CN113180684B - 一种ⅱ导联心电信号分类方法 - Google Patents
一种ⅱ导联心电信号分类方法 Download PDFInfo
- Publication number
- CN113180684B CN113180684B CN202110621487.5A CN202110621487A CN113180684B CN 113180684 B CN113180684 B CN 113180684B CN 202110621487 A CN202110621487 A CN 202110621487A CN 113180684 B CN113180684 B CN 113180684B
- Authority
- CN
- China
- Prior art keywords
- neural network
- input
- lstm
- layer
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 60
- 125000004122 cyclic group Chemical group 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 13
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 abstract description 3
- 230000008034 disappearance Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 206010006580 Bundle branch block left Diseases 0.000 description 2
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明一种Ⅱ导联心电信号分类方法，属于心电信号识别分类领域；该方法首先对Ⅱ导联心电信号原始数据进行滤除肌电干扰、工频干扰，然后建立训练模型对心电信号进行无监督算法时间序列特征提取，通过改进传统多层卷积神经网络时域上的梯度消失与时间序列敏感度低、参数复杂等问题获得了一个时间序列敏感、时域表现稳定的新型神经网络分类模型，最后通过该模型获得了特定心跳类型的时间序列特征用以实现心跳信号的分类。该方法包含了基于时间序列特征检测的LSTM神经网络与Auto Encoder模型相结合的方法，实验证明，该方法不仅能够较好的提取信号中的时间序列，减少输入参数复杂度，还适用于多种心电信号的判别分类。
Description
技术领域
本发明涉及心电信号识别分类领域，具体涉及一种Ⅱ导联心电信号分类方法。
背景技术
心电信号是利用心电图机从体表记录心脏每一心跳周期所产生的电活动变化图形的技术。其主要成分包括QRS复合波、P波、T波等。心电信号也是检测心律失常一类疾病的重要标准。心电信号还用于各种人群体检。专业医师可以通过心电图，了解有无严重的先心病，有无心脏结构异常。另外急性心肌缺血、心肌梗死也可以通过心电图来快速识别。故此心电信号中包含的生理信息对心脏疾病的诊断具有非常重要的意义。但是，心电信号的诊断需要具有经过专业培训的专业医师对很多不规则的心电图进行目测评估，通常这是一个非常消耗时间和具有主观因素在内的过程。所以很难对心电信号进行准确的分类。
在这种困境下计算机辅助诊断技术开始被大力发展用以实现计算机自动识别心电信号分类，并且随着神经网络等技术的提高，大量的有关心电信号自动分类诊断的算法被提出，然而其中很多算法采用的都是传统CNN神经网络作为主要技术手段从而建立网络模型完成心电分类，这些分类方法需要使用手工制作的特征进行分类，而其输入特征通常是通过反复试验或经验来设计和选择的，这样容易造成输入特征冗余，而CNN神经网络还具有梯度消失等问题存在，容易导致误诊或不适当的分类，对专业医生的帮助十分有限。
由此可见，当前心电信号检测分类方法中存在分类不准确、参数冗余、模型不稳定等问题。
发明内容
有鉴于此，本发明提出了一种Ⅱ导联心电信号分类方法从数据本身的时间序列特征出发判断并分类各种心跳，解决了参数冗余、模型不稳定的技术问题，部分解决了现有技术中的方法存在的分类不准确问题。更好的为专业医生提供辅助功能，用以降低误诊率。
为达到上述发明目的，本发明采用的技术方案为：一种Ⅱ导联心电信号分类方法，包括以下步骤：
步骤a、滤除Ⅱ导联心电信号中的肌电干扰；
步骤b、滤除Ⅱ导联心电信号中的工频干扰；
步骤c、利用LSTM神经网络构筑Auto Encoder模型中的Encoder部分；
步骤d、利用LSTM神经网络构筑Auto Encoder模型中的Decoder部分；
步骤e、建立新型Auto Encoder模型并完成验证集心跳分类；
在一种实施方式中，步骤a具体包括：
步骤a1：建立低通滤波器滤除心电信号内的肌电干扰；
在一种实施方式中，步骤a1具体包括：
步骤a11:求解低通滤波器阶数；
首先是滤波器阶数的计算，由下面的公式求得：
其中N代表滤波器的阶数，As表示低通滤波器的阻带截止频率，取值100Hz，Ap表示通带截止频率，取值80Hz，Ωs表示阻带衰减，取值1.6，Ωp表示通带衰减，取值1.4。计算可得N为1。
步骤a12:求解低通滤波器传递函数；
低通滤波器的传递函数计算公式为
其中Ω代表低通滤波器输入频率，Ωc代表振幅下降为-3分贝时的频率。故其传递函数的分母多项式公式为：
由上述公式根据jΩ解开可以得到极点的解公式为：
获得极点Pk的解之后，其模拟滤波器的传递函数Ha(jΩ)就可用下式求得：
至此低通滤波器已经设计完成，原始Ⅱ导联心电信号通过该滤波器滤除肌电干扰。
在一种实施方式中，步骤b具体包括：
步骤b1：建立自适应滤波器滤除心电信号内的肌电干扰：
自适应滤波器计算公式组如下：
其中n表示公式组运行的次数。D(n)表示滤波器主通道的输入，D(n)包括了心电信号及工频干扰噪声，工频干扰常常表现为50Hz的电场干扰和50Hz的磁场干扰。w1(n)、w2(n)为加权的系数。次通道的输入即包含互相关参考噪声。X1(n)、X2(n)为互相关参考噪声输入次通道后分别输出的工频干扰和相移90度的工频干扰，Y(n)是经过整合工频干扰和相移90度的工频干扰后的总干扰。这样处理之后主通道输入减去总干扰即可达到消除主通道内工频干扰的效果。μ为步长系数，迭代数为n，通过不断迭代上述公式组，调整加权系数以获取消除工频干扰后的心电输出信号e(n)。
在一种实施方式中，步骤c具体包括：
步骤c1构筑Encoder神经网络模型；
步骤c2 LSTM循环神经网络层计算；
步骤c3前向层设计；
在一种实施方式中，步骤c1具体包括：
所述Encoder神经网络模型包括：第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Encoder神经网络模型输入端，所述第四前向层输出端作为Encoder神经网络模型输出端。
在一种实施方式中，步骤c2具体包括：
采用LSTM构成Encoder神经网络模型对心电信号时间序列特征进行提取保存。LSTM的更新迭代计算公式为：
其中，t为循环次数，σ是Logistic Sigmoid函数，it、ft、ot分别是LSTM的输入门、遗忘门以及输出门，ct为内部记忆单元，他们都与mt的尺寸大小相同，mt为LSTM的内部隐藏状态，公式中的g和h是信源输入与信源输出激活函数。序列xt代表着输入序列，yt代表着输出序列。Wix为从输入门it到输入序列xt的权重矩阵，Wim为从输入门it到隐藏状态mt-1的权重矩阵，Wic为从输入门it到记忆单元ct-1的权重矩阵，Wfx为从遗忘门ft到输入序列xt的权重矩阵，Wfm为从遗忘门ft到隐藏状态mt-1的权重矩阵，Wfc为从遗忘门ft到记忆单元ct-1的权重矩阵，Wcx为从记忆单元ct到输入序列xt的权重矩阵，Wcm为从记忆单元ct到隐藏状态mt-1的权重矩阵，Wox为从输出门ot到输入序列xt的权重矩阵，Wom为从输出门ot到隐藏状态mt-1的权重矩阵，Woc为从输出门ot到记忆单元ct的权重矩阵，Wym为从输出序列yt到隐藏状态mt的权重矩阵。bi为输入门it偏置向量，bf为遗忘门ft偏置向量，bc为记忆单元ct偏置向量，bo为输出门ot偏置向量，by为输出序列yt偏置向量。
通过使用从t＝1到T利用上式迭代地计算从输入序列xt到输出序列yt的映射。
在一种实施方式中，步骤c3具体包括：
Encoder神经网络模型采用三层LSTM逐级连接的形式构成，第一层LSTM神经网络层的输入数据为原始心电信号数据，其中隐层的维度设置为256，第二层LSTM神经网络层的输入数据为第一层LSTM层的输出数据，其中隐层的维度设置为128，第三层LSTM神经网络层的输入数据为第二层LSTM神经网络层的输出数据，其中隐层的维度设置为64，最后定义前向函数，使得原始心电信号数据按顺序依次通过三层LSTM神经网络层最后输出，利用成倍数缩小的隐层实现压缩原始数据并且通过LSTM提取数据中隐藏的时间序列信息。
在一种实施方式中，步骤d具体包括：
步骤d1构筑Decoder神经网络模型；
步骤d2 LSTM循环神经网络层计算步骤；
步骤d3线性层设计；
步骤d4前向层设计；
在一种实施方式中，步骤d1具体包括：
所述Decoder神经网络模型包括：第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Encoder神经网络模型输入端，所述第五前向层输出端作为Decoder神经网络模型输出端。
在一种实施方式中，步骤d2具体包括：
采用LSTM构成Decoder神经网络模型对心电信号时间序列特征进行提取保存。LSTM的更新迭代计算公式为：
其中，r为循环次数，σ是Logistic Sigmoid函数，Ir、Fr、Or分别是LSTM的输入门、遗忘门以及输出门，Cr为内部记忆单元，他们都与Mr的尺寸大小相同，Mr为LSTM的内部隐藏状态，公式中的G和H是信源输入与信源输出激活函数。序列Xr代表着输入序列，Yr代表着输出序列。WIX为从输入门Ir到输入序列Xr的权重矩阵，WIM为从输入门Ir到隐藏状态Mr-1的权重矩阵，WIC为从输入门Ir到记忆单元Cr-1的权重矩阵，WFX为从遗忘门Fr到输入序列Xr的权重矩阵，WFM为从遗忘门Fr到隐藏状态Mr-1的权重矩阵，WFC为从遗忘门Fr到记忆单元Cr-1的权重矩阵，WCX为从记忆单元Cr到输入序列Xr的权重矩阵，WCM为从记忆单元Cr到隐藏状态Mr-1的权重矩阵，WOX为从输出门Or到输入序列Xr的权重矩阵，WOM为从输出门Or到隐藏状态Mr-1的权重矩阵，WOC为从输出门Or到记忆单元Cr的权重矩阵，WYM为从输出序列Yr到隐藏状态Mr的权重矩阵。BI为输入门Ir偏置向量，BF为遗忘门Fr偏置向量，BC为记忆单元Cr偏置向量，BO为输出门Or偏置向量，BY为输出序列Yr偏置向量。
通过使用从r＝1到R利用上式迭代地计算从输入序列Xr到输出序列Yr的映射。
在一种实施方式中，步骤d3具体包括：
线性层又称全连接层，其计算公式如下：
k＝lWT+bias
其中W表示模型权重，bias表示偏差，均为标量。k是线性层输入序列，l是线性层输出序列。
在一种实施方式中，步骤d4具体包括：
Decoder神经网络层采用三层LSTM外加一层线性输出层与前向层逐级连接的形式构成，第一层LSTM神经网络层的输入数据为步骤b中的Encoder神经网络层输出数据，其中隐层的维度设置为64，第二层LSTM神经网络层的输入数据为第一层LSTM层的输出数据，其中隐层的维度设置为128，第三层LSTM神经网络层的输入数据为第二层LSTM神经网络层的输出数据，其中隐层的维度设置为256，最后通过线性层实现输出数据格式转换为标准输入的心电信号数据格式，利用成倍增加的隐层实现重建并输出步骤b中被压缩的数据，保存该次处理数据的时间序列特征。
在一种实施方式中，步骤e具体包括：
步骤e1建立新型Auto Encoder模型：
步骤e2制备训练模型数据：
步骤e3训练模型：
步骤e4获取各类心跳时间序列特征：
步骤e5心跳分类：
在一种实施方式中，步骤e1具体包括：
所述新型Auto Encoder神经网络模型包括：第一所述步骤c1中构筑的Encoder神经网络模型、第二所述步骤d1中构筑的Decoder神经网络模型；
第一所述步骤c1中构筑的Encoder神经网络模型、第二所述步骤d1中构筑的Decoder神经网络模型顺次连接；所述第一步骤c1中构筑的Encoder神经网络模型输入端作为Auto Encoder神经网络模型输入端，所述第二步骤d1中构筑的Decoder神经网络模型输出端作为Decoder神经网络模型输出端。
在一种实施方式中，步骤e2具体包括：
将输入的Ⅱ导联心电数据按照心跳节拍为单位分组，同种类型心跳做好对应的标签，再随机从所有数据中取出75％作为新建神经网络模型的训练数据集，剩下的25％数据中再随机取出其中的66％作为测试数据集，最后剩下的部分就是该模型的验证数据集。
在一种实施方式中，步骤e3具体包括：
在训练过程开始前，预先设置一个误差参考值，整个训练过程采用循环迭代方式进行。利用步骤e2中制作的训练数据集进行训练。在每一次训练的迭代过程中，假设原始输入心电信号数据为p，将p输入到步骤e1中建立的Auto Encoder模型后获得输出数据q。然后计算输出q与原始输入心电信号数据p的误差loss(p,q)，loss(p,q)的计算公式如下：
计算完loss(p,q)之后，若loss(p,q)值小于预先设定的误差参考值则将误差参考值更新为loss(p,q)值。
在一种实施方式中，步骤e4具体包括：
利用步骤e3中设计的训练模型将同种标签类型的心电信号训练数据集进行迭代训练，完成训练后按不同类型心跳分别保存各自的时间序列参数。
在一种实施方式中，步骤e5具体包括：
利用e3的训练过程可以得到具有不同类型心电信号各自时间序列特征的不同Auto Encoder模型，当一段心电信号数据同时输入上述具有不同参数的Auto Encoder模型后，每种Auto Encoder模型均能得到一组输出数据，利用上述步骤e3中的误差判定公式计算各组输出数据与原始输入心电信号数据间的误差，找到对应误差值最小的Auto Encoder模型，该模型对应的心跳类型就是输入心电信号的类型，完成心跳分类。
综上，本发明的有用效果为：本发明设计了一种Ⅱ导联心电信号分类方法，Ⅱ导联心电信号数据先通过方法中设计的低通滤波器、自适应滤波器分别滤除信号中带有的肌电干扰、工频干扰，然后将处理过的信号通过方法中设计的基于LSTM神经网络的AutoEncoder模型进行训练用以获得各种心跳对应的时间序列参数特征并保存，最后利用保存好的各类心跳时间序列特征分别带入Auto Encoder模型中，然后将心电信号输入模型利用时间序列特征判断分类心电信号，该方法有效的解决了参数冗余、模型不稳定的技术问题，部分解决了现有技术中的方法存在的分类不准确问题，为专业医生提供了可靠的帮助与参考，减少误诊率。
附图说明
图1为本发明的工作流程示意图；
图2为四种心电信号类型原始数据图；
图3为本发明的自适应算法原理图；
图4为本发明的自适应滤波器结构图；
图5为四种心电信号滤波去噪后数据图；
图6为四种心电信号的时间序列图；
图7为本发明的Encoder模型结构图；
图8为本发明的Decoder模型结构图；
图9为本发明的Auto Encoder模型结构图；
图10为本发明的Ⅱ导联心电信号分类模型结构图；
具体实施方式
下面对本发明的具体实施方法进行描述，结合本发明实施例中的附图加以说明，用以方便本技术领域的技术人员理解本发明，显然所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施例。但基于本发明中的实施例的各种变化且包含在上述权利要求限定范围之内的，这些变化显而易见应当属于本发明的保护范围。
具体地，本发明提供了一种Ⅱ导联心电信号分类方法，以MIT-BIH心电数据集为例，如图1所示，其包括一下步骤：
步骤a：滤除Ⅱ导联心电信号中的肌电干扰；在MIT-BIH数据集中选择NIT-BIH心律失常数据库中四种不同心电信号的部分数据进行实施例，该数据库包含48个半小时的Ⅱ通道动态心电信号摘录，附图中四种心跳类型代号代表的含义为：
A:Atrial premature beat(房性早搏)
L:Left bundle branch block beat(左束支传导阻滞)
N:Normal beat(正常搏)
V:Premature ventricular contraction(室性早搏)
四种心电信号去噪前原始输入信号如图2所示，人体心电信号是非常微弱的生理低频电信号，其最大幅值一般不超过5mV，并且通常频率稳定在0.05～100Hz之间。而肌电干扰是在心电信号采集过程中由于人体肌肉运动产生的肌电电压，一般来讲肌电干扰属于高频范围，通常在5～2000Hz，在正常心电信号上会表现为无规律细小的高频波动，容易产生视觉混淆，进而导致心电信号诊断有误，所以选择设计低通滤波器来滤除肌电干扰。
在实施例方法中，步骤a具体包括：
步骤a11:求解低通滤波器阶数：
步骤a12:求解低通滤波器传递函数：
具体来说，步骤a11首先是滤波器阶数的计算，由下面的公式求得：
其中N代表滤波器的阶数，As表示低通滤波器的阻带截止频率，取值100Hz，Ap表示通带截止频率，取值80Hz，Ωs表示阻带衰减，取值1.6，Ωp表示通带衰减，取值1.4。计算可得N为1。
其次求解低通滤波器传递函数：
低通滤波器的传递函数计算公式为
其中Ω代表低通滤波器输入频率，Ωc代表振幅下降为-3分贝时的频率。故其传递函数的分母多项式公式为：
由上述公式根据jΩ解开可以得到极点的解公式为：
获得极点Pk的解之后，其模拟滤波器的传递函数Ha(jΩ)就可用下式求得：
至此低通滤波器已经设计完成，原始Ⅱ导联心电信号通过该滤波器滤除肌电干扰。
在实施例方法中，步骤b具体包括：
步骤b1：建立自适应滤波器滤除心电信号内的工频干扰
工频干扰也是心电信号的主要干扰来源，在肌电测量中工频干扰的主要表现为50Hz的电场干扰与50Hz的磁场干扰，故采用自适应滤波器消除工频干扰。自适应算法原理图如图3所示，其中原始输入信号为有用信号S(n)和噪声信号N(n)之和，而参考输入端的信号是仅仅与N(n)相关的噪声信号R(n)，通过自适应调整输出Y(n)，就可在最小均方误差标准下获得主输入噪声的N(n)的一个最佳估计，再将此估计与主输入相减，可以较完全的消除主输入包含的噪声，具体分析如下：
输出误差e(n)为：
e(n)＝S(n)+N(n)-Y(n)
均方误差估计为：
E[e2(n)]＝E[S2(n)]+E{[N(n)-Y(n)]2}+2E{S(n)[N(n)-Y(n)]}
由于S(n)、R(n)及N(n)不相关，故期望值最小值是：
E[e2(n)]＝E[S2(n)]+E{[N(n)-Y(n)]2}
当Y(n)→N(n)时输出均方误差最小，此时系统输出就十分接近输入信号中的有用成分S(n)。
根据上述原理，本发明设计的自适应滤波器结构如图4所示，滤波器主通道的输入为D(n)，其中包括了心电信号及工频干扰噪声，工频干扰常常表现为50Hz的电场干扰和50Hz的磁场干扰，参考端的输入即包含互相关参考噪声，设置自适应滤波器的阶数为2，公式组如下：
其中w1、w2为加权的系数，X1、X2分别对应工频干扰和相移90度的工频干扰，这样处理之后的加权干扰经过同主输入通道信号数据的相减来消除输入的工频干扰。μ为步长系数，迭代数为n，通过不断迭代上述公式组，调整加权系数以获取消除工频干扰后的心电输出信号e(n)。最后通过滤除肌电干扰与工频干扰之后的四种心电信号如图5所示。
在实施例方法中，步骤c具体包括：
步骤c1构筑Encoder神经网络模型：
步骤c2 LSTM循环神经网络层计算步骤：
步骤c3前向层设计：
具体来说，步骤c1构筑的Encoder神经网络模型结构如图7所示，其中包括第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Encoder神经网络模型输入端，所述第四前向层输出端作为Encoder神经网络模型输出端。
进一步，通过步骤c2计算模型中的LSTM循环神经网络层，LSTM循环神经网络层能够解决普通神经网络在梯度反传过程中由于逐步缩减而产生的梯度消失问题。而具体到信号处理问题上时，LSTM非常适合用于处理与时间序列高度相关的问题，故采用LSTM构成Encoder、Decoder神经网络模型对心电信号时间序列特征进行提取保存。而LSTM的第t步更新迭代计算公式为：
其中，t为循环次数，σ是Logistic Sigmoid函数，it、ft、ot分别是LSTM的输入门、遗忘门以及输出门，ct为内部记忆单元，他们都与mt的尺寸大小相同，mt为LSTM的内部隐藏状态，公式中的g和h是信源输入与信源输出激活函数。序列xt代表着输入序列，yt代表着输出序列。Wix为从输入门it到输入序列xt的权重矩阵，Wim为从输入门it到隐藏状态mt-1的权重矩阵，Wic为从输入门it到记忆单元ct-1的权重矩阵，Wfx为从遗忘门ft到输入序列xt的权重矩阵，Wfm为从遗忘门ft到隐藏状态mt-1的权重矩阵，Wfc为从遗忘门ft到记忆单元ct-1的权重矩阵，Wcx为从记忆单元ct到输入序列xt的权重矩阵，Wcm为从记忆单元ct到隐藏状态mt-1的权重矩阵，Wox为从输出门ot到输入序列xt的权重矩阵，Wom为从输出门ot到隐藏状态mt-1的权重矩阵，Woc为从输出门ot到记忆单元ct的权重矩阵，Wym为从输出序列yt到隐藏状态mt的权重矩阵。bi为输入门it偏置向量，bf为遗忘门ft偏置向量，bc为记忆单元ct偏置向量，bo为输出门ot偏置向量，by为输出序列yt偏置向量。
通过使用从t＝1到T利用上式迭代地计算从输入序列xt到输出序列yt的映射。
其中Encoder神经网络模型采用三层LSTM逐级连接的形式构成，第一层LSTM神经网络层的输入数据为原始心电信号数据，其中隐层的维度设置为256，第二层LSTM神经网络层的输入数据为第一层LSTM层的输出数据，其中隐层的维度设置为128，第三层LSTM神经网络层的输入数据为第二层LSTM神经网络层的输出数据，其中隐层的维度设置为64，最后定义前向函数，使得原始心电信号数据按顺序依次通过三层LSTM神经网络层最后输出，利用成倍数缩小的隐层实现压缩原始数据并且通过LSTM提取数据中隐藏的时间序列信息。
在实施例方法中，步骤d具体包括：
步骤d1构筑Decoder神经网络模型：
步骤d2 LSTM循环神经网络层计算步骤：
步骤d3线性层设计：
步骤d4前向层设计：
具体来说，步骤d1构筑的Decoder神经网络模型结构如图8所示，所述Decoder神经网络模型包括：第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Encoder神经网络模型输入端，所述第五前向层输出端作为Decoder神经网络模型输出端。
进一步，通过步骤d2进行LSTM循环神经网络层计算，进入步骤d3线性层设计，线性层又称全连接层，其计算公式如下：
k＝lWT+bias
其中W表示模型权重，bias表示偏差，均为标量。k是线性层输入序列，l是线性层输出序列，利用线性层将Decoder模型输出序列格式调整为与原始输入心电信号序列格式一致，完成Encoder部分压缩数据的重建。其中通过步骤d4完成前向层的设计，Decoder神经网络层采用三层LSTM外加一层线性输出层与前向层逐级连接的形式构成，第一层LSTM神经网络层的输入数据为步骤b中的Encoder神经网络层输出数据，其中隐层的维度设置为64，第二层LSTM神经网络层的输入数据为第一层LSTM层的输出数据，其中隐层的维度设置为128，第三层LSTM神经网络层的输入数据为第二层LSTM神经网络层的输出数据，其中隐层的维度设置为256，最后通过线性层实现输出数据格式转换为标准输入的心电信号数据格式，利用成倍增加的隐层实现重建并输出步骤b中被压缩的数据，保存该次处理数据的时间序列特征。其中四种不同心跳的时间序列特征如图6所示，可以明显的看出，不同类型的心电信号时间序列也有明显不同，从而得出我们采集不同种类心电信号的时间序列特征是有意义的。
在实施例方法中，步骤e具体包括：
步骤e1建立新型Auto Encoder模型：
步骤e2制备训练模型数据：
步骤e3训练模型：
步骤e4获取各类心跳时间序列特征：
步骤e5心跳分类：
具体来说，步骤e1构筑的Auto Encoder神经网络模型结构如图9所示，所述新型Auto Encoder神经网络模型包括：第一所述步骤c1中构筑的Encoder神经网络模型、第二所述步骤d1中构筑的Decoder神经网络模型；
第一所述步骤c1中构筑的Encoder神经网络模型、第二所述步骤d1中构筑的Decoder神经网络模型顺次连接；所述第一步骤c1中构筑的Encoder神经网络模型输入端作为Auto Encoder神经网络模型输入端，所述第二步骤d1中构筑的Decoder神经网络模型输出端作为Decoder神经网络模型输出端。
进一步，通过步骤e2将经过滤波的四种心电信号制作成模型需要的数据，将输入的Ⅱ导联心电数据按照心跳节拍为单位分组，同种类型心跳做好对应的标签，再随机从所有数据中取出75％作为新建神经网络模型的训练数据集，剩下的25％数据中再随机取出其中的66％作为测试数据集，最后剩下的部分就是该模型的验证数据集。经过上述处理后，四种心跳的总数据分布如下表所示：
| Category | Training Set | Testing Set | Validation set |
| A | 1368 | 228 | 114 |
| L | 2472 | 412 | 206 |
| N | 2616 | 436 | 218 |
| V | 828 | 138 | 69 |
在训练过程开始前，预先设置一个误差参考值，整个训练过程采用循环迭代方式进行。利用步骤e2中制作的训练数据集进行训练。在每一次训练的迭代过程中，假设原始输入心电信号数据为p，将p输入到步骤e1中建立的Auto Encoder模型后获得输出数据q。然后计算输出q与原始输入心电信号数据p的误差loss(p,q)，loss(p,q)的计算公式如下：
计算loss(p,q)之后，若loss(p,q)值小于预先设定的误差参考值则将误差参考值更新为loss(p,q)值。
进一步，完成步骤e5心跳分类，分类模型的整体结构如图10所示，其中输入为步骤e2中制作好的验证数据集(Validation set)，Part1、Part2、Part3、Part4分别为将步骤e4中保存的四种心跳类型各自的时间序列参数导入步骤e1中设计的Auto Encoder模型后生成的四种不同时间序列特征参数的Auto Encoder模型，当四种心跳类型中的任意一组心跳数据按照图10所示输入到四种不同时间序列特征参数的Auto Encoder模型进行压缩编码与重建编码之后与其原始输入按照L1Loss损失函数计算误差，只有经过同类型时间序列特征参数的Auto Encoder模型重建出来的序列与原始输入序列的误差最小，故此判断出输入心跳的类型，实现心跳分类。
在实施例方法中，结果如下表所示：
由上表可知，本发明的分类方法在验证集上的平均Accuracy值达到了95.67％，我们可以看出本发明方法在整个分类过程中的模型没有用到随机输入参数，解决了传统CNN神经网络需要使用手工制作的特征进行分类从而造成的参数冗余与误差问题，本发明模型内部使用LSTM循环神经网络层技术，解决了CNN神经网络因具有梯度消失等问题存在而导致误诊或不适当的分类问题，模型准确率比较高，能较好的完成Ⅱ导联心电信号分类问题，具有较大的社会实用价值。
Claims (1)
1.一种Ⅱ导联心电信号分类方法，其特征在于，包括以下步骤：
步骤a、滤除Ⅱ导联心电信号中的肌电干扰；具体步骤如下：
步骤a1：建立低通滤波器滤除心电信号内的肌电干扰：
步骤a11:求解低通滤波器阶数：
首先是低通滤波器阶数的计算，由下面的公式求得：
其中N代表低通滤波器的阶数，As表示低通滤波器的阻带截止频率，取值100Hz，Ap表示通带截止频率，取值80Hz，Ωs表示阻带衰减，取值1.6，Ωp表示通带衰减，取值1.4；计算可得N为1；
步骤a12:求解低通滤波器传递函数：
低通滤波器的传递函数计算公式为
其中Ω代表低通滤波器输入频率，Ωc代表振幅下降为-3分贝时的频率；故其传递函数的分母多项式公式为：
由上述公式根据jΩ解开可以得到极点的解公式为：
获得极点Pk的解之后，其模拟低通滤波器的传递函数Ha(jΩ)就可用下式求得：
至此低通滤波器已经设计完成，原始Ⅱ导联心电信号通过该低通滤波器滤除肌电干扰；
步骤b、滤除Ⅱ导联心电信号中的工频干扰；具体步骤如下：
步骤b1：建立自适应滤波器滤除心电信号内的工频干扰：
自适应滤波器计算公式组如下：
其中n表示公式组运行的迭代数；D(n)表示自适应滤波器主通道的输入，D(n)包括了心电信号及工频干扰噪声，工频干扰常常表现为50Hz的电场干扰和50Hz的磁场干扰；w1(n)、w2(n)为加权的系数；次通道的输入即包含互相关参考噪声；X1(n)、X2(n)为互相关参考噪声输入次通道后分别输出的工频干扰和相移90度的工频干扰，Y(n)是经过整合工频干扰和相移90度的工频干扰后的总干扰；这样处理之后主通道输入减去总干扰即可达到消除主通道内工频干扰的效果；μ为步长系数，通过不断迭代上述公式组，调整加权系数以获取消除工频干扰后的心电输出信号e(n)；
步骤c、利用LSTM神经网络构筑Auto Encoder模型中的Encoder部分；具体步骤如下：
步骤c1构筑Encoder神经网络模型：
所述Encoder神经网络模型包括：第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Encoder神经网络模型输入端，所述第四前向层输出端作为Encoder神经网络模型输出端；
步骤c2 LSTM循环神经网络层计算步骤：
采用LSTM构成Encoder神经网络模型对心电信号时间序列特征进行提取保存；LSTM的更新迭代计算公式为：
其中，t为循环次数，σ是Logistic Sigmoid函数，it、ft、ot分别是LSTM的输入门、遗忘门以及输出门，ct为内部记忆单元，他们都与mt的尺寸大小相同，mt为LSTM的内部隐藏状态，公式中的g和h是信源输入与信源输出激活函数；序列xt代表着输入序列，yt代表着输出序列；Wix为从输入门it到输入序列xt的权重矩阵，Wim为从输入门it到隐藏状态mt-1的权重矩阵，Wic为从输入门it到记忆单元ct-1的权重矩阵，Wfx为从遗忘门ft到输入序列xt的权重矩阵，Wfm为从遗忘门ft到隐藏状态mt-1的权重矩阵，Wfc为从遗忘门ft到记忆单元ct-1的权重矩阵，Wcx为从记忆单元ct到输入序列xt的权重矩阵，Wcm为从记忆单元ct到隐藏状态mt-1的权重矩阵，Wox为从输出门ot到输入序列xt的权重矩阵，Wom为从输出门ot到隐藏状态mt-1的权重矩阵，Woc为从输出门ot到记忆单元ct的权重矩阵，Wym为从输出序列yt到隐藏状态mt的权重矩阵；bi为输入门it偏置向量，bf为遗忘门ft偏置向量，bc为记忆单元ct偏置向量，bo为输出门ot偏置向量，by为输出序列yt偏置向量；
通过使用从t＝1到T利用上式迭代地计算从输入序列xt到输出序列yt的映射；
步骤c3前向层设计：
Encoder神经网络模型采用三层LSTM逐级连接的形式构成，第一LSTM循环神经网络层的输入数据为原始心电信号数据，其中隐层的维度设置为256，第二LSTM循环神经网络层的输入数据为第一LSTM循环神经网络层的输出数据，其中隐层的维度设置为128，第三LSTM循环神经网络层的输入数据为第二LSTM循环神经网络层的输出数据，其中隐层的维度设置为64，最后定义前向函数，使得原始心电信号数据按顺序依次通过三层LSTM循环神经网络层最后输出，利用成倍数缩小的隐层实现压缩原始数据并且通过LSTM提取数据中隐藏的时间序列信息；
步骤d、利用LSTM神经网络构筑Auto Encoder模型中的Decoder部分具体步骤如下：
步骤d1构筑Decoder神经网络模型：
所述Decoder神经网络模型包括：第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层；
所述第一LSTM循环神经网络层、第二LSTM循环神经网络层、第三LSTM循环神经网络层、第四线性层、第五前向层顺次连接；所述第一LSTM循环神经网络层输入端作为Decoder神经网络模型输入端，所述第五前向层输出端作为Decoder神经网络模型输出端；
步骤d2 LSTM循环神经网络层计算步骤：
采用LSTM构成Decoder神经网络模型对心电信号时间序列特征进行提取保存；LSTM的更新迭代计算公式为：
其中，r为循环次数，σ是Logistic Sigmoid函数，Ir、Fr、Or分别是LSTM的输入门、遗忘门以及输出门，Cr为内部记忆单元，他们都与Mr的尺寸大小相同，Mr为LSTM的内部隐藏状态，公式中的G和H是信源输入与信源输出激活函数；序列Xr代表着输入序列，Yr代表着输出序列；WIX为从输入门Ir到输入序列Xr的权重矩阵，WIM为从输入门Ir到隐藏状态Mr-1的权重矩阵，WIC为从输入门Ir到记忆单元Cr-1的权重矩阵，WFX为从遗忘门Fr到输入序列Xr的权重矩阵，WFM为从遗忘门Fr到隐藏状态Mr-1的权重矩阵，WFC为从遗忘门Fr到记忆单元Cr-1的权重矩阵，WCX为从记忆单元Cr到输入序列Xr的权重矩阵，WCM为从记忆单元Cr到隐藏状态Mr-1的权重矩阵，WOX为从输出门Or到输入序列Xr的权重矩阵，WOM为从输出门Or到隐藏状态Mr-1的权重矩阵，WOC为从输出门Or到记忆单元Cr的权重矩阵，WYM为从输出序列Yr到隐藏状态Mr的权重矩阵；BI为输入门Ir偏置向量，BF为遗忘门Fr偏置向量，BC为记忆单元Cr偏置向量，BO为输出门Or偏置向量，BY为输出序列Yr偏置向量；
通过使用从r＝1到R利用上式迭代地计算从输入序列Xr到输出序列Yr的映射；
步骤d3线性层设计：
线性层又称全连接层，其计算公式如下：
k＝lWT+bias
其中W表示模型权重，bias表示偏差，均为标量；k是线性层输入序列，l是线性层输出序列；
步骤d4前向层设计：
