CN113317797B - 一种结合医疗领域知识的可解释心律失常分类方法 - Google Patents
一种结合医疗领域知识的可解释心律失常分类方法 Download PDFInfo
- Publication number
- CN113317797B CN113317797B CN202110364303.1A CN202110364303A CN113317797B CN 113317797 B CN113317797 B CN 113317797B CN 202110364303 A CN202110364303 A CN 202110364303A CN 113317797 B CN113317797 B CN 113317797B
- Authority
- CN
- China
- Prior art keywords
- classification
- module
- neural network
- knowledge
- arrhythmia
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 24
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001575 pathological effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000002330 Congenital Heart Defects Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005831 heart abnormality Effects 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种结合医疗领域知识的可解释心律失常分类方法，在实现心律失常精确分类的同时，对分类结果做出合规合理的解释。该方法包括数据预处理步骤、深度神经网络分类模型、领域知识模型、联合训练模型、和可解释报告模型。该方法通过建立领域知识特征对应的判断规则，结合深度神经网络联合训练。该方法的有益效果在于：1）针对当前深度学习模型仅利用数据驱动的技术，集成医疗领域知识，在领域知识的指导下对神经网络的参数进行微调，使得深度神经网络的训练更加领域相关；2）采用了可解释技术，形成对每种心律失常的检测原因并对异常位置进行定位，医生可直接对异常位置进行进一步分析，节省医生时间，为医生进行临床诊断提供辅助。
Description
技术领域
本发明涉及生物医学信息处理领域，尤其涉及一种结合了深度神经网络和医疗领域知识的可解释的心律失常分类方法。
背景技术
中国有2.9亿心律不齐患者，而且患病率每年都在不断上升。心脏病的死亡率比癌症和其他疾病高32%，早期发现和预防对降低死亡率、提高生活质量具有重要意义。心电图（Electrocardiogram，ECG）是一种非侵入式的诊断心脏异常的检测方法，近年来，利用深度神经网络从ECG信号发现心脏异常的潜在风险得到了深入研究，有些项目在特定领域取得了比人类专家更好的表现，例如Andrew Ng领导的斯坦福大学研究小组用卷积神经网络（CNN）建立了14种心脏疾病的分类模型，并发现机器学习模型能比心脏病专家更好地从12导联心电图中定位早搏起源。因此，利用深度学习技术，从ECG信号中自动发现和检测心脏疾病，对降低患者死亡率、提高生活质量具有重要意义，也能在目前医患比例失衡的情况下，降低医生工作负担，大大提高医疗效率。
目前产业界存在多种心电信号智能诊断的可穿戴式产品，但大多数产品仅作为日常监测工具，而无法成为医生进行医疗诊断的依据辅助，原因在于，在临床决策领域，神经神经网络的可解释性不够。纯数据驱动的神经网络模型仅能得到分类结果，而无法对结果做出医学解释，导致分类结果不可信。因此需要开发一种既能自动进行心律失常的检测和分类，且能够对分类结果做出医学病理解释的可信分类模型，才能为医生诊断提供辅助，提高医生的效率。
本发明介绍了一种结合了领域知识的深度神经网络（DNN）。DNN使深度神经网络能够捕捉心电数据的统计模式进行分类，领域知识能够充分利用临床知识，对分类结果进行病理解释。领域知识注入到神经网络能够减少分类模型的不可信问题，减少分类误差，而不牺牲准确性。
发明内容
本发明所要解决的技术问题是，提供一种结合了深度学习模型和医疗领域知识的心电信号分类模型，在实现心律失常精确分类的同时，对分类结果做出合规合理的医疗解释。
技术特点如下：1）结合医疗领域知识，建立分类与微调一体化的深度神经网络，利用领域知识改良神经网络的分类结果；2）输出解释报告,形成对每种心律失常的检测原因并对异常位置进行定位，医生可直接对异常位置进行进一步分析，节省医生时间，为医生进行临床诊断提供辅助。
为达到上述目的，本发明创造的技术方案是这样实现的：
本方法包括数据预处理步骤、深度神经网络分类模型、领域知识模型、联合训练模型、和可解释报告模型。
所述数据预处理模块，包括去噪、心拍分割、信号裁剪和归一化；其中去噪步骤用于消除基线漂移等干扰；心拍分割先检测R峰，再通过在R峰前采样和后采用固定数量的样本，来获得固定长度（例如10秒）的心拍信号；信号裁剪将过长信号进行裁剪，或者不足长度的信号用0补足，并且去除原始心电信号中受导线脱落等导致的无效信号；归一化则将每个通道的信号进行零-均值规范化。则输入心电信号序列表示为：X =R m×d ，其中d为导联数量（d=1,2,…,12），m为每个导联的样本数。
所述深度神经网络分类模型，包括三种卷积块A、B和C，其中卷积块A用于接收输入心电信号并进行降维；卷积块B采用多个残差连接的一维卷积层，提取心电信号的特征，并采用SE（Squeeze-and-Excitation）模块以提取心电信号通道之间的相关性；卷积块C包括1个一维卷积层和1个ReLU层；分类层包括一个全局平均池化(Global Average Pooling，GAP)层和SoftMax层。
所述深度神经网络分类模型中，SE模块由1个全局平均池化（Global averagePooling，GAP）层和2个全连接层（Full Connection Layer，FC）组成，用于把心电信号的全局空间信息压缩到一个通道描述符s中，对所获取的特征进行精化。令输入特征向量记为X，则输出特征向量
如下述公式所示：
其中，δ表示ReLU函数，σ表示Sigmoid函数，W 1和W 2分别为2个全连接层的权值。
所述领域知识模型，根据心律失常领域知识构建领域知识库，其中心律失常医疗知识表示为
，
，其中C l 定义为特征的析取或者合取形成的一阶逻辑从句；
为该规则的置信度，其中每个规则的所有实例基准置信度（groundingconfidence）的数学期望为1。通过t-范数对每条医疗知识规则进行编码：
所述领域知识模型，建立医疗领域知识库，建立医学病理特征对应的医学知识规则；输入心电信号序列进行心拍检测后，对完整的心电记录计算医学病理特征，并触发相应规则。
所述联合训练模型，采用训练数据集
进行K-way分类任务训练，其中x n 是原始心电数据记录，y n ∈{0,1} K 是输入x n 所属类别的K维概率。其中，所述领域知识模型，提取医学病理特征计C l ，计算训练实例的软逻辑（soft logic），得到输入数据的实例基准置信度λ l (C l )；所述DNN模型，在心律失常分类任务中生成预测p θ (y l |x l )，其中θ为神经网络的权重。所述联合训练模型在每个训练迭代期t，使用KL散度(Kullback-LeiblerDivergence) 来测量两个预测之间的差异：
训练目标是最小化KL散度，以下述公式对DNN模型参数进行更新：
其中π是校准两个项影响的参数。
所述可解释报告生成模块，结合所述深度神经网络分类模型和领域知识模型，生成分类结果和分类理由，具体技术为：
步骤5.1：对深度神经网络分类模型的分类结果采用类激活图（Class ActivationMapping，CAM)技术，提取所述深度神经网络分类模型最后一个卷积层的特征向量，进行加权融合，获取激活图对心电信号的异常位置进行高亮显示，为解释报告提供可视化的依据，具体为：给定一个经过预处理的固定长度的ECG时序信号，令最后一个卷积层中第k个卷积核在时间位置t的激活函数为f k (t)，则类别c的类激活图计算为：
其中
是GAP层与Softmax层的连接权重。
步骤5.2：利用领域知识模型，在语义层面上解释每一个分类结果的病理依据，说明根据输入的心电信号所计算的医学病理特征，以及所采用的医疗知识规则，从而产生可信的分类报告。
与现有技术相比，本申请提供的一种结合医疗知识的可解释自动心律失常分类方法的有益效果在于：1）针对当前心电分类模型仅利用数据驱动的技术，集成了医疗领域的先验知识，并在领域知识的指导下对神经网络的参数进行微调，使得DNN的优化方向更为稳定和领域相关；2）采用了可解释技术，使得模型的分类结果更加可信。
附图说明
图1 为本发明实施例提供的一种结合医疗领域知识的心律失常分类模型；
图2 为本发明实施例提供的一种深度神经网络的架构图；
图3 为本发明实施例提供的可解释报告。
具体实施方式
以下是本发明的具体实施例，结合附图，对本发明的技术方案作进一步的描述。实施例1中采用2018年中国生理信号挑战赛（CSPC2018）数据集进行训练，对9种心律失常做出分类。该数据集来自于网络公开下载的数据集，而非来自人体检测；所使用的时序信号是12导联心电信号，仅为展示对输入信号的分类效果，而非对健康状况做出诊断。需要注意的是，这里所使用的术语和技术，均为现有技术中的常用定义，这里不再赘述。所涉及的具体数据，例如导联数和心律失常的种类，仅是为了结合特定实例以便描述具体算法，而非意图限制根据本发明给公开的示例性实施方式。
图1是本实施例提供的结合医疗领域知识的心律失常分类模型框图，包括数据预处理模块、深度神经网络分类模型、领域知识模型、联合训练模型、和可解释报告模型。
所述数据预处理模块，首先进行心跳周期检测。一个完整的心电周期由一个 P波、一个 QRS 波群和一个 T 波组成，心跳周期检测算法可采用但不限于Pan-Tompkins算法，该算法是通过检测QRS 波群中的R峰来实现心跳周期分割。一个心跳周期选择R峰前200ms，R峰后300ms，总共500ms的数据段。以每2个心跳周期为一个数据段，则总共10个数据段，每个数据段512个采样。过长的信号截断，过短的信号用0补足。所有信号在输入深度神经网络之前进行归一化处理。
所述深度神经网络分类模型如图2所示，共包括10个卷积块和1个分类层；卷积块分别描述为块A、块B和块C，其中，块A 包括1个一维卷积层（1D Conv）、1个批归一化层（Batch Normalization，BN）、1个ReLU层 (Rectified Linear Unit)；块B包括2个BN层、2个1D Conv层、1个Dropout层和1个SE（Squeeze-and-Excitation）模块，并采用残差连接（Residual connection）；块C包括1个1D Conv层和1 个ReLU层；分类层包括一个全局平均池化(GAP)层和SoftMax层；其中，卷积核大小为16，每个卷积层的卷积核数量为32*2 k ，块A中k=0，块B中每4个卷积层k递增1。
所述领域知识模型，输入的心电信号序列进行心拍检测后，不进行截断或者补足，对完整的心电记录计算医学病理特征，分别为：RR区间中位值RR med、RR区间最小值RR min、RR区间差最小值△RR min、RR区间标准差RR std、pNN50、平均NN周期NN avg、心律最大值HR max、心律最小值HR min、R波近似熵R ApEn、R波幅度中值R med、R峰标准差R std、T波排列熵T PE、T波幅度中值T med、P波排列熵P PE、P波近似熵P ApEn、P波幅度中值P med、P波区间标准差P std、ST平均偏差电压ST dev、ST最大偏差电压ST max、ST偏差拟合线截距ST INTER。
所述联合训练模型，其算法的具体步骤描述为：
输入：固定长度的训练数据集
，完整长度的心电信号训练集；
在每个训练迭代期t：
步骤4.1：初始化DNN网络参数θ，初始化超参数π；
步骤4.2：对每个小批次样本子集（mini-batch），进行迭代：
S1：将固定长度的训练数据
输入DNN模型，获得该样本的心律失常类别的预测p θ (y l |x l )；
S2：根据领域知识模型计算的医学病理特征，选择适当的规则R l 代入规则实例C l ，通过对规则的软逻辑编码，计算该规则的实例基准置信度λ l (C l )；
S3：用下述公式对DNN模型参数进行更新：
直至网络收敛。
所述可解释报告模型，构建一个固定模板，如图3所示，包括分类结果和病理分析部分。其中分类结果为联合训练模型的最终分类结果，即9种心律失常之一；病理分析包括两个部分：
1. 图像部分：在DNN模型上采用CAM技术，对特定心电异常类别最相关的部分进行定位，将原始心电信号图形化后，将二者叠加，从而高亮显示心电异常位置，医生可直接定位异常部分进行进一步分析，减少医生诊断时间；
2. 病理分析：将领域知识模型所触发的医疗知识规则文字化，结合医疗领域知识库，在语义层面上解释每一个分类结果的病理依据，辅助医生进行判断，提高医生诊断效率。
Claims (1)
1.一种结合医疗领域知识的可解释心律失常分类方法，其特征在于，包括数据预处理模块、深度神经网络分类模块、基于规则的领域知识模块、联合训练模块、和可解释报告模块；
所述深度神经网络分类模块，包括三种卷积块A、B和C，其中卷积块A包括1个一维卷积层、1个批归一化（BN）层、1个ReLU层，用于接收输入心电信号并进行降维；卷积块B采用残差连接，每个块包括2个BN层、2个一维卷积层、1个Dropout层和1个SE（Squeeze-and-Excitation）模块，用于提取心电信号的特征；卷积块C包括1个一维卷积层和1个ReLU层；分类层包括一个全局平均池化(Global Average Pooling，GAP)层和SoftMax层；
所述基于规则的领域知识模块，根据心律失常领域知识构建领域知识库，其中心律失常医疗知识表示为
，
，其中R l 为一阶逻辑规则，C l 表示输入心电信号序列后所提取的医学病理特征的析取或者合取，y l 表示分类的类别；
为该规则的置信度，其中每个规则R l 的所有实例基准置信度（grounding confidence）的数学期望为1；通过t-范数对每条医疗知识规则进行编码：
其中A i 表示第i个医学病理特征，i=1…,m；
所述联合训练模块，具体步骤包括：
输入：经过数据预处理的固定长度的训练数据集
，完整长度的原始心电信号训练集，N为样本总数量；
步骤4.1：初始化深度神经网络分类模块的网络参数θ，初始化超参数π；
步骤4.2：对每个小批次样本子集，进行迭代，对每个迭代周期t：
S1：深度神经网络分类模块输入固定长度的训练样本数据
，获得该样本的心律失常分类预测结果
；
S2：领域知识模块输入完整长度的原始心电信号训练集，通过计算医学病理特征C l ，选择适当的规则R l ，根据该规则的软逻辑编码，计算该规则的实例基准置信度λ l (C l )；
S3：使用KL散度(Kullback-Leibler Divergence) 来测量两个模块预测之间的差异：
，训练目标是最小化KL散度；
用下述公式对深度神经网络分类模块的参数θ进行更新，直至网络收敛：
其中π是校准两个项影响的参数，
为交叉熵损失函数；
所述可解释报告生成模块，构建一个固定报告模板，包括分类结果和分类理由两个部分；其中分类结果为联合训练模型的最终分类结果，分类理由将领域知识所触发的分类规则文字化，结合医疗领域知识库，在语义层面上解释每一个分类结果所采用的医疗知识规则，从而产生可信的分类报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110364303.1A CN113317797B (zh) | 2021-04-05 | 2021-04-05 | 一种结合医疗领域知识的可解释心律失常分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110364303.1A CN113317797B (zh) | 2021-04-05 | 2021-04-05 | 一种结合医疗领域知识的可解释心律失常分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113317797A CN113317797A (zh) | 2021-08-31 |
| CN113317797B true CN113317797B (zh) | 2022-11-08 |
Family
ID=77414579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110364303.1A Active CN113317797B (zh) | 2021-04-05 | 2021-04-05 | 一种结合医疗领域知识的可解释心律失常分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113317797B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113855048A (zh) * | 2021-10-22 | 2021-12-31 | 武汉大学 | 一种孤独症谱系障碍的脑电信号可视化判别方法及系统 |
| CN114711781A (zh) * | 2022-03-30 | 2022-07-08 | 上海夏先机电科技发展有限公司 | 基于深度学习和专家特征融合的心律失常检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
| CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
| CN110664395A (zh) * | 2019-09-29 | 2020-01-10 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
| CN111950694A (zh) * | 2019-05-17 | 2020-11-17 | 罗伯特·博世有限公司 | 用于可解释序列和时序数据建模的系统和方法 |
| CN112019530A (zh) * | 2020-08-17 | 2020-12-01 | 宁波工程学院 | 一种适用于体域网的生理信号安全压缩方法和系统 |
| CN112529185A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 工业过程领域规则知识获取方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150134580A1 (en) * | 2013-11-12 | 2015-05-14 | Persyst Development Corporation | Method And System For Training A Neural Network |
| US9949714B2 (en) * | 2015-07-29 | 2018-04-24 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
| EP3312748A1 (en) * | 2016-10-19 | 2018-04-25 | Fujitsu Limited | Method for aiding a diagnosis, program and apparatus |
| US11177025B2 (en) * | 2018-06-20 | 2021-11-16 | International Business Machines Corporation | Intelligent recommendation of useful medical actions |
| US11423262B2 (en) * | 2018-08-08 | 2022-08-23 | Nec Corporation | Automatically filtering out objects based on user preferences |
| MA55302A (fr) * | 2019-03-15 | 2022-01-19 | Spintellx Inc | Plate-forme d'ia explicable (xai) pour pathologie informatique |
-
2021
- 2021-04-05 CN CN202110364303.1A patent/CN113317797B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN108095716A (zh) * | 2017-11-21 | 2018-06-01 | 郑州鼎创智能科技有限公司 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
| CN109998525A (zh) * | 2019-04-03 | 2019-07-12 | 哈尔滨理工大学 | 一种基于判别式深度置信网络的心律失常自动分类方法 |
| CN111950694A (zh) * | 2019-05-17 | 2020-11-17 | 罗伯特·博世有限公司 | 用于可解释序列和时序数据建模的系统和方法 |
| CN110664395A (zh) * | 2019-09-29 | 2020-01-10 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
| CN112019530A (zh) * | 2020-08-17 | 2020-12-01 | 宁波工程学院 | 一种适用于体域网的生理信号安全压缩方法和系统 |
| CN112529185A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 工业过程领域规则知识获取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Combining deep neural networks and engineered features for cardiac arrhythmia detection from ECG recordings;Shenda Hong等;《Physiological Measurement》;20190620;第1-19页 * |
| 一种面向机器学习的情境识别机制;孙洁 等;《宁波工程学院学报》;20111231;第72-76页 * |
| 融合领域知识的心电图分类方法研究;王丽苹;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20131115;I136-8 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113317797A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hagiwara et al. | Computer-aided diagnosis of atrial fibrillation based on ECG Signals: A review | |
| Li et al. | Patient-specific ECG classification by deeper CNN from generic to dedicated | |
| Yan et al. | A restricted Boltzmann machine based two-lead electrocardiography classification | |
| CN113317797B (zh) | 一种结合医疗领域知识的可解释心律失常分类方法 | |
| Harjani et al. | Analysis of various machine learning algorithm for cardiac pulse prediction | |
| Wu et al. | A novel features learning method for ECG arrhythmias using deep belief networks | |
| Darmawahyuni et al. | Deep learning with long short-term memory for enhancement myocardial infarction classification | |
| Midani et al. | DeepArr: An investigative tool for arrhythmia detection using a contextual deep neural network from electrocardiograms (ECG) signals | |
| CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
| Wang et al. | Arrhythmia classification based on multiple features fusion and random forest using ECG | |
| Ganguly et al. | A non-invasive approach for fetal arrhythmia detection and classification from ecg signals | |
| Falaschetti et al. | Ecg-based arrhythmia classification using recurrent neural networks in embedded systems | |
| Poonja et al. | Evaluation of ECG based Recognition of Cardiac Abnormalities using Machine Learning and Deep Learning | |
| Allam et al. | Patient-specific ECG beat classification using EMD and deep learning-based technique | |
| Xia et al. | Real-time ECG delineation with randomly selected wavelet transform feature and random walk estimation | |
| Haroon | ECG arrhythmia classification Using deep convolution neural networks in transfer learning | |
| Patil et al. | Prediction and analysis of heart disease using SVM algorithm | |
| Jothiramalingam et al. | Review of Computational Techniques for the Analysis of Abnormal Patterns of ECG Signal Provoked by Cardiac Disease. | |
| Tyagi et al. | A review on heartbeat classification for arrhythmia detection using ecg signal processing | |
| Sharma et al. | Electrocardiogram Heartbeat Classification Using Machine Learning and Ensemble Convolutional Neural Network-Bidirectional Long Short-Term Memory Technique | |
| Zhi et al. | Wavelet based machine learning techniques for electrocardiogram signal analysis | |
| Ajjey et al. | Scalogram based heart disease classification using hybrid cnn-naive bayes classifier | |
| Guo et al. | Machine learning-based automatic cardiovascular disease diagnosis using two ecg leads | |
| Srivastava et al. | ECG Pattern Analysis using Artificial Neural Network | |
| Chowdhury et al. | Combining deep learning with traditional machine learning to improve phonocardiography classification accuracy |
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 |