CN112603330A - 心电信号识别分类方法 - Google Patents
心电信号识别分类方法 Download PDFInfo
- Publication number
- CN112603330A CN112603330A CN202011584667.2A CN202011584667A CN112603330A CN 112603330 A CN112603330 A CN 112603330A CN 202011584667 A CN202011584667 A CN 202011584667A CN 112603330 A CN112603330 A CN 112603330A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignals
- electrocardiosignal
- embedding module
- lead
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000747 cardiac effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (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
本发明提供一种心电信号识别分类方法，包括：基于ResNet深度神经网络构建12导联心电信号Embedding模块；对输入样本进行重采样，将每一个导联当作不同的通道，输入一维ResNet网络；对构建好的Embedding模块利用训练集进行训练，其中，共有N种心电信号；利用训练好的Embedding模块对所有的心电信号做N维向量的词嵌入，最终每一条心电信号生成长度为N位的向量，每一位表示属于某一种心电信号的概率；提取心电信号的基础特征和形态特征；将心电信号经过Embedding模块之后获得的N维向量结合所提取的特征当作输入，将N种心电信号当作N个二分类输出，基于LightGBM建立N个二分类模型；利用所建立的二分类模型进行心电信号识别分类。本发明能够从心电信号中自动提取有效特征进行心电类型识别，提高识别效率和准确率。
Description
技术领域
本发明涉及信号识别技术领域，尤其涉及一种心电信号识别分类方法。
背景技术
根据世界卫生组织的最新报告，心血管疾病是导致人类死亡的主要疾病之一。心电图(Electrocardiogram，ECG)是记录人体心脏活动的可视时间序列，已经在临床上广泛用于心血管类疾病的诊断。由于心电图容易受到各种干扰信号的影响，临床医生往往要根据常识主观忽略受严重干扰的心电波形，再进行判断。这种基于人工分析的心电图识别不但效率低、实时性差，而且容易导致诊断结果误判。
发明内容
本发明提供的心电信号识别分类方法，能够从心电信号中自动提取有效特征进行心电类型识别，提高识别效率和准确率。
第一方面，本发明提供一种心电信号识别分类方法，包括：
基于ResNet深度神经网络构建12导联心电信号Embedding模块；
对输入样本进行重采样，将每一个导联当作不同的通道，输入一维ResNet网络；
对构建好的Embedding模块利用训练集进行训练，其中，共有N种心电信号；
利用训练好的Embedding模块对所有的心电信号做N维向量的词嵌入，最终每一条心电信号生成长度为N位的向量，每一位表示属于某一种心电信号的概率；
提取心电信号的基础特征和形态特征；
将心电信号经过Embedding模块之后获得的N维向量结合所提取的特征当作输入，将N种心电信号当作N个二分类输出，基于LightGBM建立N个二分类模型；
利用所建立的二分类模型进行心电信号识别分类。
可选地，所述ResNet深度神经网络为一维卷积，第一层卷积核尺寸设置为15*1，步长为2，最后一层池化层同时使用平均池化和最大池化，两个池化层的输出拼接之后输入全连接层，全连接层的输入长度为N*1。
可选地，每一个心电数据的损失表示如下：
FL(Pt)＝-αt(1-Pt)γlog(Pt)
其中，Pt表示为第t个心电信号输出层对应类别的概率；αt表示样本中该类别的权重参数，采用的αt＝1/logN，N为数据集类别样本数；(1-Pt)γ表示动态缩放因子，γ是一个可调的参数，控制缩放比例，实际可调。
可选地，所述Embedding模块的评价指标为F1，其结果越大越好，计算公式为：
其中，P为准确率，计算公式为P＝预测正确的心电异常事件数/预测的心电异常事件数；
R为召回率，计算公式为P＝预测正确的心电异常事件数/总心电异常事件数；
P、R中涉及的心电异常事件数均是所有样本的累加。
可选地，提取心电信号的基础特征包括：提取性别和年龄，统计一条10秒心电信号上所有相邻的两个R波之间的时间差，统计这些时间差的最大值、最小值、均值、中位数、方差和熵。
可选地，提取心电信号的形态特征包括：在同一个导联上，以R峰为基准，向左右两边提取固定长度的数据，获得若干个含有R峰的片段。
可选地，所述N的取值为34。
本发明实施例提供的心电信号识别分类方法，基于多导联二维结构的一维ResNet网络结构，采用Focal Loss损失函数优化病人个体的心电图Embedding模型，使用优化后的Resnet模型生成心电向量特征，结合手动特征，使用具备良好可解释性的LightGBM树模型做二分类识别构建整体模型，能够取得较优的深层特征挖掘与分类能力，从而可以不需要信号先验知识，也不需要专家的输入，自动从心电信号中提取有效特征进行心电类型识别，提高识别效率和准确率。
附图说明
图1为本发明实施例提供的心电信号识别分类方法的流程图；
图2为本发明实施例提供的心电信号识别分类方法的示意图；
图3为本发明实施例提供的Embedding模块的示意图；
图4为本发明实施例提供的多导联心电信号的示意图；
图5为本发明实施例提供的多导联心电构成的示意图；
图6为本发明实施例提供的多导联心电信号不同导联之间的相似性示意图；
图7为本发明实施例提供的所输出的34种心电信号分类结果效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种心电信号识别分类方法，如图1所示，所述方法包括：
S11、基于ResNet深度神经网络构建12导联心电信号Embedding模块；
S12、对输入样本进行重采样，将每一个导联当作不同的通道，输入一维ResNet网络；
S13、对构建好的Embedding模块利用训练集进行训练，其中，共有N种心电信号；
S14、利用训练好的Embedding模块对所有的心电信号做N维向量的词嵌入，最终每一条心电信号生成长度为N位的向量，每一位表示属于某一种心电信号的概率；
S15、提取心电信号的基础特征和形态特征；
S16、将心电信号经过Embedding模块之后获得的N维向量结合所提取的特征当作输入，将N种心电信号当作N个二分类输出，基于LightGBM建立N个二分类模型；
S17、利用所建立的二分类模型进行心电信号识别分类。
本发明实施例提供的心电信号识别分类方法，基于多导联二维结构的一维ResNet网络结构，采用Focal Loss损失函数优化病人个体的心电图Embedding模型，使用优化后的Resnet模型生成心电向量特征，结合手动特征，使用具备良好可解释性的LightGBM树模型做二分类识别构建整体模型，能够取得较优的深层特征挖掘与分类能力，从而可以不需要信号先验知识，也不需要专家的输入，自动从心电信号中提取有效特征进行心电类型识别，提高识别效率和准确率。
下面结合具体实施例对本发明心电信号识别分类方法进行详细说明。，
如图2所示，本发明实施例心电信号识别分类方法包括：
S21、基于ResNet(Residual Network，残差网络)深度神经网络构建12导联心电信号Embedding模块。
其中，将原始的34层ResNet中二维卷积改为一维卷积，以适应导联的一维形态；将第一层卷积核尺寸设置为15*1，步长为2，以适应长尺寸的心电信号输入；将最后一层池化层同时使用平均池化和最大池化，将两个池化层的输出拼接之后输入全连接层；将全连接层的输入长度改为34*1，适应输入的34种心率类型，如图3所示，为Embedding模块的示意图。
基于一维ResNet对心电信号做向量嵌入，使用卷积神经网络自动提取深度特征，生成具备可解释性和物理意义的向量用于二分类建模特征输入。而卷积神经网络对于心电空间以及时序特征进行了充分学习和提取，增强了模型的特征提取能力。
S22、数据预处理。
本申请使用的数据为杭州师范大学移动健康管理系统教育部工程研究中心提供的20036个样本做验证，对输入采样频率为500Hz，长度为10秒，单位电压为4.88微伏的样本进行FFT重采样。如图4所示，为多导联心电信号的示意图。采样之后数据长度为2048，随机对导联信号做上下平移、数值翻转以及加随机噪声，增加了输入数据的丰富程度，降低样本类别不平衡的影响，并且能增加模型的泛化能力。将每一个导联当作不同的通道，输入一维ResNet网络，如图5所示，为多导联心电构成的示意图。
S23、由于实际心电数据一般都存在样本类别失衡的问题，因此使用Focal Loss作为损失函数；其公式为：
FL(Pt)＝-αt(1-Pt)γlog(Pt)
其中，Pt表示为第t个心电信号输出层对应类别的概率；αt表示样本中该类别的权重参数，采用的αt＝1/logN，N为数据集类别样本数；(1-Pt)γ表示动态缩放因子，γ是一个可调的参数，控制缩放比例，实际可调。
S24、对构建好的Embedding模块利用训练集进行训练，将每一个心电数据的损失表示为上述的FL(Pt)，其中
表示为第t个心电信号输出层对应类别的概率，选用包括QRS低电压、电轴右偏、起搏心律、T波改变、电轴左偏、心房颤动等共计34种心率类型。利用反向传播调节网络参数，经过多轮神经网络结构达到收敛状态，得到优化的网络参数。
S25、模块的评价指标为F1，其结果越大越好，计算公式为：
其中，P为准确率，计算公式为P＝预测正确的心电异常事件数/预测的心电异常事件数；
R为召回率，计算公式为P＝预测正确的心电异常事件数/总心电异常事件数；
P、R中涉及的心电异常事件数均是所有样本的累加。
S26、训练好的Embedding模块对所有的心电信号做34维向量的词嵌入，最终每一条心电信号生成长度为34位的向量，每一位表示属于某一种心电信号的概率。由于每条心电信号并不属于某一种心电类型，因此34个概率值之和并不为1。
S27、提取基础特征。
包括性别和年龄，统计特征：一条10秒心电信号上所有相邻的两个R波之间的时间差，统计这些时间差的最大值、最小值、均值、中位数、方差和熵，使用熵衡量RR间隔变化的混乱程度，用来描述心电信号RR区间信息。RR异常比例：统计10s长度的心电信号RR间隔大于50ms的比例，以及R波的个数。
S28、提取形态特征。
在同一个导联上，以R峰为基准，向左右两边提取固定长度的数据，获得若干个含有R峰的片段，将其叠加，通过评估这些片段的重合度，来反映病变QRS波的特征。使用以下特征来描述：每个叠加片段同索引位置的极差(最大-最小)、均值和标准差。
