CN113397555A - 生理参数监测用c-lstm的心率失常分类算法 - Google Patents

生理参数监测用c-lstm的心率失常分类算法 Download PDF

Info

Publication number
CN113397555A
CN113397555A CN202110827196.1A CN202110827196A CN113397555A CN 113397555 A CN113397555 A CN 113397555A CN 202110827196 A CN202110827196 A CN 202110827196A CN 113397555 A CN113397555 A CN 113397555A
Authority
CN
China
Prior art keywords
lstm
arrhythmia
feature
electrocardiosignals
layer
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
Application number
CN202110827196.1A
Other languages
English (en)
Inventor
陆维嘉
马亮
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.)
Affiliated Hospital of Nantong University
Original Assignee
Affiliated Hospital of Nantong University
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 Affiliated Hospital of Nantong University filed Critical Affiliated Hospital of Nantong University
Priority to CN202110827196.1A priority Critical patent/CN113397555A/zh
Publication of CN113397555A publication Critical patent/CN113397555A/zh
Pending legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/353—Detecting P-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • A61B5/7235—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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种健康物联网生理参数监测用C‑LSTM的心率失常分类算法，包括以下步骤：心电信号采集装置采集心电数据并进行数据预处理；心电信号采集装置将所采集的数据传输给服务器，服务器中，深层卷积神经网络(CNN)对所采集到的心电信号进行深度编码，提取心电信号形态特征；通过LSTM学习形态特征表示间的时序相关性，深入挖掘其内在特征，使用全连接层和Softmax函数，根据LSTM单元的输出计算预测概率，实现基于心电信号特征的心律失常自动分类。本发明所提出模型将ECG信号的时序特征和空间结构特征的提取过程集成到一个网络模型中，通过CNN学习ECG信号的形态特征表示，通过LSTM学习形态特征表示间的时序相关性，深入挖掘其内在特征。

Description

生理参数监测用C-LSTM的心率失常分类算法
技术领域
本发明属于健康物联网生理参数监测技术领域，具体涉及一种健康物联网生理参数监测用C-LSTM的心率失常分类算法。
背景技术
心电图(Electro Cardio Gram，ECG)是衡量心脏状态的客观指标，通过观察心电图可以得知心脏目前是处于兴奋状态、信息传播以及兴奋到平稳的恢复过程。心电图的产生与心细胞的动作电位之间有着密不可分的关联，因此通过观测心电图的变化，可以很快的更加精准的诊断出心脏异常，例如：心律失常、心肌缺血、心肌梗死以及心室肥大等常见症状，对疾病的诊断而言是一项十分重要的分析指标。相比靠医师经验人为的分析心电图，计算机辅助的心律异常分类方法不仅解放了人力也极大的提高了诊断效率，因此自动心律异常分类成为当下的研究热点。
早期对心律异常研究大多都是有医学背景的人或是专门学习了大量的医学知识的人，通过人工设计的ECG特征来完成，这很大程度上限制了心律异常的检测和诊断。随着科技的发展、计算机技术的成熟和突飞猛进，机器学习和深度学习技术逐渐成熟，现被应用于医学领域，使得越来越多没有医学背景但擅长计算机和算法的学者、工程师能够踏入心律异常的研究行列，为心律异常的研究队伍加入了一股新鲜力量。同时，单纯的靠医师学识和经验进行心律异常的检测和诊断，可能会因医师会诊时的精神状态或经验不足造成误诊误判，造成不可估量的医学损失，对病人造成不可挽回的创伤。
随着机器学习和深度学习方法应用于医学领域，辅助医生可以进行分析诊断，即减轻了医师的负担，同时也避免了医生在诊断时的加入自己的主观意念。在医学领域中一个好的算法和技术的提出及应用，在很大的程度上推动了医疗技术和手段的发展。但是，传统机器学习分类方法将ECG信号特征提取和分类独立开来产生的特征产生提取不深入的问题，且存在手动特征提取的不深入和复杂性的问题。
尽管获取数据很容易，但要从生物医学信号中提取可靠的信息，仍面临着挑战。心脏周期中的每一个心跳都显示了心脏电活动的时间演变，这是由心脏的不同的电去极化复极模式组成的。对于心脏病专家来说，任何心率或心律异常或记录的心电图波形的形态变化都很容易被检测为心律失常的迹象。然而，由于各种原因，心律失常检测自动系统来说是一项非常具有挑战性的任务。生物医学信号中的某些污染例如生理伪影和外部噪声，以及生物医学信号之间的不平衡等级，使得系统的性能和准确性在不同的患者之间有很大的差异。尤其是，心电图信号的时变动态和形态特征在不同患者、不同时间和物理条件下表现出显著的变化。即使对于某一个特定的健康受试者的心电图，在不同的情况下，从一个心拍到另一个心拍的QRS波、P波和R-R间期的形状也不相同。
筛选心律失常需要有经验的心脏病专家仔细研究心电图记录，这一过程既繁琐又耗时。此外，心电图可能会有肉眼忽略的微小变化。因此，在过去的几十年中，已经使用了一些计算机辅助诊断(CAD)算法来自动识别心律失常。但是，许多传统的计算机辅助诊断(CAD)算法需要信号预处理、波形检测、特征提取以及分类阶段，并且常常使用手动提取的特征来进行分类任务。在这些系统中，硬编码特征通常是通过试验、错误或经验设计和选择的。此外，这样的系统也倾向于产生更多的假阳性，这可能导致误诊和不当治疗。
最近，在人工智能领域中经常使用的深度学习方法提供了一种新的结构，在这种结构中，特征提取和分类阶段一起执行，而不是使用手动提取的特征。在生物信息学信号分析中，深度学习方法也得到了有效应用。目前的现有技术中，有文章提出，在特征学习阶段，采用了稀疏约束的叠加去噪自动编码器。这些特征是由一个在输出层使用SoftMax的深度神经网络(DNN)结构进行分类。也有文章中提到，通过组合特征向量和每个心拍的Lyapunov指数作为网络输入，并且呈现给一个循环神经网络(RNN)分类器，利用该方法来对四种不同类型心拍进行了分类。还有文章提出了一个用于分析心电图信号的最佳的深度学习框架，以监测人类的精神压力。还有文章提出了一种新的心电分类方法，该方法使用了一个堆叠的稀疏自动编码器深度学习网络和Softmax回归。
卷积神经网络(CNN)在计算机视觉研究领域取得了巨大的成功，目前广泛应用于图像处理任务。由于CNN具有位置捕捉和平移不变性，因此常将其应用于生理信号的形态分析。CNN对噪声的敏感度相对较低，即使在信号嘈杂的情况下也能提取有用的信息。Awni Y，Hannun，Pranav，et al.Cardiologist-level arrhythmia detection andclassification in ambulatory electrocardiograms using a deep neural network.[J].Nature medicine，2019，25(1):65-69，该文献中使用34层的深度卷积神经网络对来自大约50000名患者的91232条ECG记录的数据集进行训练，实现了12种心律类型的分类。随着网络中各层的发展，特征将以更抽象的方式被学习和表示。Acharya U R，Fujita H，Oh SL，et al.Application of Deep Convolutional Neural Network for AutomatedDetection of Myocardial Infarction Using ECG Signals[J].Information Sciences，2017，415:190-198.DOI:10.1016/j.ins.2017.06.027文献中，使用了一种CNN算法用于自动检测心肌梗死心电信号。实验结果在有噪音的情况下达到93.53％的准确率，在没有噪音的情况下达到了95.22％的准确率。文献Kiranyaz S，Ince T，Gabbouj M.Real-TimePatient-Specific ECG Classification by 1-D Convolutional Neural Networks[J].IEEE Transactions on Biomedical Engineering，2016，63(3):664-675.还提出了一种基于CNN的患者特定心电图分类方法并且在MIT-BIH心律失常数据库中进行分类性能测试，该模型是在全局训练集训练一个分类器，在遇到一个新病人时，不是直接预测，而是将新病人的一小部分数据打上标签，作为个体训练集来对分类器作微调训练，然后预测剩下的数据。由于有部分测试集得干预，导致模型得泛化性不是很好。然而，针对基于卷积神经网络的心率失常分类方法常常忽略ECG信号时频信息这一问题，分类准确率还有待提高。
除了CNN之外，长短期记忆网络(LSTM)是另一种广泛用于分析时间序列的深度学习算法。LSTM单元之间的连接允许信息在相邻时刻中循环。这就创建了反馈的内部状态，使网络能够理解时序的概念，并学习数据中的时间动态。LSTMS单元还具有通过保持记忆状态选择性地记忆或遗忘信息的能力，使得重要的信息被保留和传播，无关的信息被丢弃和遗忘。有文献中使用LSTM网络来对心电图数据段诊断冠状动脉疾病。该方法包括将5秒心电图信号分割成短序列，并对其进行卷积以减少数据点的数量。然后，利用LSTM从卷积序列中提取时间特征。模型诊断准确率达97.85％。以上模型提取到的ECG特征表示中包含了时序特征，却又忽略了ECG信号的空间结构特征，模型诊断准确率还可以进一步提高。
发明内容
发明目的：针对现有技术中存在问题或不足，本发明提供一种健康物联网生理参数监测用C-LSTM的心率失常分类算法。
