CN112617850B - 心电信号的早搏心拍检测系统 - Google Patents
心电信号的早搏心拍检测系统 Download PDFInfo
- Publication number
- CN112617850B CN112617850B CN202110004807.2A CN202110004807A CN112617850B CN 112617850 B CN112617850 B CN 112617850B CN 202110004807 A CN202110004807 A CN 202110004807A CN 112617850 B CN112617850 B CN 112617850B
- Authority
- CN
- China
- Prior art keywords
- channel
- beat
- premature
- neural network
- electrocardiosignal
- 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.)
- Active
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Power Engineering (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
本发明公开了一种心电信号的早搏心拍检测系统,所述系统用于实现如下方法,包括:步骤一:将预设采样率的心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的噪声,给心电信号每一组数据准备了其对应的标签,标签有两个通道,每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段;步骤二:将步骤一中的心电信号进行低通滤波,并结合对应的标签输入到神经网络中进行训练,所述神经网络的损失函数为Dice损失函数,所述神经网络采用一维U‑net网络结构。本发明的有益效果:无需复杂的前期去噪或者域变换、无需人工设计特征;鲁棒性强、能够在高噪信号中准确检测出早搏心拍,即早搏心拍中的QRS波位置;端到端的检测、再通过后处理直接输出早搏类型与位置。
Description
技术领域
本发明涉及心电信号检测领域,具体涉及一种心电信号的早搏心拍检测系统。
背景技术
在人体不同部位放置电极,并通过导联线与心电图机的正负相连,这种记录心电图的电路连接方法称为心电图导联。心电信号图本质上是一种心脏搏动时电位变化的时间-电压曲线图。在一个正常心动周期中,一个典型的ECG波形是由一个P波,一个QRS波群,一个T波,以及在50%~75%的ECG中可能见到的U波组成。P波对应着心房去极化、QRS波群对应心室去极化、T波对应心室复极化的过程。如图1所示(参考国标YY 0782-2010/IEC60601-2-51:2003)。目前临床上应用的多是常规12导联(又称标准十二导联)系统,包括双极肢体导联(I、II、III导联),加压单极肢体导联(aVR、aVL、aVF导联),胸导联(V1、V2、V3、V4、V5、V6导联)。
心律失常是由心脏异常电活动引起的,室性早搏(PVC)和室上性早搏(SPB)是两种最常见的心律失常,如图2。室性早搏心拍在心电图上的主要表现为:QRS波提前出现,其前无P波,形态宽大畸形;室上性早搏心拍在心电图上的主要表现为:P波提早出现,其形态与基本心律的P波不同,有时可无P波,其QRS波大多与窦性心律的相同,有时稍增宽或畸形。这些心拍的出现可能是中风或者心脏猝死的前兆,因此准确且快速地检测出这些心拍可以有效地预防某些疾病的出现。但是室性早搏和室上性早搏往往是阵发性的,只有在长期监测中才能检测得到,要找到这些阵发性的心拍需要耗费医生大量的精力,因此需要一种能准确且快速的自动检测早搏心拍的算法,来减少医生人工的判读工作。
近年来,早搏心拍的检测方法不断改进和创新,有传统的基于规则的方法,有基于模式识别的方法也有基于深度学习的方法等等。
传统的基于规则的方法是比较基础的方法,它通过特征波形检测算法,检测出心电信号的P波、QRS波群等特征波,提取出这些波形的宽度、幅值等信息,符合医学上相对应的节律、形态的心拍就可被检测为早搏心拍。这个方法很好地利用了医学知识,算法的可解释性强,但是在噪声大的心电信号中表现欠佳,并且依赖于前期的特征波形检测算法,虽然时间复杂度低,但是在准确率上与其他方法相比不具备优势。
基于模式识别的方法是目前比较流行的,主要可分为以下四个步骤:首先对心电信号做预处理,主要为去噪,接着通过心拍提取算法把心电信号中的每一个心拍提取出来,然后提取出每一个心拍的特征,特征包括时域特征和频域特征等,最后通过模式识别算法将每一个心拍分为室性早搏心拍、室上性早搏心拍和其他类别心拍。该算法在总体上有令人较为满意的效果,但是步骤过于繁琐,每个环节都不能出错,而且也依赖于前期的心拍提取算法,鲁棒性低。
基于规则的方法简介如下:
首先对心电信号进行去噪,然后通过特征波形检测算法,检测出心电信号的P波、QRS波群等特征波,得到这些特征波形的宽度、幅值等信息,对于符合医学上相对应的节律、形态的心拍可被检测为早搏心拍。
基于规则的方法缺点如下:
1.对于噪声大的心电信号,得到的特征波形的宽度、幅值等信息受到很大的噪声干扰,很难用于检测早搏心拍。
2.该方法依赖于特征波形检测算法,特征波形检测的不好,后面的检测效果也会变差。
基于模式识别的方法简介如下:
首先对心电信号做预处理,主要为去噪,接着通过心拍提取算法把心电信号中的每一个心拍提取出来,然后对每一个心拍提取特征,提取的特征包括时域特征和频域特征等,最后通过模式识别算法将每一个心拍分为室性早搏心拍、室上性早搏心拍和其他类别心拍。
基于模式识别方法的缺点如下:
定位早搏时依赖于心拍提取算法,心拍提取的效果直接影响后续的早搏心拍检测。
不同人的心电图变换大,受制于研究者的水平,难以提取出适应性强的人工特征。
无法实现端到端的早搏心拍检测,往往步骤繁琐,导致误差层层传递、鲁棒性低。
现有技术存在以下技术问题:
现有的心电信号早搏心拍检测算法大都依赖于前期的预处理工作,例如:心拍检测、特征波形检测等,预处理工作处理的不好,后期的早搏心拍检测效果也会变差。
现有的心电信号早搏心拍检测算法需要人工设计特征:(1)额外的特征提取和选择算法导致计算复杂度的增加;(2)特征设计的好坏直接影响到特征波检测的准确率;(3)当使用固定的人工设计特征时,难以保持泛化能力;
现有的心电信号早搏心拍检测算法受噪声干扰影响较为严重,很难在噪声大的心电信号中准确的定位到早搏心拍的位置。
现有的心电信号早搏心拍检测算法步骤较为繁琐,无法实现端到端的、快速的早搏心拍检测,检测时间较慢。
发明内容
本发明要解决的技术问题是提供一种心电信号的早搏心拍检测系统,基于深度学习的方法能够端到端的定位到早搏心拍,避免了其他方法的前期的繁琐的步骤,能准确、快速且端到端地实现早搏心拍的检测,即能准确地定位到早搏心拍的QRS波位置,使用了改进的一维U-net网络结构,并使用针对的损失函数对网络参数进行优化,目的是使得早搏心拍QRS波段的检测更为准确,再利用后处理的方法实现QRS波位置的定位。
为了解决上述技术问题,本发明提供了一种心电信号的早搏心拍检测系统,所述系统用于实现如下方法,所述方法包括:
步骤一:将预设采样率的心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的噪声,给心电信号每一组数据准备了其对应的标签,标签有两个通道,每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段;
步骤二:将步骤一中的心电信号进行低通滤波,并结合对应的标签输入到神经网络中进行训练,所述神经网络的损失函数为D ice损失函数,所述神经网络采用一维U-net网络结构。
在其中一个实施例中,还包括:步骤三:步骤3.1对于每个通道的输出概率值大于等于预设概率的值,则修改为1;小于所述预设概率的值则修改为0;
步骤3.2对于经过步骤1后的每个通道的输出结果经过若干次滑窗积分;
步骤3.3对于经过步骤3.1、步骤3.2后的第一个通道的输出结果,它的波峰值即为室性早搏心拍的QRS波所在位置;对于经过步骤3.1、步骤3.2后的第二个通道的输出结果,它的波峰值即为室上性早搏心拍的QRS波所在位置。
在其中一个实施例中,所述噪声包括:电极干扰噪声、肌电干扰噪声以及基线漂移噪声。
在其中一个实施例中,所述神经网络的训练方法为Adam算法;所述神经网络中,第一次下采样与最后一次上采样使用了不同大小的采样倍率。
在其中一个实施例中,在所述神经网络中,加入金字塔池化模块:首先将输入数据进行四次不同下采样倍率的最大池化,此时得到多个尺寸的特征图,接着对这些尺寸的特征图分别再进行卷积,用来减少通道数,然后采用双线性插值进行上采样操作,通过上采样来获得金字塔模块前相同尺寸的特征图,接着将它们与输入数据在通道上进行拼接,最后再进行一次卷积。
在其中一个实施例中,在所述神经网络中,每一次卷积层后面都有批归一化操作并添加了“Relu”激活函数,只有最后一层没有批归一化操作并且激活函数为“Sigmoid”;在上采样和下采样过程中,每隔一次最大池化层加入残差结构的跳跃连接,将学习到的低维特征直接并入到高维特征中一起学习。
在其中一个实施例中,在所述神经网络中,对两个通道的输出分别计算Dice损失,最后用加权的方式得到一个总的Dice损失;在输出通道中,第一个通道用来预测室性早搏的心拍,第二个通道用来预测室上性早搏的心拍;加权的权值分别为第一个通道为0.4,第二个通道为0.6。
在其中一个实施例中,具体的加权公式如下:
其中,n表示输出信号的长度,表示网络输出第一个通道的预测值的第i个值,表示网络输出第二个通道的预测值的第i个值,y1i表示网络中第一个通道对应的标签的第i个值,y2i网络第二个通道对应的标签的第i个值,L为总的Dice损失。
基于同样的发明构思,本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
