CN113812962A - 心电节律分类神经网络构建方法、系统及存储介质 - Google Patents
心电节律分类神经网络构建方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113812962A CN113812962A CN202110929717.4A CN202110929717A CN113812962A CN 113812962 A CN113812962 A CN 113812962A CN 202110929717 A CN202110929717 A CN 202110929717A CN 113812962 A CN113812962 A CN 113812962A
- Authority
- CN
- China
- Prior art keywords
- neural network
- classification neural
- rhythm
- module
- heart beat
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000033764 rhythmic process Effects 0.000 claims abstract description 213
- 230000000747 cardiac effect Effects 0.000 claims abstract description 68
- 238000002372 labelling Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000002861 ventricular Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 206010015856 Extrasystoles Diseases 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 208000004301 Sinus Arrhythmia Diseases 0.000 description 2
- 208000007888 Sinus Tachycardia Diseases 0.000 description 2
- 206010040741 Sinus bradycardia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- 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
-
- 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
- A61B5/7235—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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电节律分类神经网络构建方法、系统及存储介质，心电节律分类神经网络构建方法包括：获取心电信号；对心电信号进行节律标注和编码处理以得到节律标注信号；对心电信号进行心拍标注和编码处理以得到心拍标注信号；构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入；将心电信号代入预设分类神经网络，并根据节律标注信号和心拍标注信号、预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。本发明通过心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入，提高心电节律分类的准确性。
Description
技术领域
本发明涉及心电检测的技术领域，尤其是涉及一种心电节律分类神经网络构建方法、系统及存储介质。
背景技术
随着科技的发展，关于心电图的分析逐渐以智能分析替代了人工分析。其中，对于动态心电常用的心电节律分类的方法主要有心电检测方法，且心电检测方法主要通过心电信号预处理、QRS心拍检测、QRS心拍特征提取与分类以及机器学习分类。其中，心电信号预处理主要对心电信号进行高通、低通滤波处理以及降采样。但是，在传统节律分类算法中，心电信号特征提取和心拍分类的误差严重影响了心电节律分类的准确性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种心电节律分类神经网络构建方法，能够得到降低心拍误检对心电节律分类准确性的影响、提高了节律分类的准确性的心电节律分类神经网络。
本发明还提出一种心电节律分类神经网络构建系统。
本发明还提出一种计算机可读存储介质。
第一方面，本发明的一个实施例提供了心电节律分类神经网络构建方法，包括：
获取心电信号；
对所述心电信号进行节律标注和编码处理以得到节律标注信号；
对所述心电信号进行心拍标注和编码处理以得到心拍标注信号；
构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且所述心拍分类神经网络输出的数据作为所述节律分类神经网络的部分数据输入；
将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
本发明实施例的心电节律分类神经网络构建方法至少具有如下有益效果：通过构建一个由心拍分类神经网络和节律分类神经网络组合的预设分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入，则可以降低心拍分类误检对心电节律准确性的影响，从而提高心电节律分类的准确性。
根据本发明的另一些实施例的心电节律分类神经网络构建方法所述对心电信号进行节律标注和编码处理以得到节律标注信号，包括：
