CN113133767A - 一种结合波段提取和多特征融合的心电信号分类方法 - Google Patents
一种结合波段提取和多特征融合的心电信号分类方法 Download PDFInfo
- Publication number
- CN113133767A CN113133767A CN202110301291.8A CN202110301291A CN113133767A CN 113133767 A CN113133767 A CN 113133767A CN 202110301291 A CN202110301291 A CN 202110301291A CN 113133767 A CN113133767 A CN 113133767A
- Authority
- CN
- China
- Prior art keywords
- layer
- qrs
- feature
- global
- classification
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 66
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims description 63
- 230000004913 activation Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000009849 deactivation Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005800 cardiovascular problem Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种结合波段提取和多特征融合的心电信号分类方法。首先对心电信号波段提取分类,得到不同波段下的心电信号;然后将不同波段信号进行特征提取,得到分属于不同波段的相关特征;然后对心电信号进行了全局特征的提取,得到信号全局相关的特征。再将该两类特征进行堆叠后通过通道注意力机制来赋予权重,从而实现有权重地既关注全局特征也关注不同波段特征。再将融合后的特征输入分类模块得到心电分类结果。本申请运用波段提取和多特征融合的得到分类识别方法具有分类不同疾病间特征区分大、准确度高、训练快速等优秀特点。
Description
技术领域
本发明属于心电信号分类技术领域,尤其涉及了一种结合波段提取和多特征融合的心电信号分类方法。
背景技术
根据《中国心血管病健康与疾病报告》的数据,我国心血管患病人口已经从2017年的2.9亿人上升到2019年的3.3亿人,两年新增百分之十的患病率。同时,不可忽略的是心血管病的高死亡率。根据中国农村居民和城市居民主要疾病死因调查现实,无论在乡村还是城市,心血管病都是死亡率高居首位,分别占到了45.91%和43.56%。心血管病的突发性和高危性是导致其死亡率较高的因素。心电信号(ECG)作为一项简单、快速、非侵入式的检查方式,它能放大并记录心脏的电冲动。相关人士可以通过对心电信号的起始位置、心电传导通路、心率以及心律等来判断是否有疾病趋势,因此心电信号被广泛作为心血管疾病的初步检查手段,是一种在早期发现的主要途径。
心电信号由心拍组成,一个完整的心拍主要由P波,QRS波,T波组成。不同的心血管问题在不同的波段的反映的特征是不同的。对于对于心电数据,某个患者的心率问题最直接的是由一个周期当中的某一波段起关键作用,其他波段虽然有影响,但作用较小。因此依据不同的波段的特征对心电信号进行分类是一个行之有效的方式。但是心电信号的整体特征是不可忽视的,不同波段之间的趋势关联也可以有效反应出心电信号的异常性,也是分类的重要依据。所以将根据不同的波段进行有效的特征提取和多种心电特征有效的融合可以更加准确有效的识别和分类心电信号。
该技术方案是对整体信号进行无差别的特征提取,没有对心电信号的特殊波段区域提出有效的特征识别办法。以及在分类时没有足够重视波段特征与整体波形特征之间的权重关系。
现有技术集中于对整体心电信号进行无差别的特征提取并根据无差别的特征进一步的分类,没有对心电信号的特殊波段区域提出有效的特征识别办法。以及在分类时没有足够重视波段特征与整体波形特征之间的权重关系。
发明内容
本申请的目的是提出一种结合波段提取和多特征融合的心电信号分类方法,用以克服现有技术在进行心电信号分类时不能对不同波段进行特征提取和有权重的特征融合等问题。
为了实现上述目的,本申请技术方案如下:
一种结合波段提取和多特征融合的心电信号分类方法,包括:
将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT;
将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT;
将心电信号Ioriginal输入信号全局特征提取模块中,得到心电信号全局特征Fwaveall;
将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG;
将FECG输入分类模块中,得到分类结果。
进一步的,所述波形提取模块包含两个卷积块和两个全连接层;每个卷积块由一个卷积层、一个全局池化层和一个随机失活层串行而成。
进一步的,所述将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT,包括:
将心电信号Ioriginal分别经过P波、QRS波和T波的波形提取模块,在波形提取模块中依次经过两个卷积块、两个全连接层,得到对应波形的上界和下界,根据上界和下界的数值,在Ioriginal中剪切出P波、QRS波和T波,即IP、IQRS和IT。