无需复杂的前期去噪或者域变换、无需人工设计特征;鲁棒性强、能够在高噪信号中准确检测出早搏心拍,即早搏心拍中的QRS波位置;端到端的检测、再通过后处理直接输出早搏类型与位置;本方法效果优于传统方法,有利于提高心电信号计算机辅助诊断系统的准确度。
附图说明
图1是本发明心电信号的早搏心拍检测系统的背景技术中典型的ECG波形的示意图。
图2这是一段长为10s的心电信号,其中实线方框框住的心拍为室性早搏心拍,虚线方框框住的心拍为室上性早搏心拍。
图3这是一段长为10s的心电信号,其中实心圆圈为检测出的室性早搏心拍的QRS波位置,空心圆圈为我们检测出的室上性早搏心拍的QRS波位置。
图4是本发明心电信号的早搏心拍检测系统中的便签示意图。
图5是本发明心电信号的早搏心拍检测系统的网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明提出的一种心电信号的早搏心拍检测系统,在心电信号的早搏心拍检测上取得了不俗的效果,完整的技术方案如下:
S1.数据准备
1.本发明准备的心电信号数据采样率为400HZ,心电信号的输入长度固定为统一长度(时间长度为10秒,4000个点),心电信号有不同程度的电极干扰噪声、肌电干扰噪声以及基线漂移噪声。
2.图4由上到下图片依次是:第一幅图片为长度为10s的心电信号图;第二幅图片为针对于室性早搏QRS波段的标签;第三幅图片为针对于室上性早搏QRS波段的标签。若心电信号上没有出现室性早搏心拍,则第一个通道的标签设置为全0;若心电信号上没有出现室上性早搏心拍,则第二个通道的标签设置为全0。给每一组数据准备了其对应的标签,标签有两个通道,每个通道长度为4000,每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段(预先进行人工标注),对应波段的位置用1表示,如果信号中无上述两种早搏,则用0表示(例如:在第一个通道中对室性早搏QRS波段的标注为1,对其它非室性早搏QRS波段的标注为0;在第二个通道中对室上性早搏QRS波段的标注为1,对其它非室上性早搏QRS波段的标注为0),标签大小为(4000*2),如图4的第三幅图所示。
S2.预处理
1.首先对输入数据进行低通滤波,目的是消除高频噪声(包括肌电噪声、工频干扰),本发明所用的低通滤波器(2阶)截止频率为45HZ。
S3.网络训练
1.预处理后的心电信号以及对应的标签输入到图5的网络中进行训练,训练方法为Adam算法,超参数设置如下:学习率lr=0.0001,beta_1=0.9,beta_2=0.999,epsilon=1e-08,clipvalue=0.5;
2.损失函数为改进的Dice损失函数。
网络结构关键部分如下:
1、第一次下采样与最后一次上采样使用了不同大小的采样倍率。本发明用了四次下采样,四次上采样,每次下采样的倍率依次是1/5、1/2、1/2和1/2,每次上采样的倍率依次是2、2、2和5。
2、加入了金字塔池化模块。金字塔池化模块加入位置如网络结构图,首先将输入数据进行四次不同下采样倍率的最大池化,下采样的倍率依次是1/1、1/2、1/4和1/6,此时得到多个尺寸的特征图,此时通道数为128,接着对这些尺寸的特征图分别再进行核大小为1*1的卷积,用来减少通道数至64,然后采用双线性插值进行上采样操作,通过上采样来获得金字塔模块前相同尺寸的特征图,接着将它们与输入数据在通道上进行拼接,最后再进行一次核大小为1*1,通道数为256的卷积。
3、每一次卷积层后面都有批归一化操作并添加了“Relu”激活函数,只有最后一层没有批归一化操作并且激活函数为“Sigmoid”。
批归一化(BatchNorm)是一种用于训练神经网络模型的有效方法,是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。
批归一化操作的目标是对特征进行归一化处理(使每层网络的输出都经过激活),得到标准差为1的零均值状态。所以其相反的现象是非零均值。
4、在上采样和下采样过程中,每隔一次最大池化层加入残差结构的跳跃连接,将学习到的低维特征直接并入到高维特征中一起学习,加快了收敛速度、缓解了梯度消失的问题并增强了降噪效果。
改进的Dice损失函数关键部分如下:
对两个通道的输出分别计算Dice损失,最后用加权的方式得到一个总的Dice损失。在输出通道中,第一个通道用来预测室性早搏的心拍,第二个通道用来预测室上性早搏的心拍,加权的权值分别为第一个通道为0.4,第二个通道为0.6,具体的公式如(1)。
其中,n表示输出信号的长度,表示网络输出第一个通道的预测值的第i个值,表示网络输出第二个通道的预测值的第i个值,y1i表示网络中第一个通道对应的标签的第i个值,y2i网络第二个通道对应的标签的第i个值,L为总的Dice损失。
下面给出本发明的一个具体应用场景:
假设待输入的心电信号为sig,以下为具体操作流程:
S1.准备训练集;
1.准备训练集中的数据与对应的标签,数据维度为(4000*1*N),标签维度为(4000*2*N),N为训练数据的样本数;
2.对数据做去噪预处理;
3.输入神经网络模型中进行训练,训练方法为Adam算法,Adam参数设置如下:学习率lr=0.0001,beta_1=0.9,beta_2=0.999,epsilon=1e-08。并保存训练后的网络模型net。
S2.准备待测试心电信号;
1.将待进行早搏心拍检测的心电信号sig重采样到400hz;
2.对测试数据做去噪预处理;
3.按长度4000个数据点(10秒)分段截取sig[1],sig[2],...,sig[i],若长度达不到4000则在数据末尾填0至4000,需要保持输入长度为4000个点。
S3.输入待测试心电信号;
1.将sig[1],sig[2],...,sig[i]输入net中,得到输出out[1],out[2],...,out[i],out[i]长度sig[i]相同,皆为4000个数据点(10秒);每个out的大小为4000*2,4000为信号的长度,2为通道数。第一个通道输出的是对室性早搏心拍中QRS波段的概率值大小out_1,第二个通道输出的是对室上性早搏心拍中QRS波段的概率值大小out_2,例如:第一个通道输出的是对信号(4000点)每一个点的概率值(有多大概率这个点属于室性早搏心拍中QRS波段)。
S4.后处理;
1.对于每个通道的输出概率值大于等于0.5的值,则修改为1;小于0.5的值则修改为0;
2.对于经过步骤1后的每个通道的输出结果经过三次滑窗积分,每次滑窗积分的窗长为31;
3.对于经过步骤1、2后的第一个通道的输出结果,它的波峰值即为室性早搏心拍的QRS波所在位置;对于经过步骤1、2后的第二个通道的输出结果,它的波峰值即为室上性早搏心拍的QRS波所在位置。
最终的早搏心拍QRS波位置的定位结果如图3所示。
本发明的关键点如下:
1.特殊设计的改进的一维U-net,模型结构如图5所示,用于早搏心拍QRS波段定位。
2.特殊设计的改进的Dice损失,用于配合网络训练。
3.特殊的标签设计方案,用于配合网络训练。
4.特殊的后处理方案,用于早搏心拍QRS波段定位。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (2)
1.一种心电信号的早搏心拍检测系统,其特征在于,所述系统用于实现如下方法,所述方法包括:
步骤一:将预设采样率的心电信号的输入长度固定为统一长度,并给心电信号增加不同程度的噪声,给心电信号每一组数据准备了其对应的标签,标签有两个通道,每个通道分别划分好对应的室性早搏QRS波段和室上性早搏QRS波段;
步骤二:将步骤一中的心电信号进行低通滤波,并结合对应的标签输入到神经网络中进行训练,所述神经网络的损失函数为Dice损失函数,所述神经网络采用一维U-net网络结构;
步骤三:步骤3.1对于每个通道的输出概率值大于等于预设概率的值,则修改为1;小于所述预设概率的值则修改为0;
步骤3.2对于经过步骤3.1后的每个通道的输出结果经过若干次滑窗积分;
步骤3.3对于经过步骤3.1、步骤3.2后的第一个通道的输出结果,它的波峰值即为室性早搏心拍的QRS波所在位置;对于经过步骤3.1、步骤3.2后的第二个通道的输出结果,它的波峰值即为室上性早搏心拍的QRS波所在位置;
所述神经网络的训练方法为Adam算法;所述神经网络中,第一次下采样与最后一次上采样使用了不同大小的采样倍率;
在所述神经网络中,加入金字塔池化模块:首先将输入数据进行四次不同下采样倍率的最大池化,此时得到多个尺寸的特征图,接着对这些尺寸的特征图分别再进行卷积,用来减少通道数,然后采用双线性插值进行上采样操作,通过上采样来获得金字塔模块前相同尺寸的特征图,接着将它们与输入数据在通道上进行拼接,最后再进行一次卷积;
在所述神经网络中,每一次卷积层后面都有批归一化操作并添加了“Relu”激活函数,只有最后一层没有批归一化操作并且激活函数为“Sigmoid”;在上采样和下采样过程中,每隔一次最大池化层加入残差结构的跳跃连接,将学习到的低维特征直接并入到高维特征中一起学习;
在所述神经网络中,对两个通道的输出分别计算Dice损失,最后用加权的方式得到一个总的Dice损失;在输出通道中,第一个通道用来预测属于室性早搏心拍的QRS波段的概率值,第二个通道用来预测属于室上性早搏心拍的QRS波段的概率值;加权的权值分别为第一个通道为0.4,第二个通道为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004807.2A CN112617850B (zh) | 2021-01-04 | 2021-01-04 | 心电信号的早搏心拍检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004807.2A CN112617850B (zh) | 2021-01-04 | 2021-01-04 | 心电信号的早搏心拍检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112617850A CN112617850A (zh) | 2021-04-09 |
CN112617850B true CN112617850B (zh) | 2022-08-30 |
Family
ID=75291309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004807.2A Active CN112617850B (zh) | 2021-01-04 | 2021-01-04 | 心电信号的早搏心拍检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112617850B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113940638B (zh) * | 2021-10-22 | 2023-09-19 | 上海理工大学 | 基于频域双特征融合的脉搏波信号识别分类方法 |
CN114052744B (zh) * | 2021-11-02 | 2023-08-22 | 西安电子科技大学重庆集成电路创新研究院 | 基于脉冲神经网络的心电信号分类方法 |
CN113974644B (zh) * | 2021-11-26 | 2023-03-24 | 苏州大学 | 一种房颤信号生成方法及系统 |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于采样通道融合深度神经网络的自动心律失常分析方法 |
CN108766557A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于通道信号融合神经网络的自动心律失常分析方法 |
CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及系统 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN108937915A (zh) * | 2018-07-24 | 2018-12-07 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN108937912A (zh) * | 2018-05-12 | 2018-12-07 | 鲁东大学 | 一种基于深度神经网络的自动心律失常分析方法 |
CN108985269A (zh) * | 2018-08-16 | 2018-12-11 | 东南大学 | 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型 |
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN109658422A (zh) * | 2018-12-04 | 2019-04-19 | 大连理工大学 | 一种基于多尺度深监督网络的视网膜图像血管分割方法 |
CN109730652A (zh) * | 2019-03-08 | 2019-05-10 | 江苏霆升科技有限公司 | 室性早搏定位识别方法及装置 |
CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
CN110263684A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心(国家超级计算济南中心) | 基于轻量级神经网络的心电图分类方法 |
CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
CN110533631A (zh) * | 2019-07-15 | 2019-12-03 | 西安电子科技大学 | 基于金字塔池化孪生网络的sar图像变化检测方法 |
CN110651277A (zh) * | 2019-08-08 | 2020-01-03 | 京东方科技集团股份有限公司 | 计算机实现的方法、计算机实现的诊断方法、图像分类设备、以及计算机程序产品 |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN110916653A (zh) * | 2019-11-01 | 2020-03-27 | 天津大学 | 一种头戴式提醒癫痫患者的预警装置 |
CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
CN111444923A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 自然场景下图像语义分割方法和装置 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
CN111654621A (zh) * | 2020-05-26 | 2020-09-11 | 浙江大学 | 一种基于卷积神经网络模型的双焦相机连续数字变焦方法 |
