CN112932433A - 一种心电图的心律失常自动分类方法 - Google Patents
一种心电图的心律失常自动分类方法 Download PDFInfo
- Publication number
- CN112932433A CN112932433A CN202110163961.4A CN202110163961A CN112932433A CN 112932433 A CN112932433 A CN 112932433A CN 202110163961 A CN202110163961 A CN 202110163961A CN 112932433 A CN112932433 A CN 112932433A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- bilstm
- network
- arrhythmia
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (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
本发明提供了一种心电图的心律失常自动分类方法,所述方法为采集包含12导联ECG记录的数据组成数据集,将数据集划分为训练集、验证集和测试集,对划分的训练集、验证集和测试集进行预处理,构建基于注意力强化的CNN与BiLSTM心律失常自动分类模型,使用预处理后的训练集和验证集对基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行训练和验证,得到最优模型,使用预处理后的测试集对最优模型进行性能测试,将实时采集的12导联ECG记录的数据输入最优模型,得到该心电图的心律失常自动分类结果。通过具有注意力机制的级联CNN从多尺度提取、选择和融合更全面的心电形态特征,并加入BiLSTM结构进行时序特性的提取,最后实现12导联ECG心律失常的多标签分类。
Description
技术领域
本发明属于ECG信号分类技术领域,具体涉及一种心电图的心律失常自动分类方法。
背景技术
心律失常在心血管疾病中极为常见。发生心律失常时,人体大脑等器官因不能及时得到心脏泵出的血液而导致供血不足,若不能及时准确的识别出心律失常类别而对症下药,最终会因治疗延时而威胁到生命安全。心电图作为监测心电信号的重要工具,准确实时的分析其特性可以高效判断出心律失常类别,提升诊断和治疗效率。
自2018年首次提出利用深度卷积神经网络实现心律失常自动诊断,使得深度学习在医疗诊断方面取得了重大突破。此后,各种神经网络模型被广泛应用于心律失常诊断中。但是现有模型仅限于在单导联或二导联ECG记录中实现了较好的单标签多分类效果,对于现在更标准化的12导联心电图心律失常的多标签多分类功能实现具有一定的局限性,准确率较低。
发明内容
本发明提供了一种心电图的心律失常自动分类方法,解决现有神经网络模型对12导联心电图心律失常的多标签多分类准确率低的问题。
本发明提供的一种心电图的心律失常自动分类方法,所述方法依次包括如下步骤:所述方法依次包括如下步骤:
S1、采集包含12导联ECG记录的数据组成数据集,
S2、将步骤1获得的数据集划分为训练集、验证集和测试集,
S3、对步骤2划分的训练集、验证集和测试集进行预处理,
S4、构建基于注意力强化的CNN与BiLSTM心律失常自动分类模型,使用步骤3预处理后的训练集和验证集对基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行训练和验证,得到最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,
S5、使用步骤3预处理后的测试集对步骤4得到的最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行性能测试,
S6、将实时采集的12导联ECG记录的数据输入最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,得到该心电图的心律失常自动分类结果。
优选的,所述心电图的心律失常自动分类结果有9种,包括正常、心房颤动、Ⅰ度房室传导阻滞、左束支阻滞、右束支阻滞、房性早搏、室性早搏、ST段降低、ST段抬升。
优选的,步骤3所述预处理采用零-均值标准化处理。
优选的,所述基于注意力强化的CNN与BiLSTM心律失常自动分类模型包括顺次连接的基于注意力强化的级联CNN、RELU层和批量归一化层、平均池化层、BiLSTM层、第一层全连接层、Dropout层、第二全连接层,所述基于注意力强化的级联CNN的输出作为RELU层和批量归一化层的输入,所述RELU层和批量归一化层的输出作为平均池化层的输入,所述平均池化层的输出作为BiLSTM层的输入,所述BiLSTM层的输出作为第一层全连接层的输入,所述第一层全连接层的输出作为Dropout层的输入,所述Dropout层的输出作为第二全连接层的输入。
优选的,所述基于注意力强化的级联CNN具有左、右两个并行网络,其中左侧网络包括顺次连接的10个一维卷积层以及SE模块,右侧网络包括5个顺次连接的一维卷积组。
优选的,所述SE模块包括顺次连接的全局平均池化层、第一全连接层、第二全连接层。
优选的,所述一维卷积组是一个三级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一SE模块、第二SE模块、第三SE模块,所述第一卷积层和第一SE模块串连的一级卷积网络与第二卷积层并连组成第一二级卷积网络,所述第三卷积层与第二SE模块串连的一级卷积网络与第四卷积层并连组成第二二级卷积网络,所述第五卷积层、第六卷积层和第三SE模块串联并与第一二级卷积网络和第二二级卷积网络并连形成三级卷积网络结构。
优选的,所述一维卷积组是一个二级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和一个SE模块,所述第一卷积层、第二卷积层、SE模块串连组成一级卷积网络,所述第三卷积层、第四卷积层串连并与一级卷积网络并连形成二级卷积网络结构。
优选的,所述一维卷积组中卷积核的个数如下式:
Filtersn=16×2n(n=0,1,2,3,4)
其中,n表示第n个一维卷积组。
优选的,所述左侧网络的10个一维卷积层,从上至下两两一组,共分为五组,每组一维卷积层的结构与其对应的右侧网络中的一维卷积组中一维卷积层结构相同,卷积核的个数也相同。
本发明的有益效果:针对ECG记录的形态特征,使用级联CNN对心电信号进行特征提取和融合,并加入具有注意力机制的SE模块自动学习不同特征的重要性程度,强化分类特征;针对ECG记录的长时间前后序列相关性,利用BiLSTM的双向LSTM层选择性删除和保留时序特性;在标准12导联ECG记录下实现多标签多分类功能,而不是局限于单、二导联或单标签的多分类;基于基于注意力强化的CNN与BiLSTM心律失常自动分类模型测试结果校正了CPSC-2018数据集中部分人工标注错误的ECG记录,在已校正的测试集上进行的实验表明,该模型对9种心律失常的多标签分类准确率大于无注意力机制的级联CNN和BiLSTM组合模型,与现有的BiLSTM和CNN-BiLSTM模型相比,准确率也提升了很多,充分验证了本专利分类模型的可行性,并表现出了独有的优势。
附图说明
图1为实施例一心电图的心律失常自动分类方法的流程图;
图2为实施例一基于注意力强化的CNN与BiLSTM心律失常自动分类模型的网络结构图;
图3为实施例一一维卷积组网络结构图;
图4为实施例一SE模块网络结构图;
图5为实施例一BiLSTM网络结构图;
图6为实施例二一维卷积组网络结构图;
图7为实施例二模型准确率变化曲线图;
图8为实施例二模型损失值变化曲线;
图9为实施例二模型测试结果柱状图;
图10为实施例二(SE-)C1-BiLSTM模型分类F1值柱状图;
图11为实施例二(SE-)C2-BiLSTM模型分类F1值柱状图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,不能理解为对本发明具体保护范围的限定。
实施例
参照图1,本实施例的心电图的心律失常自动分类方法依次包括如下步骤:
S1、采集包含12导联ECG记录的数据组成数据集,
S2、将步骤1获得的数据集划分为训练集、验证集和测试集,
S3、对步骤2划分的训练集、验证集和测试集进行预处理,
S4、构建基于注意力强化的CNN与BiLSTM心律失常自动分类模型,使用步骤3预处理后的训练集和验证集对基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行训练和验证,得到最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,
S5、使用步骤3预处理后的测试集对步骤4得到的最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行性能测试,
S6、将实时采集的12导联ECG记录的数据输入最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,得到该心电图的心律失常自动分类结果。本实施例心电图的心律失常自动分类结果有9种,包括正常、心房颤动、Ⅰ度房室传导阻滞、左束支阻滞、右束支阻滞、房性早搏、室性早搏、ST段降低、ST段抬升。
作为本实施例的一个优选实施方式,步骤3所述预处理采用零-均值标准化处理。
本实施例以选用CPSC-2018数据集为例,详细介绍步骤1-3,所述CPSC-2018数据集共包括6877条标准12导联ECG记录,每条记录包括.hea文件和.mat文件,.hea文件描述了ECG采样信息和病人属性,即12导联采样率、采样点数、单位电压、病人年龄、性别和心律失常类别等,.mat文件包含了病人的ECG数据记录。该数据集中各个ECG记录的采样率为500Hz,采样时间从6s-60s不等,共有9种心律失常类别。具体的类别数量分布如表1所示。
表1各类别数量分布
ECG是一种及时记录人体心肌细胞电位变化的方法,在采集过程中易受人体活动和心电记录仪器的影响,导致心电信号容易存在噪声干扰;同时每个ECG记录的标签都是人工标注,临床症状和人眼观察ECG得出的结论具有争议性,故对上述两类心电记录进行选择性删除,并将最终的6783个数据按7:2:1的比例分为训练集、验证集和测试集。
为了进一步确保心电波形不受基线漂移等噪声干扰,对心电数据进行零-均值(Z-Score)标准化处理。Z-Score标准化能够把数据归一化到均值为0,方差为1的分布中,使心电波形集中分布在基线附近,此方法保证了信号空间上的一致性,减弱异常数据对整体的影响,可以提高分类效果。Z-Score标准化公式如式(1)所示。
其中:x表示样本数据值,μ表示样本数据的均值,σ表示样本数据的标准差。
作为本实施例的一个优选实施方式,如图2所示,所述基于注意力强化的CNN与BiLSTM心律失常自动分类模型包括顺次连接的基于注意力强化的级联CNN、RELU层和批量归一化层、平均池化层、BiLSTM层、第一层全连接层、Dropout层、第二全连接层,所述基于注意力强化的级联CNN的输出作为RELU层和批量归一化层的输入,所述RELU层和批量归一化层的输出作为平均池化层的输入,所述平均池化层的输出作为BiLSTM层的输入,所述BiLSTM层的输出作为第一层全连接层的输入,所述第一层全连接层的输出作为Dropout层的输入,所述Dropout层的输出作为第二全连接层的输入。
该模型首先通过级联CNN从多通道获取心电信号形态特征,并利用SE模块的注意力机制对特征进行选择,避免了冗余信息的干扰;然后加入ReLU(修正线性单元)层和BatchNormalization(BN,批量标准化)层来控制梯度消失和梯度爆炸,同时抑制过拟合现象的发生;随后连接平均池化层(AveragePooling)对提取的特征进行压缩,减小网络参数量;接着将压缩特征输送到BiLSTM层中进行时序特征信息的提取和保留;并利用第一层全连接层对特征进行整合,使特征更加集中;加入Dropout删除40%权重更新时的节点数,防止过拟合现象的发生;最后利用第二全连接层中的sigmoid激活函数对9种类别分别进行二分类,实现心律失常的多标签分类。
作为本实施例的一个优选实施方式,参照图2,所述基于注意力强化的级联CNN具有左、右两个并行网络,其中左侧网络包括顺次连接的10个一维卷积层(Conv1D)以及SE模块,右侧网络包括5个顺次连接的一维卷积组(Conv1D组)。
参照图3,本实施例的5个一维卷积组都是一个三级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一SE模块、第二SE模块、第三SE模块,所述第一卷积层和第一SE模块串连的一级卷积网络与第二卷积层并连组成第一二级卷积网络,所述第三卷积层与第二SE模块串连的一级卷积网络与第四卷积层并连组成第二二级卷积网络,所述第五卷积层、第六卷积层和第三SE模块串联并与第一二级卷积网络和第二二级卷积网络并连形成三级卷积网络结构。第一级的卷积层和SE模块会提取和选择心电特征信息,并与二级卷积层提取的特征信息进行融合,作为下一个二级卷积层的输入,随后将第三级卷积结构和SE模块提取和选择的特征信息与二级卷积网络的融合信息再次进行叠加,从多通道获得更丰富的特征,提高分类效果。
作为本实施例的一个优选实施方式,所述一维卷积组中卷积核的个数如下式:
Filtersn=16×2n(n=0,1,2,3,4) (2)
其中,n表示第n个一维卷积组。卷积核尺寸分别为8×1、8×1、8×1、4×1和2×1,步长除最后为1以外,其余均为2。
作为本实施例的一个优选实施方式,所述左侧网络的10个一维卷积层,从上至下两两一组,共分为五组,每组一维卷积层的结构与其对应的右侧网络中的一维卷积组中一维卷积层结构相同,卷积核的个数也相同。
作为本实施例的一个优选实施方式,参照图4,所述SE模块包括顺次连接的全局平均池化层、第一全连接层、第二全连接层。SE模块中包含一个全局平均池化层(GlobalAveragePooling)和两个全连接层,可以为输出的特征信息自动学习它们的权重分配,使得模型达到更好的分类效果。SE模块主要包括3个操作步骤:
(1)Squeeze操作:利用全局平均池化层进行特征通道压缩,使其获得全局感受野,过程公式为:
其中,Fsq表示压缩过程,c表示压缩后的向量,U表示输入特征数据,l表示特征数据的长度。
(2)Excitation操作:为每个通道生成权重,过程公式为:
S=Fex(c,W) (4)
其中,Fex表示激励过程,S表示各通道输出的重要程度,W用来学习特征通道间的相关性。
(3)Reweight操作:完成对原始特征的权重分配,过程公式为:
其中,Fscale表示通道乘法。
本实施例所述BiLSTM层是由前向LSTM层和反向LSTM层共同组成的,可以同时学习过去和未来对当前时刻的状态影响,可以记忆更多的信息特征,为输出层中的神经元提供了一个完整的前后时序数据矩阵信息。相比于单向LSTM,BiLSTM对于心律失常的分类识别具有更好的性能优势。BiLSTM网络结构图如图5所示。
实施例二
参照图6,本实施例与实施例一不同之处在于,基于注意力强化的级联CNN右侧网络的5个一维卷积组均是二级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和一个SE模块,所述第一卷积层、第二卷积层、SE模块串连组成一级卷积网络,所述第三卷积层、第四卷积层串连并与一级卷积网络并连形成二级卷积网络结构。
为了进一步说明本专利基于注意力强化的CNN与BiLSTM心律失常自动分类模型的优势,本实施例基于TensorFlow1.12的Keras2.2.4深度学习框架进行基于注意力强化的CNN与BiLSTM心律失常自动分类模型的构建、调试和分析等。数据集仍使用CPSC-2018开源数据集,并以实施例一所述的比例划分数据集,将训练集和验证集投入到模型中进行训练,其中训练集用于优化模型的权重和偏置等普通参数,验证集用于优化模型的隐藏单元数等超参数。训练优化算法为Adam,学习率为0.001,批量大小为20,迭代最大次数为80。
本实施例使用F1值验证基于注意力强化的CNN与BiLSTM心律失常自动分类模型的分类效果,F1表示精确率(Precision)和召回率(Recall)的调和平均值,F1值越高,模型的分类效果就越好。由于本专利中的数据集类别有9类,且属于多标签分类,故采用加权平均F1值(weighted avg F1)进行模型评价。各类F1值(F1n)和weighted avg F1的计算式如式(6)和式(7)所示:
式中:Pn表示第n类的准确率,即预测为对的类别当中,原本为对的比例;Rn表示第n类的召回率,即原本为对的类别当中,预测为对的比例;Sn表示测试集的总数;S表示测试集中第n类的数量。
将实施例一公开的基于注意力强化的CNN与BiLSTM心律失常自动分类模型记为SE-C1-BiLSTM,实施例二公开的基于注意力强化的CNN与BiLSTM心律失常自动分类模型记为SE-C2-BiLSTM,本文为了验证具有注意力机制的SE模块效果,同时将SE-C1-BiLSTM和SE-C2-BiLSTM模型去除SE模块后的C1-BiLSTM和C2-BiLSTM模型进行性能比较。在相同参数下进行80次迭代,迭代后得到的训练accuracy(准确率)和loss(损失值)的变化曲线如图7和图8所示。其中accuracy指正确预测的个数占整个数据集的比例,loss值用来评价模型的拟合程度,loss值越小,模型的拟合程度就越好。具体训练结果如表2所示:
表2模型训练结果
由图7和图8可以看出,随着迭代次数的增加,模型的准确率不断上升,损失值不断下降。通过表2可得SE-C1-BiLSTM模型在迭代44次后达到最高准确率97.65%,损失值低至0.085,其次为SE-C2-BiLSTM,同时无SE模块的C1-BiLSTM模型优于C2-BiLSTM模型的训练效果。
为了进一步验证SE模块对模型分类结果的影响,利用测试集对上述四种模型进行性能测试,如图9所示。SE-C1-BiLSTM的加权平均F1值为84.3%,其次为83.2%的SE-C2-BiLSTM模型,无SE模块的C1-BiLSTM和C2-BiLSTM模型在分类效果上都出现了不同程度的降低。由此说明SE模块在本专利基于注意力强化的CNN与BiLSTM心律失常自动分类模型的有效性。
为了进一步验证SE模块的分类提升效果,将多个不相同的类别测试F1值进行了对比,具体比较结果如图10、11所示。
由图9、10、11可得,针对类别特征的多样性,不同级联CNN的多尺度通道提取到的特征对于分类具有不同的重要性,多个类别在SE模块的参与下,F1值都有明显的提升,尤其是对于PAC类别,SE-C1-BiLSTM和SE-C2-BiLSTM模型都有显著的提升效果。由于PAC(房性早搏)心电波形特点为RR间期突然缩短,P波出现在先行T波上(即P波消失)。SE模块能够捕捉到突然缩短的波形间期,并对此变化特征进行权重加强,摈弃冗余信息,从而提高分类效果。
除此之外,本实施例将上述4种模型与其它传统的单一BiLSTM、CNN和BiLSTM组合模型进行性能比较,分类结果如表3所示。
表3各模型分类结果
由表3可得,相比于其它神经网络模型,本专利提出的注意力机制的级联CNN与BiLSTM组合模型性能最优,其次为无SE模块的级联CNN与BiLSTM组合模型。测试结果最好的SE-C1-BiLSTM模型比BiLSTM模型准确率最高提升了6.6%,比CNN-BiLSTM模型的准确率提升了3.7%。
Claims (10)