进一步的,所述波形特征提取模块包含两个卷积层和两个池化层,按照卷积层1、池化层1、卷积层2、池化层2的顺序串联而成。
进一步的,所述将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT,包括:
步骤2.1、将IP输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到P波特征FP;
步骤2.2、将IQRS输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到QRS波特征FQRS;
步骤2.3、将IT输入波形特征模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到T波特征FT。
进一步的,所述信号全局提取模块包含三个卷积层和三个全局池化层,按照卷积层a、全局池化层a、卷积层b、全局池化层b、卷积层c、全局池化层c的顺序串联而成。
进一步的,所述将心电信号Ioriginal输入信号全局特征提取模块中,得到心电信号全局特征Fwaveall,包括:
将Ioriginal输入全局特征提取模块中的,依次经过卷积层a、全局池化层a、卷积层b、全局池化层b、卷积层c、全局池化层c得到全局特征Fwaveall。
进一步的,所述基于通道注意力机制的特征融合模块,执行如下操作:
将输入的特征向量进行深度方向上的堆叠;
通过基于通道注意力机制的特征融合模块进行特征融合,该基于通道注意力机制的特征融合模块包含一个全局平均池化层,两个全连接层,一个Relu激活层和一个Sigmoid激活层,所述基于通道注意力机制的特征融合模块按照一个全局平均池化层,一个全连接层,一个Relu激活层,一个全连接层和一个Sigmoid激活层的顺序串联而成。
进一步的,所述将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG,包括:
步骤4.1、将维度为W×H×NP的FP、维度为W×H×NQRS的FQRS和维度为W×H×NT的FT,进行堆叠,得到一个维度为W×H×(NQRS+NP+NT)的特征,其中W和H为全局平均池化层的长与宽;
将维度为W×H×(NQRs+NP+NT)的特征与维度为W×H×Nall的Fwaveall进行堆叠,得到一个维度为W×H×(NQRS+NP+NT+Nall)的堆叠特征;
步骤4.2、将堆叠特征W×H×(NQRs+NP+NT+Nall)输入基于通道注意力机制的特征融合模块依次经过全局平均池化层、全连接层、Relu激活层、全连接层、Sigmoid激活层,得到一个大小为1*(NQRS+NP+NT+Nall)的通道权重向量,向量元素值为[o,1];
步骤4.3、将堆叠特征与通道权重向量相乘,得到融合特征FECG。
进一步的,所述分类模块包括一个全连接层和一个Softmax激活输出层;所述将融合特征FECG输入分类模块中,得到分类结果,包括:
将FECG输入分类模块,经过全连接层得到基于融合特征的分类向量;
将分类向量输入Softmax激活层得到分类概率向量P=(p1,p2,p3…pk),k为目标分类的种类数量,取向量P中概率最高值的类别为分类结果。
本申请提出的一种结合波段提取和多特征融合的心电信号分类方法,首先对心电信号波段提取,得到不同波段的心电信号;然后将不同波段信号进行特征提取,得到分属于不同波段的相关特征;然后对心电信号进行了全局特征的提取,得到信号全局波形的相关特征。再将该两类特征向量进行堆叠后通过通道注意力机制来赋予权重,从而实现有权重地既关注信号全局波形特征也关注不同波段的特征。再将融合后的权重特征向量输入分类模块得到心电分类结果。本申请运用波段提取和多特征融合的得到分类识别方法具有分类不同疾病间特征区分大、准确度高、训练快速等优秀特点。
附图说明
图1是本申请心电信号分类方法流程图;
图2是本申请心电信号分类方法流程框图;
图3是本申请的波形提取模块结构示意图;
图4是本申请的波形特征提取模块结构示意图;
图5是本申请的全局特征提取模块结构示意图
图6是本申请的基于通道注意力机制的特征融合模块网络结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1、图2所示,提供了一种基于通道注意力机制的心电信号分类与疾病识别方法,包括:
步骤S1、将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT。
具体的,如图3所示,所述波形提取模块包含两个卷积块和两个全连接层;每个卷积块由一个卷积层、一个全局池化层和一个随机失活层串行而成。
具体的,所述将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT,包括:
将心电信号Ioriginal分别经过P波、QRS波和T波的波形提取模块,在波形提取模块中依次经过两个卷积块、两个全连接层,得到对应波形的上界和下界,根据上界和下界的数值,在Ioriginal中剪切出P波、QRS波和T波,即IP、IQRS和IT。
步骤S2、将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT。
如图4所示,本申请所述波形特征提取模块包含两个卷积层和两个池化层,按照卷积层1、池化层1、卷积层2、池化层2的顺序串联而成。
具体的,所述将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT,包括:
步骤2.1、将IP输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到P波特征FP;
步骤2.2、将IQRS输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到QRS波特征FQRS;
步骤2.3、将IT输入波形特征模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到T波特征FT。
步骤S3、将心电信号Ioriginal输入信号全局特征模块中,得到心电信号全局特征Fwaveall。
如图5所示,本申请所述信号全局提取模块包含三个卷积层和三个全局池化层,按照卷积层1、全局池化层1、卷积层2、全局池化层2、卷积层3、全局池化层3的顺序串联而成。
具体的,所述将心电信号Ioriginal输入信号全局特征提取模块中,得到全局特征Fwaveall,包含:
将Ioriginal输入全局特征提取模块中的,依次经过卷积层1、全局池化层1、卷积层2、全局池化层2、卷积层3、全局池化层3得到全局特征Fwaveall。
步骤S4、将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG。
基于通道注意力机制的特征融合模块,执行如下操作:
将输入的特征向量进行深度方向上的堆叠;
通过基于通道注意力机制的特征融合模块进行特征融合,该基于通道注意力机制的特征融合模块包含一个全局平均池化层,两个全连接层,一个Relu激活层和一个Sigmoid激活层,所述基于通道注意力机制的特征融合模块按照一个全局平均池化层,一个全连接层,一个Relu激活层,一个全连接层和一个Sigmoid激活层的顺序串联而成。
具体的,所述将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG,包含:
步骤4.1、将维度为W×H×NP的FP、维度为W×H×NQRS的FQRS和维度为W×H×NT的FT,进行堆叠,得到一个维度为W×H×(NQRS+NP+NT)的特征,其中W和H为全局平均池化层的长与宽;
将维度为W×H×(NQRS+NP+NT)的特征与维度为W×H×Nall的Fwaveall进行堆叠,得到一个维度为W×H×(NQRS+NP+NT+Nall)的堆叠特征;
步骤4.2、将堆叠特征W×H×(NQRS+NP+NT+Nall)输入基于通道注意力机制的特征融合模块依次经过全局平均池化层、全连接层、Relu激活层、全连接层、Sigmoid激活层,得到一个大小为1*(NQRS+NP+NT+Nall)的通道权重向量,向量元素值为[0,1];
步骤4.3、将堆叠特征与通道权重向量相乘,得到融合特征FECG。
步骤S5、将FECG输入分类模块中,得到分类结果。
本申请分类模块包括一个全连接层和一个Softmax激活输出层。
具体的,所述将融合特征FECG输入分类模块中,得到分类结果,包含:
将FECG输入分类模块,经过全连接层得到基于融合特征的分类向量;
将分类向量输入Softmax激活层得到分类概率向量P=(p1,p2,p3…pk),k为目标分类的种类数量,取向量P中概率最高值的类别为分类结果。
需要说明的是,本申请分类模块是预先训练好的,可以识别出k种不同的类别,从而将输入的心电信号归入不同的类别。
本申请在波段特征提取通道中,利用波形提取模块从完整的心电信号提取出P波、QRS波和T波,并通过各个波段的波形特征提取模块对不同波段的特征进行有效提取,实现了对不同波段的切分和特征提取,为总体识别打下了基础。然后通过全局特征提取模块对心电信号进行全局特征的提取,以实现同时注意到信号的全局形态特征。之后将不同波段的特征和全局特征堆叠后通过通道注意力机制得到有权重融合多特征后的融合特征,从而实现既关注不同波段特征也关注全局波形特征。再根据融合特征最终获得分类结果。本申请经过波段提取、特征提取、多特征通道注意力机制下融合得到的分类识别方法具有不同疾病间特征区分大、准确度高、训练快速等优秀特点。
心电信号被广泛作为心血管疾病的初步检查手段,是一种在早期发现的主要途径,通过对心电信号的起始位置、心电传导通路、心率以及心律等来判断是否有疾病趋势。本申请技术方案对心电信号的分类,从而将输入的心电信号归入对应的类别,便于做出正确的疾病识别。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种结合波段提取和多特征融合的心电信号分类方法,其特征在于,所述心电信号分类方法,包括:
将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT;
将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT;
将心电信号Ioriginal输入信号全局特征提取模块中,得到心电信号全局特征Fwaveall;
将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG;
将FECG输入分类模块中,得到分类结果。
2.根据权利要求1所述的心电信号分类方法,其特征在于,所述波形提取模块包含两个卷积块和两个全连接层;每个卷积块由一个卷积层、一个全局池化层和一个随机失活层串行而成。
3.根据权利要求2所述的心电信号分类方法,其特征在于,所述将心电信号Ioriginal输入波形提取模块中,得到P波信号IP、QRS波信号IQRS以及T波信号IT,包括:
将心电信号Ioriginal分别经过P波、QRS波和T波的波形提取模块,在波形提取模块中依次经过两个卷积块、两个全连接层,得到对应波形的上界和下界,根据上界和下界的数值,在Ioriginal中剪切出P波、QRS波和T波,即IP、IQRS和IT。
4.根据权利要求1所述的心电信号分类方法,其特征在于,所述波形特征提取模块包含两个卷积层和两个池化层,按照卷积层1、池化层1、卷积层2、池化层2的顺序串联而成。
5.根据权利要求4所述的心电信号分类方法,其特征在于,所述将IP、IQRS、IT分别输入波形特征提取模块中,得到P波特征FP、QRS波特征FQRS、T波特征FT,包括:
步骤2.1、将IP输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到P波特征FP;
步骤2.2、将IQRS输入波形特征提取模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到QRS波特征FQRS;
步骤2.3、将IT输入波形特征模块中,依次通过卷积层1、池化层1、卷积层2、池化层2得到T波特征FT。
6.根据权利要求1所述的心电信号分类方法,其特征在于,所述信号全局提取模块包含三个卷积层和三个全局池化层,按照卷积层a、全局池化层a、卷积层b、全局池化层b、卷积层c、全局池化层c的顺序串联而成。
7.根据权利要求6所述的心电信号分类方法,其特征在于,所述将心电信号Ioriginal输入信号全局特征提取模块中,得到心电信号全局特征Fwaveall,包括:
将Ioriginal输入全局特征提取模块中的,依次经过卷积层a、全局池化层a、卷积层b、全局池化层b、卷积层c、全局池化层c得到全局特征Fwaveall。
8.根据权利要求1所述的心电信号分类方法,其特征在于,所述基于通道注意力机制的特征融合模块,执行如下操作:
将输入的特征向量进行深度方向上的堆叠;
通过基于通道注意力机制的特征融合模块进行特征融合,该基于通道注意力机制的特征融合模块包含一个全局平均池化层,两个全连接层,一个Relu激活层和一个Sigmoid激活层,所述基于通道注意力机制的特征融合模块按照一个全局平均池化层,一个全连接层,一个Relu激活层,一个全连接层和一个Sigmoid激活层的顺序串联而成。
9.根据权利要求8所述的心电信号分类方法,其特征在于,所述将FP、FQRS、FT和Fwaveall通过基于通道注意力机制的特征融合模块,得到融合特征FECG,包括:
步骤4.1、将维度为W×H×NP的FP、维度为W×H×NQRS的FQRS和维度为W×H×NT的FT,进行堆叠,得到一个维度为W×H×(NQRS+NP+NT)的特征,其中W和H为全局平均池化层的长与宽;
将维度为W×H×(NQRS+NP+NT)的特征与维度为W×H×Nall的Fwaveall进行堆叠,得到一个维度为W×H×(NQRS+NP+NT+Nall)的堆叠特征;
步骤4.2、将堆叠特征W×H×(NQRS+NP+NT+Nall)输入基于通道注意力机制的特征融合模块依次经过全局平均池化层、全连接层、Relu激活层、全连接层、Sigmoid激活层,得到一个大小为1*(NQRS+NP+NT+Nall)的通道权重向量,向量元素值为[0,1];
步骤4.3、将堆叠特征与通道权重向量相乘,得到融合特征FECG。
10.根据权利要求1所述的心电信号分类方法,其特征在于,所述分类模块包括一个全连接层和一个Softmax激活输出层;所述将融合特征FECG输入分类模块中,得到分类结果,包括:
将FECG输入分类模块,经过全连接层得到基于融合特征的分类向量;
将分类向量输入Softmax激活层得到分类概率向量P=(p1,p2,p3…pk),k为目标分类的种类数量,取向量P中概率最高值的类别为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301291.8A CN113133767A (zh) | 2021-03-22 | 2021-03-22 | 一种结合波段提取和多特征融合的心电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110301291.8A CN113133767A (zh) | 2021-03-22 | 2021-03-22 | 一种结合波段提取和多特征融合的心电信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113133767A true CN113133767A (zh) | 2021-07-20 |
Family
ID=76809973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110301291.8A Pending CN113133767A (zh) | 2021-03-22 | 2021-03-22 | 一种结合波段提取和多特征融合的心电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113133767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893528A (zh) * | 2024-03-13 | 2024-04-16 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 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 |