为实现上述发明目的，本发明的实施例提供一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，包括以下步骤：
(1)心电信号采集装置采集心电数据并进行数据预处理；
(2)心电信号采集装置将所采集的数据传输给服务器，服务器中，深层卷积神经网络(CNN)对所采集到的心电信号进行深度编码，提取心电信号形态特征；
(3)通过LSTM学习形态特征表示间的时序相关性，深入挖掘其内在特征，使用全连接层和Softmax函数，根据LSTM单元的输出计算预测概率，
实现基于心电信号特征的心律失常自动分类。
进一步的，所述心电信号采集装置可采用穿戴式心电信号采集装置，所述穿戴式心电信号采集装置使用IREALCARE2.0柔性远程心电贴片，用于监测心脏状况并收集心电信号；所述穿戴式心电信号采集装置对所采集心电信号进行滤波和放大，然后将模拟信号转换为数字信号；最后通过蓝牙将其传输到服务器上进行后续处理。
进一步的，所述步骤(1)中数据预处理包括以下过程：
(1-1)对心电信号进行40阶FIR带通滤波，通带为15～25Hz；
(1-2)对滤波后的波形“双斜率”预处理，“双斜率”基本思想是分别在一个点的左右两侧的某个区间内寻找最大平均斜率与最小平均斜率，然后分别用左侧最大斜率减去右侧最小斜率，用右侧最大斜率减去左侧最小斜率，再求取两者中的最大者；
(1-3)在“双斜率”处理后继续低通滤波，使得波形更光滑；
(1-4)设定滑动窗口积分，使得绝对振幅增大，并使波形进一步光滑。
进一步的，所述步骤(2)中，提取心电信号形态特征具体包括以下过程：
(2-1)设计基于卷积神经网络特征提取模块提取ECG信号不同尺度下的波形形态特征；
(2-1-1)通过三个不同卷积核大小(1×3、1×5和1×7)的卷积层进行并联操作，得到24张特征图；卷积核可以实现将低层次的局部特征抽象为高层次的特征；初步得到了ECG信号的浅层特征表示S；
S＝[S1,S2,S3] (1)
其中，Si表示模型多尺度结构中第i个卷积层得到的特征图；模型通过卷积核大小的不同，实现对心拍不同尺度下的形态的多尺度空间特征提取，可以看成是一个多尺度模块；
(2-1-2)通过一个卷积核大小为1×1的卷积层，得到了32张特征图；
通过对浅层特征进行1×1的卷积操作，实现了对不同尺度空间结构特征的融合；
假设特征图有D个，浅层特征表示S中包含N个特征图，那么第d个特征图中第j个元素的的具体计算公式如下：
Figure BDA0003174021970000051
其中，wi表示1×1卷积核到第i个特征图的连接权重，bd表示第d个通道的偏置，Sij表示第i个特征图中第j个元素的值；
(2-1-3)对融合特征图进行大小为2的最大池化操作，特征图大小减小到128；先后通过两层卷积核大小为1×3的卷积层，以及大小为2的最大池化层，最终得到ECG特征表示Fcnn，包括64张特征图，且大小为32；
(2-2)卷积结构中提取的信号空间特征被分解为顺序分量并送到32个单元的LSTM网络中进行时间分析，采用其特殊的门结构，在改善梯度消失和梯度爆炸问题的同时，通过深度学习的方式挖掘心电信号之间的深层次特征并进行学习和映射，帮助模型捕获这些特征向量中存在的时间动态。
进一步的，所述步骤(2)中，为了使得模型更好的训练，卷积神经网络特征提取部分卷积层后面都紧接一个防止梯度消失的BatchNormalization层和防止过拟合的Dropout层，且将Dropout层的参数设置为0.5。
进一步的，所述步骤(3)具体包括以下过程：
(3-1)网络权重W和偏置b初始值设置为近似0的随机数，在训练过程中由网络不断调整，以获取数据中存在的有意义的空间信息；从卷积和池化过程中提取的特征被送到重复的长短时记忆网络单元以进行时间分析；
(3-2)使用基于随机梯度下降的自适应矩估计算法(Adaptive MomentEstimation，AME)对模型进行训练，经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，通过随机梯度下降法(Stochastic Gradient Descent，SGD)更新权重，并使用交叉熵损失函数(Cross Entropy Loss，CEL)，式(3)和式(4)计算损失率，学习率固定为0.0001，动量为0.9，批处理大小为20；
Figure BDA0003174021970000061
Figure BDA0003174021970000062
其中，λ表示L2范数的正则化项，Yk,j表示心律失常的类别，C表示心律失常类别数，个数为5，N表示训练集样本数，α为学习率，θ为模型参数；
(3-3)仅将长短时记忆网络最后的输出传输到全连接层中，使用Softmax激活函数结合AAMI标准将心电信号分5类，其中，Softmax层的5个结点，分别代表N，S，V，F和Q，最终计算得到AAMI标准规定5种类别的概率，计算公式如下：
pi(y|x)＝soft max(ωxh+bx) (5)
Figure BDA0003174021970000071
其中，ωx，bx是Softmax层的权重和偏置，pi代表分为第i项的概率。
本发明的上述技术方案的有益效果如下：
(1)本发明提出了基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的心率失常自动分类模型，与传统的基于卷积神经网络的心率失常分类模型不同的是，所提出模型将ECG信号的时序特征和空间结构特征的提取过程集成到一个网络模型中，通过CNN学习ECG信号的形态特征表示，通过LSTM学习形态特征表示间的时序相关性，深入挖掘其内在特征。通过对比可知，本发明所提算法在很好地提取ECG信号空间结构特征的同时提取到ECG信号上的时序相关性，充分学习了心电数据的隐藏数据，实现了较理想的监测分析性能；解决了传统机器学习分类方法将ECG信号特征提取和分类独立开来产生的特征提取不深入的问题，本发明利用卷积神经网络CNN直接对ECG信号进行自动特征提取，避免了手动特征提取的不深入和复杂性。
(2)本发明的实施例基于自行采集的心律失常数据库进行的实验结果表明，该方法显著缩短分类时间，并获得超过96％的分类准确率，并且噪声的抵抗能力较强，实现了较理想的健康物联网监测分析性能。
附图说明
图1为本发明的实施例中基于可穿戴设备的心电信号采集流程图；
图2为本发明的实施例中心电信号采集装置预处理总体步骤图；
图3为本发明的实施例中提出的C-LSTM分类模型图；
图4为本发明的实施例中5种类型心电图的形态特征图；
图5为本发明的实施例中网络训练和测试性能图；
图6为本发明的实施例中加噪后正检率和敏感度的对比结果图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合具体实施例进行详细描述。
实施例1、心电信号采集装置
本发明基于可穿戴设备的心电信号采集装置，该心电信号采集装置使用IREALCARE2.0柔性远程心电贴片作为可穿戴设备，用于监测心脏状况并收集心电信号，它具有体积小、重量轻以及测量数据准确可靠的特点。
IREALCARE2.0的整体外观非常小巧和轻便，大小为8cm(长)×3.1cm(宽)×0.8cm(厚)，重量仅为13g，因此，长时间佩戴也不会感到不适。IREALCARE2.0的核心组件是印刷电路板(printed circuit board，PCB)。心电信号测量芯片和蓝牙模块集成在PCB上，其中，心电信号测量芯片为ADS1291，这是一种用于生物电势测量的低功耗2通道24位的模拟前端，集成了低噪声的可编程增益放大器(programmable gain amplifier，PGA)和高分辨率的模数转换器(analog to digital converter，ADC)，其功能是采集和放大心电信号，并将模拟信号转换为数字信号。由于体积小、功耗低、集成度高和性能优异，已广泛用于医疗测量仪器、信号采集等方面。蓝牙芯片使用的是NRF52832，其具有功能强大、高度灵活、低功耗等特点。基于IREALCARE2.0可穿戴设备的心电信号采集流程如图1所示，心电信号采集的心电信号不规则的波动，不规则的波动是由基线漂移噪声引起的。这种噪声对后续的心电信号识别工作产生负面影响，难以学习到有效的心电特征。
在图1中，心电信号采集装置用于采集心电信号，ADS1291芯片用于采集心电信号，并对心电信号进行滤波和放大，然后将模拟信号转换为数字信号。最后，通过蓝牙将其传输到服务器上进行后续处理。在服务器中，深度学习算法会对心电信号进行分析和分类，并将结果传输给用户和医生。
实验中使用的心电数据是由50个受试者通过长时间佩戴IREALCARE2.0采集得到的，IREALCARE2.0的采样频率为250Hz，一共得到40条心电数据，每条心电数据中包含大量的心搏数，最少的有81974个，最多的有154893个。
心电信号采集装置进行数据预处理
预处理的总体步骤如图2所示。数据预处理的总体步骤，分为1.对心电信号进行40阶FIR带通滤波；2.预处理滤波后的波形“双斜率”，求一个点左右两侧一定区间内的最大平均斜率和最小平均斜率；3.低通滤波(截止频率5Hz，经验参数)使波形更平滑；4.设置滑动窗口积分，增加绝对幅度，进一步平滑波形的过程，具体如下：
第一步首先对心电信号进行40阶FIR带通滤波，通带为15～25Hz，大致为QRS波所在频段。第二步对滤波后的波形“双斜率”预处理，“双斜率”基本思想是分别在一个点的左右两侧的某个区间内寻找最大平均斜率与最小平均斜率，然后分别用左侧最大斜率减去右侧最小斜率，用右侧最大斜率减去左侧最小斜率，再求取两者中的最大者。在这里，我们设定这个寻找斜率的区间是左右两侧0.015s～0.060s处，此为经验参数。第三步为低通滤波，由于在“双斜率”处理之后波形出现了双峰现象，一定程度上不利于精准检测，因此，在“双斜率”处理后继续低通滤波(截止频率5Hz，经验参数)，使得波形更光滑。第四步是设定滑动窗口积分，使得绝对振幅增大，并使波形进一步光滑，滑动窗口宽度设为17个采样点，为经验参数。
实施例2、基于C-LSTM的心律失常分类
一、提出模型
首先，基于卷积神经网络的心率失常分类模型是基于神经网络分类模型中最常见的一种，CNN能够提供时间和空间上的平移不变性卷积。但是，考虑到心电信号是一种时序序列，而循环神经网络恰好能够捕捉到信号之间的这种时序相关性，因此，本发明将循环神经网络引入到基于卷积神经网络的分类模型中，使得模型在很好地提取ECG信号空间结构特征的同时提取到ECG信号上的时序相关性。其次，由于心电信号中QRS波是变换最为明显的波群，且不同QRS波形差异较大，为了使得所设计的网络模型适应不同形态的ECG信号，本发明设计了多尺度分析模块，提取ECG信号不同尺度下的空间结构特征，实现更高层次的分析。基于此，本实施例提出了基于卷积循环神经网络的心率失常分类模型，实现了对几种心率失常的自动识分类。
本发明提出了基于卷积循环神经网络(C-LSTM)的心率失常自动分类模型，具体结构图如图3所示，展示了基于卷积循环神经网络(C-LSTM)的心律失常自动分类模型结构图。
本发明设计基于卷积神经网络特征提取模块的主要目的时为了提取ECG信号不同尺度下的波形形态特征。如图3所示，首先通过三个不同卷积核大小(1×3、1×5和1×7)的卷积层进行并联操作，得到24张特征图。卷积核也就是我们常说的感受野，可以实现将低层次的局部特征抽象为高层次的特征。因此，初步得到了ECG信号的浅层特征表示S。
S＝[S1,S2,S3] (1)
其中，Si表示模型多尺度结构中第i个卷积层得到的特征图。模型通过卷积核大小的不同，实现对心拍不同尺度下的形态的多尺度空间特征提取，可以看成是一个多尺度模块。
其次，通过一个卷积核大小为1×1的卷积层，得到了32张特征图。通过对浅层特征进行1×1的卷积操作，实现了对不同尺度空间结构特征的融合。假设特征图有D个，浅层特征表示S中包含N个特征图，那么第d个特征图中第j个元素的的具体计算公式如下：
Figure BDA0003174021970000101
其中，wi表示1×1卷积核到第i个特征图的连接权重，bd表示第d个通道的偏置，Sij表示第i个特征图中第j个元素的值。
然后，对融合特征图进行大小为2的最大池化操作，特征图大小减小到128；然后，又先后通过两层卷积核大小为1×3的卷积层，以及大小为2的最大池化层，最终得到ECG特征表示Fcnn，包括64张特征图，且大小为32。
为了使得模型更好的训练，卷积神经网络特征提取部分卷积层后面都紧接一个防止梯度消失的BatchNormalization层和防止过拟合的Dropout层，且我们将Dropout层的参数设置为0.5。
卷积结构中提取的信号空间特征被分解为顺序分量并送到32个单元的LSTM网络中进行时间分析，采用其特殊的门结构，在改善梯度消失和梯度爆炸问题的同时，通过深度学习的方式挖掘心电信号之间的深层次特征并进行学习和映射，帮助模型捕获这些特征向量中存在的时间动态。最后使用全连接层和Softmax函数，根据LSTM单元的输出计算预测概率，完成心电分类。
二、模型训练与分类
网络权重W和偏置b初始值设置为近似0的随机数，在训练过程中由网络不断调整，以获取数据中存在的有意义的空间信息。从卷积和池化过程中提取的特征被送到重复的长短时记忆网络单元以进行时间分析。
使用基于随机梯度下降的自适应矩估计算法(Adaptive Moment Estimation，AME)对模型进行训练，经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，通过随机梯度下降法(Stochastic Gradient Descent，SGD)更新权重，并使用交叉熵损失函数(Cross Entropy Loss，CEL)式(3)和式(4)计算损失率。学习率固定为0.0001，动量为0.9，批处理大小为20。
Figure BDA0003174021970000111
Figure BDA0003174021970000112
其中，λ表示L2范数的正则化项，Yk,j表示心律失常的类别，C表示心律失常类别数，个数为5，N表示训练集样本数，α为学习率，θ为模型参数。
最后，仅将长短时记忆网络最后的输出传输到全连接层中，使用Softmax激活函数结合AAMI标准将心电信号分5类，其中Softmax层的5个结点，分别代表N，S，V，F和Q，最终计算得到AAMI标准规定5种类别的概率，计算公式如下
pi(y|x)＝soft max(ωxh+bx) (5)
Figure BDA0003174021970000121
其中，ωx，bx是Softmax层的权重和偏置，pi代表分为第i项的概率。
实施例3实验结果与分析
一、实验数据来源
实验中使用的心电数据是由50个受试者通过长时间佩戴IREALCARE2.0采集得到的。每个心搏都由临床专家进行了标注，分为以下5个类别:正常(normal，N)、室性早搏(ventricular premature beat，VPB)、室上性早搏(supraventricular premature beat，SPB)、房颤(atrial fibrillation，AF)和干扰(interruption，I)。同时，训练时对应的标签设置为0，1，2，3，4。不同类别心电图的形态特征如图4所示。
从图4中可以看出，室性早搏的特征是QRS波形比正常QRS波形要宽，并且RR间隔与正常RR间隔相比减少了约20％。SPB的特征是P波出现较早，与正常RR间隔相比，SPB的RR间隔减少了20％以上。AF的特征则没有P波。
原始心电图是一个长时间序列信号，首先，将长时间的心电数据分割为单独的心搏(P-QRS-T波)，然后请临床专家标注出心电图中R波的位置坐标，最后根据R波的坐标来分割出每一个心搏。实验中，以R波的位置坐标为中心，前后分别各截取400个数据点，共计800个数据点作为一个心搏。由于不同类型的心搏出现的概率不同，因此每条心电数据中5种类别心搏的数据量是不同的，例如，正常心搏的个数远远大于其他类。训练数据的不平衡会影响模型的性能，导致识别准确率下降。因此，针对此问题，调整了训练集(由8个受试者的数据组成)中不同类别心搏的数量，减少了正常心搏的数量，随机选择了大约2％的正常心搏放入训练集，通过调整使得5个类别的心搏数在同一数量级上。
二、评价指标
为了评估本发明模型的性能，共使用5个统计评价指标，分别是分类准确度(Acc)、灵敏度(Sen)、特异性(Spe)、正阳性率(PPV)和整体精度(OA)，公式定义分别如式(7)—式(10)所示。并使用测试得到的混淆矩阵进行计算。其中，准确度指被正确分类的TP与TN占全部样本的比率，是衡量分类效果最直观的一个指标；灵敏度即样本中得出阳性检测的样本占样本总数的百分比，灵敏度越高表示发生漏诊的比率越低；特异性也叫真阴性率，是指被分类为阴性样本数与实际阴性样本数的比率，特异性越高表示发生误诊的比率越低；正阳性率是预测的全部阳性例数中，真阳性所占的比例，反映样本属于该类别的可能性，正阳性率越高表示发生误诊的比例越低。最后，用OA衡量这些算法对心律失常的分类能力，计算测试集总体分类精度。
Figure BDA0003174021970000131
Figure BDA0003174021970000132
Figure BDA0003174021970000133
Figure BDA0003174021970000134
其中，TP为真阳性，表示正确分类的个数；FN为假阳性，表示错误分类的个数；TN为真阴性，表示不属于某种心跳但被分为该类的个数；FP为假阴性，表示属于某种心跳但被错误分类的个数。
三、实验结果对比
为了测试所提模型，从采集的心律失常数据库中选取4200个样本数据，每个样本数据包含正常(N)、室性早搏(VPB)、室上性早搏(SPB)、房颤(AF)和干扰(I)，将这些样本输入模型，再选取4200个数据作为测试数据输入模型。图5分别给出了使用原始心电信号以及将卷积神经网络作为特征提取器的情况下，使用长短时记忆网络(LSTM)完成10000次迭代的训练和验证性能。图中，LSTM为长短时记忆网络模型，C-LSTM网络模型为本发明所提出的模型。
由图5可以看出，用于分类的两个网络的性能相似。使用具有300个采样点的原始心电信号作为长短时记忆网络的输入时，在10000次迭代过程中实现了最高94.14％的验证性能，而使用卷积特征提取的网络在同一时期内实现了最高96.37％的验证。二者都没有过拟合的问题，两个模型都表现出很高的训练性能。并且，在将原始心电信号作为网络输入数据时，长短时记忆网络模型共训练12342s；而本发明提出的C-LSTM网络模型，由于使用卷积神经网络作为特征提取器，在训练阶段总训练时长为1785s。可以看出，二者在训练准确率上并没有很大差距，都达到94.00％以上，这说明本发明提出的卷积神经网络特征提取器有效压缩心电信号的维度。并且，极大缩短了长短时记忆网络的训练时间，降低了心电信号自动分类模型的时间成本。
将训练好的网络模型用于测试集，表1分别给出了两种不同输入网络模型的各类别评价参数。
表1 LSTM网络和C-LSTM网络的测试结果对比
Figure BDA0003174021970000141
Figure BDA0003174021970000151
由表1可以看到，相比其他类别，模型在F类和Q类中评价参数较低，这可能是由于这两类的样本数量较少且在心电图上，FVN是由于两个节律点发出的冲动同时激动心室的一部分形成的心室综合波，而室性早搏是在窦房结冲动尚未抵达心室之前，由心室中的任何一个部位或室间隔的异位节律点提前发出电冲动引起心室的除极。因此，二者可能产生混淆。另外可以看到，本发明提出的C-LSTM模型在Sen和PPV评价指标上相比LSTM模型具有明显提高，且C-LSTM的各类评估参数平均值均高于LSTM模型，这进一步说明了本发明模型的有效性，降低了实际分类中漏诊和误诊发生的比率。并且在测试时间上，LSTM网络的平均测试持续时间为40.12s，而C-LSTM模型的平均测试持续时间仅6.21s。进一步说明本模型有效缩短基于心电信号的心律失常自动分类时间，模型效率高，计算负担小。
为了论证本发明所提算法对5种心律分类的分析性能，将其与对比文件1(HwangB，You J，Vaessen T，et al.Deep ECGNet:An Optimal Deep Learning Framework forMonitoring Mental Stress Using Ultra Short-Term ECG Signals[J].Telemed J EHealth，2018，24(10):753-772.)、对比文件2(Awni Y，Hannun，Pranav，etal.Cardiologist-level arrhythmia detection and classification in ambulatoryelectrocardiograms using a deep neural network.[J].Nature medicine，2019，25(1):65-69)、对比文件3(Tan J H，Hagiwara Y，Pang W，et al.Application of stackedconvolutional and long short-term memory network for accurate identificationof CAD ECG signals[J].Computers in Biology&Medicine，2018，94(1):19-26.DOI:10.1016/j.compbiomed.2017.12.023)所提出的心律分类的分析性能进行比较，结果如表2所示，其中评价指标N-Sen、VPB-Sen、SPB-Sen、AF-Sen和I-Sen分别为每一类样本的敏感性。
表2不同模型的监测分析结果对比
Figure BDA0003174021970000161
从表2中可以看出，三种对比方法的整体准确率较低，而且对异常分类的识别能力比较差，这表明其中使用的特征提取算法的拟合能力有限，未能完全捕捉到心电图中的隐藏特征。通过对比可知，所提算法将LSTM引入到基于卷积神经网络的分类模型中，使得模型在很好地提取ECG信号空间结构特征的同时提取到ECG信号上的时序相关性，充分学习了心电数据的隐藏数据，并且噪声的抵抗能力较强，实现了较理想的监测分析性能。
四、算法鲁棒性验证
为验证所提算法的稳定性，实验中对原始干净的心电数据加入了5dB的基线漂移后进行监测分析。实验数据选用数据库中的3号、15号、22号、36号和48号受试者的心电数据，对加噪10dB后心电数据监测结果正检率和敏感度的折线图如图6所示，其中加入了对比算法。
从图6中可以看出，当数据加入10dB基线漂移噪声时，其他三种方法正检率和敏感度均低于所提算法，尤其是，对比文件1中正检率和敏感度最低时分别仅为76％和75％。本发明所提方法采用低通滤波器进行去噪，因此其抵抗噪声的能力较强，正检率和敏感度均值分别为91％和92％，并未发生较大下降，由此进一步证明所提算法具有更好的鲁棒性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，包括以下步骤：
(1)心电信号采集装置采集心电数据并进行数据预处理；
(2)心电信号采集装置将所采集的数据传输给服务器，服务器中，深层卷积神经网络(CNN)对所采集到的心电信号进行深度编码，提取心电信号形态特征；
(3)通过LSTM学习形态特征表示间的时序相关性，深入挖掘其内在特征，使用全连接层和Softmax函数，根据LSTM单元的输出计算预测概率，实现基于心电信号特征的心律失常自动分类。
2.根据权利要求1所述的一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，所述心电信号采集装置可采用穿戴式心电信号采集装置，所述穿戴式心电信号采集装置使用IREALCARE2.0柔性远程心电贴片，用于监测心脏状况并收集心电信号；所述穿戴式心电信号采集装置对所采集心电信号进行滤波和放大，然后将模拟信号转换为数字信号；最后通过蓝牙将其传输到服务器上进行后续处理。
3.根据权利要求1所述的一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，所述步骤(1)中数据预处理包括以下过程：
(1-1)对心电信号进行40阶FIR带通滤波，通带为15～25Hz；
(1-2)对滤波后的波形“双斜率”预处理，“双斜率”基本思想是分别在一个点的左右两侧的某个区间内寻找最大平均斜率与最小平均斜率，然后分别用左侧最大斜率减去右侧最小斜率，用右侧最大斜率减去左侧最小斜率，
再求取两者中的最大者；
(1-3)在“双斜率”处理后继续低通滤波，使得波形更光滑；
(1-4)设定滑动窗口积分，使得绝对振幅增大，并使波形进一步光滑。
4.根据权利要求1所述的一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，所述步骤(2)中，提取心电信号形态特征具体包括以下过程：
(2-1)设计基于卷积神经网络特征提取模块提取ECG信号不同尺度下的波形形态特征；
(2-1-1)通过三个不同卷积核大小(1×3、1×5和1×7)的卷积层进行并联操作，得到24张特征图；卷积核可以实现将低层次的局部特征抽象为高层次的特征；初步得到了ECG信号的浅层特征表示S；
S＝[S1,S2,S3] (1)
其中，Si表示模型多尺度结构中第i个卷积层得到的特征图；模型通过卷积核大小的不同，实现对心拍不同尺度下的形态的多尺度空间特征提取，可以看成是一个多尺度模块；
(2-1-2)通过一个卷积核大小为1×1的卷积层，得到了32张特征图；
通过对浅层特征进行1×1的卷积操作，实现了对不同尺度空间结构特征的融合；
假设特征图有D个，浅层特征表示S中包含N个特征图，那么第d个特征图中第j个元素的的具体计算公式如下：
Figure FDA0003174021960000021
其中，wi表示1×1卷积核到第i个特征图的连接权重，bd表示第d个通道的偏置，Sij表示第i个特征图中第j个元素的值；
(2-1-3)对融合特征图进行大小为2的最大池化操作，特征图大小减小到128；先后通过两层卷积核大小为1×3的卷积层，以及大小为2的最大池化层，最终得到ECG特征表示Fcnn，包括64张特征图，且大小为32；
(2-2)卷积结构中提取的信号空间特征被分解为顺序分量并送到32个单元的LSTM网络中进行时间分析，采用其特殊的门结构，在改善梯度消失和梯度爆炸问题的同时，通过深度学习的方式挖掘心电信号之间的深层次特征并进行学习和映射，帮助模型捕获这些特征向量中存在的时间动态。
5.根据权利要求1所述的一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，所述步骤(2)中，为了使得模型更好的训练，卷积神经网络特征提取部分卷积层后面都紧接一个防止梯度消失的BatchNormalization层和防止过拟合的Dropout层，且将Dropout层的参数设置为0.5。
6.根据权利要求1所述的一种健康物联网生理参数监测用C-LSTM的心率失常分类算法，其特征在于，所述步骤(3)具体包括以下过程：
(3-1)网络权重W和偏置b初始值设置为近似0的随机数，在训练过程中由网络不断调整，以获取数据中存在的有意义的空间信息；从卷积和池化过程中提取的特征被送到重复的长短时记忆网络单元以进行时间分析；
(3-2)使用基于随机梯度下降的自适应矩估计算法(Adaptive Moment Estimation，AME)对模型进行训练，经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，通过随机梯度下降法(Stochastic Gradient Descent，SGD)更新权重，并使用交叉熵损失函数(Cross Entropy Loss，CEL)，式(3)和式(4)计算损失率，学习率固定为0.0001，动量为0.9，批处理大小为20；
Figure FDA0003174021960000031
Figure FDA0003174021960000032
其中，λ表示L2范数的正则化项，Yk,j表示心律失常的类别，C表示心律失常类别数，个数为5，N表示训练集样本数，α为学习率，θ为模型参数；
(3-3)仅将长短时记忆网络最后的输出传输到全连接层中，使用Softmax激活函数结合AAMI标准将心电信号分5类，其中，Softmax层的5个结点，分别代表N，S，V，F和Q，最终计算得到AAMI标准规定5种类别的概率，计算公式如下：
pi(y|x)＝soft|max(ωxh+bx) (5)
Figure FDA0003174021960000033
其中，ωx，bx是Softmax层的权重和偏置，pi代表分为第i项的概率。
CN202110827196.1A 2021-07-21 2021-07-21 生理参数监测用c-lstm的心率失常分类算法 Pending CN113397555A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827196.1A CN113397555A (zh) 2021-07-21 2021-07-21 生理参数监测用c-lstm的心率失常分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827196.1A CN113397555A (zh) 2021-07-21 2021-07-21 生理参数监测用c-lstm的心率失常分类算法