1.一种心电图的心律失常自动分类方法,其特征在于,所述方法依次包括如下步骤:
S1、采集包含12导联ECG记录的数据组成数据集,
S2、将步骤1获得的数据集划分为训练集、验证集和测试集,
S3、对步骤2划分的训练集、验证集和测试集进行预处理,
S4、构建基于注意力强化的CNN与BiLSTM心律失常自动分类模型,使用步骤3预处理后的训练集和验证集对基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行训练和验证,得到最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,
S5、使用步骤3预处理后的测试集对步骤4得到的最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行性能测试,
S6、将实时采集的12导联ECG记录的数据输入最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型,得到该心电图的心律失常自动分类结果。
2.根据权利要求1所述的心电图的心律失常自动分类方法,其特征在于:所述心电图的心律失常自动分类结果有9种,包括正常、心房颤动、Ⅰ度房室传导阻滞、左束支阻滞、右束支阻滞、房性早搏、室性早搏、ST段降低、ST段抬升。
3.根据权利要求1所述的心电图的心律失常自动分类方法,其特征在于:步骤3所述预处理采用零-均值标准化处理。
4.根据权利要求1所述的心电图的心律失常自动分类方法,其特征在于:所述基于注意力强化的CNN与BiLSTM心律失常自动分类模型包括顺次连接的基于注意力强化的级联CNN、RELU层和批量归一化层、平均池化层、BiLSTM层、第一层全连接层、Dropout层、第二全连接层,所述基于注意力强化的级联CNN的输出作为RELU层和批量归一化层的输入,所述RELU层和批量归一化层的输出作为平均池化层的输入,所述平均池化层的输出作为BiLSTM层的输入,所述BiLSTM层的输出作为第一层全连接层的输入,所述第一层全连接层的输出作为Dropout层的输入,所述Dropout层的输出作为第二全连接层的输入。
5.根据权利要求4所述的心电图的心律失常自动分类方法,其特征在于:所述基于注意力强化的级联CNN具有左、右两个并行网络,其中左侧网络包括顺次连接的10个一维卷积层以及SE模块,右侧网络包括5个顺次连接的一维卷积组。
6.根据权利要求5所述的心电图的心律失常自动分类方法,其特征在于:所述SE模块包括顺次连接的全局平均池化层、第一全连接层、第二全连接层。
7.根据权利要求6所述的心电图的心律失常自动分类方法,其特征在于:所述一维卷积组是一个三级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一SE模块、第二SE模块、第三SE模块,所述第一卷积层和第一SE模块串连的一级卷积网络与第二卷积层并连组成第一二级卷积网络,所述第三卷积层与第二SE模块串连的一级卷积网络与第四卷积层并连组成第二二级卷积网络,所述第五卷积层、第六卷积层和第三SE模块串联并与第一二级卷积网络和第二二级卷积网络并连形成三级卷积网络结构。
8.根据权利要求6所述的心电图的心律失常自动分类方法,其特征在于:所述一维卷积组是一个二级卷积网络结构,包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和一个SE模块,所述第一卷积层、第二卷积层、SE模块串连组成一级卷积网络,所述第三卷积层、第四卷积层串连并与一级卷积网络并连形成二级卷积网络结构。
9.根据权利要求5所述的心电图的心律失常自动分类方法,其特征在于:所述一维卷积组中卷积核的个数如下式:
Filtersn=16×2n(n=0,1,2,3,4)
其中,n表示第n个一维卷积组。
10.根据权利要求9所述的心电图的心律失常自动分类方法,其特征在于:所述左侧网络的10个一维卷积层,从上至下两两一组,共分为五组,每组一维卷积层的结构与其对应的右侧网络中的一维卷积组中一维卷积层结构相同,卷积核的个数也相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163961.4A CN112932433B (zh) | 2021-02-05 | 2021-02-05 | 一种心电图的心律失常自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163961.4A CN112932433B (zh) | 2021-02-05 | 2021-02-05 | 一种心电图的心律失常自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112932433A true CN112932433A (zh) | 2021-06-11 |
CN112932433B CN112932433B (zh) | 2022-11-08 |
Family
ID=76242789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163961.4A Active CN112932433B (zh) | 2021-02-05 | 2021-02-05 | 一种心电图的心律失常自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112932433B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855044A (zh) * | 2021-09-29 | 2021-12-31 | 平安科技(深圳)有限公司 | 缺失导联的心电数据的分类处理方法、装置及存储介质 |
CN114343665A (zh) * | 2021-12-31 | 2022-04-15 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
TWI808915B (zh) * | 2022-11-22 | 2023-07-11 | 國立勤益科技大學 | 使用動態心電圖與深度學習模型的st改變事件自動定位方法 |
TWI833462B (zh) * | 2022-11-22 | 2024-02-21 | 國立勤益科技大學 | 一種動態心電圖st改變事件自動偵測方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110295134A1 (en) * | 2010-04-28 | 2011-12-01 | Dr. Thomas L. DeBauche | Method For ECG Screening |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
CN110188866A (zh) * | 2019-05-28 | 2019-08-30 | 北京工业大学 | 一种基于注意力机制的特征提取方法 |
CN111053552A (zh) * | 2019-12-03 | 2020-04-24 | 上海理工大学 | 一种基于深度学习的qrs波检测方法 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
AU2019227364A1 (en) * | 2018-03-02 | 2020-09-24 | Nitto Denko Corporation | Method, computing device and wearable device for sleep stage detection |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
-
2021
- 2021-02-05 CN CN202110163961.4A patent/CN112932433B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110295134A1 (en) * | 2010-04-28 | 2011-12-01 | Dr. Thomas L. DeBauche | Method For ECG Screening |
AU2019227364A1 (en) * | 2018-03-02 | 2020-09-24 | Nitto Denko Corporation | Method, computing device and wearable device for sleep stage detection |
CN109620205A (zh) * | 2018-12-26 | 2019-04-16 | 上海联影智能医疗科技有限公司 | 心电数据分类方法、装置、计算机设备和存储介质 |
CN110188866A (zh) * | 2019-05-28 | 2019-08-30 | 北京工业大学 | 一种基于注意力机制的特征提取方法 |
CN111053552A (zh) * | 2019-12-03 | 2020-04-24 | 上海理工大学 | 一种基于深度学习的qrs波检测方法 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
Non-Patent Citations (3)
Title |
---|
TONG WANG ET AL: "Assistant diagnosis with Chinese electronic medical records based on CNN and BiLSTM with phrase-level and word-level attentions", 《BMC BIOINFORMATICS》 * |
叶思超,徐晨华,乔清理: "基于残差网络融合模型的心律失常分类研究", 《陕西师范大学学报(自然科学版)》 * |
张异凡,黄亦翔,汪开正,刘成良: "用于心律失常识别的LSTM和CNN并行组合模型", 《哈尔滨工业大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855044A (zh) * | 2021-09-29 | 2021-12-31 | 平安科技(深圳)有限公司 | 缺失导联的心电数据的分类处理方法、装置及存储介质 |
CN113855044B (zh) * | 2021-09-29 | 2022-10-14 | 平安科技(深圳)有限公司 | 缺失导联的心电数据的分类处理方法、装置及存储介质 |
CN114343665A (zh) * | 2021-12-31 | 2022-04-15 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
CN114343665B (zh) * | 2021-12-31 | 2022-11-25 | 贵州省人民医院 | 一种基于图卷积空时特征融合选择的心律失常识别方法 |
TWI808915B (zh) * | 2022-11-22 | 2023-07-11 | 國立勤益科技大學 | 使用動態心電圖與深度學習模型的st改變事件自動定位方法 |
TWI833462B (zh) * | 2022-11-22 | 2024-02-21 | 國立勤益科技大學 | 一種動態心電圖st改變事件自動偵測方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112932433B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
CN112932433B (zh) | 一种心电图的心律失常自动分类方法 | |
JP6986724B2 (ja) | 人工知能に基づく心電図干渉識別方法 | |
CN111657926B (zh) | 一种基于多导联信息融合的心律失常分类方法 | |
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 | |
De Chazal et al. | A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features | |
EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN111053549A (zh) | 一种智能生物信号异常检测方法及系统 | |
Wu et al. | A novel method for classification of ECG arrhythmias using deep belief networks | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN108836302A (zh) | 基于深度神经网络的心电图智能分析方法及系统 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN111329469A (zh) | 一种心律异常预测方法 | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
Ji et al. | A deep multi-task learning approach for ECG data analysis | |
CN111261278A (zh) | 一种基于三维图像的深度学习模型的心脏疾病检测方法 | |
Rai et al. | Hybrid CNN-LSTM model for automatic prediction of cardiac arrhythmias from ECG big data | |
Rana et al. | ECG heartbeat classification using a single layer lstm model | |
CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
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 | |
Dissanayake et al. | DConv-LSTM-Net: A Novel Architecture for Single and 12-Lead ECG Anomaly Detection. | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 |
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 |