CN114098757B - 一种基于量子粒子群优化的ecg信号监测方法 - Google Patents
一种基于量子粒子群优化的ecg信号监测方法 Download PDFInfo
- Publication number
- CN114098757B CN114098757B CN202111341072.9A CN202111341072A CN114098757B CN 114098757 B CN114098757 B CN 114098757B CN 202111341072 A CN202111341072 A CN 202111341072A CN 114098757 B CN114098757 B CN 114098757B
- Authority
- CN
- China
- Prior art keywords
- ecg signal
- ecg
- particle swarm
- svm model
- quantum particle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 206010003119 arrhythmia Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000002028 premature Effects 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000001746 atrial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 206010006578 Bundle-Branch Block Diseases 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 206010006582 Bundle branch block right Diseases 0.000 description 1
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 201000007916 right bundle branch block Diseases 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
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
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及异常心电信号智能识别技术领域，具体公开了一种基于量子粒子群优化的ECG信号监测方法，包括：采集用户的ECG信号；对ECG信号进行电磁噪声去除；对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；将分割后的多个ECG信号样本分为训练集和测试集；构建初始CNN‑SVM模型，将所述训练集中的ECG信号样本输入到CNN‑SVM模型中进行训练，得到训练后的CNN‑SVM模型；将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN‑SVM模型中，以进行异常ECG信号的检测。本发明能够有效寻找到使ECG信号识别准确率最高的支持向量机参数，提高CNN‑SVM模型对异常ECG信号的识别精度。
Description
技术领域
本发明涉及异常心电信号智能识别技术领域，更具体地，涉及一种基于量子粒子群优化的ECG信号监测方法。
背景技术
心血管疾病(CVDs)是世界范围内死亡率最高的疾病。根据世界卫生组织(WHO)的数据，2015年约有1770万人死于心血管疾病。一般来说，心血管病有三大类：心律失常，或由于心脏电系统功能失调而引起的心跳异常、血管紊乱和心肌疾病。心律失常可以表现为慢、快或不规则的心跳，并可分为危及生命和非危及生命两种。心律失常的诊断取决于心电图(ECG)上正常与异常的单个心跳的识别，以及基于ECG形态的准确标注。
ECG是监测心律和心率的常用方法，可用于检测心电系统的许多异常和故障。每一类异常ECG的起因都不相同，需要采用不同的治疗手段进行治疗。因此，对于心内科医生来讲，在进行任何治疗之前正确识别异常ECG的类型是至关重要的。
ECG的特征和模式是不同的。由于这种形态上的巨大差异，很难准确地识别心电成分。此外，视觉评估作为目前的护理标准，可能导致主观解释和观察者间偏见。为了解决肉眼和手工解读心电的缺点，研究人员寻求开发一种计算机辅助诊断(CAD)系统来自动诊断心电。该领域的大部分工作是通过结合机器学习方法来准确评估ECG的类别，并区分危及生命的事件和包括心律失常在内的非威胁性事件。传统的机器学习方法显示了良好的心电图心跳分类性能，但它们有许多缺点。例如，传统方法需要设计一个特征提取器，从原始心电信号中提取预测特征，然后将它们组织成一组最优特征，送入分类器。但上述方法容易出现过拟合现象，导致实际使用时会时常出现误判现象。与传统方法不同，基于深度学习的方法具有自动学习ECG有用特征的能力，能够将特征提取、特征选择和分类等步骤集成到一个模型中，而不需要明确定义，大大提高了ECG识别准确率。同时，基于深度学习的解决方案的发展也得到了信息技术产业的大力支持。
在实际ECG识别场景中，ECG容易受到噪声干扰，并且用于训练的样本较少，如何在少样本，强噪声环境下得到一种高性能的ECG识别模型是研究的重点。
发明内容
针对现有技术中存在的上述弊端，本发明提供了一种基于量子粒子群优化的ECG信号监测方法，采用支持向量机(SVM)对原始ECG信号进行特征提取，并输入到经过量子粒子群优化(QPSO)的支持向量机(SVM)中进行特征识别，确定最终心率失常类型的ECG信号。
作为本发明的第一个方面，提供一种基于量子粒子群优化的ECG信号监测方法，包括以下步骤：
步骤S1：采集用户的ECG信号；
步骤S2：对所述ECG信号进行电磁噪声去除；
步骤S3：采用QRS波检测定位对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；
步骤S4：将分割后的多个ECG信号样本分为训练集和测试集；
步骤S5：构建初始心电信号检测网络CNN-SVM模型，将所述训练集中的ECG信号样本输入到所述初始心电信号检测网络CNN-SVM模型中进行训练，得到训练后的心电信号检测网络CNN-SVM模型；
步骤S6：将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN-SVM模型中，以进行异常ECG信号的检测。
进一步地，在所述步骤S1中，还包括：
通过ECG信号采集设备采集用户的ECG信号。
进一步地，在所述步骤S2中，还包括：
对所述ECG信号进行小波分解，得到干净的ECG信号，其中，小波基选用db5。
进一步地，在所述步骤S4中，还包括：
按照训练数据和测试数据互不相交的原则，将多个ECG信号样本按照6:4的比例分为训练集和测试集。
进一步地，在所述步骤S5中，所述初始心电信号检测网络CNN-SVM模型包括3个卷积模块、1个全局平均池化层以及1个由量子粒子群优化后的支持向量机，其中，每一所述卷积模块包括1个卷积层、1个批归一化层以及1个最大池化层，并在所述卷积层和所述批归一化层之间加入ReLU激活函数，所述训练集中的ECG信号样本在所述初始心电信号检测网络CNN-SVM模型中的具体处理过程包括：
步骤S5.1：输入的所述训练集中的ECG信号样本依次经过3个所述卷积模块进行压缩，得到压缩的信息流；
步骤S5.2：将通过3个所述卷积模块压缩的信息流输入到所述全局平均池化层；
步骤S5.3：将所述全局平均池化层输出的特征输入到由量子粒子群优化后的支持向量机中，以获取所述训练后的心电信号检测网络CNN-SVM模型。
进一步地，在所述步骤S5.3中，所述量子粒子群对所述支持向量机进行优化的具体过程包括：
所述量子粒子群采用三折交叉验证的方法对所述支持向量机的正则化参数和gamma进行寻优，以三折交叉验证的准确率为评分标准，选取得分最高的参数作为所述支持向量机的最终参数。
进一步地，在所述步骤S3中，还包括：
将所述ECG信号以R峰为中心，R峰左右分别排列150个采样点进行信号分割，得到样本长度为300的ECG信号样本。
本发明提供的一种基于量子粒子群优化的ECG信号监测方法具有以下优点：采用卷积神经网络CNN模型进行ECG信号的深层次特征提取，并将提取的特征输入到经过量子粒子群(QPSO)优化的支持向量机(SVM)中进行心电信号检测网络CNN-SVM模型的训练，量子粒子群(QPSO)优化能够有效寻找到使ECG信号识别准确率最高的支持向量机(SVM)参数，提高CNN-SVM模型对异常ECG信号的识别精度。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的一种基于量子粒子群优化的ECG信号监测方法的流程图。
图2为本发明实施例中的不同类别的ECG信号示意图，其中，图(a)是正常波动ECG信号图，图(b)是左束支传导阻滞ECG信号图，图(c)是右束支传导阻滞ECG信号图，图(d)是房性逸搏ECG信号图，图(e)是房性逸搏ECG信号图，图(f)是房性早搏ECG信号图，图(g)是异常房性早搏ECG信号图，图(h)是交界性早搏ECG信号图，图(i)是室上性早搏或者异位心搏ECG信号图，图(j)是室性早搏ECG信号图，图(k)是室性逸搏ECG信号图，图(l)是心室融合心跳ECG信号图。
图3为本发明提供的心电信号检测网络CNN-SVM模型的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于量子粒子群优化的ECG信号监测方法其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
在本实施例中提供了一种基于量子粒子群优化的ECG信号监测方法，如图1所示，一种基于量子粒子群优化的ECG信号监测方法包括：
步骤S1：采集用户的ECG信号；
需要说明的是，ECG信号为心电图信号；
步骤S2：对所述ECG信号进行电磁噪声去除；
步骤S3：采用QRS波检测定位对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；
步骤S4：将分割后的多个ECG信号样本分为训练集和测试集；
步骤S5：构建如图3所示的初始心电信号检测网络CNN-SVM模型，将所述训练集中的ECG信号样本输入到所述初始心电信号检测网络CNN-SVM模型中进行训练，得到训练后的心电信号检测网络CNN-SVM模型；
步骤S6：将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN-SVM模型中，以进行异常ECG信号的检测。
优选地，在所述步骤S1中，还包括：
通过ECG信号采集设备采集用户的ECG信号。为用户佩戴ECG信号采集设备，将采集到的ECG信号按照不同类型的ECG异常信号进行归类，构建原始数据集。
优选地，在所述步骤S2中，还包括：
对原始数据集中的所述ECG信号进行小波分解，对ECG信号中的由于采集设备周身的供电环境引起的电磁干扰进行去除，得到干净的ECG信号，其中，小波基选用db5。
优选地，在所述步骤S4中，还包括：
按照训练数据和测试数据互不相交的原则，将多个ECG信号样本按照6:4的比例分为训练集和测试集。
优选地，在所述步骤S5中，所述初始心电信号检测网络CNN-SVM模型包括3个卷积模块、1个全局平均池化层以及1个由量子粒子群优化后的支持向量机，其中，每一所述卷积模块包括1个卷积层、1个批归一化层以及1个最大池化层，并在所述卷积层和所述批归一化层之间加入ReLU激活函数，所述训练集中的ECG信号样本在所述初始心电信号检测网络CNN-SVM模型中的具体处理过程包括：
步骤S5.1：输入的所述训练集中的ECG信号样本依次经过3个所述卷积模块进行压缩，得到压缩的信息流；
步骤S5.2：将通过3个所述卷积模块压缩的信息流输入到所述全局平均池化层，缓解模型的过拟合问题；
步骤S5.3：将所述全局平均池化层输出的特征输入到由量子粒子群优化后的支持向量机中，以获取所述训练后的心电信号检测网络CNN-SVM模型。
优选地，在所述步骤S5.3中，所述量子粒子群对所述支持向量机进行优化的具体过程包括：
所述量子粒子群(QPSO)采用三折交叉验证的方法对所述支持向量机(SVM)的正则化参数和gamma进行寻优，以三折交叉验证的准确率为评分标准，选取得分最高的参数作为所述支持向量机的最终参数。
优选地，在所述步骤S3中，还包括：
将所述ECG信号以R峰为中心，R峰左右分别排列150个采样点进行信号分割，得到样本长度为300的ECG信号样本。
在本发明实施例中，表1为本发明与现有算法效果对比；
表1
| 模型 | CNN | CNN+SVM | CNN+SVM+QPSO |
| 准确率 | 98.21％ | 99.81％ | 99.92％ |
表1为本发明与现有方法进行比较，通过对识别准确率的对比，可以看出本发明相比于现有方法提高了ECG信号识别的准确率和可靠性，能够有效识别出如图2所示的异常心电信号。
本发明提供的一种基于量子粒子群优化的ECG信号监测方法，采用卷积神经网络CNN模型进行ECG信号的深层次特征提取，并将提取的特征输入到经过量子粒子群(QPSO)优化的支持向量机(SVM)中进行心电信号检测网络CNN-SVM模型的训练，量子粒子群(QPSO)优化能够有效寻找到使ECG信号识别准确率最高的支持向量机(SVM)参数，提高CNN-SVM模型对异常ECG信号的识别精度。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于量子粒子群优化的ECG信号监测方法，其特征在于，包括以下步骤：
步骤S1：采集用户的ECG信号；
步骤S2：对所述ECG信号进行电磁噪声去除；
步骤S3：采用QRS波检测定位对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；
步骤S4：将分割后的多个ECG信号样本分为训练集和测试集；
步骤S5：构建初始心电信号检测网络CNN-SVM模型，将所述训练集中的ECG信号样本输入到所述初始心电信号检测网络CNN-SVM模型中进行训练，得到训练后的心电信号检测网络CNN-SVM模型；
步骤S6：将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN-SVM模型中，以进行异常ECG信号的检测；
其中，在所述步骤S5中，所述初始心电信号检测网络CNN-SVM模型包括3个卷积模块、1个全局平均池化层以及1个由量子粒子群优化后的支持向量机，其中，每一所述卷积模块包括1个卷积层、1个批归一化层以及1个最大池化层，并在所述卷积层和所述批归一化层之间加入ReLU激活函数，所述训练集中的ECG信号样本在所述初始心电信号检测网络CNN-SVM模型中的具体处理过程包括：
步骤S5.1：输入的所述训练集中的ECG信号样本依次经过3个所述卷积模块进行压缩，得到压缩的信息流；
步骤S5.2：将通过3个所述卷积模块压缩的信息流输入到所述全局平均池化层；
步骤S5.3：将所述全局平均池化层输出的特征输入到由量子粒子群优化后的支持向量机中，以获取所述训练后的心电信号检测网络CNN-SVM模型；
其中，在所述步骤S5.3中，所述量子粒子群对所述支持向量机进行优化的具体过程包括：
所述量子粒子群采用三折交叉验证的方法对所述支持向量机的正则化参数和gamma进行寻优，以三折交叉验证的准确率为评分标准，选取得分最高的参数作为所述支持向量机的最终参数。
2.根据权利要求1所述的一种基于量子粒子群优化的ECG信号监测方法，其特征在于，在所述步骤S1中，还包括：
通过ECG信号采集设备采集用户的ECG信号。
3.根据权利要求1所述的一种基于量子粒子群优化的ECG信号监测方法，其特征在于，在所述步骤S2中，还包括：
对所述ECG信号进行小波分解，得到干净的ECG信号，其中，小波基选用db5。
4.根据权利要求1所述的一种基于量子粒子群优化的ECG信号监测方法，其特征在于，在所述步骤S4中，还包括：
按照训练数据和测试数据互不相交的原则，将多个ECG信号样本按照6:4的比例分为训练集和测试集。
5.根据权利要求1所述的一种基于量子粒子群优化的ECG信号监测方法，其特征在于，在所述步骤S3中，还包括：
将所述ECG信号以R峰为中心，R峰左右分别排列150个采样点进行信号分割，得到样本长度为300的ECG信号样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111341072.9A CN114098757B (zh) | 2021-11-12 | 2021-11-12 | 一种基于量子粒子群优化的ecg信号监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111341072.9A CN114098757B (zh) | 2021-11-12 | 2021-11-12 | 一种基于量子粒子群优化的ecg信号监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114098757A CN114098757A (zh) | 2022-03-01 |
| CN114098757B true CN114098757B (zh) | 2024-02-09 |
Family
ID=80379153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111341072.9A Active CN114098757B (zh) | 2021-11-12 | 2021-11-12 | 一种基于量子粒子群优化的ecg信号监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114098757B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
| CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及系统 |
| CN110837851A (zh) * | 2019-10-25 | 2020-02-25 | 西安交通大学 | 一种电静液作动器液压泵故障诊断方法 |
| US10602940B1 (en) * | 2018-11-20 | 2020-03-31 | Genetesis, Inc. | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease |
| CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
| 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 |
| CN113069124A (zh) * | 2021-03-09 | 2021-07-06 | 浙江工业大学 | 一种基于cnn-et模型的心电监测方法 |
| CN113408444A (zh) * | 2021-06-24 | 2021-09-17 | 西安交通大学 | 一种基于cnn-svm的事件相关电位信号分类方法 |
| CN113468988A (zh) * | 2021-06-18 | 2021-10-01 | 南京润楠医疗电子研究院有限公司 | 一种基于ecg信号的多压力状态下身份识别方法 |
| CN113626586A (zh) * | 2021-08-02 | 2021-11-09 | 中车大连电力牵引研发中心有限公司 | 一种磁浮列车的故障文本分析处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11486925B2 (en) * | 2020-05-09 | 2022-11-01 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
-
2021
- 2021-11-12 CN CN202111341072.9A patent/CN114098757B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
| CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及系统 |
| US10602940B1 (en) * | 2018-11-20 | 2020-03-31 | Genetesis, Inc. | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease |
| CN110837851A (zh) * | 2019-10-25 | 2020-02-25 | 西安交通大学 | 一种电静液作动器液压泵故障诊断方法 |
| CN111956208A (zh) * | 2020-08-27 | 2020-11-20 | 电子科技大学 | 一种基于超轻量级卷积神经网络的ecg信号分类方法 |
| CN113069124A (zh) * | 2021-03-09 | 2021-07-06 | 浙江工业大学 | 一种基于cnn-et模型的心电监测方法 |
| 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 |
| CN113468988A (zh) * | 2021-06-18 | 2021-10-01 | 南京润楠医疗电子研究院有限公司 | 一种基于ecg信号的多压力状态下身份识别方法 |
| CN113408444A (zh) * | 2021-06-24 | 2021-09-17 | 西安交通大学 | 一种基于cnn-svm的事件相关电位信号分类方法 |
| CN113626586A (zh) * | 2021-08-02 | 2021-11-09 | 中车大连电力牵引研发中心有限公司 | 一种磁浮列车的故障文本分析处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| Quantum-Behaved Particle Swarm Optimization for Parameter Optimization of Support Vector Machine;Alaa Tharwat，等;《Journal of Classification》;第36卷(第3期);第588-592页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114098757A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Acharya et al. | Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network | |
| CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
| CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
| Alquran et al. | ECG classification using higher order spectral estimation and deep learning techniques | |
| 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 | |
| CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| Zhang et al. | ECG signal classification with deep learning for heart disease identification | |
| CN113080994A (zh) | 一种基于卷积神经网络的多导联心电信号分类方法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| Sugimoto et al. | Detection and localization of myocardial infarction based on a convolutional autoencoder | |
| 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 | |
| CN110751131B (zh) | 一种心律失常检测装置 | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
| CN113229825A (zh) | 一种基于深度神经网络的多标签多导联心电图分类方法 | |
| Khan et al. | Electrocardiogram heartbeat classification using convolutional neural networks for the detection of cardiac Arrhythmia | |
| Yadav et al. | Arrhythmia Detection on ECG Signal Using Neural Network Approach | |
| 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 | |
| CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
| Shi et al. | Automated heartbeat classification based on convolutional neural network with multiple kernel sizes | |
| CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
| CN111759302A (zh) | 一种可穿戴式个体心电检测方法 | |
| WO2021031155A1 (zh) | 一种基于ecg的多尺度特征提取方法及装置 | |
| CN114098757B (zh) | 一种基于量子粒子群优化的ecg信号监测方法 | |
| CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240314 Address after: Room 607, Building 008, No. 2001 Yingbin West Road, Bacheng Town, Kunshan City, Suzhou City, Jiangsu Province, 215300 Patentee after: Betis (Suzhou) Electronic Technology Co.,Ltd. Country or region after: China Address before: 210000 room B021, 20th floor, building B, Xingzhi science and Technology Park, No. 6, Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province Patentee before: Nanjing mass IOT Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |