CN113855042B - 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 - Google Patents

融合深度和医学特征的基于序列标注的多导联心电信号分类方法 Download PDF

Info

Publication number
CN113855042B
CN113855042B CN202110999625.3A CN202110999625A CN113855042B CN 113855042 B CN113855042 B CN 113855042B CN 202110999625 A CN202110999625 A CN 202110999625A CN 113855042 B CN113855042 B CN 113855042B
Authority
CN
China
Prior art keywords
qrs
sub
category
lead
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.)
Active
Application number
CN202110999625.3A
Other languages
English (en)
Other versions
CN113855042A (zh
Inventor
杨新武
窦梦菲
李彤
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110999625.3A priority Critical patent/CN113855042B/zh
Publication of CN113855042A publication Critical patent/CN113855042A/zh
Application granted granted Critical
Publication of CN113855042B publication Critical patent/CN113855042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • A61B5/24—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
    • A61B5/72—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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • 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序列标注并融合各导联的深度特征与医学特征的心电信号分类方法。该方法借鉴文本序列标注思想，首先提取每个导联上的深度时域特征和传统医学特征，将两个特征进行融合，然后使用Seq2Seq对12个导联进行类别标注，在模型预测时对12个导联的类别标注进行投票。同时在解码时加入和编码器之间的注意力机制，为了在解码时每个导联的类别更加改导联的编码信息，使解码结果更加正确。本方法是一种端到端的心电信号分类方式,利用了深度学习特征和医学特征,有效提升了多导联心电信号分类的准确率。

Description

融合深度和医学特征的基于序列标注的多导联心电信号分类 方法
技术领域
该发明属于机器学习与模式识别技术领域，利用给定的12导联心电信号(ECG)数据集构造一种鲁棒性较强的神经网络预测方法，以期达到对心电信号给出正确分类。
背景技术
随着心脏疾病的发病率和死亡率越来越高，人类健康直接受到了威胁。心电图识别是心脏疾病临床医学诊断的重要前提，由于心电图诊断需求的不断增加，人工识别心电图速度慢、实时性差，因此，心电图自动识别技术的研究一直受到各方学者的关注。
心电信号的传统医学特征提取主要由人工定义并提取，其定义和提取方法基于心电医学的专业领域知识，虽提取过程较为繁琐，但得到的特征数据更为具体和精确。
近年来，深度学习在不同的应用场景中显示出强大的信息提取和拟合能力，如图像分类和疾病监测等。其动机在于通过模拟人类大脑的神经连接结构来建立模型。卷积神经网络是目前最受欢迎的深度学习方法，其本质是一种表示学习方法，是一种端到端学习的深度学习方法。深度网络是以端到端的多层方式集成了低/中/高级特征和分类器，特征的“层次”可以通过层叠层的深度来丰富。
通过训练神经网络得到深度特征的过程是数据驱动模型学习的过程，通过端到端的方式得到自动分类准确率高的网络模型，其网络模型最后一层的深度特征表示该数据的高维抽象特征。
Seq2Seq模型，其中encoder和decoder都为LSTM单元。
encoder在每个时刻输入为一个导联的一维特征数据，心电信号为12导联，encoder的输入序列长度为12。最终生成对12个导联序列的编码向量e由在第12时刻encoder的LSTM单元输出的最后的隐藏层状态ht和记忆细胞ct直接拼接组成，模型结构如图1所示。
decoder接收编码e后，在第一个时刻输入起始符“GO”，然后逐一顺序生成每个导联对应类别概率，直到生成12个类别标签，相当于为导联标注一个对应的心电图类别。decoder在模型训练和模型预测时的输入输出设置是不同的。训练时，在第一个时刻输入起始符“GO”，在之后的每个时刻都输如每个导联对应的真实类别标签，对应每个时刻decoder预测生成对应的类别概率。而在于模型预测时，decoder每个时刻的类别概率经过softmax之后找到最有可能的类别标签，该标签是下一个时刻decoder的输入，如此迭代生成最终的类别标签序列。
本发明将深度学习特征和医学特征融合,借助Seq2Seq提出一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.
发明内容
本发明的目的在于针对心电信号分类技术存在特征提取繁琐复杂，准确率低以及泛化能力差等缺点，提出一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.
本发明公开了一种基于序列标注并融合各导联的深度特征与医学特征的心电信号分类方法.该分类方法首先提取心电信号的QRS子片段,并分别提取医学特征和每个导联的深度特征，然后训练Seq2Seq模型生成导联类别序列，最后预测12类别进行投票决定最终类别。
本发明其具体方法步骤如下：
S1.对12导联心电信号进行预处理
①对于每条心电记录，检测并提取其QRS子片段n个，每个QRS子片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签其中/>为该类别的one-hot编码。
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声。
③对于去噪后每个QRS子片段，提取其10个HRV医学特征，得到由10个数字组成的一维特征向量
④对于去噪后每个QRS片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporal fusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤将处理后的每个QRS子片段的特征图X作为一个训练样本，对训练集中的所有片段进行打乱。
S2.模型训练
①将S1中得到的训练样本以一定的批次大小输送至Seq2Seq网络中，encoder在第t时刻的输入为xt，decoder在第t时刻的输入为yt，在decoder每个时刻的输出通过Softmax映射为该导联所属类别的概率估计，最终生成12个导联的心电信号预测类别序列其中/>
②计算心电信号真实类别序列Y与模型预测的心电信号类别序列之间的交叉熵损失，并将该损失通过反向传播算法来优化Seq2Seq网络。
③重复S2中①至②步骤，直至模型收敛。
本方法的模型预测过程包括数据预处理,模型预测,结果投票三个步骤.
Step1数据预处理
①对于测试集每条心电记录，检测并提取其QRS子片段n个，每个片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签。
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声。
③对于去噪后每个子QRS片段，提取其10个HRV医学特征，得到是个数字组成的一维特征向量
④对于去噪后每个QRS子片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporal fusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤对测试集中每条记录提取的n个QRS子片段集特征打包，作为一个预测样本。
Step2模型预测
①将Step1中得到的一个预测样本，即n个特征图s的矩阵，输送至Seq2Seq网络中，decoder在第t时刻的输入为上一时刻的输出在decoder每个时刻的输出通过Softmax映射为该导联所属类别概率估计，最终生成12个导联的心电信号预测类别序列/>其中/>即模型输出为n×12×c的矩阵，其中c为心电信号类别数量。
②计算每个QRS子片段的最大概率对应的心电信号类别。通过QRS子片段的12导联预测结果投票得到该心电信号片段的最大概率类别，得到n个类别标签序列W＝{w1，w2，...wn}，其中wi∈{1，2，......，c}。
Step1结果投票
①统计Step2②中的则投票数最多的类别，投票结果最多的QRS子类别为该心电信号的最终类别。
②若W中每个类别数量相同，则按照每个类别在数据集中的占比进行加权，选择权重最少的类别为最终类别。
本发明借鉴文本序列标注思想，首先提取每个导联上的深度时域特征和传统医学特征，将两个特征进行融合，然后使用Seq2Seq对12个导联进行类别标注，在模型预测时对12个导联的类别标注进行投票。同时在解码时加入和编码器之间的注意力机制，为了在解码时每个导联的类别更加改导联的编码信息，使解码结果更加正确。
本发明的有益效果在于：(1)充分利用了心电信号的深度学习特征以及医学特征；(2)有效地提高了心电信号分类准确率。
附图说明
图1是本法方法使用的Seq2Seq模型。
图2是本方法在数据集上预测结果的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案和优点更加清晰，下面详细给出技术发明方案中所涉及的各个细节问题的说明：
本发明提出一种基于深度监督分组残差网络的12导联心电信号分类方法，所使用的心电信号数据来源于2018年中国生理信号挑战赛(China Physiological SignalChallenge2018)12导联心电信号数据。该数据是由11家医院中收集而来，官方公开的训练集中包含了6877条记录，其中男性3699条，女性3178条。此外还有2954条记录作为测试集，但是不对外公开。同时，数据集也提供了个体的年龄和性别。信号的采样率为500Hz，每条记录包含标准12导联，数据集共包含了8个心率失常类和1个正常心律类共9种心电类型，具体为：正常(Normal)、房颤(AF)、一级房室传导阻滞(I-AVB)、左束支传导阻滞(LBBB)、右束支传导阻滞(RBBB)、房性早搏(PAC)、室性早搏(PVC)、ST段抑止(STD)和ST段抬高(STE)。每个样本有1-3个参考标签。
为验证本发明的有效性以及可行性，具体实施方式如下：
S1.对12导联心电信号进行预处理
①对于每条心电记录，检测并提取其QRS子片段n个，每个QRS子片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签其中/>为该类别的one-hot编码。
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声。
③对于去噪后每个QRS子片段，提取其10个HRV医学特征，得到由10个数字组成的一维特征向量
④对于去噪后每个QRS片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporal fusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤将处理后的每个QRS子片段的特征图X作为一个训练样本，对训练集中的所有片段进行打乱。
S2.模型训练
①将S1中得到的训练样本以一定的批次大小输送至Seq2Seq网络中，encoder在第t时刻的输入为xt，decoder在第t时刻的输入为yt，在decoder每个时刻的输出通过Softmax映射为该导联所属类别的概率估计，最终生成12个导联的心电信号预测类别序列其中/>
②计算心电信号真实类别序列Y与模型预测的心电信号类别序列之间的交叉熵损失，并将该损失通过反向传播算法来优化Seq2Seq网络。
③重复S2中①至②步骤，直至模型收敛。
本方法的模型预测过程包括数据预处理,模型预测,结果投票三个步骤.
Step1数据预处理
①对于测试集每条心电记录，检测并提取其QRS子片段n个，每个片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签。
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声。
③对于去噪后每个子QRS片段，提取其10个HRV医学特征，得到是个数字组成的一维特征向量
④对于去噪后每个QRS子片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporal fusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤对测试集中每条记录提取的n个QRS子片段集特征打包，作为一个预测样本。
Step2模型预测
①将Step1中得到的一个预测样本，即n个特征图s的矩阵，输送至Seq2Seq网络中，decoder在第t时刻的输入为上一时刻的输出在decoder每个时刻的输出通过Softmax映射为该导联所属类别概率估计，最终生成12个导联的心电信号预测类别序列/>其中/>即模型输出为n×12×c的矩阵，其中c为心电信号类别数量。
②计算每个QRS子片段的最大概率对应的心电信号类别。通过QRS子片段的12导联预测结果投票得到该心电信号片段的最大概率类别，得到n个类别标签序列W＝{w1，w2，...wn}，其中wi∈{1，2，......，c}。
Step1结果投票
①统计Step2②中的则投票数最多的类别，投票结果最多的QRS子类别为该心电信号的最终类别。
②若W中每个类别数量相同，则按照每个类别在数据集中的占比进行加权，选择权重最少的类别为最终类别。
为验证本发明方法的有效性及可行性，以CPSC2018比赛的12导联心电信号数据集来验证，在测试集中的最终实验结果如表1：
表1

Claims (1)

1.融合深度和医学特征的基于序列标注的多导联心电信号分类方法，其特征在于：首先提取每个心电信号的QRS子片段,并分别提取医学特征和每个导联的深度特征，然后训练Seq2Seq模型生成导联类别序列，最后利用得到的12个导联类别进行投票决定最终心电信号类别；该模型建立过程数据预处理、模型训练，具体包括以下步骤：
S1.对12导联心电信号进行预处理；
①对于每条心电记录，检测并提取其QRS子片段n个，每个QRS子片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签其中/>为该类别的one-hot编码；
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声；
③对于去噪后每个QRS子片段，提取其10个HRV医学特征，得到由10个数字组成的一维特征向量
④对于去噪后每个QRS片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporalfusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤将处理后的每个QRS子片段的特征图X作为一个训练样本，对训练集中的所有片段进行打乱；
S2.模型训练；
将S1中得到的训练样本以一定的批次大小输送至Seq2Seq网络中，encoder在第t时刻的输入为xt，decoder在第t时刻的输入为yt，在decoder每个时刻的输出通过Softmax映射为该导联所属类别的概率估计，最终生成12个导联的心电信号预测类别序列其中/>
②计算心电信号真实类别序列Y与模型预测的心电信号类别序列之间的交叉熵损失，并将该损失通过反向传播算法来优化Seq2Seq网络；
③重复S2中①至②步骤，直至模型收敛；
模型预测过程包括数据预处理、模型预测、结果投票三个步骤；
Step1数据预处理
①对于测试集每条心电记录，检测并提取其QRS子片段n个，每个片段长度为l，导联数为12，即一个12×1的矩阵，每个QRS子片段的所属心电信号类别即为该QRS子片段的标签；
②对于每个QRS子片段，利用高通滤波器和小波变换来消除基线漂移和高频噪声；
③对于去噪后每个子QRS片段，提取其10个HRV医学特征，得到是个数字组成的一维特征向量
④对于去噪后每个QRS子片段，调用预训练好的NLF-CNN模型提取其第一模块(Temporal fusion)的输出特征图其中/>将该片段医学特征F与D相加，最终得到融合后的特征图/>其中/>
⑤对测试集中每条记录提取的n个QRS子片段集特征打包，作为一个预测样本；
Step2模型预测
①将Step1数据预处理中得到的一个预测样本，即n个特征图s的矩阵，输送至Seq2Seq网络中，decoder在第t时刻的输入为上一时刻的输出在decoder每个时刻的输出通过Softmax映射为该导联所属类别概率估计，最终生成12个导联的心电信号预测类别序列/> 其中/>即模型输出为n×12×c的矩阵，其中c为心电信号类别数量；
②计算每个QRS子片段的最大概率对应的心电信号类别；通过QRS子片段的12导联预测结果投票得到该心电信号片段的最大概率类别，得到n个类别标签序列W＝{w1,w2,…wn}，其中wi∈{1,2,……,c}；
Step3结果投票
①统计Step2模型预测②中的投票数最多的类别，投票结果最多的QRS子类别为该心电信号的最终类别；
②若W中每个类别数量相同，则按照每个类别在数据集中的占比进行加权，选择权重最少的类别为最终类别。
CN202110999625.3A 2021-08-29 2021-08-29 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 Active CN113855042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110999625.3A CN113855042B (zh) 2021-08-29 2021-08-29 融合深度和医学特征的基于序列标注的多导联心电信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110999625.3A CN113855042B (zh) 2021-08-29 2021-08-29 融合深度和医学特征的基于序列标注的多导联心电信号分类方法

Publications (2)

Publication Number Publication Date
CN113855042A CN113855042A (zh) 2021-12-31
CN113855042B true CN113855042B (zh) 2023-10-03

Family

ID=78988710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110999625.3A Active CN113855042B (zh) 2021-08-29 2021-08-29 融合深度和医学特征的基于序列标注的多导联心电信号分类方法

Country Status (1)

Country Link
CN (1) CN113855042B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012649B (zh) * 2022-12-30 2023-09-19 东莞理工学院 用于医学图像的集成学习投票分类方法、系统及终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1084286A (ja) * 1996-09-06 1998-03-31 Dainippon Printing Co Ltd 時系列データの符号化装置及び復号化装置
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
CN108805088A (zh) * 2018-06-14 2018-11-13 南京云思创智信息科技有限公司 基于多模态情绪识别系统的生理信号分析子系统
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
KR20200034505A (ko) * 2018-09-21 2020-03-31 서울대학교산학협력단 주기적 생체신호의 잡음을 제거하는 방법 및 그 장치
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1084286A (ja) * 1996-09-06 1998-03-31 Dainippon Printing Co Ltd 時系列データの符号化装置及び復号化装置
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
CN108805088A (zh) * 2018-06-14 2018-11-13 南京云思创智信息科技有限公司 基于多模态情绪识别系统的生理信号分析子系统
KR20200034505A (ko) * 2018-09-21 2020-03-31 서울대학교산학협력단 주기적 생체신호의 잡음을 제거하는 방법 및 그 장치
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
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN111772619A (zh) * 2020-06-19 2020-10-16 厦门纳龙科技有限公司 一种心电图心搏识别方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN113855042A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
CN111657926B (zh) 一种基于多导联信息融合的心律失常分类方法
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
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
CN110046604B (zh) 一种基于残差网络的单导联ecg心律失常检测分类方法
CN108836302A (zh) 基于深度神经网络的心电图智能分析方法及系统
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN112957054B (zh) 一种基于通道注意力分组残差网络的12导联心电信号分类方法
CN112826513B (zh) 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
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
CN111528832B (zh) 一种心律失常分类方法及其有效性验证方法
Xia et al. Generative adversarial network with transformer generator for boosting ECG classification
CN115470828A (zh) 基于卷积与自注意力机制的多导联心电图分类识别方法
CN110584654A (zh) 一种基于多模态卷积神经网络心电信号分类方法
CN115640507A (zh) 一种基于心电心音联合分析的异常数据筛查方法
CN113855042B (zh) 融合深度和医学特征的基于序列标注的多导联心电信号分类方法
CN116913504A (zh) 用于单导联心律失常诊断的自监督多视图知识蒸馏方法
CN111557660A (zh) 一种亚群体深度学习框架下的心律失常识别方法
CN111899250A (zh) 基于区块链和医学图像的远程疾病智能诊断系统
Wu et al. A deep neural network ensemble classifier with focal loss for automatic arrhythmia classification
CN112450944A (zh) 标签相关性引导特征融合的心电图多分类预测系统与方法
CN115470832B (zh) 一种基于区块链的心电信号数据处理方法
CN116649899A (zh) 一种基于注意力机制特征融合的心电信号分类方法
Ma et al. Atrial fibrillation detection algorithm based on graph convolution network
CN112842349B (zh) 一种基于注意力转换机制的室上性早搏智能分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant