CN112842355B - 基于深度学习目标检测的心电信号心搏检测识别方法 - Google Patents
基于深度学习目标检测的心电信号心搏检测识别方法 Download PDFInfo
- Publication number
- CN112842355B CN112842355B CN202110206421.XA CN202110206421A CN112842355B CN 112842355 B CN112842355 B CN 112842355B CN 202110206421 A CN202110206421 A CN 202110206421A CN 112842355 B CN112842355 B CN 112842355B
- Authority
- CN
- China
- Prior art keywords
- heart beat
- detection
- electrocardiosignal
- identification
- 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.)
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开一种基于深度学习目标检测的心电信号心搏检测识别方法,该方法通过在心电信号各采样点设置不同宽度的先验心搏片段anchors,让模型通过训练和学习可以预测输出anchors的类别和相应位置的转换量,使得anchors的位置经过平移和缩放就可以转换为预测心搏的位置,相应的anchors类别也就转换为预测心搏类别。该方法端到端的实现了心搏位置和类别的检测与识别,相对于现有方法将两个任务分阶段进行,简化了流程,提高了效率,最重要的是模型经过大量数据训练可以很好的学到心搏特征,模型的抗干扰能力明显增强,极大地提高了心搏检测与识别的准确率。
Description
技术领域
本发明涉及人工智能数据分析、医疗心电检测技术领域,特别是涉及一种基于深度学习目标检测的心电信号心搏检测识别方法。
背景技术
心血管疾病是人类的主要死亡原因之一,并且死亡率在逐年上涨,医学上主要通过心电图诊断心血管疾病,因为心电图能够记录心脏的电生理活动。医生通过对心电图波形的分析判断为患者作出心血管疾病相关的诊断建议和治疗方案。临床上医生通常借助心电图自动分析软件阅读心电图并对软件自动分析的结果进行审核与修正,如果能提高心电图自动分析软件对心电图的识别精度将大大减轻医生的工作量,有助于心血管疾病的准确筛查。
心脏的电生理活动反应在心电图上就是周期性的出现心搏,心搏主要由P波、QRS波群、T波组成,其中特征最明显也最为重要的就是QRS波群,它是心室除极时产生的电波,对心脏泵血功能至关重要,直接关乎人的生命,所以对心电信号心搏位置(主要指QRS波群位置)的检测与识别尤为重要。
市场上的心电图自动分析软件一般都有心搏检测与识别功能,绝大数软件这两个功能采用的都是传统信号分析方法:即根据心电信号和心脏电生理活动的基本规律,手工设计滤波器对心电信号进行降噪和增强处理,突出QRS波群的信号强度,并设置合适的阈值筛选出心搏,然后在筛选出的心搏的基础上,通过模式识别分析方法区分出心搏所属的类别。然而,每个人的身体状况和健康状态不同使得心电信号心搏个体差异化比较明显,传统信号分析方法基于手工设计的滤波器很难将所有情况考虑在内,当出现考虑范围之外的心电信号时心搏检测的准确率就会大大降低;另外,心电信号在采集过程当中可能会受到被采集者肢体活动等影响,使得采集的心电信号带有噪声干扰,这时采用传统心电信号分析方法对心搏进行检测可能会出现心搏多检或者漏检,对心搏类别的识别也容易出现误判。
深度学习具有极强的自主学习能力和高度的非线性映射特性,能够在大量的训练数据中学习心电信号特征,这为设计复杂的高精度的心电信号心搏检测识别模型提供了可能。一些研究声称其利用人工智能技术实现了对心电信号心搏的检测识别,其本质是利用人工智能技术对已经检测到的心搏进行分类,而不是实现对位置的检测,心搏位置的检测仍是采用传统信号分析方法实现的。本发明的目的就是利用深度学习目标检测技术实现心搏位置检测和心搏类别识别的一体化进行,既检测到了精准的心搏位置,又提高了心搏类别识别的准确率,同时还简化了任务流程。
发明内容
针对上述现有技术中存在的问题,本发明提出基于深度学习目标检测的心电信号心搏检测识别方法,通过该方法能够提高心搏检测与识别的精度,并且真正实现端对端的心搏位置检测与类别识别。
本发明是这样实现的,一种基于深度学习目标检测的心电信号心搏检测识别方法,所述方法包括:
首先,对原始心电信号做数据预处理得到标准心电信号片段,即将原始心电信号按照采样精度、数模转换值、基线值等解析为电压信号,并对电压信号重采样得到预设采样频率的心电信号,然后按照预设心电信号片段时长对重采样后的心电信号做切割处理,得到一系列预设长度的标准心电信号片段。
其次,将原始心电信号对应的原始心搏位置标注(Q波、R波、S波)和类别标注(N、S、V)转换为所述标准心电信号片段对应的标准心搏位置和类别标注,主要是将心搏位置从原始心电信号长度对应的坐标系转换为标准心电信号片段长度对应的坐标系。
然后,设置先验心搏片段anchors,即预先设定几种心搏片段宽度(Q波到S波的距离),那么对于标准心电信号片段的每个采样点以其为中心都可以产生多个设定宽度的anchors。接下来计算各个真实心搏位置与所述设定宽度的anchors之间的重合度,记重合度最高的anchor为best_anchor,并计算各个真实心搏相对于各自best_anchor的位置转换量,同时为各个anchors指定相应的心搏类别。
需要说明的是,所述anchors设置的目的是让模型通过训练和学习可以预测输出anchors的类别和相应位置的转换量,使得anchors的位置经过平移和缩放就可以转换为预测心搏的位置,相应的anchors类别也就转换为预测心搏类别。
最后,将所述标准心电信号片段作为心搏检测与识别一体化模型BeatDectAndClsNet的输入,将真实心搏位置转换量和真实心搏类别作为一体化模型的目标输出,计算一体化模型的输出即预测心搏位置转换量和预测心搏类别与目标输出之间的误差,通过反向传播算法将该误差传递给一体化模型,使用随机梯度下降优化算法不断更新模型的权重值,直到模型收敛停止训练,即可得到训练好的心搏检测与识别一体化模型BeatDectAndClsNet。
优选的,所述心搏检测与识别一体化模型BeatDectAndClsNet是基于多层卷积神经网络构建的,以AlexNet、VGG、Inception、ResNet、SqueezeNet、MobileNet等公开成熟的网络为基础构建特征提取网络,用于对心搏特特征的提取,在特征提取网络之后是几个额外的卷积层构成目标检测与识别网络,用于对心搏位置的检测和心搏类别的识别。整个目标检测网络可以是类Faster-RCNN也可以是类yolo、类SSD等,都可以实现心电信号心搏检测和识别的同步进行。
测试时,对原始待测心电信号做和训练时一致的数据预处理得到标准待测心电信号片段,并以此为输入喂给所述训练好的心搏检测与识别一体化模型BeatDectAndClsNet,模型输出预测心搏位置转换量和预测心搏类别,结合标准心电信号片段各采样点相对应的几种设定宽度的anchors,将预测心搏位置转换量转换为预测心搏位置(Q波、S波)。
根据预测心搏Q波和S波位置截取标准心电信号片段计算出R波位置,这样就得到了预测心搏的完整位置(Q波、R波、S波)。
所述预测心搏位置大部分都是重叠的,数量远多于真实心搏个数,通过非极大值抑制算法以及心电图基本规律设置不应期参数去除冗余预测心搏,得到基于标准心电信号片段的最终预测心搏。
按照各个标准待测心电信号片段与原始待测心电信号之间的位置关系,将所述基于标准待测心电信号片段的最终预测心搏转换到原始待测心电信号上,得到基于原始待测心电信号的最终预测心搏,至此就完成了待测心电信号各个心搏的检测与识别任务。
本发明首先将原始心电信号和原始心搏位置与类别标注分别转换为标准心电信号片段和标准心搏位置与类别标注;然后以标准心电片段的每个采样点为中心生成预先设定宽度的anchors,计算各个真实心搏和anchors之间的重合度以及各个真实心搏和各自重合度最高的anchors的位置转换量,并为各anchors指定相应的类别,从而得到心搏检测与识别一体化模型BeatDectAndClsNet的目标输出;最后将标准心电信号片段输入给模型得到模型输出,计算模型输出和目标输出之间的误差并将误差反向传播给模型,通过随机梯度下降优化算法更新模型权重直至模型收敛停止训练。利用训练好的心搏检测与识别一体化模型BeatDectAndClsNet对待测心电信号做心搏位置转换量和类别的预测,然后对心搏位置预测结果做绝对位置转换、R波计算、NMS去冗余、原始待测心电信号位置映射等后处理就可以得到最终预测结果。本发明基于深度学习目标检测技术端到端的实现了心搏位置和类别的检测与识别,相对于现有方法将两个任务分阶段进行,简化了流程,提高了效率,最重要的是模型经过大量数据训练可以很好的学到心搏特征,模型的抗干扰能力明显增强,极大地提高了心搏检测与识别的准确率。
附图说明
图1是本发明提供的基于深度学习目标检测的心电信号心搏检测识别方法的模型训练过程流程图。
图2是本发明提供的利用心搏检测与识别一体化模型BeatDectAndClsNet进行测试的流程图。
图3是本发明提供的心搏检测与识别一体化模型BeatDectAndClsNet的网络结构图示意图。
具体实施方式
下面,通过附图和实施例,对本发明的技术方案作进一步的详细描述。
本发明提供的基于深度学习目标检测的心电信号心搏检测识别方法,其模型训练过程如图1所示,包括步骤S1-S4,具体步骤如下:
步骤S1,将原始心电信号预处理为标准心电信号片段,具体包括如下步骤:
第一,根据心电信号的采样精度、数模转换值、基线值将原始心电信号解析为心电电压信号。
第二,将心电电压信号按照预先设定的采样频率进行重采样,如本实施例中设定的采样频率为256Hz。
第三,将重采样之后的心电电压信号做切割处理,切割成预先设定长度的心电信号片段,如本实施例中预先设定的心电信号片段长度为10秒。
经过步骤S1就将原始心电信号转换为同一采样频率、同一长度的标准心电信号片段。
步骤S2,将原始心电信号对应的原始心搏位置标注(Q波、R波、S波)和类别标注(N、S、V)转换为经步骤S1得到的标准心电信号片段对应的标准心搏位置和类别标注,如原始心电信号时长为60s,经过步骤S1将60s的原始心电信号切割成6个10s的标准心电信号片段,同样地,也将原始心搏位置标注从60s坐标系转换到10s坐标系。
步骤S3,设置先验心搏片段anchors,计算标准心电信号片段上各个真实心搏位置与以各采样点为中心产生的多个anchors间的重合度,并记重合度最高的anchor为best_anchor,然后计算各个真实心搏相对于各自best_anchor的位置转换量,同时为各个anchors指定相应的心搏类别。
具体的,先验心搏片段anchors几种宽度的设置,主要有两种方式可以实现:
方式一,根据心电图基本规律和个人经验进行设置,正常心搏宽度因人而异通常在0.06s-0.1s之间,当发生如室性早搏、传导阻滞等心律失常事件时心搏的宽度通常会增宽可能达到0.2s左右。
方式二,通过对数据集各条心电信号上的各个心搏片段做k-means聚类来选择先验心搏片段anchors的宽度。
另外需要说明的是,标准心电信号片段上各个真实心搏位置与以各采样点为中心产生的多个anchors间的重合度,可以通过计算IOU来衡量,取IOU最大的anchor为best_anchor,每个真实心搏相对于各自best_anchor的位置转换量包括平移量和缩放因子。各个anchors心搏类别的指定,可以通过设置IOU阈值,也可以通过判断真实心搏的中心点是否落在anchor的中心,以决定anchors是否包含心搏以及包含心搏情况下心搏的具体类别。
步骤S4,将步骤S1得到的标准心电信号片段作为输入喂给心搏检测与识别一体化模型BeatDectAndClsNet,将步骤S3得到的真实心搏位置转换量和真实心搏类别作为模型的目标输出,计算模型输出(预测心搏位置转换量和预测心搏类别)与目标输出之间的误差,通过反向传播算法将该误差传递给模型并利用随机梯度下降优化算法更新模型权重,直到模型收敛停止训练。
具体的,心搏检测与识别一体化模型BeatDectAndClsNet的网络结构示意图如图3所示,网络由两个部分组成,第一部分是特征提取基础网络,第二部分是目标检测识别网络。特征提取基础网络由10层卷积层构成,各卷积层的卷积核大小都是1*3、步长都是1,第一层到第四层卷积核个数都是64,第五层到第十层卷积核个数都是128,第二层、第四层、第七层、第十层之后分别有一层步长为2的最大池化层。目标检测识别网络由1层卷积层构成,该部分包含18个大小为1*1、步长为1的卷积核,这18个卷积核将特征输入映射到18个通道的输出:预先设定的3种宽度的anchors,每种宽度的anchor都会输出2个心搏位置转换量(偏移量、缩放因子)、1个anchor包含心搏的置信度、3个表示心搏类别的概率值(N、S、V),共同构成3*(2+1+3)通道。
本发明提供的利用心搏检测与识别一体化模型BeatDectAndClsNet进行测试的流程图如图2所示,包括步骤S5-S10:。
步骤S5,同步骤S1,对原始待测心电信号作数据预处理,得到标准待测心电信号片段。
步骤S6,将步骤S5中得到的标准心电信号片段输入给训练好的心搏检测与识别一体化模型BeatDectAndClsNet,模型输出预测心搏位置转换量和预测心搏类别。
步骤S7,结合标准待测心电信号片段各采样点产生的各个anchors,将步骤S6得到的预测心搏位置转换量转换为预测心搏位置,即将anchors按照预测心搏位置转换量进行平移和缩放得到预测心搏Q波位置和S波位置。
步骤S8,根据步骤S7得到的心搏Q波位置和S波位置,截取标准待测心电信号片段的QS段,计算QS段电压值的绝对值,取最大绝对值处为预测心搏R波所在位置,至此就得到了预测心搏的完整位置(Q波,R波,S波)。
步骤S9,通过以上步骤已经得到一系列预测心搏,但是大部分心搏都是重叠的,采用NMS算法去掉大部分冗余预测心搏,再利用心电图基本规律设置不应期参数来减少心搏多检问题,得到基于标准待测心电信号片段的最终预测心搏位置和预测心搏类别。
步骤S10,根据标准待测心电信号片段和原始待测心电信号之间的切割关系,将步骤S9得到的基于标准待测心电信号片段的最终预测心搏位置和预测心搏类别转换为基于原始待测心电信号的最终预测心搏位置和预测心搏类别。
本发明方法利用深度学习目标检测技术,将心电信号心搏位置检测任务和心搏类别识别任务合并同步进行,真正实现端到端心搏检测和识别的一体化进行。心搏检测和识别一体化化模型BeatDectAndClsNet经过大量数据训练抗干扰能力明显增强,经测试该方法对心搏位置检测和识别都有非常高的准确率,这种准确率高、效率高的方法非常适合在实际临床上应用。
以上所述,仅为本发明涉及的较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以同等替换或者改变,如利用本发明技术方案实现心电信号P波、T波、U波甚至PQRSTU整体波的检测,再如利用本发明构思同等替换或者改变目标检测网络、误差处理方法、其他优化方法等,都应涵盖在本发明的保护范围之内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于深度学习目标检测的心电信号心搏检测识别方法,其特征在于,所述方法包括:
对原始心电信号做数据预处理,得到标准心电信号片段;
将原始心电信号对应的原始心搏位置和类别标注转换为标准心电信号片段对应的标准心搏位置和类别标注;
设置先验心搏片段anchors,以标准心电片段的每个采样点为中心分别生成多个anchors,计算各个真实心搏与anchors之间的重合度,记重合度最高的anchor为best_anchor,并计算各个真实心搏相对于各自best_anchor的位置转换量,同时为各个anchors指定相应的心搏类别;
以标准心电信号片段为输入,以所述位置转换量和所述心搏类别为目标输出,训练心搏检测与识别一体化模型BeatDectAndClsNet;
测试时,首先对原始待测心电信号做和训练心搏检测与识别一体化模型时一样的数据预处理,得到标准待测心电信号片段并输入给训练好的心搏检测与识别一体化模型BeatDectAndClsNet,模型输出预测心搏位置转换量和预测心搏类别,然后对心搏位置的预测结果运用绝对位置转换、R波计算、NMS去冗余、原始待测心电信号位置映射进行一系列处理,得到原始待测心电信号对应的最终预测结果包括Q波位置、R波位置、S波位置、心搏类别。
2.根据权利要求1所述的心电信号心搏检测识别方法,其特征在于,所述设置先验心搏片段anchors具体包括:
通过在数据集的各心搏片段上做数据处理分析,并结合心电图的基本规律得到多种心搏宽度,进而以此来设置先验心搏片段anchors的尺度。
3.根据权利要求1所述的心电信号心搏检测识别方法,其特征在于,所述计算各个真实心搏与anchors之间的重合度,具体包括:
分别计算真实心搏的宽度和anchors的宽度,并以二者宽度的交集与并集之比作为衡量重合度的指标。
4.根据权利要求1所述的心电信号心搏检测识别方法,其特征在于,所述计算各个真实心搏相对于各自best_anchor的位置转换量,具体包括:
真实心搏相对于best_anchor中心的偏移量,以及真实心搏相对于best_anchor宽度的缩放因子。
5.根据权利要求1所述的心电信号心搏检测识别方法,其特征在于,以标准心电信号片段为输入,以真实心搏位置转换量和真实心搏类别为目标输出,训练心搏检测与识别一体化模型BeatDectAndClsNet,所述训练过程包括:
计算心搏检测与识别一体化模型BeatDectAndClsNet的输出和所述目标输出间的误差,并将该误差反向传递给模型,然后利用优化算法对模型权重进行更新,经过多轮训练学习,模型收敛,停止训练。
6.根据权利要求5所述的心电信号心搏检测识别方法,其特征在于,所述方法还包括:构建心搏检测与识别一体化模型BeatDectAndClsNet:
所述心搏检测与识别一体化模型BeatDectAndClsNet包括两个部分,第一部分是以AlexNet、VGG、Inception、ResNet、SqueezeNet、MobileNet中任意一个网络为基础构建特征提取网络,用于对心搏特征的提取;第二部分是由几个额外的卷积层构成目标检测与识别网络,用于对心搏位置的检测和心搏类别的识别;
整个模型的结构使用类Faster-RCNN、类yolo、类SSD中的任意一个网络,用来实现心电信号心搏检测和识别的同步进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206421.XA CN112842355B (zh) | 2021-02-24 | 2021-02-24 | 基于深度学习目标检测的心电信号心搏检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206421.XA CN112842355B (zh) | 2021-02-24 | 2021-02-24 | 基于深度学习目标检测的心电信号心搏检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112842355A CN112842355A (zh) | 2021-05-28 |
CN112842355B true CN112842355B (zh) | 2022-02-11 |
Family