S29、将心电信号经过Embedding模块之后获得的34维向量结合人工提取的特征当作输入，将34种心电信号当作34个二分类输出，基于LightGBM(Light Gradient BoostingMachine，轻量级梯度提升机)建立34个二分类模型。
Embedding模块输出的向量具备的物理意义为对应心电信号的概率，将其当作特征可以反映出来心电信号之间的关联性，如图6所示，为多导联心电信号不同导联之间的相似性示意图。神经网络可以依据给定的标签自动学习抽象特征；而手动提取的特征通过模仿医生诊断构造。二分类的树模型能很好的融合两种数值特征，同时调节34个二分类模型的超参数，由于不同心电信号的特征重要性不一样，多个二分类模型能实现比多分类模型更好的效果，如图7所示，为所输出的34种心电信号分类结果效果图。
本发明实施例提供的心电信号识别分类方法，基于多导联二维结构的一维ResNet网络结构，通过平移起始点、“加噪”等数据增强手段增加训练样本多样性，并采用FocalLoss损失函数优化病人个体的心电图Embedding模型。使用优化后的Resnet模型生成心电向量特征，结合手动特征，使用具备良好可解释性的LightGBM树模型做二分类识别构建整体模型，该模型利用超过2万条完整的12导联心电图数据，共计34类心电异常事件进行分类实验，取得了0.91的F1、93.96％准确率和87.89％召回率的分类性能。实验结果表明该心电图分类算法模型具有较优的深层特征挖掘与分类能力，验证了其在心电异常自动分类上的有效性。本发明实施例不需要非常强的信号先验知识，也不需要过多的专家输入，可以自动从心电信号中提取有效特征进行心电类型识别，能够提高识别效率和准确率，可应用于医疗器械对心电图的识别与分类。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种心电信号识别分类方法，其特征在于，包括：
基于ResNet深度神经网络构建12导联心电信号Embedding模块；
对输入样本进行重采样，将每一个导联当作不同的通道，输入一维ResNet网络；
对构建好的Embedding模块利用训练集进行训练，其中，共有N种心电信号；
利用训练好的Embedding模块对所有的心电信号做N维向量的词嵌入，最终每一条心电信号生成长度为N位的向量，每一位表示属于某一种心电信号的概率；
提取心电信号的基础特征和形态特征；
将心电信号经过Embedding模块之后获得的N维向量结合所提取的特征当作输入，将N种心电信号当作N个二分类输出，基于LightGBM建立N个二分类模型；
利用所建立的二分类模型进行心电信号识别分类。
2.根据权利要求1所述的方法，其特征在于，所述ResNet深度神经网络为一维卷积，第一层卷积核尺寸设置为15*1，步长为2，最后一层池化层同时使用平均池化和最大池化，两个池化层的输出拼接之后输入全连接层，全连接层的输入长度为N*1。
3.根据权利要求1所述的方法，其特征在于，每一个心电数据的损失表示如下：
FL(Pt)＝-αt(1-Pt)γlog(Pt)
其中，Pt表示为第t个心电信号输出层对应类别的概率；αt表示样本中该类别的权重参数，采用的αt＝1/logN，N为数据集类别样本数；(1-Pt)γ表示动态缩放因子，γ是一个可调的参数，控制缩放比例，实际可调。
4.根据权利要求1所述的方法，其特征在于，所述Embedding模块的评价指标为F1，其结果越大越好，计算公式为：
其中，P为准确率，计算公式为P＝预测正确的心电异常事件数/预测的心电异常事件数；
R为召回率，计算公式为P＝预测正确的心电异常事件数/总心电异常事件数；
P、R中涉及的心电异常事件数均是所有样本的累加。
5.根据权利要求1所述的方法，其特征在于，提取心电信号的基础特征包括：提取性别和年龄，统计一条10秒心电信号上所有相邻的两个R波之间的时间差，统计这些时间差的最大值、最小值、均值、中位数、方差和熵。
6.根据权利要求1所述的方法，其特征在于，提取心电信号的形态特征包括：在同一个导联上，以R峰为基准，向左右两边提取固定长度的数据，获得若干个含有R峰的片段。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述N的取值为34。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011584667.2A CN112603330B (zh) | 2020-12-28 | 2020-12-28 | 心电信号识别分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011584667.2A CN112603330B (zh) | 2020-12-28 | 2020-12-28 | 心电信号识别分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112603330A true CN112603330A (zh) | 2021-04-06 |
| CN112603330B CN112603330B (zh) | 2022-07-26 |
Family
ID=75248513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011584667.2A Active CN112603330B (zh) | 2020-12-28 | 2020-12-28 | 心电信号识别分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112603330B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113180670A (zh) * | 2021-05-24 | 2021-07-30 | 北京测态培元科技有限公司 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
| CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
| CN113456084A (zh) * | 2021-05-31 | 2021-10-01 | 山西云时代智慧城市技术发展有限公司 | 一种基于ResNet-Xgboost模型预测心电波异常类型的方法 |
| CN114190952A (zh) * | 2021-12-01 | 2022-03-18 | 山东省人工智能研究院 | 一种基于导联分组的12导联心电信号多标签分类方法 |
| CN114533076A (zh) * | 2022-02-28 | 2022-05-27 | 合肥工业大学 | 改进的快速s变换与点对称变换的心电信号快速分类方法 |
| CN115067962A (zh) * | 2022-04-29 | 2022-09-20 | 清华大学 | 心电信号的分类方法及装置 |
| CN115956924A (zh) * | 2021-10-11 | 2023-04-14 | 中国科学院微电子研究所 | 一种心电信号处理方法、装置、电子设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156204A1 (en) * | 2017-11-20 | 2019-05-23 | Koninklijke Philips N.V. | Training a neural network model |
| CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
| CN111317464A (zh) * | 2020-02-13 | 2020-06-23 | 中国科学院自动化研究所 | 心电图分析方法和装置 |
| US20200305799A1 (en) * | 2017-11-27 | 2020-10-01 | Lepu Medical Technology (Beijing) Co., Ltd. | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus |
| CN111931717A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技（深圳）有限公司 | 基于语义和图像识别的心电信息提取方法及装置 |
| CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
-
2020
- 2020-12-28 CN CN202011584667.2A patent/CN112603330B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156204A1 (en) * | 2017-11-20 | 2019-05-23 | Koninklijke Philips N.V. | Training a neural network model |
| US20200305799A1 (en) * | 2017-11-27 | 2020-10-01 | Lepu Medical Technology (Beijing) Co., Ltd. | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus |
| CN110141219A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于导联融合深度神经网络的心肌梗死自动检测方法 |
| CN111317464A (zh) * | 2020-02-13 | 2020-06-23 | 中国科学院自动化研究所 | 心电图分析方法和装置 |
| CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
| CN111931717A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技（深圳）有限公司 | 基于语义和图像识别的心电信息提取方法及装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113180670A (zh) * | 2021-05-24 | 2021-07-30 | 北京测态培元科技有限公司 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
| CN113180670B (zh) * | 2021-05-24 | 2023-03-21 | 北京测态培元科技有限公司 | 一种基于指脉信号的抑郁症患者精神状态识别的方法 |
| CN113456084A (zh) * | 2021-05-31 | 2021-10-01 | 山西云时代智慧城市技术发展有限公司 | 一种基于ResNet-Xgboost模型预测心电波异常类型的方法 |
| CN113229825A (zh) * | 2021-06-22 | 2021-08-10 | 郑州大学 | 一种基于深度神经网络的多标签多导联心电图分类方法 |
| CN115956924A (zh) * | 2021-10-11 | 2023-04-14 | 中国科学院微电子研究所 | 一种心电信号处理方法、装置、电子设备及介质 |
| CN114190952A (zh) * | 2021-12-01 | 2022-03-18 | 山东省人工智能研究院 | 一种基于导联分组的12导联心电信号多标签分类方法 |
| CN114533076A (zh) * | 2022-02-28 | 2022-05-27 | 合肥工业大学 | 改进的快速s变换与点对称变换的心电信号快速分类方法 |
| CN115067962A (zh) * | 2022-04-29 | 2022-09-20 | 清华大学 | 心电信号的分类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112603330B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112603330B (zh) | 心电信号识别分类方法 | |
| Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
| Niu et al. | Inter-patient ECG classification with symbolic representations and multi-perspective convolutional neural networks | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| Zhao et al. | ECG classification using deep CNN improved by wavelet transform | |
| CN111631705B (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
| CN111134662B (zh) | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 | |
| Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
| CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
| Sowmya et al. | Contemplate on ECG signals and classification of arrhythmia signals using CNN-LSTM deep learning model | |
| CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN114652322B (zh) | 一种基于多域特征学习的心电信号分类方法和系统 | |
| CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
| Vasconcellos et al. | Siamese convolutional neural network for heartbeat classification using limited 12-lead ECG datasets | |
| Aamir et al. | Automatic Heart Disease Detection by Classification of Ventricular Arrhythmias on ECG Using Machine Learning. | |
| CN111839502B (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 | |
| CN111261283A (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
| CN111956207B (zh) | 一种心电记录标注方法、装置、设备及存储介质 | |
| Kumari et al. | Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network | |
| Majhi et al. | Explainable AI-driven machine learning for heart disease detection using ECG signal | |
| Shafaatfar et al. | Improving the Efficiency of Automatic Cardiac Arrhythmias Classification by a Novel Patient-Specific Feature Space Mapping |
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 |