CN113180690A - 一种心电诊断模型及心电检测装置 - Google Patents

一种心电诊断模型及心电检测装置 Download PDF

Info

Publication number
CN113180690A
CN113180690A CN202110432040.3A CN202110432040A CN113180690A CN 113180690 A CN113180690 A CN 113180690A CN 202110432040 A CN202110432040 A CN 202110432040A CN 113180690 A CN113180690 A CN 113180690A
Authority
CN
China
Prior art keywords
kernels
convolution
atrial fibrillation
deep learning
network
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
Application number
CN202110432040.3A
Other languages
English (en)
Other versions
CN113180690B (zh
Inventor
朱俊江
黄浩
潘黎光
陈广怡
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.)
Shanghai Shuchuang Medical Technology Co ltd
Original Assignee
Shanghai Shuchuang Medical Technology 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 Shanghai Shuchuang Medical Technology Co ltd filed Critical Shanghai Shuchuang Medical Technology Co ltd
Priority to CN202110432040.3A priority Critical patent/CN113180690B/zh
Publication of CN113180690A publication Critical patent/CN113180690A/zh
Application granted granted Critical
Publication of CN113180690B publication Critical patent/CN113180690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (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

本申请涉及一种心电诊断模型，其特征在于，包括以下步骤：S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后进行滤波；S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；S4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，获取整个深度学习网络中所有的权重和偏移。本发明提出了一种损失函数，不仅减小输入与标签之间的误差，还约束不同类别信号的特征层的输出之间误差。