ID=75990855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110206421.XA Active CN112842355B (zh) | 2021-02-24 | 2021-02-24 | 基于深度学习目标检测的心电信号心搏检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112842355B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003079891A2 (en) * | 2002-03-18 | 2003-10-02 | Sonomedica, Llc | Method and system for generating a likelihood of cardiovascular disease from analyzing cardiovascular sound signals. |
US8818496B2 (en) * | 2005-10-14 | 2014-08-26 | Medicalgorithmics Ltd. | Systems for safe and remote outpatient ECG monitoring |
CN108836313A (zh) * | 2018-07-13 | 2018-11-20 | 希蓝科技(北京)有限公司 | 一种智能选取导联的动态心电图分析方法 |
CN110464333B (zh) * | 2019-07-23 | 2022-04-22 | 深圳邦健生物医疗设备股份有限公司 | 一种心电图数据的存储方法及装置 |
-
2021
- 2021-02-24 CN CN202110206421.XA patent/CN112842355B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108030494A (zh) * | 2017-11-08 | 2018-05-15 | 华南理工大学 | 基于交叉验证的心电信号错误标记训练样本识别方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112842355A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107714023B (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107981858B (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US9314177B2 (en) | System and method of detecting abnormal movement of a physical object | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN110623658A (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
KR102439082B1 (ko) | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 | |
KR20220077583A (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
JP2023104885A (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
CN116226724A (zh) | 一种非侵入式冠心病检测系统 | |
CN116504398A (zh) | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 | |
Apama et al. | Interpretation of ResNet50 model for MI related cardiac events using Explainable Grad-CAM approach | |
Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
TW202143915A (zh) | 心電圖分析 | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
Savostin et al. | DEVISING A METHOD FOR PREDICTING A BLOOD PRESSURE LEVEL BASED ON ELECTROCARDIOGRAM AND PHOTOPLETHYSMOGRAM SIGNALS. | |
CN113616216B (zh) | 一种基于BiLSTM-Treg的心电信号分类方法 |
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 |