CN113197583A - 一种基于时频分析和循环神经网络的心电图波形分割方法 - Google Patents
一种基于时频分析和循环神经网络的心电图波形分割方法 Download PDFInfo
- Publication number
- CN113197583A CN113197583A CN202110509854.2A CN202110509854A CN113197583A CN 113197583 A CN113197583 A CN 113197583A CN 202110509854 A CN202110509854 A CN 202110509854A CN 113197583 A CN113197583 A CN 113197583A
- Authority
- CN
- China
- Prior art keywords
- neural network
- ecg
- recurrent neural
- data
- time
- 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.)
- Withdrawn
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
-
- 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)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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
本发明公开了一种基于时频分析和循环神经网络的心电图波形分割方法,通过将获取的经标注的原始心电图(Electrocardiogram,ECG)数据集,利用时频分析的方法进行预处理,并按预设比例分为训练集和测试集;构建循环神经网络,送入训练集进行训练,得到训练好的循环神经网络;将测试集代入训练好的循环神经网络,结合测试结果和评价指标选择出最优的ECG波形分割模型。将待标注的ECG数据序列输入ECG波形分割模型,得到ECG分割结果。本发明提供的基于信号处理和深度学习方法的ECG波形分割方法能自动对ECG信号的各个区域进行标注,提高了医生或者ECG自动分类装置对患者心脏健康状态诊断的效率和准确率。
Description
技术领域
本发明涉及心电图波形分割相关领域,具体讲是一种基于时频分析和循环神经网络的心电图波形分割方法。
背景技术
心电图(Electrocardiogram,ECG)是人体心肌细胞膜两侧电位信号的反应,其可以反应人体心脏的健康状态,是医生进行心脏疾病诊断治疗的重要依据之一。对于单个正常的心跳周期,ECG信号可分为以下几种波形形态:P波(表示心房去极化的QRS复波前的小偏移)、QRS复波(心跳的最大幅值部分)、T波(表示心室复极化的QRS复波后的小偏移)。医生在拿到患者的心电图之后,首先便是对各个波形趋于进行标注(即波形分割),以便根据波形的变化趋势判断心脏的状态。然而,对于一段采样时间十分钟左右的ECG信号,其心跳周期便达数千个,靠医生手动注释ECG信号的每个区域便是一项非常耗时乏味的任务,且有可能标注错误。虽然随着人工智能技术的发展,出现了ECG信号自动分析、分类的装置,但也需要对原始ECG信号进行波形分割等预处理,以提高ECG信号分类的效率和准确率。
发明内容
本发明的目的在于提供一种基于时频分析和循环神经网络的心电图波形分割方法,有助于简化并自动对ECG信号区域的波形标注,以便提高医生和ECG信号自动分类装置的效率和准确率。
实现本发明目的的技术解决方案为:一种基于时频分析和循环神经网络的心电图波形分割方法,包括以下步骤:
步骤1,获取经标注的原始ECG数据集,将每组ECG数据划分为多个包含5000个采样点的时序数据段,丢弃其余采样段,并将数据集转换为元胞数组;
考虑到将非常长的数据序列传递到循环神经网络将影响模型的标注性能,同时将占用过多计算内存,影响神经网络模型的训练效率,因此将每组ECG数据划分为多个包含5000个采样点的时序数据段,余下的数据段便丢弃。为了便于神经网络的读取,将数据集转化为元胞数组。
步骤2,设计一个带通带频率范围为[0.5 40]Hz的带通滤波器,并将其应用于ECG数据集;
ECG中三种典型心跳波形占据不同的频带,其中:QRS复波的典型频谱以大约10-25Hz为中心频率,并且其分量低于40Hz,发生P波和T波的频率甚至更低,P波分量低于20Hz,T波分量低于10Hz。由患者呼吸运动引起的基线漂移是一种低频(<0.5Hz)振荡,这种振荡与心跳形态无关,不会对ECG波形分割及分类提供有意义的信息。因此,设计一个通带频率范围为[0.5 40]Hz的带通滤波器,以消除基线漂移和任何高频噪声,消除这些分量可改进循环神经网络的训练,因为网络不会学习不相关特征。
步骤3,对ECG数据集进行傅里叶同步压缩变换,将经傅里叶同步压缩变换后的实部和虚部视为单独的特征;
ECG数据是一组组前后联系紧密的时间序列,针对时序数据的分类,比较成功的方法是提取时序数据的时频特征将其送入网络进行训练而不是原始数据,然后,网络同时从时间和频率两个维度学习数据的特征。因此,本发明使用傅里叶同步压缩变换处理ECG数据集,采样频率Fs为原始ECG数据的采样频率,kaiser窗设为128,频率显示轴设为’yaxis’。
步骤4,将ECG数据集中的每组数据顺序打乱,按预设比例划分为训练集和测试集,并标准化训练集和测试集;
为了获得更优的网络模型,将ECG数据集的顺序打乱,让循环神经网络充分学习ECG数据的内在联系;同时为了更好地评价训练所得的网络,将数据集按7:3的比例划分为训练集和测试集。为了提升网络的训练效率,对训练集和测试集进行标准化,使所有数据落在[0 1],标准化公式为:
式中,x表示样本值,μ表示样本均值,σ表示样本标准差。