CN110731773A (zh) * | 2019-10-28 | 2020-01-31 | 浙江工业大学 | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-22 CN CN202110301291.8A patent/CN113133767A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 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 |
CN110731773A (zh) * | 2019-10-28 | 2020-01-31 | 浙江工业大学 | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 |
CN110801218A (zh) * | 2019-11-13 | 2020-02-18 | 清华大学 | 心电图数据处理方法、装置、电子设备及计算机可读介质 |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893528A (zh) * | 2024-03-13 | 2024-04-16 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
CN117893528B (zh) * | 2024-03-13 | 2024-05-17 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | Automatic grape leaf diseases identification via UnitedModel based on multiple convolutional neural networks | |
Pławiak | Novel genetic ensembles of classifiers applied to myocardium dysfunction recognition based on ECG signals | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
Yang et al. | Ensemble of kernel extreme learning machine based random forest classifiers for automatic heartbeat classification | |
CN104970789A (zh) | 心电图分类方法及系统 | |
CN106901723A (zh) | 一种心电图异常自动诊断方法 | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN101887721A (zh) | 一种基于心电信号与语音信号的双模态情感识别方法 | |
CN112932433B (zh) | 一种心电图的心律失常自动分类方法 | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN110020636B (zh) | 一种基于异常特征值的室性早搏智能分析方法 | |
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 | |
CN113951893B (zh) | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 | |
CN113080996B (zh) | 一种基于目标检测的心电图分析方法及装置 | |
CN113133767A (zh) | 一种结合波段提取和多特征融合的心电信号分类方法 | |
Silipo et al. | Classification of arrhythmic events in ambulatory electrocardiogram, using artificial neural networks | |
Chu et al. | A novel two-lead arrhythmia classification system based on CNN and LSTM | |
CN114041800B (zh) | 心电信号实时分类方法、装置及可读存储介质 | |
CN111557660A (zh) | 一种亚群体深度学习框架下的心律失常识别方法 | |
Banerjee et al. | Cnn-svm model for accurate detection of bacterial diseases in cucumber leaves | |
CN115169386A (zh) | 一种基于元注意力机制的弱监督增类活动识别方法 | |
Han et al. | Detecting ECG abnormalities using an ensemble framework enhanced by Bayesian belief network | |
CN112957052B (zh) | 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法 | |
Katafuchi et al. | Image-based plant disease diagnosis with unsupervised anomaly detection based on reconstructability of colors |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |