CN113128585A - 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 - Google Patents
一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 Download PDFInfo
- Publication number
- CN113128585A CN113128585A CN202110411589.4A CN202110411589A CN113128585A CN 113128585 A CN113128585 A CN 113128585A CN 202110411589 A CN202110411589 A CN 202110411589A CN 113128585 A CN113128585 A CN 113128585A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- deep neural
- classification
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,通过将心电信号进行相等长度切片,得到目标心电数据,及对应的诊断结论作为标签;将心电信号进行降噪滤波;划分训练集数据,验证集数据,测试集数据,彼此之间无数据交叉;再将心电数据样本及标签输入多尺寸卷积核深度神经网络模型,应用分类器自动提取特征进行模型训练,得到多尺寸深度神经网络模型。本方案使用多尺寸卷积核,相较于单一卷积核深度神经网络模型具有不同的视野域,能有效提取不同视野心电信号特征,并且能有效减少模型参数,减少在训练过程中过拟合情况。
Description
技术领域
本方案涉及深度学习数据分析领域,尤其涉及一种基于深度学习算法的多尺寸卷积核的深度神经网络的心电图综合分类方法。
背景技术
心血管疾病是全世界面临的一大健康难题,它能导致病患暂时性休克甚至猝死。当前,心电图波形数据采集及心电图分类结果是医生诊断心脏病疾患的重要辅助手段和参考信息,精确诊断与及时治疗是应对心血管疾病最为有效的措施。然而,心电图波形数据采集和分类通常是在医院或体检中心进行,存在检测不方便、检测频率低等问题,不能及时地把心电图分类信息提供给医生来做实时诊断,很难有效预防和及时治疗心脏病病变。并且,在疾病的检查中产生的大量影像信息易使医生疲劳,且诊断精度,容易受到干扰信号,医师的职业能力、经验等主观因素影响,分析效果不稳定。在此背景下,通过机器来识别心电信号类型成为一个广泛关注的研究热点。
使用机器识别心电信号数据目前主要有两种方法,第一种,是基于定位每个心搏,通过人为提取特征工程,该方法需要先识别出一段心电信号中的每一次心搏,再识别出每一次心搏中的各个特征波段(如P波、QRS波、ST段、T波等),最后,根据各个特征波段的测量值,判断该心搏可能出现的问题,进行整体心电信号识别。该方法需要依赖,大量医学领域的专家知识,进行大量的特征工程。第二种,是基于神经网络进行识别,使用神经网络模型相较于第一种,减少了大量的人为寻找特征工程,并且降低了相较于传统方法精度QRS波群的依赖,仅需要将已完成心电诊断数据作为样本输入深度神经网络模型,通过神经网络自动提取不同类别心电信号特征。
基于深度神经网络目前出现了多种模型,都是使用不同网络堆叠而成,由于心电信号的特殊性,在使用卷积层时需要使用较大的卷积核,以500Hz采样为例,一般会使用大于13个尺寸的卷积核。而单尺度大小卷积核特征提取视野域特征提取窗口是固定的,模型参数多且容易在训练中出现过拟合的情况。
发明内容
有鉴于此,本发明的第一方面的目的是提供一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法。可以为模型提供不同视野域,并且能有效减少模型参数,降低训练中过度拟合程度。
本发明的第一方面的目的是通过以下技术方案实现的:
该种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,包括以下步骤:
步骤S1:采集原始心电信号数据,按照统一的窗口长度W对原始心电信号数据进行切分,并根据原始心电数据类别标记;
步骤S2:对样本进行降噪处理;
步骤S3:对样本进行数据集划分,彼此之间无交叉数据集;
步骤S4:构建深度神经网络模型,提取神经网络特征
步骤S5:将样本数据输入深度神经网络模型,对深度神经网络进行训练,提取神经网络特征,通过验证集数据和测试集数据对模型预测进行验证,达到要求阈值后确定模型结果及模型参数;
步骤S6:应用分类器作用于提取的神经网络特征完成对目标心电信号数据进行预测,输出对应异常类别预测概率,根据模型概率设定阈值,得到预测结果。
进一步,所述步骤S1中,原始心电信号数据采用8秒以上的原始心电信号数据,心电类别标记是将单条心电样本所出现的所需要分类的状态进行标记。
进一步,所述步骤S3中,对集数据进行训练、验证和测试,其比例为8:1:1。
进一步,所述步骤S4中,该深度神经网络模型包括:卷积层、pooling层、bn层、dropout层、se层、GlobalPooling层和残差层。
进一步,所述深度神经网络模型层依次为L6(L5(L4(L3(L2(L1(X)))))):其中X为样本数据,L1为卷积层,L2为循环残差层,L3为3个不同卷积核大小同层特征值叠加层,L4为全连接层,L5为LSTM层,L6为分类层,除全连接层采用softmax函数之外,其余各层均采用Relu的激活函数,pooling层使用最大池化层;
进一步,所述步骤S5中,每一个轮次进行一次验证集验证,模型训练结束后将测试集数据输入模型,将预测结果与标签数据进行对比,在满足设定正确率阈值后确认深度神经网络模型。
进一步,所述步骤S6中,将目标心电信号数据进行滑动窗口长度为W的切分,根据心电采样率确定重叠部分,得到N个等长数据片段,将N个数据片段输入上述神经网络模型,输出N个长度为分类数量T的结果,T对应每个分类预测结果概率,当对应结果的概率大于该类别对应的概率阈值时,则该类别预测结果为最终模型预测结果。
本发明的第二方面的目的是提供一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的方法。
本发明的第三方面的目的是提供一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果是:单尺度大小卷积核特征提取视野域特征提取窗口是固定的,而本发明的方法使用多尺度卷积核进行心电信号特征提取,较小的卷积核会聚焦细微特征,较大卷积核则会关注整体特征,本发明的方法使用多尺寸卷积核,相较于单一卷积核深度神经网络模型具有不同的视野域,有效提取不同视野心电信号特征,并且能有效减少模型参数,减少在训练过程中过拟合情况。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图为本发明结构示意图;
图1为模型使用流程图;
图2为模型训练流程图;
图3为单尺度模型训练趋势图;
图4为多尺度模型训练趋势图;
图5为单尺寸模型混淆矩阵;
图6为多尺寸模型混淆矩阵。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
实施例一
如图1和图2所示,本实施例中,提出的一种基于多尺寸卷积核的深度神经网络识别异常心电的识别方法,包括以下步骤:
步骤S1:采集心电信号数据,按照统一的窗口长度W对原始心电信号数据进行切分,并根据心电数据进行类别标记。
本实施例中,W通常为8秒至10秒数据长度,采集标准心电信号数据,采样率为fHz,本方案使用样本为500Hz心电信号数据。比如10分钟长度的原始心电信号数据,将其按一个窗口长度为8秒进行切割,从而得到一系列切分后的信号数据。每条数据对应导联数可以根据具体任务需要确定,即每条数据长度s=W*fHz,n为心电数据具体导联数,则一条数据为(s,n)的二维数组。在获取样本数据时应防止异常心电出点在W窗口的同一位置,目的是为了提高样本鲁棒性,在对心电数据进行样本标记时将心电样本所出现的所需要分类的状态进行标记。
步骤S2:对样本进行降噪处理。
在本实施例中,采用带通滤波器,对样本降噪处理,去除工频干扰、基线漂移、肌电干扰,减少模型识别干扰。
步骤S3:对样本进行数据集划分,彼此之间无交叉数据集。
在本实施例中,对集数据进行训练、验证和测试,其比例为8:1:1。根据模型预测结果会对不同异常心电类型占比进行调整,将预测准确率较低心电数据提高占比。并更具预测结果进行统计若出现将某一异常识别为样本中未出现数据则将其作为负向样本进行添加。如在模型分类中预测室速异常片段,但将室早成对预测为室速(室速数据由三个室早构成,室早成对则由两个室早构成)。则将室早成对作为负向样本输入模型,添加室早成对数据输入模型。
步骤S4:构建深度神经网络模型,提取神经网络特征;
本实施例中,该深度神经网络模型包括:卷积层、pooling层、bn层、dropout层、se层、GlobalPooling层和残差层。
步骤S5:将样本数据输入深度神经网络模型,对深度神经网络进行训练,提取神经网络特征,通过验证集数据和测试集数据对模型预测进行验证,达到要求阈值后确定模型结果及模型参数;
具体而言是将训练集数据和验证集数据输入深度神经网络模型,每一个轮次进行一次验证集验证。模型训练结束后将测试集数据输入模型,将预测结果与标签数据进行对比,在满足设定正确率阈值后确认深度神经网络模型。
步骤S6:应用分类器作用于提取的神经网络特征完成对目标心电信号数据进行预测,输出对应异常类别预测概率,根据模型概率设定阈值,得到预测结果。
具体是将目标心电信号数据进行滑动窗口长度为W的切分,根据心电采样率确定重叠部分,得到N个等长数据片段,将N个数据片段输入上述神经网络模型,输出N个长度为分类数量T的结果,T对应每个分类预测结果概率,当对应结果的概率大于该类别对应的概率阈值时,则该类别预测结果为最终模型预测结果。
实施例二
本实施例中,步骤S1采用8秒以上原始心电数据,主要原因为模型仿真和深度学习模型整个设计流程尽量模仿医生平常看图的方式,即医生观察一段数据属于某个异常类时,会结合前后或基础心搏波形进行该段数据的辨别。尽量模仿该窗口大小。将医生看图习惯越好的模仿到模型中深度学习网络也越容易学习,取得更好的性能。