步骤5,构建循环神经网络模型,将训练集送入该网络进行训练,得到训练好的循环神经网络;
循环神经网络模型依次包括:序列数据输入层、循环单元层、全连接层、softmax层、分类输出层;序列输入层设为40,循环单元层的神经元个数设为200、激活函数选择ReLU、序列输出设为’sequence’,全连接层的神经元个数设为4;优化器选择’adam’、梯度下降法中的学习率调整策略使用分段常数衰减。
步骤6,将测试集送入训练好的循环神经网络,输出对ECG波形的分割结果,结合评价指标得到测试通过的ECG波形分割模型。
从分类模型的评价指标中选择混淆矩阵和准确率(accuracy)作为ECG分割模型的评价指标。
本发明与现有技术相比,其显著优点为:1)本发明充分利用ECG波形数据是前后联系紧密的时间序列的特点,根据信号处理和深度学习的方法对ECG信号区域进行自动注释,避免了人工手动标注的枯燥和耗时;2)本发明基于时频分析和循环神经网络技术对ECG波形进行分割,减轻了医生依据ECG诊断患者心脏健康状态的工作量,提高了ECG自动分类装置分类的效率和准确率。
附图说明
图1为本发明基于时频分析和循环神经网络的心电图波形分割方法流程图。
图2为实施例中对本发明进行评价的混淆矩阵。
图3为实施例中对ECG波形分割结果示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1,本发明提供一种基于时频分析和循环神经网络的心电图波形分割方法,包括以下步骤:
步骤1,获取经标注的原始ECG数据集,将每组ECG数据划分为多个包含5000个采样点的时序数据段,丢弃其余采样段,并将数据集转换为元胞数组;
步骤2,设计一个带通带频率范围为[0.5 40]Hz的带通滤波器,并将其应用于ECG数据集;
步骤3,对ECG数据集进行傅里叶同步压缩变换,将经傅里叶同步压缩变换后的实部和虚部视为单独的特征;
步骤4,将ECG数据集中的每组数据顺序打乱,按预设比例划分为训练集和测试集,并标准化训练集和测试集;
步骤5,建循环神经网络模型,将训练集送入该网络进行训练,得到训练好的循环神经网络;
步骤6,将测试集送入训练好的循环神经网络,输出对ECG波形的分割结果,结合评价指标得到测试通过的ECG波形分割模型。
进一步地,在其中一个实施例中,步骤1所述的经标注的ECG原始数据集是指:对于数据集中的每一位患者的心电图波形,都对其波形形态进行了标注,主要有4种波形形态:P波、QRS复波、T波和N/A(其他波形)。
考虑到将非常长的数据序列传递到循环神经网络将影响模型的标注性能,同时将占用过多计算内存,影响神经网络模型的训练效率,因此将每组ECG数据划分为多个包含5000个采样点的时序数据段(也可以划分为包含其他数量的采样点的数据段,具体数量视模型训练的硬件配置而定),余下的数据段便丢弃。为了便于神经网络的读取,将数据集转化为元胞数组。
进一步地,在其中一个实施例中,步骤2所述的带通滤波器的通频带范围主要考虑心电图中三种典型心跳波形的频率,其中:
QRS复波的典型频谱以大约10-25Hz为中心频率,并且其分量低于40Hz,发生P波和T波的频率甚至更低,P波分量低于20Hz,T波分量低于10Hz。由患者呼吸运动引起的基线漂移是一种低频(<0.5Hz)振荡,这种振荡与心跳形态无关,不会对ECG波形分割及分类提供有意义的信息。因此,设计一个通带频率范围为[0.5 40]Hz的带通滤波器,以消除基线漂移和任何高频噪声,消除这些分量可改进循环神经网络的训练,因为网络不会学习不相关特征。
进一步地,在其中一个实施例中,步骤3所述傅里叶同步压缩变换,其kaiser窗设置视具体的频率分辨率而定,在实施例中设为128。采样频率Fs为原始ECG数据的采样频率,频率显示轴设为’yaxis’。
进一步地,在其中一个实施例中,步骤4所述的数据集划分预设比例视数据集及模型的训练效果而定,本实施例比例为7:3。
为了提升网络的训练效率,对训练集和测试集进行标准化,使所有数据落在[01],标准化公式为:
式中,x表示样本值,μ表示样本均值,σ表示样本标准差。
进一步地,在其中一个实施例中,步骤5所述的循环神经网络模型由以下网络层组成:序列数据输入层、循环单元层、全连接层、softmax层、分类输出层;序列输入层设为40,循环单元层的神经元个数设为200、激活函数选择ReLU、序列输出设为’sequence’,全连接层的神经元个数设为4;优化器选择’adam’、梯度下降法中的学习率调整策略使用分段常数衰减。
进一步地,在其中一个实施例中,步骤6所述的评价指标指混淆矩阵和准确率(accuracy)。
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。
实施例
本实施例对本发明提出的基于时频分析和循环神经网络的心电图波形分割方法进行验证,具体内容如下:
ECG原始数据集来自于QT数据库,这些数据总共由105名患者大约15分钟的ECG记录片段组成,采样率为250Hz,双通道信号。ECG数据集的标签表前几行如表1所示,该表的每行对应一个患者,每列对应一个通道。第一位患者第一个通道第150个样本附近的标签值如表2所示,该区域标志着QRS复波的结束以及向N/A的过渡。
表1
WaveformLabels_Chan1 | WaveformLabels_Chan2 | |
Member 1 | 225000×2table | 225000×2table |
Member 2 | 225000×2table | 225000×2table |
Member 3 | 225000×2table | 225000×2table |
Member 4 | 225000×2table | 225000×2table |
Member 5 | 225000×2table | 225000×2table |
表2
步骤1,将每组ECG数据划分为多个包含5000个采样点的时序数据段,丢弃其余采样段,并将数据集转换为元胞数组;
在将时间序列数据输入到网络前,要使用辅助函数创建尽可能多的包含5000个采样的信号段,并丢弃其余采样,以避免过多的内存使用,将非常长的输入信号传入循环神经网络会导致其预测性能下降和内存使用量过多。此辅助函数还要将ECG数据转换神经网络能够读取的元胞阵列。
步骤2,设计一个通带频率范围为[0.5 40]Hz的带通滤波器,并将其应用于ECG数据集;
使用滤波器消除低频基线漂移和任何高频噪声,消除这些噪声可改进网络模型的训练,因为网络不会学习不相关的特征。
步骤3,对ECG数据集进行傅里叶同步压缩变换,将经傅里叶同步压缩变换后的实部和虚部视为单独的特征;
ECG数据是一组组前后联系紧密的时间序列,针对时序数据的分类,比较成功的方法是提取时序数据的时频特征将其送入网络进行训练而不是原始数据,然后,网络同时从时间和频率两个维度学习数据的特征。因此,本实施例使用傅里叶同步压缩变换处理ECG数据集,采样频率Fs为原始ECG数据的采样频率,kaiser窗设为128,频率显示轴设为’yaxis’。
步骤4,将ECG数据集中的每组数据顺序打乱,按预设比例划分为训练集和测试集,并标准化训练集和测试集;
为了获得更优的网络模型,将ECG数据集的顺序打乱,让循环神经网络充分学习ECG数据的内在联系;同时为了更好地评价训练所得的网络,将数据集按7:3的比例划分为训练集和测试集。为了提升网络的训练效率,对训练集和测试集进行标准化,使所有数据落在[0 1],标准化公式为:
式中,x表示样本值,μ表示样本均值,σ表示样本标准差。
步骤5,构建循环神经网络模型,将训练集送入该网络进行训练,得到训练好的循环神经网络;
循环神经网络模型依次包括:序列数据输入层、循环单元层、全连接层、softmax层、分类输出层;序列输入层设为40,循环单元层的神经元个数设为200、激活函数选择ReLU、序列输出设为’sequence’,全连接层的神经元个数设为4;优化器选择’adam’、梯度下降法中的学习率调整策略使用分段常数衰减。
训练过程中准确率he损失率参数的变化如表3所示,可以看出ECG数据经时频特征处理后,训练准确度以超过95%。
表3
Epoch | Iteration | Accuracy | Loss |
1 | 100 | 84.29% | 0.3852 |
2 | 300 | 89.97% | 0.2436 |
3 | 500 | 91.91% | 0.2022 |
4 | 700 | 90.72% | 0.2461 |
5 | 900 | 92.43% | 0.2049 |
6 | 1100 | 93.62% | 0.1714 |
7 | 1300 | 94.13% | 0.1599 |
8 | 1600 | 91.83% | 0.2135 |
9 | 1800 | 93.03% | 0.1943 |
10 | 2100 | 95.44% | 0.1608 |
步骤6,将测试集送入训练好的循环神经网络,输出对ECG波形的分割结果,结合评价指标得到测试通过的ECG波形分割模型。
从分类模型的评价指标中选择混淆矩阵和准确率(accuracy)作为ECG分割模型的评价指标。测试集的混淆矩阵如图2所示,从测试集中选出了12组循环神经网络模型预测的波形分割结果和真实的波形分割结果进行对比,如图3所示。
综上,本发明从时频分析的角度对ECG原始进行处理,再结合深度学习框架—循环神经网络对心电图波形进行波形分割,实施例结果显示使用本发明提出的基于时频分析和循环神经网络的心电图波形分割方法对心电图波形进行标注的准确率很高且用时极短。本发明与现有技术相比,其显著优点为:本发明充分利用ECG波形数据是前后联系紧密的时间序列的特点,根据信号处理和深度学习的方法对ECG信号区域进行自动注释,避免了人工手动标注的枯燥和耗时;本发明基于时频分析和循环神经网络技术对ECG波形进行分割,减轻了医生依据ECG诊断患者心脏健康状态的工作量,提高了ECG自动分类装置分类的效率和准确率。
Claims (8)
1.一种基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,包括以下步骤:
1.1获取经标注的原始ECG数据集,将每组ECG数据划分为多个包含5000个采样点的时间序列数据段,丢弃其余采样段,并将数据集转换为元胞数组;
1.2设计一个带通滤波器,并将其应用于ECG数据集;
1.3对ECG数据集进行傅里叶同步压缩变换,将经傅里叶同步压缩变换后的实部和虚部视为单独的特征;
1.4将ECG数据集中的每组数据顺序打乱,按预设比例划分为训练集和测试集,并标准化训练集和测试集;
1.5构建循环神经网络模型,将训练集送入该网络进行训练,得到训练好的循环神经网络;
1.6将测试集送入训练好的循环神经网络,输出对ECG波形的分割结果,结合评价指标得到测试通过的ECG波形分割模型。
2.根据权利要求1所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,1.1所述经标注的原始ECG数据为:采集时长大约15分钟,采样频率为250Hz的数百名患者的双通道心电图信号时序数据,标注标签为4类:P,QRS,T和N/A。
3.根据权利要求1所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,1.2所述带通滤波器的频率范围[0.5 40]Hz,以消除低频的基线漂移和高频噪声。
4.根据权利要求1所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,1.3所述傅里叶同步压缩变换的采样频率Fs为原始ECG数据的采样频率,kaiser窗设为128,频率显示轴设为’yaxis’。