Description

一种心电诊断模型及心电检测装置
技术领域
本申请属于心电信号处理技术领域，尤其是涉及一种心电仿真模型的信号优化方法及心电检测装置。
背景技术
采用深度学习模型对房颤进行辅助筛查时，得出的结果只可能有两种，房颤或者非房颤。而其得出房颤和非房颤的原因在于新的心电信号的数据与训练数据中的房颤数据的特征更为接近，还是与训练数据中的非房颤数据更为接近。然而现实中很难获得所有类型的房颤数据，特别是所有类型的非房颤数据。因此学习到的网络特征有些可能并不是用于区别房颤和非房颤的关键。因此，对于没有参与过训练的类型的非房颤心电信号，训练好的深度学习模型出错几率较大。另外，由于心电信号具有非线性和因人而异的特点，可能新的心电信号可能与训练样本中的所有信号特征都差别较大；传统的深度学习网络学习时往往仅仅减小总网络的输出与标签之间的误差，最多引入对权重和系数的限制。此时，新的心电信号被划入房颤和非房颤类型的几率接近，可能受到某些干扰就会导致判断错误。
发明内容
本发明要解决的技术问题是：为解决现有技术中深度学习网络的不足，从而提供一种心电仿真模型的信号优化方法及心电检测装置。
本发明解决其技术问题所采用的技术方案是：
一种心电仿真模型的信号优化方法，包括以下步骤：
S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后采用滤波器进行滤波；
S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
S4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移；
S5，根据S4中确定的权重和偏移，得出函数net(x)的公式。
优选地，本发明的心电诊断模型，步骤S4中，损失值的函数为：
Figure BDA0003031765460000021
其中，loss是损失值，
Figure BDA0003031765460000022
指的是第i条房颤数据，
Figure BDA0003031765460000023
指的是第i条非房颤数据；net(x)的含义是以x作为输入，通过整个网络计算以后的输出；fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出；||x||1指的是向量x的1范数；α和β为正则化参数。
优选地，本发明的心电诊断模型，步骤S3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer9输出整个网络的输出值。
优选地，本发明的心电诊断模型，layer9的激活函数采用sigmoid函数。
优选地，本发明的心电诊断模型，设定α＝1，β＝2。
优选地，本发明的心电诊断模型，S1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
优选地，本发明的心电诊断模型，步骤S2中，采样频率使用500Hz，采用0.1-100Hz的巴特沃兹带通滤波器进行滤波。
优选地，本发明的心电诊断模型，还包括步骤S5，使用网络：将新的心电信号输入S4中得到深度学习网络中，输出结果大于0.5认为是房颤，否则认为是非房颤。
一种心电检测装置，包括：深度学习模块，所述深度学习模块能够运行上述的心电诊断模型。
本发明的有益效果是：
提出了一种新型的损失函数，不仅减小输入与标签之间的误差，还约束不同类别信号的特征层的输出之间误差。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的心电仿真模型的信号优化方法步骤流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本申请中的具体含义。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种心电诊断模型心电诊断模型，包括以下步骤：
S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后采用滤波器进行滤波；
S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
S4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移。
本实施例的心电仿真模型的信号优化方法，不同类别信号的特征层的输出之间误差的优化，主要靠约束loss函数中的1范数项来实现。fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出。1范数项的存在能够使网络学习以后，对于房颤信号和非房颤信号他们在fnet(x)的输出结果大部分值一样，但是有个别值差别很大，这样就能够突出区别房颤和非房颤的特征。
优选地，本实施例的心电诊断模型，步骤S4中，损失值的函数为：
Figure BDA0003031765460000061
其中，loss是损失值，
Figure BDA0003031765460000062
指的是第i条房颤数据，
Figure BDA0003031765460000063
指的是第i条非房颤数据；net(x)的含义是以x作为输入，通过整个网络计算以后的输出；fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出；||x||1指的是向量x的1范数；α和β为正则化参数。
优选地，本实施例的心电诊断模型，步骤S3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为全连接层的输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer 9输出整个网络的输出值。
优选地，本实施例的心电诊断模型，layer9的激活函数采用sigmoid函数。激活函数是深度学习网络中的一部分，本实施例中描述的问题是一个分类问题，sigmoid函数是分类问题中常用的最后一层网络的激活函数，layer9的激活函数优选采用sigmoid函数。
优选地，本实施例的心电诊断模型，设定α＝1，β＝2。
优选地，本实施例的心电诊断模型，S1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
优选地，本实施例的心电诊断模型，步骤S2中，采样频率使用500Hz，采用0.1-100Hz的巴特沃兹带通滤波器进行滤波。目前静息心电图的采样频率很多是500Hz，使用500Hz采样频率能够便于兼容现有设备。
优选地，本实施例的心电诊断模型，还包括步骤S6，使用网络：将新的心电信号输入S5中得到的函数net(x)的公式，输出结果大于0.5认为是房颤，否则认为是非房颤。深度学习网络执行心电图的分类或者其他任务时，一般分为两个阶段：训练网络和使用网络；最初搭建出来的网络框架中，有很多系数都是初始设置的一些值，这些值需要通过学习最终确定下来。训练网络是用已经存在的有结论的心电图输入网络，通过减小损失函数，求解出来网络当中的这些参数。也就是说，损失函数定义了网络的学习目标。在使用网络阶段，实质是将心电信号作为输入，输入到确定好的网络中，计算出一个输出值，然后根据这个数值的特点确定心电信号的类型。因此在步骤S5得到的函数net(x)的公式后，则学习网络对心电信号的计算学习已经完成，可以投入使用。
一种心电检测装置，包括：深度学习模块，所述深度学习模块能够运行上述的心电诊断模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种心电诊断模型，其特征在于，包括以下步骤：
S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后采用滤波器进行滤波；
S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
S4，通过最小化损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移。
2.根据权利要求1所述的心电诊断模型，其特征在于，步骤S4中，损失值的函数为：
Figure FDA0003031765450000011
其中，loss是损失值，
Figure FDA0003031765450000012
指的是第i条房颤数据，
Figure FDA0003031765450000013
指的是第i条非房颤数据；net(x)的含义是以x作为输入，通过整个网络计算以后的输出；fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出；||x||1指的是向量x的1范数；α和β为正则化参数。
3.根据权利要求1所述的心电诊断模型，其特征在于，步骤S3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer9输出整个网络的输出值。
4.根据权利要求3所述的心电诊断模型，其特征在于，layer9的激活函数采用sigmoid函数。
5.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，设定α＝1，β＝2。
6.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，S1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
7.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，步骤S2中，采样频率使用500Hz，采用0.1-100Hz的巴特沃兹带通滤波器进行滤波。
8.根据权利要求1-4任一项所述的心电诊断模型的信号优化方法，其特征在于，还包括步骤S5，使用网络：将新的心电信号输入S4中得到深度学习网络中，输出结果大于0.5认为是房颤，否则认为是非房颤。
9.一种心电检测装置，其特征在于，包括：深度学习模块，所述深度学习模块能够运行如权利要求1-8任一项所述的心电诊断模型。
CN202110432040.3A 2021-04-21 2021-04-21 一种心电诊断模型的判断方法及心电检测装置 Active CN113180690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110432040.3A CN113180690B (zh) 2021-04-21 2021-04-21 一种心电诊断模型的判断方法及心电检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110432040.3A CN113180690B (zh) 2021-04-21 2021-04-21 一种心电诊断模型的判断方法及心电检测装置

Publications (2)

Publication Number Publication Date
CN113180690A true CN113180690A (zh) 2021-07-30
CN113180690B CN113180690B (zh) 2022-12-09

Family

ID=76977956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110432040.3A Active CN113180690B (zh) 2021-04-21 2021-04-21 一种心电诊断模型的判断方法及心电检测装置

Country Status (1)

Country Link
CN (1) CN113180690B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616214A (zh) * 2021-08-11 2021-11-09 上海数创医疗器械有限公司 一种静息十二导联心电信号处理方法及存储介质及处理器

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110037685A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 具有改进卷积神经网络识别算法的便携式心电图仪
CN110037683A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 用于识别心律类型的改进卷积神经网络及其训练方法
CN110037684A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的识别心律类型的装置
US20190251398A1 (en) * 2018-02-13 2019-08-15 Slingshot Aerospace, Inc. Conditional loss function modification in a neural network
CN110584654A (zh) * 2019-10-09 2019-12-20 中山大学 一种基于多模态卷积神经网络心电信号分类方法
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质
CN111956212A (zh) * 2020-07-29 2020-11-20 鲁东大学 基于频域滤波-多模态深度神经网络的组间房颤识别方法
WO2021017313A1 (zh) * 2019-07-31 2021-02-04 平安科技（深圳）有限公司 房颤的检测方法、装置、计算机设备及存储介质
CN112580590A (zh) * 2020-12-29 2021-03-30 杭州电子科技大学 一种基于多语义特征融合网络的指静脉识别方法
CN112603324A (zh) * 2020-11-25 2021-04-06 上海数创医疗科技有限公司 基于改进损失函数的神经网络的训练方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190251398A1 (en) * 2018-02-13 2019-08-15 Slingshot Aerospace, Inc. Conditional loss function modification in a neural network
CN110037685A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 具有改进卷积神经网络识别算法的便携式心电图仪
CN110037683A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 用于识别心律类型的改进卷积神经网络及其训练方法
CN110037684A (zh) * 2019-04-01 2019-07-23 上海数创医疗科技有限公司 基于改进卷积神经网络的识别心律类型的装置
WO2021017313A1 (zh) * 2019-07-31 2021-02-04 平安科技（深圳）有限公司 房颤的检测方法、装置、计算机设备及存储介质
CN110584654A (zh) * 2019-10-09 2019-12-20 中山大学 一种基于多模态卷积神经网络心电信号分类方法
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质
CN111956212A (zh) * 2020-07-29 2020-11-20 鲁东大学 基于频域滤波-多模态深度神经网络的组间房颤识别方法
CN112603324A (zh) * 2020-11-25 2021-04-06 上海数创医疗科技有限公司 基于改进损失函数的神经网络的训练方法
CN112580590A (zh) * 2020-12-29 2021-03-30 杭州电子科技大学 一种基于多语义特征融合网络的指静脉识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
庞彦伟等: "基于卷积神经网络的第一导联心电图心拍分类", 《天津大学学报(自然科学与工程技术版)》 *
谢胜龙等: "基于一维卷积神经网络的房颤智能诊断方法研究", 《计量学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616214A (zh) * 2021-08-11 2021-11-09 上海数创医疗器械有限公司 一种静息十二导联心电信号处理方法及存储介质及处理器

Also Published As

Publication number Publication date
CN113180690B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
US20200178825A1 (en) System and method for identifying cardiac arrhythmias with deep neural networks
CN113080994A (zh) 一种基于卷积神经网络的多导联心电信号分类方法
CN110717415B (zh) 基于特征选取的st段分类卷积神经网络及其使用方法
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
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN110717416B (zh) 基于特征选取的st段分类识别用神经网络训练方法
CN110037683B (zh) 用于识别心律类型的改进卷积神经网络及其训练方法
CN110037682B (zh) 基于改进卷积神经网络的识别心律类型的方法
CN111626114A (zh) 基于卷积神经网络的心电信号心律失常分类系统
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN113180688B (zh) 基于残差神经网络的冠心病心电图筛查系统及方法
CN111481192A (zh) 一种基于改进U-Net的心电信号R波检测方法
CN113180690B (zh) 一种心电诊断模型的判断方法及心电检测装置
CN113349793A (zh) 一种基于分层注意力模型的心律失常分类方法
CN111666865A (zh) 多导联心电信号卷积神经网络分类模型及其使用方法
JP2023104885A (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
CN115062655A (zh) 一种多导联心电信号分析方法及多导联心肌梗死分析系统
CN112603324B (zh) 基于改进损失函数的神经网络的训练方法
Aublin et al. Cardiac abnormality detection based on an ensemble voting of single-lead classifier predictions
CN110960207A (zh) 一种基于树模型的房颤检测方法、装置、设备及存储介质
CN112022140B (zh) 一种心电图的诊断结论自动诊断方法及系统
Abo-Zahhad et al. Classification of ECG Signals for Detecting Coronary Heart Diseases Using Deep Transfer Learning Techniques
CN112587146B (zh) 基于改进损失函数的神经网络的心律类型识别方法和装置
Pomprapa et al. Deep learning of arrhythmia analysis based on convolutional neural network
CN110897630A (zh) 一种基于迁移学习的室性心动过速心律识别方法和装置

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