CN114119968B - 基于深度神经网络的纸质心电图信号区域提取方法及系统 - Google Patents
基于深度神经网络的纸质心电图信号区域提取方法及系统 Download PDFInfo
- Publication number
- CN114119968B CN114119968B CN202111542546.6A CN202111542546A CN114119968B CN 114119968 B CN114119968 B CN 114119968B CN 202111542546 A CN202111542546 A CN 202111542546A CN 114119968 B CN114119968 B CN 114119968B
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- electrocardiogram
- paper
- paper electrocardiogram
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度神经网络的纸质心电图信号区域提取方法及系统,属于心电学技术领域。本发明包括对纸质心电图上的信号区域进行标注得到信号区域的范围;对纸质心电图进行预处理;根据预处理后的纸质心电图构建深度神经网络;初始化所述深度神经网络,定义损失函数和设定优化算法;结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;微调模型的预测结果以获得准确的信号区域;根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。本发明能够对纸质心电图中信号区域进行精准提取。
Description
技术领域
本发明涉及心电学技术领域,具体涉及一种基于深度神经网络的纸质心电图信号区域提取方法。
背景技术
心电图因其方便快捷的检测方式、较低的检测价格和准确的检测效果而被广泛使用于不同医疗的场景中。目前,心电图最常见的存储方式是将心电图机获得的心电信号打印在热敏纸上形成纸质心电图,这使得医疗机构每天会产生大量的心电报告。
随着我国数字化医疗建设工作的推进,纸质心电图的数字化不仅有利于医院对病人信息的管理,还对临床医生的教学科研工作有大的帮助。此外,医疗机构还能够利用大数据来对心脏疾病进行更为精细化的统计分析,为患者提供更好的治疗计划和预后分析。目前建立数字化心电图数据库的需要非常迫切,远程在线医疗诊断的服务需求也在不断增长,对纸质心电图的信息提取并数字化是一个亟待解决并具有实际应用需求的问题。然而,目前纸质心电图数字化的工作仍然存在一些困难,主要是以下三个关键的问题阻碍着纸质心电图数字化进程。
(1)在纸质心电图中,除了信号区域外还存在有患者的其他信息及心电参数,这些信息增加了心电信号数字化的难度,甚至会影响数字化结果的准确性。
(2)不同医疗机构的纸质心电图有着不同的排布,这使得针对某一种纸质心电图排布的数字化方法很难适用于其他排布的纸质心电图中去。
(3)在纸质心电图的采集过程中,部分区域可能会产生一定的噪音,这些噪音会使获取的图像中局部区域的像素值大小发生改变,极大的影响到数字化的结果。
发明内容
技术问题:针对上述问题,本发明提供一种基于深度神经网络的纸质心电图信号区域提取方法和系统,通过将纸质心电图中的信号区域提取出来降低无关区域对纸质心电图数字化过程的干扰,提高纸质心电图数字化结果的准确率。
技术方案:第一方面,本发明提供一种基于深度神经网络的纸质心电图信号区域提取方法,其特征在于,包括:
获取纸质心电图;
对纸质心电图上的信号区域进行标注得到信号区域的范围;
对纸质心电图进行预处理;
根据预处理后的纸质心电图构建深度神经网络;
初始化所述深度神经网络,定义损失函数和设定优化算法;
结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;
将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;
微调深度神经网络模型的预测结果以获得准确的信号区域;
根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。
进一步地,所述对纸质心电图上的信号区域进行标注得到信号区域的范围包括:
从纸质心电图中框选出心电信号区域,用于作为训练深度神经网络的标签;所述纸质心电图为任意大小。
进一步地,所述对纸质心电图进行预处理包括:
将图像采样至随机大小,并使用灰色图像覆盖图像中的部分区域;
使用随机概率来选择是否对覆盖后的图像进行翻转;
对图像的色彩空间进行转换;
对图像进行归一化操作使图像的像素值大小缩放到0-1之间并将其转换为张量。
进一步地,所述根据预处理后的纸质心电图构建深度神经网络包括:
深度神经网络的输入为所述张量;输出为预测概率和信号区域的范围。
进一步地,所述的初始化所述深度神经网络,定义损失函数和设定优化算法包括:
采用均值为0、方差为1的正态分布随机初始化深度神经网络中的参数;
定义损失函数来衡量真实标签和预测结果之间的差异;
通过对损失函数求最优解,使用Adam优化算法对深度神经网络中的参数进行更新直至深度神经网络收敛;
将预处理后的纸质心电图和真实标签输入到深度神经网络。
进一步地,所述结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛包括:
通过前向传播算法提取纸质心电图特征,以预测纸质心电图中的信号区域,并得到预测结果;
通过损失函数求得预测结果和真实标签之间的差异,该差异被具体量化为损失值;
结合基于链式求导法则的反向传播算法和adam优化算法来对深度神经网络中的权重参数进行梯度更新;
使用权重参数更新过的深度神经网络重复迭代训练,直至深度神经网络收敛;
在权重参数更新的过程中,记录损失值得变化曲线,并通过对损失值预设相应的阈值来保存权重参数得到最终的深度神经网络。
进一步地,所述待提取纸质心电图为标注数据以外的数据。
进一步地,所述的微调模型的预测结果以获得准确的信号区域包括:
首先对深度神经网络所预测信号区域的上下左右边界进行扩张;
然后逐步缩小边界范围,直至达到最优的结果。
进一步地,所述根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域包括:
使用模板匹配算法将获取到的信号区域与已获取的导联名称模板相互匹配,得到各个导联的匹配结果;
根据关键导联名称的坐标位置来判断该纸质心电图上导联位置的布局;
通过对纸质心电图中像素值进行行求和与列求和来确定导联位置,结合导联名称的坐标和导联位置的起始点来获取每个导联的初始位置;
根据导联间距和导联的初始位置在纸质心电图的信号区域中获的每个导联的信号区域,实现信号区域的精准获取。
第二方面,本发明提供一种基于深度神经网络的纸质心电图信号区域提取系统,根据本发明所提供的任一所述的基于深度神经网络的纸质心电图信号区域提取方法对纸质心电图信号区域进行提取,包括:
数据获取单元,用于获取纸质心电图;
标注单元,用于对纸质心电图上的信号区域进行标注得到信号区域的范围;
预处理单元,用于对纸质心电图进行预处理;
模型构建单元,用于根据预处理后的纸质心电图构建深度神经网络;
预设单元,用于初始化所述深度神经网络,定义损失函数和设定优化算法;
训练单元,用于结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;
预测单元,用于将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;
微调单元,用于微调深度神经网络模型的预测结果以获得准确的信号区域;
信号区域获取单元,用于根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。
有益效果:本发明与现有技术相比,通过训练的深度神经网络,对纸质心电图中的信号区域提取,从而获取纸质心电图中的信号区域。结合设计的微调算法和导联名称匹配方法优化信号区域范围,进而实现纸质心电图中信号区域的精准获取。
附图说明
图1是本发明实施例中基于深度神经网络的纸质心电图信号区域提取方法的流程示意图;
图2为本发明实施例中所提出基于深度神经网络的纸质心电图信号区域提取方法实施场景示意图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。
图1示出了本发明的实施例中基于深度神经网络的纸质心电图信号区域提取方法的流程图。图2为本发明实施例中所提出基于深度神经网络的纸质心电图信号区域提取方法实施场景示意图。结合图1和图2所示,本发明的实施例中,该方法包括如下步骤,见步骤S100~S900:
步骤S100:获取纸质心电图。在本发明的实施例中,纸质心电图的形式可以是任意形式,大小不限,尺寸不限。
步骤S200:对纸质心电图上的信号区域进行标注得到信号区域的范围。在本发明的实施例中,从纸质心电图中框选出心电信号区域,用于作为训练深度神经网络的标签;其中纸质心电图为任意大小,并不做过多限制。在标注时,可以采用人工标注的方式。具体的,纸质心电图被表示为其中,h和w分别是图像的长和宽。通过划定心电信号区域的上下左右(top,left,bottom,right)四条边作为真实标签,其中,top和bottom代表心电信号区域的上下边界(即,top和bottom是心电信号区域在图像的宽w上投影的两个边界点),left和righ代表心电信号区域的左右边界(即,left和righ是心电信号区域在图像的长h上投影的两个边界点)。
步骤S300:对纸质心电图进行预处理。该步骤目的是为了增加噪声数据量,提高模型的泛化能力和鲁棒性,避免过拟合。
具体的,在本发明的实施例中,对纸质心电图进行预处理可按照如下步骤进行,见步骤S310~S340。
步骤S310:将图像采样至随机大小,并使用灰色图像覆盖图像中的部分区域;具体的,将一个服从标准正态分布的随机样本值作为尺度来调整图像大小,并构建一个一定大小的纯灰色图像来覆盖图像中的部分区域。可以构建如式(1)所示的公式计算出对图像缩放的尺度,其中,α∈(0,1),b和a分别是预先设定的数值。具体的,结合不同设置的scale来对图像进行缩放并调整图像大小,使用灰色像素将调整后的结果填充至固定大小。
scale的计算方式为:
scale=α(b-a)+a (1)
步骤S320:使用随机概率来选择是否对覆盖后的图像进行翻转;具体的,在本发明的实施例中,设定0.5为阈值来判断是否对图像进行翻转操作,若大于0.5,则对图像进行翻转,反之,则不进行操作。
步骤S330:对图像的色彩空间进行转换。具体的,将一个服从标准正态分布的随机样本值作为尺度来对图像的色彩空间进行转换,将图像由RGB图像转换到HSV色域上进行色域扭曲操作,在完成色域扭曲操作后将图像重新由HSV转换至RGB图像。
步骤S340:对图像进行归一化操作使图像的像素值大小缩放到0-1之间并将其转换为张量,也就是将数据格式转换为张量。
步骤S400:根据预处理后的纸质心电图构建深度神经网络Z。在本发明的实施例中,深度神经网络Z的结构不做限制,可以为现有的深度神经网络结构形式,即包括输入层、隐藏层、输出层,至于隐藏层的层数,可以根据具体情况,调整隐藏层的层数。只需其输入为Xi,输出为预测概率Pi和信号区域的范围P(top,left,bottom,right),其中,其中,b是输入网络的批次大小,c是纸质心电图的通道数,nh和nw是预处理后纸质心电图的长度和宽度,top和bottom代表预测心电信号区域的上下边界,left和right代表预测心电信号区域的左右边界。
步骤S500:初始化所述深度神经网络Z,定义损失函数和设定优化算法。具体的,在本发明的实施例中,可按照步骤S510~S540进行。
步骤S510:采用均值为0、方差为1的正态分布随机初始化深度神经网络Z中的参数。
步骤S520:定义损失函数LF来衡量真实标签P(top,left,bottom,right)和预测结果T(top,left,bottom,right)之间的差异,在本发明的实施例中,损失函数为:
其中,m为纸质心电图的数量,α和γ分别为权重参数。Pi是深度神经网络Z对纸质心电图的预测概率。
步骤S530:通过对损失函数LF求最优解,使用Adam优化算法对深度神经网络Z中的参数进行更新直至深度神经网络Z收敛;
步骤S540:将预处理后的纸质心电图和真实标签输入到深度神经网络Z。
步骤S600:结合训练数据和所定义的损失函数对深度神经网络Z进行迭代训练直至收敛。具体的,在本发明的实施例中,可按照步骤S610~S650进行。
步骤S610:通过前向传播算法来实现对纸质心电图特征的提取以预测纸质心电图中的信号区域,并得到预测结果P(top,left,bottom,right),其实现方式为:
P(top,left,bottom,right)=Wn(Wn-1(…(W1X1+b1)…)+bn-1)+Bn
其中,W1,W2,W3,…,Wn是深度神经网络Z中不同层的权重,b1,b2,b3,…,bn是深度神经网络Z中不同层的偏置项。
步骤S620:通过损失函数LF求得预测结果P(top,left,bottom,right)和真实标签T(top,left,bottom,right)之间的差异,该差异被具体量化为损失值,其实现方式为:
Loss=LF(P(top,left,bottom,right),T(top,left,bottom,right))
步骤S630:结合基于链式求导法则的反向传播算法和Adam优化算法来对深度神经网络Z中的权重参数Wi进行梯度更新。
步骤S640:使用权重参数更新过的深度神经网络Z重复S610-S630的步骤,直至深度神经网络Z收敛。
步骤S650:在权重参数更新的过程中,记录损失值得变化曲线,并通过对损失值预设相应的阈值来保存权重参数得到最终的深度神经网络模型。
步骤S700:将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果。在本发明的实施例中,待提取纸质心电图为标注数据以外的数据,可以是任意来源的纸质心电图。
步骤S800:微调模型的预测结果以获得准确的信号区域。在本发明的实施例中,具体为:首先对深度神经网络的所预测信号区域的P(top,left,bottom,right)的上下左右边界进行扩张,然后逐步缩小边界范围,直至达到最优的结果。该步骤中,具体是利用逐步长对比的思路设计了上述的纸质心电图中信号区域的微调算法;然后通过所设计微调算法来优化深度神经网络的预测结果以实现纸质心电图中完整信号区域的获取;最后根据优化后的信号区域范围从原始纸质心电图中获得完整的信号区域。
步骤S900:根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。在本发明的实施例中,可按照步骤S910~S940进行。其中,“导联”是在心电图领域的专业术语,将记录心电图时电极在人体体表的放置位置及电极与放大器的连接方式称为心电图的导联。
步骤S910:使用模板匹配算法将获取到的信号区域与已获取的导联名称模板相互匹配,得到各个导联的匹配结果P(confidence,rectangle,result)。
步骤S920:根据关键导联名称的坐标位置来判断该纸质心电图上导联位置的布局。
步骤S930:通过对纸质心电图中像素值进行行求和与列求和来确定导联位置,结合导联名称的坐标和导联位置的起始点来获取每个导联的初始位置。
步骤S940:根据导联间距和导联的初始位置在纸质心电图的信号区域中获的每个导联的信号区域,实现信号区域的精准获取。
另一方面,本发明的实施例中提供了一种基于深度神经网络的纸质心电图信号区域提取系统,该系统根据上述任一实施方式所述的基于深度神经网络的纸质心电图信号区域提取方法对纸质心电图信号区域进行提取,该系统包括:数据获取单元,用于获取纸质心电图;
标注单元,用于对纸质心电图上的信号区域进行标注得到信号区域的范围;
预处理单元,用于对纸质心电图进行预处理;
模型构建单元,用于根据预处理后的纸质心电图构建深度神经网络;
预设单元,用于初始化所述深度神经网络,定义损失函数和设定优化算法;
训练单元,用于结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;
预测单元,用于将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;
微调单元,用于微调深度神经网络模型的预测结果以获得准确的信号区域;
信号区域获取单元,用于根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。
上述实施例仅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,在不脱离本发明原理的前提下,还可以做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
Claims (9)
1.一种基于深度神经网络的纸质心电图信号区域提取方法,其特征在于,包括:
获取纸质心电图;
对纸质心电图上的信号区域进行标注得到信号区域的范围;
对纸质心电图进行预处理;
根据预处理后的纸质心电图构建深度神经网络;
初始化所述深度神经网络,定义损失函数和设定优化算法;
结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;
将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;
微调深度神经网络模型的预测结果以获得准确的信号区域;
根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域,包括:使用模板匹配算法将获取到的信号区域与已获取的导联名称模板相互匹配,得到各个导联的匹配结果;根据关键导联名称的坐标位置来判断该纸质心电图上导联位置的布局;通过对纸质心电图中像素值进行行求和与列求和来确定导联位置,结合导联名称的坐标和导联位置的起始点来获取每个导联的初始位置;根据导联间距和导联的初始位置在纸质心电图的信号区域中获的每个导联的信号区域,实现信号区域的精准获取。
2.根据权利要求1所述的方法,其特征在于,所述对纸质心电图上的信号区域进行标注得到信号区域的范围包括:
从纸质心电图中框选出心电信号区域,用于作为训练深度神经网络的标签;所述纸质心电图为任意大小。
3.根据权利要求2所述的方法,其特征在于,所述对纸质心电图进行预处理包括:
将图像采样至随机大小,并使用灰色图像覆盖图像中的部分区域;
使用随机概率来选择是否对覆盖后的图像进行翻转;
对图像的色彩空间进行转换;
对图像进行归一化操作使图像的像素值大小缩放到0-1之间并将其转换为张量。
4.根据权利要求3所述的方法,其特征在于,所述根据预处理后的纸质心电图构建深度神经网络包括:
深度神经网络的输入为所述张量;输出为预测概率和信号区域的范围。
5.根据权利要求4所述的方法,其特征在于,所述的初始化所述深度神经网络,定义损失函数和设定优化算法包括:
采用均值为0、方差为1的正态分布随机初始化深度神经网络中的参数;
定义损失函数来衡量真实标签和预测结果之间的差异;
通过对损失函数求最优解,使用Adam优化算法对深度神经网络中的参数进行更新直至深度神经网络收敛;
将预处理后的纸质心电图和真实标签输入到深度神经网络。
6.根据权利要求5所述的方法,其特征在于,所述结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛包括:
通过前向传播算法提取纸质心电图特征,以预测纸质心电图中的信号区域,并得到预测结果;
通过损失函数求得预测结果和真实标签之间的差异,该差异被具体量化为损失值;
结合基于链式求导法则的反向传播算法和Adam优化算法来对深度神经网络中的权重参数进行梯度更新;
使用权重参数更新过的深度神经网络重复迭代训练,直至深度神经网络收敛;
在权重参数更新的过程中,记录损失值得变化曲线,并通过对损失值预设相应的阈值来保存权重参数得到最终的深度神经网络。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述待提取纸质心电图为标注数据以外的数据。
8.根据权利要求7所述的方法,其特征在于,所述的微调模型的预测结果以获得准确的信号区域包括:
首先对深度神经网络所预测信号区域的上下左右边界进行扩张;
然后逐步缩小边界范围,直至达到最优的结果。
9.一种基于深度神经网络的纸质心电图信号区域提取系统,根据权利要求1-8任一项所述的基于深度神经网络的纸质心电图信号区域提取方法对纸质心电图信号区域进行提取,其特征在于,包括:
数据获取单元,用于获取纸质心电图;
标注单元,用于对纸质心电图上的信号区域进行标注得到信号区域的范围;
预处理单元,用于对纸质心电图进行预处理;
模型构建单元,用于根据预处理后的纸质心电图构建深度神经网络;
预设单元,用于初始化所述深度神经网络,定义损失函数和设定优化算法;
训练单元,用于结合训练数据和所定义的损失函数对深度神经网络进行迭代训练直至收敛;
预测单元,用于将待提取纸质心电图输入已训练完成的深度神经网络,获取模型的预测结果;
微调单元,用于微调深度神经网络模型的预测结果以获得准确的信号区域;
信号区域获取单元,用于根据模板匹配算法、导联排布预测算法和导联定位算法确定纸质心电图排布并获得每个导联的信号区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542546.6A CN114119968B (zh) | 2021-12-16 | 2021-12-16 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542546.6A CN114119968B (zh) | 2021-12-16 | 2021-12-16 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119968A CN114119968A (zh) | 2022-03-01 |
CN114119968B true CN114119968B (zh) | 2022-05-24 |
Family
ID=80365038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542546.6A Active CN114119968B (zh) | 2021-12-16 | 2021-12-16 | 基于深度神经网络的纸质心电图信号区域提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119968B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270848B (zh) * | 2022-06-17 | 2023-09-29 | 合肥心之声健康科技有限公司 | 一种ppg与ecg自动转换智能算法、存储介质和计算机系统 |
CN115429286B (zh) * | 2022-10-11 | 2023-06-16 | 郑州大学 | 一种心电表征自监督学习方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102038498A (zh) * | 2011-01-20 | 2011-05-04 | 天津理工大学 | 一种纸质心电图数字化方法 |
CN106815570A (zh) * | 2016-12-30 | 2017-06-09 | 广东技术师范学院 | 一种基于动态模式识别的心电信号st‑t段识别方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
CN110558972A (zh) * | 2019-08-27 | 2019-12-13 | 安徽心之声医疗科技有限公司 | 一种心电信号深度学习模型的轻量化方法 |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9750424B2 (en) * | 2013-01-24 | 2017-09-05 | Dalhousie University | Computer-aided localization of site of origin of cardiac activation with discriminator leads |
CN107684423A (zh) * | 2016-08-05 | 2018-02-13 | 深圳先进技术研究院 | 一种胎儿心电分离方法及装置 |
CN110013247B (zh) * | 2019-05-24 | 2020-06-05 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
US20210378597A1 (en) * | 2020-06-04 | 2021-12-09 | Biosense Webster (Israel) Ltd. | Reducing noise of intracardiac electrocardiograms using an autoencoder and utilizing and refining intracardiac and body surface electrocardiograms using deep learning training loss functions |
-
2021
- 2021-12-16 CN CN202111542546.6A patent/CN114119968B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102038498A (zh) * | 2011-01-20 | 2011-05-04 | 天津理工大学 | 一种纸质心电图数字化方法 |
CN106815570A (zh) * | 2016-12-30 | 2017-06-09 | 广东技术师范学院 | 一种基于动态模式识别的心电信号st‑t段识别方法 |
CN110464334A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种基于复合深度学习网络的心电图异常检测方法 |
CN110558972A (zh) * | 2019-08-27 | 2019-12-13 | 安徽心之声医疗科技有限公司 | 一种心电信号深度学习模型的轻量化方法 |
CN110897633A (zh) * | 2019-12-17 | 2020-03-24 | 安徽心之声医疗科技有限公司 | 基于深度神经网络的心电信号分割方法 |
Non-Patent Citations (6)
Title |
---|
ECG based authentication for remote patient monitoring in IoT by wavelets and template matching;Abdul Rehman等;《2017 8th IEEE International Conference on Software Engineering and Service Science (ICSESS)》;20171126;91-94 * |
基于GA-ELM混合模型的急性心肌梗死定位算法研究;张行进等;《计算机应用与软件》;20200112(第01期);192-197 * |
基于多分辨分析量子跃迁神经网络的心电图智能检测研究;王淑艳等;《生物医学工程学杂志》;20090625(第03期);26-29 * |
基于特征提取与神经网络的心电图分类研究;冯俊;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20050815(第8期);E080-30 * |
基于独立元分析和联合小波熵检测多导联ECG信号的QRS;黄博强等;《生物医学工程学进展》;20100330(第01期);5-10 * |
纸质心电图数字化信息提取与分析;孙小涵;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20200215(第2期);E060-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN114119968A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119968B (zh) | 基于深度神经网络的纸质心电图信号区域提取方法及系统 | |
WO2022041307A1 (zh) | 一种构建半监督图像分割框架的方法及系统 | |
US11908580B2 (en) | Image classification method, computer-readable storage medium, and computer device | |
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN111091589A (zh) | 基于多尺度监督学习的超声和核磁图像配准方法及装置 | |
CN110458831B (zh) | 一种基于深度学习的脊柱侧弯图像处理方法 | |
CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
US20220262105A1 (en) | Systems, methods, and apparatuses for the generation of source models for transfer learning to application specific models used in the processing of medical imaging | |
CN111508016B (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
CN112381811B (zh) | 一种实现医学影像数据标注的方法、装置及设备 | |
WO2022042348A1 (zh) | 医学影像标注方法和装置、设备及存储介质 | |
WO2021073279A1 (zh) | 数字病理图像染色归一化方法、系统、电子装置及存储介质 | |
CN110767293B (zh) | 一种脑部辅助诊断系统 | |
CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
US20210248716A1 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
CN115511767B (zh) | 一种自监督学习的多模态图像融合方法及其应用 | |
CN112802019B (zh) | 一种基于脊柱AIS影像的lenke分型方法 | |
CN113139977B (zh) | 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法 | |
CN112396606B (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN111430025A (zh) | 一种基于医疗影像数据扩增的疾病诊断方法 | |
CN106228198B (zh) | 一种医疗ct图像的超分辨率识别方法 | |
CN114972211A (zh) | 图像分割模型的训练方法、分割方法、装置、设备和介质 | |
CN113240699B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 |
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 |