CN111915594A (zh) * | 2020-08-06 | 2020-11-10 | 南通大学 | 基于端对端神经网络的乳腺癌病灶分割方法 |
CN111932461A (zh) * | 2020-08-11 | 2020-11-13 | 西安邮电大学 | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 |
CN111931570A (zh) * | 2020-07-03 | 2020-11-13 | 电子科技大学 | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 |
CN112022141A (zh) * | 2020-08-07 | 2020-12-04 | 上海联影智能医疗科技有限公司 | 一种心电信号类别检测方法、装置及存储介质 |
CN112052836A (zh) * | 2020-10-09 | 2020-12-08 | 南京农业大学 | 一种植物叶片气孔开闭状态的实时监测系统及方法 |
-
2021
- 2021-01-04 CN CN202110004807.2A patent/CN112617850B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104905785A (zh) * | 2015-06-25 | 2015-09-16 | 石家庄翰纬医疗设备有限公司 | 室性/室上性早搏检测方法和系统 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN108784680A (zh) * | 2018-03-19 | 2018-11-13 | 武汉海星通技术股份有限公司 | 基于散点图的心电图智能分析方法及系统 |
CN108937912A (zh) * | 2018-05-12 | 2018-12-07 | 鲁东大学 | 一种基于深度神经网络的自动心律失常分析方法 |
CN108766557A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于通道信号融合神经网络的自动心律失常分析方法 |
CN108764457A (zh) * | 2018-05-12 | 2018-11-06 | 鲁东大学 | 基于采样通道融合深度神经网络的自动心律失常分析方法 |
CN108937915A (zh) * | 2018-07-24 | 2018-12-07 | 杭州质子科技有限公司 | 一种动态心电图中早搏的识别方法 |
CN108985269A (zh) * | 2018-08-16 | 2018-12-11 | 东南大学 | 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型 |
CN109658422A (zh) * | 2018-12-04 | 2019-04-19 | 大连理工大学 | 一种基于多尺度深监督网络的视网膜图像血管分割方法 |
CN109620203A (zh) * | 2018-12-18 | 2019-04-16 | 安徽心之声医疗科技有限公司 | 一种基于一维卷积神经网络的心电信号特征自动提取方法 |
CN109730652A (zh) * | 2019-03-08 | 2019-05-10 | 江苏霆升科技有限公司 | 室性早搏定位识别方法及装置 |
CN110037685A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 具有改进卷积神经网络识别算法的便携式心电图仪 |
CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
CN110263684A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心(国家超级计算济南中心) | 基于轻量级神经网络的心电图分类方法 |
CN110379506A (zh) * | 2019-06-14 | 2019-10-25 | 杭州电子科技大学 | 针对心电图数据使用二值化神经网络的心律不齐检测方法 |
CN110533631A (zh) * | 2019-07-15 | 2019-12-03 | 西安电子科技大学 | 基于金字塔池化孪生网络的sar图像变化检测方法 |
CN110651277A (zh) * | 2019-08-08 | 2020-01-03 | 京东方科技集团股份有限公司 | 计算机实现的方法、计算机实现的诊断方法、图像分类设备、以及计算机程序产品 |
CN110689544A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 一种遥感图像细弱目标分割方法 |
CN110916653A (zh) * | 2019-11-01 | 2020-03-27 | 天津大学 | 一种头戴式提醒癫痫患者的预警装置 |
CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
CN111358459A (zh) * | 2020-02-11 | 2020-07-03 | 广州视源电子科技股份有限公司 | 一种心律失常识别方法、装置、设备和存储介质 |
CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
CN111444923A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 自然场景下图像语义分割方法和装置 |
CN111654621A (zh) * | 2020-05-26 | 2020-09-11 | 浙江大学 | 一种基于卷积神经网络模型的双焦相机连续数字变焦方法 |
CN111931570A (zh) * | 2020-07-03 | 2020-11-13 | 电子科技大学 | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 |
CN111915594A (zh) * | 2020-08-06 | 2020-11-10 | 南通大学 | 基于端对端神经网络的乳腺癌病灶分割方法 |
CN112022141A (zh) * | 2020-08-07 | 2020-12-04 | 上海联影智能医疗科技有限公司 | 一种心电信号类别检测方法、装置及存储介质 |
CN111932461A (zh) * | 2020-08-11 | 2020-11-13 | 西安邮电大学 | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 |
CN112052836A (zh) * | 2020-10-09 | 2020-12-08 | 南京农业大学 | 一种植物叶片气孔开闭状态的实时监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112617850A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112617850B (zh) | 心电信号的早搏心拍检测系统 | |
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
CN110353665B (zh) | 基于改进的一维U-net的单导心电图信号特征波形检测方法 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
JP2020536693A (ja) | 人工知能自己学習に基づく心電図自動解析方法及び装置 | |
CN110890155A (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
CA2066080A1 (en) | Method and apparatus for performing mapping-type analysis including use of limited electrode sets | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
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 | |
CN113499079A (zh) | 一种心电图中的房颤检测方法 | |
Turnip et al. | An application of modified filter algorithm fetal electrocardiogram signals with various subjects | |
CN113080991A (zh) | 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质 | |
CN113384277A (zh) | 心电数据的分类方法及分类系统 | |
Zhang et al. | Deep learning-based signal quality assessment for wearable ECGs | |
WO2020052640A1 (zh) | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
CN110367973B (zh) | 多导联心电信号qrs波群起始点的检测方法 | |
CN113164072B (zh) | 一种心律失常事件的监测方法和设备 | |
CN116172572A (zh) | 一种基于shap值加权和分段hdbscan的心拍聚类方法及系统 | |
CN110464339A (zh) | 一种心电图分析方法及装置 |
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 |