6.根据权利要求1所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,1.5所述的循环神经网络模型依次包括:序列数据输入层、循环单元层、全连接层、softmax层、分类输出层;序列输入层设为40,循环单元层的神经元个数设为200、激活函数选择ReLU、序列输出设为’sequence’,全连接层的神经元个数设为4;优化器选择’adam’、梯度下降法中的学习率调整策略使用分段常数衰减。
7.根据权利要求1所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,1.6所述的评价指标为混淆矩阵和准确率。
8.根据权利要求6所述的基于时频分析和循环神经网络的心电图波形分割方法,其特征在于,所述循环单元可以为循环神经网络、长短期记忆网络和门控循环单元中的任一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509854.2A CN113197583A (zh) | 2021-05-11 | 2021-05-11 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509854.2A CN113197583A (zh) | 2021-05-11 | 2021-05-11 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113197583A true CN113197583A (zh) | 2021-08-03 |
Family
ID=77030734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509854.2A Withdrawn CN113197583A (zh) | 2021-05-11 | 2021-05-11 | 一种基于时频分析和循环神经网络的心电图波形分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113197583A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2023101526A1 (ko) * | 2021-12-03 | 2023-06-08 | 서울대학교병원 | 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법 및 이를 수행하는 장치 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043157A2 (en) * | 2011-09-20 | 2013-03-28 | Vivaquant Llc | Physiological signal denoising |
US20160022164A1 (en) * | 2009-11-03 | 2016-01-28 | Vivaquant Llc | Detecting fiducial points in physiological signals |
WO2017201197A1 (en) * | 2016-05-20 | 2017-11-23 | Kymeta Corporation | Free space segment tester (fsst) |
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 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111639541A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 基于频率变化率的自适应同步压缩时频分析方法 |
CN111956214A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于U-net端对端神经网络模型的QRS波自动检测方法 |
CN112401907A (zh) * | 2020-11-18 | 2021-02-26 | 江苏海洋大学 | 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法 |
CN112401902A (zh) * | 2020-12-04 | 2021-02-26 | 山东大学 | 基于神经网络时频分析相结合的心电身份识别方法及系统 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
-
2021
- 2021-05-11 CN CN202110509854.2A patent/CN113197583A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160022164A1 (en) * | 2009-11-03 | 2016-01-28 | Vivaquant Llc | Detecting fiducial points in physiological signals |
WO2013043157A2 (en) * | 2011-09-20 | 2013-03-28 | Vivaquant Llc | Physiological signal denoising |
WO2017201197A1 (en) * | 2016-05-20 | 2017-11-23 | Kymeta Corporation | Free space segment tester (fsst) |
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 |
CN111242098A (zh) * | 2020-02-27 | 2020-06-05 | 西安交通大学 | 一种结合特征提取和inception网络的心电数据分类方法及系统 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111639541A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 基于频率变化率的自适应同步压缩时频分析方法 |
CN111956214A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于U-net端对端神经网络模型的QRS波自动检测方法 |
CN112401907A (zh) * | 2020-11-18 | 2021-02-26 | 江苏海洋大学 | 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法 |
CN112401902A (zh) * | 2020-12-04 | 2021-02-26 | 山东大学 | 基于神经网络时频分析相结合的心电身份识别方法及系统 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
Non-Patent Citations (5)
Title |
---|
KONG, G (KONG, GYUYEOL) [1] ; KOIVUNEN, V (KOIVUNEN, VISA): "RADAR WAVEFORM RECOGNITION USING FOURIER-BASED SYNCHROSQUEEZING TRANSFORM AND CNN", 《2019 IEEE 8TH INTERNATIONAL WORKSHOP ON COMPUTATIONAL ADVANCES IN MULTI-SENSOR ADAPTIVE PROCESSING (CAMSAP 2019)》 * |
OBERLIN, T;MEIGNEN, S;PERRIER, V: "THE FOURIER-BASED SYNCHROSQUEEZING TRANSFORM", 《INTERNATIONAL CONFERENCE ON ACOUSTICS SPEECH AND SIGNAL PROCESSING ICASSP》 * |
俞勇 主编: "《人工智能实践 动手做你自己的AI》", 31 August 2019, 上海科技教育出版社 * |
张雪芹: "51例益气活血通络法治疗冠心病心绞痛的临床观察", 《世界最新医学信息文摘(电子版)》 * |
张黎明,张小栋,陆竹风: "用于稳态视觉诱发电位特征频率提取的同步压缩短时傅里叶变换方法", 《西安交通大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023101526A1 (ko) * | 2021-12-03 | 2023-06-08 | 서울대학교병원 | 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법 및 이를 수행하는 장치 |
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 |
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 | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN107203692B (zh) | 基于深度卷积神经网络的心电数据数字信号处理方法 | |
CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
CN108647565B (zh) | 一种基于深度学习模型对心电信号分类的数据预处理方法 | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
CN108836314A (zh) | 一种基于网络和人工智能的动态心电图分析方法及系统 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN111631710A (zh) | 一种状态相关的动态脑电信号中肌电伪迹的消除方法 | |
CN110327034B (zh) | 一种基于深度特征融合网络的心动过速心电图的筛查方法 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Hegde et al. | A review on ECG signal processing and HRV analysis | |
CN110537907A (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
CN115177260A (zh) | 基于人工神经网络的智能心电心音诊断方法及装置 | |
CN115040135A (zh) | 一种基于心电心音的儿童心血管疾病诊断方法 | |
CN114129173A (zh) | 一种精神卫生康复状态检测管理系统和方法 | |
CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
Ugarte et al. | An algorithm to measure the stress level from EEG, EMG and HRV signals | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
Gupta et al. | ECG signal analysis using emerging tools in current scenario of health informatics |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210803 |
|
WW01 | Invention patent application withdrawn after publication |