获取所述心电信号的变化参数，且变化参数包括：在P-R间期的心率值、心拍类型、心拍变化率、室性心拍出现数量、QRS波出现次数、心拍变化序列、心拍类型变化次数、室上性心拍出现次数、P’波出现次数；
根据所述心电信号的所述变化参数和预设判定条件确定所述心电信号对应节律标注；
对所述心电信号以对应的所述节律标注进行标注以得到所述节律标注信号。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，所述对所述心电信号进行心拍标注和编码处理以得到心拍标注信号，包括：
获取所述心电信号的心拍类型；
根据所述心电信号的所述心拍类型确定对应的心拍标注；
对所述心电信号以对应的所述心拍标注进行标注以得到心拍标注信号。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，还包括：
将所述心电信号进行归一化处理，并将归一化处理后的所述心电信号输入至所述预设分类神经网络。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，所述心拍分类神经网络的具体结构包括：第一编码模块、第二编码模块、第三编码模块、第四编码模块、传递模块、第一解码模块、第二解码模块、第三解码模块、第四解码模块；所述第一编码模块、所述第二编码模块、所述第三编码模块、所述第四编码模块、所述传递模块、所述第四解码模块、所述第三解码模块、所述第二解码模块、所述第一解码模块依次连接；
所述第一解码模块设有第一稠密模块，所述第一解码模块将上采样层的输出与第一编码模块中的剪裁层输出连接后输入所述第一稠密模块；
所述第二解码模块设有第二稠密模块，所述第二解码模块将采样层的输出与第二编码模块的剪裁层的输出连接后输入所述第二稠密模块；
所述第三解码模块设有第三稠密模块，所述第三解码模块将上采样层的输出与第三编码模块的剪裁层的输出连接后输入所述第三稠密模块；
所述第四解码模块设有第四稠密模块，所述第四解码模块将上采样层的输出与第四编码模块的剪裁层的输出连接后输入所述第四稠密模块。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，所述节律分类神经网络为采用稠密模块结合残差模块的深度神经网络。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，所述预设训练算法包括以下任意一种：SGD算法、RMSprop算法、Adagrad算法、Adadelta算法、Adam算法、Adamax算法、Nadam算法。
根据本发明的另一些实施例的心电节律分类神经网络构建方法，所述将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络，包括：
将所述心电信号进行标准化后输入所述心拍分类神经网络，根据所述心拍标注信号作为所述心拍分类神经网络的输出以调节所述心拍分类神经网络的参数以得到心拍分类神经网络最优模型；
将所述心拍分类神经网络最优模型的输出数据和所述心电信号输入至所述节律分类神经网络，根据所述节律标注信号调整所述节律分类神经网络的参数以得到节律分类神经网络最优模型；
根据所述心拍分类神经网络最优模型和所述节律分类神经网络最优模型得到所述心电节律分类神经网络。
第二方面，本发明的一个实施例提供了心电节律分类神经网络构建系统，包括：
获取模块，用于获取心电信号；
第一标注模块，用于对所述心电信号进行节律标注和编码处理以得到节律标注信号；
第二标注模块，用于对所述心电信号进行心拍标注和编码处理以得到心拍标注信号；
构建模块，用于构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且所述心拍分类神经网络输出的数据作为所述节律分类神经网络的部分数据输入；
模型训练模块，用于将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
本发明实施例的心电节律分类神经网络构建系统至少具有如下有益效果：通过构建一个由心拍分类神经网络和节律分类神经网络组合的预设分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入，则可以降低心拍分类误检对心电节律准确性的影响，从而提高心电节律分类的准确性。
第三方面，本发明的一个实施例提供了计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的心电节律分类神经网络构建方法。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本发明实施例中心电节律分类神经网络构建方法的一具体实施例流程示意图；
图2是本发明实施例中心电节律分类神经网络构建方法的另一具体实施例流程示意图；
图3是本发明实施例中心电节律分类神经网络构建方法的另一具体实施例流程示意图；
图4是本发明实施例中心电节律分类神经网络构建方法的另一具体实施例流程示意图；
图5是本发明实施例中心电节律分类神经网络构建方法的一具体实施例中心拍分类神经网络的系统流程图；
图6是本发明实施例中心电节律分类神经网络构建方法的一具体实施例中节律分类神经网络的系统流程图；
图7是本发明实施例中心电节律分类神经网络构建方法的一具体实施例中稠密模块的系统流程图；
图8是本发明实施例中心电节律分类神经网络构建方法的一具体实施例中残差模块的系统流程图；
图9是本发明实施例中心电节律分类神经网络构建方法的另一具体实施例流程示意图；
图10是本发明实施例中心电节律分类神经网络构建系统的一具体实施例流程示意图。
附图说明：100、获取模块；200、第一标注模块；300、第二标注模块；400、构建模块；500、模型训练模块。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。
在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
心电图诊断法作为一种非侵入式评估心脏功能和健康状态的方法已经成为诊断心血管疾病的主要手段之一，以其无创、快速、准确的特点在临床诊断中发挥了不可替换的作用。心电图反映了心肌收缩过程中电生理信号的起源、传导顺序、方向和时间等信息。针对心电图各波段的生理意义如下所述：
P波：代表左、右心房除极时的电位和时间变化。正常P波在多数导联上呈钝圆形，持续时间一般小于0.11s，幅度一般不超过0.25mV。
P-R间期：代表心房激动传导到心室的时间，正常成人在正常心率范围事，P-R间期为0.12～0.20s。P-R间期与年龄和心率有关，年龄小或心率快时P-R间期较短，反之则较长。
QRS波群：位于P波和P-R间期之后，代表心室初级过程，由Q、R、S三个波组成。P波后第一个向下的波称为Q波；第一个向上的波称为R波，R波后向下的波称为S波，QRS波群可表现为多种形态，通常以大写英文字母表示主波，小写字母表示较小的波。
通过心电图的节律分类以确定心电节律，以便于医生可以快速知晓心电节律的异常情况。由于心电信号的节律分类通常是先通过心拍检测，然后心拍特征提取后再进行心电节律分类，所以心电信号特征提取和心拍分类的误差影响心电节律分类的准确性。
基于此，本申请公开了一种心电节律分类神经网络构建方法，通过构建一个预设分类神经网络，且预设分类神经网络包括心拍分类神经网络和节律分类神经网络，且心拍分类神经网络的输出作为节律分类神经网络的输入数据一个通道数据，强化了心拍类型特征提取，且降低心拍分类的误差对节律分类的准确性的影响。
第一方面，参照图1，本发明实施例公开了一种心电节律分类神经网络构建方法，包括：
S100、获取心电信号；
S200、对心电信号进行节律标注和编码处理以得到节律标注信号；
S300、对心电信号进行心拍标注和编码处理以得到心拍标注信号；
S400、构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入；
S500、将心电信号代入预设分类神经网络，并根据节律标注信号和心拍标注信号、预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
通过构建预设分类神经网络，心拍分类神经网络输出的输出作为节律分类神经网络的部分数据输入，以强化了心拍类型特征，降低心拍分类的误差对节律分类的准确性的影响，然后将心电信号代入预设分类神经网络中，且通过标注好的心拍标注信号和节律标注信号对构建的预设分类神经网络进行训练，以得到最优的心电节律分类神经网络，则可以直接输入心电信号至心电节律分类神经网络即可得到准确的心电节律信号，以通过神经网络替代传统人工提取心电特征，进而降低了由于特征提取和心拍分类的误差对节律分类的准确性的影响。
其中，预设分类神经网络包括稠密模块和残差模块，且在预设分类神经网络中加入稠密模块减轻了梯度消失，加强了数据特征的传递，且在预设分类神经网络加入残差模块提高了心电数据特征的流通，同时解决了随着网络深度加深，产生梯度小，即网络退化问题。
在一些实施例中，参照图2，步骤S200包括但不限于步骤S210、S220和S230，对心电信号进行节律标注和编码处理以得到节律标注信号，包括：
S210、获取心电信号的变化参数，且变化参数包括：在R波间期的心率值、心拍类型、心拍变化率、室性心拍出现数量、QRS波出现次数、心拍变化序列、心拍类型变化次数、室上性心拍、P’波出现次数；
S220、根据心电信号的变化参数和预设判定条件确定心电信号对应节律标注；
S230、对心电信号以对应的节律标注进行标注以得到节律标注信号。
通过获取心电信号的变化参数，然后通过预设判定条件和变化参数确定心电信号对应的节律标注，以便于根据心电信号对应的节律标注对心电信号进行标注以得到节律标注信号，则可以根据节律标注信号判断预设分类神经网络对心电信号进行节律分类是否准确，以调整预设分类神经网络的参数以得到可以准确进行节律分类的预设分类神经网络。
具体地，心电信号的变化参数包括：在P-R间期的心率值、心拍类型、心拍变化率、室性心拍出现数量、QRS波出现次数、心拍变化序列、心拍类型变化次数、室上性心拍、P’波出现次数。其中，预设判定条件包括以下任意一种或多种：预设心率范围、预设心拍变化阈值、预设室性心拍出现数量阈值、预设QRS波出现阈值、预设心拍类型变化次数阈值、预设室上性心拍出现次数阈值、预设P’波出现次数阈值，因此通过将心电信号的变化参数和预设判定条件以确定心电信号对应的节律标注。若心电信号对应的心拍类型为窦性心拍，在P-R间期匀齐且心率值在预设心率范围内，则心电信号对应的节律标注为正常节律标注，设正常节律标注为R1。若心电信号对应的心拍类型为窦性心拍，且在P-R间期的心率值小于预设心率范围的下限值，则心电信号对应的节律标注为窦性心动过缓标注，设窦性心动过缓标注为R2。若心电信号对应的心拍类型为窦性心拍，且在P-R间期的心率值大于预设心率范围的上限值，则心电信号对应的节律标注为窦性心动过速标注，设窦性心动过速标注为R3。若心电信号对应的心拍类型为窦性心拍，且心电信号对应的所有心拍的心拍变化率超过了预设心拍变化阈值，也即所有心拍中超过预设数量的不均齐，在本实施例中有15％以上的间隔不均判定为窦性心律不齐标注，且窦性心律不齐标注为R4。若心电信号中存在P-R间期不相等且P波出现次数为0，且F波出现次数大于1，则心电信号的节律标注为心房颤动标注，且心房颤动标注为R5。若心电信号的心拍类型为室性心拍，且心电信号对应的心率值大于预设心率范围的上限值，则心电信号的节律标注为室性心动过速标注，且室性心动过速标注为R6。若心电信号对应的心拍只有一个心拍类型为室性心拍，则心电信号的节律标注为单发室早标注，且单发室早标注为R7。若心电信号中室性心拍出现数量为双数，也即心电信号存在N-V-V-N，且N为窦性心拍，V为室性心拍。则心电信号对应的节律标注为成对室早标注，且成对室早标注为R8。若心电信号中QRS波出现次数大于1，且QRS波为宽大畸形，且QRS波前无相关P波，若心电信号中出现为N-V的序列的次数大于3次，则心电信号对应的节律标注为室早二联律标注，室早二联律标注为R9。若心电信号中提前出现宽大畸形的QRS波，且QRS波前无相关P波，且心电信号中N-N-V序列的出现次数大于3次，则心电信号对应的节律类型为室早三联律标注，室早三联律标注为R10。若心电信号中室性心拍出现数量大于3个，则心电信号对应的节律标注为室性连发标注，且室性连发标注为R11。若心电信号中室上性心拍出现次数为双数，也即心电信号的心拍序列为N-S-S-N，其中，S为室上性心拍，则心电信号对应的节律标注为室上性心拍标注，且室上性心拍标注为R12。若心电信号中P’波出现次数大于预设P’出现次数阈值，且心电信号中存在心拍序列为N-S的序列出现次数大于3次，则心电信号对应的节律标注为室上早二联律标注，室上早二联律标注设为R13，在本实施例中，预设P’出现次数阈值为0。若心电信号中提前出现了P’波，且心电信号的心拍序列为N-S的出现次数大于3次，则心电信号对应的节律标注为室上早三联律标注，设室上早三联律标注为R14。若心电信号中只有一个心拍的心拍类型为室上性心拍，则心电信号对应的节律标注为单发室上早标注，单发室上早标注设为R15。若心电信号中存在心率值为0bpm，则心电信号对应的节律标注为停博标注，且停博标注为R16。若心电信号中存在工频干扰、肌电干扰等信号，则心电信号对应的节律标注为噪声标注，且噪声标注为R17。若心电信号的变化参数都不满足预设判定条件，则心电信号对应的节律标注为其他心电节律标注，且设其他心电节律标注为R18。通过对心电信号具体的变化参数和预设判定条件进行判定以确定节律标注，则可以通过节律标注即可清楚每一个心电信号的情况。
参照图3，在一些实施例中，步骤S300包括但不限于步骤S310、S320和S330；
对心电信号进行心拍标注和编码处理以得到心拍标注信号，包括：
S310、获取心电信号的心拍类型；
S320、根据心电信号的心拍类型确定对应的心拍标注；
S330、对心电信号以对应的心拍标注进行标注以得到心拍标注信号。
通过根据心电信号的心拍类型确定对应的心拍标注，然后根据心拍标注对心电信号进行标注以得到心拍标注信号，使得心拍标注信息得到简易，以便于根据心拍标注信号对心拍分类神经网络进行训练。
具体地，通过获取心电信号的心拍类型，若心电信号的心拍类型为窦性心拍则对应的心拍标注为窦性心拍标注，且窦性心拍标注为B1。通过获取心电信号的心拍类型，若心电信号的心拍类型为室性心拍则对应的心拍标注为室性心拍标注，且室性心拍标注为B2。若心电信号的心拍类型为室上性心拍，则心拍标注为室上性心拍标注，且室上性心拍标注为B3。心电信号中其他过渡部分对应的标注为其他部分标注，且为B4。其中窦性心拍标注B1从该QRS心拍的P波起点至T波终点都赋值为B1，室性心拍标注为B2从该QRS的P波起点至T波终点都赋值为B2，室上性标注为B3从该QRS的P波起点至T波终点都赋值为B3，心电信号的其它过渡部分赋值B4；进而得到心电信号为L＝[B4,B4……B4,B1,B1,……B1,B4,B4,B4]，其它的数据长度和对应的心电信号等长。对心电信号进行心拍标注后再进行编码处理，也即对于将B1,B2,……,B4按顺序排好位置[B1,B2,……,B4],当数据点对应B1时，在B1的对应位置取1，其他位置取0，对心电信号中的每个数据点进行处理以得到心拍标注信号。
其中，通过心电信号判定对应的心拍类型是窦性心拍、室性心拍和室上性心拍，若心电信号中存在I，II，V3～V6导联P波直立，aVR导联P波倒置，且P-P间期之差小于120ms，P-R间期大于120ms，则心电信号对应的心拍类型为窦性心拍。若心电信号中提前出现宽大畸形的QRS波，其前无相关P波，QRS时限≥120ms的心拍，则心电信号的心拍类型为室性心拍。若心电信号中提前出现P’波，P’波形态与同导联窦性P波不同，P'波后常继以室上性QRS-T波，则心电信号对应的心拍类型为室上性心拍。
参照图4，在一些实施例中，心电节律分类神经网络构建方法，还包括：
S600、将心电信号进行归一化处理，并将归一化处理后的心电信号输入至预设分类神经网络。
通过对心电信号进行归一化处理，便于输入预设分类神经网络的心电信号统一。
对心电信号进行归一化处理具体如下：对心电信号X＝{x1，x2，……,xn}∈Rm×n进行归一化处理，公式如下：
式中，n为心电信号的样本数，m为每个心电信号的数据长度,X.mean为X的均值，X.std为X的标准差。
在一些实施例中，参照图5，心拍分类神经网络的具体结构包括：第一编码模块、第二编码模块、第三编码模块、第四编码模块、传递模块、第一解码模块、第二解码模块、第三解码模块、第四解码模块。第一编码模块、第二编码模块、第三编码模块、第四编码模块、传递模块、第四解码模块、第三解码模块、第二解码模块、第一解码模块依次连接。第一解码模块设有第一稠密模块，第一解码模块将上采样层的输出与第一编码模块中的剪裁层输出连接后输入第一稠密模块；第二解码模块设有第二稠密模块，第二解码模块将采样层的输出与第二编码模块的剪裁层的输出连接后输入第二稠密模块；第三解码模块设有第三稠密模块，第三解码模块将上采样层的输出与第三编码模块的剪裁层的输出连接后输入第三稠密模块；第四解码模块设有第四稠密模块，第四解码模块将上采样层的输出与第四编码模块的剪裁层的输出连接后输入第四稠密模块。
通过第一编码模块、第二编码模块、第三编码模块、第四编码模块、传递模块、第四解码模块、第三解码模块、第二解码模块、第一解码模块依次连接以构建心拍分类神经网络，且心拍分类神经网络结合了稠密模块，因此减轻了心拍分类神经网络梯度消失，加强了心电信号特征的传递。
具体地，参照图5，经过归一化后的心电信号作为心拍分类神经网络的输入，且第一编码器的剪裁层输出至第一稠密模块，第二编码器的裁剪层输出后连接第二稠密模块，第三编码器的裁剪层输出后连接第三稠密模块，第三编码器的裁剪层输出后连接第四稠密模块，且心拍分类神经网络的输出连接节律分类神经网络的输入，且输出的数据与输入的心电信号等长度。
在一些实施例中，节律分类神经网络为采用稠密模块结合残差模块的深度神经网络，以加强了心电信号的特征传递。
参照图6，具体地，经过归一化后的心电信号输入至节律分类神经网络，且心拍分类神经网络的输出数据也作为节律分类神经网络的另一个输入通道的数据。节律分类神经网络以正向传播方向依次连接有两个数据处理通道，且第一数据处理通道依次连接有第一卷积层、第五稠密模块、第二卷积层、第一池化层、第六稠密模块、第三卷积层、第二池化层，第二数据处理通道依次连接有第一残差模块、第一激活层、第二残差模块、第二激活层、第三残差层和第三激活层。其中，第五稠密模块、第二卷积层和第一池化层的组合的个数可调，第二残差和第二激活层的组合的个数也是可调的。最后将两个数据通道依次连接有连接层、第三卷积层和多分类输出层。因此通过再原本的节律分类神经网络添加至稠密模块和残差模块，以加强心电信号特征的传递。第五稠密模块、第二卷积层和第一池化层的组合、二残差和第二激活层的组合可调节的个数可以根据训练预设分类神经网络最优时的参数确定。
其中，稠密模块的具体结构参照图7，残差模块的具体结构参照图8。稠密模块的具体执行方法包括：通过将输入的心电信号进行归一化处理，然后通过激活层、卷积层、丢弃层和连接层。其中，对数据进行归一化处理主要对心电信号进行均值为0，标准差为1的转换，解决了不同尺度的心电信号对预设分类神经网络的影响。稠密模块可以降低梯度消失或梯度爆炸，也使得预设分类神经网络更易于收敛。其中，稠密模块中的连接层将输入的心电信号经过特征提取的数据进行连接即连接之前和现在提取的特征，进而加强了心电信号的特征传递。
残差模块基本结构参照图8，输入到残差模块的数据首先依次连接卷积层、归一化层、激活层、丢弃层和卷积层。通过卷积层得到C1，归一化层得到BN，Relu层得到RL，激活层得到D，卷积层Conv得到C2，再用一个快捷连接层将输入到残差模块的心电信号只通过池化层直接与C2相加。因此，残差模块的主要特征在于引入快捷连接层，可以使输入残差模块的心电信号的特征没有阻碍地输出，提高了心电数据特征的流通，同时解决了梯度消失、即网络退化的问题，进而增加了心电信号的节律分类的准确性。
在一些实施例中，预设训练算法包括以下任意一种：SGD算法、RMSprop算法、Adagrad算法、Adadelta算法、Adam算法、Adamax算法、Nadam算法。
参照图9，步骤S500包括但不限于步骤S510、S520、S530、
将心电信号代入预设分类神经网络，并根据节律标注信号和心拍标注信号、预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络，包括：
S510、将心电信号进行标准化后输入心拍分类神经网络，根据心拍标注信号作为心拍分类神经网络的输出以调节心拍分类神经网络的参数以得到心拍分类神经网络最优模型；
S520、将心拍分类神经网络最优模型的输出数据和心电信号输入至节律分类神经网络，根据节律标注信号调整节律分类神经网络的参数以得到节律分类神经网络最优模型；
S530、根据心拍分类神经网络最优模型和节律分类神经网络最优模型以得到心电节律分类神经网络。
通过构建由心拍分类神经网络和节律分类神经网络组合成的预设分类神经网络，且对心电信号进行心拍标注和节律标注以得到心拍标注信号和节律标注信号。其中，通过对预设分类神经网络以心电信号、心拍标注信号和节律标注信号进行训练，主要对心拍分类神经网络和节律分类神经网络进行训练，以得到更加准确的心电节律分类神经网络。
具体地，其中将心电信号、心拍标注信号和节律标注信号汇集成数据集，且心拍信号作为训练集，而心拍标注信号和节律标注信号作为测试机和验证集。所以先将心电信号输入至心拍分类神经网络，然后以心拍标注信号作为心拍分类神经网络的输出，以对心拍分类神经网络进行训练，根据心拍标注信号对心拍分类神经网络中参数进行调整，以反复训练得到心拍分类神经网络最优模型。然后将训练好的心拍分类神经网络最优模型的输出作为节律分类神经网络一个通道的输入，且将心电信号输入至节律分类神经网络，然后对节律分类神经网络进行训练以得到节律分类神经网络模型，然后根据节律标注信号对节律分类神经网络模型进行验证以调整对应的参数，以得到心电节律分类神经网络，使得心电节律分类神经网络获得准确。因此，可以根据得到心电节律分类神经网络直接输入心电信号即可准确地得到对应的节律标注信号，以便于医护人员通过输出的节律标注信号清楚当前心电信号的情况，以便于及时对病人的心电信号做出诊断。
下面参考图1至图9以一个具体的实施例详细描述根据本发明实施例的心电节律分类神经网络构建方法。值得理解的是，下述描述仅是示例性说明，而不是对发明的具体限制。
获取心电信号的变化参数，然后通过预设判定条件和变化参数确定心电信号对应的节律标注，根据节律标注信号判断预设分类神经网络对心电信号进行节律分类以得到对应的节律标注，然后根据心电信号对应的节律标注对心电信号进行标注以得到节律标注信号。通过获取心电信号的心拍类型，根据心电信号的心拍类型确定对应的心拍标注，然后根据心拍标注对心电信号进行标注以得到心拍标注信号。对心电信号进行归一化处理，经过归一化后的心电信号作为心拍分类神经网络的输入，将心拍分类神经网络最优模型的输出数据和心电信号输入至节律分类神经网络，根据节律标注信号调整节律分类神经网络的参数以得到节律分类神经网络最优模型。根据心拍分类神经网络最优模型和节律分类神经网络最优模型以得到心电节律分类神经网络，以得到更加准确的心电节律分类神经网络。
第二方面，参照图10，本发明实施例还公开了一种心电节律分类神经网络构建系统，包括：获取模块100、第一标注模块200、第二标注模块300、构建模块400和模型训练模块500；获取模块100用于获取心电信号；第一标注模块200用于对心电信号进行节律标注和编码处理以得到节律标注信号；第二标注模块300用于对心电信号进行心拍标注和编码处理以得到心拍标注信号；构建模块400用于构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入；模型训练模块500用于将心电信号代入预设分类神经网络，并根据节律标注信号和心拍标注信号、预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
通过构建一个由心拍分类神经网络和节律分类神经网络的预设分类神经网络，且心拍分类神经网络输出的数据作为节律分类神经网络的部分数据输入，则可以降低心拍分类误检对心电节律准确性的影响，从而提高心电节律分类的准确性。
第三方面，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面所述的心电节律分类神经网络构建方法。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种心电节律分类神经网络构建方法，其特征在于，包括：
获取心电信号；
对所述心电信号进行节律标注和编码处理以得到节律标注信号；
对所述心电信号进行心拍标注和编码处理以得到心拍标注信号；
构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且所述心拍分类神经网络输出的数据作为所述节律分类神经网络的部分数据输入；
将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
2.根据权利要求1所述的心电节律分类神经网络构建方法，其特征在于，所述对心电信号进行节律标注和编码处理以得到节律标注信号，包括：
获取所述心电信号的变化参数，且变化参数包括：在P-R间期的心率值、心拍类型、心拍变化率、室性心拍出现数量、QRS波出现次数、心拍变化序列、心拍类型变化次数、室上性心拍出现次数、P’波出现次数；
根据所述心电信号的所述变化参数和预设判定条件确定所述心电信号对应节律标注；
对所述心电信号以对应的所述节律标注进行标注以得到所述节律标注信号。
3.根据权利要求2所述的心电节律分类神经网络构建方法，其特征在于，所述对所述心电信号进行心拍标注和编码处理以得到心拍标注信号，包括：
获取所述心电信号的心拍类型；
根据所述心电信号的所述心拍类型确定对应的心拍标注；
对所述心电信号以对应的所述心拍标注进行标注以得到心拍标注信号。
4.根据权利要求1至3任一项所述的心电节律分类神经网络构建方法，其特征在于，还包括：
将所述心电信号进行归一化处理，并将归一化处理后的所述心电信号输入至所述预设分类神经网络。
5.根据权利要求1至3任一项所述的心电节律分类神经网络构建方法，其特征在于，所述心拍分类神经网络的具体结构包括：第一编码模块、第二编码模块、第三编码模块、第四编码模块、传递模块、第一解码模块、第二解码模块、第三解码模块、第四解码模块；所述第一编码模块、所述第二编码模块、所述第三编码模块、所述第四编码模块、所述传递模块、所述第四解码模块、所述第三解码模块、所述第二解码模块、所述第一解码模块依次连接；
所述第一解码模块设有第一稠密模块，所述第一解码模块将上采样层的输出与第一编码模块中的剪裁层输出连接后输入所述第一稠密模块；
所述第二解码模块设有第二稠密模块，所述第二解码模块将采样层的输出与第二编码模块的剪裁层的输出连接后输入所述第二稠密模块；
所述第三解码模块设有第三稠密模块，所述第三解码模块将上采样层的输出与第三编码模块的剪裁层的输出连接后输入所述第三稠密模块；
所述第四解码模块设有第四稠密模块，所述第四解码模块将上采样层的输出与第四编码模块的剪裁层的输出连接后输入所述第四稠密模块。
6.根据权利要求5所述的心电节律分类神经网络构建方法，其特征在于，所述节律分类神经网络为采用稠密模块结合残差模块的深度神经网络。
7.根据权利要求6所述的心电节律分类神经网络构建方法，其特征在于，所述预设训练算法包括以下任意一种：SGD算法、RMSprop算法、Adagrad算法、Adadelta算法、Adam算法、Adamax算法、Nadam算法。
8.根据权利要求7所述的心电节律分类神经网络构建方法，其特征在于，所述将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络，包括：
将所述心电信号进行标准化后输入所述心拍分类神经网络，根据所述心拍标注信号作为所述心拍分类神经网络的输出以调节所述心拍分类神经网络的参数以得到心拍分类神经网络最优模型；
将所述心拍分类神经网络最优模型的输出数据和所述心电信号输入至所述节律分类神经网络，根据所述节律标注信号调整所述节律分类神经网络的参数以得到节律分类神经网络最优模型；
根据所述心拍分类神经网络最优模型和所述节律分类神经网络最优模型得到所述心电节律分类神经网络。
9.一种心电节律分类神经网络构建系统，其特征在于，包括：
获取模块，用于获取心电信号；
第一标注模块，用于对所述心电信号进行节律标注和编码处理以得到节律标注信号；
第二标注模块，用于对所述心电信号进行心拍标注和编码处理以得到心拍标注信号；
构建模块，用于构建预设分类神经网络，且预设分类神经网络包括：心拍分类神经网络和节律分类神经网络，且所述心拍分类神经网络输出的数据作为所述节律分类神经网络的部分数据输入；
模型训练模块，用于将所述心电信号代入预设分类神经网络，并根据所述节律标注信号和所述心拍标注信号、所述预设分类神经网络以预设训练算法进行训练以得到心电节律分类神经网络。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的心电节律分类神经网络构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110929717.4A CN113812962B (zh) | 2021-08-13 | 2021-08-13 | 心电节律分类神经网络构建方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110929717.4A CN113812962B (zh) | 2021-08-13 | 2021-08-13 | 心电节律分类神经网络构建方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113812962A true CN113812962A (zh) | 2021-12-21 |
| CN113812962B CN113812962B (zh) | 2024-07-23 |
Family
ID=78922751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110929717.4A Active CN113812962B (zh) | 2021-08-13 | 2021-08-13 | 心电节律分类神经网络构建方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113812962B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114224351A (zh) * | 2022-01-13 | 2022-03-25 | 浙江好络维医疗技术有限公司 | 一种基于融合多个深度学习模型的房颤识别方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7225015B1 (en) * | 2003-06-24 | 2007-05-29 | Pacesetter, Inc. | System and method for detecting cardiac ischemia based on T-waves using an implantable medical device |
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
| CN110490317A (zh) * | 2019-10-17 | 2019-11-22 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及运算方法 |
| EP3669768A1 (en) * | 2018-12-20 | 2020-06-24 | IMEC vzw | A method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity |
| CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
| US20200337581A1 (en) * | 2019-04-26 | 2020-10-29 | Samsung Sds Co., Ltd. | Apparatus and method for analyzing electrocardiogram |
| CN111956201A (zh) * | 2020-07-22 | 2020-11-20 | 上海数创医疗科技有限公司 | 基于卷积神经网络的心拍类型识别方法和装置 |
| US20210121090A1 (en) * | 2019-10-29 | 2021-04-29 | Zoll Medical Israel Ltd. | Systems, Devices, and Methods for Cardiac Diagnosis and/or Monitoring |
| CN113095302A (zh) * | 2021-05-21 | 2021-07-09 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
| US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
-
2021
- 2021-08-13 CN CN202110929717.4A patent/CN113812962B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7225015B1 (en) * | 2003-06-24 | 2007-05-29 | Pacesetter, Inc. | System and method for detecting cardiac ischemia based on T-waves using an implantable medical device |
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
| EP3669768A1 (en) * | 2018-12-20 | 2020-06-24 | IMEC vzw | A method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity |
| US20200337581A1 (en) * | 2019-04-26 | 2020-10-29 | Samsung Sds Co., Ltd. | Apparatus and method for analyzing electrocardiogram |
| CN110490317A (zh) * | 2019-10-17 | 2019-11-22 | 北京中科寒武纪科技有限公司 | 神经网络运算装置及运算方法 |
| US20210121090A1 (en) * | 2019-10-29 | 2021-04-29 | Zoll Medical Israel Ltd. | Systems, Devices, and Methods for Cardiac Diagnosis and/or Monitoring |
| US20210232914A1 (en) * | 2020-01-17 | 2021-07-29 | Ever Fortune.Ai Co., Ltd. | Method for building a heart rhythm classification model |
| CN111488793A (zh) * | 2020-02-21 | 2020-08-04 | 广州视源电子科技股份有限公司 | 心电信号分类方法、装置、电子设备和存储介质 |
| CN111956201A (zh) * | 2020-07-22 | 2020-11-20 | 上海数创医疗科技有限公司 | 基于卷积神经网络的心拍类型识别方法和装置 |
| CN113095302A (zh) * | 2021-05-21 | 2021-07-09 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 刘波;嵇启春;: "基于U-NET网络的心律失常信号识别算法研究", 计算机测量与控制, no. 06, 25 June 2020 (2020-06-25), pages 181 - 185 * |
| 李延军;唐晓英;许志;刘伟峰;: "一种利用心率检测心律失常的方法", 航天医学与医学工程, no. 01, 15 February 2016 (2016-02-15), pages 24 - 30 * |
| 王莉;郭晓东;惠延波;: "基于改进BP神经网络的心电信号分类方法", 电子技术应用, no. 06, 6 June 2019 (2019-06-06), pages 114 - 118 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114224351A (zh) * | 2022-01-13 | 2022-03-25 | 浙江好络维医疗技术有限公司 | 一种基于融合多个深度学习模型的房颤识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113812962B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107072545B (zh) | 用于快速诊断的心电图数据分析方法和系统 | |
| CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
| US8396541B2 (en) | Signal analysis of cardiac and other patient medical signals | |
| US20080132799A1 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
| CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
| US10791952B2 (en) | Electrocardiogram device and methods | |
| EP3251594A1 (en) | Method for the detecting electrocardiogram anomalies and corresponding system | |
| CN107622259B (zh) | 一种t波检测方法、心电数据分析方法及装置 | |
| US8364248B2 (en) | System for cardiac pathology detection and characterization | |
| US6491629B1 (en) | Method for determining at least one diagnostic piece of information from signal patterns of medical sensor systems | |
| Simoons et al. | Quantitation of exercise electrocardiography. | |
| CN118236072A (zh) | 一种用于麻醉过程的患者体征状态监测方法 | |
| CN113812962B (zh) | 心电节律分类神经网络构建方法、系统及存储介质 | |
| CN113180687B (zh) | 多导联动态心搏实时分类方法、装置、设备及存储介质 | |
| CN110464339B (zh) | 一种心电图分析方法及装置 | |
| CN109394206B (zh) | 基于穿戴式心电信号中早搏信号的实时监测方法及其装置 | |
| JPH0366358A (ja) | 生体信号計測装置 | |
| JP5933138B2 (ja) | Ｅｃｇデータにおけるｑｒｓ群の発生を決定する装置及び方法 | |
| CN113940682B (zh) | 一种基于统计特征的房颤识别方法 | |
| CN114343666A (zh) | 针对长程心电监测的阵发性房颤扫描方法、系统、存储介质及电子设备 | |
| CN113180689A (zh) | 一种基于高斯函数拟合的p波波峰及起始位置提取方法 | |
| CN117158991B (zh) | 一种两电极心电图智能定位系统 | |
| CN113749665B (zh) | 异常指标的捕捉方法、装置、设备和介质 | |
| TWI839194B (zh) | 一種心電圖st區段自動定位方法 | |
| WO2017182622A1 (en) | Adaptive visualization of electrocardiogram |
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 |