CN113349793A - 一种基于分层注意力模型的心律失常分类方法 - Google Patents
一种基于分层注意力模型的心律失常分类方法 Download PDFInfo
- Publication number
- CN113349793A CN113349793A CN202110341759.6A CN202110341759A CN113349793A CN 113349793 A CN113349793 A CN 113349793A CN 202110341759 A CN202110341759 A CN 202110341759A CN 113349793 A CN113349793 A CN 113349793A
- Authority
- CN
- China
- Prior art keywords
- interval
- data
- model
- arrhythmia
- attention model
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 39
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 208000009729 Ventricular Premature Complexes Diseases 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 19
- 238000000605 extraction Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于分层注意力模型的心律失常分类方法，包括以下步骤：1）获取数据集并进行数据预处理；2）提取时间特征，即前RR间期、后RR间期、局部平均RR间期、全局平均RR间期；3）构建分层注意力模型，包括两个层次，底层用于提取各类特征，顶层利用注意力模型融合各类特征；4）利用所获取的训练数据对模型进行训练，并在验证数据上优化模型的超参数；5）将待测心电数据输入到训练好的模型中，即可得到判别结果。本发明属于医学信息处理技术领域。本发明能将不同特征以及特征中的不同元素进行有效融合，从而提高检测分类的准确性。
Description
技术领域
本发明涉及医学信息处理技术领域，具体为一种基于分层注意力模型的心律失常分类方法。
背景技术
心律失常是指心跳的频率或节奏不规则。心律失常时，心脏可能跳动过快、过慢或不规则。虽然大多数心律失常的影响可能不大，但有些可能很严重，甚至会危及生命。心律失常时，心脏可能无法向身体输送足够的血液，这会对大脑、心脏和其他器官造成损害。所以为了诊断这一问题，通常会使用动态心电图设备来长期记录病人的心电图数据。但对于心电图数据的分析，人工检查是繁琐和耗时的，特别是在长期监护的情况下，对于初级医生来说，实时诊断是一项困难的任务。因此，利用计算机辅助分析和解释心电信号，即时判断出异常心电信号，变得非常重要。
目前，已经有很多利用心电信号进行心律失常分类的研究，其通常会先提取各种特征，如形态特征、时序特征、时间特征等，再进行分类。现有的特征提取方法有很多，如传统的小波变换、傅里叶变换以及近几年兴起的深度神经网络方法等。深度学习方法能够从原始输入数据中自动学习潜在特征表示，具有很大的优势。对于心律失常分类任务来说，有两个重要的方面。一方面，不同的特征往往具有不同的重要性。如形态特征注重的是心电图的波形，时序特征注重的是心电信号随时间的变化，时间特征反映的是时间间隔，这几种特征反映了心跳搏动的不同方面，对心律失常分类也具有不同的影响。如何有效的融合这些特征变得至关重要。另一方面，这些特征可能包含不同的元素，不同的元素对于特征表示的影响也是不同的。如时序特征，其包含了不同时刻的心电信号，但并不是所有时刻的信号都同等重要。对于心律失常分类而言，异常部分的信号可能才是分类的关键。但目前有关心律失常分类的方法都未能同时考虑这两个重要的方面，而这会对分类的结果造成影响。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于分层注意力模型的心律失常分类方法，能将不同特征以及特征中的不同元素进行有效融合，从而提高检测分类的准确性。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于分层注意力模型的心律失常分类方法，包括以下步骤：
步骤一、获取数据集并进行数据预处理；
步骤二、提取时间特征：时间特征对于心律失常分类具有重要意义，一些室上性异位搏动患者虽具有与正常心跳相似形态的心电信号，但其RR间期是异常的，所述时间特征主要包括四类：
1)、前RR间期，指的是给定心跳与前一个心跳之间的RR间期；
2)、后RR间期，指的是给定心跳与后一个心跳之间的RR间期；
3)、局部平均RR间期，指的是覆盖过去10秒的滑动窗口内的所有RR间期的平均值；
4)、全局平均RR间期，指的是覆盖过去5分钟的滑动窗口内的所有RR 间期的平均值；
步骤三、构建分层注意力模型：该模型包括底层和顶层，底层包含三个主要部分，分别为提取形态特征的一维卷积神经网络(CNN)结构、提取时序特征的带有注意力机制的循环神经网络(RNN)结构以及提取时间特征的全连接层；而顶层利用注意力网络学习了不同特征的不同重要性，从而有效融合了不同特征；最后利用Softmax层，即可得出分类结果；
步骤四、利用所获取的训练数据对模型进行训练，并在验证数据上优化模型的超参数。
步骤五、将待测心电数据输入到训练好的模型中，即可得到判别结果。
优选的，步骤一是按如下步骤进行的：
步骤1.1：获取MIT-BIH心律不齐数据库，该数据库共有48条经过标注的记录组成，由于这48条记录所采用的导联不完全相同，故选取包含II导联数据的45条记录进行实验；
步骤1.2：对心电信号进行去噪处理：虽然MIT-BIH心律不齐数据库提供的原始数据已经进行了去50Hz工频信号干扰的陷波处理和0.1-100Hz的带通滤波操作，但仍存在部分噪声，因此利用两个中值滤波器和一个截止频率为 35Hz的12阶低通滤波器来进一步去除心电信号中的噪声；
步骤1.3：对去噪后的信号进行峰值检测和信号分割：峰值检测是基于现有的工具和算法，主要是为了获取心电信号中P、R、T峰的位置，将心电信号分成单拍，然后在每拍中取64个均匀分布的样本，并将所获取的数据换分为训练集、验证集和测试集。
优选的，所述步骤三分类结果根据AAMI标准，将心律失常分类为正常心拍(N)、室上性异位搏动(S)、心室异位搏动(V)、融合搏动(F)四类。
(三)有益效果
本发明提供了一种基于分层注意力模型的心律失常分类方法。具备以下有益效果：
(1)本发明提出的方法能够有效融合不同类型的特征。在进行心律失常分类时，通常会利用形态特征、时序特征、时间特征等不同特征，但这些特征对于心律失常分类任务而言，并不是同等重要。本发明利用注意力机制学习了不同特征的不同重要性，能够更有效的融合这些特征。
(2)在特征中通常会包含不同的元素，对于不同的心律失常类型而言，不同元素的重要性是不同的。本发明中利用底层注意力网络学习了不同元素的不同重要性，能够获得更加符合情境的特征表示。
(3)本发明利用深度学习方法，不仅能够自动提取各种类型的特征，更能够有效利用不同的特征，在减少人工提取特征的时间与精力的同时，可有效提升心律失常分类的准确度。
附图说明
图1为本发明的心律失常分类整体流程图；
图2为本发明中基于分层注意力网络的模型图。
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1-2，本发明提供一种技术方案：如图1所示，本发明实施例提供了一种基于分层注意力模型的心律失常分类方法，包括以下步骤：
步骤一、获取数据集并进行数据预处理：
步骤1.1：获取MIT-BIH心律不齐数据库，该数据库共有48条经过标注的记录组成，由于这48条记录所采用的导联不完全相同，故选取包含II导联数据的45条记录进行实验。
步骤1.2：对心电信号进行去噪处理。虽然MIT-BIH心律不齐数据库提供的原始数据已经进行了去50Hz工频信号干扰的陷波处理和0.1-100Hz的带通滤波操作，但仍存在部分噪声。因此本发明又利用两个中值滤波器和一个截止频率为35Hz的12阶低通滤波器来进一步去除心电信号中的噪声。
步骤1.3：对去噪后的信号进行峰值检测和信号分割。峰值检测是基于现有的工具和算法，主要是为了获取心电信号中P、R、T峰的位置，将心电信号分成单拍。然后在每拍中取64个均匀分布的样本。并将所获取的数据换分为训练集、验证集和测试集。
步骤二、提取时间特征。时间特征对于心律失常分类具有重要意义，一些室上性异位搏动患者虽具有与正常心跳相似形态的心电信号，但其RR间期是异常的。本发明提取的时间特征主要包括四类：
1)前RR间期，指的是给定心跳与前一个心跳之间的RR间期
2)后RR间期，指的是给定心跳与后一个心跳之间的RR间期
3)局部平均RR间期，指的是覆盖过去10秒的滑动窗口内的所有RR 间期的平均值
4)全局平均RR间期，指的是覆盖过去5分钟的滑动窗口内的所有RR 间期的平均值
步骤三、构建分层注意力模型，如图2所示，该模型包括两个层次。底层包含三个主要部分，分别为提取形态特征的一维卷积神经网络(CNN)结构、提取时序特征的带有注意力机制的循环神经网络(RNN)结构以及提取时间特征的全连接层。而顶层利用注意力网络学习了不同特征的不同重要性，从而有效融合了不同特征。最后利用Softmax层，即可得出分类结果。根据AAMI 标准，本发明将心律失常分类为正常心拍(N)、室上性异位搏动(S)、心室异位搏动(V)、融合搏动(F)四类。下面结合图2，具体的描述一下建模的过程。
1)形态特征的提取过程。
形态特征的提取是利用一维CNN来实现的，其核心部分是卷积层和池化层。设其输入为长度为N的向量x＝[x1，x2，x3，...，xN]，卷积核的尺寸为1×S，共K个卷积核，则卷积运算公式为：
cik＝f(wkxi+s-1+bk)，k＝1，2，...，K，i＝1，2，...，N-S+1
其中wk为卷积核即权值向量，bk为偏置量，xi+S-1为输入向量x中第i个元素到第i+S-1个元素组成的向量，f为Relu激活函数，cik为卷积运算结果。
在通过卷积层获得特征后，为了简化网络的计算复杂度，需要通过池化层进行降维。本发明采用最大池化，其类似一个窗口函数，对窗口内的数据取最大值，本发明所采用的窗口尺寸为1×2。
在经过两个卷积层-池化层后，再通过一个Flatten层，即可得到心电信号的形态特征向量s。
2)时序特征的提取过程
时序特征的提取是利用带有注意力机制的循环神经网络实现的，本发明中所使用的循环神经网络为长短期记忆网络(LSTM)，其不仅具有记忆细胞c，还具有输入门、遗忘门、输出门，对于长序列建模具有很大的优势。设第t 时刻的输入为xt，t-1时刻LSTM的隐藏状态为ht-1。则遗忘门的计算过程为：
ft＝σ(Wf·[ht-1，xt]+bf)
其中Wf为遗忘门的权重矩阵，bf为遗忘门的偏置项，σ为sigmoid函数。输入门的计算公式为：
it＝σ(Wi·[ht-1，xt]+bi)
其中Wi为输入门的权重矩阵，bi为输入门的偏置项。候选值计算公式为：
其中Wc为权重矩阵，bc为偏置项。则第t时刻的记忆细胞值ct为：
Ct＝it*Ct+ft*Ct-1
输出门的计算公式为：
Ot＝σ(W0·[ht-1，xt]+b0)
其中Wo为输出门的权重矩阵，b0为输出门的偏置项。最后得到t时刻LSTM 输出的隐藏状态ht为
ht＝Ot*tanh(Ct)
再通过注意力网络，即可得到符合情境的时序特征向量。注意力网络用公式表述如下：
ut＝tanh(W1ht+b1)
c＝∑tαtht
其中W1为权重矩阵，b1为偏置项，ht即为LSTM网络在t时刻的输出向量， u0为随机初始化的注意力向量，αt表示的就是ht所占的权重。最后加权求和，就可以得到时序特征向量c。
3)时间特征向量的获取过程。
由步骤二可以得到前RR间期、后RR间期、局部平均RR间期以及全局平均RR间期这四个时间特征，为了获得维度稍微高一点的特征向量，我们将这四个时间特征组成向量输入到两层全连接层，从而得到了时间特征向量v。
4)顶层注意力网络建模。
顶层注意力网络将底层获得的形态特征向量s、时序特征向量c以及时间特征向量v作为输入，对这三种特征向量的重要性进行了建模。具体的公式表示为：
γl＝w2σ(W2ql)
其中w2和W2为顶层注意力网络的参数，ql(l＝1，2，3)指的是顶层注意力网络的输入，具体地，q1＝s，q2＝c，q3＝v，γl′即为l方面的特征向量的注意力值。再进行加权求和，即可得到顶层注意力网络的输出：
5)对心电信号进行分类。
得到顶层注意力网络的输出p后，再经过softmax层，即可得到最终的分类结果。用公式表示为：
y＝softmax(W3p+b3)
其中W3为从顶层注意力网络到softmax层的权重矩阵，b3为偏置项，最后得到的y即为该心电信号属于心律失常四个类型的概率所组成的向量，概率最大的类型即为最终的判别结果。
步骤四、利用所获取的训练数据对模型进行训练，并在验证数据上优化模型的超参数。在训练模型时，损失函数为：
其中D为训练集，d表示一条输入数据，Z表示的是心律失常类别的个数， pz(d)指的是预测d对应于类别z的概率，
表示的是预测为z类是不是正确的分类结果，如果正确，
取1，否则为0。利用Adam优化器对模型进行训练。然后再依据训练好的模型在验证数据集上的表现来优化模型的超参数。
步骤五、将待测心电数据输入到训练好的模型中，即可得到判别结果。测试集中的心电信号所属类别在预测时应当做未知，等到预测出结果后，用于检测预测结果的正确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于分层注意力模型的心律失常分类方法，其特征在于：包括以下步骤：
步骤一、获取数据集并进行数据预处理；
步骤二、提取时间特征：时间特征对于心律失常分类具有重要意义，一些室上性异位搏动患者虽具有与正常心跳相似形态的心电信号，但其RR间期是异常的，所述时间特征主要包括四类:
1)、前RR间期，指的是给定心跳与前一个心跳之间的RR间期；
2)、后RR间期，指的是给定心跳与后一个心跳之间的RR间期；
3)、局部平均RR间期，指的是覆盖过去10秒的滑动窗口内的所有RR间期的平均值；
4)、全局平均RR间期，指的是覆盖过去5分钟的滑动窗口内的所有RR间期的平均值；
步骤三、构建分层注意力模型：该模型包括底层和顶层，底层包含三个主要部分，分别为提取形态特征的一维卷积神经网络(CNN)结构、提取时序特征的带有注意力机制的循环神经网络(RNN)结构以及提取时间特征的全连接层；而顶层利用注意力网络学习了不同特征的不同重要性，从而有效融合了不同特征；最后利用Softmax层，即可得出分类结果；
步骤四、利用所获取的训练数据对模型进行训练，并在验证数据上优化模型的超参数。
步骤五、将待测心电数据输入到训练好的模型中，即可得到判别结果。
2.根据权利要求1所述的一种基于分层注意力模型的心律失常分类方法，其特征在于：步骤一是按如下步骤进行的：
步骤1.1：获取MIT-BIH心律不齐数据库，该数据库共有48条经过标注的记录组成，由于这48条记录所采用的导联不完全相同，故选取包含Ⅱ导联数据的45条记录进行实验；
步骤1.2：对心电信号进行去噪处理：虽然MIT-BIH心律不齐数据库提供的原始数据已经进行了去50Hz工频信号干扰的陷波处理和0.1-100Hz的带通滤波操作，但仍存在部分噪声，因此利用两个中值滤波器和一个截止频率为35Hz的12阶低通滤波器来进一步去除心电信号中的噪声；
步骤1.3：对去噪后的信号进行峰值检测和信号分割：峰值检测是基于现有的工具和算法，主要是为了获取心电信号中P、R、T峰的位置，将心电信号分成单拍，然后在每拍中取64个均匀分布的样本，并将所获取的数据换分为训练集、验证集和测试集。
3.根据权利要求1所述的一种基于分层注意力模型的心律失常分类方法，其特征在于：所述步骤三分类结果根据AAMI标准，将心律失常分类为正常心拍(N)、室上性异位搏动(S)、心室异位搏动(V)、融合搏动(F)四类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341759.6A CN113349793A (zh) | 2021-03-30 | 2021-03-30 | 一种基于分层注意力模型的心律失常分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341759.6A CN113349793A (zh) | 2021-03-30 | 2021-03-30 | 一种基于分层注意力模型的心律失常分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113349793A true CN113349793A (zh) | 2021-09-07 |
Family
ID=77525110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110341759.6A Pending CN113349793A (zh) | 2021-03-30 | 2021-03-30 | 一种基于分层注意力模型的心律失常分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113349793A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113974649A (zh) * | 2021-12-03 | 2022-01-28 | 上海交通大学医学院附属瑞金医院 | 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质 |
| CN114052741A (zh) * | 2021-11-08 | 2022-02-18 | 西安工业大学 | 基于多尺度自回归模型的心电图识别方法 |
| CN114504333A (zh) * | 2022-01-30 | 2022-05-17 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114652319A (zh) * | 2022-03-31 | 2022-06-24 | 广东工业大学 | 一种基于图神经网络的心律失常检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
| CN111557659A (zh) * | 2020-05-22 | 2020-08-21 | 郑州大学 | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 |
| CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-30 CN CN202110341759.6A patent/CN113349793A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
| CN111557659A (zh) * | 2020-05-22 | 2020-08-21 | 郑州大学 | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 |
| CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114052741A (zh) * | 2021-11-08 | 2022-02-18 | 西安工业大学 | 基于多尺度自回归模型的心电图识别方法 |
| CN113974649A (zh) * | 2021-12-03 | 2022-01-28 | 上海交通大学医学院附属瑞金医院 | 心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质 |
| CN114504333A (zh) * | 2022-01-30 | 2022-05-17 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114504333B (zh) * | 2022-01-30 | 2023-10-27 | 天津大学 | 一种基于肌电的穿戴式前庭监测系统及应用 |
| CN114652319A (zh) * | 2022-03-31 | 2022-06-24 | 广东工业大学 | 一种基于图神经网络的心律失常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
| CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
| CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
| Yang et al. | Ensemble of kernel extreme learning machine based random forest classifiers for automatic heartbeat classification | |
| 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 | |
| CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
| CN111053549A (zh) | 一种智能生物信号异常检测方法及系统 | |
| Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
| Güler et al. | A modified mixture of experts network structure for ECG beats classification with diverse features | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
| CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
| Rangappa et al. | Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals | |
| Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of Cardiac Arrhythmia | |
| Borghi et al. | Atrial fibrillation classification based on MLP networks by extracting Jitter and Shimmer parameters | |
| Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
| Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
| Mohapatra et al. | Arrhythmia classification using deep neural network | |
| Nguyen et al. | Deep learning framework with ECG feature-based kernels for heart disease classification | |
| Khan et al. | Congenital Heart Disease Prediction based on Hybrid Approach of CNN-GRU-AM | |
| 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 | |
| Nehary et al. | A deep convolutional neural network classification of heart sounds using fractional fourier transform | |
| CN112022149B (zh) | 一种基于心电信号的房颤检测方法 | |
| Srivastava et al. | A novel algorithm for reducing false arrhythmia alarms in intensive care units | |
| Paila et al. | Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification |
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: 20210907 |