CN113901893B - 基于多重级联深度神经网络的心电信号的识别与分类方法 - Google Patents
基于多重级联深度神经网络的心电信号的识别与分类方法 Download PDFInfo
- Publication number
- CN113901893B CN113901893B CN202111109550.3A CN202111109550A CN113901893B CN 113901893 B CN113901893 B CN 113901893B CN 202111109550 A CN202111109550 A CN 202111109550A CN 113901893 B CN113901893 B CN 113901893B
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- neural network
- electrocardiographic
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- A61B5/7235—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
基于多重级联深度学习的心电信号的识别与分类方法,包括以下步骤:将采集的一维心电数据进行预处理后划分成训练集、验证集以及测试集;构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练,得到在验证集上分类效果最好的模型;将待分类的心电数据输入到在验证集上分类效果最好的模型中,得到心电数据的心电信号所属分类。本发明通过一维卷积提取低层次的波形结构特征,将较浅和较深的层聚合起来,获取心电信号的空间特征,并利用RNN和Transformer提取整个导联的时序特征,可以应用于不同长度的单导联心电信号或多导联心电信号的分类,对不同的心电采集设备有良好的兼容性。
Description
技术领域
本发明属于医疗器械技术领域,涉及医疗器械中的心电信号智能识别方法,涉及一种基于多重级联深度神经网络的心电信号的识别与分类方法。
背景技术
心电图被认为是临床筛查和诊断中最常用的检查工具之一,它可以快速帮助医生识别多种类型的心血管疾病。然而,心电信号存在形态特征、波形特征和时域特征的多样性,这使得在实际的临床诊断中心电信号并不容易被识别,尤其是对于经验有限的医生来说。另一方面,目前大多数患者需要在医院进行诊断,因此心电图诊断存在检测不方便等缺点。近年来,随着远程医疗、计算机辅助诊断以及便携式心电采集设备的快速发展,心电信号的自动识别与分类方法具有较高的实际意义。
传统的心电信号的识别与分类方法主要分为两类,一类是提取传统的心电特征,一类是基于深度学习的方法。传统的心电特征一般是基于PQRST波计算的,包括RR间期标准偏差、最大RR间期和R波密度等(S.Member,IEEE,J.Pan,and W.J.Tompkins,“A real-timeqrs detection algorithm,”IEEE Transactions on Biomedical Engineering,vol.BME-32,no.3,pp.230–236,2007)。然而,这种方法依赖选择的传统特征,只能识别某种特定的疾病,无法解决多种心血管疾病。因此,研究者们开始探索通过构建深度神经网络模型来识别和分类心电信号。Kiranyaz(S.Kiranyaz,T.Ince,and M.Gabbouj,“Real-time patient-specific ecg classification by 1-d convolu-tional neural networks,”IEEETransactions on Biomedical Engineering,vol.63,no.3,pp.664–675,2015.)等人提出了一种识别心律不齐疾病的基于单导联的简单的卷积神经网络(CNN)模型,该模型既可以提取心电特征,同时也可以分类心电信号。Acharya(U.R.Acharya,S.L.Oh,Y.Hagiwara,J.H.Tan,M.Adam,A.Gertych,and R.San Tan,“A deep con-volutional neural networkmodel to classify heartbeats,”Computers in biology and medicine,vol.89,pp.389–396,2017.)等人提出了一种基于深度卷积的神经网络来快速识别不同类型的心律失常疾病。与传统方法相比,基于深度学习的方法可以在没有先验知识的情况下自动提取心血管疾病的表征特征。然而,现有的基于深度学习的方法存在以下问题:
(1)识别和分类精度不高;
(2)难以有效的处理不同长度的心电信号;
(3)难以有效的提取心电信号的多维度特征。大多已有模型关注与提取心电信号的波形特征与空间特征,忽视了心电信号的时序特征;
(4)现有的深度学习的方法大多针对心律不齐疾病等常见疾病所设计的,通用性不强,难以直接应用于其他类型的心血管疾病;
(5)不能适用于不同设备采集的数据的问题,缺乏普适性。
因此,需要研究更通用、精确到的方法,以适应实际诊断。
发明内容
为克服现有技术中的问题,本发明的目的是提供一种基于多重级联深度学习的心电信号的识别与分类方法。
为实现上述目的,本发明采用如下的技术方案:
基于多重级联深度学习的心电信号的识别与分类方法,包括以下步骤:
步骤1,采集已标注的一维心电数据;
步骤2,将一维心电数据进行预处理后划分成训练集、验证集以及测试集;
步骤3,构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练,得到在验证集上分类效果最好的模型;
步骤4,将待分类的心电数据输入到在验证集上分类效果最好的模型中,得到心电数据的心电信号所属分类。
进一步的,步骤2的具体过程如下:
a.假设心电信号长度为n,当一维心电数据为单导联心电数据时,得到1*n的心电向量;当一维心电数据为导联数为c的多导联心电数据,得到c*n的心电向量,其中2≤c≤12;
b.对1*n的心电向量与c*n的心电向量进行线性函数归一化处理,得到数据集;
c.将数据集按照8:1:1的比例划分为训练集、验证集以及测试集。
进一步的,线性函数归一化处理采用如下公式进行:
其中,X为已标注的一维心电数据,Xmin为已标注的一维心电数据的最小值,Xmax为已标注的一维心电数据的最大值,Xnorm为经过线性函数归一化后的心电数据。
进一步的,步骤3具体过程为:
a.构建基于卷积神经网络、循环神经网络以及Transformer模块的深度学习模型,深度学习模型的输入为训练集,深度学习模型的输出层为softmax层;
b.将训练集的数据批量放入深度学习模型中进行训练,采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并使得损失函数值最小,得到训练好的深度学习模型;
c.调整训练好的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在验证集上分类效果最好的模型。
进一步的,卷积神经网络由若干个卷积神经块组成,每个卷积神经块包括两个卷积层和一个最大池化层。
进一步的,循环神经网络采用双向门控循环单元。
进一步的,Transformer模块包括位置编码器、多头注意力机制以及前馈模块;其中,多头注意力机制采用8个自注意力机制,Transformer模块的数量为4个。
进一步的,深度学习模型的损失函数如下:
L=-∑kyklogf(xk) (2)
其中,xk是经过线性函数归一化后得到的1*n或c*n的心电向量,函数f(xk)表示xk经过神经网络模型,yk是一个维度为m的向量,m是待分类心电数据的类别数,yk=(y0,y1,…yi,…ym),yi∈{0,1};其中,1代表正样本,0代表负样本。
与现有技术相比,本发明具有的有益效果:
本发明所使用的深度学习模型基于卷积神经网络、循环神经网络与Transformer模块能够自动提取心电信号的多维度特征,如波形特征、空间特征以及时序特征。该深度学习模型通过一维卷积提取低层次的波形结构特征,将较浅和较深的层聚合起来,获取心电信号的空间特征,并利用循环神经网络和Transformer提取整个导联的时序特征。在不使用任何硬编码特征的情况下,实现更高效的特征提取和更好的分类结果。本发明使用的深度学习方法,可扩展性强,不需要根据专业医学知识及设计针对心电图的复杂特征,只需要提供标注好的数据输入神经网络。随着训练数据量的增加,网络分类的准确度越高。由于本发明可将卷积神经网络和Transformer封装成了独立的模块,因此具有可扩展性,可以应用于不同长度的单导联心电信号或者多导联心电信号(如12导联心电图)的分类,对不同的心电采集设备有良好的兼容性。
附图说明
图1为本发明的流程图。
图2为基于多重级联深度神经网络的结构图。
图3为本发明在MIH-BIH数据集上的的混淆矩阵。
图4为在CPSC2018数据集上的混淆矩阵。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明使用深度学习模型处理不同长度的单导联或者多导联心电数据,基于CNN、RNN以及Transformer模块进行深度学习模型的训练。将深度学习模型作为一个黑盒,不用人为指定使用某种心电信号特征进行分类,由计算机自己学习分类的过程。同时深度学习模型的输入是全部的心电信号数据(而不是心电信号的某些特征),减少了信息的损失。
本发明使用一维卷积神经网络CNN直接对原始心电数据进行处理,可以免去对心电数据进行以去除信号预处理步骤,即去掉基线漂移、肌电扰动等噪声,这是由于CNN对噪声的敏感性相对较低。由于本发明从不同设备采集的心电信号长度不同,因此将卷积神经网络封装为独立的卷积神经块。在处理不同长度的心电信号时,只需要调整卷积神经块的数量即可。心电信号作为一种时间序列,对心电使用深度学习方法建模时需要考虑心电信号的时序特征。RNN可捕捉时序的前后信息依赖关系,本发明引入双向门控循环单元(GRU)。与常用的长短期记忆(LSTM)模块相比,GRU模块在训练阶段效率更高,更容易避免过拟合。这一优势特别有利于一维心电信号的临床诊断。此外,引入的双向GRU可以同时考虑某个顺序时刻前后的心电信号中的信息。与单向GRU相比,它可以更全面地探索小范围心电信号的时域特性。除了对形态特征和短时域特征的探索之外,心脏病专家通常还需要检查跨多个心跳的长连续范围的心电信号,甚至贯穿整个导联。因此,本发明使用用于表示远距离心电信号的Transformer编码器。
参见图1,本发明的一种基于深度学习的心电信号识别和分类方法,可以根据训练所用的数据集,实现对不同心电数据的分类,具体过程如下:
步骤1,数据获取:从心电图机、电子版心电图或者便携式智能手表等设备采集大量的已标注(即有标签)的一维心电数据,用于模型训练,同时结合心电数据对应的心脏性疾病类型,该心电数据可以是单导联的,也可以是多导联的。
步骤2,数据处理:本方法支持不同长度的单导联或者多导联(如12导联)的一维心电信号。将步骤1中采集的已标注的一维心电数据进行预处理,并将这些心电数据划分成训练集、验证集以及测试集;具体过程如下:
a.假设心电信号长度为n,当一维心电数据为单导联心电数据时,得到1*n的心电向量;当一维心电数据为导联数为c的多导联心电数据,得到c*n的心电向量,其中2≤c≤12。
b.对1*n的心电向量与c*n的心电向量进行线性函数归一化处理,将线性函数归一化的结果构成数据集。线性函数将已标注的一维心电数据线性化转换到[0,1]的范围,线性函数归一化的公式如下:
其中,X为已标注的一维心电数据,Xmin为已标注的一维心电数据的最小值,Xmax为已标注的一维心电数据的最大值,Xnorm为经过线性函数归一化后的心电数据。
c.将数据集按照8:1:1的比例划分为训练集、验证集以及测试集。
步骤3,模型训练:构建基于CNN、RNN、Transformer模块的深度学习模型并训练,得到在验证集上分类效果最好的模型。具体过程如下:
a.参见图2,构建基于卷积神经网络(CNN)、循环神经网络(RNN)以及Transformer的深度学习模型,深度学习模型的输入为步骤2得到的训练集,深度学习模型的输出层为softmax层;
具体的,CNN模块由m个卷积神经块组成,卷积神经块的数量可以根据心电信号的长度进行选择。每个卷积神经块包含两个卷积层和一个最大池化层。卷积层中的参数通过反向传播算法进行优化。在本发明的模型中,卷积核大小设置为3,其中卷积核数设置为128,步长为1,填充为2。
RNN模块使用双向GRU。
Transformer模块包括位置编码器、多头注意力机制以及前馈模块。其中,多头注意力机制使用8个自注意力机制,本发明的深度神经网络模型一共包括4个Transformer模块。
深度学习模型的输入为步骤2所得的训练集,模型的输出层为softmax层。模型损失函数定义如下:
L=-∑kyklogf(xk) (2)
其中,xk是步骤2获取的经过线性函数归一化后得到的1*n或c*n的心电向量,作为深度学习模型的输入,函数f(xk)表示xk经过神经网络模型,yk是一个维度为m的向量,m是待分类心电数据的类别数,表示了数输入数据xk的类别,yk=(y0,y1,…yi,…ym),yi∈{0,1}。0代表负样本,1代表正样本。训练整个网络目标为求出使得损失函数值L最小的参数。
b.将步骤2处理得到的训练集的数据批量放入步骤a所构建的深度学习模型中进行训练。采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并使得损失函数值最小,保存此时的深度学习模型,得到训练好的深度学习模型。
c.调整步骤b得到的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在步骤2中验证集上分类效果最好的模型。
步骤4,对于待分类的单导联或者多导联的心电数据,重复步骤2,得到测试集,然后将测试集的数据输入到步骤3训练好的深度学习模型中,得到心电数据的心电信号所属分类。
分别在MIT-BIH数据集和The China Physiological Signal Challenge 2018(CPSC2018)数据集上验证了本发明的有效性和普适性。MIT-BIH数据集是单导联心电数据,每个心电数据包括200个心电数值信号。MIT-BIH数据集包括5种心拍类型,分别是非异位搏动(N)、室上性异位搏动(S)、室性异位搏动(V)、融合搏动(F)以及无法分类的搏动(Q)。CPSC2018数据集是12导联心电数据,每个心电数据的长度从3000到30000不等。CPSC2018数据集包括9种心血管疾病,分别是正常、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段压低(STD)和ST段抬高(STE)。本发明在MIH-BIH数据集上的正确率可以达到99.6%,混淆矩阵参见图3,在CPSC2018数据集上的正确率可以达到87.2%,混淆矩阵参见图4。经验证本发明对多种心血管疾病都有良好的普适性。
本方法中的输入可以是单导联心电数据,也可以是多导联心电数据,可以是长时间序列心电数据,也可以是短时间序列心电数据,将待分类的心电数据进行线性函数归一化处理后输入训练好的深度学习模型,通过计算后得到分类的结果。
本发明的创新之处在于,设计了基于CNN,RNN和Transformer三种模块多重级联的深度神经网络模型,该模型可以有效的提取心电信号的波形特征、空间特征以及时序特征。
本发明采用了自适应数目的CNN块,结合RNN和Transformer对不同时常的心电数据进行表征,可以适用于从不同心电设备中采集到的不同长度的不同导联的心电数据,其中,心电设备包括医院的心电图机、电子版心电图以及便携式智能手表。一般来说,从医院的心电图机中采集到的都是时间较长的12导联的心电数据,从电子版心电图中提取的心电数据都是时间较短的12导联数据,从便携式智能手表中采集到的都是单导联心电数据。
本发明在多种心血管疾病的分类和识别上都有很好的效果,不止局限于识别和分类心律不齐类疾病。
Claims (4)
1.基于多重级联深度学习的心电信号的识别与分类方法,其特征在于,包括以下步骤:
步骤1,采集已标注的一维心电数据;
步骤2,将一维心电数据进行预处理后划分成训练集、验证集以及测试集;
步骤3,构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练,得到在验证集上分类效果最好的模型;
步骤4,将待分类的心电数据输入到在验证集上分类效果最好的模型中,得到心电数据的心电信号所属分类;
步骤2的具体过程如下:
a.假设心电信号长度为n,当一维心电数据为单导联心电数据时,得到1*n的心电向量;当一维心电数据为导联数为c的多导联心电数据,得到c*n的心电向量,其中2≤c≤12;
b.对1*n的心电向量与c*n的心电向量进行线性函数归一化处理,得到数据集;
c.将数据集按照8:1:1的比例划分为训练集、验证集以及测试集;
卷积神经网络由若干个卷积神经块组成,每个卷积神经块包括两个卷积层和一个最大池化层;
循环神经网络采用双向门控循环单元;
Transformer模块包括位置编码器、多头注意力机制以及前馈模块;其中,多头注意力机制采用8个自注意力机制,Transformer模块的数量为4个。
2.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法,其特征在于,线性函数归一化处理采用如下公式进行:
其中,X为已标注的一维心电数据,Xmin为已标注的一维心电数据的最小值,Xmax为已标注的一维心电数据的最大值,Xnirm为经过线性函数归一化后的心电数据。
3.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法,其特征在于,步骤3具体过程为:
a.构建基于卷积神经网络、循环神经网络以及Transformer模块的深度学习模型,深度学习模型的输入为训练集,深度学习模型的输出层为softmax层;
b.将训练集的数据批量放入深度学习模型中进行训练,采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并使得损失函数值最小,得到训练好的深度学习模型;
c.调整训练好的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在验证集上分类效果最好的模型。
4.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法,其特征在于,深度学习模型的损失函数如下:
L=-∑kyklogf(xk) (2)
其中,xk是经过线性函数归一化后得到的1*n或c*n的心电向量,函数f(xk)表示xk经过神经网络模型,yk是一个维度为m的向量,m是待分类心电数据的类别数,yk=(y0,y1,…yi,…ym),yi∈{0,1};其中,1代表正样本,0代表负样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109550.3A CN113901893B (zh) | 2021-09-22 | 2021-09-22 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109550.3A CN113901893B (zh) | 2021-09-22 | 2021-09-22 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901893A CN113901893A (zh) | 2022-01-07 |
CN113901893B true CN113901893B (zh) | 2023-09-15 |
Family
ID=79028757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111109550.3A Active CN113901893B (zh) | 2021-09-22 | 2021-09-22 | 基于多重级联深度神经网络的心电信号的识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901893B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564991B (zh) * | 2022-02-28 | 2024-02-20 | 合肥工业大学 | 基于Transformer引导卷积神经网络的脑电信号分类方法 |
CN114469126B (zh) * | 2022-03-09 | 2023-06-23 | 平安科技(深圳)有限公司 | 心电数据的分类处理方法、装置、存储介质及计算机设备 |
CN117281528A (zh) * | 2023-11-27 | 2023-12-26 | 山东锋士信息技术有限公司 | 基于深度学习的多导联脉冲信号智能识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN112472101A (zh) * | 2020-10-16 | 2021-03-12 | 浙江大学山东工业技术研究院 | 基于转换技术的深度学习心电图数据分类方法及装置 |
CN112764024A (zh) * | 2020-12-29 | 2021-05-07 | 杭州电子科技大学 | 基于卷积神经网络和Bert的雷达目标识别方法 |
WO2021143403A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
CN113397572A (zh) * | 2021-07-23 | 2021-09-17 | 中国科学技术大学 | 基于Transformer模型的表面肌电信号分类方法及系统 |
-
2021
- 2021-09-22 CN CN202111109550.3A patent/CN113901893B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
WO2021143403A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 利用心搏时间序列生成心搏标签序列的处理方法和装置 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
CN112472101A (zh) * | 2020-10-16 | 2021-03-12 | 浙江大学山东工业技术研究院 | 基于转换技术的深度学习心电图数据分类方法及装置 |
CN112764024A (zh) * | 2020-12-29 | 2021-05-07 | 杭州电子科技大学 | 基于卷积神经网络和Bert的雷达目标识别方法 |
CN113397572A (zh) * | 2021-07-23 | 2021-09-17 | 中国科学技术大学 | 基于Transformer模型的表面肌电信号分类方法及系统 |
Non-Patent Citations (4)
Title |
---|
基于BERT和BiGRU的在线评论文本情感分类研究;姚妮;高政源;娄坤;朱付保;;轻工学报(第05期);全文 * |
基于BiGRU深度神经网络的心肌梗死检测;张行进;李润川;赵红领;王宗敏;;计算机应用与软件(第02期);全文 * |
基于一维卷积神经网络的房颤智能诊断方法研究;谢胜龙;张为民;鲁玉军;张文欣;朱俊江;任国营;;计量学报(第05期);全文 * |
基于迁移学习的维吾尔语命名实体识别;孔祥鹏;吾守尔・斯拉木;杨启萌;李哲;;东北师大学报(自然科学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113901893A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhai et al. | Automated ECG classification using dual heartbeat coupling based on convolutional neural network | |
CN113901893B (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
Yang | Multiscale recurrence quantification analysis of spatial cardiac vectorcardiogram signals | |
WO2019161610A1 (zh) | 心电信息处理方法和心电工作站系统 | |
Ebrahimzadeh et al. | Detection of electrocardiogram signals using an efficient method | |
Wan et al. | Heartbeat classification algorithm based on one-dimensional convolution neural network | |
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 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
Gawande et al. | Heart diseases classification using convolutional neural network | |
Wu et al. | Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach | |
Prashar et al. | Novel cardiac arrhythmia processing using machine learning techniques | |
Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
Xu et al. | Arrhythmia detection using gated recurrent unit network with ECG signals | |
Zhao et al. | PVC recognition for wearable ECGs using modified frequency slice wavelet transform and convolutional neural network | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
Shi et al. | Automated heartbeat classification based on convolutional neural network with multiple kernel sizes | |
Qayyum et al. | ECG heartbeat classification: A comparative performance analysis between one and two dimensional convolutional neural network | |
Tung et al. | Multi-lead ECG classification via an information-based attention convolutional neural network | |
Sandeep et al. | ECG classification using machine learning |
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 |