CN113012807B - 一种ecg信号标记方法、系统、装置及计算机可读存储介质 - Google Patents

一种ecg信号标记方法、系统、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113012807B
CN113012807B CN202110239199.3A CN202110239199A CN113012807B CN 113012807 B CN113012807 B CN 113012807B CN 202110239199 A CN202110239199 A CN 202110239199A CN 113012807 B CN113012807 B CN 113012807B
Authority
CN
China
Prior art keywords
ecg signal
convolution
output
neural network
layers
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
Application number
CN202110239199.3A
Other languages
English (en)
Other versions
CN113012807A (zh
Inventor
方全
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.)
Wuhan Zoncare Bio Medical Electronics Co ltd
Original Assignee
Wuhan Zoncare Bio Medical Electronics Co ltd
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 Wuhan Zoncare Bio Medical Electronics Co ltd filed Critical Wuhan Zoncare Bio Medical Electronics Co ltd
Priority to CN202110239199.3A priority Critical patent/CN113012807B/zh
Publication of CN113012807A publication Critical patent/CN113012807A/zh
Application granted granted Critical
Publication of CN113012807B publication Critical patent/CN113012807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种ECG信号标记方法、系统、装置及计算机可读存储介质，所述方法包括以下步骤：采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果。本发明公开的ECG信号标记方法，可以提高心电医生对ECG信号的判断效率。

Description

一种ECG信号标记方法、系统、装置及计算机可读存储介质
技术领域
本发明涉及ECG信号分类技术领域，尤其涉及一种ECG信号标记方法、系统、装置及计算机可读存储介质。
背景技术
人工智能应用于生活的方方面面，在医疗领域，深度学习在辅助诊断方面为医生提供了重要的参考价值。在ECG信号的辅助诊断方面，目前大都是机器预先训练大量有标签的数据，得到训练好的模型，再通过模型直接对ECG信号进行预测得到可能的结果与此结果的概率，为心电医生的诊断提供结果上的参考。现有技术的辅助诊断大都是直接给出数据的预测结果，但由于医疗法规的限制，计算机的诊断结果并不能直接使用，最终还是需要心电医生诊断，使得心电医生对ECG信号的判断效率不高。
发明内容
有鉴于此，有必要提供一种ECG信号标记方法、系统、装置及计算机可读存储介质，用以解决心电医生对ECG信号的判断效率不高的问题。
本发明提供一种ECG信号标记方法，包括以下步骤：
采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果。
进一步地，所述采集ECG信号，具体包括：利用设定采样率采集设定长度及导联数的ECG信号。
进一步地，根据卷积层及注意力模块，形成卷积神经网络模型，具体包括：输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，通过注意力模块提取特征及权值。
进一步地，所述输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，具体包括：
输入的ECG信号数据，通过2层卷积核大小为3、核数量为64的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为128的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为256的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为512的卷积层提取特征，再通过最大值池化下采样，输出特征图。
进一步地，所述通过注意力模块提取权值，具体包括：对权值参数矩阵W及偏置参数矩阵进行计算，并通过tanh激活函数对计算结果进行激活，对权值参数矩阵U进行计算，并通过sigmoid激活函数对计算结果进行激活，得到权值矩阵，通过权值矩阵对输出特征图中的输出进行加权，得到注意力模块的输出权值。
进一步地，所述通过注意力模块提取特征，具体包括：得到输出权值后，对输出权值进行双线性插值采样及平均值降维，得到值为1的位置，即为对应特征。
进一步地，所述tanh激活函数为
Figure BDA0002961490880000021
所述sigmoid激活函数
Figure BDA0002961490880000031
其中，x为输入的ECG信号数据。
本发明还提供一种ECG信号标记系统，包括数据集生成模块、模型生成模块及信号标记模块；
所述数据集生成模块，用于采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
所述模型生成模块，用于根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
所述信号标记模块，用于重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果。
本发明还提供了一种ECG信号标记装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的ECG信号标记方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的ECG信号标记方法。
与现有技术相比，本发明的有益效果包括：通过采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果，可以提高心电医生对ECG信号的判断效率。
附图说明
图1为本发明提供的ECG信号标记方法的流程示意图；
图2为本发明提供的分类网络示意图；
图3为本发明提供的主网络结构示意图；
图4为本发明提供的输出y的权值示意图；
图5为本发明提供的注意力模块处理流程示意图；
图6为本发明提供的导联上的注意力标注结果示意图；
图7为本发明提供的ECG信号标记系统的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种ECG信号标记方法，其流程示意图，如图1所示，所述方法包括以下步骤：
S1、采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
S2、根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
S3、重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果。
一个具体实施例中，使用数据采样率为500hz，长度为10秒，导联数为12(包含了I,II,III,aVR,aVL,aVF,V1,V2,V3,V4,V5和V6)，数据的具体类别包括正常(Normal，900条)，心房颤动(AF，1000条)，一度房室阻滞(I-AVB，700条)，左束支传导阻滞(LBBB，400条)，右束支传导阻滞(RBBB，1300条)，房性早搏(PAC，500条)，室性早搏(PVC，600条)，ST段抬高(STE，600条)，ST段降低(STD，800条)；总计6800条的9类单标签数据，将数据随机打乱，划分为包含6400条数据的训练-验证集和包含400条数据的测试集。
采用十倍交叉验证方式训练，划分为10份，按顺序每次取9份作为训练集，1份作为验证集，保证每次验证集数据都不同，最终训练出10个模型；训练的batch大小为64，迭代次数为5000次，使用的深度学习框架为Pytorch；将10倍交叉验证得到的每类概率均值，求平均得到最终的结果，网络的最终评价指标为每一类的F1分数的平均值。
优选的，所述的ECG信号标记方法，所述采集ECG信号，具体包括：利用设定采样率采集设定长度及导联数的ECG信号。
优选的，根据卷积层及注意力模块，形成卷积神经网络模型，具体包括：输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，通过注意力模块提取特征及权值。
一个具体实施例中，网络分两部分进行，一方面是分类网络，目的是得到数据的预测结果和注意力权值α，这一部分的参数是需要训练的；另一方面是原始信号的自动标注部分，是分类网络的分支，目的是原始信号重要部分的可视化，这一部分是不需要训练的。
分类网络示意图，如图2所示，分类网络为图2虚线框部分，对原始数据x经过主网络初步提取特征得到特征y，接着对提取的特征y通过注意力模块进一步提取特征得到结果z和与特征y对应的权值α，对z进行最后的全连接，通过Softmax层进行结果预测，计算原始数据的标签与预测结果的误差，通过BP算法将误差梯度回传，修正整个网络训练过程的权值。信号的标注部分，如图2下半部分所示，将α上采样至原始信号长度后得到α′，将其映射到原始信号中，根据权重α′的值可以对应出原始信号的重点部分。
优选的，所述输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，具体包括：
输入的ECG信号数据，通过2层卷积核大小为3、核数量为64的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为128的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为256的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为512的卷积层提取特征，再通过最大值池化下采样，输出特征图。
一个具体实施例中，主网络结构为VGG-16模型的1维卷积版，所述主网络结构示意图，如图3所示。输入数据大小为5000×12的矩阵，先通过2层卷积核大小为3，核数量为64的卷积层提取特征，再通过最大值池化下采样，得到大小为2500×64的特征图；再通过2层卷积核大小为3，核数量为128的卷积层提取特征，再通过最大值池化下采样，得到大小为1250×128的特征图；接着通过3层卷积核大小为3，核数量为256的卷积层提取特征，再通过最大值池化下采样，得到大小为625×256的特征图；最后通过3层卷积核大小为3，核数量为512的卷积层提取特征，再通过最大值池化下采样，得到大小为312×512的特征图，此时的特征图为图2所示的输出y。
优选的，所述通过注意力模块提取权值，具体包括：对权值参数矩阵W及偏置参数矩阵进行计算，并通过tanh激活函数对计算结果进行激活，对权值参数矩阵U进行计算，并通过sigmoid激活函数对计算结果进行激活，得到权值矩阵，通过权值矩阵对输出特征图中的输出进行加权，得到注意力模块的输出权值。
一个具体实施例中，输出y接着会通过注意力模块进一步提取特征和权值，y的每个元素yi都是一个512维的向量，对应一个512维的权值αi，输出y的权值示意图，如图4所示，注意力模块处理流程示意图，如图5所示。
图5中，W和U都是可训练的权值，tanh、sigmoid为激活函数，它们的公式分别为
Figure BDA0002961490880000071
具体实施时，注意力模块处理流程为，形状为312×512的权值参数矩阵W和312×1的偏置参数矩阵b进行计算，h＝Wy+b，通过tanh激活函数对h进行激活得到c，c＝tanh(h)，形状为312×512的权值参数矩阵U进行计算，s＝Uh，通过sigmoid激活函数对s进行激活，得到权值矩阵α，α对y加权得到输出z。
计算z的过程中得到了形状为312×512的权值α，为了对应形状为5000×12的原始数据，直接对α进行双线性插值16倍上采样，并将512个通道求平均值降维为12通道，此时得到的α′形状为5000×12，再将α′进行四舍五入，得到的值为1的位置，将其标记为原始信号的重点部分，可以用不同颜色在原始数据中显示。
优选的，所述通过注意力模块提取特征，具体包括：得到输出权值后，对输出权值进行双线性插值采样及平均值降维，得到值为1的位置，即为对应特征。
优选的，所述tanh激活函数为
Figure BDA0002961490880000072
所述sigmoid激活函数
Figure BDA0002961490880000073
其中，x为输入的ECG信号数据。
一个具体实施例中，基于注意力的卷积神经网络模型十倍交叉验证的每类数据和平均预测结果，如表1所示。
表1
F1值 注意力模型
Normal 0.7427
AF 0.7687
I-AVB 0.7420
LBBB 0.7025
RBBB 0.8212
PAC 0.5903
PVC 0.8021
STD 0.6552
STE 0.3041
平均 0.6810
需要说明的是，
Figure BDA0002961490880000081
P为准确率，即为预测正确的正例占预测为正例数据的比例；R为召回率，即为预测为正例的数据占实际为正例数据的比例。导联上的注意力标注结果示意图，如图6所示，图6中，深黑色的曲线为标注结果，从图6可以看出，通过本发明实施例所述的方法可以很好的标记出了疾病的需要关注部分。
实施例2
本发明实施例提供了一种ECG信号标记系统，其结构框图，如图7所示，所述系统包括数据集生成模块1、模型生成模块2及信号标记模块3；
所述数据集生成模块1，用于采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
所述模型生成模块2，用于根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
所述信号标记模块3，用于重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果。
实施例3
本发明实施例提供了一种ECG信号标记装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如实施例1所述的ECG信号标记方法。
实施例4
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如实施例1所述的ECG信号标记方法。
本发明公开了一种ECG信号标记方法、系统、装置及计算机可读存储介质，通过采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果，可以提高心电医生对ECG信号的判断效率。本发明技术方案，增加了辅助诊断的功能，在给出预测结果的基础上，通过在网络中增加注意力模块，提取注意力模块的权值，映射到原始数据上，标记出了原始数据需要关键部分，提高了心电医生对ECG信号的判断效率，并且为预测结果提供位置的依据。
以上所述，仅为本发明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，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。

Claims (6)

1.一种ECG信号标记方法，其特征在于，包括以下步骤：
采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果；
根据卷积层及注意力模块，形成卷积神经网络模型，具体包括：输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，通过注意力模块提取特征及权值；
所述输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，具体包括：
输入的ECG信号数据，通过2层卷积核大小为3、核数量为64的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为128的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为256的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为512的卷积层提取特征，再通过最大值池化下采样，输出特征图；
所述通过注意力模块提取权值，具体包括：对权值参数矩阵W及偏置参数矩阵进行计算，并通过tanh激活函数对计算结果进行激活，对权值参数矩阵U进行计算，并通过sigmoid激活函数对计算结果进行激活，得到权值矩阵，通过权值矩阵对输出特征图中的输出进行加权，得到注意力模块的输出权值；
得到输出权值后，对输出权值进行双线性插值采样及平均值降维，得到值为1的位置，即为对应特征，并将其标记为原始信号的重点部分，用不同颜色在原始数据中显示。
2.根据权利要求1所述的ECG信号标记方法，其特征在于，所述采集ECG信号，具体包括：利用设定采样率采集设定长度及导联数的ECG信号。
3.根据权利要求1所述的ECG信号标记方法，其特征在于，所述tanh激活函数为
Figure QLYQS_1
，所述sigmoid激活函数/>
Figure QLYQS_2
，其中，x为输入的ECG信号数据。
4.一种ECG信号标记系统，其特征在于，包括数据集生成模块、模型生成模块及信号标记模块；
所述数据集生成模块，用于采集ECG信号，并将所述ECG信号划分为训练验证集及测试集；
所述模型生成模块，用于根据卷积层及注意力模块，形成卷积神经网络模型，根据所述训练验证集和测试集对所述卷积神经网络模型进行训练和验证，得到基于注意力的卷积神经网络模型；
所述信号标记模块，用于重新采集ECG信号，利用重新采集的ECG信号和基于注意力的卷积神经网络模型，获取ECG信号分类和标记结果；
根据卷积层及注意力模块，形成卷积神经网络模型，具体包括：输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，通过注意力模块提取特征及权值；
所述输入的ECG信号数据，通过卷积层提取特征及最大值池化下采样，输出特征图，具体包括：
输入的ECG信号数据，通过2层卷积核大小为3、核数量为64的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为128的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为256的卷积层提取特征，再通过最大值池化下采样，得到特征图；再通过2层卷积核大小为3、核数量为512的卷积层提取特征，再通过最大值池化下采样，输出特征图；
所述通过注意力模块提取权值，具体包括：对权值参数矩阵W及偏置参数矩阵进行计算，并通过tanh激活函数对计算结果进行激活，对权值参数矩阵U进行计算，并通过sigmoid激活函数对计算结果进行激活，得到权值矩阵，通过权值矩阵对输出特征图中的输出进行加权，得到注意力模块的输出权值；
得到输出权值后，对输出权值进行双线性插值采样及平均值降维，得到值为1的位置，即为对应特征，并将其标记为原始信号的重点部分，用不同颜色在原始数据中显示。
5.一种ECG信号标记装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-3任一所述的ECG信号标记方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如权利要求1-3任一所述的ECG信号标记方法。
CN202110239199.3A 2021-03-04 2021-03-04 一种ecg信号标记方法、系统、装置及计算机可读存储介质 Active CN113012807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110239199.3A CN113012807B (zh) 2021-03-04 2021-03-04 一种ecg信号标记方法、系统、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110239199.3A CN113012807B (zh) 2021-03-04 2021-03-04 一种ecg信号标记方法、系统、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113012807A CN113012807A (zh) 2021-06-22
CN113012807B true CN113012807B (zh) 2023-06-09

Family

ID=76404954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110239199.3A Active CN113012807B (zh) 2021-03-04 2021-03-04 一种ecg信号标记方法、系统、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113012807B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109620205B (zh) * 2018-12-26 2022-10-28 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
CN110522444B (zh) * 2019-09-03 2022-03-25 西安邮电大学 一种基于Kernel-CNN的心电信号识别分类方法
CN110610168B (zh) * 2019-09-20 2021-10-26 合肥工业大学 一种基于注意力机制的脑电情绪识别方法
CN110890155B (zh) * 2019-11-25 2022-10-28 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111046967A (zh) * 2019-12-18 2020-04-21 江苏科技大学 一种基于卷积神经网络和注意力机制的水下图像分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105997055A (zh) * 2016-07-11 2016-10-12 吉林大学 一种心电信号st段的自动分类方法、系统及装置

Also Published As

Publication number Publication date
CN113012807A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN109091138B (zh) 心律失常起源点的判断装置及标测系统
CN110288609B (zh) 一种注意力机制引导的多模态全心脏图像分割方法
CN107837082A (zh) 基于人工智能自学习的心电图自动分析方法和装置
WO2018165271A1 (en) Systems and methods of identity analysis of electrocardiograms
CN106725426A (zh) 一种心电信号分类的方法及系统
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
JP7189257B2 (ja) 特定の顔面症候群を検出するための方法、装置、および、コンピュータ可読記憶媒体
CN109998532A (zh) 基于多导联多结构聚合网络的心电信号识别方法和装置
CN113095382B (zh) 基于ct图像的可解释性肺结核分类网络识别方法
CN113440149B (zh) 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法
CN115568860B (zh) 基于双注意力机制的十二导联心电信号的自动分类方法
CN107391900A (zh) 房颤检测方法、分类模型训练方法及终端设备
US11571161B2 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN111803059A (zh) 一种基于时域卷积网络的心电信号分类方法及装置
CN112932433A (zh) 一种心电图的心律失常自动分类方法
CN115130656A (zh) 异常检测模型的训练方法、装置、设备及存储介质
CN113610118A (zh) 一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质
CN115153581A (zh) 一种心电信号特征波形检测方法、装置及存储介质
CN116012568A (zh) 一种通过拍照心电图获取心电节律信息的系统
CN113855042A (zh) 融合深度和医学特征的基于序列标注的多导联心电信号分类方法
CN113012807B (zh) 一种ecg信号标记方法、系统、装置及计算机可读存储介质
CN116486182A (zh) 一种基于DenseNet网络的医学图像分类方法及系统
CN112560784B (zh) 一种基于动态多尺度卷积神经网络的心电图分类方法

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