另外,步骤S4中,构建深度神经网络模型,提取神经网络特征,进一步的,深度神经网络模型层依次为L6(L5(L4(L3(L2(L1(X)))))):其中X为样本数据,L1为卷积层,L2为循环残差层,L3为3个不同卷积核大小同层特征值叠加层,L4为全连接层,L5为LSTM层,L6为分类层,除全连接层采用softmax函数之外,其余各层均采用Relu的激活函数,pooling层使用最大池化层。该网络模型的设计更为先进,学习能力更强,能够具有更佳的预测效果。
实施例三
本实施例中,其余步骤与实施例一和实施例二基本相同,对于步骤S4,具体而言,本实施例中,采用以下技术方案:
(1)卷积层:在本方案中由于会使用较大卷积核,会导致模型参数过大,导致计算量较大,容易出现过拟合,因此采用了1*1的卷积来进行降维。当上一层输入数据为(s,n,f),s为数据长度,n为导联数,f为特征数量,经过具有2f个输出的1*k卷积层之后(stride=1,padding='same'),输出数据为(s,n,2f)。其中,卷积层的参数量为f*1*k*2f,假如上一层输出先经过具有f/2个输出的1x1卷积层,再经过具有2f个输出的1xk卷积层,那么最终的输出数据仍为为1*k*2f,但卷积参数量已经减少为f*1*1*f/2+f/2*1*k*2f。为进一步减少模型参数数量,本方案中输入数据为(s,n,f)经过卷积得到输出数据为(s,n,2f)时,先使用上述方法输出第一个层为(s,n,f)其卷积数量为f*1*1*f/4+f/4*1*k*f。
再通过一个1*1卷积层输出第二个层其卷积数量为f*1*1*f/2。最后将两个层叠加输出为(s,n,2f)。
(2)循环残差层,本方案中残差层由两个相同结构块和se模块相加,其中结构块为bn层,relu层,dropout层和卷积层组成。其se模块采用特征重标定策略,通过学习的方式来自动获取到每个特征通道的重要程度,然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。具体实现方式为:
(a)将输入数据压缩,顺着空间维度来进行特征压缩,将一个通道中整个空间特征编码为一个全局特征,这个实数某种程度上具有全局的感受野,并且输出的通道数和输入的特征通道数相等,此操作通常采用采用global average pooling来实现。
(b)得到了全局描述特征后,通过建立通道之间相关性来抓取特征通道之间的关系,这里采用包含两个全连接层结构,即中间小两头大的结构:其中第一个全连接层起到降维的作用,并通过ReLU激活,第二个全连接层用来将其恢复至原始的维度。建立通道之间相关性的最终目的是为每个特征通道生成权重,通过sigmoid激活实现。
(c)最后将建立通道之间相关性的输出的权重看做是经过特征选择后的每个特征通道的重要性,然后通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定,从而使得模型对各个通道的特征更有辨别能力。
循环残差层堆叠层数具体由样本数量决定,本方案为4层以上,其中卷积核为13,每一个残差层进行一次步长为2的下采样。特征值以32为基础,每两个残差层特征值翻倍。dropout层为0.2的丢弃率。
不同卷积核大小同层循环残差层,本方案中使用了3个不同卷积核大小同层循环残差层,卷积核大小分别为3,5,7。其目的是为了通过不同卷积核提取不同特征,并减小模型参数。具体操作为,将不同卷积核带入循环残差层中,本方案为6层以上。再将不同卷积核大小同层循环残差层输出进行叠加,每个不同卷积核大小同层循环残差层输出数据结果为(s2,n2,f2),经过叠加后为数据结果为(s2,n2,3f2)
(3)LSTM层,为循环神经网络,本方案中使用了128个长短记忆神经单元。其目的是增加模型序列特征。将LSTM层与不同卷积核大小同层循环残差层输出拼接后作为结果输入到分类层。
(4)分类层,使用softmax激活函数通过全连接层进行分类。每条心电数据会得到N个对应样本标签预测结果,即每条数据会有单个异常类或多个异常类,如[y1,y2,y3......,yn],具体N的个数为在制作标签时对应需要分类个数。其中yn对应每个需要分类的类别概率。通过模型训练得到最接近标签结果模型参数。
在模型具体使用过程中,得到模型预测结果中的每一个概率,根据不同场景设置阈值,达到模型预测准确度调整。
如图3和图4所示,图3为单尺度训练趋势图,图4为多尺度训练趋势图。训练前期多尺度模型相较于单尺度模型验证数据集损失值曲线(val_loss)会出现波动,但当达到一定轮次后多尺度模型验证数据集损失值曲线会稳定下降,而单尺度会出现背离。并且在训练相同轮次后都尺度模型验证数据集损失会低于单尺度验证数据集损失值(损失值越低代表模型预测结果与数据标签越接近)。由图3和图4可以看出多尺度卷积核相较于单尺度大卷积核模型在训练中收纳程度会更好。
