数值，初始学习率为0.01，权值衰减为0.9，动量为0.8等。同时，使用随机梯度下降算法来进行参数更新和选择。将现有数据按照6:2:2的比例分为训练集、验证集和测试集进行模型的训练和效果验证。训练过程中，使用交叉熵函数作为损失函数评估预测值与真实值之间的偏差，当损失值小于10^-5时，认为模型达到最优，得到最优参数模型。
最后，将不少于3000条单导联心电信号片段，单导联心电信号片段的长度不小于6s，采样率不小于125Hz的待测单导联心电数据输入得到的最优密集连接卷积循环神经网络房颤检测模型，进行房颤检测，若模型输出检测结果为1，则说明检测到房颤，反之，若检测结果为0，则说明未检测到房颤。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述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。
Claims (4)
1.基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，包括数据获取模块、预处理模块、房颤检测模块、训练模块，其中，
所述数据获取模块用于获取包含专业医生标注的房颤信息的单导联心电信号片段；
所述预处理模块将所述数据获取模块获取的心电信号片段进行降噪处理去除噪声；
所述房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，所述房颤检测模型包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，所述密集连接神经网络包括至少一个重复模块，所述重复模块由至少一个密集连接模块与过渡模块连接而成，所述密集连接模块是由至少一层密集连接层构成，每个密集连接层由依次连接的第一批量标准化层、第一线性整流函数层、第一卷积层、第二批量标准化层、第二线性整流函数层和第二卷积层构成，密集连接层之间直接相连；所述密集连接模块之间通过过渡模块连接，所述过渡模块由依次连接的第三批量标准化层、第三线性整流函数层、第三卷积层、池化层构成；所述双向循环神经网络包括至少一层双向循环神经网络；所述输出判别分类层为一个线性分类器，输出结果；
所述训练模块的处理过程为对所述密集连接卷积循环神经网络房颤检测模型随机选取初始参数，将所述数据获取模块获得的数据按照比例划分为训练集、验证集和测试集，将训练集和验证集数据用于模型训练和参数选择，循环获得最优参数模型，再用测试集验证最优参数模型的效果；
经所述数据获取模块、所述预处理模块、所述房颤检测模块、所述训练模块模型处理后得到最优参数模型，将被检测单导联心电信号直接输入最优参数模型，即能够自动判别被检测单导联心电信号是否有房颤。
2.根据权利要求1所述的基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，所述数据获取模块获取的心电信号片段采样频率不小于125Hz，片段长度不小于6s。
3.根据权利要求1或2所述的基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，所述预处理模块采用带通滤波器同时去除低频段的基线漂移噪声、高频段的工频干扰以及人体肌电干扰噪声。
4.根据权利要求1或2所述的基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，所述双向循环神经网络为长短期记忆网络或门控制循环单元网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794952.0A CN111990988A (zh) | 2020-08-10 | 2020-08-10 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794952.0A CN111990988A (zh) | 2020-08-10 | 2020-08-10 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111990988A true CN111990988A (zh) | 2020-11-27 |
Family
ID=73462926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010794952.0A Pending CN111990988A (zh) | 2020-08-10 | 2020-08-10 | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111990988A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及系统 |
| 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 |
| CN113349753A (zh) * | 2021-07-19 | 2021-09-07 | 成都芯跳医疗科技有限责任公司 | 一种基于便携式动态心电监护仪的心律失常检测方法 |
| CN113409823A (zh) * | 2021-06-30 | 2021-09-17 | 平安科技（深圳）有限公司 | 语音情绪识别方法、装置、电子设备及存储介质 |
| CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
| 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 (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101150981A (zh) * | 2005-02-25 | 2008-03-26 | 约瑟夫·威塞尔 | 检测心房颤动的方法及设备 |
| US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
| CN110443276A (zh) * | 2019-06-30 | 2019-11-12 | 天津大学 | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 |
| CN110680310A (zh) * | 2019-10-21 | 2020-01-14 | 北京航空航天大学 | 基于一维密集连接卷积网络的心电信号房颤检测方法 |
-
2020
- 2020-08-10 CN CN202010794952.0A patent/CN111990988A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101150981A (zh) * | 2005-02-25 | 2008-03-26 | 约瑟夫·威塞尔 | 检测心房颤动的方法及设备 |
| US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
| CN110443276A (zh) * | 2019-06-30 | 2019-11-12 | 天津大学 | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 |
| CN110680310A (zh) * | 2019-10-21 | 2020-01-14 | 北京航空航天大学 | 基于一维密集连接卷积网络的心电信号房颤检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI GUO等: "Inter-patient ECG classification with convolutional and recurrent neural networks", 《BIOCYBERNETICS AND BIOMEDICAL ENGINEERING》 * |
| 高扬: "《智能摘要与深度学习》", 30 April 2019, 北京理工大学出版社 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及系统 |
| CN112842349A (zh) * | 2021-02-20 | 2021-05-28 | 无锡市中健科仪有限公司 | 一种基于注意力转换机制的室上性早搏智能分析方法 |
| 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 |
| 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 |
| CN113409823A (zh) * | 2021-06-30 | 2021-09-17 | 平安科技（深圳）有限公司 | 语音情绪识别方法、装置、电子设备及存储介质 |
| CN113349753A (zh) * | 2021-07-19 | 2021-09-07 | 成都芯跳医疗科技有限责任公司 | 一种基于便携式动态心电监护仪的心律失常检测方法 |
| CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
| 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 |
|---|---|---|
| CN111990988A (zh) | 基于密集连接卷积循环神经网络的心电信号房颤检测装置 | |
| Luo et al. | Patient‐Specific Deep Architectural Model for ECG Classification | |
| CN110151138B (zh) | 基于卷积神经网络的睡眠呼吸暂停片段检测方法、设备 | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN112826513B (zh) | 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统 | |
| CN105595961A (zh) | 基于脑电信号的阿尔兹海默症检测系统及检测方法 | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| Murugappan et al. | Time domain features based sudden cardiac arrest prediction using machine learning algorithms | |
| Zhang et al. | Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy | |
| Nahak et al. | Evaluation of handcrafted features and learned representations for the classification of arrhythmia and congestive heart failure in ECG | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| CN110123304A (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
| WO2021249493A1 (zh) | T波起点的确定方法、装置、存储介质及计算机程序产品 | |
| Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
| Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
| Don et al. | Analysis of electrocardiogram signals of arrhythmia and ischemia using fractal and statistical features | |
| CN117547237A (zh) | 基于ppg波形区域特征检测早搏的方法、装置、介质及设备 | |
| CN113974647B (zh) | 重构心源性猝死风险因子的系统及方法 | |
| Revanth et al. | Detection of QRS Complexes in ECG Signal | |
| Aravind et al. | ECG classification and arrhythmia detection using Wavelet transform and convolutional neural network | |
| de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
| Dutt et al. | Sleep Stage Identification based on Single-Channel EEG Signals using 1-D Convolutional Autoencoders | |
| Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
| Yao et al. | A lightweight R peak detection algorithm for noisy ECG signals |
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 |