CN113288157A - 基于深度可分离卷积和改进损失函数的心律失常分类方法 - Google Patents
基于深度可分离卷积和改进损失函数的心律失常分类方法 Download PDFInfo
- Publication number
- CN113288157A CN113288157A CN202110547987.9A CN202110547987A CN113288157A CN 113288157 A CN113288157 A CN 113288157A CN 202110547987 A CN202110547987 A CN 202110547987A CN 113288157 A CN113288157 A CN 113288157A
- Authority
- CN
- China
- Prior art keywords
- loss function
- convolution
- electrocardiosignals
- depth separable
- cross entropy
- 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
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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于深度可分离卷积和改进损失函数的心律失常分类方法,步骤如下:将传入的一维心电信号进行预处理,将每个心电信号绘制成单独的二维灰度图像;接着将该二维心电图像输入到构建的深度可分离卷积层中,该卷积层在帮助网络减少参数的同时使得模型更加集中于信号的信息和重要部分;将得到的心电信号特征图通过深度可分离卷积层、池化层等重复作用,以得到最终的心电信号特征图,最终输入到一个全连接层进行分类,使用损失函数对心电信号进行损失分配。本发明能在自动提取心电信号特征的同时,减少卷积层参数,并且在一定程度上保留更多的心电信号细节信息,呈现出含有更丰富特征的特征图,提高了数据不平衡的心律失常分类的准确性。
Description
技术领域
本发明涉及心电信号分类技术领域,具体为基于深度可分离卷积神经网络和改进交叉熵损失函数的心律失常分类方法。
背景技术
心血管疾病(CVD)已成为世界上主要的死亡原因之一。心律失常是心血管疾病的重要表现,对其进行诊断是重要的课题。通常,对于心律失常性心脏病的诊断,应记录和监测心电图信号。因此,心电图信号的分类是生物信号分析领域中最受关注的领域之一。然而,由于心电图记录的复杂性,心脏病学家很难快速准确地分析大量心电图。因此,对不均衡的多类心律失常信号进行自动化心电图分析是非常重要的。
深度学习(Deep-Learning)能够自动对输入的心电信号进行特征的提取和分类,而无需手动提取特征,在分类精度上具有竞争力。现有的心电分析算法大多是采用卷积神经网络实现的,这些用卷积神经网络对心电数据进行分类的研究也取得了良好的效果。但是在分类不均衡且类别较多的心律失常时,分类准确率往往会下降。因此,为了使心电分类更加准确,搭建更优的卷积神经网络模型很有必要。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于深度可分离卷积神经网络和改进交叉熵损失函数的心律失常分类方法,首先将一维心电数据做预处理进行分段并且转化成二维心电数据,更加符合医生的临床经验;接着使用二维卷积神经网络来对心电信号进行特征提取和分类,不需要做去噪、去除伪影等步骤,从实验角度上来讲,更加符合临床医学经验;为了更好地提升网络模型的性能,本发明提出一种改进的网络结构:将每个常规卷积层改进为深度可分离卷积层,构建出的深度可分离卷积层可以减少卷积层参数,并且能优化提取到心电信号的特征图;在分类时运用改进交叉熵损失函数,可以更合理地分配损失至不均衡的心律失常类别,保证了网络模型对数据量较小类别的分类性能,对神经网络的分类处理工作有很大意义。本发明能有效提高对于不均衡的心律失常类别的分类准确性。
为实现上述目的,本发明提供如下技术方案:
本发明基于深度可分离卷积和改进损失函数的心律失常分类方法,包括如下步骤:
步骤1、将一维心电数据预处理:根据MIT-BIH心律失常数据库给出的R峰位置,将心电信号进行分段,然后将每一段一维心电信号绘制成二维灰度图像,共获得17类心电数据;
步骤2、构建基于深度可分离卷积神经网络和改进交叉熵损失函数的二维卷积神经网络模型;
步骤3、将训练集的心电信号输入基于深度可分离卷积神经网络和改进交叉熵损失函数的卷积神经网络模型进行训练。
优选的,所述步骤2中该模型一共包括3个卷积块;在每个卷积块中都包含2个深度可分离卷积层和1个池化层;最后构建使用改进交叉熵损失函数的全连接层。
优选的,所述步骤3具体如下:
1)将心电信号依次输入到卷积块中,不断经过深度可分离卷积和池化层形成最终的特征图;
2)心电信号特征图在卷积块中依次传输后通过一个全连接层分类,需要使用损失函数对17个类别的心电信号进行损失分配;
3)设置迭代次数epoch=100,当模型连续6次准确率没有提升时,停止训练,选择最后的模型作为最终模型。
优选的,所述步骤1)中深度可分离卷积层内部包含3个卷积核为3的卷积以及1个卷积核为1的卷积,在该卷积结构中,心电信号分别输入到3个卷积核为3的卷积中,然后级联后再输入卷积核为1的卷积中,得到最终的特征图。
优选的,所述步骤2)中使用改进交叉熵损失函数作为卷积神经网络中的损失函数,对17类不均衡的心电数据能够实现更好的分类,改进交叉熵损失函数增加了调制因子α和γ,通过设置α值,控制不同样本数的类别相对总损失的权重,在控制权重后,通过加入调节因子γ来控制易分类样本和难分类样本的权重,该因子降低了易分类样本的权重,使得模型在训练过程中更加关注难以分类的样本,改进交叉熵损失函数(以Focal loss表示)定义如下:
Focal loss(pt)=-α(1-pt)γlog(pt)
其中,pt是类别t的估计概率,将调制因子γ设置为2,将调制因子α设置为0.25。
与现有技术相比,本发明的有益效果是:本发明提出的网络架构应用深度可分离卷积层替代常规卷积层,当心电信号输入深度可分离卷积后,能够更有效地提取不同通道间的特征,以获得更佳丰富的心电图特征。再者,在参数方面,深度可分离卷积层相对于常规卷积层来说,减少了网络参数,提高了网络的鲁棒性。本发明提出的网络架构中还应用到了改进交叉熵损失函数,该损失函数通过分配损失,使得模型注重学习难以学习的心律失常样本,注重训练数据不均衡中占比较少的样本对不均衡的心律失常类别分类性能较好。本发明极大地提高了不均衡的心律失常类别的分类效率,更佳贴合临床医学,具有很大的可实用性。
附图说明
图1为本发明的流程示意图。
图2为本发明中基于深度可分离卷积神经网络和改进交叉熵损失函数的心律失常分类方法的网络架构示意图。
图3为本发明中使用的深度可分离卷积层示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,基于深度可分离卷积和改进损失函数的心律失常分类方法,包括如下步骤:
步骤1、将一维心电数据预处理:根据MIT-BIH心律失常数据库给出的R峰位置,将心电信号进行分段,然后将每一段一维心电信号绘制成二维灰度图像,共获得17类心电数据;
步骤2、构建基于深度可分离卷积神经网络和改进交叉熵损失函数的二维卷积神经网络模型;
步骤3、将训练集的心电信号输入基于深度可分离卷积神经网络和改进交叉熵损失函数的卷积神经网络模型进行训练。
本发明中,步骤2中该模型一共包括3个卷积块;在每个卷积块中都包含2个深度可分离卷积层和1个池化层;最后构建使用改进交叉熵损失函数的全连接层。
本发明中,步骤3具体如下:
1)将心电信号依次输入到卷积块中,不断经过深度可分离卷积和池化层形成最终的特征图;
2)心电信号特征图在卷积块中依次传输后通过一个全连接层分类,需要使用损失函数对17个类别的心电信号进行损失分配;
3)设置迭代次数epoch=100,当模型连续6次准确率没有提升时,停止训练,选择最后的模型作为最终模型。
本发明中,步骤1)中深度可分离卷积层内部包含3个卷积核为3的卷积以及1个卷积核为1的卷积,在该卷积结构中,心电信号分别输入到3个卷积核为3的卷积中,然后级联后再输入卷积核为1的卷积中,得到最终的特征图。
本发明中,步骤2)中使用改进交叉熵损失函数作为卷积神经网络中的损失函数,对17类不均衡的心电数据能够实现更好的分类,改进交叉熵损失函数增加了调制因子α和γ,通过设置α值,控制不同样本数的类别相对总损失的权重,在控制权重后,通过加入调节因子γ来控制易分类样本和难分类样本的权重,该因子降低了易分类样本的权重,使得模型在训练过程中更加关注难以分类的样本,改进交叉熵损失函数(以Focal loss表示)定义如下:
Focal loss(pt)=-α(1-pt)γlog(pt)
其中,pt是类别t的估计概率,将调制因子γ设置为2,将调制因子α设置为0.25。
为了验证基于深度可分离卷积神经网络和改进交叉熵损失函数的心律失常分类方法在心电信号分类上的性能,本发明采用MIT-BIH心律失常数据库中的17类心电数据进行实验,如表1所示。其中,本发明将序号1~9心电类别归为少数类,将10~17心电类别归为多数类。本实施例将心电数据中的70%作为训练集,15%作为验证集,剩余15%作为训练集。
表1
将本实施例(DSC-FL-CNN)与普通算法(CNN)进行比较,用精确度(Precision,用Precision表示)、召回率(Recall,用Recall表示)以及F-Score(用F1表示)作为客观评价指标来衡量分类效果,以验证本发明方法的分类性能。其定义如下:
式中,TP是正样本的正确预测数,FN是正样本的不正确预测数,FP是负样本的不正确预测数。
表2详细说明了DSC-FL-CNN和对照CNN中分类17种心电信号的精确度、召回率和F-score。可以看到,对于数目较少的9种心电类别来说,DSC-FL-CNN相较于CNN在其中的6种上都有了显著提升。在大大提升少数类心电信号的同时,DSC-FL-CNN对于多数类也略有提升。从指标的平均值可以观察到,精确度从0.77提升到了0.82,召回率从0.72提升到了0.79,F1分数从0.71提升到了0.79,可以很容易看出本发明提出的网络模型提升了心电分类的性能。特别是在少数类中,准确率从0.62提升到了0.71,召回率从0.53提升到了0.68,F1分数从0.51提升到了0.66,可以看出提升效果较为明显。由此可见,本发明可以使得模型数量较少的少数类心电信号具有较好的心电分类性能。
表2
综上所述,本发明提出的网络架构应用深度可分离卷积层替代常规卷积层,当心电信号输入深度可分离卷积后,能够更有效地提取不同通道间的特征,以获得更佳丰富的心电图特征。再者,在参数方面,深度可分离卷积层相对于常规卷积层来说,减少了网络参数,提高了网络的鲁棒性。本发明提出的网络架构中还应用到了改进交叉熵损失函数,该损失函数通过分配损失,使得模型注重学习难以学习的心律失常样本,注重训练数据不均衡中占比较少的样本对不均衡的心律失常类别分类性能较好。本发明极大地提高了不均衡的心律失常类别的分类效率,更佳贴合临床医学,具有很大的可实用性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.基于深度可分离卷积和改进损失函数的心律失常分类方法,其特征在于:包括如下步骤:
步骤1、将一维心电数据预处理:根据MIT-BIH心律失常数据库给出的R峰位置,将心电信号进行分段,然后将每一段一维心电信号绘制成二维灰度图像,共获得17类心电数据;
步骤2、构建基于深度可分离卷积神经网络和改进交叉熵损失函数的二维卷积神经网络模型;
步骤3、将训练集的心电信号输入基于深度可分离卷积神经网络和改进交叉熵损失函数的卷积神经网络模型进行训练。
2.根据权利要求1所述基于深度可分离卷积和改进损失函数的心律失常分类方法,其特征在于:所述步骤2中该模型一共包括3个卷积块;在每个卷积块中都包含2个深度可分离卷积层和1个池化层;最后构建使用改进交叉熵损失函数的全连接层。
3.根据权利要求2所述基于深度可分离卷积和改进损失函数的心律失常分类方法,其特征在于:所述步骤3具体如下:
1)将心电信号依次输入到卷积块中,不断经过深度可分离卷积和池化层形成最终的特征图;
2)心电信号特征图在卷积块中依次传输后通过一个全连接层分类,需要使用损失函数对17个类别的心电信号进行损失分配;
3)设置迭代次数epoch=100,当模型连续6次准确率没有提升时,停止训练,选择最后的模型作为最终模型。
4.根据权利要求3所述基于深度可分离卷积和改进损失函数的心律失常分类方法,其特征在于:所述步骤1)中深度可分离卷积层内部包含3个卷积核为3的卷积以及1个卷积核为1的卷积,在该卷积结构中,心电信号分别输入到3个卷积核为3的卷积中,然后级联后再输入卷积核为1的卷积中,得到最终的特征图。
5.根据权利要求3所述基于深度可分离卷积和改进损失函数的心律失常分类方法,其特征在于:所述步骤2)中使用改进交叉熵损失函数作为卷积神经网络中的损失函数,对17类不均衡的心电数据实现分类,改进交叉熵损失函数增加了调制因子α和γ,通过设置α值,控制不同样本数的类别相对总损失的权重,在控制权重后,通过加入调节因子γ来控制易分类样本和难分类样本的权重,该因子降低了易分类样本的权重,使得模型在训练过程中更加关注难以分类的样本,改进交叉熵损失函数定义如下:
Focal loss(pt)=-α(1-pt)γlog(pt)
其中,pt是类别t的估计概率,将调制因子γ设置为2,将调制因子α设置为0.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547987.9A CN113288157A (zh) | 2021-05-19 | 2021-05-19 | 基于深度可分离卷积和改进损失函数的心律失常分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547987.9A CN113288157A (zh) | 2021-05-19 | 2021-05-19 | 基于深度可分离卷积和改进损失函数的心律失常分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113288157A true CN113288157A (zh) | 2021-08-24 |
Family
ID=77322876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547987.9A Pending CN113288157A (zh) | 2021-05-19 | 2021-05-19 | 基于深度可分离卷积和改进损失函数的心律失常分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288157A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744229A (zh) * | 2021-08-27 | 2021-12-03 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN115429284A (zh) * | 2022-09-16 | 2022-12-06 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108962393A (zh) * | 2018-05-12 | 2018-12-07 | 鲁东大学 | 基于压缩图神经网络的自动心律失常分析方法 |
US20190295688A1 (en) * | 2018-03-23 | 2019-09-26 | Google Llc | Processing biological sequences using neural networks |
CN110313894A (zh) * | 2019-04-15 | 2019-10-11 | 四川大学 | 基于卷积神经网络的心率失常分类算法 |
CN112741596A (zh) * | 2019-10-31 | 2021-05-04 | 南京大学 | 一种基于深度可分离卷积神经网络的移动端心音分类方法 |
-
2021
- 2021-05-19 CN CN202110547987.9A patent/CN113288157A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295688A1 (en) * | 2018-03-23 | 2019-09-26 | Google Llc | Processing biological sequences using neural networks |
CN108962393A (zh) * | 2018-05-12 | 2018-12-07 | 鲁东大学 | 基于压缩图神经网络的自动心律失常分析方法 |
CN110313894A (zh) * | 2019-04-15 | 2019-10-11 | 四川大学 | 基于卷积神经网络的心率失常分类算法 |
CN112741596A (zh) * | 2019-10-31 | 2021-05-04 | 南京大学 | 一种基于深度可分离卷积神经网络的移动端心音分类方法 |
Non-Patent Citations (6)
Title |
---|
IHSANTO, E., RAMLI, K.: "An Efficient Algorithm for Cardiac Arrhythmia Classification Using Ensemble of Depthwise Separable Convolutional Neural Networks", 《APPLIED SCIENCES》 * |
JIANG, M., WANG, Y., XIA, L.: "The combination of self-organizing feature maps and support vector regression for solving the inverse ECG problem", 《COMPUTERS & MATHEMATICS WITH APPLICATIONS》 * |
ROMDHANE, T. F.: "Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
查雪帆等: "结合迁移学习与深度卷积网络的心电分类研究", 《中国医学物理学杂志》 * |
梁盛德等: "基于卷积神经网络和心电QRS波群的身份识别", 《电子测量与仪器学报》 * |
蒋明峰,鲁薏,李杨,项宜坤,张鞠成,王志康: "基于金字塔卷积结构的深度残差网络心电信号分类方法研究", 《生物医学工程学杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744229A (zh) * | 2021-08-27 | 2021-12-03 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
CN113744229B (zh) * | 2021-08-27 | 2024-02-23 | 北京航空航天大学 | 一种基于cta图像的适用于不同分割模型的改进因子 |
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN113780652B (zh) * | 2021-09-07 | 2024-05-14 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN115429284A (zh) * | 2022-09-16 | 2022-12-06 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
CN108806792B (zh) | 深度学习面诊系统 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN110245657A (zh) | 病理图像相似性检测方法及检测装置 | |
CN109645983A (zh) | 一种基于多模块神经网络的不平衡心拍分类方法 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN111110224A (zh) | 一种基于多角度特征提取的心电图分类方法及装置 | |
CN113229825A (zh) | 一种基于深度神经网络的多标签多导联心电图分类方法 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
CN116012568A (zh) | 一种通过拍照心电图获取心电节律信息的系统 | |
CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN114067313A (zh) | 一种双线性残差网络模型的农作物叶部病害识别方法 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
CN110811591A (zh) | 一种基于心率变异性的心力衰竭分级方法 |
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: 20210824 |