混淆矩阵也称误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等,这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中,混淆矩阵(confusion matrix)是可视化工具,特别用于监督学习,在无监督学习一般叫做匹配矩阵。在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。
图5与图6分别为单尺寸模型与多尺寸模型的混淆矩阵,在测试集中的混淆矩阵表现,True lable为测试集人工分类标签,predicted lable为模型预测分类。可以看出单尺寸模型对0类别(室速)和1类别(频发室早)的数据分类准确率低于多尺寸模型。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述方法包括以下步骤:
步骤S1:采集原始心电信号数据,按照统一的窗口长度W对原始心电信号数据进行切分,并根据原始心电数据类别标记;
步骤S2:对样本进行降噪处理;
步骤S3:对样本进行数据集划分,彼此之间无交叉数据集;
步骤S4:构建深度神经网络模型,提取神经网络特征;
步骤S5:将样本数据输入深度神经网络模型,对深度神经网络进行训练,提取神经网络特征,通过验证集数据和测试集数据对模型预测进行验证,达到要求阈值后确定模型结果及模型参数;
步骤S6:应用分类器作用于提取的神经网络特征完成对目标心电信号数据进行预测,输出对应异常类别预测概率,根据模型概率设定阈值,得到预测结果。
2.根据权利要求1所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述步骤S1中,原始心电信号数据采用8秒以上的原始心电信号数据,心电类别标记是将单条心电样本所出现的所需要分类的状态进行标记。
3.根据权利要求1所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述步骤S3中,对集数据进行训练、验证和测试,其比例为8:1:1。
4.根据权利要求1所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述步骤S4中,该深度神经网络模型包括:卷积层、pooling层、bn层、dropout层、se层、GlobalPooling层和残差层。
5.根据权利要求1或2或3或4所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述深度神经网络模型层依次为L6(L5(L4(L3(L2(L1(X)))))):其中X为样本数据,L1为卷积层,L2为循环残差层,L3为3个不同卷积核大小同层特征值叠加层,L4为全连接层,L5为LSTM层,L6为分类层,除全连接层采用softmax函数之外,其余各层均采用Relu的激活函数,pooling层使用最大池化层。
6.根据权利要求1所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述步骤S5中,每一个轮次进行一次验证集验证,模型训练结束后将测试集数据输入模型,将预测结果与标签数据进行对比,在满足设定正确率阈值后确认深度神经网络模型。
7.根据权利要求1所述的一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法,其特征在于:所述步骤S6中,将目标心电信号数据进行滑动窗口长度为W的切分,根据心电采样率确定重叠部分,得到N个等长数据片段,将N个数据片段输入上述神经网络模型,输出N个长度为分类数量T的结果,T对应每个分类预测结果概率,当对应结果的概率大于该类别对应的概率阈值时,则该类别预测结果为最终模型预测结果。
8.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411589.4A CN113128585B (zh) | 2021-04-16 | 2021-04-16 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110411589.4A CN113128585B (zh) | 2021-04-16 | 2021-04-16 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128585A true CN113128585A (zh) | 2021-07-16 |
CN113128585B CN113128585B (zh) | 2022-08-16 |
Family
ID=76776740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110411589.4A Active CN113128585B (zh) | 2021-04-16 | 2021-04-16 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128585B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176602A (zh) * | 2021-12-30 | 2022-03-15 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
