CN112006678A - 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 - Google Patents

基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 Download PDF

Info

Publication number
CN112006678A
CN112006678A CN202010944862.5A CN202010944862A CN112006678A CN 112006678 A CN112006678 A CN 112006678A CN 202010944862 A CN202010944862 A CN 202010944862A CN 112006678 A CN112006678 A CN 112006678A
Authority
CN
China
Prior art keywords
electrocardiogram
data
alexnet
image
model
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
CN202010944862.5A
Other languages
English (en)
Other versions
CN112006678B (zh
Inventor
董爱美
周晶
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 CN202010944862.5A priority Critical patent/CN112006678B/zh
Publication of CN112006678A publication Critical patent/CN112006678A/zh
Application granted granted Critical
Publication of CN112006678B publication Critical patent/CN112006678B/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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于AlexNet和迁移学习相结合的心电图异常识别方法及系统，属于特征提取分类预测技术领域，本发明要解决的技术问题为如何结合AlexNet深度卷积神经网络和迁移学习准确高效的完成心电图异常识别，既能摆脱对样本数据容量的依赖，又能自动学习数据样本的特征，技术方案为：该方法具体如下：预处理：将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪；特征提取：把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；分类预测：把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类。

Description

基于AlexNet和迁移学习相结合的心电图异常识别方法及 系统
技术领域
本发明涉及特征提取分类预测技术领域，具体地说是一种基于AlexNet和迁移学习相结合的心电图异常识别方法及系统。
背景技术
心电图(ECG或者EKG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。如果病人心电图出现ST段或者T波的变化，应该特别留意是持续性变化还是动态(一过性)变化，如果持续存在多数不是心肌缺血或者冠心病所致；如果ST段(T波)变化与胸痛相关，那么极有可能是不稳定性心绞痛或者心肌梗死。
常见的异常心电图诊断如下：
①心房肥大：分为左、右心房肥大或双心房肥大，心电图特点为P波异常，多见于慢性肺源性心脏病、风湿性二尖瓣狭窄或各种病因所致心房肌增厚、房腔扩大。
②心室肥大：分为左、右心室肥大或双心室肥大，心电图特点为QRS波异常，多见于风湿性心脏病、慢性肺源性心脏病、先天性心脏病、高血压病或各种病因所致的心室肌增厚、心室腔扩大。
③心肌缺血：心电图特点为ST段和T波异常，简称ST-T改变，见于慢性冠状动脉供血不足，心绞痛发作等。
④心肌梗死：分为急性期和陈旧期，急性心肌梗死的心电图特点为QRS波、ST-T显著改变，陈旧性心肌梗死的ST-T多恢复正常，仅遗留坏死性Q波。
⑤心律失常：正常人的心律为窦性心律，节律均衡，频率为每分钟60-100次。如果心脏激动的起源窦房结或传导系统出现异常，就发生了心律失常。
⑥窦性心律失常：窦性心率每分钟超过100次为窦性心动过速，常见于运动或精神紧张、发热、甲亢、贫血和心肌炎等。窦性心率每分钟低于60次为窦性心动过缓，常见于甲低、颅内高压、老年人和部分药物反应。窦性心律不齐的心电图特点为P-R间期异常，临床意义不大。
⑦期前收缩：简称早搏，是指先于正常心动周期出现的心脏搏动，之后常出现长间歇称为代偿间歇，分为房性、交界性和室性三种。心电图表现为P波、QRS波和ST-T改变，有完全性或不完全性代偿间歇。偶发的期前收缩可见于正常人，但频发的室性早搏或形成二联律、三联律多见于多种心脏疾病。
⑧异位心动过速：分为阵发性和非阵发性两类，又分为室上性或室性心动过速，除频率快、节律不齐外，前者心电图形态多正常，后者QRS波宽大畸形，多见于器质性心脏病，非器质性心脏病也可出现。
⑨扑动与颤动：分为心房和心室两大类。心房扑动与颤动为频率在每分钟250～600次的异位节律，P波消失，代之以异常的"F"波，多见于老年心脏退行性改变、高血压病、冠心病、肺心病、甲亢等。心室扑动与颤动属恶性心律失常，患者有生命危险，必须争分夺秒地抢救。
目前心电图异常识别是通过医生肉眼观察并判断，容易出现漏看、错看或者识别失误的问题。
深度学习算法可以从海量数据中学习高级特征并能够自动提取特征，这使得深度学习超越了传统的机器学习算法。但由于深度学习算法依赖于大量数据，且运行速度过慢，针对此弊端，迁移学习应运而生。迁移学习允许利用相关领域的已有知识来解决目标领域中仅有少量样本数据的学习问题。将深度学习和迁移学习两种技术相结合，一方面可以自动学习数据样本的高级特征，另一方面又摆脱了对样本数据容量的依赖。常见的深度学习网络模型包括卷积神经网络、递归神经网络以及生成对抗网络等。在图像识别技术中，卷积神经网络的应用最广泛，具体介绍如下：
CNN网络模型(卷积神经网络)是一种用来处理具有网络结构数据的神经网络。它具有多层次结构，包括卷积层、池化层以及全连接层。首先将预处理后的图片输入到CNN网络后，经过多个卷积池化操作，提取图片的特征，最后将图片特征送入全连接网络完成图像的分类识别。
AlexNet深度卷积神经网络：AlexNet是一种拥有6000万个参数和65万个神经元的深度网络模型，包括五层卷积层，三层全连接网络层，输入图像大小为227x227；第1层卷积层有96个卷积核，其大小为11x11，步长为4，最大池化层,核大小为3x3,步长为2；第2层卷积层有256个卷积核，其大小为5x5，步长为1，最大池化层,核大小为3x3,步长为2；第3层卷积层有384个卷积核，其大小为3x3，步长为1，第4层卷积层有384个卷积核，其大小为3x3，步长为1，第5层卷积层有256个卷积核，其大小为3x3，步长为1，第五层后跟最大池化层,核大小为3x3,步长为2，紧接着3层全连接层，前两层输出通道大小为4096，每层后面都添加Dropout层，最后，使用Softmax分类器。
迁移学习可以看成是具有识别和应用在先前任务中学习到的知识和技能能力的系统。迁移学习重在对于那些领域、任务和分布不同但具有一定相似性的情况下进行知识迁移。迁移学习就是在不同领域之间进行知识迁移的过程。
在深度学习领域，使用预先训练的网络是非常有效的方法。从预先训练的模型中获得的知识，以前用大规模数据训练过，可以在新的模型中使用。这意味着迁移学习使用以前的模型学习的表示，并将这些知识应用到另一个领域。
迁移学习是把已训练好的模型参数迁移到新的模型来帮助新模型训练，这是因为大部分数据或任务是存在相关性的。通过迁移学习我们可以将已经学到的模型参数通过某种方式和新模型进行共享从而加快并优化模型的学习效率，而不用像大多数网络那样从零学习。
迁移学习主要解决用于分类的目标数据集较小的问题，可以在有效抑制过拟合的情况下，训练目标网络。网络首先在一个基础数据集上训练，经过预训练的网络需要将目标数据集与已有特征相结合，即用目标数据集进行微调，将其输入基础网格进行训练以调整网络参数。迁移学习在分类的目标数据集有限的情况下起到提升网络分类准确率的作用。
使用二维心电图像输入的卷积神经网络，由于数据维度较大，网络存在过拟合问题。为了抑制这一问题，使用经过大规模图像数据集ImageNet训练后的权值对网络进行迁移学习。ImageNet是图像识别领域的大规模数据库，含有超过1500万张、共22000多类带标签的高分辨率图像。在有标注的大规模图像集上进行训练的深度神经网络具有较好的图像特征和良好的泛化能力，将其参数值迁移到其它的图像分类任务中往往得到较好的分类效果。采用在ImageNet数据集上进行预训练的参数值对AlexNet网络进行权值初始化，并通过对心电图数据集的训练进行微调。
故如何结合AlexNet深度卷积神经网络和迁移学习准确高效的完成心电图异常识别，同时既能摆脱对样本数据容量的依赖，又能自动学习数据样本的高级特征是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于AlexNet和迁移学习相结合的心电图异常识别方法及系统，来解决如何结合AlexNet深度卷积神经网络和迁移学习准确高效的完成心电图异常识别，同时既能摆脱对样本数据容量的依赖，又能自动学习数据样本的高级特征的问题。
本发明的技术任务是按以下方式实现的，一种基于AlexNet和迁移学习相结合的心电图异常识别方法，该方法具体如下：
预处理：将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；
特征提取：把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；
分类预测：把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机(SVM)中进行心电图分类。其中，支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机(SVM，还支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
作为优选，所述预处理具体如下：
图像转换：将数据集中的每条心电图信号转换成尺寸为227x227的心电图图像；
构建心拍样本：围绕QRS波峰分割ECG，取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本；
消除ECG幅度影响：在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，归一化函数的公式为：
Figure BDA0002674953330000041
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
均衡化处理：对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充。
更优地，所述构建心拍样本具体如下：
采用小波变换用于处理工频信号干扰和肌电信号干扰的高频信号；
IIR零相位数字滤波器纠正基线漂移，以软件判别和可变阈值的方法实现QRS波检测；
检测到QRS波后，围绕QRS波峰分割ECG，取QRS波峰值前的样本以及峰值后的样本组成一个心拍样本。
更优地，所述数据扩增的方式包括，
平移：将心电图图像分别向上、下、左、右平移12个像素点；
旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
镜像：将心电图图像上、下或左、右方向各做一次镜像。
作为优选，所述AlexNet模型的迁移学习过程具体如下：
在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；
对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；
利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；
使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生。
更优地，所述预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征的过程具体如下：
将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；
卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；
给定大小为(m，n)的图像M，卷积定义为：
Figure BDA0002674953330000051
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；
利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
作为优选，所述心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度(Sen)、特异性(Spec)和准确率(Acc)；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
一种基于AlexNet和迁移学习相结合的心电图异常识别系统，该系统包括，
预处理单元，用于将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；
特征提取单元，用于把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；
分类预测单元，用于把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机(SVM)中进行心电图分类，心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度(Sen)、特异性(Spec)和准确率(Acc)；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
作为优选，所述预处理单元包括，
图像转换模块，用于将数据集中的每条心电图信号转换成尺寸大小为227x227的心电图图像；
心拍样本构建模块，用于围绕QRS波峰分割ECG，取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本；
消除ECG幅度影响模块，用于在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，规范化函数的公式为：
Figure BDA0002674953330000071
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
均衡化处理模块，用于对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充；数据扩增的方式包括，
平移：将心电图图像分别向上、下、左、右平移12个像素点；
旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
镜像：将心电图图像上、下或左、右方向各做一次镜像；
所述特征提取单元包括，
迁移学习模块，用于在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生；
训练及特征提取模块，用于将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；给定大小为(m，n)的图像M，卷积定义为：
Figure BDA0002674953330000072
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行时，实现如上述的基于AlexNet和迁移学习相结合的心电图异常识别方法。
本发明的基于AlexNet和迁移学习相结合的心电图异常识别方法及系统具有以下优点：
(一)本发明的迁移学习在已训练的网络模型中进行参数和知识迁移，可以解决数据集样本少的问题，还可以节省计算资源与训练时间；将AlexNet深度卷积神经网络和迁移学习两种技术相结合，一方面可以自动学习数据样本的高级特征，另一方面又摆脱了对样本数据容量的依赖；
(二)AlexNet深度卷积神经网络与传统卷积网络相比，有很多优点：
(1)线性激活函数ReLU层，增强网络的非线性映射能力，同时加快网络收敛速度；
(2)Dropout层，从网络全连接层中随机丢弃某些节点，可防止网络的过拟合问题；
(3)重叠的最大值池化层，避免了平均值池化对特征信息的模糊；
(4)充分的数据扩充预处理，降低深度网络受过拟合影响的风险，同时增强卷积网络的鲁棒性；
(三)本发明通过对异常类型的心电图进行不同方位的裁剪达到数据增强的目的，解决了正常心电图的个数远远大于异常心电图数目，造成数据不平稳问题；
(四)本发明把利用ImageNet数据集预训练的模型进行迁移，不用再重头开始设计与训练一个全新的网络，而是基于已经训练好的网络模型，在其基础上进行参数与知识迁移，只需要很少量的计算资源开销与训练时间就可以实现对新任务的支持。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于AlexNet和迁移学习相结合的心电图异常识别方法的流程框图；
附图2为AlexNet模型的迁移学习过程的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于AlexNet和迁移学习相结合的心电图异常识别方法及系统作以下详细地说明。
实施例1：
如附图1所示，本发明的基于AlexNet和迁移学习相结合的心电图异常识别方法，该方法具体如下：
S1、预处理：将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；具体如下：
S101、图像转换：将数据集中的每条心电图信号转换成尺寸为227x227的心电图图像；
S102、构建心拍样本：采用小波变换用于处理工频信号干扰和肌电信号干扰的高频信号；IIR零相位数字滤波器纠正基线漂移，以软件判别和可变阈值的方法实现QRS波检测；检测到QRS波后，围绕QRS波峰分割ECG，取QRS波峰值前90个样本以及峰值后165个样本共计256个样本组成一个心拍样本。
S103、消除ECG幅度影响：在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，归一化函数的公式为：
Figure BDA0002674953330000091
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
S104、均衡化处理：对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充。心电图明显多于异常心电图，数据存在严重的数据量不均衡问题.为解决数据不均衡问题，本文先对数据进行均衡化处理，并通过平移、旋转和镜像的方式对异常心电图进行简单扩充。数据扩增的方式包括，
①、平移：将心电图图像分别向上、下、左、右平移12个像素点；
②、旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
③、镜像：将心电图图像上、下或左、右方向各做一次镜像。
S2、特征提取：把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；其中，如附图2所示，AlexNet模型的迁移学习过程具体如下：
S201-1、在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；
S201-2、对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；
S201-3、利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；
S201-4、使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生。
其中，预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征的过程具体如下：
S202-1、将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；
S202-2、卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；
给定大小为(m，n)的图像M，卷积定义为：
Figure BDA0002674953330000101
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；
S202-3、利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
S3、分类预测：把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机(SVM)中进行心电图分类。把得到的特征送入支持向量机进行分类预测。支持向量机是一个二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。支持向量机是一种利用训练集构造超平面对测试样本进行分类的核学习方法。SVM算法的独特之处是使用了内积核函函数，其最终决策函数取决于少量的支持向量，这不但可以避免大量的冗余样本影响算法的效果，而且注定了SVM算法具有更好的鲁棒性。计算的难易程度一般是由支持向量的数量决定且不会受到空间维数的影响，是一种几乎能够实现结构零风险的方法。心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度(Sen)、特异性(Spec)和准确率(Acc)；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
实施例2：
本发明的基于AlexNet和迁移学习相结合的心电图异常识别系统，该系统包括，
预处理单元，用于将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；预处理单元包括，
图像转换模块，用于将数据集中的每条心电图信号转换成尺寸大小为227x227的心电图图像；
心拍样本构建模块，用于围绕QRS波峰分割ECG，取QRS波峰值前90个样本以及峰值后165个样本共计256个样本组成一个心拍样本；
消除ECG幅度影响模块，用于在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，规范化函数的公式为：
Figure BDA0002674953330000111
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
均衡化处理模块，用于对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充；数据扩增的方式包括，
平移：将心电图图像分别向上、下、左、右平移12个像素点；
旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
镜像：将心电图图像上、下或左、右方向各做一次镜像；
特征提取单元，用于把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型(深度卷积神经网络模型)的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；特征提取单元包括，
迁移学习模块，用于在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生；
训练及特征提取模块，用于将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；给定大小为(m，n)的图像M，卷积定义为：
Figure BDA0002674953330000121
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
分类预测单元，用于把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机(SVM)中进行心电图分类，心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度(Sen)、特异性(Spec)和准确率(Acc)；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
实施例3：
本发明实施例还提供了一种计算机可读存储介质，其中存储有多条指令，指令由处理器加载，使处理器执行本发明任一实施例中的基于AlexNet和迁移学习相结合的心电图异常识别方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-R基于ALEXNET和迁移学习相结合的心电图异常识别方法及系统M、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，该方法具体如下：
预处理：将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；
特征提取：把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；
分类预测：把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类。
2.根据权利要求1所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述预处理具体如下：
图像转换：将数据集中的每条心电图信号转换成尺寸为227x227的心电图图像；
构建心拍样本：围绕QRS波峰分割ECG，取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本；
消除ECG幅度影响：在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，归一化函数的公式为：
Figure FDA0002674953320000011
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
均衡化处理：对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充。
3.根据权利要求2所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述构建心拍样本具体如下：
采用小波变换用于处理工频信号干扰和肌电信号干扰的高频信号；
IIR零相位数字滤波器纠正基线漂移，以软件判别和可变阈值的方法实现QRS波检测；
检测到QRS波后，围绕QRS波峰分割ECG，取QRS波峰值前的样本以及峰值后的样本组成一个心拍样本。
4.根据权利要求2或3所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述数据扩增的方式包括，
平移：将心电图图像分别向上、下、左、右平移12个像素点；
旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
镜像：将心电图图像上、下或左、右方向各做一次镜像。
5.根据权利要求1所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述AlexNet模型的迁移学习过程具体如下：
在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；
对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；
利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；
使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生。
6.根据权利要求1或5所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述预训练后的心电图图像作为AlexNet模型的输入，自动提取特征的过程具体如下：
将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；
卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；
给定大小为(m，n)的图像M，卷积定义为：
Figure FDA0002674953320000031
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；
利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
7.根据权利要求1所述的基于AlexNet和迁移学习相结合的心电图异常识别方法，其特征在于，所述心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度、特异性和准确率；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：Sen表示敏感度；TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：Spec表示特异性；TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：Acc表示准确率；TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
8.一种基于AlexNet和迁移学习相结合的心电图异常识别系统，其特征在于，该系统包括，
预处理单元，用于将数据集中的每条心电图信号转换成心电图图像，并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的；
特征提取单元，用于把数据增强后的图像放入预训练的模型中进行训练，预训练后的心电图图像作为AlexNet模型的输入，自动提取特征，并利用ImageNet数据集预训练的AlexNet模型进行迁移学习；
分类预测单元，用于把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类，心电图分类后获得二分类结果，对二分类结果进行量化分析，量化分析的评价指标包括敏感度、特异性和准确率；
其中，敏感度表示系统检测到的正常心电数据占总体正常数据的比例，计算公式如下：
Sen＝TP1/(TP1+FN1)×100％；
式中：Sen表示敏感度；TP1表示将正常心电数据分类到正常类别；FN1表示将正常数据分类到异常类别；
特异性表示异常心电数据占总体异常数据的比例，计算公式如下：
Spec＝TN1/(TN1+FP1)×100％；
式中：Spec表示特异性；TN1表示将异常数据分类到异常类别；FP1表示将异常心电数据分类到正常类别；
准确率表示判定正确的数据在总体数据中的比例，计算公式如下：
Acc＝(TP2+TN2)/(TN2+FP2+TP2+FN2)×100％；
式中：Acc表示准确率；TP2和TN2均表示分类准确的数量；FP2和FN2均表示分类错误的数量。
9.根据权利要求8所述的基于AlexNet和迁移学习相结合的心电图异常识别系统，其特征在于，所述预处理单元包括，
图像转换模块，用于将数据集中的每条心电图信号转换成尺寸大小为227x227的心电图图像；
心拍样本构建模块，用于围绕QRS波峰分割ECG，取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本；
消除ECG幅度影响模块，用于在划分心拍样本基础上对心拍样本归一化，消除ECG记录中不同幅度影响；其中，规范化函数的公式为：
Figure FDA0002674953320000051
其中，di表示每个心拍样本；dmax为心拍幅度最大值；dmin为最小值；归一化心拍Si幅度范围处于0到1之间；
均衡化处理模块，用于对数据进行均衡化处理，并对异常心电图通过数据扩增的方式进行扩充；数据扩增的方式包括，
平移：将心电图图像分别向上、下、左、右平移12个像素点；
旋转：将心电图图像分别沿顺或逆时针方向旋转30°；
镜像：将心电图图像上、下或左、右方向各做一次镜像；
所述特征提取单元包括，
迁移学习模块，用于在迁移学习中，预训练模型采用的是ImageNet上1000类的图像进行模型训练；对预训练模型进行微调：在直接迁移学习的基础上将预训练模型的部分网络层进行冻结，开放剩余的层进行训练，从而得到更好的权重参数；利用ADAM更新参数，ADAM是梯度下降法的变种，更新神经网络的权重；使用全局平均池化函数直接对特征图进行特征维度提取，全局平均池化函数把特征图全局平均得到一个值，直观地反映出特征图之间的联系，实现在特征提取过程中特征图的降维和卷积层向量的展开，使其空间信息保持完整，并且大幅减少网络模型的参数量，降低过拟合的发生；
训练及特征提取模块，用于将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中，经过多个卷积池化操作，提取图片的特征；卷积作为信号分析技术，使用卷积和池化的方法实现特征的自动提取和约简；给定大小为(m，n)的图像M，卷积定义为：
Figure FDA0002674953320000061
其中，(k,l)为卷积核w的大小；通过卷积使AlexNet模型能够从图像中学习特征，其参数共享降低模型的复杂度；利用池化技术对卷积层之后得到的小邻域内的特征点进行集成，得到新的特征。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行时，实现如权利要求1至7中所述的基于AlexNet和迁移学习相结合的心电图异常识别方法。
CN202010944862.5A 2020-09-10 2020-09-10 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 Active CN112006678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010944862.5A CN112006678B (zh) 2020-09-10 2020-09-10 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010944862.5A CN112006678B (zh) 2020-09-10 2020-09-10 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统

Publications (2)

Publication Number Publication Date
CN112006678A true CN112006678A (zh) 2020-12-01
CN112006678B CN112006678B (zh) 2022-08-30

Family

ID=73521372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010944862.5A Active CN112006678B (zh) 2020-09-10 2020-09-10 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统

Country Status (1)

Country Link
CN (1) CN112006678B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950550A (zh) * 2021-02-04 2021-06-11 广州中医药大学第一附属医院 一种基于深度学习的2型糖尿病肾脏病变图像分类方法
CN112998652A (zh) * 2021-02-23 2021-06-22 华南理工大学 一种光电容积脉搏波压力识别方法及系统
CN113157889A (zh) * 2021-04-21 2021-07-23 韶鼎人工智能科技有限公司 一种基于主题损失的视觉问答模型构建方法
CN113269134A (zh) * 2021-06-17 2021-08-17 中国空间技术研究院 一种异常广播识别模型及其构建方法和使用方法
CN113591689A (zh) * 2021-07-29 2021-11-02 安徽理工大学 一种煤和矸石rgb图像识别方法及其系统
CN113935377A (zh) * 2021-10-13 2022-01-14 燕山大学 一种特征迁移结合时频图的管道泄漏孔径识别方法
CN114343679A (zh) * 2021-12-24 2022-04-15 杭州电子科技大学 基于迁移学习的表面肌电信号上肢动作识别方法及系统
CN116091489A (zh) * 2023-03-08 2023-05-09 烟台羿中医疗科技有限公司 基于深度学习的心电图图像识别方法及其系统
CN118247782A (zh) * 2024-01-16 2024-06-25 无锡商业职业技术学院 一种基于图像识别的冰箱智能控制方法及智能冰箱

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816630A (zh) * 2018-12-21 2019-05-28 中国人民解放军战略支援部队信息工程大学 基于迁移学习的fMRI视觉编码模型构建方法
CN109887595A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的心搏异常识别算法
CN110163180A (zh) * 2019-05-29 2019-08-23 长春思帕德科技有限公司 运动想象脑电数据分类方法及系统
CN110236533A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 基于多深度神经网络迁移特征学习的癫痫发作预测方法
CN110432892A (zh) * 2019-08-05 2019-11-12 苏州米特希赛尔人工智能有限公司 机器学习心电图自动诊断系统
KR20190141326A (ko) * 2018-06-14 2019-12-24 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
CN110731773A (zh) * 2019-10-28 2020-01-31 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN111027372A (zh) * 2019-10-10 2020-04-17 山东工业职业学院 一种基于单目视觉与深度学习的行人目标检测识别方法
CN111080027A (zh) * 2019-12-26 2020-04-28 华中科技大学 一种动态逃生指引方法及系统
CN111291614A (zh) * 2020-01-12 2020-06-16 杭州电子科技大学 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190141326A (ko) * 2018-06-14 2019-12-24 한국과학기술원 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치
CN109816630A (zh) * 2018-12-21 2019-05-28 中国人民解放军战略支援部队信息工程大学 基于迁移学习的fMRI视觉编码模型构建方法
CN109887595A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的心搏异常识别算法
CN110236533A (zh) * 2019-05-10 2019-09-17 杭州电子科技大学 基于多深度神经网络迁移特征学习的癫痫发作预测方法
CN110163180A (zh) * 2019-05-29 2019-08-23 长春思帕德科技有限公司 运动想象脑电数据分类方法及系统
CN110432892A (zh) * 2019-08-05 2019-11-12 苏州米特希赛尔人工智能有限公司 机器学习心电图自动诊断系统
CN111027372A (zh) * 2019-10-10 2020-04-17 山东工业职业学院 一种基于单目视觉与深度学习的行人目标检测识别方法
CN110731773A (zh) * 2019-10-28 2020-01-31 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN111080027A (zh) * 2019-12-26 2020-04-28 华中科技大学 一种动态逃生指引方法及系统
CN111291614A (zh) * 2020-01-12 2020-06-16 杭州电子科技大学 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YEONG-HYEON BYEON: "Intelligent Deep Models Based on Scalograms of", 《SENSORS》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950550A (zh) * 2021-02-04 2021-06-11 广州中医药大学第一附属医院 一种基于深度学习的2型糖尿病肾脏病变图像分类方法
CN112950550B (zh) * 2021-02-04 2023-11-14 广州中医药大学第一附属医院 一种基于深度学习的2型糖尿病肾脏病变图像分类方法
CN112998652A (zh) * 2021-02-23 2021-06-22 华南理工大学 一种光电容积脉搏波压力识别方法及系统
CN113157889A (zh) * 2021-04-21 2021-07-23 韶鼎人工智能科技有限公司 一种基于主题损失的视觉问答模型构建方法
CN113269134A (zh) * 2021-06-17 2021-08-17 中国空间技术研究院 一种异常广播识别模型及其构建方法和使用方法
CN113591689A (zh) * 2021-07-29 2021-11-02 安徽理工大学 一种煤和矸石rgb图像识别方法及其系统
CN113935377A (zh) * 2021-10-13 2022-01-14 燕山大学 一种特征迁移结合时频图的管道泄漏孔径识别方法
CN113935377B (zh) * 2021-10-13 2024-05-07 燕山大学 一种特征迁移结合时频图的管道泄漏孔径识别方法
CN114343679A (zh) * 2021-12-24 2022-04-15 杭州电子科技大学 基于迁移学习的表面肌电信号上肢动作识别方法及系统
CN116091489A (zh) * 2023-03-08 2023-05-09 烟台羿中医疗科技有限公司 基于深度学习的心电图图像识别方法及其系统
CN118247782A (zh) * 2024-01-16 2024-06-25 无锡商业职业技术学院 一种基于图像识别的冰箱智能控制方法及智能冰箱

Also Published As

Publication number Publication date
CN112006678B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN112006678B (zh) 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统
CN111449645B (zh) 心电图心拍智能分类识别方法
Xu et al. Interpretation of electrocardiogram (ECG) rhythm by combined CNN and BiLSTM
Acharya et al. Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network
Asl et al. Support vector machine-based arrhythmia classification using reduced features of heart rate variability signal
Zhang et al. Deep time–frequency representation and progressive decision fusion for ECG classification
Partan Cardiac arrhythmias classification using Deep Neural Networks and principle component analysis algorithm
Qayyum et al. Classification of atrial fibrillation with pre-trained convolutional neural network models
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
Zidelmal et al. Heartbeat classification using support vector machines (SVMs) with an embedded reject option
Zhao et al. An explainable attention-based TCN heartbeats classification model for arrhythmia detection
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
Son et al. Automated artifact elimination of physiological signals using a deep belief network: An application for continuously measured arterial blood pressure waveforms
Al-Huseiny et al. Diagnosis of arrhythmia based on ECG analysis using CNN
Allam et al. Patient-specific ECG beat classification using EMD and deep learning-based technique
Hua et al. An interpretable model for ECG data based on Bayesian neural networks
Xu et al. Inter-patient ECG classification with intra-class coherence based weighted kernel extreme learning machine
Bhukya et al. Detection and classification of cardiac arrhythmia using artificial intelligence
Ma et al. SIMCLR-UNET: An ECG feature wave segmentation algorithm based on a self-supervised learning strategy
CN114451898A (zh) 短时训练卷积神经网络的心电信号分类方法
Zhu et al. A ResNet based multiscale feature extraction for classifying multi-variate medical time series
Lv et al. Arrhythmia classification of merged features method based on SENet and BiLSTM
Qin et al. Multi-classification of cardiac diseases utilizing wavelet thresholding and support vector machine
Nankani et al. Improved diagnostic performance of arrhythmia classification using conditional gan augmented heartbeats
Terzi et al. Machine learning based hybrid anomaly detection technique for automatic diagnosis of cardiovascular diseases using cardiac sympathetic nerve activity and electrocardiogram

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