Decoder神经网络模型采用三层LSTM外加一层线性层与前向层逐级连接的形式构成，第一LSTM循环神经网络层的输入数据为步骤c中的Encoder神经网络模型输出数据，其中隐层的维度设置为64，第二LSTM循环神经网络层的输入数据为第一LSTM循环神经网络层的输出数据，其中隐层的维度设置为128，第三LSTM循环神经网络层的输入数据为第二LSTM循环神经网络层的输出数据，其中隐层的维度设置为256，最后通过线性层实现输出数据格式转换为标准输入的心电信号数据格式，利用成倍增加的隐层实现重建并输出步骤b中被压缩的数据，保存该次处理数据的时间序列特征；
步骤e、建立新型Auto Encoder模型并完成验证集心跳分类具体步骤如下：
步骤e1建立新型Auto Encoder模型：
所述新型Auto Encoder模型包括：所述步骤c1中构筑的Encoder神经网络模型、所述步骤d1中构筑的Decoder神经网络模型；
所述步骤c1中构筑的Encoder神经网络模型、所述步骤d1中构筑的Decoder神经网络模型顺次连接；所述步骤c1中构筑的Encoder神经网络模型输入端作为Auto Encoder模型输入端，所述步骤d1中构筑的Decoder神经网络模型输出端作为Auto Encoder模型输出端；
步骤e2制备训练模型数据：
将输入的Ⅱ导联心电数据按照心跳节拍为单位分组，同种类型心跳做好对应的标签，再随机从所有数据中取出75％作为新建神经网络模型的训练数据集，剩下的25％数据中再随机取出其中的66％作为测试数据集，最后剩下的部分就是该模型的验证数据集；
步骤e3训练模型：
在训练过程开始前，预先设置一个误差参考值，整个训练过程采用循环迭代方式进行；利用步骤e2中制作的训练数据集进行训练；在每一次训练的迭代过程中，假设原始输入心电信号数据为p，将p输入到步骤e1中建立的Auto Encoder模型后获得输出数据q；然后计算输出数据q与原始输入心电信号数据p的误差loss(p,q)，loss(p,q)的计算公式如下：
计算完loss(p,q)之后，若该值小于预先设定的误差参考值则将误差参考值更新为loss(p,q)值；
步骤e4获取各类心跳时间序列特征：
利用步骤e3中设计的训练模型将同种标签类型的心电信号训练数据集进行迭代训练，完成训练后按不同类型心跳分别保存各自的时间序列参数；
步骤e5心跳分类：
利用e3的训练过程可以得到具有不同类型心电信号各自时间序列特征的不同AutoEncoder模型，当一段心电信号数据同时输入上述具有不同参数的Auto Encoder模型后，每种Auto Encoder模型均能得到一组输出数据，利用上述步骤e3中的误差计算公式计算各组输出数据与原始输入心电信号数据间的误差，找到对应误差值最小的Auto Encoder模型，该模型对应的心跳类型就是输入心电信号的类型，完成心跳分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110621487.5A CN113180684B (zh) | 2021-06-03 | 2021-06-03 | 一种ⅱ导联心电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110621487.5A CN113180684B (zh) | 2021-06-03 | 2021-06-03 | 一种ⅱ导联心电信号分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113180684A CN113180684A (zh) | 2021-07-30 |
| CN113180684B true CN113180684B (zh) | 2023-10-24 |
Family
ID=76976207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110621487.5A Active CN113180684B (zh) | 2021-06-03 | 2021-06-03 | 一种ⅱ导联心电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113180684B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304781B (zh) * | 2022-09-09 | 2024-02-02 | 武汉中数医疗科技有限公司 | 一种基于循环神经网络的甲状腺采样数据识别方法 |
| CN118058756B (zh) * | 2024-04-25 | 2024-07-02 | 深圳市鲸视科技有限公司 | 肌电信号滤波方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109561084A (zh) * | 2018-11-20 | 2019-04-02 | 四川长虹电器股份有限公司 | 基于lstm自编码网络的url参数异常值检测方法 |
| CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心（国家超级计算济南中心） | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
| CN111297349A (zh) * | 2020-02-12 | 2020-06-19 | 北京蓝卫通科技有限公司 | 一种基于机器学习的心律分类系统 |
| CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
| 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 |
| CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
| CN112733444A (zh) * | 2020-12-30 | 2021-04-30 | 浙江大学 | 基于CycleGAN神经网络的多步长时间序列预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11311201B2 (en) * | 2018-11-02 | 2022-04-26 | Samsung Electronics Co., Ltd. | Feature selection for cardiac arrhythmia classification and screening |
-
2021
- 2021-06-03 CN CN202110621487.5A patent/CN113180684B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心（国家超级计算济南中心） | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
| CN109561084A (zh) * | 2018-11-20 | 2019-04-02 | 四川长虹电器股份有限公司 | 基于lstm自编码网络的url参数异常值检测方法 |
| CN111297349A (zh) * | 2020-02-12 | 2020-06-19 | 北京蓝卫通科技有限公司 | 一种基于机器学习的心律分类系统 |
| CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
| 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 |
| CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
| CN112733444A (zh) * | 2020-12-30 | 2021-04-30 | 浙江大学 | 基于CycleGAN神经网络的多步长时间序列预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| LSTM-Based Auto-Encoder Model for ECG Arrhythmias Classification;Borui Hou等;IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT;第69卷(第4期);第1232-1240页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113180684A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
| CN106725428B (zh) | 一种心电信号分类方法及装置 | |
| CN113180684B (zh) | 一种ⅱ导联心电信号分类方法 | |
| CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
| 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 | |
| CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
| Li et al. | ECG denoising method based on an improved VMD algorithm | |
| CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
| CN107239684A (zh) | 一种用于ecg身份识别的特征学习方法和系统 | |
| CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
| WO2021164345A1 (zh) | 一种血压预测的方法和装置 | |
| CN111956203B (zh) | 心电信号参数化方法、模型训练方法、装置、设备及介质 | |
| CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别系统及方法 | |
| CN110464334A (zh) | 一种基于复合深度学习网络的心电图异常检测方法 | |
| JP7487965B2 (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 | |
| CN110192853A (zh) | 一种基于心电熵值图的心电异常评估方法 | |
| KR20220150901A (ko) | 모체 자궁 활동 검출을 위한 융합 신호 처리 | |
| CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
| CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
| CN110974213A (zh) | 基于深度堆栈网络的心电信号识别方法 | |
| CN114648048A (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
| CN115530841A (zh) | 一种无创心肌跨膜电位重建及异常点定位方法 | |
| CN115299956A (zh) | 一种基于确定学习和心电图的心肌缺血检测方法及系统 |
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 |