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 |
CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类系统 |
-
2021
- 2021-04-16 CN CN202110411589.4A patent/CN113128585B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
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 |
CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类系统 |
Non-Patent Citations (3)
Title |
---|
YANG ZHOU等: "ecg hearbeat classification based on resnet and bi-lstm", 《IOP CONFERENCE SERIES:EARTH AND ENVIRONMENT SCIENCE》 * |
潘辉等: "基于改进残差网络对心电信号的识别", 《数据采集与处理》 * |
王文刀等: "基于堆叠式双向LSTM的心电图自动识别算法", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176602A (zh) * | 2021-12-30 | 2022-03-15 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
CN114176602B (zh) * | 2021-12-30 | 2024-04-26 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
CN115281676B (zh) * | 2022-10-08 | 2023-01-31 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113128585B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
JP2019084343A (ja) | ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置 | |
CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN117457229B (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
CN112200162A (zh) | 基于端到端网络的非接触式心率测量方法、系统和装置 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
CN113080996B (zh) | 一种基于目标检测的心电图分析方法及装置 | |
Guo et al. | Emfn: Enhanced multi-feature fusion network for hard exudate detection in fundus images | |
CN116322479A (zh) | 用于检测和/或预测心脏事件的心电图处理系统 | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
CN115221926A (zh) | 基于cnn-gru网络模型的心拍信号分类方法 | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
CN117598674B (zh) | 多参数心脏功能监测系统及方法 | |
CN107479685A (zh) | 脑电控制方法和脑电控制装置 | |
CN114041800A (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
CN114176602B (zh) | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 | |
CN110801227A (zh) | 基于可穿戴设备的立体色块障碍测试的方法和系统 | |
CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
CN114224354A (zh) | 心律失常分类方法、装置及可读存储介质 | |
CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 |
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 |