Publications (1)

Publication Number Publication Date
CN113397555A true CN113397555A (zh) 2021-09-17

Family

ID=77687340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827196.1A Pending CN113397555A (zh) 2021-07-21 2021-07-21 生理参数监测用c-lstm的心率失常分类算法

Country Status (1)

Country Link
CN (1) CN113397555A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892954A (zh) * 2021-09-30 2022-01-07 联想(北京)有限公司 一种可穿戴心电监测设备和信息确定方法
CN113965632A (zh) * 2021-11-03 2022-01-21 武汉大学 一种基于云-设备端协同的ecg分析系统及方法
CN113995417A (zh) * 2021-10-20 2022-02-01 南京邮电大学 基于lstm自编码器的心电信号异常预测方法及系统
CN114052675A (zh) * 2021-11-18 2022-02-18 广东电网有限责任公司 一种基于融合注意力机制的脉搏异常判别方法及系统
CN114081462A (zh) * 2021-11-19 2022-02-25 齐齐哈尔大学 一种基于多维度生理信息的心脏健康监护系统
CN114343637A (zh) * 2021-12-29 2022-04-15 河北体育学院 基于卷积和循环神经网络运动员心理压力评估方法及系统
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、系统及终端
CN114376521A (zh) * 2021-12-27 2022-04-22 天翼云科技有限公司 一种睡眠状态识别模型训练、睡眠分期方法及装置
WO2023090519A1 (ko) * 2021-11-16 2023-05-25 대구대학교 산학협력단 신경망을 이용한 부정맥 분류 시스템 및 방법
CN117322888A (zh) * 2023-11-01 2024-01-02 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置
GB2622356A (en) * 2022-09-07 2024-03-20 Topia Life Sciences Ltd An artificial intelligence enabled wearable ECG skin patch to detect sudden cardiac arrest

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN110179453A (zh) * 2018-06-01 2019-08-30 山东省计算中心（国家超级计算济南中心） 基于卷积神经网络和长短期记忆网络的心电图分类方法
CN112508110A (zh) * 2020-12-11 2021-03-16 哈尔滨理工大学 一种基于深度学习的心电信号图的分类方法
CN112617849A (zh) * 2020-12-31 2021-04-09 山西三友和智慧信息技术股份有限公司 一种基于cnn+lstm的心房颤动检测与分类方法
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法
CN113080991A (zh) * 2021-03-30 2021-07-09 太原理工大学 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN110179453A (zh) * 2018-06-01 2019-08-30 山东省计算中心（国家超级计算济南中心） 基于卷积神经网络和长短期记忆网络的心电图分类方法
CN112508110A (zh) * 2020-12-11 2021-03-16 哈尔滨理工大学 一种基于深度学习的心电信号图的分类方法
CN112617849A (zh) * 2020-12-31 2021-04-09 山西三友和智慧信息技术股份有限公司 一种基于cnn+lstm的心房颤动检测与分类方法
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法
CN113080991A (zh) * 2021-03-30 2021-07-09 太原理工大学 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁小龙: "基于CNN和LSTM结合的心律失常分类研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892954A (zh) * 2021-09-30 2022-01-07 联想(北京)有限公司 一种可穿戴心电监测设备和信息确定方法
CN113995417A (zh) * 2021-10-20 2022-02-01 南京邮电大学 基于lstm自编码器的心电信号异常预测方法及系统
CN113965632A (zh) * 2021-11-03 2022-01-21 武汉大学 一种基于云-设备端协同的ecg分析系统及方法
WO2023090519A1 (ko) * 2021-11-16 2023-05-25 대구대학교 산학협력단 신경망을 이용한 부정맥 분류 시스템 및 방법
CN114052675B (zh) * 2021-11-18 2023-08-22 广东电网有限责任公司 一种基于融合注意力机制的脉搏异常判别方法及系统
CN114052675A (zh) * 2021-11-18 2022-02-18 广东电网有限责任公司 一种基于融合注意力机制的脉搏异常判别方法及系统
CN114081462A (zh) * 2021-11-19 2022-02-25 齐齐哈尔大学 一种基于多维度生理信息的心脏健康监护系统
CN114376521A (zh) * 2021-12-27 2022-04-22 天翼云科技有限公司 一种睡眠状态识别模型训练、睡眠分期方法及装置
CN114343637A (zh) * 2021-12-29 2022-04-15 河北体育学院 基于卷积和循环神经网络运动员心理压力评估方法及系统
CN114343637B (zh) * 2021-12-29 2023-10-13 河北体育学院 基于卷积和循环神经网络运动员心理压力评估方法及系统
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、系统及终端
GB2622356A (en) * 2022-09-07 2024-03-20 Topia Life Sciences Ltd An artificial intelligence enabled wearable ECG skin patch to detect sudden cardiac arrest
CN117322888A (zh) * 2023-11-01 2024-01-02 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置
CN117322888B (zh) * 2023-11-01 2024-04-19 广州逆熵电子科技有限公司 一种时频域融合的单导心电数据处理方法及装置

Similar Documents

Publication Publication Date Title
CN113397555A (zh) 生理参数监测用c-lstm的心率失常分类算法
Oh et al. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats
Fan et al. Multiscaled fusion of deep convolutional neural networks for screening atrial fibrillation from single lead short ECG recordings
Mousavi et al. ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention
US20170112401A1 (en) Automatic method to delineate or categorize an electrocardiogram
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
CN109758145B (zh) 基于脑电信号因果关系的自动睡眠分期方法
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
de Chazal et al. Automatic classification of ECG beats using waveform shape and heart beat interval features
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN109259756B (zh) 基于非平衡训练的二级神经网络的ecg信号处理方法
CN111887858B (zh) 基于跨模态映射的心冲击图信号心率估计方法
Gawande et al. Heart diseases classification using convolutional neural network
CN110638430A (zh) 多任务级联神经网络ecg信号心律失常疾病分类模型和方法
Lu et al. An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment
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
CN116361688A (zh) 用于心电节律自动分类的多模态特征融合模型构建方法
Bashar et al. Extraction of heart rate from PPG Signal: a machine learning approach using decision tree regression algorithm
Singh et al. Short and noisy electrocardiogram classification based on deep learning
Shi et al. Automated heartbeat classification based on convolutional neural network with multiple kernel sizes
Upasani et al. Automated ECG Diagnosis
Mathur et al. Analysis of CNN and feed-forward ANN model for the evaluation of ECG signal
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
Zhang et al. Classification of pulmonary arterial pressure using photoplethysmography and bi-directional LSTM
Zhang Arrhythmias Classification Based on CNN and LSTM_ATTENTION Hybrid Model

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: 20210917